CN111318474A - 基于深度学习的多种类废旧饮料瓶识别及分拣装置 - Google Patents
基于深度学习的多种类废旧饮料瓶识别及分拣装置 Download PDFInfo
- Publication number
- CN111318474A CN111318474A CN202010177182.5A CN202010177182A CN111318474A CN 111318474 A CN111318474 A CN 111318474A CN 202010177182 A CN202010177182 A CN 202010177182A CN 111318474 A CN111318474 A CN 111318474A
- Authority
- CN
- China
- Prior art keywords
- unit
- characteristic image
- sorting
- striking
- training
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- 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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/0054—Sorting of waste or refuse
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sorting Of Articles (AREA)
Abstract
基于深度学习的多种类废旧饮料瓶识别及分拣装置,涉及废旧塑料瓶的识别及分拣技术领域。本发明是为了解决人工分拣工作量大、误差率高,现有分拣设备分拣速度慢、准确率低的问题。本发明所述的基于深度学习的多种类废旧饮料瓶识别及分拣装置,利用深度学习方法将采集的图片进行分割,并对分割后的图片进一步处理后得出物体的质心,将质心像素坐标传送给分拣装置后进行不同颜色的废旧饮料种类划分,该装置具备成本低、分拣结果准确、分拣速度快等优点,适合应用于废旧塑料瓶回收行业。
Description
技术领域
本发明属于自动化技术领域,尤其涉及废旧塑料瓶的识别及分拣技术。
背景技术
目前我国饮料瓶的消费量已经达到9.6万t/a,其中回收的废旧饮料瓶多数用于化纤再造、化纤纺织、PET打包带、饮料瓶、塑料膜等行业,废塑料瓶的再回收利用,不但可以减少环境污染,而且可以变废为宝。但目前只有很少部分被利用,其余的被随意丢弃,造成资源的浪费和环境污染。
传统废旧饮料瓶回收的过程中需要人工将不同种类的瓶子按颜色进行分类后再进行加工(便于加工成不同颜色的塑料制品),在分类的过程中存在人工工作量大、难于分拣、误差率高的问题,且在分拣过程中还需将废旧饮料瓶未拔掉商标纸(PVC)的残余去除等繁琐工艺,不利于对废旧塑料瓶进行大规模回收再利用。同时,每回收一吨废旧饮料瓶需人工费约400元人民币,大大降低了企业的利润空间。
虽然目前市场已有从外国引进的自动化分拣设备,但是这些设备比较昂贵,不适合我国大多数的中小型企业。并且现有的设备还存在以下的缺点:市面上现有的自动化分拣设备主要依赖视觉的图形处理,在复杂背景及多颜色的环境中,废旧饮料瓶分拣准确低、分拣速度慢,且分拣对象主要针对的不是废旧饮料瓶(废旧饮料瓶具备多形态及复杂环境的特点)。
发明内容
本发明是为了解决人工分拣工作量大、误差率高,现有分拣设备分拣速度慢、准确率低的问题,现提供基于深度学习的多种类废旧饮料瓶识别及分拣装置。
基于深度学习的多种类废旧可回收瓶识别及分拣装置,包括图像识别部分和分拣部分,图像识别部分包括:多个工业相机和上位机,分拣部分包括:多个出料传送带、进料传送带、多个击打装置和控制单元;
所述进料传送带包括相互连接的平面部分和斜坡部分,平面部分用于承载待分拣的可回收瓶、并传送至斜坡部分,斜坡部分上开有呈矩形阵列排布的多个击打孔,多个击打装置均位于斜坡部分的坡面下方、且分别与多个击打孔一一正对,多个出料传送带均层叠布置在斜坡部分的坡面上方、且分别与每一组的击打孔一一正对,多个工业相机分别与多个出料传送带一一对应,每组打击孔均包括N行打击孔,N为4或5,工业相机用于采集所对应出料传送带进料端正对的斜坡部分上可回收瓶的图片、并将采集到的图片发送至上位机;
上位机包括软件实现的训练单元、识别单元和质心计算单元,
所述训练单元:用于在进行训练时,分别对每张图片中不同颜色的可回收瓶进行标记,还用于根据标记后的图片和深度学习网络训练获得特征图像提取模型,所述特征图像提取模型能够输出目标边界清晰的可回收瓶特征图像和其对应的标记,
所述识别单元:用于在进行可回收瓶识别时,将图片输入至特征图像提取模型中,识别出图片中每个可回收瓶的特征图像和其对应的标记,
所述质心计算单元:用于计算每个可回收瓶特征图像的质心坐标,并将质心坐标和特征图像对应的标记发送至控制单元;
所述控制单元内部存储有每个击打装置的坐标和每个击打装置正对的出料传送带的标记,出料传送带根据可回收瓶的颜色分别进行标记,
所述控制单元内部还包括软件实现的坐标匹配单元、标记匹配单元和击打驱动单元,
所述坐标匹配单元:用于将特征图像的质心坐标与击打装置的坐标进行匹配,
所述标记匹配单元:用于当坐标匹配成功时,将特征图像的标记与击打装置对应的出料传送带的标记进行匹配,
所述击打驱动单元:用于当标记匹配成功时,驱动匹配的击打装置的击打部分从击打孔伸出、并将可回收瓶击打至对应的出料传送带上。
所述击打装置包括气动阀和击打杆,击打杆作为击打装置的击打部分,气动阀用于驱动击打杆从与其对应的击打孔中伸出。
上位机中还包括验证单元和测试单元,
所述训练单元中,将标记后的图片按照数量比3:1:1划分为训练集、验证集和测试集,利用训练集对特征图像提取模型进行训练;
所述验证单元:用于在获得特征图像提取模型后,将验证集中的图片输入至特征图像提取模型中并获得验证结果,
根据正确率得分判断验证结果是否合格,当合格时,能够开启识别单元,当不合格时,重新启动训练单元对特征图像提取模型进行训练;
所述测试单元:用于在验证单元判断特征图像提取模型合格时,将测试集中的图片输入至特征图像提取模型中并获得测试结果,
根据正确率得分判断测试结果是否合格,当合格时,能够开启识别单元,当不合格时,重新启动训练单元对特征图像提取模型进行训练。
上述深度学习网络为Deeplabv3+网络。
训练单元中根据标记后的图片和深度学习网络训练获得特征图像提取模型,具体包括编码模块和解码模块,
编码模块:采用Xception网络提取每张图片中不同颜色的可回收瓶的原始特征图像,然后利用ASPP模块对该特征图像进行编码,最后将编码后的特征图像进行1×1卷积运算后获得运算特征图像;
解码模块:将原始特征图像进行1×1卷积运算后、提取其低水平特征,获得第一特征图像,将运算特征图像进行4倍上采样后与第一特征进行融合,获得第二特征图像,将第二特征图像进行3×3卷积运算和4倍上采样,获得目标边界清晰的可回收瓶特征图像。
每个击打孔的坐标作为与其对应的击打装置的坐标。
本发明所述的基于深度学习的多种类废旧饮料瓶识别及分拣装置,利用深度学习方法将采集的图片进行分割,并对分割后的图片进一步处理后得出物体的质心,将质心像素坐标传送给分拣装置后进行不同颜色的废旧饮料种类划分,该装置具备成本低、分拣结果准确、分拣速度快等优点,适合应用于废旧塑料瓶回收行业。
同时,由于在斜坡上分布有多个击打孔,与传统的气吹式不同,本发明能直接实现多次分拣,分拣效率更高、分拣速度更快。提高了废旧可回收瓶的分拣效率、降低回收成本、提升不可再生能源的再利用性。
附图说明
图1为基于深度学习的多种类废旧可回收瓶识别及分拣装置的逻辑框图;
图2为Deeplabv3+网络结构示意图;
图3为分拣部分的结构示意图;
图4为击打装置的结构示意图。
具体实施方式
随着深度学习近些年的快速发展,图像处理技术也得到飞速的发展,图像在目标检测方面可以不再依赖原有的传统方法,可以应用深度学习技术完成对目标图像的识别及分割工作且检测效果更好。本实施方式具体为:
具体实施方式一:参照图1至4具体说明本实施方式,本实施方式所述的基于深度学习的多种类废旧可回收瓶识别及分拣装置,包括图像识别部分和分拣部分,图像识别部分包括:多个工业相机1和上位机9,分拣部分包括:多个出料传送带3、进料传送带4、多个击打装置5和控制单元8。
所述进料传送带4包括相互连接的平面部分和斜坡部分,平面部分用于承载待分拣的可回收瓶、并传送至斜坡部分,斜坡部分上开有呈矩形阵列排布的多个击打孔2,多个击打装置5均位于斜坡部分的坡面下方、且分别与多个击打孔2一一正对;多个出料传送带3均层叠布置在斜坡部分的坡面上方、且分别与每一组的击打孔2一一正对;多个工业相机1分别与多个出料传送带3一一对应;每组打击孔2均包括N行打击孔2,N为4或5。工业相机1用于采集所对应出料传送带3进料端正对的斜坡部分上可回收瓶的图片、并将采集到的图片发送至上位机9。
上位机9包括软件实现的训练单元、识别单元、质心计算单元、验证单元和测试单元;
所述训练单元:用于在进行训练时,分别对每张图片中不同颜色的可回收瓶进行标记,还用于根据标记后的图片和Deeplabv3+深度学习网络训练获得特征图像提取模型,所述特征图像提取模型能够输出目标边界清晰的可回收瓶特征图像和其对应的标记;
上述训练单元中根据标记后的图片和深度学习网络训练获得特征图像提取模型,具体包括编码模块和解码模块,
编码模块:采用Xception网络提取每张图片中不同颜色的可回收瓶的原始特征图像,然后利用ASPP(空洞空间金字塔池化)模块对该特征图像进行编码,最后将编码后的特征图像进行1×1卷积运算后获得运算特征图像;
解码模块:将原始特征图像进行1×1卷积运算后、提取其低水平特征,获得第一特征图像,将运算特征图像进行4倍上采样后与第一特征进行融合,获得第二特征图像,将第二特征图像进行3×3卷积运算和4倍上采样,获得目标边界清晰的可回收瓶特征图像。
所述识别单元:用于在进行可回收瓶识别时,将图片输入至特征图像提取模型中,识别出图片中每个可回收瓶的特征图像和其对应的标记。
所述质心计算单元:用于计算每个可回收瓶特征图像的质心坐标,并将质心坐标和特征图像对应的标记发送至控制单元8。
所述训练单元中,将标记后的图片按照数量比3:1:1划分为训练集、验证集和测试集,利用训练集对特征图像提取模型进行训练。
所述验证单元:用于在获得特征图像提取模型后,将验证集中的图片输入至特征图像提取模型中并获得验证结果。
根据正确率得分判断验证结果是否合格,当合格时,能够开启识别单元,当不合格时,重新启动训练单元对特征图像提取模型进行训练。
所述测试单元:用于在验证单元判断特征图像提取模型合格时,将测试集中的图片输入至特征图像提取模型中并获得测试结果。
根据正确率得分判断测试结果是否合格,当合格时,能够开启识别单元,当不合格时,重新启动训练单元对特征图像提取模型进行训练。
所述控制单元8内部存储有每个击打装置5的坐标和每个击打装置5正对的出料传送带3的标记,出料传送带3根据可回收瓶的颜色分别进行标记;
所述控制单元8内部还包括软件实现的坐标匹配单元、标记匹配单元和击打驱动单元;
所述坐标匹配单元:用于将特征图像的质心坐标与击打装置5的坐标进行匹配;
所述标记匹配单元:用于当坐标匹配成功时,将特征图像的标记与击打装置5对应的出料传送带3的标记进行匹配;
所述击打驱动单元:用于当标记匹配成功时,驱动匹配的击打装置5的击打部分从击打孔2伸出、并将可回收瓶击打至对应的出料传送带3上。
进一步的,所述击打装置5包括气动阀6和击打杆7,击打杆7作为击打装置5的击打部分,气动阀6用于驱动击打杆7从与其对应的击打孔2中伸出。
每个击打孔2的坐标作为与其对应的击打装置5的坐标。
本实施方式中,由工业相机对斜坡部分上表面的可回收瓶进行实时监控,并将采集的图片数据传送至上位机9对图片进行处理,然后将处理后的信息转换成控制命令传入控制单元,由控制器控制相应的气动阀动作,最后用击打杆把不同颜色的饮料瓶击打出去,实现分拣工作。
本发明中的分拣部分与目前已有装置不同,本发明采用滑坡结构,并且在滑坡板上分布多个孔洞,空洞后面隐藏气动装置,通过控制单元与图像输出的废旧可回收瓶质心进行控制算法的计算后,最终控制气动击打装置将废旧饮料瓶击打出并完成分类工作,能够实现多级、大面积的分拣,分拣的速度及分拣的效率更高。
如图3所示,将待分拣的废旧饮料瓶通过进料传送带进行传输;运行至斜坡时通过工业相机1进行图形信息采集;将采集的数据传送至上位机9,由上位机9进行视觉图像处理;然后将处理后的控制信息传送至控制单元8或微控制器;实现对气动阀6的控制;由气动阀控制可伸缩击打杆7;击打杆7经击打孔2实现对不同颜色饮料瓶的击打,将可回收瓶按要求击打入不同的出料传送带3,实现对饮料瓶的分类。
Claims (6)
1.基于深度学习的多种类废旧可回收瓶识别及分拣装置,其特征在于,包括图像识别部分和分拣部分,图像识别部分包括:多个工业相机(1)和上位机(9),分拣部分包括:多个出料传送带(3)、进料传送带(4)、多个击打装置(5)和控制单元(8);
所述进料传送带(4)包括相互连接的平面部分和斜坡部分,平面部分用于承载待分拣的可回收瓶、并传送至斜坡部分,斜坡部分上开有呈矩形阵列排布的多个击打孔(2),多个击打装置(5)均位于斜坡部分的坡面下方、且分别与多个击打孔(2)一一正对,多个出料传送带(3)均层叠布置在斜坡部分的坡面上方、且分别与每一组的击打孔(2)一一正对,多个工业相机(1)分别与多个出料传送带(3)一一对应,每组打击孔(2)均包括N行打击孔(2),N为4或5,工业相机(1)用于采集所对应出料传送带(3)进料端正对的斜坡部分上可回收瓶的图片、并将采集到的图片发送至上位机(9);
上位机(9)包括软件实现的训练单元、识别单元和质心计算单元,
所述训练单元:用于在进行训练时,分别对每张图片中不同颜色的可回收瓶进行标记,还用于根据标记后的图片和深度学习网络训练获得特征图像提取模型,所述特征图像提取模型能够输出目标边界清晰的可回收瓶特征图像和其对应的标记,
所述识别单元:用于在进行可回收瓶识别时,将图片输入至特征图像提取模型中,识别出图片中每个可回收瓶的特征图像和其对应的标记,
所述质心计算单元:用于计算每个可回收瓶特征图像的质心坐标,并将质心坐标和特征图像对应的标记发送至控制单元(8);
所述控制单元(8)内部存储有每个击打装置(5)的坐标和每个击打装置(5)正对的出料传送带(3)的标记,出料传送带(3)根据可回收瓶的颜色分别进行标记,
所述控制单元(8)内部还包括软件实现的坐标匹配单元、标记匹配单元和击打驱动单元,
所述坐标匹配单元:用于将特征图像的质心坐标与击打装置(5)的坐标进行匹配,
所述标记匹配单元:用于当坐标匹配成功时,将特征图像的标记与击打装置(5)对应的出料传送带(3)的标记进行匹配,
所述击打驱动单元:用于当标记匹配成功时,驱动匹配的击打装置(5)的击打部分从击打孔(2)伸出、并将可回收瓶击打至对应的出料传送带(3)上。
2.根据权利要求1所述的基于深度学习的多种类废旧可回收瓶识别及分拣装置,其特征在于,所述击打装置(5)包括气动阀(6)和击打杆(7),
击打杆(7)作为击打装置(5)的击打部分,
气动阀(6)用于驱动击打杆(7)从与其对应的击打孔(2)中伸出。
3.根据权利要求1所述的基于深度学习的多种类废旧可回收瓶识别及分拣装置,其特征在于,上位机(9)中还包括验证单元和测试单元,
所述训练单元中,将标记后的图片按照数量比3:1:1划分为训练集、验证集和测试集,利用训练集对特征图像提取模型进行训练;
所述验证单元:用于在获得特征图像提取模型后,将验证集中的图片输入至特征图像提取模型中并获得验证结果,
根据正确率得分判断验证结果是否合格,当合格时,能够开启识别单元,当不合格时,重新启动训练单元对特征图像提取模型进行训练;
所述测试单元:用于在验证单元判断特征图像提取模型合格时,将测试集中的图片输入至特征图像提取模型中并获得测试结果,
根据正确率得分判断测试结果是否合格,当合格时,能够开启识别单元,当不合格时,重新启动训练单元对特征图像提取模型进行训练。
4.根据权利要求1或3所述的基于深度学习的多种类废旧可回收瓶识别及分拣装置,其特征在于,深度学习网络为Deeplabv3+网络。
5.根据权利要求4所述的基于深度学习的多种类废旧可回收瓶识别及分拣装置,其特征在于,训练单元中根据标记后的图片和深度学习网络训练获得特征图像提取模型,具体包括编码模块和解码模块,
编码模块:采用Xception网络提取每张图片中不同颜色的可回收瓶的原始特征图像,然后利用ASPP模块对该特征图像进行编码,最后将编码后的特征图像进行1×1卷积运算后获得运算特征图像;
解码模块:将原始特征图像进行1×1卷积运算后、提取其低水平特征,获得第一特征图像,将运算特征图像进行4倍上采样后与第一特征进行融合,获得第二特征图像,将第二特征图像进行3×3卷积运算和4倍上采样,获得目标边界清晰的可回收瓶特征图像。
6.根据权利要求1或2所述的基于深度学习的多种类废旧可回收瓶识别及分拣装置,其特征在于,每个击打孔(2)的坐标作为与其对应的击打装置(5)的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177182.5A CN111318474B (zh) | 2020-03-13 | 2020-03-13 | 基于深度学习的多种类废旧饮料瓶识别及分拣装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177182.5A CN111318474B (zh) | 2020-03-13 | 2020-03-13 | 基于深度学习的多种类废旧饮料瓶识别及分拣装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111318474A true CN111318474A (zh) | 2020-06-23 |
CN111318474B CN111318474B (zh) | 2021-07-09 |
Family
ID=71165718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177182.5A Active CN111318474B (zh) | 2020-03-13 | 2020-03-13 | 基于深度学习的多种类废旧饮料瓶识别及分拣装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111318474B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113617695A (zh) * | 2021-08-13 | 2021-11-09 | 苏州鼎纳自动化技术有限公司 | 一种产品分料料盒及其检测分离方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1080348A1 (en) * | 1998-05-19 | 2001-03-07 | Active Silicon Limited | Method of detecting colours |
CN205289011U (zh) * | 2015-12-17 | 2016-06-08 | 赵凌宇 | 一种基于机器视觉的建筑垃圾分拣装置 |
CN106824816A (zh) * | 2016-12-20 | 2017-06-13 | 浙江工业大学 | 一种基于机器视觉的pe瓶检测与分拣方法 |
CN110090818A (zh) * | 2019-04-19 | 2019-08-06 | 浙江大学 | 一种智能色选装备高精细气流自适应控制方法 |
CN110773458A (zh) * | 2019-10-30 | 2020-02-11 | 中国计量大学 | 一种珍珠分拣装置 |
-
2020
- 2020-03-13 CN CN202010177182.5A patent/CN111318474B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1080348A1 (en) * | 1998-05-19 | 2001-03-07 | Active Silicon Limited | Method of detecting colours |
CN205289011U (zh) * | 2015-12-17 | 2016-06-08 | 赵凌宇 | 一种基于机器视觉的建筑垃圾分拣装置 |
CN106824816A (zh) * | 2016-12-20 | 2017-06-13 | 浙江工业大学 | 一种基于机器视觉的pe瓶检测与分拣方法 |
CN110090818A (zh) * | 2019-04-19 | 2019-08-06 | 浙江大学 | 一种智能色选装备高精细气流自适应控制方法 |
CN110773458A (zh) * | 2019-10-30 | 2020-02-11 | 中国计量大学 | 一种珍珠分拣装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113617695A (zh) * | 2021-08-13 | 2021-11-09 | 苏州鼎纳自动化技术有限公司 | 一种产品分料料盒及其检测分离方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111318474B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107617573B (zh) | 一种基于多任务深度学习的物流编码识别和分拣方法 | |
CN108171184B (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN101739570B (zh) | 棉花异性纤维在线分类方法和系统 | |
CN113877836B (zh) | 一种基于视觉检测系统的智能识别分拣系统 | |
CN101576956A (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN110991439B (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
CN110633738B (zh) | 一种用于工业零件图像的快速分类方法 | |
CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN111318474B (zh) | 基于深度学习的多种类废旧饮料瓶识别及分拣装置 | |
CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
CN114219993A (zh) | 一种基于cnn的建筑垃圾分类方法 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN111738367A (zh) | 一种基于图像识别的零件分类方法 | |
Guérin et al. | Unsupervised robotic sorting: Towards autonomous decision making robots | |
CN104598898B (zh) | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 | |
CN103646251A (zh) | 基于嵌入式的苹果采后田间分级检测方法及系统 | |
CN110508510A (zh) | 一种塑料泵缺陷检测方法、装置及系统 | |
CN210161172U (zh) | 一种基于深度学习的瓶罐类垃圾识别分类机器人 | |
CN112016675A (zh) | 用于钢板表面缺陷检测的cnn模型训练方法和装置 | |
CN116486228A (zh) | 一种基于改进yolov5模型的纸质药盒钢印字符识别方法 | |
CN116206148A (zh) | 一种装修废弃物智能检测识别分类方法 | |
CN107671002A (zh) | 基于视觉检测的服装分拣方法及其装置 | |
CN111723861A (zh) | 一种用于煤矿控制挡板的煤矸石百分比识别方法 | |
Latina et al. | Empty Glass Bottle Defect Detection Based on Deep Learning with CNN Using SSD MobileNetV2 Model |
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 |