基于机器视觉的菜品智能识别技术探讨
计算机视觉技术在蔬菜识别中的应用研究
计算机视觉技术在蔬菜识别中的应用研究随着科技的发展，计算机视觉技术越来越成熟，如今已经被广泛应用于各行各业中的诸多领域。
本文将探讨计算机视觉技术在蔬菜识别中的应用研究。
一、计算机视觉技术简介计算机视觉技术是一种通过摄像机、计算机图像处理和模式识别技术来模仿人眼视觉对图像和场景的感知和理解的一种技术。
计算机视觉技术涉及到图像处理、模式识别、机器学习、计算几何等多个学科知识。
而在应用中，它又通常和机器视觉、图像处理、机器学习、深度学习等技术密不可分。
二、计算机视觉技术在蔬菜识别中的应用蔬菜识别是计算机视觉领域中常见的应用之一。
蔬菜识别技术主要是通过利用计算机视觉技术提取蔬菜影像特征，并通过人工智能模型对识别目标进行分析和学习，最终将不同蔬菜种类从影像中精准识别出来。
具体来说，计算机视觉技术在蔬菜识别中的应用一般包括以下几个步骤：1. 数据采集。
通过高分辨率的相机或专业的图像采集设备拍摄蔬菜的各种影像，包括蔬菜的大小、姿态、颜色等。
2. 数据预处理。
对采集的蔬菜影像进行预处理，包括色彩平衡、白平衡、噪声消除、轮廓提取等。
3. 特征提取。
通过计算机视觉技术提取出蔬菜影像的特征，如形状、纹理、颜色等。
4. 模型训练。
利用深度学习模型，对蔬菜影像的特征进行分析和学习，建立学习模型。
5. 蔬菜识别。
使用训练好的模型，对新的蔬菜影像进行识别，从中识别出相应的蔬菜品种。
基于计算机视觉技术的蔬菜识别应用，可以有效地提高蔬菜的精准识别率和自动化程度，大大提升了蔬菜分类效率和供应链管理效率。
三、计算机视觉技术在蔬菜识别中的现状和应用问题目前，计算机视觉技术在蔬菜识别中已经有了很多应用案例，其中包括基于图像分析的蔬菜检测、色彩的分类识别、基于光谱学的蔬菜成熟度判断等。
但是，这些应用仍然存在一些问题：1. 数据集问题。
蔬菜影像数据集通常体积较大，需要耗费大量的时间和精力进行标注、处理和建模。
2. 影像质量问题。
蔬菜影像特征的提取和识别依赖于影像的质量，而蔬菜影像的质量往往会受到光照、摄像机性能等因素的影响。
机器视觉与图像处理技术在智能餐饮领域的应用设计
机器视觉与图像处理技术在智能餐饮领域的应用设计一、引言随着科技的不断发展，机器视觉与图像处理技术在各个领域得到了广泛的应用，其中智能餐饮领域也不例外。
利用机器视觉和图像处理技术，可以提高餐饮行业的效率、服务质量和用户体验，实现智能化、自动化管理。
本文将探讨机器视觉与图像处理技术在智能餐饮领域的具体应用设计。
二、菜品识别与点餐系统在智能餐饮领域，利用机器视觉和图像处理技术可以实现菜品识别和点餐系统。
通过摄像头拍摄菜品图片，系统可以识别菜品的种类、名称和价格，用户只需通过手机App或者自助点餐机进行点餐，无需等待服务员，大大提高了点餐效率。
三、智能厨房管理利用机器视觉技术可以实现智能厨房管理。
通过在厨房安装摄像头，系统可以实时监测厨房内的工作情况，包括食材准备、烹饪过程等。
同时，系统还可以根据菜品制作流程提供指导，确保菜品的质量和口感。
四、智能环境监测智能餐饮领域还可以利用机器视觉技术进行环境监测。
通过在就餐区域安装摄像头，系统可以实时监测就餐环境的情况，包括客流量、就餐时间等信息。
这些数据可以帮助餐厅合理安排服务人员和优化就餐环境。
五、智能支付系统利用机器视觉和图像处理技术可以实现智能支付系统。
用户在完成用餐后，无需等待服务员结账，系统可以通过识别用户脸部或手机上的二维码来自动完成支付过程。
这不仅提高了结账效率，还增强了用户支付的便捷性和安全性。
六、数据分析与个性化推荐通过机器视觉和图像处理技术收集的数据，可以进行深度学习和数据分析。
根据用户的就餐习惯、口味偏好等信息，系统可以为用户推荐个性化菜单，提升用户体验。
同时，餐厅也可以根据数据分析结果调整菜品种类和价格策略，提高经营效益。
七、结语综上所述，机器视觉与图像处理技术在智能餐饮领域的应用设计有着广阔的发展前景。
随着技术的不断进步和应用场景的不断扩展，相信智能餐饮将会成为未来餐饮行业的重要发展方向。
希望本文对读者对于该领域有所启发，并促进相关技术的进一步研究与应用。
基于机器视觉的果蔬分类识别技术研究
基于机器视觉的果蔬分类识别技术研究随着人们对健康的追求和对营养的关注，越来越多的人开始注重饮食健康。
而果蔬作为人们饮食中重要的组成部分，也受到了广泛的关注。
然而在果蔬的种类繁多和形态各异的情况下，如何快速、准确地对果蔬进行分类识别，一直是困扰行业和消费者的难题。
针对这个问题，基于机器视觉的果蔬分类识别技术应运而生。
一、机器视觉的基本原理机器视觉是一种将摄像机、计算机、图像处理器等技术高度整合的技术。
其基本原理是将摄像机采集的图像转化为数字信号，在专门的图像处理器中进行图像处理和特征提取，并将提取出的特征与已有的模型进行匹配识别。
这里的模型通常是通过机器学习算法进行训练得到的。
二、果蔬分类识别技术的应用在当前果蔬加工和贸易市场中，快速、准确地对果蔬进行分类识别显得尤为重要。
通过机器视觉技术，不仅可以快速识别果蔬的种类，还可以对果蔬的颜色、形状和大小等方面进行精细的区分，从而提高果蔬加工和贸易的效率和质量。
此外，在农业领域中，机器视觉技术也可以有效识别并统计果蔬的数量和质量，帮助农民做出更优秀的农业决策。
三、果蔬分类识别技术的优势相较于传统的人工分类识别方法，机器视觉的果蔬分类识别技术具有以下优势：1.效率高：机器视觉技术可以在几秒钟内完成对一张果蔬图像的识别，且能够高效处理大量的果蔬图像。
2.准确性高：相较于人工分类识别，机器视觉技术可以避免人为误判和主观情况的干扰，从而提高了分类识别的准确性。
3.节省人力成本：机器视觉技术的应用可以大幅度降低劳动力成本，节约企业的人力资源。
4.提升品质：机器视觉技术可以识别并分类破损和质量异常的果蔬，帮助企业提高产品品质，增加盈利空间。
四、机器视觉技术的局限性虽然机器视觉技术具有高效、准确和节省人力成本等诸多优势，但其应用也面临着一些局限性。
如：1.受环境和光线的影响，机器视觉的分类识别精度会相应降低。
2.机器视觉需要依靠大量的数据和模型进行学习和训练，因此在一些小型企业和无法提供足够训练数据的农业生产环境中，机器视觉技术的应用受到了一定的限制。
基于人工智能视觉识别的菜品自主成分分析相关探索
基于人工智能视觉识别的菜品自主成分分析相关探索随着人工智能技术的不断发展，其在视觉识别领域的应用也日益广泛。
菜品的自主成分分析是餐饮行业中一个比较重要的环节，对于菜品的质量检测和食品安全保障有着重要的作用。
本文将探讨基于人工智能视觉识别的菜品自主成分分析相关技术和应用。
一、基本原理菜品自主成分分析的基本原理是通过图像处理和计算机视觉技术，对菜品图像进行分析，从而得出菜品的成分信息。
具体来说，人工智能视觉识别技术主要利用图像处理、机器学习、深度学习等技术，把菜品图像中的颜色、形状、纹理等特征进行提取和分析，最终得到菜品的成分信息。
例如，通过对食材颜色、形状、大小、质地等特征的提取，可以准确地识别出菜品中的蔬菜、肉类和水果等成分情况。
二、技术手段1. 图像处理技术：把数字图像上的图形、图像数据进行分析、处理、提取和变换的一种数字信号处理技术。
2. 机器学习技术：是一种人工智能的分支学科，包括监督学习、无监督学习、半监督学习和深度学习等。
3. 深度学习技术：是一种特殊的机器学习方法，其核心原理是通过构建多层神经网络，对大量数据进行训练和学习，从而实现对图像、语音、文本等复杂数据的自动处理和分析。
三、应用场景随着人们对食品安全和营养健康的关注度不断提高，基于人工智能视觉识别的菜品自主成分分析已经得到了广泛的应用。
其主要应用场景包括以下几个方面：1. 餐饮行业：基于菜品成分分析的技术可以为团餐、快餐等提供更加规范、更加实时的检测和认证服务。
特别是在膳食营养食谱管理方面，基于人工智能视觉识别的菜品成分分析可以大大简化营养分析的工作，为厨房提供更加健康、安全的食品服务。
2. 电商平台：基于菜品成分分析的技术可以为电商平台提供更加丰富、更加准确的菜品信息。
通过对菜品图像的分析，可以得到菜品的成分、营养价值、口感、烹饪方法等相关信息，这将有助于买家更好地选择和购买产品。
3. 食品质量监测：基于人工智能视觉识别的菜品成分分析技术可以帮助政府、企业等部门实现对食品质量和安全的快速监测。
基于人工智能视觉识别的菜品自主成分分析相关探索
基于人工智能视觉识别的菜品自主成分分析相关探索1. 引言1.1 背景介绍人工智能视觉识别技术的不断发展与普及，在餐饮行业也有着广泛的应用。
菜品成分分析作为餐饮行业的重要环节，传统的人工分析方式存在诸多不便和不足，如分析速度慢、准确度低等问题。
基于人工智能视觉识别的菜品自主成分分析技术的出现，为菜品成分分析带来了革命性的变化。
通过对菜品图片进行识别和分析，实现了菜品成分自主识别和分析的智能化，大大提高了分析的效率和准确度。
这一技术的发展，将为餐饮行业带来巨大的经济效益和社会价值。
基于人工智能视觉识别的菜品自主成分分析技术还处于初级阶段，存在着许多待解决的问题和挑战。
有必要开展进一步的研究和探索，以不断完善和提升这一技术。
本文旨在对基于人工智能视觉识别的菜品自主成分分析进行相关探索，探讨其技术原理、方法及应用，并对存在的问题提出解决方案，展望未来的发展前景。
1.2 研究意义菜品自主成分分析是一项重要的研究领域，通过人工智能视觉识别技术，可以实现对菜品成分的自动化识别和检测。
这一研究领域的意义在于提高菜品分析的效率和准确性，为食品安全监管和营养分析提供便利。
基于人工智能的菜品自主成分分析可以大大缩短分析时间，提高工作效率。
传统的菜品分析需要人工搜集和整理数据，耗时耗力，且容易受主观因素干扰。
而人工智能视觉识别技术可以实现菜品图片的自动识别和成分分析，大大简化了分析过程。
基于人工智能的菜品成分分析可以提高分析结果的准确性和稳定性。
人工智能系统具有强大的学习和识别能力，可以依据大量的数据进行分析，避免了人为因素对结果的影响。
人工智能系统的算法能够不断优化和升级，保证了分析结果的准确性和稳定性。
2. 正文2.1 人工智能在菜品成分分析中的应用近年来，随着人工智能技术的不断发展，其在菜品成分分析中的应用也变得越来越广泛。
传统的菜品成分分析通常需要耗费大量的时间和人力，但是借助人工智能的技术，可以大大提高分析的效率和准确性。
基于图像处理的菜品识别技术研究
基于图像处理的菜品识别技术研究一、引言随着智能手机、智能家居等人工智能设备的普及，基于图像处理的菜品识别技术也日益成熟，为人们的生活带来了便利。
本文将探讨基于图像处理的菜品识别技术的发展历程、原理、应用和未来发展方向。
二、技术的发展历程早在20世纪80年代，科学家们就开始尝试利用图像处理技术对食物进行分类和识别。
当时，由于图像处理算法的不成熟和计算能力的限制，该领域的进展十分缓慢。
直到近年来，随着深度学习算法、神经网络架构的发展和计算能力的提高，基于图像处理的菜品识别技术才开始有了较大的突破。
三、技术原理基于图像处理的菜品识别技术，主要依靠计算机视觉技术实现。
在菜品识别过程中，计算机将菜品图像转化为数字信号，并通过特定的算法和模型，对该菜品进行分类和识别。
其中，深度学习算法是目前最为广泛运用于图像处理领域的方法之一。
深度学习算法的核心是神经网络，通过多层次的网络结构实现对图像、语音等信息的处理和分析。
在菜品识别中，通过深度学习算法可以识别出菜品的不同特征，例如颜色、纹理、形状等，从而进行分类和识别。
四、技术应用1.智能菜单点餐利用基于图像处理的菜品识别技术，可以将识别的菜品和价格加入到智能菜单中，实现智能点餐。
消费者可以通过扫描二维码或者上传菜品照片的方式，获取菜品信息并进行订购，提高了点餐的便利性和效率。
2.餐饮管理利用基于图像处理的菜品识别技术，餐饮企业可以实现菜品销售额的自动统计和分析。
通过对菜品销售量的分析，餐饮企业可以快速了解消费者口味、流行菜品等信息，定期更新菜单并优化服务，提高消费者的满意度，并提升企业的竞争力。
3.照片分类利用基于图像处理的菜品识别技术，可以实现手机相册中照片的快速分类。
当用户在旅游或外出就餐时，经常会拍摄食物照片，这些照片并不方便进行手动分类。
而通过基于图像处理的菜品识别技术，可以自动分类和整理这些照片，提高用户的使用效率。
五、技术发展方向1.细分领域的深化研究目前，基于图像处理的菜品识别技术主要应用于餐饮管理、点餐服务等领域。
基于机器视觉的餐饮业菜品自动识别技术研究
基于机器视觉的餐饮业菜品自动识别技术研究近年来，随着机器学习和人工智能技术的不断发展，基于机器视觉的餐饮业菜品自动识别技术也逐渐成为了一种热点研究方向。
这种技术能够通过图像处理和模式识别来识别出推荐菜品图片或者菜品摆盘图片中的各种菜品，并自动进行分类和识别。
该技术若能够应用于具体的餐厅，将会极大地提高其自动化运营水平和客户体验，带来极大的经济效益和品牌影响力。
一、技术原理基于机器视觉的餐饮业菜品自动识别技术可以大致分为以下步骤：首先，通过相机或手机等设备捕捉到菜品图片，然后用计算机进行图像处理，提取图片中的特征点。
接着，通过机器学习算法对这些特征点进行分类和归类，最终得出识别结果并在客户端显示。
该技术所依赖的机器学习算法一般包括卷积神经网络、支持向量机、随机森林等。
当输入一个待识别的菜品图片时，这些算法将会对其各个特征点进行数据分析，从而最终得出该图片中的菜品名称和类型。
二、技术应用场景基于机器视觉的餐饮业菜品自动识别技术可以应用于多个餐饮业领域。
例如在一些餐厅中，这种自动识别技术可以方便顾客自主点餐，减少了服务员的工作量，可以更好地提高客户满意度。
此外，该技术还可以应用于线上美食社区，方便用户上传分享自己用餐时的美食照片，并快速识别各种菜式，为其他用户提供参考。
此外，在一些高档餐厅中，基于机器视觉的菜品自动识别技术还可以嵌入到营销推广环节中。
例如将推广海鲜套餐、特色美食等内容通过客户端展示，客户仅需拍照即可得出该餐厅的高人气菜品，提高消费者点餐体验。
三、技术实现难点基于机器视觉的餐饮业菜品自动识别技术在实现过程中，会存在以下难点：1. 对图片质量的要求较高。
菜品图片的质量会直接影响到机器视觉的识别效果，所以在实现该技术时，需考虑到各种不同的图片环境因素，例如光线、角度、遮挡等因素。
2. 需要大量数据支撑。
机器学习算法是基于数据进行的，为了能够让系统达到更好的识别准确率，需要大量标注好的训练数据，这也是实现该技术较为复杂的难点之一。
基于人工智能视觉识别的菜品自主成分分析相关探索
基于人工智能视觉识别的菜品自主成分分析相关探索
菜品自主成分分析是指通过人工智能视觉识别技术，对菜品的成分进行自动识别和分析。
这一技术的应用可以帮助餐饮行业提高菜品的成分管理和质量控制水平，提高菜品的口感和营养价值。
菜品自主成分分析的实现需要通过人工智能视觉识别技术对菜品的图片进行分析和识别。
需要搭建一个经过训练和学习的深度学习模型，用于识别不同菜品的图片。
该模型通过分析菜品的外观特征和色彩信息，可以将不同菜品的图片进行分类和区分。
在菜品自主成分分析中，除了识别菜品的种类，还需要进一步分析菜品的成分。
这可以通过进一步训练模型来实现。
模型需要学习菜品的形状、质地、颜色等特征，并将这些特征与成分进行关联，从而实现对菜品成分的自主分析。
菜品自主成分分析还可以结合其他技术来提高准确度和应用范围。
可以使用基于光谱分析的成分检测技术来对某些特定成分进行识别，如蛋白质、脂肪和碳水化合物等。
还可以借助大数据分析技术，将不同菜品的成分数据进行整合和分析，提供更准确和全面的成分信息。
菜品自主成分分析的应用前景十分广阔。
可以帮助餐馆和厨师更好地掌握菜品的成分和口感特点，有助于提高菜品的研发和烹饪技术。
可以帮助消费者更好地了解菜品的成分和营养价值，选择更加符合自己健康需求的菜品。
菜品自主成分分析也有望应用于食品安全监管领域，帮助相关部门监测和控制食品的成分和质量问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于机器视觉的菜品智能识别技术探讨
作者：朱泽宇
来源：《科学导报·学术》2020年第54期
【摘要】伴随着智能化时代的到来，人工智能技术与传感技术获得了空前的进步与发展，与传统的人工作业相比，机器生产不仅生产量稳定，而且生产效率高，可以节省大量的生产成本。
针对以往人工打菜分配不均、效率低下等多种问题，对基于机器视觉的菜品智能识别技术进行研究就显得尤为重要。
本文基于机器视觉技术，结合传统图像识别技术，提出了一种新型的菜品智能识别技术，可以有效的代替以往通过人眼来实现对菜品的识别。
【关键词】机器视觉;菜品;智能识别技术
一、基于机器视觉的菜品智能识别系统的总体设计
首先，要在该系统中根据消费者的需求来选择适合消费者的饭量，然后通过打饭机窗口来实现自动打饭，在经过打饭程序后，消费者的餐盘会通过输送机传递至工位，然后餐盘随着该输送机运动[1]。
其次，消费者在点菜窗口对菜品或者套餐进行选择，然后完成支付，负责整个菜品识别智能系统中则会对消费者的相关信息进行收集与显示，并提示消费者到取菜窗口等待自己的餐盘到位。
最后，在餐盘送至取菜口时，则取菜口的窗户显示屏会根据该餐盘的流水来提示餐盘已到位。
消费者根据自己的用餐流水号来取走餐盘。
如果某到达取菜口的餐盘没有被及时取走，则会通过输送机的出口将其排放到立式餐盘存储机上，这样，用户则可以根据自己实际情况来及时取走餐盘，不会影响后续其他乘客需求。
为保证本次基于机器视觉的菜品智能识别系统设计后得到有效应用，规定该系统的定位精度误差控制在5毫米以内，每次抓取食物重量不得超过0.3千克，食物的抓取精度不得小于0.01千克。
在抓取食物过程中，要求40—60秒之内，将三个菜品抓取到饭盘上。
本系统中所使用的所有机器设计都符合相关的食品卫生要求，达到《国标GB19891-2005机械安全机械设计》的卫生要求的相关要求规范。
菜品识别系统中要求菜品种类不得低于10种;为保证该系统实物抓取效果的安全高效卫生，还设置报警装置，通过视觉检测系统，对所抓取菜品进行检测，如果菜盘中菜品数量过少，无法及时对其菜品实现智能识别与检测，则报警装置会发出警报，并提醒对实验菜品区域补充菜盘与菜品。
二、机器视觉模块硬件选型
在设计菜品智能识别系统的总体视觉方案过程中还需要加强系统需求分许，并选择合适的硬件选型。
基于机器视觉的菜品智能识别系统设计中，为保证各项功能要求与技术要求达到标准，通过对视觉模块各个部分的标准以及系统实际需求进行综合分析确定，选择工业相机的型号为Basler acA3800-10gc，其像素为1000W，然后搭配的工业相机镜头型号为Basler Lens
C125-0418-5M F1.8 f4mm，应用光源型号为OPT-RI0090的奥普特公司的90°前向照射的环形LED白色光源。
只有搭建起一套完善的菜品图像识别体系，应用合适的机器视觉系统，才能保证所采集到的菜品成像信息识别的准确性、可靠性，在后续的研究中，还要持续改进与完善诗句模块硬件选型的精准性[2]。
三、应用基于YOLOv3模型的菜品智能识别与目标检测
基于机器视觉的菜品智能识别技术，其最根本的目的就是为了要根据用户需求智能识别菜品，并根据用户需求提供所需菜品，因此，就必须要应用基于YOLOv3模型的菜品智能识别与目标检测。
通过目标检测来对菜品智能识别中的特定目标的所在区域进行识别，应用基于YOLOv3模型的菜品智能识别与目标检测需要满足目标分类与目标定位两个功能需求。
其中目标分类就是要根据计算机识别与判断图片中的物体其所属的分类与检测结果的置信率;目标定位功能则主要对对图片中的特定目标的所在区域、位置进行确定与标记[3]。
在整个智能菜品识别系统中，最关键的环节就是要对已经制作完成的菜品进行识别。
通过菜品智能识别系统中的菜品识别系统可以实现识别菜品类别与菜品位置的目的，然后将该目标菜品图像通过位置坐标传递到机械手系统，然后应用机械手来分拣菜品，从而完成菜品智能识别操作。
如果应用传统的目标检测算法，则在选择区域的时候，需要定位检测目标的区域，由于目标的形状及位置存在明显的不确定性特征，应用传统目标检测算法，往往会通过滑動窗口策略来遍览图像，往往会导致冗余运算多，且会对检测速度产生严重影响，甚至花费较长时间仍旧也无法准确获得该不确定图像的具体区域。
通过应用SSD（single shot multibox detector）、YOLO为代表的目标检测法，该检测方法将整个目标检测任务看作是回归问题进行处理，从而实现了由端到端的处理，可以直接将模型预测结果输出，不仅检测速度快，且能够实现实时识别的目的。
YOLO目标检测法是一种基于回归思想的目标检测算法，截至目前为止，该检测算法已经衍生出YOLOv2和YOLOv3版本。
YOLOv3目标检测技术的检测数量有效提升，且检测准确率及小目标检测显著提升[4]。
可以说，在当前的菜品智能识别技术中YOLOv3是最适用的目标检测算法。
通过对基于实时目标检测模型YOLOv3目标检测算法进行改进，使菜品智能识别技术更加完善。
首先，通过应用k-means聚类算法可以实现对待识别菜品的验框聚类，则可以使该待识别菜品的形状更加接近与识别目标。
通过对其中9组的识别目标的验框类聚，从而将待识别目标的IoU 提升至89%以上。
针对待识别目标的特点，对其网络结构进行优化，并将多尺度预测中小尺度与中尺度的预测步骤一处，只对大尺度特征途进行预测，从而有效提升检测的精度、速度。
通过应用批再标准化算法来处理模型数据，从而改善网络的训练过程，针对一些训练样本批次较小或训练样本不独立同分布条件的情况下，对网络的手链过程加速，并提升检测精度。
结束语：
总而言之，在当前的基于机器视觉的菜品智能设计中，还存在一定的技术难点，还需要实现机器视觉的智能识别技术与传统图像识别技术、深度学习图像识别技术的有机结合，从而设计出完善的菜品智能识别系统。
通过应用图像处理技术，可以对已经拍摄的图像进行处理，并实现对菜品区域的监测定位，对菜品的种类、菜品所在的区域进行检测，在未来的研究中仍然需要对该菜品智能识别技术的实时性、准确性进行深入的研究。
参考文献：
[1]李振，廖同庆，冯青春，等.基于机器视觉的蔬菜种子活力指数检测算法研究及系统实现[J]. 浙江农业学报，2015，27（12）：2218-2224.
[2]陶沙，何敏.基于机器视觉的智能制造系统图像识别技术研究[J].洛阳理工学院学报（自然科学版），2019.
（作者单位：荆楚理工学院）。