Un système de vision a été développé pour inspecter les roses coupées et les trier suivant des catégories de qualité similaires à celles utilisées par les inspecteurs humains. Des techniques de traitement de l'image ont été développées pour trouver la base de la tige, le haut du bouton, les parties visibles de la tige et la zone projetée du bouton. Les caractéristiques quantitatives ont été identifiées pour analyser la qualité de la rose, y compris la longueur, le diamètre, la rectitude de la tige, la maturité et la couleur du bouton. La théorie décisionnelle de Bayes a été utilisée pour développer un système de classification de la rectitude et de la maturité. La rectitude a aussi été classifiée par un réseau neuronal. Des essais expérimentaux ont été réalisés sur des roses jaunes et blanches de serre ("Yellow Waves" et "White Mystery"). Le système de vision de la machine a mesuré la longueur de la tige selon une marge d'erreur absolue de 7 mm (2,2 % d'erreur relative). L'erreur de classification de la rectitude des roses jaunes de culture était de 17% pour le classificateur de Bayes et de 18 % pour le réseau neuronal. Bien qu'il était relativement aisé de séparer les boutons non éclos (immatures) des boutons plus ouverts (matures) en raison de l'importante différence de caractéristiques entre les classes, il était plus difficile de distinguer les légers degrés d'ouverture. Le système de vision de la machine a été capable de séparer précisément les roses de serre suivant les couleurs en utilisant la valeur de chrominance b du bouton.

A machine vision system was developed to inspect cut roses and sort into quality categories similar to those used by human inspectors. Image processing techniques were developed to find the base of the stem, the top of the bud, visible portions of the stem, and the projected area of the bud. Quantitative features were identified to analyze rose quality, including stem length, stem diameter, stem straightness, bud maturity, and bud color. Bayes decision theory was used to develop a classifier for straightness and maturity. Straightness was also classifed by a neural network. Experimental tests were run on commercially produced yellow and with roses ("Yellow Waves"and "White Mystery"). The machine vision system measured stem length with an average absolute error of 7 mm (2.2% relative error) and stem diameter with an average absolute error of 0.6 mm (16% relative error). Straightness classification error for the yellow cultivar were 17% with the Bayes classifier and 18% with the neural network. Although it was relatively easy to separate tight (immature) buds from more open (mature) buds due to the large difference in features between classes, it was more difficult to distinguish slight degrees of openness. The machine vision system was able to accurately separate the cultivars by color using the b chromaticity value of the bud.