CN116070655A - 基于编码器判断条烟位置的高速分拣智能纠错系统及方法 - Google Patents
基于编码器判断条烟位置的高速分拣智能纠错系统及方法 Download PDFInfo
- Publication number
- CN116070655A CN116070655A CN202310011279.2A CN202310011279A CN116070655A CN 116070655 A CN116070655 A CN 116070655A CN 202310011279 A CN202310011279 A CN 202310011279A CN 116070655 A CN116070655 A CN 116070655A
- Authority
- CN
- China
- Prior art keywords
- cigarette
- image
- cigarettes
- encoder
- error correction
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
-
- 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
- G06K17/0022—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 arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明涉及烟草物流分拣线技术领域,特别涉及一种基于编码器判断条烟位置的高速分拣智能纠错系统,包括输送带、编码器、彩色工业相机、光源组、IO控制卡、图像识别和定位模块;输送带,用来传送烟的传送机构,在来烟进入分拣智能纠错系统前需要多段差速皮带,保证条烟在传送的过程中能保持一定间距,有效的避免多条烟前后紧挨在一起的情况。编码器,皮带线和编码器紧密接触,将皮带线运动的行程转换成电信号。彩色工业相机,在高速分拣智能纠错系统中用来实时拍照,记录任意时刻皮带线上的条烟的品规。解决了因为安装受限的条件下无法使用光电开关触发相机拍照的方式。
Description
技术领域
本发明涉及烟草物流分拣线技术领域,尤其适用于在高速且烟距很小的烟草物流分拣线上,特别涉及一种基于编码器判断条烟位置的高速分拣智能纠错系统。
背景技术
根据国家烟草专卖局提出在全行实施“一号工程”,要求卷烟出入库必须打码到件,烟草零售商必须“一店一码”。条码相当于烟草公司给卷烟零售户订购货源办的一个长期“身份证”,这个“身份证”不仅可以有效的追溯条烟的真伪,在出现送错货的情况,也可以根据条码来查找货源,方便又省时。所以在条烟打码前,必须将实际分拣的烟草逐条与用户订单的数量和品规进行校对,如果校对出现错误,在打码前要提前报警停线并提示正确的品规,然后分拣员过来更换出错的条烟。
公开号为CN112434544的中国专利公开了一种条烟编码检测识别方法,主要是通过扫码器对条烟两侧的一维码的进行读码,该方法效率高、实施简单,但是对流水线上烟草的烟姿要求极高,一维码一侧必须正读码枪,如果来烟倾斜角度过大,扫码器就会读取失败,条烟纠错系统会出现误报警。
公开号为CN114455255的中国专利公开了一种基于多特征识别的检测方法,该方法用光电开关和彩色高清工业相机,相机和光源架设在条烟的正上面,通过条烟包装盒上不同的特征对条烟进行识别,该方法不要求来烟的烟姿端正,但是对来烟的速度和间距有一定要求,因为光源体积较大的缘故,光电开关必须装在灯罩外部,会造成触发和拍照时间有一定的延时,如果来烟间距比较小,相邻的两次触发会有冲突。
选择光电开关触发相机拍照,是最稳定、可靠的方式,目前有两种光电开关,一种是色标传感器,另外一种是对射传感器,色标传感器的工作原理是根据目标和标定物体的颜色差来触发信号,但是工作距离很短,一般只只有30-50毫米左右,显然如果选择穹顶光的安装方式,色标传感器只能安装在灯罩外,使色标传感器和相机有一段距离不能及时触发相机,需要设置触发延时,当相邻条烟之间的距离非常近或者速度非常快的情况下,相邻两次触发会冲突,造成误触发。对射传感器工作距离很长,但是必须有发射和接受两个传感器形成反射,如果安装在靠近相机的皮带线的两侧,对要检测的烟姿有较高的要求,如果两条烟相邻较近并且烟姿不好,两条烟之间没有形成间隙,则本应触发两次的光电开关,只会触发了一次,如果安装靠近相机的皮带线上下两侧,则皮带必须选用两段皮带使中间镂空,显然无论是色标传感器或者是对射传感器对安装结构都有一定要求。
如今烟草物流中心对分拣效率的要求越来越高,新架的分拣线要求分拣速度达到14000条每小时,伴随着分拣效率提升,智能分拣纠错系统的稳定性也要相应的提高并且还要保证识别速度快,识别结果准确,才能避免错误的条烟流向打码机。
发明内容
针对现有技术的不足,即条烟分拣线提速到一定程度后,单凭机械结构已经不能拉开相邻两条烟之间的间距,如果采用光电开关和相机硬触发的方式,光电开关和相机之间的安装距离需要大于相邻两条烟的间距,尤其要考虑到光源的安装,光电开关某些情况只能安装在灯罩外距离相机的距离较远,本发明公开一种基于编码器判断条烟位置的高速分拣智能纠错系统及方法,本发明的目的是为了解决在无法保证光电开关和相机之间的安装距离很近的情况下,采用视觉定位和编码器计算条烟的相对位置从而跟订单上的品规进行对照进行纠错,不用依赖光电开关硬触发相机拍照,解决了因为安装受限的条件下无法使用光电开关触发相机拍照的方式。
本发明通过以下技术方案予以实现:
一种基于编码器判断条烟位置的高速分拣智能纠错系统,包括:
输送带,用来传送烟的传送机构,在来烟进入分拣智能纠错系统前需要多段差速皮带,保证条烟在传送的过程中能保持一定间距,有效的避免多条烟前后紧挨在一起的情况;
编码器,皮带线和编码器紧密接触,将皮带线运动的行程转换成电信号;
彩色工业相机,在高速分拣智能纠错系统中用来实时拍照,记录任意时刻皮带线上的条烟的品规;
光源组,位于第三段皮带线的正上方,由一个穹顶灯罩和四个白色面光源组成,为相机提供照明和稳定的光照环境;
IO控制卡,接受PLC的切户信号,并且将编码器的电信号转换成脉冲信号,由脉冲当量计算传送带的拍照时的位移;
图像识别和定位模块,用来定位每条烟的位置和识别每一条烟的品规,并且将每一条烟的品规和每一户的订单做比较,如果订单不一致,则停机报警。
优选的,所述输送带主要由三段环形皮带线组成,三段环形皮带线各自套在传动轴的皮带轮上,传动轴的速度从第一段皮带线开始逐段递增,前两段皮带线构成了一个差速机构。
优选的,所述编码器安装在第三段皮带线的背面,皮带线动作时,编码器的码盘和皮带线靠摩擦力,编码器会将第三段皮带的位移转换成周期性的电信号,再把电信号转变成计数脉冲,再用IO控制卡将脉冲的个数表示位移的大小。
优选的,所述穹顶灯罩通过支架安装固定在第三段皮带线的正上方,所述穹顶灯罩的内壁上喷涂漫反射材料,所述穹顶灯罩每一侧的底部边沿上固定有铰链,用来安装光源,通过铰链用于前后调整光源角度。
优选的,所述穹顶灯罩的顶部开有圆孔,用来安装固定相机,所述相机的镜头采用广角镜头。
本发明还提供了如下技术方案:一种如上述所述的基于编码器判断条烟位置的高速分拣智能纠错系统的纠错方法,包括如下步骤:
S1:图形算法处理;
首先保存一张背景图,相机在输入目标图像和背景图在算法中进行像素作差,可以提取出条烟的前景图片,先对前景图片做中值滤波处理进行去噪,用二值化提取出包含条烟的所有区域,将提取的区域进行分割把不同的条烟分割到不同的区域;对每个区域求取最小外接矩形,计算出最小外接矩形的中心和方向,以最小外接矩形的中心进行旋转,将每条烟的旋转成90度,将旋转后的烟姿从图像上裁剪出来,相当于将图像上的每条烟摆正后都裁剪成一张张单独的图像源;
S2:训练样本;
将每种品规裁剪成单独的图像源后作为训练模板存入对应的文件夹中,训练的时候按存放样本图片的地址遍历所有的样本,提取样本图片的RGB颜色信息和纹理信息,并将提取的信息转换成向量输入到分类器中进行训练,等待所有的数据训练完成;
S3:订单核对;
通过编码器判断烟的位置,启动皮带线相机实时拍摄并读取编码器的值,可以获取每一帧图像中所有条烟的区域,将每条烟的区域从图像中分割出来,并输入到分类器中进行识别,识别的结果按进出顺序排列成队,并计算出队列中每条烟的位置,当拍摄下一帧图像时,同样识别出图像中出现所有的条烟,并把第二帧图像中所有烟的识别的结果和位置信息排列成队,将后一帧图像中的队列中所有的元素,按冒泡排序和第一帧图像中队列中的元素的位置做对比,如果对比结果和编码器的位移相同或者在误差允许范围内,则判定这条烟在上一帧的图像中出现过,该烟的识别结果不会发送到上位机参与每户订单的核对。
优选的,所述步骤S1中还包括:若有些条烟在差速机构没有完全分开,会出现局部粘连的现象,可以对图像进行先腐蚀后膨胀的算法,将每一条烟都完全分成独立的区域。
本发明具有以下有益效果:
1、不需要烟姿端正,传统的扫码纠错系统,必须要保证条码一侧正对扫码设备,流水线上的来烟由于挤兑、冲撞会造成烟姿不良,超出扫码枪的工作距离,且条码损坏,不影响识别纠错。
2、尤其当光源安装体积较大的时候,不方便安装光电开关时,可以采用本发明阐述的编码器纠错系统。
3、相机拍照跟踪的过程中可以同时识别多个目标,相对于光电开关一次触发只能识别一个目标,提高了分拣效率。
4、不需要很宽的条烟的间距,减小了系统的空间。
5、学习能力强,可以随时添加样本,并根据出错的样本,优化数据模型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明的结构示意图。
图2为本发明的四个面光源组成图。
图3为本发明特征训练和检索的方法的流程图。
图4为本发明通过图像作差法定位的流程图。
图5本发明编码器判断条烟位置方法的示意图。
图中:1-输送带、2-编码器、3-彩色工业相机、4-光源组、5-IO控制卡、6-图像识别和定位模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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1
参照图1和图2,基于编码器2判断条烟位置的高速分拣智能纠错系统,包括输送带1、编码器2、彩色工业相机3、光源组4、IO控制卡5、图像识别和定位模块6;
输送带1,用来传送烟的传送机构,在来烟进入分拣智能纠错系统前需要多段差速皮带,保证条烟在传送的过程中能保持一定间距,有效的避免多条烟前后紧挨在一起的情况。
编码器2,皮带线和编码器2紧密接触,将皮带线运动的行程转换成电信号。
彩色工业相机3,在高速分拣智能纠错系统中用来实时拍照,记录任意时刻皮带线上的条烟的品规。
光源组4,有一个穹顶灯罩和四个白色面光源组4成,为相机提供照明和稳定的光照环境。
IO控制卡5,接受PLC的切户信号,并且将编码器2的电信号转换成脉冲信号,由脉冲当量计算传送带的拍照时的位移。
图像识别和定位模块6,用来定位每条烟的位置和识别每一条烟的品规,并且将每一条烟的品规和每一户的订单做比较,如果订单不一致,则停机报警。
上述输送带1主要由三段环形皮带线组成,三段皮带线各自套在传动轴的皮带轮上,传动轴的速度从第一段皮带线开始逐段递增,前两段皮带线构成了一个差速机构,主要目的是为了拉开条烟之间的间距,编码器2装在第三段皮带线的背面,皮带线动作时,编码器2的码盘和皮带线靠摩擦力,编码器2会将第三段皮带的位移转换成周期性的电信号,再把电信号转变成计数脉冲,再用IO控制卡5将脉冲的个数表示位移的大小。
本发明实施例选用的镜头是广角镜头,尽量让视野足够大,目标在相机视野中运动轨迹越长,判断的机会也会越多,结果就会越准确,拍摄过程中尽量保证暗箱内光照均匀不要出现暗影。
实施例2
参照图3、图4和图5,基于编码器2判断条烟位置的高速分拣智能纠错方法,本发明的实施例包含以下技术原理:
一、基于特征对图像进行检索的方法,在建立样本集时,对输入的视频图像进行信息收集,提取图像或目标的颜色特征、形状特征、纹理特征,将所有的特征转换成向量后,将输入图像存入图像库相连的特征库。在进行图像检索时,对每一幅给定的查询图,进行图像分析并提取该图的特征向量,通过将该图特征向量与特征库中的特征相邻两进行匹配并根据匹配结果在训练集中搜索并提取所需要的检索图,如图3。
二、支持向量机(SVM)的图像分类和检索方法。本发明参考支持向量机(SVM)作为学习机器学习模型,支持向量机(support vector machines,SVM)是一种二分类模型,它的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;SVM还包括核技巧,这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化,可形式化为一个求解凸二次规划的问题,也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法,通过输入的图像特征训练集对图像进行训练学习,把学习到的类别用于图像的分类和检索,SVM不仅有统计学习理论作为推广行的保证,而且可以用较少的样本数量得到很好的分类效果。
三、图像定位,用背景差分原理定位目标在图像中位置,这种方法常用于检测动态图像中的运动目标,是目前运动目标检测的主流方法之一。其基本原理就是将将视频流中相邻两帧或相隔几帧图像的两幅图像像素值相减,并对相减后的图像进行阈值化来提取图像中的运动区域。若相减两帧图像的帧数分别为第k帧,第(k+1)帧,其帧图像分别为fk(x,y),fk+1(x,y),差分图像二值化阈值为T,差分图像用D(x,y)表示,则帧间差分法的公式如下:
,如图4,计算出与背景图像像素差异超过一定的运动区域,通过阈值处理连通性分析,判断出目标的位置、轮廓、大小等特征。
四、相机连续拍摄动态目标并且保存目标的运动轨迹,同时用IO控制卡5读取编码器2的脉冲信号,并且将脉冲信号转换成皮带线的位移,如图5箭头方向是拍照移动的方向,当第N次采图的时候,相机视野中识别出了A1,B1,B2,C1三种品规的烟,按照上述方法计算出三种烟在图像中的位置按顺序排列分别是(xA1,yA1),(xB1,yB1),(xB2,yB2),(xc1,yc1),同时记录当前时刻编码器2的位移SN,第N+1次采图的时候A品规的烟已经离开了视野,BC品规的烟还留在视野中,在图像中按照上述方法计算出BC烟的位置(x2B1,y2B1),(x2B2,y2B2),(x2c1,y2c1)并记录此刻编码器2的位移SN+1。第N次和N+1次拍照的间隔中,皮带线的位移ΔS=SN+1-SN,条烟和带线是同步运动,同理推算出在第N+1次拍照时,ABC三种品规的烟应该出现的位置分别是(xA1+ΔS,yA1+ΔS),(xB1+ΔS,yB1+ΔS),(xB2+ΔS,yB2+ΔS),(xc1+ΔS,yc1+ΔS),分别和N+1次拍照中识别的每条烟的位置作对比,如果在N+1次拍照定位的结果中没有检索到对应的值,则将识别的结果输出并跟订单上的烟作比较,例如A1在N+1次拍照定位的位置中没有检索到对应的值,则A1作为识别的结果和订单做比较,而B1,B2,C1三条烟在第N+1次拍照的识别结果中都能检索到各自对应的位置,则不保留识别结果,以此类推,直到B1,B2,C1在以后的某次拍照中离开相机视野才会和订单的烟作比较,这样即使同一条烟在连续拍摄的过程即使识别了多次,识别的结果只会判定一次。
基于上述四项技术原理的纠错方法,具体包括如下步骤:
步骤1:图形算法处理,首先保存一张背景图,相机在输入目标图像和背景图在算法中进行像素作差,可以提取出条烟的前景图片,先对前景图片做中值滤波处理进行去噪,用二值化提取出包含条烟的所有区域,将提取的区域进行分割把不同的条烟分割到不同的区域。有些条烟在差速机构没有完全分开,会出现局部粘连的现象,可以对图像进行先腐蚀后膨胀的算法,将每一条烟都完全分成独立的区域。对每个区域求取最小外接矩形,计算出最小外接矩形的中心和方向,以最小外接矩形的中心进行旋转,将每条烟的旋转成90度,将旋转后的烟姿从图像上裁剪出来,相当于将图像上的每条烟摆正后都裁剪成一张张单独的图像源。
步骤2:训练样本,每一种品规的烟都需要录入正反两面,每个面分别静态拍摄六张图像作为样本图片,在视野正下方每45度旋转拍摄一张。录入数据,建立一个数据库,将所有品规的烟对应的名称、条码、AB面和存放样本图片的地址录入到数据库中,并且按每种烟的品规生成对应的文件夹,例如文件夹6901028169257_1_黄金叶,表示该品规的烟的条码为6901028169257,黄金叶是该品规烟的名称,1表示录入的是A面。按实施例三所述,将每种品规裁剪成单独的图像源后作为训练模板存入对应的文件夹中,训练的时候按存放样本图片的地址遍历所有的样本,提取样本图片的RGB颜色信息和纹理信息,并将提取的信息转换成向量输入到分类器中进行训练,等待所有的数据训练完成。
步骤3:订单核对,通过编码器2判断烟的位置,启动皮带线相机实时拍摄并读取编码器2的值,按照实施例三所述,可以获取每一帧图像中所有条烟的区域,将每条烟的区域从图像中分割出来,并输入到分类器中进行识别,识别的结果按进出顺序排列成队,并计算出队列中每条烟的位置,当拍摄下一帧图像时,同样识别出图像中出现所有的条烟,并把第二帧图像中所有烟的识别的结果和位置信息排列成队,将后一帧图像中的队列中所有的元素,按冒泡排序和第一帧图像中队列中的元素的位置做对比,如果对比结果和编码器2的位移相同或者在误差允许范围内,则判定这条烟在上一帧的图像中出现过,该烟的识别结果不会发送到上位机参与每户订单的核对。
综上,本发明不需要光电开关作为外触发的条件,相机采用自由触发模式进行连续拍摄,目标在相机视野移动的过程中,连续拍照识别目标,但是这样做使同一个目标可能会识别多次导致误判,为了避免同一个目标因为连续拍摄识别多次,需要每次拍照的同时保存目标在图像中的位置,在皮带线上装上编码器可以获取每次拍照皮带线移动的距离,每一张图片识别目标的位置和上一张图片中识别目标的位置做对比,如果相邻两张图片中两个目标之间的距离和皮带线的位移相等,则判定两个目标是同一条烟,识别的结果只输出一次。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于编码器判断条烟位置的高速分拣智能纠错系统,其特征在于,包括:
输送带,用来传送烟的传送机构,在来烟进入分拣智能纠错系统前需要多段差速皮带,保证条烟在传送的过程中能保持一定间距;
编码器,皮带线和编码器紧密接触,将皮带线运动的行程转换成电信号;
彩色工业相机,在高速分拣智能纠错系统中用来实时拍照,记录任意时刻皮带线上的条烟的品规;
光源组,位于第三段皮带线的正上方,由一个穹顶灯罩和四个白色面光源组成,为相机提供照明和稳定的光照环境;
IO控制卡,接受PLC的切户信号,并且将编码器的电信号转换成脉冲信号,由脉冲当量计算传送带的拍照时的位移;
图像识别和定位模块,用来定位每条烟的位置和识别每一条烟的品规,并且将每一条烟的品规和每一户的订单做比较,如果订单不一致,则停机报警。
2.如权利要求1所述的一种基于编码器判断条烟位置的高速分拣智能纠错系统,其特征在于,所述输送带主要由三段环形皮带线组成,三段环形皮带线各自套在传动轴的皮带轮上,传动轴的速度从第一段皮带线开始逐段递增,前两段皮带线构成了一个差速机构。
3.如权利要求1所述的一种基于编码器判断条烟位置的高速分拣智能纠错系统,其特征在于,所述编码器安装在第三段皮带线的背面,皮带线动作时,编码器的码盘和皮带线靠摩擦力,编码器会将第三段皮带的位移转换成周期性的电信号,再把电信号转变成计数脉冲,再用IO控制卡将脉冲的个数表示位移的大小。
4.如权利要求1所述的一种基于编码器判断条烟位置的高速分拣智能纠错系统,其特征在于,所述穹顶灯罩通过支架安装固定在第三段皮带线的正上方,所述穹顶灯罩的内壁上喷涂漫反射材料,所述穹顶灯罩每一侧的底部边沿上固定有铰链,用来安装光源,通过铰链用于前后调整光源角度。
5.如权利要求1所述的一种基于编码器判断条烟位置的高速分拣智能纠错系统,其特征在于,所述穹顶灯罩的顶部开有圆孔,用来安装固定相机,所述相机的镜头采用广角镜头。
6.一种如权利要求1-5任一项所述的基于编码器判断条烟位置的高速分拣智能纠错系统的纠错方法,其特征在于,包括如下步骤:
S1:图形算法处理;
首先保存一张背景图,相机在输入目标图像和背景图在算法中进行像素作差,提取出条烟的前景图片,先对前景图片做中值滤波处理进行去噪,用二值化提取出包含条烟的所有区域,将提取的区域进行分割把不同的条烟分割到不同的区域;对每个区域求取最小外接矩形,计算出最小外接矩形的中心和方向,以最小外接矩形的中心进行旋转,将每条烟的旋转成90度,将旋转后的烟姿从图像上裁剪出来,相当于将图像上的每条烟摆正后都裁剪成一张张单独的图像源;
S2:训练样本;
将每种品规裁剪成单独的图像源后作为训练模板存入对应的文件夹中,训练的时候按存放样本图片的地址遍历所有的样本,提取样本图片的RGB颜色信息和纹理信息,并将提取的信息转换成向量输入到分类器中进行训练,等待所有的数据训练完成;
S3:订单核对;
通过编码器判断烟的位置,启动皮带线相机实时拍摄并读取编码器的值,获取每一帧图像中所有条烟的区域,将每条烟的区域从图像中分割出来,并输入到分类器中进行识别,识别的结果按进出顺序排列成队,并计算出队列中每条烟的位置,当拍摄下一帧图像时,同样识别出图像中出现所有的条烟,并把第二帧图像中所有烟的识别的结果和位置信息排列成队,将后一帧图像中的队列中所有的元素,按冒泡排序和第一帧图像中队列中的元素的位置做对比,如果对比结果和编码器的位移相同或者在误差允许范围内,则判定这条烟在上一帧的图像中出现过,该烟的识别结果不会发送到上位机参与每户订单的核对。
7.如权利要求6所述的基于编码器判断条烟位置的高速分拣智能纠错方法,其特征在于,所述步骤S1中还包括:若有些条烟在差速机构没有完全分开,会出现局部粘连的现象,对图像进行先腐蚀后膨胀的算法,将每一条烟都完全分成独立的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011279.2A CN116070655A (zh) | 2023-01-05 | 2023-01-05 | 基于编码器判断条烟位置的高速分拣智能纠错系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011279.2A CN116070655A (zh) | 2023-01-05 | 2023-01-05 | 基于编码器判断条烟位置的高速分拣智能纠错系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070655A true CN116070655A (zh) | 2023-05-05 |
Family
ID=86176250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310011279.2A Pending CN116070655A (zh) | 2023-01-05 | 2023-01-05 | 基于编码器判断条烟位置的高速分拣智能纠错系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070655A (zh) |
-
2023
- 2023-01-05 CN CN202310011279.2A patent/CN116070655A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10628648B2 (en) | Systems and methods for tracking optical codes | |
US11049278B2 (en) | System and method for visual identification, and system and method for classifying and sorting | |
US10255517B2 (en) | Information processing apparatus and information processing method | |
KR20220042916A (ko) | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 | |
CN111709935B (zh) | 一种用于地面运动皮带上实时煤矸石定位识别方法 | |
US20160314368A1 (en) | System and a method for the detection of multiple number-plates of moving cars in a series of 2-d images | |
Wang et al. | End-to-end scene text recognition in videos based on multi frame tracking | |
KR20190007380A (ko) | 광전자 코드 판독기 및 광학 코드 판독 방법 | |
KR101059801B1 (ko) | 자동 물류 시스템 및 그 제어방법 | |
CA3149455A1 (en) | Article identification and tracking | |
CN116311063A (zh) | 监控视频下基于人脸识别的人员细粒度跟踪方法及系统 | |
RU2482045C2 (ru) | Устройство извлечения из стопы плоских предметов с обнаружением следа извлеченных предметов | |
US20240111835A1 (en) | Object detection systems and methods including an object detection model using a tailored training dataset | |
CN116070655A (zh) | 基于编码器判断条烟位置的高速分拣智能纠错系统及方法 | |
US20230152781A1 (en) | Manufacturing intelligence service system connected to mes in smart factory | |
EP0587329A2 (en) | Image processing system | |
CN107742383B (zh) | 基于光面成像的自动结算系统及结算方法 | |
KR20230150625A (ko) | 수하물 분류 시스템 | |
Kuo et al. | Design and Implementation of AI aided Fruit Grading Using Image Recognition | |
KR102457712B1 (ko) | 수하물 이중적재 판별 시스템 및 방법 | |
Kovács et al. | Shape-and-motion-fused multiple flying target recognition and tracking | |
US20240135687A1 (en) | Object detection systems and methods including an object detection model using a tailored training dataset | |
RU2782408C1 (ru) | Автоматизированный комплекс по сортировке использованной тары | |
TWI817265B (zh) | 輸送帶上的物件追蹤及導引系統及其方法 | |
CN113163167B (zh) | 图像获取方法和装置 |
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 |