CN113731836A - 一种基于深度学习的城市固体废弃物在线分选系统 - Google Patents
一种基于深度学习的城市固体废弃物在线分选系统 Download PDFInfo
- Publication number
- CN113731836A CN113731836A CN202110891690.4A CN202110891690A CN113731836A CN 113731836 A CN113731836 A CN 113731836A CN 202110891690 A CN202110891690 A CN 202110891690A CN 113731836 A CN113731836 A CN 113731836A
- Authority
- CN
- China
- Prior art keywords
- sorting
- solid waste
- mask
- image
- 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.)
- Granted
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 239000000463 material Substances 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000007664 blowing Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 241000252254 Catostomidae Species 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 229920001903 high density polyethylene Polymers 0.000 description 1
- 239000004700 high-density polyethylene Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- B07C5/02—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
- B07C5/34—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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
- B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/2624—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of whole input images, e.g. splitscreen
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/265—Mixing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，包括：输送带、图像采集系统、工控机、分选执行机构；所述输送带用于散布并输送城市固体废弃物物料，由进料口向图像采集系统及分选执行机构方向输送；所述图像采集系统位于输送带上方，于分选执行机构间隔一定距离；所述分选执行机构位于输送带末端；上述的基于深度学习的城市固体废弃物在线分选系统，相对于国内普遍使用的城市固体废弃物人工分选方法，本分选系统效率高、持续工作时间长、可显著改善工人工作环境，实现分选自动化。
Description
技术领域
本发明涉及机械设备自动分选城市固体废弃物的技术领域，特别是涉及基于人工智能的城市固体废弃物在线分选系统。
背景技术
随着社会经济快速发展和城镇化进程不断加速，国内很多大型城市面临着垃圾围城困境。城市固体废弃物，尤其是其中的低值可回收物，如各种颜色的餐盒、洗护瓶等，精细分类后可降级再生甚至同级再生，有很大的循环利用价值，而其回收难点在于分选技术。
传统的分选方式主要依靠物体的物理性质，如弹跳筛、滚筒筛，无法将垃圾按材料精确分类；目前的分选方式主要依靠人工分拣，有着效率低、工作时间短、工作环境恶劣的缺点，无法满足庞大的城市固体废弃物日产量。
CN103180717A、CN101970135A、CN105874321B等专利系统地展现了欧洲公司在近红外光谱分选方面的研究成果。近红外光谱可以很好的分辨物体的材料，但其很难识别套标物体，如表面覆盖PE膜的PET饮料瓶易被当成PE物料；且近红外光谱设备成本昂贵，卤素灯等近红外光源寿命短，光强度会随着使用时间衰减。
发明内容
本发明目的在于克服现有技术、方法的不足，提供一种城市固体废弃物识别准确率高、分选效率高、成本低廉的城市固体废弃物在线分选系统。
为实现上述目的，本发明解决其技术问题所采用的技术方案是：一种基于深度学习的城市固体废弃物在线分选系统，包括：输送带、图像采集系统、工控机、分选执行机构；
所述输送带用于散布并输送城市固体废弃物物料，由进料口向图像采集系统及分选执行机构方向输送；所述图像采集系统位于输送带上方，于分选执行机构间隔一定距离；所述分选执行机构位于输送带末端；
分选时包括如下步骤：
步骤1)图像采集系统每隔固定时间采集长度为w像素、宽为w/n像素的图像p；及对应的采集时的程序时间tp，并输入至工控机，存入原始图像总队列P；其中，参数n表示n张输入图拼成1张预测图；
步骤2)工控机待原始图像总队列P中的图像数大于n时，读取队列P最前n张原始图像p1～p1+n，拼成1张w×w像素的待预测图q，将待预测图q的时间tq设为最末1张原始图像p1的时间tp1，并将待预测图q与对应时间tq存入待预测图队列Q，并删除队列P中最前1张原始图像p1；
步骤3)将图像输入深度学习网络，利用事先训练好的模型进行预测，得到图像中的每个物体的种类、掩膜图质心坐标(xmask，ymask)和掩膜长宽hmask、wmask；所述掩膜图为大小为目标物体的最小外接正矩形的二值图，掩膜图中物体像素点为白色，非物体像素点为黑色；
步骤4)根据掩膜图质心坐标(xmask，ymask)、掩膜高宽hmask、wmask、待预测图q对应时间求得物体的气吹时间Tobject和执行分选参数，存入目标物体队列展丽婷；
步骤5)循环对比目标物体队列V中的每一个Tobject与程序总时间T，当二者差值小于设定值ΔT时，根据执行分选参数启用分选执行机构将物料分选。
在一较佳实施例中：所述高速输送带的运行速度为0.5m/s-3m/s。
在一较佳实施例中：所述图像采集系统包括光源和工业相机。
在一较佳实施例中：所述图像采集系统为彩色面阵CCD相机和投光灯。
在一较佳实施例中：所述图像采集系统为高速彩色线阵CCD相机、线性同轴光源和光源驱动器。
在一较佳实施例中：所述分选执行机构为末端装有吸盘的并联机器人，将物料投入输送带两侧料仓。
在一较佳实施例中：所述分选执行机构为一排受工控机控制的气阀组，控制物料落点的远近。
在一较佳实施例中：还包括图像采集系统的冷却装置，用于图像采集系统的降温。
在一较佳实施例中：所述分选执行机构置于输送带末端正上方或物料开始下落位置的下方。
在一较佳实施例中：所述深度学习网络为实例分割网络
相较于现有技术，本发明具备以下有益效果：
1.本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，相对于国内普遍使用的城市固体废弃物人工分选方法，本分选系统效率高、持续工作时间长、可显著改善工人工作环境，实现分选自动化；
2.本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，所采用的图像采集系统经济实用，相比近红外光谱设备成本大大降低，适合低价批量推广；
3.本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，高速输送带配合高速的分选执行机构，可实现比传统机械分选更高速的智能分选；
4.本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，本系统结构简单，元件较少，利于后期的使用操作及设备维护。
5.本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，图像结果预测、定位准确高效，可分辨材质检测中难以分辨的套标、混合类材料垃圾；
6.本发明提供了一种基于深度学习的城市固体废弃物在线分选系统，可以检测图像边缘物体的真正几何中心，保证执行机构相对物料的定位更精准。
附图说明
图1为本发明的一系统实施例，基于面阵相机采集的深度学习城市固体废弃物机械手在线分选系统示意图；
图2为本发明的一原理及系统实施例，基于线阵相机采集的深度学习城市固体废弃物气吹在线分选系统示意图；
图3、图4为基于深度学习的城市固体废弃物气吹在线分选系统及原理示意图，其中图4为保证图像边缘的物体能够被完整检测的原理；
图5为预测得到的掩膜图及气吹线示意图；
图6为气动系统相关参数示意图；
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做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。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是壁挂连接，也可以是可拆卸连接，或一体地连接，可以是机械连接，也可以是电连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参考图1-图6，一种基于深度学习的城市固体废弃物在线分选系统，其特征在于包括：输送带、图像采集系统、工控机、分选执行机构；
所述输送带用于散布并输送城市固体废弃物物料，由进料口向图像采集系统及分选执行机构方向输送；所述图像采集系统位于输送带上方，于分选执行机构间隔一定距离；所述分选执行机构位于输送带末端；
分选时包括如下步骤：
步骤1)图像采集系统每隔固定时间采集长度为w像素、宽为w/n像素的图像p；及对应的采集时的程序时间tp，并输入至工控机，存入原始图像总队列P；其中，参数n表示n张输入图拼成1张预测图；
步骤2)工控机待原始图像总队列P中的图像数大于n时，读取队列P最前n张原始图像p1～p1+n，拼成1张w×w像素的待预测图q，将待预测图q的时间tq设为最末1张原始图像p1的时间tp1，并将待预测图q与对应时间tq存入待预测图队列Q，并删除队列P中最前1张原始图像p1；
步骤3)将图像输入深度学习网络，利用事先训练好的模型进行预测，得到图像中的每个物体的种类、掩膜图质心坐标(xmask，ymask)和掩膜长宽hmask、wmask；所述掩膜图为大小为目标物体的最小外接正矩形的二值图，掩膜图中物体像素点为白色，非物体像素点为黑色；
步骤4)根据掩膜图质心坐标(xmaxk，ymask)、掩膜高宽hmask、wmask、待预测图q对应时间求得物体的气吹时间Tobject和执行分选参数，存入目标物体队列V；
步骤5)循环对比目标物体队列V中的每一个Tobject与程序总时间T，当二者差值小于设定值ΔT时，根据执行分选参数启用分选执行机构将物料分选。
在实施例1和实施例2中，带箭头的虚线表示光路，其他箭头表示城市固体废弃物物料3的移动方向。
在系统实施例1中，为将不同颜色的HDPE瓶分选至不同投料仓，本实施例采用的技术方案是：一种基于面阵相机采集的深度学习城市固体废弃物机械手在线分选系统，其特征在于包括高速输送带1、工控机2、彩色面阵CCD相机101、投光灯102、带吸盘的并联机器人103、投料仓104；
所述高速输送带1用于输送城市固体废弃物物料3至彩色面阵CCD相机101位于输送带正上方，靠近并联机器人103位置；所述投光灯102一共四个，分别位于面阵相机的四周；所述带吸盘的并联机器人103位于彩色面阵CCD相机101的下游；所述的投料仓104分布于输送带两侧，用于收纳并联机器人103丢出的物料。
所述彩色面阵CCD相机101和投光灯102共同构成图像采集系统。
所述工控机2需配置较高性能的图形处理器(GPU)，进行实时的图像在线预测。
优选的，所述高速输送带1速度为0.5m/s，有效宽度为800mm，带色为哑光暗色。
优选的，所述并联机器人103的吸盘为两个，分别距中心50mm，以保证稳定吸取较大质量物料。
优选的，所述并联机器人103与彩色面阵CCD相机101的中心距大于高速输送带1的有效宽度。
所述投光灯102应可将物料3所在的高速输送带1表面均匀照亮，且不产生严重镜面反射。因此，优选的，所述彩色面阵CCD相机101与四个投光灯102安装在一长方体检测箱中，投光灯向不光滑的白色检测箱壁照射，漫反射至高速输送带1表面，以保证光照条件。
在系统及原理实施例2中，为将PP餐盒与其他材料分开，本实施例采用的技术方案是：一种基于线阵相机采集的深度学习城市固体废弃物气吹在线分选系统，其特征在于包括高速输送带1、工控机2、高速彩色线阵CCD相机201、线性同轴光源202、气阀组203、隔料板204；
在实施例中，高速输送带将城市固体废弃物物料3输送通过位于输送带上的高速彩色线阵CCD相机201及线性同轴光源202的正下方，高速彩色线阵CCD相机201采集1200×600像素的原始图像p及对应的采集时的程序时间tp，并输入工控机2，存入原始图像总队列P；
当队列P中图像数大于n＝2时，读取队列P最前n＝2张图像p1p2，拼成一张1200×1200像素的待预测图q，并将q的时间tq设为最末1张原始图像p1的时间tp1，并将二者存入待预测图像队列Q，并删除队列P中最前1张原始图像p1；
将队列Q中图像输入事先训练好模型的深度学习Mask_RCNN网络中预测，得到图像中的每个物体的种类、掩膜图质心坐标(xmask，ymask)和掩膜高宽hmask、wmask，再根据掩膜图质心坐标(xmask，ymxsk)、掩膜高宽hmask、wmask、图像q对应时间tq、气阀距离yvalve、输送带速度Vbelt求得物体的气吹时间Tobject＝tq+(yvalve+ymask-w/2)/Vbelt和物体水平方向起始点xobj_min＝xmask-wmask/2、水平方向终止点xobj_max＝xmask+wmask/2，存入目标物体队列v；
步骤5)循环对比目标物体队列V中的每一个Tobject与程序总时间T，当二者差值小于设定值ΔT时，根据水平方向起始点xobj_min、水平方向终止点xobj_max开启高速输送带1落料处的下方的气阀组203的对应气阀，将要分选物料吹过隔料板204，实现分选；
所述线性同轴光源202与高速彩色线阵CCD相机201共同构成图像采集系统。
所述工控机2需配置高性能的图形处理器(GPU)，进行高速的实时图像在线预测。
所述图像采集系统的高速彩色线阵CCD相机201的扫描线与气阀组203出气孔的水平距离大于高速输送带1的有效宽度。
优选的，所述高速输送带1速度Vbelt为3.0m/s，有效宽度为w为1200mm，带色为哑光暗色。
优选的，所述线性同轴光源202需经亮度均匀性校准，所述高速彩色线阵CCD相机201必须在所述线性同轴光源202校正后进行平场校正，保证采集图像的亮度均匀性。
所述气阀组203为一排气阀和汇流板、导流板构成的整体(图中未画导流板)，由工控机2控制每个气阀的开闭；气阀组203贴近高速输送带1落料端。
以上所述，仅为本发明较佳的具体实施方式，但本发明的设计构思并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，利用此构思对本发明进行非实质性的改动，均属于侵犯本发明保护范围的行为。
Claims (10)
1.一种基于深度学习的城市固体废弃物在线分选系统，其特征在于包括：输送带、图像采集系统、工控机、分选执行机构；
所述输送带用于散布并输送城市固体废弃物物料，由进料口向图像采集系统及分选执行机构方向输送；所述图像采集系统位于输送带上方，于分选执行机构间隔一定距离；所述分选执行机构位于输送带末端；
分选时包括如下步骤：
步骤1)图像采集系统每隔固定时间采集长度为w像素、宽为w/n像素的图像p；及对应的采集时的程序时间tp，并输入至工控机，存入原始图像总队列P；其中，参数n表示n张输入图拼成1张预测图；
步骤2)工控机待原始图像总队列P中的图像数大于n时，读取队列P最前n张原始图像p1～p1+n，拼成1张w×w像素的待预测图q，将待预测图q的时间tq设为最末1张原始图像p1的时间tp1，并将待预测图q与对应时间tq存入待预测图队列Q，并删除队列P中最前1张原始图像p1；
步骤3)将图像输入深度学习网络，利用事先训练好的模型进行预测，得到图像中的每个物体的种类、掩膜图质心坐标(xmask，ymask)和掩膜长宽hmask、wmask；所述掩膜图为大小为目标物体的最小外接正矩形的二值图，掩膜图中物体像素点为白色，非物体像素点为黑色；
步骤4)根据掩膜图质心坐标(xmask，ymask)、掩膜高宽hmask、wmask、待预测图q对应时间求得物体的气吹时间Tobject和执行分选参数，存入目标物体队列v；
步骤5)循环对比目标物体队列v中的每一个Tobject与程序总时间T，当二者差值小于设定值ΔT时，根据执行分选参数启用分选执行机构将物料分选。
2.根据权利要求1所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述高速输送带的运行速度为0.5m/s-3m/s。
3.根据权利要求1所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述图像采集系统包括光源和工业相机。
4.根据权利要求3所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述图像采集系统为彩色面阵CCD相机和投光灯。
5.根据权利要求3所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述图像采集系统为高速彩色线阵CCD相机、线性同轴光源和光源驱动器。
6.根据权利要求1所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述分选执行机构为末端装有吸盘的并联机器人，将物料投入输送带两侧料仓。
7.根据权利要求1所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述分选执行机构为一排受工控机控制的气阀组，控制物料落点的远近。
8.根据权利要求1所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：还包括图像采集系统的冷却装置，用于图像采集系统的降温。
9.根据权利要求1所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述分选执行机构置于输送带末端正上方或物料开始下落位置的下方。
10.根据权利要求1所述的一种基于深度学习的城市固体废弃物在线分选系统，其特征在于：所述深度学习网络为实例分割网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110891690.4A CN113731836B (zh) | 2021-08-04 | 2021-08-04 | 一种基于深度学习的城市固体废弃物在线分选系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110891690.4A CN113731836B (zh) | 2021-08-04 | 2021-08-04 | 一种基于深度学习的城市固体废弃物在线分选系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113731836A true CN113731836A (zh) | 2021-12-03 |
| CN113731836B CN113731836B (zh) | 2023-05-26 |
Family
ID=78730073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110891690.4A Active CN113731836B (zh) | 2021-08-04 | 2021-08-04 | 一种基于深度学习的城市固体废弃物在线分选系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113731836B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0744341A (ja) * | 1993-07-29 | 1995-02-14 | Canon Inc | 医療用画像記録装置 |
| CN106423913A (zh) * | 2016-09-09 | 2017-02-22 | 华侨大学 | 一种建筑垃圾的分选方法和系统 |
| CN110648364A (zh) * | 2019-09-17 | 2020-01-03 | 华侨大学 | 一种多维度空间固废视觉检测定位及识别方法与系统 |
| CN111337496A (zh) * | 2020-04-13 | 2020-06-26 | 黑龙江北草堂中药材有限责任公司 | 一种中药材挑拣装置及挑拣方法 |
| CN111652214A (zh) * | 2020-05-26 | 2020-09-11 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的垃圾瓶分选方法 |
| CN112734916A (zh) * | 2021-01-25 | 2021-04-30 | 华侨大学 | 基于图像处理的彩色共聚焦并行测量三维形貌还原算法 |
| CN113096094A (zh) * | 2021-04-12 | 2021-07-09 | 成都市览图科技有限公司 | 三维物体表面缺陷检测方法 |
-
2021
- 2021-08-04 CN CN202110891690.4A patent/CN113731836B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0744341A (ja) * | 1993-07-29 | 1995-02-14 | Canon Inc | 医療用画像記録装置 |
| CN106423913A (zh) * | 2016-09-09 | 2017-02-22 | 华侨大学 | 一种建筑垃圾的分选方法和系统 |
| CN110648364A (zh) * | 2019-09-17 | 2020-01-03 | 华侨大学 | 一种多维度空间固废视觉检测定位及识别方法与系统 |
| CN111337496A (zh) * | 2020-04-13 | 2020-06-26 | 黑龙江北草堂中药材有限责任公司 | 一种中药材挑拣装置及挑拣方法 |
| CN111652214A (zh) * | 2020-05-26 | 2020-09-11 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的垃圾瓶分选方法 |
| CN112734916A (zh) * | 2021-01-25 | 2021-04-30 | 华侨大学 | 基于图像处理的彩色共聚焦并行测量三维形貌还原算法 |
| CN113096094A (zh) * | 2021-04-12 | 2021-07-09 | 成都市览图科技有限公司 | 三维物体表面缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 闫梦涛等: "基于机器视觉的PCBA元器件实时检测系统", 《无线电工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113731836B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11069053B2 (en) | Systems and methods for optical material characterization of waste materials using machine learning | |
| KR102222176B1 (ko) | 인공지능 기반의 재활용 분류 시스템 | |
| CN109249402B (zh) | 机器人、机器人自动回收垃圾方法、装置和存储介质 | |
| Seredkin et al. | Development of a method of detection and classification of waste objects on a conveyor for a robotic sorting system | |
| CN111015662A (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 | |
| WO2020001480A1 (zh) | 一种瓷砖按等级包装方法及系统 | |
| CN110202716A (zh) | 废品塑料瓶分拣系统及其分拣方法 | |
| CN111003380A (zh) | 一种智能回收垃圾的方法、系统、设备 | |
| EP3866988A1 (en) | Method and system for the sorting of materials from collected waste | |
| Zhang et al. | Vision-based robot sorting system | |
| CN111144480A (zh) | 一种可回收垃圾视觉分类方法、系统、设备 | |
| CN113731836A (zh) | 一种基于深度学习的城市固体废弃物在线分选系统 | |
| Moirogiorgou et al. | Intelligent robotic system for urban waste recycling | |
| Lin et al. | Development of intelligent Municipal Solid waste Sorter for recyclables | |
| Yang et al. | Research on an Automatic Sorting System Based on Machine Vision | |
| Sanathkumar et al. | Smart Waste Segregation | |
| Karthika et al. | Machine Learning Powered Smart Dumpster Monitoring and Clearance System | |
| CN210477480U (zh) | 废品塑料瓶分拣系统 | |
| CN113909143A (zh) | 一种可回收物分类智能派工系统及其派工方法 | |
| Jeon et al. | Development of real-time automatic sorting system for color PET recycling process | |
| KR20220080330A (ko) | 플라스틱 병뚜껑 색상 분류 시스템 및 방법 | |
| CN212830606U (zh) | 具有检测功能的自动分拣垃圾桶 | |
| CN116674091B (zh) | 一种混凝土搅拌站后料场骨料自动上料方法 | |
| Lazerko et al. | Robotic sorting for the main types of solid household waste | |
| CN217393041U (zh) | 一种智能视觉选茧装置 |
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 |