CN109579967A

CN109579967A - 智能动态称重方法与系统

Info

Publication number: CN109579967A
Application number: CN201811426637.1A
Authority: CN
Inventors: 丁国清; 徐大森; 陈欣
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2018-11-27
Filing date: 2018-11-27
Publication date: 2019-04-05

Abstract

本发明提供了一种智能动态称重方法和系统，从物品称重的瞬态响应入手，提高物品输送至称重装置时测量信号的超调量，大幅增加了物品称重的动态灵敏度。因为物品输送至动态称重装置的时刻随机，动态称重谐振系统受到输送物品的冲击，从而改变动态称重系统的输出波形，特别是波形中的超调量随着输送时刻的不同而变化。因此提出了一种基于深度学习，利用神经网络的图像识别与处理的智能称重学习算法，针对不同时刻和不同物品重量的瞬态响应曲线进行学习，用于提高其测量准确度。

Description

智能动态称重方法与系统

技术领域

本发明涉及动态精密称重领域，具体地，涉及智能动态称重方法与系统，尤其是一种针对物品超高准确度称量的智能动态称重方法与系统。

背景技术

微量物品动态称重系统契合了当前超高准确度行业在线检测工作的需求，提供了一种可行的超高准确度称重方法。微量物品动态称重系统集合物体单元的检测、分离功能，系统要求称重传感器具有高灵敏度、低响应时间的特性，保证快速、动态的物品称重过程的准确性、稳定性。

为了提高称量准确度，传统的方法是对动态过程当中的稳态数据进行处理，由于物品给予称重传感器的瞬态响应非常的复杂，传统方法无法进行处理。传统方法针对物品的稳态输出进行处理，以此来校核物品的重量。

其中，由于输送带、滚轮等拥有一定的基础重量，这导致所选择的负荷传感器需要较大的量程才能够满足要求，在要求高速高精度的称量过程中，传统的针对稳态输出进行拟合补偿并不能够完全补偿称重传感器的非线性输出。

因此，现有的动态称重方法仅针对物品稳态信号进行误差的处理，但由于传感器的量程限制，称重过程中会出现一定的误差，无法达到高速输送之中精确称重的目的。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种智能动态称重方法与系统。

根据本发明提供的一种智能动态称重方法，包括：

步骤S0，建立自激振荡稳定的带有输送带的动态称重机构，并建立动态称重机构的三维模型，通过仿真得到动态称重机构响应物品冲击时冲击响应超调部分的曲线图像；

步骤S1,对曲线图像进行图像特征提取，将提取到的特征向量和对应的物品重量进行对应，得到包含特征向量和真值的矩阵，作为训练集的组成部分；

步骤S2，利用训练集，对深度学习神经网络模型进行训练，得到所需的深度学习神经网络模型；

步骤S3，根据所需的深度学习神经网络模型，在现场采集物品对输送带冲击响应超调部分的图像，并将该图像输入至所述所需的深度学习神经网络模型，输出所述物品重量的估算值。

根据本发明提供的一种智能动态称重系统，包括：

样本生产单元，通过在三维虚拟环境中，随机生产已知体积的物品下落至输送带，将得到的相关冲击响应曲线作为图像样本；

模型学习单元，将得到的图像样本作为输入，已知的物品重量作为输出，这样的数据作为训练集输入给原始深度学习神经网络模型，并根据学习结果进行深度学习神经网络模型的权值参数的调整，得到调整后的深度学习神经网络模型；

模型验证单元，将所述调整后的深度学习神经网络模型迁移至真实环境进行现场验证，根据验证结果对权值参数的值进行调整，得到所需的深度学习神经网络模型。

估算单元，根据所需的深度学习神经网络模型，在现场采集物品对输送带冲击响应超调部分的图像，并将该图像输入至所述所需的深度学习神经网络模型，输出所述物品重量的估算值。

优选地，深度学习的方式为：

步骤S01,在三维虚拟环境中，随机生成的物品单元输送至输送带中，将采集到的信号冲击曲线图像作为图像样本；

步骤S02,将图像样本的超调部分作为关键特征输入，对原始深度学习神经网络模型进行深度学习，得到调整后的深度学习神经网络模型；

步骤S03，将所述调整后的深度学习神经网络模型迁移至真实环境进行现场验证，根据验证结果对超参数的值进行调整，得到所需的深度学习神经网络模型。

优选地，深度学习神经网络包含输入层、隐含层、输出层，其中输出特征4个，隐含元6个，输出元1个。

优选地，对所述原始神经网络模型进行深度学习，是指以MATLAB工具箱对冲击响应曲线的超调部分为主，进行灰度处理、二值化处理，对图像样本的标签值进行归一化处理。

优选地，所述虚拟环境，是指通过CAD软件Solidworks进行三维模型的构建，然后利用Solidworks Motion实现药品落入输送带过程的运动仿真。

优选地，所述现场验证，是指通过采集现场的物品冲击响应图像作为输入，经过所述硬币重量作为真实值，对所述调整后的深度学习神经网络模型进行验证，其中，所述物品下落的初始位置在设置范围内随机生成，且每一批下落的物品重量不重复，采集时间随机。

与现有技术相比，本发明具有如下的有益效果：

为达到目前物品超高准确度的动态称重，本发明从物品称重的瞬态响应入手，提高物品输送至称重装置时测量信号的超调量，大幅增加了物品称重的动态灵敏度。因为物品输送至动态称重装置的时刻随机，动态称重谐振系统受到输送物品的冲击，从而改变动态称重系统的输出波形，特别是波形中的超调量随着输送时刻的不同而变化。因此提出了一种基于深度学习，利用神经网络的图像识别与处理的智能称重学习算法，针对不同时刻和不同物品重量的瞬态响应曲线进行学习，用于提高其测量准确度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为根据本发明实施例的等效二阶称重系统；

图2为根据本发明实施例的冲击信号超调图像；

图3为根据本发明实施例的深度学习神经网络模型建立的流程图；

图4为根据本发明实施例的深度学习神经网络模型工具箱示意图；

图5为根据本发明实施例的一种深度学习智能动态称重系统的结构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。2006年，Hinton提出深度学习的概念，即深层神经网络。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。随着数据增多与计算能力的提升，BP神经网络极大提高了各领域的识别效果。

本发明实施例对药品在动态称重系统中的响应波形进行了图像特征提取，将特征量与药品重量对应，作为训练集的标签，提供一种尤其是适用于针对微量药品响应超调量的智能称重估计方法，包括：构建自激振荡稳定的传送机构，基于待采集的冲击响应超调曲线图像，利用BP神经网络模型进行深度学习，得到输送带运输药品重量的估算值。

具体的，选取自激振荡稳定的输送带装置作为传送机构，建立应变式称重传感器加称体组成的称重微分方程，如图1，可以将其等效为二阶系统：

式中：

M(t)为时刻t的物料重量；

m为称体重量；

x为称体相对参考零点的位移；

c为系统等效阻尼系数；

c₁为系统等效刚度；

g为重力加速度；

F(t)为物料下落的冲击力；

具体的，其中称重传感器选用HBM1-PW2DC3-18KG-1，电机选用常州合泰公司的57BLF01直流无刷电机，搭建这样的一个二阶谐振稳定的输送带运输系统。

具体的，利用Solidworks进行自激振荡稳定的输送带机构建模，利用SolidworksMotion进行运动算例仿真分析，得到输送带冲击响应超调部分的曲线图像；

具体的，S1步骤中,将图像样本的超调部分进行相应的特征提取，本发明通过MATLAB工具箱对冲击响应曲线的超调部分进行特征提取，理想的冲击响应信号曲线如图2所示，其中h(∞)表示时间t为∞时系统的稳态值。通过灰度处理，二值图像化，降噪处理后将最大峰值、最小峰值、超调量、稳态的响应时间等相关特征量提取出来作为输入，将对应的药品实际重量作为输出，这样的一组特征向量与真值的矩阵，作为构成复杂训练集的基础单元；

基于上述实施例，根据本发明实施例的深度学习神经网络模型建立的流程图，如图3所示，深度学习神经网络模型的建立包括：

S01,在三维虚拟环境中,随机生成体积已知的药品单元下落至输送带中，称重传感器进行信号的采集，将信号冲击曲线图像超调部分提取作为研究样本；

S02，将图像样本的超调部分作为关键特征输入，对原始深度BP神经网络进行深度学习，得到调整后的深度学习神经网络模型；

S03，将调整后的深度学习神经网络模型迁移至选取的自激振荡系统进行现场验证，根据验证结果对超参数的值进行调整，得到所需BP神经网络模型。

具体地，在实际运用过程中把深层次的BP神经网络模型看作一个黑盒模型，基于数据样本来调整超参数，改进模型。因此，深度学习神经网络模型运用于新任务的一个主要障碍是如何确足和调整权值，比如学习率、隐含层神经元的个数和层数，这需要大量的训练和验证。在上述实施例中，确定深度学习神经网络模型中输送带响应超调图像与输送带运输药品重量的对应关系，也就是确定深度学习神经网络模型的反馈权值。

本实施例采用含有一个隐层的三层多输入单输出的BP网络建立预测模型，原因是有一个隐层的神经网络,只要隐节点足够多,就能够以任意精度逼近一个非线性函数。在网络设计过程中,隐层神经元数的确定十分重要。隐层神经元个数过多,会加大网络计算量并容易产生过度拟合问题；神经元个数过少,则会影响网络性能,达不到预期效果。网络中隐层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前,对于隐层中神经元数目的确定并没有明确的公式,只有一些经验公式,神经元个数的最终确定还是需要根据经验和多次实验来确定。

本发明在选取隐层神经元个数的问题上参照了以下的经验公式：

其中：

n为输入层神经元个数；

m为输出层神经元个数；

a为[1,10]之间的常数。

根据上式可以计算出神经元个数为4-13个之间，在本次实验中选择隐层神经元个数为6。

本实施例选用S型正切函数tansig作为隐层神经元的激励函数。而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数。

此次预测选用MATLAB中的神经网络工具箱进行网络的训练,如图4所示的软件界面，预测模型的具体实现步骤如下：

N1,将训练样本数据归一化后输入网络,设定网络隐层和输出层激励函数分别为tansig和logsig函数,网络训练函数为traingdx,网络性能函数为mse,隐层神经元数初设为6。

N2,设定网络参数。网络迭代次数epochs为5000次,期望误差goal为0.00000001,学习速率lr为0.01。

设定完参数后,将初始生成的5000组数据作为训练集开始训练网络。其中，BP神经网络训练流程，激活函数采用sigmoid函数，同一重量药品随机采样的曲线图像大于500张，将提取的特征值最大峰值、最小峰值、超调量、稳态的响应时间等四个参数作为数值输入，对应的药品精确重量作为输出，并进行样本归一化的操作；

进一步地，利用大量的数据样本对模型进行深度学习，深度学习是将上一层神经网络的结果作为下一层神经网络的输入，通过这种方式，可以实现对输入信息进行分级表达，并利用深度学习结果和真实结果比对，进行权值的调整，使模拟的输出结果与真实结果靠近。

其中，由于现场采集大量的图像样本比较困难，主要的图像样本在虚拟环境中模拟产生，由药品的单元体积并计算出其重量，将其重量作为真实结果，用于和学习结果做比对，从而进行权值的调整。在进行深度学习之前，根据对深度BP神经网络在图像识别领域研究的经验值设定初始超参数的值，对于原始深度BP神经网络模型的深度学习，输入冲击响应曲线图像样本，经深度学习后得到模型拟合的学习结果，将学习结果不断的与真实结果作比，根据比对结果对超参数的值进行不断调整，使调整后的模型输出的结果越来越靠近真实结果，最后得到调整后的BP神经网络模型。

同样地，为了提高调整后的深度BP神经网络模型对真实环境的适应性及估算的准确度，将调整后的深度BP神经网络模型迁移至真实环境，根据模型现场验证的结果和真实的药品重量比对，对超参数的值再次进行调整，从而得到所述深度BP神经网络模型。当然，如果现场条件允许也可以选取多个样本进行验证，从而使模型更加优化。

上述实施例提供的一种输送带运动药品重量估计方法，利用对深度BP神经网络模型进行深度学习和现场验证，将拟合结果与真实结果比对，不断对超参数的值进行调整，得到最优的深度BP神经网络模型，提高了模型估算的准确度。

具体地，由于输送带运动药品重量的估计是一个回归问题，因此采用深度学习神经网络拟合样本需要将最后一层的神经元数量设置为1，以最后一层神经元的值作为估算值。在BP神经网络模型中，BP层把数据通过BP核变化成特征，便于后续的特征分离。

基于上述各实施例，根据本发明实施例的虚拟可视化系统，对药品冲击响应图像的采集是通过以动态称重装置为实验平台，力变送器采用应变仪，由记忆示波器采集数据，并将抓取的图像上传至处理系统，处理系统将图像进行特征提取后作为深度学习神经网络的输入，最终输出输送带药品重量的估算值。

具体地，由于在虚拟环境下的样本比较理想化，为了对模型进一步优化，需要根据现场的实际样本对模型进行验证。考虑到取样的实际情况，样本的称重数量在200个左右，当然并不限于此。根据采集的样本对调整后的深度BP神经网络模型进行现场验证，将模型输出结果与真实结果比对，根据比对结果进一步调整超参数的值，使模型输出结果靠近真实值，从而得到最优化的深度学习神经网络模型。根据得到的深度学习神经网络模型，在现场采集输送带冲击响应超调部分的图像，并将图像输入至深度学习神经网络模型，即可输出对应的药品重量的估算值。

基于上述各实施例，所述药品单元下落的初始位置在设置范围内随机生成，且每一批下落的药品单元数量不重复。在虚拟环境中，模拟药品单元下落的初始位置随机生成，即使同样体积的药品单元下落，生成的药品图像样本也不同，这样可以产生多样化的样本，提高原始BP神经网络的训练效果。同时，每一批下落的药品单元数量不重复，也是为了保证生成不同的药品图像样本，对应的药品重量也不同。

图5为根据本发明实施例的一种深度学习智能称重系统的结构示意图，如图5所示，一种输送带运输药品重量估计系统包括：

样本生成单元，用于在虚拟环境中，随机生成己知体积的药品单元并下落至输送带，所述药品单元在所述输送带内的冲击响应图像作为药品图像样本；

模型学习单元，用于将所述药品图像样本作为输入，对原始深度学习神经网络模型进行深度学习，根据学习结果对模型的超参数的值进行调整，得到调整后的深度学习神经网络模型；

模型验证单元，用于将所述调整后的深度学习神经网络模型迁移至真实环境进行现场验证，根据验证结果对所述超参数的值进行调整，得到所述深度学习神经网络模型将深度学习神经网络模型作为模型拟合单元的模型，根据图像采集单元采集的图像样本输入至模型拟合单元，输出输送带运输药品重量的估算值输送带运输药品重量估计系统，实施例参考输送带运输药品重量估计方法的实施例内容，此处不再详细赘述。

本发明提供一种深度学习智能称重方法及系统，通过信号超调与深度学习方法相结合，精准测量输送带药品的重量，避免了传统方法针对稳态响应的信号处理出现的准确度不高的问题，可以将称量准确度提高一个数量级以上。

相应地，在系统装置老化或工艺参数发生变化时，仍可以使用智能动态称重系统进行学习，以满足不同的复杂和变化的工况条件。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

本发明中的装置仅为以药品胶囊智能动态称重为例的较佳的实施方案，并非用于限定本发明的保护范围，其他物品的超高准确度智能动态称重和在线检测可参照本方案实施。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims

1.一种智能动态称重方法，其特征在于，包括：

2.一种智能动态称重系统，其特征在于，包括：

3.根据权利要求1所述的方法或者权利要求2所述的系统，其特征在于，深度学习的方式为：

4.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，深度学习神经网络包含输入层、隐含层、输出层，其中输出特征4个，隐含元6个，输出元1个。

5.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，对所述原始神经网络模型进行深度学习，是指以MATLAB工具箱对冲击响应曲线的超调部分为主，进行灰度处理、二值化处理，对图像样本的标签值进行归一化处理。

6.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，所述虚拟环境，是指通过CAD软件Solidworks进行三维模型的构建，然后利用Solidworks Motion实现药品落入输送带过程的运动仿真。

7.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，所述现场验证，是指通过采集现场的物品冲击响应图像作为输入，经过所述硬币重量作为真实值，对所述调整后的深度学习神经网络模型进行验证，其中，所述物品下落的初始位置在设置范围内随机生成，且每一批下落的物品重量不重复，采集时间随机。