CN113289925A - 一种基于深度学习的煤中杂物智能分拣系统及其分拣方法 - Google Patents

一种基于深度学习的煤中杂物智能分拣系统及其分拣方法 Download PDF

Info

Publication number
CN113289925A
CN113289925A CN202110558050.1A CN202110558050A CN113289925A CN 113289925 A CN113289925 A CN 113289925A CN 202110558050 A CN202110558050 A CN 202110558050A CN 113289925 A CN113289925 A CN 113289925A
Authority
CN
China
Prior art keywords
sundries
coal
intelligent
information
deep learning
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.)
Pending
Application number
CN202110558050.1A
Other languages
English (en)
Inventor
王卫东
张康辉
吕子奇
孙美洁
涂亚楠
徐志强
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110558050.1A priority Critical patent/CN113289925A/zh
Publication of CN113289925A publication Critical patent/CN113289925A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Manipulator (AREA)

Abstract

本发明公开了一种基于深度学习的煤中杂物智能分拣系统及其分拣方法，对图像采集系统获得的原煤图像进行人工和半监督学习方式标注，构建基于深度学习的语义分割模型完成杂物的定位与识别，并确定杂物的位置和姿态，然后将杂物的类别、位置、姿态和时间信息发送至杂物智能分拣控制系统，系统接收信号确定机械手的控制策略，完成煤中杂物的高效分拣。本发明相比其他杂物分拣方法，有效率高，安全系数高的优点。

Description

一种基于深度学习的煤中杂物智能分拣系统及其分拣方法
技术领域
本发明涉及矿物加工和机器视觉交叉领域，尤其是一种基于深度学习的煤中杂物智能分拣系统及其分拣方法。
技术背景
原煤开采过程中含有各类铁器、锚杆、锚索、网片、破损胶带、电缆头、木材等生产废旧物资。此外，井下作业产生的生活垃圾(如塑料瓶、塑料袋等)也会混入到提升原煤中。如果不加以控制而使杂物进入最终商品煤，不仅会造成破碎机损坏、胶带输送机撕裂等生产运输系统的机电事故，而且商品煤用户在使用过程中可能会因某种杂物而导致设备受损、锅炉爆炸等安全生产事故，带来严重的经济损失，甚至造成人员伤亡。
为减少商品煤中杂物数量，洗煤厂一直采用员工手选挑拣除杂(在块煤手选皮带上)的方式，但人工方式捡杂存在杂物挑拣率低、员工劳动强度大、安全系数低等问题，使得原煤中的杂物不仅对煤炭洗选加工过程和使用带来危害，甚至会造成经济损失和人员伤亡。现有的人工拣选方式既不安全，也不符合煤炭行业智能化建设的目标。因此，将深度学习方法引入煤中杂物的检测与分拣，能够进一步向行业“提质增效”的目标迈进，然而目前仍未见该方法在矿物加工中原煤除杂技术领域的应用。
原煤中杂物的存在会对煤炭的洗选加工过程和使用带来危害，甚至会造成经济损失和人员伤亡。现有的人工拣选方式既不安全，也不符合智能化建设的目标。为进一步提升选煤厂智能化水平，实现集团“提质增效”的目标，采用一种基于深度学习的煤中杂物智能分拣系统及方法。然而目前仍未见该方法在矿物加工技术领域中应用。
发明内容
本发明的目的是提供一种基于深度学习的煤中杂物智能分拣系统及方法，利用该方法与分拣系统可完成传送带上煤中杂物的在线准确检测与分拣。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习的煤中杂物智能分拣系统，杂物图像智能检测模型，训练完成以后部署至嵌入式设备中，实现煤中杂物在线识别的分布式部署，根据杂物的类别、位置、姿态和时间信息确定高效的杂物抓取策略，统筹多只机械手高速、协同工作。
依托配套的设备进行煤中杂物的智能检测与分拣；所述的配套设备，包含皮带输送机、溜槽、布料系统、图像识别单元、控制系统和执行机构。
所述的图像识别单元，包括高清工业相机和辅助光源和AI嵌入式平台，用于获取杂物的类别、位置、姿态和时间信息。
所述的执行机构，包含X向电缸、Y向电缸、Z向电缸、旋转缸和气动夹爪，结合杂物的位置和姿态信息完成X向运动、Y向运动、Z向运动和旋转运动，根据时间信息完成合爪动作。
进一步地，所述的杂物智能检测模型，包括但不限于Unet、SegNet、PSPnet等编码器-解码器结构的语义分割网络，通过语义分割网络获取杂物的类别轮廓，然后利用图像处理技术提取杂物轮廓连通区域的骨架信息，得到杂物的姿态信息。
所述的杂物骨架信息，再此基础上得到骨架的质心位置，得到杂物的位置信息和到达机械手位置的时间信息，用于执行机构的抓取。
煤中杂物智能检测模型，可在训练完成之后部署到嵌入式设备中，将得到的杂物的类别、位置、姿态、时间信息通过RS485通讯传送至控制系统；
本发明通过高清工业相机在运动的传送带上方采集煤中杂物图像通过千兆以太网传输至服务器，采用人工和半监督方式进行标注，勾勒杂物的完整轮廓，用于杂物智能检测模型的训练。
本发明的分拣方法为：采用高清工业相机采集皮带输送机上的煤中杂物图像，利用人工和半监督学习方式进行数据标注，并基于深度学习的方法构建杂物图像智能检测模型，完成杂物的精准定位与识别；利用图像处理方法对模型分割结果进行连通区域的骨架提取从而确定杂物姿态，然后获取骨架质心确定抓取点和时间信息，传递给杂物分拣控制系统。
进一步地，按如下步骤进行实时在线检测：
步骤S1：皮带运输机启动后打开相机获取运动过程中的杂物图像，由千兆以太网传输至图像识别单元；
步骤S2：图像识别单元对皮带上物料数量进行统计，如果物料数量过多则跳回步骤S1；
步骤S3：图像是被单元对杂物检测，如果未检测到杂物，则跳回步骤S1；如果检测到杂物，获取杂物的类别、位置、姿态和时间信息，由RS485通讯传送至控制系统；
步骤S4：控制系统根据杂物类别信息指定执行机构中专用机械手工作，将信号由定位模块发送对应的执行机构驱动器中；
步骤S5：执行机构驱动器接收位置信号后，X向与Y向电缸两轴插补运行，然后悬垂在皮带上方，旋转缸根据姿态信息旋转相应角度，然后气缸等待时间信号进行合爪操作，Z向电缸跟随杂物运动，直至抓取完成，完成动作后由编码器返回响应信号，完成抓取动作后返回原点，等待下次抓取任务；
步骤S6：整套系统运行过程中统计杂物类别和数量信息。
可根据现场情况调节机械手的使用数量和类型。
本发明通过上述技术方案，具有以下优点：
1.本发明通过基于语义分割结果进行骨架提取从而获取位姿信息，为后续执行机构提供角度信息，通过骨架质心为后续执行机构提供抓取点位置信息和时间信息，保证执行机构在在存在强干扰的复杂环境中进行目标物的准确抓取。进一步提升智能化水平，实现“提质增效”的目标。
2.本发明中通过智能分拣控制系统根据图像识别单元提供的类别信息指定执行机构中专用机械手工作，并且根据动作频次均匀分配分拣任务，完成分拣动作的最优决策。
附图说明
为了更清楚地说明本发明实例的技术方案，下面将对实例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，对于本领域的普通技术人员来讲，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附图。
图1为本发明实例提供的煤中杂物在线检测方法流程示意图；
图2为本发明实例提供的煤中杂物检测系统配套设备示意图；
图3为本发明实例提供的煤中杂物在线检测方法测试流程示意图；
图4为本发明实例提供的煤中杂物检测系统执行结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和有点更加清楚，下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例也不应该理解成对本发明限制。
如图1所示，本发明的分拣方法为：采用高清工业相机采集皮带输送机上的煤中杂物图像，利用人工和半监督学习方式进行数据标注，并基于深度学习的方法构建杂物图像智能检测模型，完成杂物的精准定位与识别；利用图像处理方法对模型分割结果进行连通区域的骨架提取从而确定杂物姿态，然后获取骨架质心确定抓取点和时间信息，传递给杂物分拣控制系统。
如图3所示，本发明煤中杂物智能检测方法在线检测安装如下步骤进行：
步骤S1：启动相机启动皮带输送机，画面中出现煤矸和杂物时开始捕捉画面；
步骤S2：检测画面中的煤和矸石数量，为了保证执行机构的安全运行，如果数量大于100，则跳至S1捕捉下一幅画面，如果大于0小于100，则进入语义分割检测模型；
步骤S3：根据语义分割结果获得杂物的轮廓和类别信息，轮廓信息用于后续的骨架提取，类别信息用于控制系统分配专用机械手进行抓取；
步骤S4：根据杂物的轮廓信息进行骨架提取，获取杂物的姿态信息，用于控制执行机构中旋转部件的旋转角度；
步骤S5：根据骨架信息进行骨架的质心计算，从而获得抓取点，通过骨架质心计算距离机械手的距离获得抓取时间；
步骤S6：通过RS485通讯协议将获取到的类别、位置、姿态和时间信息传递给控制系统，控制系统确定杂物的抓取策略，并将信号发送给定位模块，由定位模块控制执行结构的驱动器完成动作；
步骤S7：执行机构驱动器接收位置信号后，横向与纵向电缸两轴插补运行，然后悬垂在皮带上方，旋转缸根据姿态信息旋转相应角度，然后气缸等待时间信号进行合爪操作，完成动作后由编码器返回响应信号，完成抓取动作后返回原点，等待下次抓取任务；
如图2所示，一种基于深度学习的煤中杂物智能分拣系统，杂物图像智能检测模型，训练完成以后部署至嵌入式设备中，实现煤中杂物在线识别的分布式部署，根据杂物的类别、位置、姿态和时间信息确定高效的杂物抓取策略，统筹多只机械手高速、协同工作。
依托配套的设备进行煤中杂物的智能检测与分拣；所述的配套设备，包含皮带输送机4、溜槽5、布料系统6、图像识别单元1、控制系统2和执行机构3。
所述的图像识别单1元，包括高清工业相机11和辅助光源和AI嵌入式平台，用于获取杂物的类别、位置、姿态和时间信息。
在一个优选实例中，皮带输送机4可以是长10m，宽1.5，带速0.5m/s；布料系统6主要保证物料不堆叠，尽可能地均匀地平铺在皮带输送机上；高清工业相机11必须是高分辨率且能捕捉运动物体的专用彩色工业相机，架设高度1.2米左右，视觉范围大于80×150，视觉范围内通过辅助光源照射，光照强度不低于1200lux且要尽可能地均匀；嵌入式AI平台必须具备较高算力。控制系统2主要由PLC、定位模块、通讯模块、数字量输入输出模块、模拟量输入输出模块，根据杂物类别信息指定特定的机械手完成抓取任务，并由动作频次完成任务的均匀分配。
如图4所示，在一个优选实例中，执行机构3主要包括纵向机械臂31、横向机械臂32、旋转缸33、气缸34、夹爪35，结合位置信息完成横向运动和旋转运动，悬垂在皮带输送机4上方，根据姿态信息旋转缸完成指定角度旋转，根据时间信息和抓取点完成下爪、合爪动作。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
说明书中所列举的实施例方案及技术参数，只是为了帮助读者理解本发明的原理以及阐述本发明所具有的优势，并不代表已经达到了最优化情况，本领域的技术人员可以通过对本发明的各项参数进行优化来得到更好的效果。本领域技术人员应当理解在本发明的基础上所作出的各种可能的等同替换和改变，均属于本发明申请保护的范围。

Claims (7)

1.一种基于深度学习的煤中杂物智能分拣系统，其特征在于，杂物图像智能检测模型，训练完成以后部署至嵌入式设备中，实现煤中杂物在线识别的分布式部署，根据杂物的类别、位置、姿态和时间信息确定高效的杂物抓取策略，统筹多只机械手高速、协同工作。
2.根据权利要求1所述的一种基于深度学习的煤中杂物智能分拣系统，其特征在于，依托配套的设备进行煤中杂物的智能检测与分拣；所述的配套设备，包含皮带输送机、溜槽、布料系统、图像识别单元、控制系统和执行机构。
3.根据权利要求2所述的一种基于深度学习的煤中杂物智能分拣系统，其特征在于，所述的图像识别单元，包括高清工业相机和辅助光源和AI嵌入式平台，用于获取杂物的类别、位置、姿态和时间信息。
4.根据权利要求2所述的一种基于深度学习的煤中杂物智能分拣系统，其特征在于，所述的执行机构，包含X向电缸、Y向电缸、Z向电缸、旋转缸和气动夹爪，结合杂物的位置和姿态信息完成X向运动、Y向运动、Z向运动和旋转运动，根据时间信息完成合爪动作。
5.一种基于深度学习的煤中杂物智能分拣方法，其特征在于，采用权利要求1到4任一项所述的一种基于深度学习的煤中杂物智能分拣系统，包括以下步骤：采用高清工业相机采集皮带输送机上的煤中杂物图像，利用人工和半监督学习方式进行数据标注，并基于深度学习的方法构建杂物图像智能检测模型，完成杂物的精准定位与识别；利用图像处理方法对模型分割结果进行连通区域的骨架提取从而确定杂物姿态，然后获取骨架质心确定抓取点和时间信息，传递给杂物分拣控制系统。
6.根据权利要求5所述的一种基于深度学习的煤中杂物智能分拣方法，其特征在于，所述的杂物图像智能检测模型，包括Unet、SegNet、PSPnet编码器-解码器网络结构。
7.根据权利要求5所述的一种基于深度学习的煤中杂物智能分拣方法，其特征在于，包括以下步骤：
步骤S1：皮带运输机启动后打开相机获取运动过程中的杂物图像，由千兆以太网传输至图像识别单元；
步骤S2：图像识别单元对皮带上物料数量进行统计，如果物料数量过多则跳回步骤S1；
步骤S3：图像是被单元对杂物检测，如果未检测到杂物，则跳回步骤S1；如果检测到杂物，获取杂物的类别、位置、姿态和时间信息，由RS485通讯传送至控制系统；
步骤S4：控制系统根据杂物类别信息指定执行机构中专用机械手工作，将信号由定位模块发送对应的执行机构驱动器中；
步骤S5：执行机构驱动器接收位置信号后，X向与Y向电缸两轴插补运行，然后悬垂在皮带上方，旋转缸根据姿态信息旋转相应角度，然后气缸等待时间信号进行合爪操作，Z向电缸跟随杂物运动，直至抓取完成，完成动作后由编码器返回响应信号，完成抓取动作后返回原点，等待下次抓取任务；
步骤S6：整套系统运行过程中统计杂物类别和数量信息。
CN202110558050.1A 2021-05-21 2021-05-21 一种基于深度学习的煤中杂物智能分拣系统及其分拣方法 Pending CN113289925A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110558050.1A CN113289925A (zh) 2021-05-21 2021-05-21 一种基于深度学习的煤中杂物智能分拣系统及其分拣方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110558050.1A CN113289925A (zh) 2021-05-21 2021-05-21 一种基于深度学习的煤中杂物智能分拣系统及其分拣方法

Publications (1)

Publication Number Publication Date
CN113289925A true CN113289925A (zh) 2021-08-24

Family

ID=77323669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110558050.1A Pending CN113289925A (zh) 2021-05-21 2021-05-21 一种基于深度学习的煤中杂物智能分拣系统及其分拣方法

Country Status (1)

Country Link
CN (1) CN113289925A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989251A (zh) * 2021-11-02 2022-01-28 河南中平自动化股份有限公司 一种矿用煤矸分选智能控制系统及方法
CN114101081A (zh) * 2021-11-11 2022-03-01 中煤科工集团南京设计研究院有限公司 一种煤炭在输送过程中杂物识别和分拣的装置和方法
CN114367470A (zh) * 2022-03-22 2022-04-19 南京南戈特机电科技有限公司 基于坐标机器人的自动分拣控制方法及系统
CN115816469A (zh) * 2023-02-21 2023-03-21 北京科技大学 一种基于机器视觉的云化plc控制物料分拣方法及系统
WO2023045037A1 (zh) * 2021-09-27 2023-03-30 深圳技术大学 自动化分拣系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU1839115C (ru) * 1988-08-23 1993-12-30 Донецкий Научно-Исследовательский Угольный Институт Способ настройки радиометрического сепаратора горной породы
CN110135468A (zh) * 2019-04-24 2019-08-16 中国矿业大学(北京) 一种煤矸石的识别方法
CN110948492A (zh) * 2019-12-23 2020-04-03 浙江大学 一种基于深度学习的三维抓取平台和抓取方法
CN111389763A (zh) * 2020-04-26 2020-07-10 山西科泰自动化科技有限公司 一种基于图像数据处理的煤矸石分选系统和方法
CN212370623U (zh) * 2020-08-06 2021-01-19 西安科技大学 用于二次矸石识别的气动机械手装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU1839115C (ru) * 1988-08-23 1993-12-30 Донецкий Научно-Исследовательский Угольный Институт Способ настройки радиометрического сепаратора горной породы
CN110135468A (zh) * 2019-04-24 2019-08-16 中国矿业大学(北京) 一种煤矸石的识别方法
CN110948492A (zh) * 2019-12-23 2020-04-03 浙江大学 一种基于深度学习的三维抓取平台和抓取方法
CN111389763A (zh) * 2020-04-26 2020-07-10 山西科泰自动化科技有限公司 一种基于图像数据处理的煤矸石分选系统和方法
CN212370623U (zh) * 2020-08-06 2021-01-19 西安科技大学 用于二次矸石识别的气动机械手装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王卫东等: ""基于机器视觉的煤中杂物智能分选系统研究"", 《选煤技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023045037A1 (zh) * 2021-09-27 2023-03-30 深圳技术大学 自动化分拣系统和方法
CN113989251A (zh) * 2021-11-02 2022-01-28 河南中平自动化股份有限公司 一种矿用煤矸分选智能控制系统及方法
CN114101081A (zh) * 2021-11-11 2022-03-01 中煤科工集团南京设计研究院有限公司 一种煤炭在输送过程中杂物识别和分拣的装置和方法
CN114101081B (zh) * 2021-11-11 2024-03-08 中煤科工集团南京设计研究院有限公司 一种煤炭在输送过程中杂物识别和分拣的装置和方法
CN114367470A (zh) * 2022-03-22 2022-04-19 南京南戈特机电科技有限公司 基于坐标机器人的自动分拣控制方法及系统
CN114367470B (zh) * 2022-03-22 2022-06-21 南京南戈特机电科技有限公司 基于坐标机器人的自动分拣控制方法及系统
CN115816469A (zh) * 2023-02-21 2023-03-21 北京科技大学 一种基于机器视觉的云化plc控制物料分拣方法及系统

Similar Documents

Publication Publication Date Title
CN113289925A (zh) 一种基于深度学习的煤中杂物智能分拣系统及其分拣方法
CN108229665A (zh) 一种以深度卷积神经网络为基础的零件分拣系统
CN110232736A (zh) 一种井下综采工作面三维场景快速构建方法
CN111389763A (zh) 一种基于图像数据处理的煤矸石分选系统和方法
CN107899814A (zh) 一种机器人喷涂系统及其控制方法
CN111015662B (zh) 一种动态抓取物体方法、系统、设备和动态抓取垃圾方法、系统、设备
CN111462154B (zh) 基于深度视觉传感器的目标定位方法、装置及自动抓取机器人
CN107392896A (zh) 一种基于深度学习的木材缺陷检测方法和系统
CN202924613U (zh) 集装箱起重机高效装卸作业自动控制系统
CN108182689A (zh) 应用于机器人搬运打磨领域的板状工件三维识别定位方法
CN110743818A (zh) 基于视觉及深度学习的垃圾分选系统、垃圾分选方法
CN111923053A (zh) 基于深度视觉的工业机器人物件抓取示教系统及方法
CN112845143A (zh) 一种生活垃圾分类智能分拣系统及方法
CN112926503B (zh) 一种基于矩形拟合的抓取数据集自动生成方法
CN109081026A (zh) 基于激光测距雷达定位引导的机器人拆垛系统及方法
CN106269564B (zh) 基于图像识别技术和机械手臂的矿石分选工艺和设备
CN208092786U (zh) 一种以深度卷积神经网络为基础的零件分拣系统
CN112916416A (zh) 一种建筑垃圾分拣系统
CN113643280A (zh) 一种基于计算机视觉的板材分拣系统及方法
CN106442553A (zh) 一种铜环柱面喷码检测识别装置及方法
CN102615053A (zh) 柔版机添加质检剔次装置
CN111300407A (zh) 矿用智能机器人识矸、抓矸方法
CN106379784A (zh) 一种矿井钢筋拉索视觉检测方法、系统
CN113996545A (zh) 一种基于计算机视觉的三七主根快速分选生产线
Han et al. Toward fully automated metal recycling using computer vision and non-prehensile manipulation

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210824