在本研究中使用了七种不同类型的干豆，考虑到市场情况，形状，类型和结构等功能。开发了一种计算机视觉系统，以区分具有类似特征的七种不同注册的干豆，以获得均匀的种子分类。对于分类模型，采用高分辨率摄像头采用13,611粒不同的注册干酪的图像。通过计算机视觉系统获得的豆图像进行分段和特征提取阶段，共16个特征; 12尺寸和4形状，从晶粒获得。
1.）区域（a）：豆域区域和其边界内的像素数。 2.）周边（P）：豆圆周定义为边界的长度。 3.）主轴长度（L）：可以从豆中汲取的最长线的末端之间的距离。 4.）短轴长度（L）：在垂直于主轴的同时可以从豆中汲取的最长线。 5.）宽高比（k）：定义L和L之间的关系。 6.）偏心率（EC）：椭圆的偏心率具有与该地区相同的时刻。 7.）凸面区域（c）：最小凸多边形中的像素数可以包含豆种子的区域。 8.）等效直径（ED）：具有与豆种子区域相同区域的圆的直径。 9.）范围（例如）：边界框中的像素与Bean区域的比率。 10.）坚固性：也称为凸起。凸壳中的像素与豆类中发现的那些的比率。 11.）圆度（R）：用下面的公式计算：（4PIA）/（P ^ 2） 12.）紧凑性（CO）：测量对象的圆度：ED / L. 13.）ShapeFactor1（SF1） 14.）Shapefactor2（SF2） 15.）ShapeFactor3（SF3） 16.）Shapefactor4（SF4） 17.）课程（SEKER，Barbunya，Bombay，Cali，Dermosan，Horoz和Sira）
Koklu，M.和Ozkan，I.A.，（2020），使用计算机视觉和机器学习技术的乳酪分类。农业中的计算机和电子产品，174,105507。 DOI：[Web Link]
Koklu，M.和Ozkan，I.A.，（2020），使用计算机视觉和机器学习技术的乳酪分类。农业中的计算机和电子产品，174,105507。 DOI：[Web Link]