CN113843180A - 一种基于深度学习方法的木皮颜色分拣系统及装置 - Google Patents

一种基于深度学习方法的木皮颜色分拣系统及装置 Download PDF

Info

Publication number
CN113843180A
CN113843180A CN202111087936.9A CN202111087936A CN113843180A CN 113843180 A CN113843180 A CN 113843180A CN 202111087936 A CN202111087936 A CN 202111087936A CN 113843180 A CN113843180 A CN 113843180A
Authority
CN
China
Prior art keywords
veneer
conveying device
detection device
visual detection
color
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
CN202111087936.9A
Other languages
English (en)
Inventor
王治国
崔学良
沈晓明
王超
徐禹尧
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.)
Power Dekor Group Co ltd
DALIAN HI-THINK COMPUTER TECHNOLOGY CORP
Original Assignee
Power Dekor Group Co ltd
DALIAN HI-THINK COMPUTER TECHNOLOGY CORP
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 Power Dekor Group Co ltd, DALIAN HI-THINK COMPUTER TECHNOLOGY CORP filed Critical Power Dekor Group Co ltd
Priority to CN202111087936.9A priority Critical patent/CN113843180A/zh
Publication of CN113843180A publication Critical patent/CN113843180A/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
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Abstract

本发明公开了一种基于深度学习方法的木皮颜色分拣系统及装置，包括第一传送装置、第一视觉检测装置、第一翻转机、第二传送装置、第二视觉检测装置、第二翻转机、第三传送装置，所述第二传送装置设置在第一传送装置与第三传送装置之间的后侧，且位于第一传送装置的下方，第三传送装置的上方，所述第一传送装置与第二传送装置之间设有第一翻转机。通过N毫米厚度木皮第二下料处下料，相较于人工分拣，其颜色类别更准确、一致，色号分拣质量高，能够准确的分拣出多种颜色相差不大的色号，同时能够避免人工分拣给分拣人员带来的视觉疲劳，并能够显著提高分拣效率，进一步的，能够应用在木皮种类不同、色号相差较小、木皮厚度不同的情况下，应用面广泛。

Description

一种基于深度学习方法的木皮颜色分拣系统及装置
技术领域
本发明涉及工业智能制造技术领域，特别涉及一种基于深度学习方法的木皮颜色分拣系统及装置。
背景技术
随着数字化时代的到来，越来越多的企业开始走向数字化转型之路，通过数字化转型来提升运营效率、改变运作方式以提升在未来的市场中的竞争力，传统木地板行业也跟随数字化浪潮进行智慧工厂的打造，在木地板行业，地板生产厂商会依据不同的订单来对木板的木皮按照颜色或纹理进行分拣，然后根据订单需求确定使用什么类型的木皮进行地板的生产。
目前对木皮进行合格品、不合格品的分拣，以及按照颜色分拣为不同的类别的工作主要是采用人工分拣的方法，在人工分拣模式下存在着许多不规范的地方，不同的人分拣标准是有一定差异性的，并且长时间身处同一个环境下依赖眼睛进行工作会造成视觉疲劳，导致木皮分拣结果不稳定，品质的持续性差，同时工厂的工作环境比较开放，自然光线对人眼造成的影响，同样会降低木皮分拣质量。
现阶段在木皮生产领域，大多数人在装修的时候会重点关注木板的颜色、花纹以及不同色号木板的搭配，所以木地板生产厂商单纯的对木皮划分不同的等级明显不能满足用户的需求，因此就需要在对木皮进行等级划分、不合格品过滤品后再进行色号的划分，从而满足不同用户的需求，木皮色号的划分一般会受到不同树种的影响，对于同一树种的木皮还会划分为不同的厚度、不同的级别，对于厚度不同、级别不同的木皮，相同色号也是有一定色差的，而且同一厚度、同一级别下的木皮会划分为若干色号，相邻色好的木皮之间颜色差异很小，因此对算法精度要求很高，而现有的颜色分拣方法大多是对成品地板的颜色分拣或者是对木皮做简单的颜色分类，并不适用于木皮种类繁多且相邻色号色差小的分类场景。
发明内容
一种基于深度学习的木皮颜色分拣装置，包括第一传送装置、第一视觉检测装置、第一翻转机、第二传送装置、第二视觉检测装置、第二翻转机、第三传送装置，所述第二传送装置设置在第一传送装置与第三传送装置之间的后侧，且位于第一传送装置的下方，第三传送装置的上方。所述第一传送装置与第二传送装置之间设有第一翻转机，所述第二传送装置与第三传送装置之间设有第二翻转装置，所述第一视觉检测装置设置在第一传送装置的中部，且所述第一传送装置穿过第一视觉检测装置，所述第二视觉检测装置设置在第二传送装置的中部，且所述第二传送装置穿过第二视觉检测装置，所述第一传送装置的右端设有M毫米厚度木皮下料处，所述第二传送装置的右端设有N毫米厚度木皮第一下料处，所述第三传送装置的右端设有N毫米厚度木皮第二下料处。
优选的，所述第一视觉检测装置包括外壳体、照相机、遮光板、补光灯，传感器、工控机、算法模块，所述照相机有两个且设置在外壳体内腔的顶面，所述遮光板设置在外壳体的前后侧，所述补光灯设置在外壳体内腔的左右两侧，所述传感器、工控机、算法模块均设置在外壳体内腔的下方，所述传感器通过信号传输线与照相机电连接，所述工控机通过网口与两台照相机电连接，所述第二视觉检测装置的结构与所述第一视觉检测装置的结构相同。
一种基于深度学习的木皮颜色分拣方法，包括以下步骤：
(1)采集待分类木皮图片并划分为训练集、验证集和测试集，利用所划分木皮图片的训练集和验证集训练木皮颜色分类模型，将所述待分类木皮图片测试集输入到所述木皮颜色分类模型中，得到木皮的颜色类别C。
(2)第一传送装置将分拣木皮输送至第一视觉检测装置内。
(3)第一视觉检测装置内的传感器会发出信号控制照相机采集待分拣木皮的图片数据，并将图片上传至工控机可存储位置保存。
(4)第一视觉检测装置内的算法模块加载图片信息并通过木皮颜色分类模型进行类别识别，获得颜色类别C1，算法模块对其赋分S1，并将识别结果作为分拣信号返回。
(5)当木皮厚度为M毫米时，木皮运输至M毫米厚度木皮下料处下料；当木皮厚度N毫米时，木皮经由第一翻转机输送至第二传送装置并反面朝上。
(6)木皮经第二传送装置进入第二视觉检测装置，第二视觉检测装置内的传感器会发出信号控制照相机采集待分拣木皮的图片数据，并将图片上传至工控机可存储位置保存。
(7)第二视觉检测装置内的算法模块加载图片信息并通过木皮颜色分类模型进行类别识别，获得颜色类别C2，算法模块对其赋分S2，并将识别结果作为分拣信号返回。
(8)对比木皮正面与反面的分值，当S1≥S2时，木皮通过第二传送装置右端的第二翻转机输送至第三传送装置并正面朝上，通过N毫米厚度木皮第二下料处下料；当S1≤S2时，木皮输送至第二传送装置的右端并反面朝上，木皮经由N毫米厚度木皮第一下料处下料。
本发明所达到的有益效果是：
1、通过第一传送装置将厚度为M毫米或N毫米的木皮输送入第一视觉检测装置内，并通过第一视觉检测装置对其进行颜色类别识别，当为M毫米厚度时，将其通过M毫米厚度木皮下料处下料，当为N毫米厚度时，该木皮通过第一翻转机翻转至反面向上后继续经过第二视觉检测装置对该木皮的另一面的颜色类别进行识别，并根据所需要的一面的颜色类别，选择下料处，当需要反面的颜色类别时，通过N毫米厚度木皮第一下料处下料，当需要正面的颜色类别时，通过N毫米厚度木皮第二下料处下料，相较于人工分拣，其颜色类别更准确、一致，色号分拣质量高，能够准确的分拣出多种颜色相差不大的色号，同时能够避免人工分拣给分拣人员带来的视觉疲劳，并能够显著提高分拣效率，进一步的，能够应用在木皮种类不同、色号相差较小、木皮厚度不同的情况下，应用面广泛。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明实施例木皮分拣装置的结构示意图；
图2是图1的俯视示意图；
图3是本发明实施例中视觉检测装置的结构示意图；
图4是图3的侧视示意图；
图5是图3的俯视示意图；
图6是木皮颜色模型的示意图。
图中：1、第一传送装置；2、第一视觉检测装置；201、外壳体；202、照相机；203、遮光板；204、补光灯；205、传感器；206、工控机；207、算法模块；3、M毫米厚度木皮下料处；4、第一翻转机；5、第二传送装置；6、第二视觉检测装置；7、N毫米厚度木皮第一下料处；8、第二翻转机；9、第三传送装置；10、N毫米厚度木皮第二下料处。
具体实施方式
以下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。
实施例
如图1-6所示，本发明提供了一种基于深度学习方法的木皮颜色分拣系统及装置，参照图1-5，分拣装置包括第一传送装置1、第一视觉检测装置2、第一翻转机4、第二传送装置5、第二视觉检测装置6、第二翻转机8、第三传送装置9，第二传送装置5设置在第一传送装置1和第三传送装置9之间，第一传送装置1穿过第一视觉检测装置2，第二传送装置5穿过第二视觉检测装置6，第一翻转机4设置在第一传送装置1和第二传送装置5之间，第二翻转机8设置在第二传送装置5和第三传送装置9之间，第一传送装置1的右端设有M毫米厚度木皮下料处3，第二传送装置5的右端设有N毫米厚度木皮第一下料处7，第三传送装置9的右端设有N毫米厚度木皮第二下料处10，第一视觉检测装置2包括外壳体201，外壳体201内腔顶面固定安装有两个照相机202，第一传送装置1位于外壳体201内腔的中部，外壳体201的前后侧面固定安装有位于第一传送装置1上方的遮光板203，外壳体201内腔的两侧固定安装有补光灯204，外壳体201的内腔中固定安装有位于第一传送装置下方的传感器205、工控机206、算法模块207，工控机206通过网口与两台照相机202电连接，传感器205通过信号传输线与照相机202电连接。
分拣方法包括以下步骤：
(1)采集待分类木皮图片并划分为训练集、验证集和测试集，利用所划分木皮图片的训练集和验证集训练木皮颜色分类模型，将所述待分类木皮图片测试集输入到所述木皮颜色分类模型中，得到木皮的颜色类别C。
(2)第一传送装置1将分拣木皮输送至第一视觉检测装置2内。
(3)第一视觉检测装置2内的传感器205会发出信号控制照相机采集待分拣木皮的图片数据，并将图片上传至工控机206可存储位置保存。
(4)第一视觉检测装置2内的算法模块207加载图片信息并通过木皮颜色分类模型进行类别识别，获得颜色类别C1，算法模块对其赋分S1，并将识别结果作为分拣信号返回。
(5)当木皮厚度为M毫米时，木皮运输至M毫米厚度木皮下料处下料3；当木皮厚度N毫米时，木皮经由第一翻转机4输送至第二传送装置5并反面朝上。
(6)木皮经第二传送装置5进入第二视觉检测装置6，第二视觉检测装置6内的传感器205会发出信号控制照相机202采集待分拣木皮的图片数据，并将图片上传至工控机206可存储位置保存。
(7)第二视觉检测装置内6的算法模块207加载图片信息并通过木皮颜色分类模型进行类别识别，获得颜色类别C2，算法模块对其赋分S2，并将识别结果作为分拣信号返回。
(8)对比木皮正面与反面的分值，当S1≥S2时，木皮通过第二传送装置5右端的第二翻转机8输送至第三传送装置9并正面朝上，通过N毫米厚度木皮第二下料处10下料；当S1≤S2时，木皮输送至第二传送装置5的右端并反面朝上，木皮经由N毫米厚度木皮第一下料处7下料。
参照图6，木皮分类模型整体是由三个大层次，N(N>5)个阶段构成的端到端算法，木皮图像I首先进入第一个层次进行浅层特征提取，然后进入第二个层次进行木皮特征融合，最后由第三个层次进行分类输出。
第一个层次视为阶段1，包含浅层特征提取模块用于木皮浅层特征提取以增强模型的泛化能力，由m(m≥1)个卷积层，激活函数层以及池化层构成。具体流程如下所示：
(1)首先图像I经过m个卷积层得到特征图IS：
IS＝Conv.(I)m
其中Conv.(*)m表示对*进行m次卷积操作。
(2)进一步地，(1)中得到的特征图IS经过激活函数层得到增加非线性映射的特征
Figure BDA0003266208600000071
Figure BDA0003266208600000072
其中ReLU.(*)表示对*进行激活操作，具体激活函数为修正线性单元。
(3)进一步地，(2)中得到的特征
Figure BDA0003266208600000073
经过池化层得到第一层次也就是阶段1的输出I′:
Figure BDA0003266208600000074
其中Maxpool(*)为对*进行池化操作，具体为最大池化。
第二个层次中整体包含若干特征融合模块，并划分为第2到第N-1阶段，分别使用K1到KN-2个上述模块进行多尺度木皮特征深层提取及融合。特征融合模块是由若干卷积层，池化层及两种激活函数构成的，基于注意力机制的残差学习模块。以第二个阶段的第一个特征融合模块为例具体流程如下：
(1)第一阶段的输出特征I′作为该特征融合模块的输入，首先经过卷积，分组卷积，卷积以及激活函数的结构进行特征提取，得到特征图IG：
IG＝ReLU.(Conv.(GConvg(Conv.(I′))))
其中Conv.(*)表示对*进行卷积操作；GConvg(*)表示对*进行以上标g作为组数的分组卷积操作。
(2)进一步的，由(1)中得到的特征图IG首先经过一条支路进行注意力权重ω学习，再将权重ω加权到IG中得到特征
Figure BDA0003266208600000081
ω＝Sig.(Conv.(ReLU.(Conv.(AdaApool.(IG)))))
Figure BDA0003266208600000082
其中Sig.(*)表示对*进行激活操作，具体激活函数为Sigmoid函数；AdaApool.(*)表示对*进行池化操作，具体池化类型为自适应平均池化。
(3)进一步的，由(2)中得到的特征
Figure BDA0003266208600000083
与该特征融合模块的输入I′进行融合得到该模块的输出I1：
Figure BDA0003266208600000084
(4)I1将作为下一个模块的输入重复上述(1)到(3)的操作。经过第二层次的所有阶段后，即得到阶段N-1的第KN-2个模块的输出I″，将作为第三个层次的输入。
第三个层次视为阶段N，主要功能是利用分类模块进行特征映射及分类结果的输出。由池化层，批量标准化层以及全连接层构成。具体流程如下：
(1)输入I″首先经过池化层进行维度变换得到IA：
IA＝AdaApool.(I″)。
(2)进一步的，(1)中得到的特征IA经过批量标准化操作防止模型过拟合，得到
Figure BDA0003266208600000091
Figure BDA0003266208600000092
其中BN.(*)表示对*进行批量标准化操作。
(3)进一步的，(2)中得到的特征
Figure BDA0003266208600000093
通过最后的全连接层进行各类预测得分矩阵C的输出。
Figure BDA0003266208600000094
其中FC.(*)表示将*作为全连接层的输入。
(4)对于训练阶段：
已知模型对于图像I的输出矩阵C以及作为监督信息的对应真实类矩阵Label，该模型使用Adam优化器及如下木皮分类损失函数Iclass指导模型训练：
Figure BDA0003266208600000095
其中，NB表示单位训练批次的样本总数；CN表示分类的总类别数。
(5)对于测试阶段：
已知模型对于图像I的输出矩阵C，使用Softmax函数计算图像I的预测类别值。
其中，对于M毫米厚度木皮，以将木皮颜色分为9个色号为例训练木皮颜色分类模型，训练过程包括以下步骤：
S1、当传送带将木皮运输到指定位置时，由安装在视觉检测装置底部的传感器发出信号控制照相机拍摄木皮图片，进而将其存储到工控机中保存。
S2、训练木皮颜色分类模型。准备大量已经完成色号分类的木皮图片，每种色号的木皮都准备多张图片，若木皮色号划分为9个类别，则每个类别准备200张图片，共计1800张图片，对准备的图片进行预处理，即进行图片拼接、裁剪等操作获取模型需要的图片形式。通过对图片进行预处理，提升木皮颜色分类模型的精度，将预处理后的1800张图片通过编程并按照7:3的比例随机生成训练集(1260张)和测试集(540张)。
S3、首先经过第一视觉检测装置2，采集木皮第一面图像并裁剪为480x480的图像I1，图像I1。
首先进入第一个层次进行浅层特征提取，然后进入第二个层次进行木皮特征融合，最后由第三个层次进行分类输出。
S3.1第一个层次视为阶段1，包含浅层特征提取模块用于木皮浅层特征提取以增强模型的泛化能力，由1个含有64个大小为7x7的卷积核，步长为2，补齐3个像素的卷积层，激活函数层以及池化层构成。
具体流程如下所示：
S3.1.1首先图像I经过卷积层得到特征图IS：
IS＝Conv.(I)
其中Conv.(*)表示对*进行1次卷积操作。
S3.1.2进一步地，S3.1.1中得到的特征图IS经过激活函数层得到增加非线性映射的特征
Figure BDA0003266208600000101
Figure BDA0003266208600000102
其中ReLU.(*)表示对*进行激活操作，具体激活函数为修正线性单元。
S3.1.3进一步地，S3.1.2中得到的特征
Figure BDA0003266208600000103
经过池化层得到第一层次也就是阶段1的输出I′:
Figure BDA0003266208600000104
其中Maxpool(*)为对*进行池化操作，具体为最大池化，滑动窗口大小为3x3，步长为2。
S3.2第二个层次中整体包含16个特征融合模块，并划分为第2到第5阶段，分别使用3，4，6，3个上述模块进行多尺度木皮特征深层提取及融合。每个特征融合模块是由5个卷积层，1个池化层及两种共3个激活函数构成的，基于注意力机制的残差学习模块。
以第二个阶段的第一个特征融合模块为例具体流程如下：
S3.2.1第一阶段的输出特征I′作为该特征融合模块的输入，首先经过卷积层a，分组卷积，卷积层b以及激活函数的结构进行特征提取，得到特征图IG：
IG＝ReLU.(Convb.(GConvg(Conva.(I′))))
其中Conv.(*)表示对*进行卷积操作，上标a，b分别表示卷积层a与卷积层b，其中卷积层a为128通道，卷积核大小为1x1，步长为1；卷积层b为256通道，卷积核大小为1x1，步长为1；GConvg(*)表示对*进行以上标g作为组数的分组卷积操作，这里g＝32，卷积核大小为3x3，步长为1，补齐一个像素。
S3.2.2进一步的，由S3.2.1中得到的特征图IG首先经过一条支路进行注意力权重ω学习，再将权重ω加权到IG中得到特征
Figure BDA0003266208600000111
ω＝Sig.(Convd.(ReLU.(Convc.(AdaApool.(IG)))))
Figure BDA0003266208600000112
其中Sig.(*)表示对*进行激活操作，具体激活函数为Sigmoid函数；AdaApool.(*)表示对*进行池化操作，具体池化类型为自适应平均池化；Conv.(*)表示对*进行卷积操作，上标c，d分别表示卷积层c与卷积层d，其中卷积层c为16通道，卷积核大小为1x1，步长为1；卷积层d为256通道，卷积核大小为1x1，步长为1。
S3.2.3进一步的，由S3.32.2中得到的特征
Figure BDA0003266208600000121
与该特征融合模块的输入I′进行融合得到该模块的输出I1：
Figure BDA0003266208600000122
S3.2.4I1将作为下一个模块的输入重复上述S3.2.1到S3.2.3的操作。第二个层次中共有4个阶段(阶段2到阶段5)，16个特征融合模块结构完全相同，但在不同阶段中，上述卷积层a，卷积层b，卷积层c，卷积层d以及分组卷积的通道数不尽相同以达到多尺度特征信息融合的目的。
具体参数如下：
(1)阶段2中，共3个特征融合模块：卷积a，b，c，d的通道数分别为128，256，16，256；分组卷积通道数为128。
(2)阶段3中，共4个特征融合模块：卷积a，b，c，d的通道数分别为256，512，32，512；分组卷积通道数为256。
(3)阶段4中，共6个特征融合模块：卷积a，b，c，d的通道数分别为512，1024，64，1024；分组卷积通道数为512。
(4)阶段5中，共3个特征融合模块：卷积a，b，c，d的通道数分别为1024，2048，128，2048；分组卷积通道数为1024。
第二个层次最后一个模块的输出I″，将作为第三个层次的输入。
S3.3第三个层次视为阶段N，主要功能是利用分类模块进行特征映射及分类结果的输出。由池化层，批量标准化层以及全连接层构成。具体流程如下：
S3.3.1输入I″首先经过池化层进行维度变换得到IA：
IA＝AdaApool.(I″)。
S3.3.2进一步的，S3.3.1中得到的特征IA经过批量标准化操作防止模型过拟合，得到
Figure BDA0003266208600000131
Figure BDA0003266208600000132
其中BN.(*)表示对*进行批量标准化操作，归一化后维度为2048。
S3.3.3进一步的，S3.3.2中得到的特征
Figure BDA0003266208600000133
通过最后的全连接层进行各类预测得分矩阵C的输出。
Figure BDA0003266208600000134
其中FC.(*)表示将*作为全连接层的输入，输出为8维即最终分类数为8。
S3.3.4对于训练阶段：
已知模型对于图像I的输出矩阵C以及作为监督信息的对应真实类矩阵Label，该模型使用如下木皮分类损失函数Iclass：
Figure BDA0003266208600000135
其中，NB表示单位训练批次的样本总数，这里NB＝16；CN表示分类的总类别数，这里CN＝9。整个训练过程采用Adam优化器迭代优化，并使用余弦退火策略进行热重启以保证结果的稳定性。Adam优化器初始学习率Ir＝0.001，指数衰减率为默认β1＝0.9以及β2＝0.999，ε＝10-8。热重启周期为10个训练周期，学习率变化周期为20个训练周期，且最小学习率etamin＝10-5。
S3.3.5对于测试阶段：
已知模型对于图像I的输出矩阵C，使用Softmax函数计算图像I的各类别得分S1，从而预测类别为C1(1号色)。
其中，对于N毫米厚度木皮，准备大量已经完成色号分类的木皮图片，每种色号的木皮都准备多张图片，若木皮色号划分为9个类别，则每个类别准备200张图片，共计1800张图片，对准备的图片进行预处理，即进行图片拼接、裁剪等操作获取模型需要的图片形式。通过对图片进行预处理，提升木皮颜色分类模型的精度，将预处理后的1800张图片通过编程并按照7:3的比例随机生成训练集(1260张)和测试集(540张)。
首先经过第一视觉检测装置2，采集木皮第一面图像并裁剪为480x480的图像I1。
然后通过对于M毫米厚度木皮的全部训练流程可得到图像I1的各类别得分S1，进而预测类别为C1(3号色)，而后经过第一翻转机4，背面经过第二视觉检测装置6，采集木皮第二面图像并裁剪为480x480的图像I2，同样通过实例1中所述全部流程可得到图像I2的各类别得分S2，而后预测类别为C2(4号色)。
综上所述，在对所需木皮进行分拣时，首先判断其厚度为M毫米或N毫米，当其厚度为M毫米时，首先将该木皮放置在第一传送装置1上，第一传送装置1带动其运动进入第一视觉检测装置2中，通过传感器205控制照相机202对木皮进行拍照，并通过木皮颜色分类模型进行类别识别，获得颜色类别C1，算法模块207对其赋分S1，并将识别结果作为分拣信号返回，然后在经过M毫米厚度木皮下料处下料，当木皮颜色分类模型识别该木皮的颜色类别不是所需要的，则继续运动至其他位置下料；当其厚度为N毫米时，首先将该木皮放置在第一传送装置1上，第一传送装置1带动其运动并进入第一视觉检测装置2中，通过传感器205控制照相机202对木皮进行拍照，并通过木皮颜色分类模型进行类别识别，获得颜色类别C1，算法模块207对其赋分S1，并将识别结果作为分拣信号返回，木皮经过第一翻转机4运动至第二传送装置5上，且反面向上，再运动至第二视觉检测装置6中，过传感器205控制照相机202对木皮进行拍照，并通过木皮颜色分类模型进行类别识别，获得颜色类别C2，算法模块207对其赋分S2，并将识别结果作为分拣信号返回，对比S1和S2，当S1≥S2时，木皮通过第二传送装置5右端的第二翻转机8输送至第三传送装置9并正面朝上，通过N毫米厚度木皮第二下料处10下料；当S1≤S2时，木皮输送至第二传送装置的右端并反面朝上，木皮经由N毫米厚度木皮第一下料处7下料。
需要说明的是，在本文中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种基于深度学习的木皮颜色分拣装置，包括第一传送装置、第一视觉检测装置、第一翻转机、第二传送装置、第二视觉检测装置、第二翻转机、第三传送装置，其特征在于，所述第二传送装置设置在第一传送装置与第三传送装置之间的后侧，且位于第一传送装置的下方，第三传送装置的上方，所述第一传送装置与第二传送装置之间设有第一翻转机，所述第二传送装置与第三传送装置之间设有第二翻转装置，所述第一视觉检测装置设置在第一传送装置的中部，且所述第一传送装置穿过第一视觉检测装置，所述第二视觉检测装置设置在第二传送装置的中部，且所述第二传送装置穿过第二视觉检测装置，所述第一传送装置的右端设有M毫米厚度木皮下料处，所述第二传送装置的右端设有N毫米厚度木皮第一下料处，所述第三传送装置的右端设有N毫米厚度木皮第二下料处。
2.根据权利要求1所述的一种基于深度学习的木皮颜色分拣装置，其特征在于，所述第一视觉检测装置包括外壳体、照相机、遮光板、补光灯，传感器、工控机、算法模块，所述照相机有两个且设置在外壳体内腔的顶面，所述遮光板设置在外壳体的前后侧，所述补光灯设置在外壳体内腔的左右两侧，所述传感器、工控机、算法模块均设置在外壳体内腔的下方，所述传感器通过信号传输线与照相机电连接，所述工控机通过网口与两台照相机电连接，所述第二视觉检测装置的结构与所述第一视觉检测装置的结构相同。
3.一种基于深度学习的木皮颜色分拣方法，其特征在于，包括以下步骤：
（1）采集待分类木皮图片并划分为训练集、验证集和测试集，利用所划分木皮图片的训练集和验证集训练木皮颜色分类模型，将所述待分类木皮图片测试集输入到所述木皮颜色分类模型中，得到木皮的颜色类别C；
（2）第一传送装置将分拣木皮输送至第一视觉检测装置内；
（3）第一视觉检测装置内的传感器会发出信号控制照相机采集待分拣木皮的图片数据，并将图片上传至工控机可存储位置保存；
（4）第一视觉检测装置内的算法模块加载图片信息并通过木皮颜色分类模型进行类别识别，获得颜色类别C1，算法模块对其赋分S1，并将识别结果作为分拣信号返回；
（5）当木皮厚度为M毫米时，木皮运输至M毫米厚度木皮下料处下料；当木皮厚度N毫米时，木皮经由第一翻转机输送至第二传送装置并反面朝上；
（6）木皮经第二传送装置进入第二视觉检测装置，第二视觉检测装置内的传感器会发出信号控制照相机采集待分拣木皮的图片数据，并将图片上传至工控机可存储位置保存；
（7）第二视觉检测装置内的算法模块加载图片信息并通过木皮颜色分类模型进行类别识别，获得颜色类别C2，算法模块对其赋分S2，并将识别结果作为分拣信号返回；
（8）对比木皮正面与反面的分值，当S1≥S2时，木皮通过第二传送装置右端的第二翻转机输送至第三传送装置并正面朝上，通过N毫米厚度木皮第二下料处下料；当S1≤S2时，木皮输送至第二传送装置的右端并反面朝上，木皮经由N毫米厚度木皮第一下料处下料。
CN202111087936.9A 2021-09-16 2021-09-16 一种基于深度学习方法的木皮颜色分拣系统及装置 Pending CN113843180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111087936.9A CN113843180A (zh) 2021-09-16 2021-09-16 一种基于深度学习方法的木皮颜色分拣系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111087936.9A CN113843180A (zh) 2021-09-16 2021-09-16 一种基于深度学习方法的木皮颜色分拣系统及装置

Publications (1)

Publication Number Publication Date
CN113843180A true CN113843180A (zh) 2021-12-28

Family

ID=78974272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111087936.9A Pending CN113843180A (zh) 2021-09-16 2021-09-16 一种基于深度学习方法的木皮颜色分拣系统及装置

Country Status (1)

Country Link
CN (1) CN113843180A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2584377A1 (en) * 2004-10-21 2006-04-27 Stuart G. Moore Method and system for detecting characteristics of lumber using end scanning
CN203803816U (zh) * 2014-01-13 2014-09-03 北京金虎电子技术开发有限责任公司 一种竹条颜色自动分拣装置
CN108465648A (zh) * 2018-04-23 2018-08-31 苏州香农智能科技有限公司 一种基于机器视觉的磁芯自动分拣系统
CN111558542A (zh) * 2020-06-24 2020-08-21 重庆视智迪科技有限公司 一种陶瓷瓦表面质量在线检测分拣系统及方法
CN112660830A (zh) * 2020-12-25 2021-04-16 浙江智昌机器人科技有限公司 一种木板分拣料仓、系统及方法
CN112871698A (zh) * 2020-12-25 2021-06-01 智昌科技集团股份有限公司 一种木工行业柔性智能分拣线及分拣方法
CN213792925U (zh) * 2020-12-08 2021-07-27 福建三明迈为科技有限公司 一种竹条选色机

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2584377A1 (en) * 2004-10-21 2006-04-27 Stuart G. Moore Method and system for detecting characteristics of lumber using end scanning
CN203803816U (zh) * 2014-01-13 2014-09-03 北京金虎电子技术开发有限责任公司 一种竹条颜色自动分拣装置
CN108465648A (zh) * 2018-04-23 2018-08-31 苏州香农智能科技有限公司 一种基于机器视觉的磁芯自动分拣系统
CN111558542A (zh) * 2020-06-24 2020-08-21 重庆视智迪科技有限公司 一种陶瓷瓦表面质量在线检测分拣系统及方法
CN213792925U (zh) * 2020-12-08 2021-07-27 福建三明迈为科技有限公司 一种竹条选色机
CN112660830A (zh) * 2020-12-25 2021-04-16 浙江智昌机器人科技有限公司 一种木板分拣料仓、系统及方法
CN112871698A (zh) * 2020-12-25 2021-06-01 智昌科技集团股份有限公司 一种木工行业柔性智能分拣线及分拣方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHINEMYANGEL, pages 225 - 227, Retrieved from the Internet <URL:https://blog.csdn.net/CP18281638639/article/details/117418615> *

Similar Documents

Publication Publication Date Title
CN110610475B (zh) 一种深度卷积神经网络的视觉缺陷检测方法
CN109583322B (zh) 一种人脸识别深度网络训练方法和系统
CN103593670B (zh) 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN109447977B (zh) 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法
CN107876429B (zh) 一种基于机器视觉的废有色金属自动分选系统
CN107486415A (zh) 基于机器视觉的篾片缺陷在线检测系统及检测方法
CN103927534A (zh) 一种基于卷积神经网络的喷码字符在线视觉检测方法
CN110245663A (zh) 一种用于钢卷信息识别的方法
CN108088235A (zh) 烘干机的控制方法及装置、烘干机、存储器、处理器
CN112132784A (zh) 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法
CN108009560B (zh) 商品图像相似类别判定方法及装置
TWI709188B (zh) 基於機率融合的分類器、分類方法及分類系統
CN105046202B (zh) 自适应的人脸识别光照处理方法
CN113887410A (zh) 一种基于深度学习的多类别食材识别系统及方法
CN116703911B (zh) 一种led灯生产质量检测系统
CN110569780A (zh) 一种基于深度迁移学习的高精度人脸识别方法
CN110348503A (zh) 一种基于卷积神经网络的苹果品质检测方法
CN105320970A (zh) 一种马铃薯病害诊断装置、诊断系统及诊断方法
CN114677671A (zh) 一种基于多光谱图像和深度学习的榨菜老筋自动识别方法
CN103646251B (zh) 基于嵌入式的苹果采后田间分级检测方法及系统
CN116660289A (zh) 一种智能检测的方法、装置及存储介质
CN208059993U (zh) 一种螃蟹多指标分级装置
CN110458027A (zh) 一种基于大理石花纹的生鲜肉分级方法、系统及装置
Sidehabi et al. The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine.
CN113843180A (zh) 一种基于深度学习方法的木皮颜色分拣系统及装置

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