CN111079548B - 基于目标高度信息和色彩信息的固废在线识别方法 - Google Patents

基于目标高度信息和色彩信息的固废在线识别方法 Download PDF

Info

Publication number
CN111079548B
CN111079548B CN201911157744.3A CN201911157744A CN111079548B CN 111079548 B CN111079548 B CN 111079548B CN 201911157744 A CN201911157744 A CN 201911157744A CN 111079548 B CN111079548 B CN 111079548B
Authority
CN
China
Prior art keywords
module
color information
acquisition module
information acquisition
height
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.)
Active
Application number
CN201911157744.3A
Other languages
English (en)
Other versions
CN111079548A (zh
Inventor
杨建红
陈强
房怀英
李建涛
黄文景
林伟端
庄江腾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Fujian South Highway Machinery Co Ltd
Original Assignee
Huaqiao University
Fujian South Highway Machinery Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaqiao University, Fujian South Highway Machinery Co Ltd filed Critical Huaqiao University
Priority to CN201911157744.3A priority Critical patent/CN111079548B/zh
Publication of CN111079548A publication Critical patent/CN111079548A/zh
Application granted granted Critical
Publication of CN111079548B publication Critical patent/CN111079548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/58—Construction or demolition [C&D] waste

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Sorting Of Articles (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

一种基于目标高度信息和色彩信息的固废在线识别方法，包括：物料传送模块、高度信息采集模块、色彩信息采集模块、脉冲控制模块、数据传输模块和数据处理模块；高度信息采集模块和色彩信息采集模块设置在物料传送模块上方以采集传送的建筑垃圾的高度和色彩信息；脉冲控制模块与高度信息采集模块和色彩信息采集模块分别相连接以控制同时采集；高度信息采集模块和色彩信息采集模块分别与数据传输模块以将采集的信息发送至数据处理模块；数据处理模块对高度信息和色彩信息进行预处理后，通过改进的卷积神经网络对高度信息和色彩信息进行特征融合并分类，输出建筑垃圾分类结果。本发明能极大地提高目标检测的准确率，并满足在线检测的要求。

Description

基于目标高度信息和色彩信息的固废在线识别方法
技术领域
本发明涉及固废在线识别领域，特别涉及基于目标高度信息和色彩信息的固废在线识别方法。
背景技术
目前现有的较为成熟的建筑垃圾分拣系统都是采用单一的轻重风选以及磁选的方法“混合”分离，只能大致的将质量体积相同的垃圾搜集在一起。可以看这种分拣方法不仅效率低、劳动力消耗量大，而且垃圾分离度很差直接影响后期的利用，导致垃圾利用率下降。
本技术应用于垃圾分拣线风选部分之后，用于分拣密度相近的建筑垃圾，如砖块、混凝土、瓦块等。分拣后可用作高价值的精品骨料，在节省大量人力、保护环境的同时还避免了资源浪费。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种效率高、准确度高的基于目标高度信息和色彩信息的固废在线识别方法。
本发明采用如下技术方案：
一方面，本发明一种基于目标高度信息和色彩信息的固废在线识别方法，包括：物料传送模块、高度信息采集模块、色彩信息采集模块、脉冲控制模块、数据传输模块和数据处理模块；所述高度信息采集模块设置在所述物料传送模块上方以采集所述物料传送模块传送的建筑垃圾的高度信息；所述色彩信息采集模块设置在所述物料传送模块上方以采集所述物料传送模块传送的建筑垃圾的色彩信息；所述脉冲控制模块与所述高度信息采集模块和色彩信息采集模块分别相连接以控制所述高度信息采集模块和色彩信息采集模块同时采集所述建筑垃圾的信息；所述高度信息采集模块和色彩信息采集模块分别与所述数据传输模块以将采集的高度信息和色彩信息发送至所述数据处理模块；所述数据处理模块对高度信息和色彩信息进行预处理后，通过改进的卷积神经网络对高度信息和色彩信息进行特征融合并分类，输出建筑垃圾的分类结果。
优选的，所述卷积神经网络采用Cascade R-CNN卷积神经网络，属于多阶段目标检测模型；改进的卷积神经网络包括1层卷积层，属于稀疏特征无监督学习算法，以稀疏表示为基础，同时对提取的特征进行总体稀疏和生命周期稀疏。
优选的，通过改进的卷积神经网络对高度信息和色彩信息进行特征融合，具体使用加权融合，加权融合公式如下：
Figure GDA0003977539950000021
Figure GDA0003977539950000022
Figure GDA0003977539950000023
其中，其中PC和PH分别表示颜色特征和高度特征的观测密度，
Figure GDA0003977539950000024
表示颜色特征的更新权值，
Figure GDA0003977539950000025
分别表示第k-1和第k个像素点的颜色特征权值；
Figure GDA0003977539950000026
表示高度特征的更新权值，
Figure GDA0003977539950000027
分别表示第k-1和第k个像素点的高度特征权值；Wi表示最终的权值；a和b分别代表两种特征的有效权值的数目，a趋近于0的时候，只有高度特征起作用，当b趋近于0的时候，只有颜色特征起作用；N表示图像像素点的个数；i表示像素点。
优选的，改进的卷积神经网络采用3个IOU阈值递增的检测器，上一阶段的输出用来训练下一个阶段。对应IOU阈值分别为0.5、0.6与0.7，克服了过拟合的问题。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明具有极大的通用性，经训练后可用于现有智能控制系统；
(2)本发明避免了单一特征无法识别颜色相近或高度相近的目标这一弊端；
(3)本发明采用改进后的Cascade R-CNN算法，可以融合高度信息和色彩信息特征，且运算速度快、检测准确率高，能够满足在线检测要求；
(4)本发明可有效分拣各种金属、不同等级木材、矿物、硬质塑料和纸板电缆等。分拣效率快，无需人工操作，省时省力，预期一套机器(两只机械臂)可代替四十多的人工量；垃圾识别准确率能达到90％以上，垃圾分离度明显增大，且识别垃圾类别多。
附图说明
图1为本发明基于目标高度信息和色彩信息的固废在线识别方法的结构示意图；
图2为本发明基于目标高度信息和色彩信息的固废在线识别方法的流程图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图所示，一方面，本发明一种基于目标高度信息和色彩信息的固废在线识别系统，包括：物料传送模块、高度信息采集模块、色彩信息采集模块、脉冲控制模块、数据传输模块和数据处理模块；所述高度信息采集模块设置在所述物料传送模块上方以采集所述物料传送模块传送的建筑垃圾的高度信息；所述色彩信息采集模块设置在所述物料传送模块上方以采集所述物料传送模块传送的建筑垃圾的色彩信息；所述脉冲控制模块与所述高度信息采集模块和色彩信息采集模块分别相连接以控制所述高度信息采集模块和色彩信息采集模块同时采集所述建筑垃圾的信息；所述高度信息采集模块和色彩信息采集模块分别与所述数据传输模块以将采集的高度信息和色彩信息发送至所述数据处理模块；所述数据处理模块对高度信息和色彩信息进行预处理后，通过改进的卷积神经网络对高度信息和色彩信息进行特征融合并分类，输出建筑垃圾的分类结果。
本实施例中，所述高度采集模块采用线激光轮廓扫描仪实现；所述色彩信息采集模块采用彩色线阵相机实现；所述物料传送模块为传送带。
所述卷积神经网络采用Cascade R-CNN卷积神经网络，属于多阶段目标检测模型；改进的卷积神经网络修剪到只有1层卷积层，属于稀疏特征无监督学习算法，以稀疏表示为基础，同时对提取的特征进行总体稀疏和生命周期稀疏。
通过改进的卷积神经网络对高度信息和色彩信息进行特征融合，具体使用加权融合，加权融合公式如下：
Figure GDA0003977539950000031
Figure GDA0003977539950000032
Figure GDA0003977539950000033
其中，其中PC和PH分别表示颜色特征和高度特征的观测密度，
Figure GDA0003977539950000034
表示颜色特征的更新权值，
Figure GDA0003977539950000035
分别表示第k-1和第k个像素点的颜色特征权值；
Figure GDA0003977539950000036
表示高度特征的更新权值，
Figure GDA0003977539950000037
分别表示第k-1和第k个像素点的高度特征权值；Wi表示最终的权值；a和b分别代表两种特征的有效权值的数目，a趋近于0的时候，只有高度特征起作用，当b趋近于0的时候，只有颜色特征起作用；N表示图像像素点的个数；i表示像素点。
改进的卷积神经网络采用3个IOU阈值递增的检测器，上一阶段的输出用来训练下一个阶段。对应IOU阈值分别为0.5、0.6与0.7，克服了过拟合的问题。
脉冲控制模块控制高度信息采集模块和色彩信息采集模块同时采集物料传送模块上的建筑垃圾信息；其中高度信息采集模块采集建筑垃圾的高度信息；色彩信息采集模块采集建筑垃圾的色彩信息；
数据传输模块采用协议的方式进行数据传输，支持基于任务队列的传输和断点续传，把采集到的高度信息和色彩信息发送给数据处理模块；
所述数据处理模块对所述高度信息和色彩信息进行主成分分析，在提取数据的主要特征的同时极大地缩减了数据地维度，然后再传递给改进的卷积神经网络进行处理；
改进的卷积神经网络对高度信息和色彩信息进行特征融合并分类，输出建筑垃圾的分类结果。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (2)

1.一种基于目标高度信息和色彩信息的固废在线识别方法，其特征在于，包括：物料传送模块、高度信息采集模块、色彩信息采集模块、脉冲控制模块、数据传输模块和数据处理模块；所述高度信息采集模块设置在所述物料传送模块上方以采集所述物料传送模块传送的建筑垃圾的高度信息；所述色彩信息采集模块设置在所述物料传送模块上方以采集所述物料传送模块传送的建筑垃圾的色彩信息；所述脉冲控制模块与所述高度信息采集模块和色彩信息采集模块分别相连接以控制所述高度信息采集模块和色彩信息采集模块同时采集所述建筑垃圾的信息；所述高度信息采集模块和色彩信息采集模块分别与所述数据传输模块将采集的高度信息和色彩信息发送至所述数据处理模块；所述数据处理模块对高度信息和色彩信息进行预处理后，通过改进的卷积神经网络对高度信息和色彩信息进行特征融合并分类，输出固废的分类结果；
所述卷积神经网络采用Cascade R-CNN卷积神经网络，属于多阶段目标检测模型；改进的卷积神经网络修剪到只有1层卷积层，属于稀疏特征无监督学习算法，以稀疏表示为基础，同时对提取的特征进行总体稀疏和生命周期稀疏；
通过改进的卷积神经网络对高度信息和色彩信息进行特征加权融合，加权融合公式如下：
Figure FDA0003977539940000011
Figure FDA0003977539940000012
Figure FDA0003977539940000013
其中，其中PC和PH分别表示颜色特征和高度特征的观测密度，
Figure FDA0003977539940000014
表示颜色特征的更新权值，
Figure FDA0003977539940000015
分别表示第k-1和第k个像素点的颜色特征权值；
Figure FDA0003977539940000016
表示高度特征的更新权值，
Figure FDA0003977539940000017
分别表示第k-1和第k个像素点的高度特征权值；Wi表示最终的权值；a和b分别代表两种特征的有效权值的数目，a趋近于0的时候，只有高度特征起作用，当b趋近于0的时候，只有颜色特征起作用；N表示图像像素点的个数；i表示像素点。
2.根据权利要求1所述的基于目标高度信息和色彩信息的固废在线识别方法，其特征在于，改进的卷积神经网络采用3个IOU阈值递增的检测器，上一阶段的输出用来训练下一个阶段；对应IOU阈值分别为0.5、0.6与0.7，克服了过拟合的问题。
CN201911157744.3A 2019-11-22 2019-11-22 基于目标高度信息和色彩信息的固废在线识别方法 Active CN111079548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911157744.3A CN111079548B (zh) 2019-11-22 2019-11-22 基于目标高度信息和色彩信息的固废在线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911157744.3A CN111079548B (zh) 2019-11-22 2019-11-22 基于目标高度信息和色彩信息的固废在线识别方法

Publications (2)

Publication Number Publication Date
CN111079548A CN111079548A (zh) 2020-04-28
CN111079548B true CN111079548B (zh) 2023-04-07

Family

ID=70311348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911157744.3A Active CN111079548B (zh) 2019-11-22 2019-11-22 基于目标高度信息和色彩信息的固废在线识别方法

Country Status (1)

Country Link
CN (1) CN111079548B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515873A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种垃圾信息识别方法及设备
WO2019000929A1 (zh) * 2017-06-30 2019-01-03 京东方科技集团股份有限公司 垃圾分类回收方法、垃圾分类设备以及垃圾分类回收系统
CN110116415A (zh) * 2019-06-12 2019-08-13 中北大学 一种基于深度学习的瓶罐类垃圾识别分类机器人

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515873A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种垃圾信息识别方法及设备
WO2019000929A1 (zh) * 2017-06-30 2019-01-03 京东方科技集团股份有限公司 垃圾分类回收方法、垃圾分类设备以及垃圾分类回收系统
CN110116415A (zh) * 2019-06-12 2019-08-13 中北大学 一种基于深度学习的瓶罐类垃圾识别分类机器人

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
建筑垃圾的颜色特征提取与分类研究;黄惠玲等;《光学与光电技术》(第01期);全文 *

Also Published As

Publication number Publication date
CN111079548A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN205289011U (zh) 一种基于机器视觉的建筑垃圾分拣装置
CN106238342B (zh) 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法
CN206139527U (zh) 全景视觉马铃薯分选和缺陷检测装置
CN110261394A (zh) 在线风机叶片损伤实时诊断系统和方法
CN205253589U (zh) 一种全自动废旧塑料瓶分拣装置
WO2023280299A1 (zh) 一种基于阈值的动态调整进行智能分选的方法及系统
CN104148301A (zh) 基于云计算和图像识别的废旧塑料瓶分拣装置及方法
CN107358194A (zh) 一种基于计算机视觉的暴力分拣快递判断方法
CN112893159B (zh) 一种基于图像识别的煤矸石分拣方法
CN111215342A (zh) 工业垃圾分类分拣系统
CN205270171U (zh) 块煤与块矸石视频识别分选系统
CN110040396A (zh) 基于大数据、机器学习的智能垃圾桶自主决策系统与方法
CN102012977A (zh) 一种基于概率神经网络集成的信号肽预测方法
CN115532649A (zh) 一种煤矸智能分选系统
CN108875725A (zh) 一种基于视觉识别的邮件自动分拣装置及方法
CN111940339B (zh) 一种基于人工智能的红枣分拣系统
CN201997485U (zh) 一种垃圾自动分选装置
CN112591333A (zh) 基于人工智能的自动垃圾分类装置及方法
AU2022308860A1 (en) Method and system for performing ore pre-dressing on basis of hierarchical array-type intelligent dressing
CN111079548B (zh) 基于目标高度信息和色彩信息的固废在线识别方法
CN101758030B (zh) 链片自动分选排列机
CN206139529U (zh) 透明滚轴机构
CN113255550A (zh) 一种基于视频的行人垃圾扔投次数统计方法
CN108554830A (zh) 一种基于多光谱光电识别技术的废旧玻璃再生系统及方法
CN106944362A (zh) 一种基于视频图像识别的智能分类提示方法、装置及系统

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