背景技术
铅酸电池含有大量的铅金属,电池使用周期较短,废弃不用的铅酸电池中含有大量的铅氧化物、硫酸、砷等物质,如果不进行回收处理不仅浪费资源且会造成生态环境污染。目前国内对废旧铅酸电池回收仍主要采用人工分拣与回收处理的方法,处理效率较低,并且容易出现环境污染和危害人体健康。
为了解决上述问题,采用无人智能化回收处理技术成为行业需求。而机器视觉技术作为现阶段较成熟的智能处理方案在其它工业行业领域得到广泛应用,具有非接触、效率高、精度高、适用性好、成本相对较低的优势,因此也适用于铅酸电池回收的应用场景。
现有基于机器视觉的铅酸电池回收方法从视觉光源性质上来分可分为两大类,一类是基于X射线等的特种频谱光源,一类是基于可见光的一般频谱光源。采用X射线的特种频谱光源相机采集视觉图像并实施识别,其图像样本清晰度更高,电池各区域轮廓显著,易于算法识别;但X射线图像采集设备价格昂贵,且具有辐射隐患。随着可见光相机采集分辨率的提高和图像识别方法的进步,采用可见光光源相机的识别方法能够达到特种光源相似的识别性能,且成本更低,安全性更好。
现有基于可见光光源的视觉识别方法通过识别电池的几何特征信息实现电池尺寸、槽数检测,但该类方法仅可以识别电池的外轮廓,对铅酸电池上的不规则部件及一些物理瑕疵无法检测,不能满足回收的更高要求。现有技术中也有人提出使用神经网络的方式进行检测,但网络模型使用的现有的ResNet等网络结构(或是进行简单改良),检测效率和准确度都难以实际应用,只能作为实验室研究使用。而且,现有神经网络模型的方式是直接针对采集的电池图像进行,而电池种类众多,仅依靠神经网络模型进行检测对模型要求较高,系统代价很大,这也是目前使用神经网络方式进行检测回收不成功的原因之一。
发明内容
本发明提出一种基于视觉识别的铅酸电池回收系统和方法,克服了传统的视觉识别方法无法识别复杂模块,无法对电池进行精细化分类的问题。首先利用图像处理方法进行电池类别区分,后根据视觉可见光图像的高维信息、多尺度信息利用专门的神经网络对铅酸电池局部外观进行检测识别,并识别电池部件的质量问题,根据电池类别、是否存在问题实施分类回收,实现了自动化电池分类,是应用于铅酸电池高效精细化回收过程的重要方法。
一种基于视觉识别的铅酸电池回收方法
步骤1:铅酸电池的规格类型检测识别
采集电池的可见光图像X,并利用RGB值计算图像色调h;建立图像色调识别模型:
根据式(2)获得的图像记为
,将图像
实施中值滤波,获得滤波后图像
,将
中值滤波后图像
与原图像X进行如下运算:
将乘积图像
作主成分分解,获得主成分的前16个分量作为高维信息特征值组成
向量
;根据电池图像的样本数据建立电池类别识别模型,对获得的电池图像的特征值
进
行归类;
步骤2:铅酸电池的局部外观检测识别
表示X与R之间的互相关度量,R是根据上一步确定的图像X对应归类的参考模
板图像;
为图像的几何变换映射,
为映射参数,映射
定义如下:
以
为输入送入神经网络模型,其中神经网络模型分类使用的激励函数为:
根据神经网络输出值判断电池是否存在质量问题,并分别采用相应的回收流程。
实施上述方法的整个系统包括传送装置、摄像机和服务器。
传送装置用于将待回收的电池传送至检测区域。
摄像机用于拍摄待回收电池的图像,并将图像传送至服务器。
服务器用于接收图像,并对该电池进行分类和缺陷检测。
所述传送装置由多个传输辊组成。
所述传送装置为传送带。
所述传送装置周边还设有机械手。
所述传送装置不同区域设置多个摄像机。
一种实施所述方法的铅酸电池回收系统。
本发明的发明点及技术效果:
1、本发明提出一种基于视觉识别的铅酸电池回收系统和方法,克服了传统的视觉识别方法无法识别复杂模块,无法对电池进行精细化分类的问题,利用专门设计的算法根据视觉可见光图像的高维信息、多尺度信息对铅酸电池的规格类型、局部外观进行检测识别,可以识别不同规格的铅酸电池,并根据不同类别的电池快速、准确地识别电池部件的质量问题。从而能够根据电池类别、是否存在问题实施分类回收,实现了快速、准确、自动化地电池分类。
2、采用独创方法分析图像色调等信息,建立识别模型,将电池从图像中分离;进一步的根据电池图像的样本数据建立电池类别识别模型,从拍摄的可见光图像中快速、准确地检测、识别不同类别规格的铅酸电池。
3、采用独创的自动检测模型检测电池的局部外观,判断外观是否存在破损、腐蚀的质量问题,从而实现精细化分类回收。这种模型不同于传统的神经网络,而是对网络模型的输入进行优化处理,并优化神经网络结构,从而使得输入和结构相互配合,比传统神经网络更加快速、准确、运算负担小。
具体实施方式
(一)、铅酸电池的规格类型检测识别
从拍摄的可见光图像中检测、识别不同类别规格的铅酸电池。
待检测铅酸电池平置于传送装置上,待检测面向上;采用可见光相机固定于传送装置上方,拍摄方向向下垂直于传送装置置物面,拍摄传送装置置物面上的指定区域,称为图像拍摄区。
待检测电池随传送装置经过图像拍摄区,当待检测电池经过图像拍摄区时,拍摄包含待检测电池的图像,并在图像中提取电池部分。
S1.1在图像中提取电池部分,采用一种基于色调的颜色识别和提取方法,提取图像中包含电池的部分。
所采集可见光图像
包括
三色通道,图像色调计算方法为:
其中arccos表示反三角余弦函数,其值落在0-2
范围内,表示图像中某个像素的
颜色相位,颜色相位反映了可见光频率。
建立图像色调识别模型:
其中
、
为识别参数,根据传送装置在图像中的色调样本数据训练获得,
表示
图像色调类别,训练时,取
表示传送装置部分,
表示电池部分,
表示训练样本
数据的类别;识别时,取
表示电池部分,否则为传送装置部分。
表示自然指数函
数.
利用图像色调识别模型判定图像中某个像素属于电池部分或属于传送装置部分,从而提取图像中包含电池的部分。
S1.2对根据式(2)获得的图像中包含电池的部分进行优化,去除像素噪点,并实施电池分类的检测识别。
1.2.a)设根据式(2)获得的图像记为
,其中像素取值为1表示电池部分,取值为
0表示传送装置部分。将图像
实施中值滤波,获得滤波后图像
,作为优选取中值滤波模
板大小为5*5.
1.2.b)将中值滤波后图像
与原图像X进行乘法运算:
表示像素的坐标。将乘积图像
作主成分分解,获得主成分的前16个分量作
为高维信息特征值组成向量
,用于对电池图像进行分类。由此,可以快速、准确地将背景
去除,保证图像中电池信息的准确完整,为下一步识别做好准备,提高识别准确度。
1.2.c)根据电池图像的样本数据建立电池类别识别模型,对1.2.b获得的电池图像的特征值进行归类。
设分类函数为:
其中,
表示1.2.b获得的电池图像的特征值向量,
表示电池的类别;
表
示概率模型;
求得使函数取得最大值时的参数值。根据概率的贝叶斯法则,可得:
上式中
、
可根据所有类别电池的样本数据计算。设条件概率
服
从高斯分布,有:
上式中,
表示特征值
的任一分量。
为第
类电池的特征值的均值,
为第
类电池的特征值的方差,上述二值可根据电池样本数据计算。
表示自然指数函数,
表示圆周率。
根据式(4)(5)(6),对1.1.b获得的电池图像的特征值
进行归类,计算使
最大的类别值,作为电池的类别。
1.2.d)根据1.1.c识别的电池类别作回收分类。
(二)、铅酸电池的局部外观检测识别
在步骤1识别电池类别后,进一步检测电池的局部外观,判断外观是否破损、腐蚀的质量问题。
根据步骤1识别电池的类别,获取相应类别电池的参考模板图像,包括无质量问题参考模板图像和有质量问题参考模板图像。
以无质量问题参考模板图像为基准,获取电池在待检测图像中的位置参数。位置
参数由尺度参数
、旋转参数
、平移参数
组成。
求解:
表示X与R之间的互相关度量(cross correlation)。X是采集到的包含电池的
原图像,R是对应类别的参考模板图像。
为图像的几何变换映射,
为映射参
数,
表示对图像R按参数
作几何变换后的图像,
是在
图像两个方向上的尺度参数。映射
定义如下:
式8中
为图像R中坐标,
为几何变换后图像的坐标,即映射后的坐标。
根据式7、8,可得:
为
的逆映射,可根据式(8)获得;根据位置参数可计算
为原图像
经过映射
后的图像。由此对原图像处理,可以大大降低下一步神经网络的运行负担,提高识别的
准确度。
以
为输入建立神经网络模型,输出为二值向量Y.输入与输出之间由若干隐藏层
定义。其第一个隐藏层连接输入:
上式中,
是以
中坐标为
的像素为基准,偏移量为
的权值组成的卷积
核,其大小为5*5即
的取值范围是
。
表示该层的线性偏移量。
用于使卷
积核非线性化,特别是在0点处产生断点,可以提高模型分类的性能,降低分类误差:
神经网络的第二个隐藏层接第一个隐藏层:
上式中,max表示在偏移量为
的范围内取第一个隐藏层输出的最大值,其范围
为4*4,即
的取值范围是
。
表示该层的线性偏移量。
同(11)。
神经网络的第三个隐藏层接第二个隐藏层:
上式中,
是以
中坐标为
的像素为基准,偏移量为
的权值组成的卷积
核,其大小为11*11即
的取值范围是
。
表示该层的线性偏移量。
同
(11)。
式10、12、13联合组成多尺度卷积金字塔,可以实现快速对图像中的局部特征进行检测,并对破损、腐蚀的特征产生响应,实现基于图像的破损、腐蚀检测。
将神经网络模型输出接第三个隐藏层:
表示第三个隐藏层中一个像素与输出Y的连接,
为像素的坐标。
表示该层
的线性偏移量。
同(11)。
上述卷积金字塔神经网络计算效率高,与经典的AlexNet等卷积网络相比,识别速度更快,且性能相当。
输出
表示输入图像中是否存在破损、腐蚀的质量问题,需要利用电池的参考模
板图像,采用参考模板图像进行训练;训练时,如果输入为有质量问题图像,则对应样本的
真值标记
,否则,如果输入为无质量问题图像,则对应样本的真值标记
。
根据代价函数对上述神经网络模型进行训练:
其中
表示训练数据的标记真值,
表示根据训练的样本数据在神经网络模型当
前迭代参数取值时的输出值,根据(15)求解神经网络模型即式10、12、13、14中的参数,迭代
优化至收敛即为最终参数取值.
训练完成后,采用上述模型对输入图像实施检测。首先按式7-9对输入图像进行映射,然后代入神经网络模型,得到输出值Y。若Y>0.5,则认为输入图像所对应的电池存在质量问题,否则认为无质量问题,分别采用相应的回收流程。
本发明提出一种基于视觉识别的铅酸电池回收系统和方法,对铅酸电池的规格类型、局部外观进行检测识别,可根据电池类型、是否存在质量问题实施自动分类回收。数据表明本发明方法回收分类精确度高,视觉计算效率快,性能好。表1给出了分类精度,表2给出了本发明视觉自动识别模型与经典方法的识别性能对比值。
表1
表2
系统结构
如图1所示,整个系统包括传送装置、摄像机和服务器。其中传送装置用于将待回收的电池传送至检测区域。摄像机用于拍摄待回收电池的图像,并将图像传送至服务器。服务器用于接收图像,并对该电池进行分类和缺陷检测。
可以理解,为了能够获得电池多个角度的图像,可以在多个位置方向设置摄像机,也可以通过其他机械结构将电池在传送装置上翻转。所述翻转可以由机械手完成,也可以设置斜坡使得电池在传送装置上翻转,并在传送装置不同区域设置摄像机拍摄正上方图像。
所述传送装置可以由多个传输辊组成,也可以为传送带。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。