Компьютерное зрение в машинах для удаления косточек из оливок

236
views
ЗАКАЗАТЬ СИСТЕМУ

Машины для удаления косточек из столовых оливок (DRR) играют важную роль в агропродовольственной промышленности, но сталкиваются со значительными ограничениями, которые снижают их производительность и ставят под угрозу надежность процесса. Основной дефект, известный как «ошибка лодочки», возникает из-за неправильной ориентации оливок во время удаления косточек, что приводит к фрагментации косточек, повреждению мякоти и потенциальным рискам для безопасности потребителей.

Традиционные методы контроля качества, такие как использование флотационных резервуаров и экспертная сенсорная оценка, основаны на деструктивном отборе проб, являются трудоемкими и снижают общую производительность. Для решения этих проблем в данном исследовании представлена ​​новая система компьютерного зрения (CV), интегрированная в коммерческую машину DRR. Система захватывает высокоскоростные изображения оливок сорта Гордал (Olea europaea regalis) непосредственно перед удалением косточек; затем эти изображения анализируются в автономном режиме с помощью специального приложения MATLAB, которое применяет сегментацию на основе HSV и морфологический анализ для количественной оценки размера и ориентации оливок.

Метод точно определяет случаи ошибки лодочки на основе угловых порогов, не прерывая производственный процесс и не повреждая продукт. Результаты показывают, что 97% оливок были правильно выровнены, и только 1,1% имели критическое смещение. Кроме того, впервые система позволила детально оценить распределение размеров оливок на входе в машину, выявив неожиданно большую долю оливок нестандартного размера.

Это искажение размеров предполагает возможную связь между отклонениями калибровки и возникновением ошибок в форме лодочек, что выдвигает новую гипотезу для будущих исследований. Хотя текущая реализация ограничена автономным анализом, она представляет собой неразрушающий, недорогой и высокоточный диагностический инструмент. Эта работа закладывает основу для более глубокого понимания поведения машин DRR и предоставляет основу для будущих разработок, направленных на оптимизацию их работы с помощью целенаправленных стратегий коррекции.

1. Введение

Столовые оливки ( Olea europaea L.) [1, 2] подвергаются промышленным операциям, выполняемым стандартизированной автоматической механической системой, разработанной 50 лет назад [3, 4], известной как машина для удаления косточек, нарезки и набивки, или DRR, согласно ее испанской аббревиатуре [3, 4, 5]. Система включает три компонента (рис. 1) в последовательности, которая включает загрузку плодов (податчик оливок), последовательную транспортировку по разделенной на отсеки цепной системе (носитель оливок) и окончательное удаление косточек с помощью устройства для отделения косточек, оснащенного шилами, сочетающего вращательные и линейные движения.

После десятилетий значительных достижений в области увеличения производительности по удалению косточек, в настоящее время машины DRR могут работать со скоростью до 2500–3000 оливок в минуту для определенных сортов, с возможностью нарезки или набивки. Однако они по-прежнему страдают от постоянных случайных дефектов, которые остаются проблемой, требующей решения [6, 7].

Рисунок 1. Основные компоненты машины DRR: (1) устройство подачи оливок, (2) устройство для переноски оливок и (3) устройство для удаления косточек.

К числу ошибок относятся попадание парных оливок в контейнер для оливок, фрагментация оливок во время их приема кормушкой, пустые футляры (менее серьезная проблема) из-за закупорки при введении, а также неправильное нанесение ямок, приводящее к возможному разрушению, задержке костной ткани или внедрению фрагментов кости в мякоть.

Эта последняя ошибка, известная как «beata» (наклонная олива) или «barco» (лодочная олива) в зависимости от степени её тяжести [6, 7], вызывает особую озабоченность у производителей косточек из-за сложности её идентификации и негативного влияния на восприятие потребителей, а также потенциальных рисков для здоровья. Дискомфорт от жевания плода с нежной текстурой и локализованными твердыми фрагментами это оправдывает.

Традиционно исправление дефектов основывалось на строгих локальных механических корректировках. Лукас Паскуаль и др. [8] продемонстрировали, что плохая калибровка компонентов в соответствии с размером обрабатываемых фруктов и несоосность соединений компонентов могут снизить эффективность системы до 30%. Однако опыт показывает, что стратегия, основанная только на точных корректировках, недостаточна, поскольку ошибки сохраняются.

В настоящее время, из-за невозможности полностью исключить дефекты, отрасль предпочитает работать на скоростях зачистки ниже производственных мощностей, соглашаясь на компенсацию для снижения уровня дефектов до порога прибыльных потерь в 1–2%.

В этом контексте компьютерное зрение (CV) стало многообещающей альтернативой, достигнув значительных успехов в агропродовольственной отрасли за последние два десятилетия. Оно предлагает широкий спектр возможностей, став новым стандартом для процессов визуального контроля [9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20] с высокой точностью, неразрушающим контролем, бесперебойной работой, адаптацией к высоким скоростям и экономически эффективными инвестициями в оборудование [21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32]. В частности, для столовых оливок эта техника позволила изучить ошибку лодочки, анализируя положение оливки непосредственно перед удалением косточки [6, 7] . Эта ошибка возникает, когда шило пересекает главную ось оливки эксцентрично, образуя продольное отверстие, даже если косточка удалена чисто.

Однако влияние других факторов, таких как морфологические характеристики оливки или ее поведение во время транспортировки, остается неизвестным. Например, калибр каждого плода, поступающего в систему, часто определяется операциями по предварительной очистке от косточек.

Помимо проверки продукции, CV также предоставляет возможности для оптимизации контроля функциональности механической системы [6, 8]. В настоящее время мониторинг состояния и производительности компонентов, а также их техническое обслуживание, основаны на навыках техников и стратегиях проверки, которые могут быть не такими тщательными, как позволяют датчики управления [7, 8], иногда требуя специализированного оборудования и прерывания процесса для проверок. CV обещает оптимизировать и повысить согласованность и строгость технического обслуживания и управления компонентами, дополняя периодические задачи.

В контексте развития компьютерного зрения остаются открытыми исследовательские пути для поиска более совершенных решений или столь же эффективных новых комбинаций физических и программных компонентов [6, 7,  8, 33, 34, 35, 36, 37, 38, 39, 40, 41].

До сих пор исследования были сосредоточены на традиционных сортах оливок [6, 7, 8, 36, 37, 38, 39], игнорируя другие рыночно значимые сорта или те, которые представляют собой проблему для традиционных систем CV, основанных на OpenCV.

Разработка или изучение альтернативных решений по-прежнему имеет решающее значение для поиска краткосрочных способов обеспечения полной эффективности машин DRR, что позволит увеличить скорость обработки для повышения производительности при одновременном упрощении повседневных задач управления.

Целью данного исследования было разработать альтернативный метод оценки операций по удалению ямок в машинах DRR, способный точно измерять погрешность лодочки и вычислять полный диапазон калибровочных характеристик оливок, поступающих в систему. Это представлено как альтернатива существующей периодической флотации с использованием денсиметра и экспертной сенсорной оценке, которые дают приблизительные результаты. Для этого в машину для удаления ямок, обрабатывающую окисленные черные оливки сорта Гордал (O. europaea regalis), была интегрирована система CV [25, 33]. Система CV обеспечивает непрерывную съемку изображений каждой оливки (цифровая сенсорная оценка), что позволяет проводить отложенный морфометрико-статистический анализ с помощью параллельного приложения, разработанного в среде программирования MATLAB R2022b.

2. Материалы и методы

2.1. Сорта оливок и их обработка

Эксперимент проводился на предприятии недалеко от Севильи (Испания) с использованием оливок сорта Гордал, O. europaea regalis, обработанных в стиле «конфит» или «калифорнийском» стиле [3]. Этот сорт примечателен своим крупным размером и значением для международного рынка, с калибром от 70 до 140 оливок/кг [5].

В процессе маринования оливки приобретают металлический черный цвет, отличающийся от их первоначального натурального зеленого цвета с беловатыми вкраплениями из-за раннего сбора урожая, а также теряют горечь [5, 42]. Обработка в основном включает серию из 2–5 последовательных погружений в раствор гидроксида натрия (NaOH) с концентрацией ниже 4% ( вес / объем ) при объемном соотношении оливок к раствору 1:1, длительностью 1–4 часа. Между погружениями циклы промывки удаляют избыток щелочи, завершая 24-часовой цикл [3, 5, 42, 43]. Воздействие воздуха, как на открытом воздухе, так и путем инъекции, постепенно затемняет мякоть, а цвет стабилизируется добавлением солей железа [3, 5, 42, 43]. После отбора и сортировки по калибру оливки подаются в машину DRR (Morón de la Frontera, Испания), точно настроенную на определенный калибр для удаления косточек.

2.2. Система машинного зрения и DRR

Система компьютерного зрения (CV) для получения изображений, основанная на четырех основных компонентах (рис. 2) [7, 8, 25, 33], была установлена ​​на машине для удаления ямок Sadrym модели 130 (Morón de la Frontera, Испания) (см. рис. 2b) в контрольной точке вблизи момента контакта оливки с шилом, где можно определить ориентацию поступающих оливок. Машина DRR представляет собой модель с коротким хвостом, подходящую для калибров от 140 до 80 оливок/кг, с шириной подающей цепи 3/4 дюйма, которая в данном случае регулируется техниками для обработки номинального калибра 80 оливок/кг.

Рисунок 2. Схема установки системы компьютерного зрения (CV) на машине DRR. ( a ) Основные компоненты системы CV: (MS) магнитный датчик, (LS) светодиодное кольцо (освещение), (Cam) оптический датчик, электронная панель управления (ECP — электроника запуска и управление светодиодами) и ПК + OpenCV/Qt-Creator. ( b ) Точка расположения системы CV в несущей цепи Sadrym 130.

Установка была реализована с использованием плавающей ПВХ-трубки, в которой размещались камера и светодиодное устройство (рис. 3), срабатывающее от импульсов магнитного датчика, расположенного на уровне рельсов. Этот датчик работает при номинальном напряжении 12 В и обнаруживает металл на максимальном расстоянии 8 мм с помощью плоской головки. Он адаптируется к скорости работы машины DRR, распознавая интервалы между металлическими сепараторами, транспортирующими оливки по цепочке подачи во время промышленной эксплуатации.

Рисунок 3. Настройка системы компьютерного зрения на приборе Sadrym модели 130 DRR для анализа косточек в оливках.

Вся электроника запуска и передача данных в ответ на сигнал магнитного датчика управляются с электронной панели управления (ЭПУ), подключенной к электросети и переключаемой на 12 В (рис. 4) [ 8 ].

Рисунок 4. Схема электронной панели управления (ЭПУ).

Камера оснащена 1/3″ CMOS-сенсором MT9V024, размещенным в промышленном корпусе (The Imaging Source Europe GmbH, Бремен, Германия; модель DFK33GV024; 29 × 29 × 57 мм) [44]. При полном цветовом разрешении сенсор передает потоковое изображение со скоростью до 87 кадров в секунду с временем экспозиции 1 мс, а необработанные данные передаются через USB-2.0 (480 Мбит/с ).

Используется объектив Fujinon HF16HA-1B с байонетом C (FUJIFILM Corporation, Токио, Япония; фиксированное фокусное расстояние 16 мм, F1.4–F16, ручная диафрагма). Объектив охватывает сенсоры размером до 2/3″, поэтому 1/3″-матрица полностью освещается с незначительным виньетированием, а фокусное расстояние 16 мм обеспечивает необходимое поле зрения 25 мм × 18 мм на рабочем расстоянии. Ручная диафрагма позволяет установить фиксированное значение f, соответствующее постоянному светодиодному освещению, обеспечивая стабильность экспозиции и исключая механический износ, связанный с автоматическими приводами диафрагмы.

Осветительный блок представляет собой коаксиальное светодиодное кольцо, состоящее из 16 немаркированных SMD-диодов (приобретенных на торговой площадке AliExpress, Шэньчжэнь, Китай; 900 лм, 3000 К), способных генерировать стробоскопические импульсы длительностью 2 мс, синхронизированные с экспозицией глобального затвора для максимального контраста и фиксации движения.

Такая конструкция позволяет системе захвата изображений избежать перегрева, обеспечивая достаточный запас на скорости прохождения оливок, что позволяет получать фотографии в масштабе 1:1. Например, по данным производителя, камера может работать со скоростью до 5220 кадров/мин — увеличение на 48%. Пример работы системы захвата показан на рисунке 5 .

Рисунок 5. Изображение случая дефекта древесины в окисленной черной оливке сорта Гордал непосредственно перед появлением косточек.

2.3. Программное обеспечение для компьютерного зрения для обработки изображений
2.3.1. Применение Qt-Creator/OpenCV для определения цвета калифорнийских черных оливок.

Изображения, полученные камерой, передаются на стандартный ПК и отображаются с помощью специального программного обеспечения, написанного на C++/Qt-Creator 4.2.0 (Community) с использованием функций OpenCV 3.4.3 [25, 33]. Приложение позволяет оператору определить область интереса (ROI), исключающую проблемные области, где оливки никогда не появляются, и проверяет правильность последовательности эрозии-дилатации — при заданном пользователем наборе параметров — путем наложения исходного кадра на его бинаризованную версию. Тот же интерфейс управляет электронной подсистемой и обеспечивает визуальный контроль процесса в реальном времени, различая пять категорий сцен: пустая (без оливки), нормальная (правильно ориентированная оливка), лодка (оливка перпендикулярна шилу), фрагмент оливки и двойная оливка.

Кадры также можно загрузить на жесткий диск для автономного анализа. В данном исследовании был получен статистически репрезентативный набор из 1638 исходных изображений, которые впоследствии были сведены к случаям обычных и лодочных судов, чтобы проанализировать только распределение калибра и ориентации.

Распределение по классам, полученное в ходе испытаний, представлено на рисунке 6 : нормальные = 96,46%, наклонные = 2,44%, лодкообразные = 1,10%, и другие случаи = 0,61% (всего 1638 оливок). Другие случаи — пустые рамки, двойные оливки и рыхлые фрагменты — возникают только тогда, когда механическая юстировка линии значительно выходит за пределы допустимых значений; в обычном производстве их активно предотвращает бригада технического обслуживания, которая постоянно контролирует машину. Наклонные оливки (20° ≤ θ < 80° или 100° ≤ θ < 160°) находятся в пределах допустимого диапазона ориентации, установленного производителем, и поэтому не вызывают сбоев подачи. Напротив, лодкообразные оливки (80° ≤ θ ≤ 100°) появляются даже при идеально отрегулированной машине и являются основным источником дефектной подачи. Следовательно, чтобы избежать проблемы чрезмерного дисбаланса классов, последующий анализ сосредоточен на разграничении данного класса лодок от остальных, поскольку это единственная ориентация, которая ухудшает качество продукции в нормальных условиях эксплуатации.

Рисунок 6. Количество, проценты и диапазоны ориентации для каждой категории оливок (нормальная, наклонная , лодкообразная и другие случаи). В последующем анализе рассматриваются только оливки в нормальной и лодкообразной ориентации, поскольку эти два класса определяют эксплуатационные характеристики линии.

Таким образом, окончательная цифровая проверка состоит из 1628 цветных изображений окисленных черных оливок сорта Гордал в формате .png размером 320 × 240 пикселей (рис. 7), которые являются репрезентативными для экстраполяции результатов на бесконечную популяцию на протяжении всего срока службы системы, с ошибкой первого типа менее 5%.

Рисунок 7. Типичные исходные изображения, полученные на цепочке подачи корма непосредственно перед станцией удаления косточек. Оливки, главная ось которых выровнена с шилом, то есть находится в правильном положении для удаления косточек, заключены в зеленую рамку, тогда как плоды, главная ось которых перпендикулярна шилу, имеющие так называемую «лодочную» ориентацию и, следовательно, непригодные для удаления косточек, отмечены красной рамкой.

2.3.2. Разработанное нами программное обеспечение для обработки цветных изображений Черного Гордала

Параллельно было разработано приложение в среде MATLAB R2022b, состоящее из двух скриптов [45]. На рисунке 8 представлена ​​схема рабочего процесса первого скрипта.

Рисунок 8. Схема работы приложения MATLAB.
  • Бинаризация.

Графический пользовательский интерфейс, реализованный в MATLAB (рис. 9), выполняет сегментацию на основе HSV и определение ориентации для каждой оливки [46, 47]. HSV был выбран из-за его устойчивости к изменениям освещения, интуитивно понятной двухпараметрической настройки и незначительной стоимости программного обеспечения для преобразования — всего лишь одного вызова cv::cvtColor.

Рисунок 9. Схема работы приложения MATLAB: ( a ) изображение, полученное с линии обработки, ( b ) команды разложения значений пикселей на основе HSV, ( c ) начальная сегментация, ( d ) команды эрозии и дилатации, ( e ) окончательная сегментация с определением ориентации главной оси.

Этап обработки изображений следует конвейеру, представленному на рисунке 8 и подробно описанному в алгоритме 1. Каждый кадр RGB сначала преобразуется в HSV; бинарная маска M получается путем применения фиксированных пороговых значений к трем каналам (уравнение (1)).

Маска уточняется с помощью последовательности эрозия-дилатация-эрозия с круговыми структурирующими элементами радиусов r1, r2 и r3 (уравнение (2)), после чего сохраняется наибольшая связная компонента, а внутренние отверстия заполняются. Затем вычисляются центральные моменты этого пятна, и ориентация главной оси оливки θ рассчитывается по уравнению (3), в то время как площадь пикселя A получается путем прямого суммирования.

Все пороговые значения (Hmin, Hmax, Smin, Smax, Vmin, Vmax) и радиусы ядра считываются из калибровочного файла, поэтому ручная настройка во время выполнения не требуется. Полная реализация алгоритма 1 на MATLAB представлена ​​в скрипте binarize2d.m (код S1 в дополнительных материалах).

Алгоритм 1 : Сегментация HSV и извлечение ориентации
Входные данные: RGB-кадр I; пороговые значения (Hmin…Vmax); радиусы (r1, r2, r3).
​​Выходные данные: чистая маска Mclean, площадь проекции A, угол главной оси θ.
1 IHSV ← convertRGBtoHSV(I)
2 M0 ← applyThreshold(IHSV) ▹ бинарная маска, см. Уравнение (1)
3 M1 ← erode(M0, disk r1) ▹ Уравнение (2)
4 M2 ← dilate(M1, disk r2) ▹ Уравнение (2)
5 M3 ← erode(M2, disk r3) ▹ Уравнение (2)
6 Mask_clean ← fillHoles( largestComponent(M3) )
7 (μ20, μ02, μ11) ← centralMoments(Mclean)
8 (θ, A) ← orientationAndArea(μ20, μ02, μ11) ▹ Уравнение (3)
9 return (Mclean, A, θ)

Морфологическая сегментация отделяет пиксели оливок от фона конвейера, используя различия в интенсивности, вызванные бликами и тенями в сцене с низким контрастом. Алгоритм определяет крайние значения HSV — Hmin, Hmax, Smin, Smax, Vmin и Vmax — внутри самого большого пятна (рис. 9b). Затем эти пределы применяются к исходному кадру для получения начальной маски, которая очерчивает плод (рис. 9c). Пороговые значения и три морфологических радиуса автоматически записываются в файл «settings.txt».

Кроме того, маска уточняется с помощью трех морфологических операций — эрозии, дилатации и второй эрозии — для удаления фонового шума и закрытия пробелов внутри оливы, образованных из-за чрезмерного освещения или артефактов теней (рис. 9d). Хотя эта последовательность очищает сегментацию, она может вносить систематическую погрешность в измерения площади.

Чтобы снизить этот риск, параметры бинаризации, эрозии и дилатации, настроенные в скрипте MATLAB, передаются в приложение OpenCV/Qt-Creator, где исходный кадр и его бинаризованная маска накладываются друг на друга, чтобы оператор мог обеспечить правильное перекрытие.

  • Морфологический анализ.
Используя очищенную маску, полученную после сегментации, программа, представленная в дополнительном файле S1, вычисляет центральные моменты второго порядка и определяет ориентацию главной оси относительно горизонтали. Вычисленный угол визуализируется путем наложения линии на контур оливки (рисунок 9e). Программа также вычисляет проекционную площадь, подсчитывая белые пиксели. И ориентация (θ), и площадь (A) автоматически записываются в файл «output.txt».
  • Статистический анализ.

Вторая процедура MATLAB (Алгоритм 2; Дополнительный файл S2) выполняет пакетную обработку всех изображений PNG, содержащихся в папке non_processed_olives. Пакетная процедура реализована в скрипте MATLAB processed_olives_3.m (предоставленном в качестве кода S2 в дополнительных материалах). Сначала считываются пороговые значения HSV и радиусы морфологического ядра, хранящиеся в файле settings.txt.

Затем каждое изображение сегментируется функцией updateImage, в результате чего создается очищенная маска, площадь (A) и ориентация главной оси (θ) которой записываются; аннотированный кадр сохраняется в папке processed_olives. После того, как папка будет исчерпана, скрипт компилирует полный список площадей и углов, строит их гистограммы, аппроксимирует распределение площадей нормальной плотностью и экспортирует описательную статистику (среднее μ и дисперсию σ²) в файл normal.txt, добавляя каждое отдельное измерение в файл statistics.txt. На рисунке 10 представлена ​​соответствующая блок-схема, а алгоритм 2 формализует этапы.

Алгоритм 2 : Пакетная обработка и статистический анализ
Входные данные: settings.txt, папка non_processed_olives.
Выходные данные: папка processed_olives, normal.txt,
statistics.txt, histograms.
1. Считать пороговые значения HSV (Hmin…Vmax) и радиусы (r1, r2, r3) из settings.txt.
2. Для каждого файла PNG I в non_processed_olives выполнить
3. (Iproc, A, θ) ← updateImage(I, thresholds, radii)
. 4. Сохранить Iproc в processed_olives.
5. Добавить A к массиву Areas; θ в массив углов
6 Добавить <имя файла, A, θ> в statistics.txt
7 конец цикла for
8 μ ← среднее значение (площади)
9 σ² ← дисперсия (площади)
10 Построить гистограмму площадей (PDF) и наложить N(μ, σ² ) 11
Построить гистограмму углов
12 Записать “Среднее: μ, Дисперсия: σ² ” в normal.txt

Рисунок 10. Блок-схема алгоритма 2: пакетная обработка и статистический анализ набора данных об оливках.

Уравнение (4) — Описательная статистика

Уравнение (5) — Нормальная функция плотности вероятности

2.3.3. Сравнение с существующими подходами к компьютерному зрению

В таблице 1 приведено тщательное сравнение предлагаемой системы с тремя запатентованными решениями CV, которые в настоящее время используются на испанских линиях DRR.

Таблица 1. Сравнение промышленных подходов к устранению дефектов ориентации в машинах для резки радиочастотного покрытия.

Решение Принцип работы датчика и обнаружения Действия в реальном времени Механическая модификация Преимущества Ограничения
ES-2403580 A2 Две камеры, расположенные по всей поверхности тела, сравнивают геометрию оливки во время режущего движения; аномальная деформация ⇒ дефект Удаляет поврежденные плоды с помощью воздушного импульса. Нет (комплект для модернизации) Удаляет плоды с косточками; не требует восстановительного периода. Эффективность сильно зависит от калибра; модернизация оказалась ненадежной; не корректирует ориентацию.
ES-2529816 B2 Магнитно-оптический датчик в форме подковы подсчитывает заполненность контейнера (без получения изображений). Только сигнализация/остановка Никто Очень низкая стоимость; обнаруживает пустые ведра. Не удается обнаружить неправильное положение; отсутствуют данные об угле и размере.
ES-2732765 B2 Магнитный триггер + камера для измерения площади над обработанным зазором в щетке; эвристические алгоритмы OpenCV вычисляют ориентацию и площадь. Пневматический импульс возвращает неправильно расположенные оливки в подающее устройство. Зазор между щетками + коллектор сжатого воздуха Обнаруживает все классы дефектов и исправляет их в процессе работы. Интрузивная пневматическая система; собственное программное обеспечение; повышенные затраты на техническое обслуживание.
Предложенный метод Тот же магнитный триггер + камера для съемки области над зазором между щетками; сегментация HSV + морфология (автономная пакетная обработка) Диагностический отчет (в автономном режиме) Только зазор между щетками (без пневматики) Предоставляет значения θ и площади для каждой оливки; работает за 0,3 мс кадр −1 на маломощном ПК; открытый исходный код; минимальное обслуживание; низкая стоимость. Не подкармливает оливки в режиме реального времени и предполагает стабильное освещение.

В отличие от ES-2403580 A2 [48] и ES-2529816 B2 [ 49 ], которые, соответственно, выбрасывают плоды после удаления косточек или просто подсчитывают занятые ведра, наша конструкция измеряет как ориентацию (θ), так и проекционную площадь для каждой оливки, что соответствует аналитическим возможностям ES-2732765 B2 [50], но без его пневматического модуля повторной подачи. Конвейер HSV + морфология выполняется со скоростью 0,3 мс кадр −1 на маломощном ПК (например, Intel ® i3-N305); таким образом, требование к реальному времени (≤0,7 мс) выполняется с большим запасом, а аппаратное обеспечение ограничено одной камерой и светодиодным кольцом.

Все кадры архивируются, поэтому набор данных может быть впоследствии повторно обработан с помощью альтернативных алгоритмов, включая легковесные детекторы на основе сверточных нейронных сетей, такие как YOLO, в тех случаях, когда в сценариях применения наблюдается низкий контраст между оливками и фоном. Однако в данном исследовании оливки имели хороший контраст, и долгосрочной целью было предоставление онлайн-аналитики; поэтому нейронные подходы были отложены до будущих работ, поскольку их текущая задержка (>6 мс кадр −1 на встроенных графических процессорах) нарушила бы ограничения реального времени. Эта гибридная стратегия сочетает в себе недорогую встроенную проверку с возможностью более сложного автономного анализа без дальнейшей модификации машины для удаления косточек.

3. Результаты

Приложение, разработанное в MATLAB в сотрудничестве с системой искусственного получения изображений, позволило извлечь 1628 масок сегментации (см. рис. 6) с идентификацией главной оси для каждой обработанной окисленной черной оливки сорта Гордал (processed_olives) во время операции удаления косточек (рис. 11).

Рисунок 11. Примеры окончательной сегментации с наложенной осью ориентации. ( а ) Нормальное положение, ( б ) смещение («случай лодки»).

Точность перекрытия между исходным изображением оливы и ее маской, оцененная по пикселям контура, дает общий процент погрешности ниже 0,1%. Это было рассчитано как количество неперекрывающихся пикселей маски относительно исходного изображения (рис. 12) с использованием пространства 320 × 240 пикселей (эквивалентно 76 800 пикселям) с помощью приложения OpenCV/Qt-Creator.

Рисунок 12. Калибровочный кадр, выполненный с помощью OpenCV/Qt-Creator.

Полученные в процессе удаления косточек маски сегментации служат диагностическим инструментом, предоставляя данные о площади и ориентации каждой оливки по мере ее прохождения через машину. Эти значения автоматически генерируются после морфологического анализа и сохраняются в файле statistics.txt, который содержит три столбца: первый идентифицирует изображение, второй указывает площадь в пикселях, а третий обозначает угол наклона главной оси оливки относительно горизонтали.

На основе этих данных были сгенерированы две гистограммы, показывающие распределение площадей (рис. 13, слева) и углов (рис. 13, справа). Они отражают общее распределение размеров, обработанных во время операции точечного нанесения покрытия системой DRR, в соответствии с номинальными настройками калибровки, а также количество оливок, которые имели нежелательное выравнивание с шилом, потенциально приводящее к дефектам в виде «лодочек».

Рисунок 13. Гистограмма калибров ( слева ) и углов ориентации ( справа ).

Гистограмма площадей (рис. 13, слева), организованная в сегменты по 1000 пикселей, показывает наибольшую концентрацию оливок в диапазоне [22 000, 30 000] пикселей, что составляет 1393 случая (85,5%). Группа с наибольшей плотностью – [25 000, 26 000], содержащая 249 оливок (15,3%), что соответствует калибру 80, который совпадает с номинальной калибровкой, для которой была настроена машина. Для установления прямой зависимости между калибром и значением пикселя значение пикселя модельной оливки (калибр 80) было определено эмпирически при сохранении фиксированного расстояния от камеры до трека.

Гистограмма углов, сегментированная с шагом 20°, показывает распределение углов ориентации, обнаруженных во время операции точечного расщепления. Диапазон [80, 100]° соответствует вертикально ориентированным оливкам, представляющим собой «ошибку лодки» [4], с частотой 1,1% (18 случаев). Оливки в диапазоне [0, 20] ∪ [160, 180]° выровнены параллельно оси шила — 97% от общего числа, т.е. 1580 случаев. Остальные оливки попадают в промежуточное поворотное положение с возможностью переориентации (наклоненные оливки), которые могут быть приняты или отброшены в зависимости от конкретных критериев, установленных системой точечного расщепления.

Кроме того, были рассчитаны средние значения и дисперсия размеров, записанных в файле normal.txt. Была построена новая гистограмма распределения площадей по вероятности с наложенной на нее соответствующей нормальной кривой (рисунок 14).

Рисунок 14. Распределение по размеру, пропорциональное общей численности населения, с наложенной нормальной кривой. Среднее значение: 24 154 пикселя; дисперсия: 5 783 793 пикселя² .

Контраст между гистограммой и кривой нормального распределения может указывать на аномалии или отклонения как на уровне сегмента, так и на уровне образца. В ходе этой операции в диапазоне [10 000, 14 000] была обнаружена группа из 27 оливок (1,66%), соответствующая загрязненному подмножеству исходного образца (случаи 202, 299, 553, 739, 795, 800, 888, 891, 911, 933, 942, 1021, 1027, 1198, 1294, 1372, 1387, 1431, 1513, 1587; Рисунок 15 ).

Рисунок 15. Кластер обнаруженных субноминальных классов размеров (10 000–14 000 пикселей² ). Зеленый ограничивающий прямоугольник обозначает оливку номинального размера, а красные ограничивающие прямоугольники — оливки, которые были определены как недостаточно крупные.

4. Обсуждение

Разработка приложения на MATLAB для сегментации и морфологического анализа изображений, полученных с помощью системы компьютерного зрения, установленной на подающей линии машины DRR — в критической контрольной точке непосредственно перед стадией образования ямок, — позволила провести тщательную оценку всего диапазона углов, под которыми оливки соприкасаются с шилом на протяжении всей операции образования ямок. Кроме того, приложение теперь отображает детальное распределение входных калибров.

Таким образом, в данной работе представлен альтернативный метод точной диагностики этих систем. Он применим к любому производству, не требует утилизации продукции для контроля качества и исключает необходимость в персонале на месте или дополнительном оборудовании. В настоящее время калибровка машин DRR осуществляется посредством периодических проверок, которые проводятся лишь изредка.

После прерывания процесса случайная партия свежеочищенных от косточек оливок помещается во флотационный резервуар с отрегулированной плотностью, так что, теоретически, всплывают только оливки без косточек или вкрапленных фрагментов из-за их меньшей плотности.

Однако этот метод не является полностью надежным. Некоторые оливки могут задерживать воздух из-за фрагментов косточек, застрявших в мякоти, что приводит к их всплыванию и ошибочной классификации как соответствующих требованиям. Для преодоления этого ограничения производители часто полагаются на профессиональных дегустаторов, которые оценивают процент ошибок «всплывания» с помощью субъективных методов.

Хотя этот традиционный подход дает достаточно точные результаты, он не лишен недостатков. Он приводит к потерям продукции, требует простоя для оценки и зависит от внешнего персонала или дополнительного оборудования для подготовки к новому циклу обработки. В отличие от этого, предложенный здесь метод позволяет с высокой точностью выявлять ошибки в судах без потерь материала, применим к любой партии и имеет низкую стоимость. Он согласуется с другими усилиями, направленными на улучшение операций по техническому обслуживанию, управлению системами и оценке производительности [6, 7, 8].

Кроме того, система использовалась для оценки и построения графика распределения калибров оливок, поступающих в машину. Обычно предполагается, что этот параметр контролируется предыдущими этапами сортировки, точность и влияние которых часто игнорируются. В данном случае распределение калибров на входе было неоднородным и загрязненным, возможно, связанным со смещением среднего размера по сравнению с номинальным калибром (среднее значение: 25 222 пикселя < 25 500 пикселей; см. рис. 14 ), а также с широкой дисперсией (10 610 215 пикселей² , примерно в шесть-семь раз больше номинального значения). Это показывает, что предшествующие этапы сортировки не классифицируют размеры точно и не свободны от загрязнения (рис. 15), что снижает эффективность систем, которые полагаются на точную калибровку [6, 7, 8].

Осознание этого порождает гипотезу для будущих исследований: может существовать корреляция между плохой калибровкой и возникновением ошибок при калибровке. Оливки, размеры которых значительно отличаются от номинального значения, могут с большей вероятностью смещаться относительно шила. Это может объяснить остаточную погрешность, которую в настоящее время отрасль может снизить лишь до 1–2% [6, 7, 8]. Эта идея особенно актуальна, поскольку предлагает краткосрочную стратегию повышения производительности за счет повышения эффективности системы и, возможно, увеличения скоростных ограничений машин DRR. Это может даже устранить необходимость в дополнительных системах, таких как блок CV, описанный в данной работе.

Более того, предлагаемое приложение предоставляет альтернативный подход к интерпретации изображений в контексте машинного зрения, предлагая структурированный метод извлечения информации, связанной с производительностью критически важных процессов. В данном случае оно успешно сегментирует сложные изображения, которые представляют собой проблему для традиционных систем на основе OpenCV, где недостаток контраста, а также отражения и тени от оливок и металлического конвейера затрудняют обнаружение контуров. Однако скорость обработки остается существенным ограничением, которое в настоящее время ограничивает его использование автономным анализом без оценки в реальном времени.

Дальнейшие разработки должны быть сосредоточены на создании более совершенных моделей, возможно, искусственных нейронных сетей (ИНС) [7], вдохновленных дизайном, предложенным в данном исследовании. Эти модели могли бы работать со скоростью более 40 кадров в секунду, что позволило бы проводить анализ в реальном времени. Такая система позволила бы преодолеть узкие места, вызванные ошибками лодок и другими проблемами, которые становятся более заметными при высоких скоростях обработки или при плохой калибровке [ 6 , 7 , 8 ]. Стоит отметить, что как система CV, так и машины DRR, используемые в данной работе, способны обрабатывать более 2500 оливок в минуту.

5. Выводы

Разработка приложения на основе MATLAB для сегментации и морфологическо-статистического анализа изображений, полученных с помощью системы компьютерного зрения (CV), является жизнеспособной альтернативой для диагностики промышленных машин для точечного бурения (DRR). Предложенный в данной работе метод является более совершенным, поскольку он точно количественно оценивает ошибки, такие как ошибка лодочки, в отличие от традиционного метода, основанного на флотационных ваннах и экспертной оценке. Традиционный подход дает только приблизительные результаты и приводит к потерям продукции, а также требует дополнительного оборудования или персонала.

Кроме того, система позволила оценить и графически представить диапазон калибров, обрабатываемых в процессе точечного расщепления. Этот параметр обычно неизвестен, поскольку предполагается, что его контроль осуществляется в рамках предшествующих процессов сортировки. Однако данное исследование показывает, что такие процессы не являются полностью эффективными и имеют решающее значение для систем, эффективность которых строго зависит от точности. Доступ к этой информации позволяет выдвинуть гипотезу о том, что загрязнение или неоднородность калибров, особенно тех, которые значительно отличаются от номинального размера, могут быть связаны с возникновением ошибки литья. Эта тема будет рассмотрена в будущих исследованиях.

Сегментация, выполненная с помощью приложения, показала высокую точность обнаружения контуров, с погрешностью менее 0,1 процента, даже для изображений, которые трудно интерпретировать с помощью традиционных систем машинного зрения на основе OpenCV. Эти системы испытывают трудности из-за недостатка контраста и частого наличия светлых и темных участков. Хотя этот анализ был применен к конкретному подмножеству оливок, модель может быть адаптирована для общего использования. Другими словами, методология, использованная в этом крайнем случае, может быть экстраполирована на более распространенные ситуации.

Данная разработка может послужить основой для более совершенных решений, включая другие приложения или даже искусственные нейронные сети (ИНС), способные обрабатывать изображения со скоростью более 40 кадров в секунду. Это позволит проводить диагностику в реальном времени и обеспечит координацию с другими автоматизированными системами для немедленного реагирования.

Дополнительные материалы

Следующие дополнительные материалы можно загрузить по следующему адресу. Файл S1 (settings.txt) — пороговые значения HSV и радиусы морфологического ядра, используемые алгоритмами 1 и 2 (расположение в архиве: Configuration files/). Файл S2 (binarize2d.m) — скрипт MATLAB, реализующий алгоритм 1 (сегментация HSV, морфологическая фильтрация, извлечение ориентации по одному кадру) (расположение в архиве: Code/Code S1/). Файл S3 (processed_olives_3.m) — скрипт пакетной обработки MATLAB, реализующий алгоритм 2 (статистический анализ, построение гистограмм, генерация отчетов) (расположение в архиве: Code/Code S2/). Файл S4 (non_processed_olives) — необработанные RGB-изображения образцов столовых оливок, полученные при контролируемом освещении (расположение в архиве: Data S1/). Файл S5 (processed_olives) — те же изображения после сегментации в формате HSV, классификации ориентации и маркировки ограничивающих рамок (местоположение в архиве: Data S2/). Все элементы предоставлены в исходных форматах в одном сжатом файле.

Литература

  1. Internacional Olive Council. Trade Standard Applying to Table Olives (COI/OT/NC, 1). 2004. Available online: ссылка  (accessed on 6 May 2025).
  2. España. Real Decreto 679/2016, de 16 de Diciembre, por el que se Establece la Norma de Calidad de las Aceitunas de Mesa. Boletín Oficial del Estado, 304. 2016. Available online: ссылка (accessed on 6 May 2025).
  3. Santos-Siles, F. Las nuevas tecnologías aplicadas al sector de la aceituna manzanilla fina. Grasas Y Aceites 1999, 50, 131–140. [Google Scholar]
  4. Soler Esteban, A.; Van Olmen, S.H. Olive Pitting Machine and Method to Pit Olives Used by Said Machine (PCT No. WO2011/131215A1). 2011. Available online: ссылка  (accessed on 6 May 2025).
  5. Estrada-Cabezas, J. La Aceituna de Mesa: Nociones Sobre sus Características, Elaboración y Cualidades; Diputación Provincial de Sevilla & Fundación para el fomento y la Promoción de la Aceituna de Mesa: Seville, Spain, 2011. [Google Scholar]
  6. Lucas-Pascual, A.; Madueño-Luna, A.; Jódar-Lázaro, M.; Molina-Martínez, J.; Ruiz-Canales, A.; Madueño-Luna, J. Others Analysis of the Functionality of the Feed Chain in Olive Pitting, Slicing and Stuffing Machines by IoT, Computer Vision and Neural Network Diagnosis. Sensors 2020, 20, 1541. [Google Scholar] [CrossRef] [PubMed]
  7. Jódar-Lázaro, M.; Madueño-Luna, A.; Lucas-Pascual, A.; Molina-Martínez, J.; Ruiz-Canales, A.; Madueño-Luna, J. Others Deep Learning in Olive Pitting Machines by Computer Vision. Comput. Electron. Agric. 2020, 171, 105304. [Google Scholar] [CrossRef]
  8. Lucas Pascual, A. Mejoras En El Control de Máquinas Deshuesadoras-Rodajadoras y de Relleno de Aceituna de Mesa. Ph.D. Dissertation, Universidad Politécnica de Cartagena, Cartagena, Spain, 2020. [Google Scholar]
  9. Abdullah, M. Image Acquisition Systems. In Computer Vision Technology for Food Quality Evaluation; Sun, D., Ed.; Elsevier: Dublin, Republic of Ireland, 2016; pp. 3–39. [Google Scholar]
  10. Dhanush, G.; Khatri, N.; Kumar, S.; Shukla, P. A Comprehensive Review of Machine Vision Systems and Artificial Intelligence Algorithms for the Detection and Harvesting of Agricultural Produce. Sci. Afr. 2023, 21, e01798. [Google Scholar] [CrossRef]
  11. Liu, Z.; Wang, S.; Zhang, Y.; Feng, Y.; Liu, J.; Zhu, H. Artificial intelligence in food safety: A decade review and bibliometric analysis. Foods 2023, 12, 1242. [Google Scholar] [CrossRef]
  12. Xiao, Z.; Wang, J.; Han, L.; Guo, S.; Cui, Q. Application of machine vision system in food detection. Front. Nutr. 2022, 9, 888245. [Google Scholar] [CrossRef]
  13. Kondoyanni, M.; Loukatos, D.; Templalexis, C.; Lentzou, D.; Xanthopoulos, G.; Arvanitis, K.G. Computer vision in monitoring fruit browning: Neural networks vs. stochastic modelling. Sensors 2025, 25, 2482. [Google Scholar] [CrossRef]
  14. Vale Filho, E.; Lang, L.; Aguiar, M.L.; Antunes, R.; Pereira, N.; Gaspar, P.D. Computer vision as a tool to support quality control and robotic handling of fruit: A case study. Appl. Sci. 2024, 14, 9727. [Google Scholar] [CrossRef]
  15. Rojas Santelices, I.; Cano, S.; Moreira, F.; Peña Fritz, Á. Artificial vision systems for fruit inspection and classification: A systematic literature review. Sensors 2025, 25, 1524. [Google Scholar] [CrossRef]
  16. Mai, B.; Liu, T.; Liu, Z.; Liang, Z.; Liu, S. A machine vision method for detecting pineapple fruit mechanical damage. Agriculture 2025, 15, 1063. [Google Scholar] [CrossRef]
  17. Lopes, J.F.; Ludwig, L.; Barbin, D.F.; Grossmann, M.V.E.; Barbon, S., Jr. Computer vision classification of barley flour based on spatial pyramid partition ensemble. Sensors 2019, 19, 2953. [Google Scholar] [CrossRef] [PubMed]
  18. Zhu, L.; Spachos, P.; Pensini, E.; Plataniotis, K.N. Deep learning and machine vision for food processing: A survey. Curr. Res. Food Sci. 2021, 4, 233–249. [Google Scholar] [CrossRef]
  19. Aznan, A.; González Viejo, C.; Pang, A.; Fuentes, S. Computer vision and machine learning analysis of commercial rice grains: A potential digital approach for consumer perception studies. Sensors 2021, 21, 6354. [Google Scholar] [CrossRef]
  20. Huang, Y.; Li, Z.; Bian, Z.; Jin, H.; Zheng, G.; Hu, D.; Sun, Y. Overview of deep learning and nondestructive detection technology for quality assessment of tomatoes. Foods 2025, 14, 286. [Google Scholar] [CrossRef] [PubMed]
  21. Zhang, H.; Ji, S.; Shao, M.; Pu, H.; Zhang, L. Non-destructive internal defect detection of in-shell walnuts by X-ray technology based on improved Faster R-CNN. Appl. Sci. 2023, 13, 7311. [Google Scholar] [CrossRef]
  22. Hsiao, W.-T.; Kuo, W.-C.; Lin, H.-H.; Lai, L.-H. Assessment and feasibility study of lemon ripening using X-ray image information visualization. Appl. Sci. 2021, 11, 3261. [Google Scholar] [CrossRef]
  23. Yu, K.; Zhong, M.; Zhu, W.; Rashid, A.; Han, R.; Virk, M.S.; Duan, K.; Zhao, Y.; Ren, X. Advances in computer vision and spectroscopy techniques for non-destructive quality assessment of citrus fruits: A comprehensive review. Foods 2025, 14, 386. [Google Scholar] [CrossRef]
  24. Ma, L.; Sun, K.; Tu, K.; Pan, L.; Zhang, W. Identification of double-yolked duck egg using computer vision. PLoS ONE 2017, 12, e0190054. [Google Scholar] [CrossRef]
  25. Cheng, J.; Sun, D.; Nagata, M.; Tallada, J. Quality Evaluation of Strawberry. In Computer Vision Technology for Food Quality Evaluation; Sun, D., Ed.; Elsevier: Dublin, Republic of Ireland, 2016; pp. 327–349. [Google Scholar]
  26. Menendez, A.; Paillet, G. Fish Inspection System Using a Parallel Neural Network Chip and the Image Knowledge Builder Application. AI Mag. 2008, 29, 21. [Google Scholar] [CrossRef]
  27. Lu, Y.; Lu, R. Quality Evaluation of Apples. In Computer Vision Technology for Food Quality Evaluation; Sun, D., Ed.; Elsevier: Dublin, Republic of Ireland, 2016; pp. 273–304. [Google Scholar]
  28. Blasco, J.; Cubero, S.; Moltó, E. Quality evaluation of citrus fruits. In Computer Vision Technology for Food Quality Evaluation, 2nd ed.; Sun, D., Ed.; Elsevier: Amsterdam, The Netherlands, 2016; pp. 305–325. [Google Scholar]
  29. Gao, X.; Li, S.; Su, X.; Li, Y.; Tang, W.; Zhang, Y.; Dong, M. Application of advanced deep learning models for efficient apple defect detection and quality grading in agricultural production. Agriculture 2024, 14, 1098. [Google Scholar] [CrossRef]
  30. Pedreschi, F.; Mery, D.; Marique, T. Grading of potatoes. In Computer Vision Technology for Food Quality Evaluation, 2nd ed.; Sun, D., Ed.; Elsevier: Amsterdam, The Netherlands, 2016; pp. 369–382. [Google Scholar] [CrossRef]
  31. Manikandan, R.; Rahimi, M.; Gandomi, A.H. Computer vision system for mango fruit defect detection using deep convolutional neural network. Foods 2022, 11, 3483. [Google Scholar] [CrossRef] [PubMed]
  32. Isingizwe Nturambirwe, J.F.; Perold, W.J.; Opara, U.L. Classification learning of latent bruise damage to apples using shortwave infrared hyperspectral imaging. Sensors 2021, 21, 4990. [Google Scholar] [CrossRef]
  33. Díaz, R. Classification and Quality Evaluation of Table Olives. In Computer Vision Technology for Food Quality Evaluation; Sun, D., Ed.; Elsevier: Dublin, Republic of Ireland, 2016; pp. 351–365. [Google Scholar]
  34. Hayajneh, A.M.; Batayneh, S.; Alzoubi, E.; Alwedyan, M. TinyML olive fruit variety classification by means of convolutional neural networks on IoT edge devices. AgriEngineering 2023, 5, 2266–2283. [Google Scholar] [CrossRef]
  35. Navarro Soto, J.; Satorres Martínez, S.; Martínez Gila, D.M.; Gómez Ortega, J.; Gámez García, J. Fast and reliable determination of virgin olive oil quality by fruit inspection using computer vision. Sensors 2018, 18, 3826. [Google Scholar] [CrossRef]
  36. Ponce, J.; Aquino, A.; Millan, B.; Andújar, J. Automatic Counting and Individual Size and Mass Estimation of Olive-Fruits Through Computer Vision Techniques. IEEE Access 2019, 7, 59451–59465. [Google Scholar] [CrossRef]
  37. Ponce, J.M.; Aquino, A.; Millán, B.; Andújar, J.M. Olive-fruit mass and size estimation using image analysis and feature modeling. Sensors 2018, 18, 2930. [Google Scholar] [CrossRef]
  38. Nasr-Esfahani, S.; Muthukumar, V.; Regentova, E.; Taghva, K.; Trabia, M. Detection of Pitts in Olive Using Hyperspectral Imaging Data. IEEE Access 2022, 10, 58525–58536. [Google Scholar] [CrossRef]
  39. Cano-Marchal, P.; Satorres-Martinez, S.; Gómez-Ortega, J.; Gámez-García, J. Automatic system for the detection of defects on olive fruit in an oil mill. Appl. Sci. 2021, 11, 8167. [Google Scholar] [CrossRef]
  40. Figorilli, S.; Violino, S.; Moscovini, L.; Ortenzi, L.; Salvucci, G.; Vasta, S.; Tocci, F. Olive fruit selection through AI algorithms and RGB imaging. Foods 2022, 11, 3391. [Google Scholar] [CrossRef]
  41. Aguilera Puerto, D.; Martínez Gila, D.M.; Gámez García, J.; Gómez Ortega, J. Sorting olive batches for the milling process using image processing. Sensors 2015, 15, 15738–15754. [Google Scholar] [CrossRef]
  42. Gómez, A.; García, P.; Navarro, L. Elaboration of table olives. Grasas y Aceites 2006, 57, 86–94. [Google Scholar] [CrossRef]
  43. González, J.F.; Fernández, A.G.; García, P.G.; Balbuena, M.B.; Quintana, M.C.D. Characteristics of the fermentation process that occurs during the storage in brine of Hojiblanca cultivar, used to elaborate ripe olives. Grasas y Aceites 1992, 43, 212–218. [Google Scholar] [CrossRef]
  44. The Imaging Source Website. The Camera Model DFK 33GV024 2024. Available online: ссылка  (accessed on 6 May 2025).
  45. Villanueva, L.; Madueño-Luna, A.; Madueño-Luna, J.M. Matlab_Experimental_Software; Version 1.0.0; University of Seville: Seville, Spain, 2023. [Google Scholar]
  46. Giuliani, D. Metaheuristic algorithms applied to color image segmentation on HSV space. J. Imaging 2022, 8, 6. [Google Scholar] [CrossRef] [PubMed]
  47. Kang, H.-C.; Han, H.; Bae, H.; Kim, M.; Son, J.; Kim, Y. HSV color-space-based automated object localization for robot grasping without prior knowledge. Appl. Sci. 2021, 11, 7593. [Google Scholar] [CrossRef]
  48. Soler Esteban, A.; Van Olmen, S.H. Máquina Deshuesadora de Aceitunas y Método para Deshuesar Aceitunas que Utiliza Dicha Máquina. Spanish Patent No. ES-2403580 A2, 20 May 2013. [Google Scholar]
  49. Madueño Luna, A.; López Lineros, M.; Madueño Luna, J.M. Sistema y Procedimiento Basado en un Sensor de Sincronismo para la Detección de Fallos de Funcionamiento en Máquinas Deshuesdoras/Rodajadoras y de Relleno, Cuantificación y Optimización del Rendimiento, Señalización, Monitorización y Control Remoto. Spanish Patent No. ES-2529816 B2, 11 November 2016. [Google Scholar]
  50. Madueño Luna, A.; López Lineros, M.; Madueño Luna, J.M. Procedimiento y Sistema para la Reducción Activa de Aceitunas mal Posicionadas en las Máquinas Deshuesadoras, Rellenadoras y Rodajadoras de Aceitunas. Spanish Patent No. ES-2732765 B2, 28 December 2020. [Google Scholar]

Авторы: Luis Villanueva Gandul, Antonio Madueño-Luna, José Miguel Madueño-Luna, Miguel Calixto López-Gordillo, Manuel Jesús González-Ortega

ЗАКАЗАТЬ СИСТЕМУ

СХОЖИЕ СТАТЬИБОЛЬШЕ ОТ АВТОРА