CN115187969A - 一种基于视觉识别的铅酸电池回收系统和方法 - Google Patents

一种基于视觉识别的铅酸电池回收系统和方法 Download PDF

Info

Publication number
CN115187969A
CN115187969A CN202211112667.1A CN202211112667A CN115187969A CN 115187969 A CN115187969 A CN 115187969A CN 202211112667 A CN202211112667 A CN 202211112667A CN 115187969 A CN115187969 A CN 115187969A
Authority
CN
China
Prior art keywords
image
battery
lead
recycling
visual recognition
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
Application number
CN202211112667.1A
Other languages
English (en)
Other versions
CN115187969B (zh
Inventor
冯振
李泉
王殿辉
朱凤荣
吕志强
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.)
Dragon Totem Technology Hefei Co ltd
Hunan Kangze Environmental Protection Technology Co ltd
Original Assignee
Henan Institute of Technology
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 Henan Institute of Technology filed Critical Henan Institute of Technology
Priority to CN202211112667.1A priority Critical patent/CN115187969B/zh
Publication of CN115187969A publication Critical patent/CN115187969A/zh
Application granted granted Critical
Publication of CN115187969B publication Critical patent/CN115187969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F1/00—Refuse receptacles; Accessories therefor
    • B65F1/14—Other constructional features; Accessories
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F2210/00—Equipment of refuse receptacles
    • B65F2210/138—Identification means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F2240/00—Types of refuse collected
    • B65F2240/108—Batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/84—Recycling of batteries or fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Image Processing (AREA)

Abstract

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。

Description

一种基于视觉识别的铅酸电池回收系统和方法
技术领域
本发明主要涉及铅酸电池领域，特别地，涉及一种基于视觉识别的铅酸电池回收系统和方法。
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：
Figure 987102DEST_PATH_IMAGE006
其中
Figure 100002_DEST_PATH_IMAGE007
、
Figure 561303DEST_PATH_IMAGE008
为识别参数；
根据式(2)获得的图像记为
Figure DEST_PATH_IMAGE009
，将图像
Figure 228914DEST_PATH_IMAGE009
实施中值滤波，获得滤波后图像
Figure 724617DEST_PATH_IMAGE010
，将 中值滤波后图像
Figure 847294DEST_PATH_IMAGE010
与原图像X进行如下运算：
Figure 10422DEST_PATH_IMAGE012
将乘积图像
Figure DEST_PATH_IMAGE013
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
Figure 583355DEST_PATH_IMAGE014
；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
Figure 894250DEST_PATH_IMAGE014
进 行归类；
步骤2：铅酸电池的局部外观检测识别
Figure 492722DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
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；
Figure 775936DEST_PATH_IMAGE018
为图像的几何变换映射，
Figure DEST_PATH_IMAGE019
为映射参数，映射
Figure 788278DEST_PATH_IMAGE018
定义如下：
Figure DEST_PATH_IMAGE021
其中
Figure 524153DEST_PATH_IMAGE022
为图像R中坐标，
Figure DEST_PATH_IMAGE023
为几何变换后图像的坐标；
由此可得：
Figure 457474DEST_PATH_IMAGE024
以
Figure DEST_PATH_IMAGE025
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：
Figure DEST_PATH_IMAGE027
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。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1是各硬件装置部署示意图。
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
Figure 782145DEST_PATH_IMAGE028
包括
Figure DEST_PATH_IMAGE029
三色通道，图像色调计算方法为：
Figure DEST_PATH_IMAGE031
其中arccos表示反三角余弦函数，其值落在0-2
Figure 978771DEST_PATH_IMAGE032
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：
Figure 451210DEST_PATH_IMAGE006
其中
Figure 453801DEST_PATH_IMAGE007
、
Figure 180448DEST_PATH_IMAGE008
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，
Figure DEST_PATH_IMAGE033
表示 图像色调类别，训练时，取
Figure 344714DEST_PATH_IMAGE034
表示传送装置部分，
Figure DEST_PATH_IMAGE035
表示电池部分，
Figure 507711DEST_PATH_IMAGE036
表示训练样本 数据的类别；识别时，取
Figure DEST_PATH_IMAGE037
表示电池部分，否则为传送装置部分。
Figure 251676DEST_PATH_IMAGE038
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
Figure DEST_PATH_IMAGE039
，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
Figure 629567DEST_PATH_IMAGE039
实施中值滤波，获得滤波后图像
Figure 167996DEST_PATH_IMAGE040
，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
Figure 162497DEST_PATH_IMAGE040
与原图像X进行乘法运算：
Figure 962350DEST_PATH_IMAGE012
Figure 663590DEST_PATH_IMAGE022
表示像素的坐标。将乘积图像
Figure DEST_PATH_IMAGE041
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
Figure 638499DEST_PATH_IMAGE014
，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：
Figure DEST_PATH_IMAGE043
其中，
Figure 589138DEST_PATH_IMAGE014
表示1.2.b获得的电池图像的特征值向量，
Figure 924173DEST_PATH_IMAGE044
表示电池的类别；
Figure DEST_PATH_IMAGE045
表 示概率模型；
Figure 214340DEST_PATH_IMAGE046
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：
Figure 422467DEST_PATH_IMAGE048
上式中
Figure DEST_PATH_IMAGE049
、
Figure 329243DEST_PATH_IMAGE050
可根据所有类别电池的样本数据计算。设条件概率
Figure DEST_PATH_IMAGE051
服 从高斯分布，有：
Figure DEST_PATH_IMAGE053
上式中，
Figure 936811DEST_PATH_IMAGE054
表示特征值
Figure 612643DEST_PATH_IMAGE014
的任一分量。
Figure DEST_PATH_IMAGE055
为第
Figure 194934DEST_PATH_IMAGE044
类电池的特征值的均值，
Figure 572695DEST_PATH_IMAGE056
为第
Figure 62582DEST_PATH_IMAGE044
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。
Figure 858500DEST_PATH_IMAGE038
表示自然指数函数，
Figure 346113DEST_PATH_IMAGE032
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
Figure 24219DEST_PATH_IMAGE014
进行归类，计算使
Figure 989901DEST_PATH_IMAGE045
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
Figure 880804DEST_PATH_IMAGE057
、旋转参数
Figure 601635DEST_PATH_IMAGE058
、平移参数
Figure 704720DEST_PATH_IMAGE059
组成。
求解：
Figure 739672DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE060
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。
Figure 244603DEST_PATH_IMAGE018
为图像的几何变换映射，
Figure 136335DEST_PATH_IMAGE061
为映射参 数，
Figure DEST_PATH_IMAGE062
表示对图像R按参数
Figure 241564DEST_PATH_IMAGE061
作几何变换后的图像，
Figure 814627DEST_PATH_IMAGE057
是在 图像两个方向上的尺度参数。映射
Figure 174065DEST_PATH_IMAGE018
定义如下：
Figure 236699DEST_PATH_IMAGE063
式8中
Figure 48797DEST_PATH_IMAGE022
为图像R中坐标，
Figure 940398DEST_PATH_IMAGE023
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：
Figure 216659DEST_PATH_IMAGE065
Figure DEST_PATH_IMAGE066
为
Figure 856719DEST_PATH_IMAGE018
的逆映射，可根据式(8)获得；根据位置参数可计算
Figure 218430DEST_PATH_IMAGE025
为原图像
Figure 867717DEST_PATH_IMAGE028
经过映射
Figure 264063DEST_PATH_IMAGE066
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
Figure 121030DEST_PATH_IMAGE025
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：
Figure 907720DEST_PATH_IMAGE067
上式中，
Figure DEST_PATH_IMAGE068
是以
Figure 891857DEST_PATH_IMAGE025
中坐标为
Figure 345972DEST_PATH_IMAGE022
的像素为基准，偏移量为
Figure 376769DEST_PATH_IMAGE069
的权值组成的卷积 核，其大小为5*5即
Figure 650756DEST_PATH_IMAGE069
的取值范围是
Figure DEST_PATH_IMAGE070
。
Figure 438583DEST_PATH_IMAGE071
表示该层的线性偏移量。
Figure DEST_PATH_IMAGE072
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：
Figure 747205DEST_PATH_IMAGE073
神经网络的第二个隐藏层接第一个隐藏层：
Figure 945974DEST_PATH_IMAGE075
上式中，max表示在偏移量为
Figure 441677DEST_PATH_IMAGE069
的范围内取第一个隐藏层输出的最大值，其范围 为4*4，即
Figure 767616DEST_PATH_IMAGE069
的取值范围是
Figure DEST_PATH_IMAGE076
。
Figure 930744DEST_PATH_IMAGE077
表示该层的线性偏移量。
Figure 300415DEST_PATH_IMAGE072
同(11)。
神经网络的第三个隐藏层接第二个隐藏层：
Figure DEST_PATH_IMAGE078
上式中，
Figure 814573DEST_PATH_IMAGE079
是以
Figure DEST_PATH_IMAGE080
中坐标为
Figure 944203DEST_PATH_IMAGE022
的像素为基准，偏移量为
Figure 696258DEST_PATH_IMAGE069
的权值组成的卷积 核，其大小为11*11即
Figure 49879DEST_PATH_IMAGE069
的取值范围是
Figure 769442DEST_PATH_IMAGE081
。
Figure DEST_PATH_IMAGE082
表示该层的线性偏移量。
Figure 437184DEST_PATH_IMAGE072
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：
Figure DEST_PATH_IMAGE084
Figure 778166DEST_PATH_IMAGE085
表示第三个隐藏层中一个像素与输出Y的连接，
Figure 302689DEST_PATH_IMAGE022
为像素的坐标。
Figure DEST_PATH_IMAGE086
表示该层 的线性偏移量。
Figure 512478DEST_PATH_IMAGE072
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
Figure 983910DEST_PATH_IMAGE087
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
Figure DEST_PATH_IMAGE088
，否则，如果输入为无质量问题图像，则对应样本的真值标记
Figure 976137DEST_PATH_IMAGE089
。
根据代价函数对上述神经网络模型进行训练：
Figure 343665DEST_PATH_IMAGE091
其中
Figure 303399DEST_PATH_IMAGE092
表示训练数据的标记真值，
Figure 109681DEST_PATH_IMAGE087
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
Figure DEST_PATH_IMAGE093
表2
Figure 956414DEST_PATH_IMAGE094
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。

Claims (10)

1.一种基于视觉识别的铅酸电池回收方法，其特征在于：
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：
Figure DEST_PATH_IMAGE001
其中
Figure 693249DEST_PATH_IMAGE002
、
Figure 344810DEST_PATH_IMAGE003
为识别参数；
根据式(2)获得的图像记为
Figure 858968DEST_PATH_IMAGE004
，将图像
Figure 113232DEST_PATH_IMAGE004
实施中值滤波，获得滤波后图像
Figure 662025DEST_PATH_IMAGE005
，将中值滤 波后图像
Figure 953329DEST_PATH_IMAGE005
与原图像X进行如下运算：
Figure 79417DEST_PATH_IMAGE006
将乘积图像
Figure DEST_PATH_IMAGE007
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
Figure 747159DEST_PATH_IMAGE008
；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
Figure 150458DEST_PATH_IMAGE008
进行归 类；
步骤2：铅酸电池的局部外观检测识别
Figure 2876DEST_PATH_IMAGE009
Figure 491627DEST_PATH_IMAGE010
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；
Figure DEST_PATH_IMAGE011
为图像的几何变换映射，
Figure 697480DEST_PATH_IMAGE012
为映射参数，映射
Figure 79920DEST_PATH_IMAGE011
定义如下：
Figure 244185DEST_PATH_IMAGE013
其中
Figure 954652DEST_PATH_IMAGE014
为图像R中坐标，
Figure 88830DEST_PATH_IMAGE015
为几何变换后图像的坐标；
由此可得：
Figure 201142DEST_PATH_IMAGE016
以
Figure 270730DEST_PATH_IMAGE017
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：
Figure 858706DEST_PATH_IMAGE018
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。
2.如权利要求1所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：实施上述方法的整个系统包括传送装置、摄像机和服务器。
3.如权利要求1所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：传送装置用于将待回收的电池传送至检测区域。
4.如权利要求1所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：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。
5.如权利要求1所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：服务器用于接收图像，并对该电池进行分类和缺陷检测。
6.如权利要求3所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：所述传送装置由多个传输辊组成。
7.如权利要求3所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：所述传送装置为传送带。
8.如权利要求3所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：所述传送装置周边还设有机械手。
9.如权利要求3所述的一种基于视觉识别的铅酸电池回收方法，其特征在于：所述传送装置不同区域设置多个摄像机。
10.一种实施如权利要求1-9所述基于视觉识别的铅酸电池回收方法的铅酸电池回收系统。
CN202211112667.1A 2022-09-14 2022-09-14 一种基于视觉识别的铅酸电池回收系统和方法 Active CN115187969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211112667.1A CN115187969B (zh) 2022-09-14 2022-09-14 一种基于视觉识别的铅酸电池回收系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211112667.1A CN115187969B (zh) 2022-09-14 2022-09-14 一种基于视觉识别的铅酸电池回收系统和方法

Publications (2)

Publication Number Publication Date
CN115187969A true CN115187969A (zh) 2022-10-14
CN115187969B CN115187969B (zh) 2022-12-09

Family

ID=83524483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211112667.1A Active CN115187969B (zh) 2022-09-14 2022-09-14 一种基于视觉识别的铅酸电池回收系统和方法

Country Status (1)

Country Link
CN (1) CN115187969B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116689310A (zh) * 2023-08-08 2023-09-05 河南工学院 一种用于电池分拣回收的自动化识别分类系统
CN118552578A (zh) * 2024-06-05 2024-08-27 深圳市南惠环保科技有限公司 一种基于图像分析的新能源废旧锂电池回收识别方法
CN119158806A (zh) * 2024-08-21 2024-12-20 江苏理工学院 一种基于机器视觉的电池回收方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407987A (zh) * 2016-08-31 2017-02-15 中国工程物理研究院激光聚变研究中心 基于图像互相关匹配的电光晶体光轴出露点提取方法
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法
CN107093175A (zh) * 2017-04-21 2017-08-25 华南师范大学 一种动力电池焊接质量检测方法
CN108133211A (zh) * 2017-12-15 2018-06-08 北京航天测控技术有限公司 一种基于移动终端视觉图像的检测配电柜的方法
CN108182455A (zh) * 2018-01-18 2018-06-19 齐鲁工业大学 一种垃圾图像智能分类的方法、装置及智能垃圾桶
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN109308447A (zh) * 2018-07-29 2019-02-05 国网上海市电力公司 在电力远程监控中自动提取设备运行参数和运行状态的方法
CN111079556A (zh) * 2019-11-25 2020-04-28 航天时代飞鸿技术有限公司 一种多时相无人机视频图像变化区域检测及分类方法
CN113160192A (zh) * 2021-04-28 2021-07-23 北京科技大学 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN114024503A (zh) * 2021-11-04 2022-02-08 山东工程职业技术大学 一种太阳能电池分色及缺陷检测系统及其方法
CN114092440A (zh) * 2021-11-22 2022-02-25 北京柏瑞安电子技术有限公司 基于视觉的印刷电路板非标准元件识别定位方法及系统
CN114148103A (zh) * 2021-11-22 2022-03-08 北京柏瑞安电子技术有限公司 一种基于神经网络学习的焊膏印刷标记识别方法及系统
CN114155273A (zh) * 2021-10-20 2022-03-08 浙江大立科技股份有限公司 一种结合历史轨迹信息的视频图像单目标跟踪方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407987A (zh) * 2016-08-31 2017-02-15 中国工程物理研究院激光聚变研究中心 基于图像互相关匹配的电光晶体光轴出露点提取方法
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法
CN107093175A (zh) * 2017-04-21 2017-08-25 华南师范大学 一种动力电池焊接质量检测方法
CN108133211A (zh) * 2017-12-15 2018-06-08 北京航天测控技术有限公司 一种基于移动终端视觉图像的检测配电柜的方法
CN108182455A (zh) * 2018-01-18 2018-06-19 齐鲁工业大学 一种垃圾图像智能分类的方法、装置及智能垃圾桶
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN109308447A (zh) * 2018-07-29 2019-02-05 国网上海市电力公司 在电力远程监控中自动提取设备运行参数和运行状态的方法
CN111079556A (zh) * 2019-11-25 2020-04-28 航天时代飞鸿技术有限公司 一种多时相无人机视频图像变化区域检测及分类方法
CN113160192A (zh) * 2021-04-28 2021-07-23 北京科技大学 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN114155273A (zh) * 2021-10-20 2022-03-08 浙江大立科技股份有限公司 一种结合历史轨迹信息的视频图像单目标跟踪方法
CN114024503A (zh) * 2021-11-04 2022-02-08 山东工程职业技术大学 一种太阳能电池分色及缺陷检测系统及其方法
CN114092440A (zh) * 2021-11-22 2022-02-25 北京柏瑞安电子技术有限公司 基于视觉的印刷电路板非标准元件识别定位方法及系统
CN114148103A (zh) * 2021-11-22 2022-03-08 北京柏瑞安电子技术有限公司 一种基于神经网络学习的焊膏印刷标记识别方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GHADA ZAMZMI等: "Harnessing Machine Intelligence in Automatic Echocardiogram Analysis: Current Status, Limitations, and Future Directions", 《IEEE REVIEWS IN BIOMEDICAL ENGINEERING 》 *
VASSILEIOS BALNTAS等: "HH-Patches: A Benchmark and Evaluation of Handcrafted and Learned Local Descriptors", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
史进伟等: "基于机器视觉的枪弹外观缺陷检测系统研究", 《组合机床与自动化加工技术》 *
周围等: "基于图像识别的热电池装配缺陷检测", 《制造业自动化》 *
张宏军: "太阳能电池缺陷识别的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116689310A (zh) * 2023-08-08 2023-09-05 河南工学院 一种用于电池分拣回收的自动化识别分类系统
CN116689310B (zh) * 2023-08-08 2023-10-20 河南工学院 一种用于电池分拣回收的自动化识别分类系统
CN118552578A (zh) * 2024-06-05 2024-08-27 深圳市南惠环保科技有限公司 一种基于图像分析的新能源废旧锂电池回收识别方法
CN118552578B (zh) * 2024-06-05 2025-01-28 深圳市南惠环保科技有限公司 一种基于图像分析的新能源废旧锂电池回收识别方法
CN119158806A (zh) * 2024-08-21 2024-12-20 江苏理工学院 一种基于机器视觉的电池回收方法及系统

Also Published As

Publication number Publication date
CN115187969B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN109344701B (zh) 一种基于Kinect的动态手势识别方法
CN111445459B (zh) 一种基于深度孪生网络的图像缺陷检测方法及系统
CN115187969B (zh) 一种基于视觉识别的铅酸电池回收系统和方法
CN111310756B (zh) 一种基于深度学习的损伤玉米颗粒检测和分类方法
CN104268602A (zh) 一种基于二进制特征匹配的遮挡工件识别方法及装置
CN111126240A (zh) 一种三通道特征融合人脸识别方法
CN103440035A (zh) 一种三维空间中的手势识别系统及其识别方法
CN107977660A (zh) 基于背景先验和前景节点的感兴趣区域检测方法
CN114529839A (zh) 一种面向无人机巡检的输电线金具异常检测方法及系统
CN111861866A (zh) 一种变电站设备巡检图像全景重建方法
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
CN110222661A (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN118279907B (zh) 一种基于Transformer与CNN的中草药图像识别系统
CN109544608B (zh) 一种无人机图像采集特征配准方法
Guo et al. Detection method of photovoltaic panel defect based on improved mask R-CNN
CN110992301A (zh) 一种气体轮廓识别方法
CN107092935A (zh) 一种资产变更检测方法
CN117636057A (zh) 基于多分支跨空间注意力模型的列车轴承损伤分类识别方法
CN116051808A (zh) 一种基于YOLOv5的轻量化零件识别定位方法
CN115049842B (zh) 一种飞机蒙皮图像损伤检测与2d-3d定位方法
CN108830179A (zh) 融合彩色图像边缘和深度方向直方图的行人检测算法
Zheng et al. Segmentation method for whole vehicle wood detection based on improved YOLACT instance segmentation model
CN109145770B (zh) 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法
CN113052234A (zh) 一种基于图像特征和深度学习技术的玉石分类方法
CN118247813A (zh) 一种基于自适应优化网络结构的行人重识别方法

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
TR01 Transfer of patent right

Effective date of registration: 20230803

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: No. 699, plain road, Xinxiang, Henan, Henan

Patentee before: HENAN INSTITUTE OF TECHNOLOGY

Effective date of registration: 20230803

Address after: 423000 Nonferrous Metal Smelting and Processing Project Area in Guiyang County Industrial Park, Chenzhou City, Hunan Province

Patentee after: Hunan Kangze Environmental Protection Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

TR01 Transfer of patent right