CN113963210A - 一种基于深度学习的废弃数据存储设备检测方法及分拣系统 - Google Patents

一种基于深度学习的废弃数据存储设备检测方法及分拣系统 Download PDF

Info

Publication number
CN113963210A
CN113963210A CN202111238334.9A CN202111238334A CN113963210A CN 113963210 A CN113963210 A CN 113963210A CN 202111238334 A CN202111238334 A CN 202111238334A CN 113963210 A CN113963210 A CN 113963210A
Authority
CN
China
Prior art keywords
data
image
target
data storage
storage equipment
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
CN202111238334.9A
Other languages
English (en)
Inventor
罗力
赵正敏
刘琪
王犇
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202111238334.9A priority Critical patent/CN113963210A/zh
Publication of CN113963210A publication Critical patent/CN113963210A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • B07C5/3412—Sorting according to other particular properties according to a code applied to the object which indicates a property of the object, e.g. quality class, contents or incorrect indication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • 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
    • G06N3/04—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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及工业流水线上自动识别检测废弃存数据储设备技术领域，本发明提供了一种检测废弃存数据储设备，如U盘、光盘、硬盘等的识别方法和装置，以及废弃数据存储设备分拣回收的系统。该方法包括：实时获取流水线上待检测识别废弃设备的视频流数据，将视频流数据逐帧拆分为图像数据，该图像数据包含存储设备上的二维码信息，通过对二维码裁剪识别处理可获取该存储设备的使用情况信息。将图像数据输入基于深度学习的YOLO目标检测识别模型中，进行废弃储存设备的识别检测分类，检测识别为对应储存设备类别后获取设备上二维码信息存储，并向下位机发送当前存储设备的类别、空间坐标信息控制delta并联机械臂抓取分拣至对应的回收区域。本发明可满足工业的废弃存储设备的回收检测分拣需求，利用深度学习的YOLO目标检测识别模型能使检测识别精度更高、检测速度更快，以解决人工分拣效率低、成本高的问题。

Description

一种基于深度学习的废弃数据存储设备检测方法及分拣系统
技术领域
本发明涉及工业化废弃数据存储设备检测领域，特别涉及一种基于深度学习的废弃数据设备检测方法及废弃数据存储设备分拣系统。
背景技术
在废弃的数据储存设备回收的过程中，需要依靠人工进行检测和分类，并记录设备的使用情况，人工的检测耗费巨大，不但增加了工业上的运作成本，而且人工检测及分拣的效率十分低下。随着工业的快速提高，因此，对生产成本的不断降低和效率不断提升也提出了更高更智能的方法需求。
发明内容
为此，本发明提供一种基于深度学习的废弃数据存储设备检测方法及其分拣系统，满足工业生产检测中的实际需求，利用深度学习网络技术实现更精确快速的识别检测出目标设备。
根据本发明提供的设计方案，一种基于深度学习YOLO的废弃数据存储设备检测识别方法，用于流水线上废弃数据存储设备的自动化分拣，包含的内容如下：
实时采集流水线上的废弃数据存储设备的视频数据，并将视频逐帧转为图像数据，改图像数据还包括废弃数据存储设备上的二维码的图像数据；
通过对二维码图像数据进行剪裁处理，并利用优化训练后的YOLO模型进行识别废弃数据储存设备的类别，利用特定位置图像分割识别算法进行对二维码识别，获取二维码信息保存；
根据训练集样本数据及预设的对应废弃数据存储设备样本区域的标准参考数据，确定流水线上的图像中的废弃数据储存类别以及位置区域；
确定为所属的废弃数据储存设备的类别时，将所述的数据储存设备分拣至对应的类别区域内，并输出显示识别的所属类别信息以及设备上二维码中记录的使用情况信息。
可选的，还包括：
获取多个训练样本，各训练样本包括已标注数据存储设备区域的图像、已标注不同类别的数据存储设备区域和/或干扰物区域的数据储存设备的图像；
作为本发明基于深度学习YOLO模型的废弃数据储存设备检测方法，可选的，在数据储存设备的流水线上分别设置用于获取废弃数据储存设备图像数据的视觉采集设备。
可选的，作为本发明基于深度学习YOLO模型的废弃数据储存设备检测方法，图像数据的裁剪处理中，首先对二维码图像数据进行灰度化和分割裁剪处理。
将所述训练样本中的数据存储设备图像输入到采用基于深度学习的YOLO网络模型，其中，用于检测定位网络包含：用于对数据进行卷积操作的多个卷积层，用于从样本数据中获取不同大小的目标物体参考先验框的上采样层以及下采样层、批量归一化BN层及激活层，以输出已标注的数据储存设备区域和/或干扰物区域为目标进行模型训练，调整所述网络模型的模型参数，得到所述目标检测模型。
可选的，作为本发明基于深度学习YOLO模型的废弃数据储存设备检测方法，YOLO检测模型训练过程中，先获取样本图像的数据，对图像样本数据进行目标物体区域的标注，生成各类目标检测的训练样本数据集以及对应的标注标签，将所有的样本数据集进行划分为训练集、验证集以及测试数据集。
可选的，所述训练集样本图像所标注的标签信息使用5参数标注方法生成标签格式，标签格式带有标注目标的种类、标注目标的中心点坐标以及标注框的长和宽的大小。
可选的，所述训练集样本数据，在输入进基于深度学习优化的YOLO网络模型前，对输入图像先进行预处理，把已标注的图像先进行随机多张图像的拼接，并随机在已拼接的图像上进行缺失遮挡干扰，或是进行随机椒盐噪声干扰，以增强数据集训练。
可选的，作为本发明基于深度学习YOLO模型的废弃数据储存设备检测方法，对目标识别网络采样mish损失函数。
可选的，作为本发明基于深度学习YOLO模型的废弃数据储存设备检测方法，对目标识别网络的图像目标注意力机制将输入图像在颜色通道维度上进行特征图预测目标概率值的加权处理，并在图像坐标位置维度上也进行特征图的目标概率值的加权处理。
可选的，本发明还提供了一种基于深度学习YOLO模型的废弃数据储存设备系统，其用于废弃数据存储设备在流水线上自动识别分拣分类，包含：图像采集模块、二维码检测识别模块，其中，
图像采集模块，用于实时采集流水线上的待检测目标图像数据，图像数据上包含二维码图像的图像数据；
二维码检测识别模块，用于对待检测目标图像数据进行裁剪识别其中的二维码，识别二维码获取该数据储存设备的使用情况信息并保存。
可选的，本发明还提供了一种废弃数据储存设备分拣系统，用于流水线上的废弃数据储存设备的自动分拣，包含成像装置和机械装置、控制装置；
其中，所述成像装置，包括使废弃数据存储设备提供良好的光照环境的光照灯，用于拍摄带检测数据存储设备的工业相机；其中，所述机械装置，包括用于传输废弃数据存储设备的传输装置，用于从上位机获取检测目标数据进行控制delta机械臂的下位机设备，用于将目标物体进行分拣至对应的区域的delta机械臂分拣装置，用于通过下位机控制以驱动delta机械臂进行分拣工作的驱动装置。
其中，所述控制装置，包括储存器、处理器、总线以及储存在储存器上并可以在除储存器上运行计算机程序。
利用本发明提供的检测废弃数据存储设备的方法及废弃数据存储设备分拣系统，具有以下有益效果：
本发明通过利用基于深度学习的YOLO检测模型，深度学习网络模型具有泛化能力强、准确率高、速度快的特点，可对流水线上作业废弃数据存储设备进行检测并分类，可检测识别设备上的二维码信息进行读取并保存记录，将检测的废弃数据储存设备进行分拣至对应的类别区域内。有效的解决了现有检测废弃数据储存设备的方法存在的漏检问题，以及检测成本高、效率低下的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施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的附图。
图1为本发明实施例中提供的废弃数据储存设备检测方法示意图；
图2为本发明实施例中提供的废弃数据储存设备检测算法流程示意图；
图3为本发明实施例中提供的废弃数据储存设备检测模块流程示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
本发明实施例，参见图1所示，提供一种基于深度学习的废弃数据设备检测方法及分拣系统，包含如下内容：
S101、实时采集流水线上产品图像数据，该图像数据包含流水线上待检测识别的废弃数据储存设备图像数据和数据储存设备上的二维码图像数据，并利用训练优化后的YOLO检测模型进行识别；
S102、通过训练优化后的YOLO检测模型确定废弃数据储存设备的类别以及确定当前设备的位置，并利用二维码图像裁剪检测算法识别废弃数据储存设备上的二维码信息并保存。
S103、将识别到的废弃数据储存设备目标的类型以及其当前的空间坐标位置信息传输至下位机；
S104、下位机通过上位机传输的废弃数据储存设备类型以及空间位置的信息自动控制delta机械臂进行对目标设备分拣至对应的区域内。
通过利用基于深度学习的YOLO检测模型，深度学习网络模型具有泛化能力强、准确率高、速度快的特点，可对流水线上作业废弃数据存储设备进行检测并分类，可检测识别设备上的二维码信息进行读取并保存记录，将检测的废弃数据储存设备进行分拣至对应的类别区域内。有效的解决了现有检测废弃数据储存设备的方法存在的漏检问题，以及检测成本高、效率低下的问题。
作为本发明实施例中基于深度学习的废弃数据设备检测方法及分拣系统，进一步的，在废弃数据储存设备流水线的上方设置用于获取废弃数据储存设备图像数据的视觉采集设备。进一步地，图像数据的裁剪处理中，首先对图像数据进行灰度化和分割处理。
对废弃数据储存设备流水线的上方构建视觉设备，并通过工业相机获取生产线产品图片原始数据样本，对原始数据样本中的图像进行灰度化、分割、裁剪、多图拼接、随机位置缺失干扰等处理，获取废弃数据储存设备的第一图像数据集。
作为本发明实施例中基于深度学习的废弃数据储存设备检测方法，进一步地，所述检测模型包含用于待检测区域识别的目标定位网络和用于废弃数据储存设备检验的目标分类网络，其中，目标定位网络包含：对输入数据进行卷积处理的多个卷积层、可从样本数据中获取参考框的下采样和上采样层；还包括批量归一化BN层与激活层、损失层以及图像目标注意力机制。用于目标定位的损失函数为：
Figure BDA0003318293620000071
其中，IOU为目标的预测边框与实际边框的交集与并集的比值，A、B为预测框与实际框的边框面积，C为A、B两个边框的最小包含边框面积。进一步地，目标分类损失函数采用softmax损失函数。
目标定位网络可包含多层卷积网络、分阶下采样层和上采样层，目标定位网络采用残差结构更好的学习待检测目标特征，采用下采样层替代池化层来减少特征损失，采用从样本数据中计算获取多个先验框大小来提升检测性能，避免目标大小不均引起的漏检和误检。针对每一个分类的类别损失，使用交叉熵函数，其公式如下：
Figure BDA0003318293620000072
其中，xi代表预测框的预测类别，p(xi)代表条件概率，q(xi)代表预测框的置信度。
作为本发明实施例中基于深度学习的废弃数据存储设备检测方法，进一步地，检测模型训练过程中，首先获取废弃数据储存设备图像样本数据，并对图像样本数据进行区域类别标注，生成用于检测模型训练的第一样本数据集；并在每个样本数据集中分别划分用于模型训练的训练集、用于模型测试的测试集及用于模型验证的验证集，进一步地，样本的训练集、测试集和验证集划分比列为8:1:1。
参见图2所示，在流水线上方构建视觉设备，可使用高精度高分辨率工业相机获取流水线上的废弃数据储存设备图像的原始样本数据，并且对获取的原始样本数据进行灰度化、二值化、裁剪、多图像拼接、随机位置缺失等方式对原始数据进行图像增强；使用labelimg等图像打标工具对所有的数据集图像进行对图像中所有的目标物体进行标注，画出适当的目标位置，选定目标的类别，可保存为TXT类型标签文本文件，采用5参数方法记录图像目标的类别、目标的中心点位置、目标矩形框的长和宽信息，并且对目标的中心点位置、目标矩形框的长和宽数据进行归一化处理，使其范围在相对于整个图像的位置为0～1处。训练YOLO目标检测模型，利用测试集检测训练所得模型的召回率和准确率以及损失值，直至模型收敛，得到最优一次的权重参数目标定位模型。对流水线上的图像进行灰度化后输入进二维码检测模块中，利用二维码检测模块对流水线上设备的二维码进行检测，如果检测到对应设备上的二维码信息将其读取保存，并返回原始图像上进行对二维码框选出来的图像，返回OK，如若未识别检测到二维码，或是二维码信息无法读取则返回NO；利用已训练优化后的YOLO目标检测模型对输入图像进行检测，获取检测目标区域，根据检测结果初步判断已定目标的有无，如果未检测到目标，则返回NO，对其返回为NO值的进行分拣设备至识别失败设备收集区域内统一集中处理。对于返回为OK值的由上位机发送相关数据，包括当前识别的目标物体的类型，当前目标物体的空间位置信息至下位机进行控制delta机械臂分拣至对应的类别收集区域内，完成分拣收集的过程。
参见图3所示，将采集获取的图像数据以及对应的标签文件分为训练集和验证集，另一部分图像数据则作为测试集，分配方式采用随机抽选出各个类别的图像数据进行划分训练集、验证集和测试集；进一步，使用训练样本数据集，进行预处理后输入YOLO目标检测模型中，训练得目标检测分类模型。检测结果可通过进行非极大值抑制过滤，以获取最佳检测结果。其中，YOLO目标检测模型可采用残差结构，更好的学习待检测目标特征，将残差结构在多个数据层分级联合，更好的融合浅层特征和深层特征，采用下采样层替代池化层以及用连接层连接各个先验框大小的featuremap来替换全连接层，使用卷积下采样移动步数为2来提取全局细节信息，由全卷积层构成使得在目标特征提取速度上变快，并且使整个网络模型结构也变得更加简单，均能减少特征损失，采用从样本数据中计算获取多个先验框大小来提升检测性能，避免目标大小不均引起的漏检和误检。采用DIOU-NMS通过遍历各个目标物体的候选框与其对应的置信度与一个预设值的阈值进行比较来决定是否应该删除一个候选框，用以解决在一个目标物体上会有进行多个候选框的重叠问题，其公式如下：
Figure BDA0003318293620000101
其中，RDIOU为预测框与实际框的中心点欧氏距离，其公式为：
Figure BDA0003318293620000102
M为高置信度的候选框，Bi为遍历各个候选框与置信度高的重合情况，N为预先设定的阈值。进一步，利用训练优化后的YOLO目标检测分类模型，将流水线上工业相机采集的图像数据作为输入，得到图像目标预测框的中心点坐标以及预测框的长w和宽h，以及目标对应的分类和置信度，并且根据所获得的目标预测框信息和检测目标类别以及置信度，在原始图像上画出对应的预测框并标注目标所属类别以及置信度，最终返回经过预测处理后的输出图像。YOLO目标分类网络可采用多层卷积层学习缺陷特征，可采用pytorch框架下进行模型的训练。
进一步地，基于上述的方法，本发明实施例还提供一种基于深度学习的废弃数据存储设备检测系统，用于设备流水线废弃数据储存设备的自动化分拣，包含：图像采集模块、二维码检测识别模块，其中，
图像采集模块，用于实时采集流水线上的待检测目标图像数据，图像数据上包含二维码图像的图像数据；
二维码检测识别模块，用于对待检测目标图像数据进行裁剪识别其中的二维码，识别二维码获取该数据储存设备的使用情况信息并保存。
进一步地，基于上述的系统和方法，本发明还提供一种废弃数据存储设备分拣系统，用于设备流水线废弃数据储存设备的自动化分拣，包含：成像装置、机械装置和控制装置，其中，
成像装置，包括使废弃数据存储设备提供良好的光照环境的光照灯，用于拍摄带检测数据存储设备的工业相机；
机械装置，包括用于传输废弃数据存储设备的传输装置，用于从上位机获取检测目标数据进行控制delta机械臂的下位机设备，用于将目标物体进行分拣至对应的区域的delta机械臂分拣装置，用于通过下位机控制以驱动delta机械臂进行分拣工作的驱动装置；
控制装置，包括储存器、处理器、总线以及储存在储存器上并可以在除储存器上运行计算机程序。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述系统实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述系统实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述系统实施例中的对应过程，在此不再赘述。在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于深度学习的废弃数据存储设备检测方法及分拣系统，其特征在于，包括：
实时采集流水线上待识别检测数据储存设备的视频流数据并逐帧转化为图像数据，该图像数据包含数据存储设备上的二维码图像数据；
通过对二维码图像数据进行裁剪识别处理，从而获得改设备的使用情况信息进行保存，将待识别检测数据储存设备图像输入到已优化训练后的基于深度学习的YOLO目标检测模型当中，进行存储设备检测。
确定检测到存储设备的类型，提取检测到目标物体的空间坐标位置及所属类别数据传输至下位机。
通过下位机接收上位机传输的数据进行分析，并控制delta机械臂对检测到的目标物体进行分拣，将目标物体分拣至对应的区域。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取的多个样本中，各个训练样本已经标注数据存储设备的区域图像、标注出不同类型的数据储存设备图像，使用5参数标注方法生成标签格式，标签格式带有标注目标的种类、标注目标的中心点坐标以及标注框的长和宽的大小。
3.根据权利要求1或2所述的方法，其特征在于，在对二维码图像裁剪处理过程中，对图像进行灰度化和分割裁剪处理；
在图像输入深度学习网络模型训练前先对输入图像进行预处理，把已标注的图像先进行多张图像的拼接，并随机在已拼接的图像上进行缺失遮挡干扰，或是进行随机椒盐噪声干扰，以增强数据集训练。
4.根据权利要求1或2所述的方法，其特征在于，将所述带有标签的已进行拼接增加训练集图像输入基于深度学习的YOLO网络模型中进行训练，通过训练深度学习网络模型调整所需网络模型的参数，得到训练后效果最佳一次的网络模型参数。
5.根据权利要求1所述的方法，其特征在于，所述YOLO网络模型包含：对输入数据进行卷积处理的多个卷积层、可从样本数据中获取参考框的下采样和上采样层；还包括批量归一化BN层与激活层、损失层以及图像目标注意力机制。
6.根据权利要求5所述的方法，其特征在于，目标检测分类网络模型的激活函数使用mish函数。
7.根据权利要求5所述的方法，其特征在于，图像目标注意力机制将输入图像在颜色通道维度上进行特征图预测目标概率值的加权处理，并在图像坐标位置维度上也进行特征图的目标概率值的加权处理。
8.根据权利要求1～7任一项所述的方法，其特征在于，训练YOLO目标检测分类模型过程中，先获取视频样本数据或将图像样本数据，将视频样本数据逐帧转化为图像样本数据，对图像样本数据进行目标物体区域的标注，生成各类目标检测的训练样本数据集以及对应的标注标签，将所有的样本数据集进行划分为训练集、验证集以及测试数据集。
9.一种基于深度学习的废弃数据存储设备检测系统，其用于废弃数据存储设备在流水线上自动识别分拣分类，其特征在于，包括：图像采集模块、二维码检测识别模块，其中，
图像采集模块，用于实时采集流水线上的待检测目标图像数据，图像数据上包含二维码图像的图像数据；
二维码检测识别模块，用于对待检测目标图像数据进行裁剪识别其中的二维码，识别二维码获取该数据储存设备的使用情况信息并保存。
10.一种废弃数据存储设备分拣系统，其特征在于，包括：
成像装置，包括使废弃数据存储设备提供良好的光照环境的光照灯，用于拍摄带检测数据存储设备的工业相机；
机械装置，包括用于传输废弃数据存储设备的传输装置，用于从上位机获取检测目标数据进行控制delta机械臂的下位机设备，用于将目标物体进行分拣至对应的区域的delta机械臂分拣装置，用于通过下位机控制以驱动delta机械臂进行分拣工作的驱动装置；
控制装置，包括储存器、处理器、总线以及储存在储存器上并可以在除储存器上运行计算机程序。
CN202111238334.9A 2021-10-25 2021-10-25 一种基于深度学习的废弃数据存储设备检测方法及分拣系统 Pending CN113963210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111238334.9A CN113963210A (zh) 2021-10-25 2021-10-25 一种基于深度学习的废弃数据存储设备检测方法及分拣系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111238334.9A CN113963210A (zh) 2021-10-25 2021-10-25 一种基于深度学习的废弃数据存储设备检测方法及分拣系统

Publications (1)

Publication Number Publication Date
CN113963210A true CN113963210A (zh) 2022-01-21

Family

ID=79466463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111238334.9A Pending CN113963210A (zh) 2021-10-25 2021-10-25 一种基于深度学习的废弃数据存储设备检测方法及分拣系统

Country Status (1)

Country Link
CN (1) CN113963210A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114951017A (zh) * 2022-05-12 2022-08-30 深圳市顺鑫昌文化股份有限公司 一种标签印刷在线智能检测报错系统
CN115391443A (zh) * 2022-08-30 2022-11-25 特斯联科技集团有限公司 物联网设备人工智能数据提供方法、装置、系统及终端设备
CN115953635A (zh) * 2023-03-10 2023-04-11 中国邮电器材集团有限公司 一种多类别目标物的分拣方法、ar眼镜和系统
CN116893175A (zh) * 2023-07-04 2023-10-17 千顺智能(珠海)有限公司 基于深度学习的连接器多工位多缺陷统一测量系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114951017A (zh) * 2022-05-12 2022-08-30 深圳市顺鑫昌文化股份有限公司 一种标签印刷在线智能检测报错系统
CN115391443A (zh) * 2022-08-30 2022-11-25 特斯联科技集团有限公司 物联网设备人工智能数据提供方法、装置、系统及终端设备
CN115391443B (zh) * 2022-08-30 2023-06-16 特斯联科技集团有限公司 物联网设备人工智能数据提供方法、装置、系统及终端设备
CN115953635A (zh) * 2023-03-10 2023-04-11 中国邮电器材集团有限公司 一种多类别目标物的分拣方法、ar眼镜和系统
CN116893175A (zh) * 2023-07-04 2023-10-17 千顺智能(珠海)有限公司 基于深度学习的连接器多工位多缺陷统一测量系统

Similar Documents

Publication Publication Date Title
CN113963210A (zh) 一种基于深度学习的废弃数据存储设备检测方法及分拣系统
CN111444921A (zh) 划痕缺陷检测方法、装置、计算设备和存储介质
CN110598693A (zh) 一种基于Faster-RCNN的船牌识别方法
CN110008900B (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN110334760B (zh) 一种基于resUnet的光学元器件损伤检测方法及系统
CN112541372B (zh) 一种困难样本筛选方法及装置
CN111242899A (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN113850799A (zh) 一种基于YOLOv5的微量DNA提取工作站工件检测方法
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及系统
CN114972316A (zh) 基于改进YOLOv5的电池壳端面缺陷实时检测方法
CN115830407A (zh) 一种基于yolov4目标检测模型的电缆管线故障判别算法
CN116245882A (zh) 电路板电子元件检测方法、装置及计算机设备
CN115147380A (zh) 一种基于YOLOv5的小型透明塑料制品缺陷检测方法
CN114998815A (zh) 一种基于视频分析的交通车辆识别追踪方法及系统
CN112785610B (zh) 一种融合低层特征的车道线语义分割方法
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
CN113591850A (zh) 基于计算机视觉鲁棒性目标检测的两阶段商标检测法
CN115631197B (zh) 一种图像处理方法、装置、介质、设备及系统
CN111767919A (zh) 一种多层双向特征提取与融合的目标检测方法
CN115546824B (zh) 禁忌图片识别方法、设备及存储介质
CN111160374A (zh) 一种基于机器学习的颜色识别方法及系统、装置
CN115731211A (zh) 一种采用四级级联架构的接触网紧固件故障检测方法
CN114638989A (zh) 一种基于目标检测和细粒度识别的故障分类可视化方法
CN113642473A (zh) 一种基于计算机视觉的矿下煤机状态识别方法
Das et al. Object Detection on Scene Images: A Novel Approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication