CN110288009A - 基于神经网络的链板式物料筛选传送方法 - Google Patents
基于神经网络的链板式物料筛选传送方法 Download PDFInfo
- Publication number
- CN110288009A CN110288009A CN201910506140.9A CN201910506140A CN110288009A CN 110288009 A CN110288009 A CN 110288009A CN 201910506140 A CN201910506140 A CN 201910506140A CN 110288009 A CN110288009 A CN 110288009A
- Authority
- CN
- China
- Prior art keywords
- layer
- impurity
- node
- plate
- chain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G17/00—Conveyors having an endless traction element, e.g. a chain, transmitting movement to a continuous or substantially-continuous load-carrying surface or to a series of individual load-carriers; Endless-chain conveyors in which the chains form the load-carrying surface
- B65G17/16—Conveyors having an endless traction element, e.g. a chain, transmitting movement to a continuous or substantially-continuous load-carrying surface or to a series of individual load-carriers; Endless-chain conveyors in which the chains form the load-carrying surface comprising individual load-carriers which are pivotally mounted, e.g. for free-swinging movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G17/00—Conveyors having an endless traction element, e.g. a chain, transmitting movement to a continuous or substantially-continuous load-carrying surface or to a series of individual load-carriers; Endless-chain conveyors in which the chains form the load-carrying surface
- B65G17/30—Details; Auxiliary devices
- B65G17/32—Individual load-carriers
- B65G17/34—Individual load-carriers having flat surfaces, e.g. platforms, grids, forks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于神经网络的链板式物料筛选传送方法,包括:通过摄像头对运行至目标检测域的物料进行拍摄,得到待检测物料图像;根据预先构建的神经网络检测模型对所述待检测物料图像进行检测以判断所述待检测物料图像中的物料是否含有杂质;当判断结果为物料中含有杂质时,根据从所述待检测物料图像获取的传动链条上的标记信息以及物料板面的横向信息获取杂质的位置信息,并生成杂质去除指令;根据所述杂质的位置信息和所述杂质去除指令,控制位于所述物料板面下方的撞针执行机构按压链板式传送带对应位置的可翻转板翻转的按钮,以使得对应位置的锁止机构失效,对应位置的可翻转板在重力作用下向下翻转以将该位置的杂质去除。
Description
技术领域
本发明涉及智能制造技术领域,具体而言,涉及一种基于神经网络的链板式物料筛选传送方法。
背景技术
神经网络,又称人工神经网络(Artificial Neural Network,ANN),是 20世纪80年代以来人工智能领域兴起的研究热点。它从解剖学中人脑神经元互联的拓扑结构获得灵感,从信息处理角度对人脑的神经元网络进行抽象,通过建立一系列数学模型来模拟神经元和它们之间的连接,期望达到与人脑类似的功能。
在化工生产中,经常遇到通过链板式传送带向反应装置传送需要加入的粉末状物料,粉末状物料里常含有中途混入的杂质,在加入反应装置前需要分离出粉末物料中的杂质,现在的做法一般是人工分离,效率较低。
发明内容
本发明提供一种基于神经网络的链板式物料筛选传送方法,用以克服现有技术中存在的至少一个技术问题。
为了达到上述目的,本发明实施例提供一种基于神经网络的链板式物料筛选传送方法,包括:
通过摄像头对运行至目标检测域的物料进行拍摄,得到待检测物料图像;
根据预先构建的神经网络检测模型对所述待检测物料图像进行检测以判断所述待检测物料图像中的物料是否含有杂质;
当判断结果为物料中含有杂质时,根据从所述待检测物料图像获取的传动链条上的标记信息以及物料板面的横向信息获取杂质的位置信息,并生成杂质去除指令;
根据所述杂质的位置信息和所述杂质去除指令,控制位于所述物料板面下方的撞针执行机构按压链板式传送带对应位置的可翻转板翻转的按钮,以使得对应位置的锁止机构失效,对应位置的可翻转板在重力作用下向下翻转以将该位置的杂质去除。
其中,所述神经网络检测模型包括输入层、输出层和隐藏层,层与层之间的激励函数为:
σ(x)=max(-0.01x,x)-0.01,x∈R,
在所述输入层之后设置有第一卷积层,所述第一卷积层的卷积窗口为 3x3,所述第一卷积层的每个节点仅与所述输入层对应位置的3x3个节点相连接;所述第一卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w1-1,w1-2,…,w1-9,并且所述第一卷积层上的每个节点在对应位置的权重均相同;
在所述第一卷积层后设置有第二卷积层,所述第二卷积层的卷积窗口为 5x5,所述第二卷积层的每个节点仅与所述第一卷积层对应位置的5x5个节点相连接;所述第二卷积层每个节点对应的5x5个连接的权重按行-列的顺序分别定义为w2-1,w2-2,…,w2-15,并且所述第二卷积层的每个节点在对应位置的权重均相同;
在所述第二卷积层之后设置有第三卷积层,所述第三卷积层的卷积窗口为3x3,所述第三卷积层的每个节点仅与所述第二卷积层对应位置的3x3个节点相连接;所述第三卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w3-1,w3-2,…,w3-9,并且所述第三卷积层上的每个节点在对应位置的权重均相同;
在所述第三卷积层之后设置有重采样层,设所述第三卷积层的尺寸是 d×d,则所述重采样层尺寸为所述重采样层的每个节点与其对应的16 个节点连接,并且每个连接的权重固定为
所述隐藏层位于所述重采样层之后,所述隐藏层共有两层,为两个全连接隐藏层,每个隐藏层的节点数等于所述重采样层输出的矩形特征的像素数;
所述输出层的节点数为1,用于表示输入图像是否含有杂质,在训练集中,0表示不含杂质,1表示含有杂质;
所述神经网络检测模型的训练集包括多组训练数据,每组所述训练数据包括:经过预处理的预处理样本图像和对应的识别标记作为训练集同时输入神经网络,训练得到神经网络各层的权重。
可选地,所述链板式传送带用于将可能含有杂质的物料传送至目标位置,所述链板式传送带包括传动链条、物料板面和固定轴,所述传动链条为金属闭合链条,位于两侧的所述传动链条上均设有供所述固定轴一端固定的安装孔,每个所述固定轴的两端通过所述安装孔设置在所述传动链条上;所述物料板面包括多个相互独立的可翻转板,设置在同一根所述固定轴上的可翻转板呈中心对称型式布置,每个所述可翻转板的承载面用于承载粉末物料;每个所述可翻转板设置有支撑环和锁止环,所述可翻转板向上的平面为承载平面,所述可翻转板与所述固定轴平行的一侧边缘上设置有所述支撑环和所述锁止环,所述支撑环和所述锁止环固定穿设在所述固定轴上;
所述支撑环为内、外两层结构的圆环,所述支撑环的外层固定在所述可翻转板边缘,所述支撑环的内层固定穿设在所述固定轴上,所述支撑环的内层和外层之间为相对外界密封的光滑摩擦面;
所述锁止环为内、中、外三层结构的圆环,所述锁止环的外层固定设置在所述可翻转板边缘,所述锁止环的外层内圈为齿型圈,所述锁止环的中层为隐藏在内层和外层之间的单向可控锁止机构,所述锁止环的内层固定穿设在所述固定轴上,所述锁止环的内层一侧设有可使所述锁止机构失效的按钮,所述锁止机构失效时,在重力作用下所述锁止环的外层相对内层转动,带动所述可翻转板向下转动以将其上承载的物料倾倒至所述物料板面下方的废料层。
可选地,所述链板式传送带上位于所述摄像头下方的区域设为检测识别段,所述检测识别段设置有4个光学标记,分别置于传送带两侧,每侧各2 个,4个所述光学标记在传送带平面上构成一矩形区域,所述矩形区域对应于所采集图像中的图像判定区域。
本发明实施例的发明点包括:
本发明实施例的发明点包括:
1、本发明实施例中通过神经网络对板链式传送带上的粉末物料进行识别,当检测到粉末物料中含有杂质时即可在物料被送至目标位置之前,根据杂质所处的位置控制对应的可翻转板翻转以将含杂质的物料倾倒至下方的废料层中,避免将杂质带入后续工序;同时,杂质的排除过程不需要人工干预,提高了物料传送工序的工作效率。
2、本发明实施例中将神经网络引进到物料传输装置中,根据粉末物料和常混入杂质的特性对机器视觉的分类能力进行训练,提高了自动识别粉末物料中杂质的准确度,拓展了机器识别在化工生产上的应用。
3、使用神经网络分类器的一个难点是是设计合适的激励函数,本发明实施例定义激励函数如下:
σ(x)=max(-0.01x,x)-0.01,x∈R
上式等价于:
该激励函数为经典ReLU激励函数的一个改进,通过设计该激励函数,可以有效兼顾神经网络的效率和性能,达到更好的识别效果。
4、本发明实施例中的链板式传送带的物料板面由多个相互独立的可翻转板组成,并且每个可翻转板通过支撑环和锁止环设置在固定轴上,支撑环为内、外两层结构的圆环,支撑环的外层固定在可翻转板边缘,支撑环的内层固定穿设在固定轴上,支撑环的内层和外层之间为相对外界密封的光滑摩擦面;锁止环为内、中、外三层结构的圆环,锁止环的外层固定设置在可翻转板边缘,锁止环的外层内圈为齿型圈,锁止环的中层为隐藏在内层和外层之间的单向可控锁止机构,锁止环的内层固定穿设在固定轴上,锁止环的内层一侧设有可使锁止机构失效的按钮,当某个可翻转板上的物料含有杂质时,控制位于对应可翻转板下方的撞针执行机构按压对应的按钮,对应锁止机构失效,在重力作用下锁止环的外层相对内层转动,带动对应可翻转板向下转动以将其上承载的物料倾倒至下方的废料层中,上述可翻转结构在翻转时,由于粉末物料的特性,仅将该可翻转板上承载的物料倾倒至下方的废料层,对周围可翻转板上的物料几乎没有影响。
在上述实施例中,利用基于机器视觉的链板式传送带对粉末物料进行栓送时,即可对进行摄像机拍摄区域的传送带物料进行杂质检测,若物料中含有杂质则根据杂质的位置信息确定其所在的可翻转板,通过执行机构控制相应的可翻转板翻转将含有杂质的物料倾倒至下方的储料箱(待达到设定的量后通过杂质过滤对物料进行再利用),整个过程不需要人工操作,提高了生产的自动化水平和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的基于神经网络的链板式物料筛选传送方法流程图;
图2为本发明一个实施例的链板式传送带结构示意图;
图3为本发明一个实施例的传动链条局部示意图;
图4a为本发明一个实施例的固定轴端面示意图
图4b为本发明一个实施例的固定轴侧面的局部示意图;
图5为本发明一个实施例的板面独立板块拼接示意图;
图6为本发明一个实施例的独立板块结构示意图;
图7为本发明一个实施例的支撑环结构示意图;
图8为本发明一个实施例的锁止环结构示意图,其中,左侧为锁止机构生效时的结构图,右侧为锁止机构失效时的结构图;
图9a为本发明一个实施例的传送带独立板块正常工作时的状态图;
图9b为本发明一个实施例的传送带独立板块向下旋转时的状态图;
附图标记说明:
1-传动链条;2-物料板面;3-固定轴;4-传送带前进方向;5-传动链条上的安装孔;6-固定轴端面的安装孔;7-锁止环安装定位标记;8-传送带外侧; 9-可翻转板;10-支撑环;11-锁止环;12-承载平面;14-支撑环外层;15-支撑环内层;16-支撑环摩擦面;17-锁止环外层;18-锁止环外层齿圈;19-锁止环中层锁止机构;20-锁止环内层;21-锁止环按钮;22-锁止环摩擦面。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明一个实施例的基于神经网络的链板式物料筛选传送方法流程图,如图1所示,该方法包括:
S110,通过摄像头对运行至目标检测域的物料进行拍摄,得到待检测物料图像;
S120,根据预先构建的神经网络检测模型对所述待检测物料图像进行检测以判断所述待检测物料图像中的物料是否含有杂质;
S130,当判断结果为物料中含有杂质时,根据从所述待检测物料图像获取的传动链条上的标记信息以及物料板面的横向信息获取杂质的位置信息,并生成杂质去除指令;
S140,根据所述杂质的位置信息和所述杂质去除指令,控制位于所述物料板面下方的撞针执行机构按压链板式传送带对应位置的可翻转板翻转的按钮,以使得对应位置的锁止机构失效,对应位置的可翻转板在重力作用下向下翻转以将该位置的杂质去除。
其中,所述神经网络检测模型包括输入层、输出层和隐藏层,层与层之间的激励函数为:
σ(x)=max(-0.01x,x)-0.01,x∈R,
在所述输入层之后设置有第一卷积层,所述第一卷积层的卷积窗口为 3x3,所述第一卷积层的每个节点仅与所述输入层对应位置的3x3个节点相连接;所述第一卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w1-1,w1-2,…,w1-9,并且所述第一卷积层上的每个节点在对应位置的权重均相同;
在所述第一卷积层后设置有第二卷积层,所述第二卷积层的卷积窗口为 5x5,所述第二卷积层的每个节点仅与所述第一卷积层对应位置的5x5个节点相连接;所述第二卷积层每个节点对应的5x5个连接的权重按行-列的顺序分别定义为w2-1,w2-2,…,w2-15,并且所述第二卷积层的每个节点在对应位置的权重均相同;
在所述第二卷积层之后设置有第三卷积层,所述第三卷积层的卷积窗口为3x3,所述第三卷积层的每个节点仅与所述第二卷积层对应位置的3x3个节点相连接;所述第三卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w3-1,w3-2,…,w3-9,并且所述第三卷积层上的每个节点在对应位置的权重均相同;
在所述第三卷积层之后设置有重采样层,设所述第三卷积层的尺寸是 d×d,则所述重采样层尺寸为所述重采样层的每个节点与其对应的16 个节点连接,并且每个连接的权重固定为
所述隐藏层位于所述重采样层之后,所述隐藏层共有两层,为两个全连接隐藏层,每个隐藏层的节点数等于所述重采样层输出的矩形特征的像素数;
所述输出层的节点数为1,用于表示输入图像是否含有杂质,在训练集中,0表示不含杂质,1表示含有杂质;
所述神经网络检测模型的训练集包括多组训练数据,每组所述训练数据包括:经过预处理的预处理样本图像和对应的识别标记作为训练集同时输入神经网络,训练得到神经网络各层的权重。
如图2~图9b所示,本发明一个实施例的基于神经网络的链板式物料筛选传送方法涉及的装置包括:链板式传送带,杂质检测装置,控制装置,其中:
所述链板式传送带用于将可能含有杂质的物料传送至目标位置,所述链板式传送带包括传动链条1、物料板面2和固定轴3,所述传动链条1为金属闭合链条,位于两侧的所述传动链条1上均设有供所述固定轴3一端固定的安装孔,每个所述固定轴3的两端通过所述安装孔固定设置在所述传动链条 1上;所述物料板面2包括多个相互独立的可翻转板9,设置在同一根所述固定轴3上的可翻转板呈中心对称型式布置,每个所述可翻转板的承载面用于承载粉末物料;每个所述可翻转板包括可翻转板9、支撑环10和锁止环11,所述可翻转板9向上的平面为承载平面12,所述可翻转板9与所述固定轴3 平行的一侧边缘上设置有所述支撑环10和所述锁止环11,所述支撑环10和所述锁止环11固定穿设在所述固定轴3上;
所述支撑环10为内、外两层结构的圆环,所述支撑环10的外层14固定在所述可翻转板9边缘,所述支撑环10的内层15固定穿设在所述固定轴3 上,所述支撑环10的内层和外层之间为相对外界密封的光滑摩擦面16;
所述锁止环11为内、中、外三层结构的圆环,所述锁止环11的外层固定设置在所述可翻转板9边缘,所述锁止环11的外层17内圈为齿型圈18,所述锁止环11的中层为隐藏在内层和外层之间的单向可控锁止机构19,所述锁止环11的内层20固定穿设在所述固定轴3上,所述锁止环11的内层一侧设有可使所述锁止机构失效的按钮21,所述锁止机构失效时,在重力作用下所述锁止环11的外层相对内层转动,带动所述可翻转板向下转动以将其上承载的物料倾倒至所述物料板面2下方的废料层;
所述杂质检测装置设置在所述链板式传送带上方,以对所述链板式传送带上的物料进行检测并判断对应位置的物料是否含有杂质,具体包括:通过摄像头获取运行至目标检测域的物料进行拍摄,得到待检测物料图像;所述杂质检测装置的处理器模块根据预先构建的神经网络检测模型对所述待检测物料图像进行检测以判断所述待检测物料图像中的物料是否含有杂质,当判断结果为物料中含有杂质时,根据从所述待检测物料图像获取的所述传动链条1上的标记信息以及所述物料板面2的横向信息获取杂质的位置信息,并生成杂质去除指令,将所述杂质的位置信息和所述杂质去除指令发送给所述控制装置;
所述控制装置用于根据所述杂质的位置信息和所述杂质去除指令,控制位于所述物料板面2下方的撞针执行机构按压所述链板式传送带对应位置的可翻转板翻转的按钮,所述锁止机构失效,对应位置的可翻转板在重力作用下向下翻转以将该位置的杂质去除。
在上述实施例中,传送带的传送板面由多个相同结构的独立板块拼接而成,安装在同一根固定轴上,所述独立板块在固定轴两侧呈中心对称型式布置,其承载面均朝向传送带的外侧8。
所述独立板块包括可翻转板9、支撑环10和锁止环11。所述可翻转板9 为一个矩形平板,其中向上的一个平面为承载平面12,所述支撑环和锁止环布置在可翻转板的同一条边缘上,固定轴从所述支撑环和锁止环穿过,将矩形平板固定在水平位置。
支撑环10为一种内、外两层的圆环,所述外层14固定在承载平面边缘,所述内层15固定在固定轴上,内外层之间为相对外界密封的光滑摩擦面16。
锁止环为一种内、中、外三层圆环,锁止环外层17固定在承载平面边缘,锁止环外层内圈为一圈齿型圈18,锁止环中层为一种隐藏在内层和外层之间的单向可控锁止机构19,锁止环内层20固定在固定轴上,锁止环设有带定位标记的按钮21,内外层之间为相对于外界密封的光滑摩擦面22。
锁止机构生效时,独立板块可以向上转动,向下转动时会被锁死。在运送路段,板面被锁止环11和支撑环10固定在固定轴上,受锁止环内的锁止机构19作用,独立板块保持水平可承载的位姿状态。被运送的物料由其它装置放置在整个板面上,由链条牵引固定轴,带动板面前进,从而运送物料。
当传送带经过识别区域时,通过识别装置识别杂物所在的位置,确定杂物所在的独立板块,识别装置向控制装置发送杂物所在的独立板块的数据。
控制装置根据识别装置发送的数据查阅数据库,找到相应独立板块对应的锁止环内层上的按钮,并通过执行机构(如撞针)触发按钮,此时锁止环内锁止机构失效,相应的独立板块会在重力作用下向下翻转,杂物会掉落至下方的收集处。杂物排除工作完成后,执行机构会送开按钮,此时锁止机构重新生效,执行机构将对应的独立板块推回原位,传送带重新恢复运送状态。
一个实施例中,所述神经网络检测模型包括输入层、输出层和隐藏层,层与层之间的激励函数为:
σ(x)=max(-0.01x,x)-0.01,x∈R,
在所述输入层之后设置有第一卷积层,所述第一卷积层的卷积窗口为 3x3,所述第一卷积层的每个节点仅与所述输入层对应位置的3x3个节点相连接;所述第一卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w1-1,w1-2,…,w1-9,并且所述第一卷积层上的每个节点在对应位置的权重均相同;
在所述第一卷积层后设置有第二卷积层,所述第二卷积层的卷积窗口为 5x5,所述第二卷积层的每个节点仅与所述第一卷积层对应位置的5x5个节点相连接;所述第二卷积层每个节点对应的5x5个连接的权重按行-列的顺序分别定义为w2-1,w2-2,…,w2-15,并且所述第二卷积层的每个节点在对应位置的权重均相同;
在所述第二卷积层之后设置有第三卷积层,所述第三卷积层的卷积窗口为3x3,所述第三卷积层的每个节点仅与所述第二卷积层对应位置的3x3个节点相连接;所述第三卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w3-1,w3-2,…,w3-9,并且所述第三卷积层上的每个节点在对应位置的权重均相同;
在所述第三卷积层之后设置有重采样层,设所述第三卷积层的尺寸是 d×d,则所述重采样层尺寸为所述重采样层的每个节点与其对应的16 个节点连接,并且每个连接的权重固定为
所述隐藏层位于所述重采样层之后,所述隐藏层共有两层,为两个全连接隐藏层,每个隐藏层的节点数等于所述重采样层输出的矩形特征的像素数;
所述输出层的节点数为1,用于表示输入图像是否含有杂质,在训练集中,0表示不含杂质,1表示含有杂质;
所述神经网络检测模型的训练集包括多组训练数据,每组所述训练数据包括:经过预处理的预处理样本图像和对应的识别标记作为训练集同时输入神经网络,训练得到神经网络各层的权重。
一种实现方式中,所述链板式传送带上位于所述摄像头下方的区域设为检测识别段,所述检测识别段设置有4个光学标记,分别置于传送带两侧,每侧各2个,4个所述光学标记在传送带平面上构成一矩形区域,所述矩形区域对应于所采集图像中的图像判定区域。
在一个实施例中,摄像机安装在传送带上方,视线垂直对准传送带平面,应当能够完整、适当地拍摄传送带上的判定区域。所谓完整、适当是指判定区域完全落入摄像机的可视范围内,并且尽量位于可视范围的中心地带,以尽可能减少摄像机镜头边缘图像畸变带来的误差,摄像机与传送带的距离应保证人眼能清晰分辨出图像中的目标物与杂质。在传送带上设置具有特殊识别特征的一组光学标记,分别置于传送带两侧,每侧各两个,则四个光学标记在传送带平面上组成了一个矩形区域,该区域即为判定区域。摄像机拍摄图像时,光学标记可在图像中被清楚识别,以便在图像中标记出对应的图像判定区域。
在上述实施例中,在将图像输入神经网络之前,还可以对输入图像进行预处理。预处理步骤如下:
根据图像中的四个光学标记特征对应的像素位置,得到四个光学标记的图像像素坐标,划出判定区域在图像中的对应区域DI;
将图像区域DI划分为若干正方形子图像,每个子图像的边长为4的倍数,并且不小于16,其中边缘处不能形成正方形子图的像素可以舍去;
将所获得的每个正方形子图,作为神经网络的输入。
在预处理结束后,进入神经网络分类步骤。该神经网络分类器,由输入层、输出层和隐藏层组成,每一层包含若干个节点,称为神经元,神经元、神经元之间的连接组成了神经网络,该网络由激励函数、权重和神经元之间的连接方式所确定。
例如,一个单隐藏层的神经网络包含三个输入层节点X1,X2,X3,一个输出层节点y,三个隐藏层节点n1,n2,n3。可见,如果不加入激励函数,那么每个节点都是其前续节点的线性组合。
这种情况下,神经网络分类器就无法准确对非线性可分的数据集进行分类。于是,可以通过在隐藏层和输出层节点加入激励函数σ(x)来解决这个问题。
因此,使用神经网络分类器的首要任务就是设计合适的激励函数。在本发明一个实施例中,定义激励函数如下:
σ(x)=max(-0.01x,x)-0.01,x∈R
上式等价于:
该激励函数为经典ReLU激励函数的一个改进,通过设计该激励函数,可以有效兼顾神经网络的效率和性能,达到更好的识别效果。通过实验对比表明,上述激励函数使得神经网络在图像识别方面的准确率和单幅图像耗时均有明显的性能提升。
神经元之间的连接权重是神经网络的重要参数,这些权值通过神经网络的训练获得。如果相邻层的神经元之间是以“全连接”方式,即任意两个神经元之间均有一个连接的方式组合,并且每条连接都有一个独立的权值,那么神经网络需要优化的参数数量将随着层数的增加而指数级增加,使优化变得难以实现。例如,一张100*100分辨率的图像,如果采用全连接方式的神经网络,输入层节点数为100*100=104,隐藏层的节点也有100*100=104个,由于任意两个节点间均有连接,权重值将有104*104=108个。仅仅一个隐藏层的例子就可以看出,优化如此数据量的参数是非常困难的,因此,在本发明实施例所述的应用中,也需要对神经网络的网络结构进行优化。
构建优化的神经网络结构如下:
在输入层(原始图像,I)后放置卷积层C1,卷积窗口为3x3,即卷积层 C1的每一个节点仅与其上一层(输入层I)对应位置的3x3个节点有连接;将这3x3个连接的权重按行-列的顺序分别定义为w1-1,w1-2,…,w1-9,并且每个卷积层C1上的节点在对应位置的权重均相同。
在卷积层C1后放置卷积层C2,卷积窗口为5x5,卷积层C2的每一个节点仅与其上一层(卷积层C1)对应位置的5x5个节点有连接;将这5x5个连接的权重按行-列的顺序分别定义为w2-1,w2-2,…,w2-15,并且每个卷积层 C2上的节点在对应位置的权重均相同。
在卷积层C2后放置卷积层C3,卷积窗口为3x3,类似地,卷积层C3的每一个节点仅与其上一层(卷积层C2)对应位置的3x3个节点有连接;将这 3x3个连接的权重按行-列的顺序分别定义为w2-1,w2-2,…,w2-9,并且每个卷积层C3上的节点在对应位置的权重均相同。
在卷积层C3后放置一个重采样层C4,如果卷积层C3尺寸是d×d,则重采样层C4尺寸为重采样层C4的每个节点与其对应的16个节点连接,并且权重固定为1/16。对于在重采样层C4的某个节点,假设其坐标在重采样层C4是(i,j),则其在卷积层C3的对应节点是坐标在卷积层C3为(4i,4j)和 (4i+3,4j+3)矩形范围内的所有16个节点。
在重采样层C4后放置两个全连接隐藏层C5和C6,每层节点数等于重采样层C4输出的矩形特征的像素数。
输出层O节点数为1,表示输入图像是否含有杂质。在训练集中,0表示不含杂质,1表示含有杂质。
上述实施例采用优化后的神经网络可以在保障识别率的前提下有效地提升神经网络的识别效率。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (3)
1.一种基于神经网络的链板式物料筛选传送方法,其特征在于,包括:
通过摄像头对运行至目标检测域的物料进行拍摄,得到待检测物料图像;
根据预先构建的神经网络检测模型对所述待检测物料图像进行检测以判断所述待检测物料图像中的物料是否含有杂质;
当判断结果为物料中含有杂质时,根据从所述待检测物料图像获取的传动链条上的标记信息以及物料板面的横向信息获取杂质的位置信息,并生成杂质去除指令;
根据所述杂质的位置信息和所述杂质去除指令,控制位于所述物料板面下方的撞针执行机构按压链板式传送带对应位置的可翻转板翻转的按钮,以使得对应位置的锁止机构失效,对应位置的可翻转板在重力作用下向下翻转以将该位置的杂质去除。
其中,所述神经网络检测模型包括输入层、输出层和隐藏层,层与层之间的激励函数为:
σ(x)=max(-0.01x,x)-0.01,x∈R,
在所述输入层之后设置有第一卷积层,所述第一卷积层的卷积窗口为3x3,所述第一卷积层的每个节点仅与所述输入层对应位置的3x3个节点相连接;所述第一卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w1-1,w1-2,…,w1-9,并且所述第一卷积层上的每个节点在对应位置的权重均相同;
在所述第一卷积层后设置有第二卷积层,所述第二卷积层的卷积窗口为5x5,所述第二卷积层的每个节点仅与所述第一卷积层对应位置的5x5个节点相连接;所述第二卷积层每个节点对应的5x5个连接的权重按行-列的顺序分别定义为w2-1,w2-2,…,w2-15,并且所述第二卷积层的每个节点在对应位置的权重均相同;
在所述第二卷积层之后设置有第三卷积层,所述第三卷积层的卷积窗口为3x3,所述第三卷积层的每个节点仅与所述第二卷积层对应位置的3x3个节点相连接;所述第三卷积层每个节点对应的3x3个连接的权重按行-列的顺序分别定义为w3-1,w3-2,…,w3-9,并且所述第三卷积层上的每个节点在对应位置的权重均相同;
在所述第三卷积层之后设置有重采样层,设所述第三卷积层的尺寸是d×d,则所述重采样层尺寸为所述重采样层的每个节点与其对应的16个节点连接,并且每个连接的权重固定为
所述隐藏层位于所述重采样层之后,所述隐藏层共有两层,为两个全连接隐藏层,每个隐藏层的节点数等于所述重采样层输出的矩形特征的像素数;
所述输出层的节点数为1,用于表示输入图像是否含有杂质,在训练集中,0表示不含杂质,1表示含有杂质;
所述神经网络检测模型的训练集包括多组训练数据,每组所述训练数据包括:经过预处理的预处理样本图像和对应的识别标记作为训练集同时输入神经网络,训练得到神经网络各层的权重。
2.根据权利要求1所述的链板式物料筛选传送方法,其特征在于,所述链板式传送带用于将可能含有杂质的物料传送至目标位置,所述链板式传送带包括传动链条、物料板面和固定轴,所述传动链条为金属闭合链条,位于两侧的所述传动链条上均设有供所述固定轴一端固定的安装孔,每个所述固定轴的两端通过所述安装孔设置在所述传动链条上;所述物料板面包括多个相互独立的可翻转板,设置在同一根所述固定轴上的可翻转板呈中心对称型式布置,每个所述可翻转板的承载面用于承载粉末物料;每个所述可翻转板设置有支撑环和锁止环,所述可翻转板向上的平面为承载平面,所述可翻转板与所述固定轴平行的一侧边缘上设置有所述支撑环和所述锁止环,所述支撑环和所述锁止环固定穿设在所述固定轴上;
所述支撑环为内、外两层结构的圆环,所述支撑环的外层固定在所述可翻转板边缘,所述支撑环的内层固定穿设在所述固定轴上,所述支撑环的内层和外层之间为相对外界密封的光滑摩擦面;
所述锁止环为内、中、外三层结构的圆环,所述锁止环的外层固定设置在所述可翻转板边缘,所述锁止环的外层内圈为齿型圈,所述锁止环的中层为隐藏在内层和外层之间的单向可控锁止机构,所述锁止环的内层固定穿设在所述固定轴上,所述锁止环的内层一侧设有可使所述锁止机构失效的按钮,所述锁止机构失效时,在重力作用下所述锁止环的外层相对内层转动,带动所述可翻转板向下转动以将其上承载的物料倾倒至所述物料板面下方的废料层。
3.根据权利要求1所述的链板式物料筛选传送方法,其特征在于,所述链板式传送带上位于所述摄像头下方的区域设为检测识别段,所述检测识别段设置有4个光学标记,分别置于传送带两侧,每侧各2个,4个所述光学标记在传送带平面上构成一矩形区域,所述矩形区域对应于所采集图像中的图像判定区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506140.9A CN110288009B (zh) | 2019-06-12 | 2019-06-12 | 基于神经网络的链板式物料筛选传送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506140.9A CN110288009B (zh) | 2019-06-12 | 2019-06-12 | 基于神经网络的链板式物料筛选传送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288009A true CN110288009A (zh) | 2019-09-27 |
CN110288009B CN110288009B (zh) | 2020-04-21 |
Family
ID=68004060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910506140.9A Active CN110288009B (zh) | 2019-06-12 | 2019-06-12 | 基于神经网络的链板式物料筛选传送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288009B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103404950A (zh) * | 2013-08-30 | 2013-11-27 | 山东理工大学 | 下方清料蔬菜脱水机 |
CN108311411A (zh) * | 2018-02-07 | 2018-07-24 | 陕西科技大学 | 一种冬虫夏草智能化分拣系统及其使用方法 |
CN108759435A (zh) * | 2018-08-23 | 2018-11-06 | 姜少华 | 多层翻板式粮食烘干机 |
CN208265249U (zh) * | 2018-05-30 | 2018-12-21 | 博众精工科技股份有限公司 | 翻转设备及物流输送系统 |
CN208414277U (zh) * | 2018-06-11 | 2019-01-22 | 青岛永正化工机械有限公司 | 一种链板式发酵翻堆装置 |
CN109297969A (zh) * | 2018-12-05 | 2019-02-01 | 上海庚葵贸易有限公司 | 一种烟叶流水线杂质检测方法及系统 |
CN208779887U (zh) * | 2018-08-23 | 2019-04-23 | 姜少华 | 多层翻板式粮食烘干机 |
CN109685141A (zh) * | 2018-12-25 | 2019-04-26 | 哈工大机器人(合肥)国际创新研究院 | 一种基于深度神经网络的机器人物品分拣视觉检测方法 |
CN109814166A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、安检设备及具有存储功能的装置 |
-
2019
- 2019-06-12 CN CN201910506140.9A patent/CN110288009B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103404950A (zh) * | 2013-08-30 | 2013-11-27 | 山东理工大学 | 下方清料蔬菜脱水机 |
CN108311411A (zh) * | 2018-02-07 | 2018-07-24 | 陕西科技大学 | 一种冬虫夏草智能化分拣系统及其使用方法 |
CN208265249U (zh) * | 2018-05-30 | 2018-12-21 | 博众精工科技股份有限公司 | 翻转设备及物流输送系统 |
CN208414277U (zh) * | 2018-06-11 | 2019-01-22 | 青岛永正化工机械有限公司 | 一种链板式发酵翻堆装置 |
CN108759435A (zh) * | 2018-08-23 | 2018-11-06 | 姜少华 | 多层翻板式粮食烘干机 |
CN208779887U (zh) * | 2018-08-23 | 2019-04-23 | 姜少华 | 多层翻板式粮食烘干机 |
CN109297969A (zh) * | 2018-12-05 | 2019-02-01 | 上海庚葵贸易有限公司 | 一种烟叶流水线杂质检测方法及系统 |
CN109685141A (zh) * | 2018-12-25 | 2019-04-26 | 哈工大机器人(合肥)国际创新研究院 | 一种基于深度神经网络的机器人物品分拣视觉检测方法 |
CN109814166A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、安检设备及具有存储功能的装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110288009B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11176408B2 (en) | Tire image recognition method and tire image recognition device | |
Tilocca et al. | Detecting fabric defects with a neural network using two kinds of optical patterns | |
CN108090447A (zh) | 双分支深层结构下的高光谱图像分类方法及装置 | |
CN109461149A (zh) | 喷漆表面缺陷的智能检测系统及方法 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN107944504B (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN109325395A (zh) | 图像的识别方法、卷积神经网络模型的训练方法及装置 | |
CN107729854A (zh) | 一种机器人的手势识别方法、系统及机器人 | |
CN106934408A (zh) | 基于卷积神经网络的身份证照片分类方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN110717553A (zh) | 一种基于自衰减权重和多局部约束的交通违禁品识别方法 | |
CN108038843A (zh) | 一种用于缺陷检测的方法、装置和设备 | |
CN108615046A (zh) | 一种储粮害虫检测识别方法及装置 | |
CN109409327A (zh) | 基于端到端深度神经网络的rru模块物件位姿检测方法 | |
CN108596338A (zh) | 一种神经网络训练集的获取方法及其系统 | |
CN109191419B (zh) | 基于机器学习的实时压板检测及状态识别系统及方法 | |
US20230215154A1 (en) | Apparatus and method for detecting elements of an assembly | |
CN109271934A (zh) | 用于交通标志识别的系统和方法 | |
CN110533629A (zh) | 一种桥梁裂缝的检测方法及检测装置 | |
CN115049619B (zh) | 一种针对复杂场景的高效瑕疵检测方法 | |
CN110217558A (zh) | 基于智能机器视觉的可复位物料传输装置 | |
CN113743332A (zh) | 基于通用视觉预训练模型的图像质量评价方法及系统 | |
CN110245592A (zh) | 一种用于提升监控场景的行人重识别率的方法 | |
Kumar et al. | Detection of concrete cracks using dual-channel deep convolutional network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |