CN116493290B - 一种用于塑料颗粒生产的智能分选方法及系统 - Google Patents
一种用于塑料颗粒生产的智能分选方法及系统 Download PDFInfo
- Publication number
- CN116493290B CN116493290B CN202310769978.3A CN202310769978A CN116493290B CN 116493290 B CN116493290 B CN 116493290B CN 202310769978 A CN202310769978 A CN 202310769978A CN 116493290 B CN116493290 B CN 116493290B
- Authority
- CN
- China
- Prior art keywords
- sorting
- particle
- classification
- preset
- execution node
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 278
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 51
- 230000004927 fusion Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 15
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001360 synchronised effect Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- B07C5/04—Sorting according to size
- B07C5/10—Sorting according to size measured by light-responsive means
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B13/00—Conditioning or physical treatment of the material to be shaped
- B29B13/10—Conditioning or physical treatment of the material to be shaped by grinding, e.g. by triturating; by sieving; by filtering
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明涉及塑料处理技术领域，提供一种用于塑料颗粒生产的智能分选方法及系统，方法包括：获取生产控制平台，得到预设颗粒信息；根据分选传送线路，确定分选节点；图像采集得到颗粒图像数据集，进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；根据分选传送线路，确定分选执行节点；依照分类目标，生成预设自适应分类器并输入尺寸特征集和表面特征集进行层级分类，获取层级分类结果输入并进行分选，解决塑料颗粒分选的控制参数无法进行自适应调整技术问题，实现同步进行图像采集并识别尺寸特征和表面特征，塑料颗粒分选的控制参数无法进行自适应调整，进而实现不同尺寸颗粒或表面颗粒的塑料颗粒进行精细化的适应性分类技术效果。
Description
技术领域
本发明涉及塑料处理相关技术领域，具体涉及一种用于塑料颗粒生产的智能分选方法及系统。
背景技术
塑料颗粒生产中的分选（sorting）是将不同尺寸颗粒或表面颗粒的塑料颗粒进行分类，以便于后续的加工和利用，比如，通过振动筛分机（vibratory screening）可以根据颗粒大小和形状进行筛选等，分选可以提高塑料颗粒的质量，避免杂质和不良品的混入，从而增加塑料制品的使用寿命和降低回收再利用成本。
通常采用机械分选，通过特定设备对塑料颗粒进行检测、筛选、分离等工序，机械分选器的控制参数一般由本领域技术人员设置，但人工设置的控制参数需要多次调试，多次调试存在一定量的分选失败塑料颗粒，分选失败塑料颗粒需要重新进行二次分选，进而导致影响分选的整体效率。
综上所述，现有技术中存在塑料颗粒分选的控制参数无法进行自适应调整的技术问题。
发明内容
本申请通过提供了一种用于塑料颗粒生产的智能分选方法及系统，旨在解决现有技术中的塑料颗粒分选的控制参数无法进行自适应调整的技术问题。
鉴于上述问题，本申请实施例提供了一种用于塑料颗粒生产的智能分选方法及系统。
本申请公开的第一个方面，提供了一种用于塑料颗粒生产的智能分选方法，其中，所述方法包括：获取第一塑料颗粒的生产控制平台，得到预设颗粒信息，其中，所述预设颗粒信息包括尺寸颗粒信息和表面颗粒信息；根据所述生产控制平台的分选传送线路，确定第一分选节点；对所述第一分选节点设置第一图像采集装置，根据所述第一图像采集装置对处于所述第一分选节点的塑料颗粒进行图像采集，得到颗粒图像数据集；根据所述颗粒图像数据集进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；根据所述生产控制平台的分选传送线路，确定分选执行节点；基于所述分选执行节点作为分类目标，生成预设自适应分类器；将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，获取层级分类结果，将每一层级的分类结果输入所述分选执行节点中进行分选。
本申请公开的另一个方面，提供了一种用于塑料颗粒生产的智能分选系统，其中，所述系统包括：预设颗粒信息得到模块，用于获取第一塑料颗粒的生产控制平台，得到预设颗粒信息，其中，所述预设颗粒信息包括尺寸颗粒信息和表面颗粒信息；第一分选节点确定模块，用于根据所述生产控制平台的分选传送线路，确定第一分选节点；颗粒图像数据集得到模块，用于对所述第一分选节点设置第一图像采集装置，根据所述第一图像采集装置对处于所述第一分选节点的塑料颗粒进行图像采集，得到颗粒图像数据集；特征集实处模块，用于根据所述颗粒图像数据集进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；分选执行节点确定模块，用于根据所述生产控制平台的分选传送线路，确定分选执行节点；预设自适应分类器生成模块，用于基于所述分选执行节点作为分类目标，生成预设自适应分类器；层级分类模块，用于将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，获取层级分类结果，将每一层级的分类结果输入所述分选执行节点中进行分选。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获取第一塑料颗粒的生产控制平台，得到预设颗粒信息；根据分选传送线路，确定第一分选节点；图像采集得到颗粒图像数据集，进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；根据生产控制平台的分选传送线路，确定分选执行节点；依照分类目标，生成预设自适应分类器；将尺寸特征集和表面特征集输入预设自适应分类器进行层级分类，获取层级分类结果，输入分选执行节点中进行分选，实现了同步进行图像采集并识别尺寸特征和表面特征，塑料颗粒分选的控制参数无法进行自适应调整，进而实现不同尺寸颗粒或表面颗粒的塑料颗粒进行精细化的适应性分类的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种用于塑料颗粒生产的智能分选方法可能的流程示意图；
图2为本申请实施例提供了一种用于塑料颗粒生产的智能分选方法中生成预设自适应分类器可能的流程示意图；
图3为本申请实施例提供了一种用于塑料颗粒生产的智能分选方法中执行分选执行节点中的分选可能的流程示意图；
图4为本申请实施例提供了一种用于塑料颗粒生产的智能分选系统可能的结构示意图。
附图标记说明：预设颗粒信息得到模块100，第一分选节点确定模块200，颗粒图像数据集得到模块300，特征集实处模块400，分选执行节点确定模块500，预设自适应分类器生成模块600，层级分类模块700。
具体实施方式
本申请实施例提供了一种用于塑料颗粒生产的智能分选方法及系统，解决了塑料颗粒分选的控制参数无法进行自适应调整的技术问题，实现了同步进行图像采集并识别尺寸特征和表面特征，塑料颗粒分选的控制参数无法进行自适应调整，进而实现不同尺寸颗粒或表面颗粒的塑料颗粒进行精细化的适应性分类的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种用于塑料颗粒生产的智能分选方法，其中，所述方法包括：
S10：获取第一塑料颗粒的生产控制平台，得到预设颗粒信息，其中，所述预设颗粒信息包括尺寸颗粒信息和表面颗粒信息；
S20：根据所述生产控制平台的分选传送线路，确定第一分选节点；
S30：对所述第一分选节点设置第一图像采集装置，根据所述第一图像采集装置对处于所述第一分选节点的塑料颗粒进行图像采集，得到颗粒图像数据集；
S40：根据所述颗粒图像数据集进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；
S50：根据所述生产控制平台的分选传送线路，确定分选执行节点；
具体而言，所述第一塑料颗粒为待分选的塑料颗粒，所述生产控制平台为一智能调控平台，所述预设颗粒信息包括尺寸颗粒信息和表面颗粒信息，根据所述生产控制平台的分选传送线路，当出现一传送线路转为多传送线路时，将第一个转为多传送线路的传送线路节点作为第一分选节点；对所述第一分选节点设置第一图像采集装置，在所述第一分选节点图像采集点；
通过所述第一图像采集装置，对处于所述第一分选节点的塑料颗粒进行图像采集，得到颗粒图像数据集；尺寸特征、表面特征，所述尺寸特征对应所述尺寸颗粒信息；所述表面特征对应所述表面颗粒信息，所述颗粒图像数据集包括第一分选节点的塑料颗粒的当前尺寸颗粒信息和当前表面颗粒信息，根据所述生产控制平台上的分选传送线路，对照所述第一分选节点，确定分选执行节点，所述生产控制平台上的分选传送线路对应的所有的分选执行节点，为后续分析提供数据基础。
S60：基于所述分选执行节点作为分类目标，生成预设自适应分类器；
如图2所示，本申请实施例还包括步骤：
S61：随机从训练样本数据集中获取m组训练数据，其中，所述训练样本数据集包括塑料颗粒图像数据集；
S62：对所述m组训练数据分别进行均匀分布权重层训练，得到m个颗粒分类模型；
S63：输出基于m个颗粒分类模型的m个颗粒分类结果；
S64：计算所述m个颗粒分类结果中每一类结果的分类误差率，输出m个分类误差率；
S65：根据所述m个分类误差率，更新所述m组训练数据的权值分布，用于进行下一轮迭代，对迭代结束后的m个颗粒分类模型进行融合，生成所述预设自适应分类器。
具体而言，基于所述分选执行节点作为分类目标，生成预设自适应分类器，包括，所述训练样本数据集包括塑料颗粒图像数据集，所述塑料颗粒图像数据集，随机不放回的从训练样本数据集中获取m组训练数据，其中，m为不小于100的正整数；
所述均匀分布权重层的原型为bp网络模型中的网络层，分别以所述m组训练数据中的每一组训练数据作为模型训练数据，由输入端输入所述bp网络模型中，在输出对应的尺寸特征、表面特征趋于稳定后（稳定：同一颗粒图像数据对应输出的尺寸特征、表面特征不低于10次完全一致），训练得到m个颗粒分类模型，所述m个颗粒分类模型的权重与所述分选节点的塑料颗粒流量呈正比，即所述m个颗粒分类模型的权重满足均匀分布；
输出基于m个颗粒分类模型的m个颗粒分类结果，所述颗粒分类结果即当前节点的尺寸特征、表面特征；计算所述m个颗粒分类结果中每一类结果的分类误差率，所述分类误差率为相对于所述预设颗粒信息而言的误差率，对照所述m个颗粒分类模型的m个颗粒分类结果，分别输出m个分类误差率；
根据所述m个分类误差率，更新所述m组训练数据的权值分布，更新所述m组训练数据的权值分布用于进行下一轮迭代，在所述m个颗粒分类模型迭代循环结束后，对迭代结束后的m个颗粒分类模型进行融合，生成所述预设自适应分类器，所述预设自适应分类器集中所述m个颗粒分类模型的功能，为进行塑料颗粒的自适应筛选提供模型基础。
步骤S65包括步骤：
S651：根据所述m个分类误差率，获取所述m个颗粒分类模型的m个重要系数；
S652：对所述分选执行节点中的各个分选执行节点进行重要性识别，获取所述分选执行节点的重要系数；
S653：根据所述分选执行节点的重要系数对每个颗粒分类模型中的分类误差率进行系数融参，获取所述m个颗粒分类模型融参后的m个重要系数；
S654：以所述m个颗粒分类模型的m个重要系数更新所述m组训练数据的权值分布。
步骤S653还包括步骤：
S653-1：获取所述m个颗粒分类模型融参后的m个重要系数的公式如下：，其中，/>标识第m组训练数据的更新权值；/>标识第m组训练数据的分类误差率，/>；/>标识分选执行节点的重要系数；/>随着/>的减小而增大。
具体而言，根据所述m个分类误差率，更新所述m组训练数据的权值分布，包括，根据所述m个分类误差率，按照分类误差率从小到大的顺序，对所述m个分类误差率进行排序，对照分类误差率大小设置重要系数，分类误差率越较小的分类器对应的重要系数较大，分类误差率越较大的分类器对应的重要系数较小，获取所述m个颗粒分类模型的m个重要系数；
将塑料颗粒生产的分选作为目标，分别对所述分选执行节点中的各个分选执行节点进行重要性识别，对所述分选执行节点中的各个分选执行节点与塑料颗粒生产的分选进行相关性分析，将所述分选执行节点中的各个分选执行节点与塑料颗粒生产的分选之间的相关度作为所述分选执行节点中的各个分选执行节点的重要性系数，对所述分选执行节点中的各个分选执行节点进行重要性标识，在完成重要性标识后，得到所述分选执行节点的重要系数，另，相关性分析为本领域常用的基础算法手段，不做展开；
根据所述分选执行节点的重要系数对每个颗粒分类模型中的分类误差率进行系数融参，代入所述m个颗粒分类模型融参后的m个重要系数的公式中进行计算，计算获取所述m个颗粒分类模型融参后的m个重要系数；
代入所述m个颗粒分类模型融参后的m个重要系数的公式中进行计算：包括，获取所述m个颗粒分类模型融参后的m个重要系数的公式如下：，其中，/>标识第m组训练数据的更新权值；/>标识第m组训练数据的分类误差率，/>；/>标识分选执行节点的重要系数；/>随着/>的减小而增大；基于所述m个颗粒分类模型融参后的m个重要系数、所述m个颗粒分类模型进行加权融合，以所述m个颗粒分类模型的m个重要系数更新所述m组训练数据的权值分布，生成所述预设自适应分类器，所述预设自适应分类器集中m个颗粒分类模型的功能，为进行塑料颗粒的自适应分类提供模型基础。
本申请实施例还包括步骤：
S655：判断所述分类误差率是否小于预设分类误差率；
S656：若所述分类误差率小于所述预设分类误差率，标识所述m个颗粒分类模型迭代循环结束；
S657：若所述分类误差率大于所述预设分类误差率，判断所述m个颗粒分类模型的迭代次数是否大于预设迭代次数；
S658：若所述m个颗粒分类模型的迭代次数大于所述预设迭代次数，标识所述m个颗粒分类模型迭代循环结束。
具体而言，根据所述m个分类误差率，更新所述m组训练数据的权值分布，用于进行下一轮迭代，对迭代结束后的m个颗粒分类模型进行融合，还包括迭代循环结束之前，设置预设分类误差率，由本领域相关技术人员设置所述预设分类误差率，比较判断所述分类误差率是否小于预设分类误差率；
若所述分类误差率小于所述预设分类误差率，标识所述m个颗粒分类模型迭代循环结束；在所述分类误差率大于所述预设分类误差率的情况下，继续比较判断所述m个颗粒分类模型的迭代次数是否大于预设迭代次数；若所述m个颗粒分类模型的迭代次数不大于所述预设迭代次数，继续进行迭代循环；若所述m个颗粒分类模型的迭代次数大于所述预设迭代次数，标识所述m个颗粒分类模型迭代循环结束，为确定m个颗粒分类模型迭代循环结束提供支持。
S70：将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，获取层级分类结果，将每一层级的分类结果输入所述分选执行节点中进行分选。
如图3所示，步骤S70包括步骤：
S71：将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器中，得到基于所述分选执行节点中每个分选执行节点对应的颗粒分类结果；
S72：根据所述颗粒分类结果的特征，确定所述分选执行节点的分选控制参数；
S73：以所述分选控制参数执行所述分选执行节点中的分选。
具体而言，将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，包括，
将所述尺寸特征集和所述表面特征集作为输入数据，输入所述预设自适应分类器中进行塑料颗粒的自适应分类，得到基于所述分选执行节点中每个分选执行节点对应的颗粒分类结果，所述颗粒分类结果包括第一塑料颗粒的层级分类结果对应的每一层级的分类结果输入所述分选执行节点中分选所得的节点尺寸颗粒、节点表面颗粒，所述节点尺寸颗粒即分选执行节点中分选后的所得的尺寸颗粒、所述节点表面颗粒即分选执行节点中分选后的所得的表面颗粒；
获取所述分选执行节点的颗粒分选设备的使用说明书，遵循所述分选执行节点的颗粒分选设备的使用说明书，将所述颗粒分类结果的特征作为调控目标，确定所述分选执行节点的分选控制参数，以所述分选控制参数执行所述分选执行节点中的分选，为进行塑料颗粒生产的自动化分选提供在支持。
本申请实施例还包括：
S74：获取所述分类结果的特征对应分选执行节点的颗粒分选设备；
S75：确定所述颗粒分选设备的可调粒度区间；
S76：将所述分类结果的特征输入对应分选执行节点的所述颗粒分选设备中，基于可调粒度区间进行颗粒分选粒度寻优，得到粒度分选控制参数；
S77：根据所述粒度分选控制参数执行对应分选执行节点中的粒度分选。
具体而言，根据所述颗粒分类结果的特征，确定所述分选执行节点的分选控制参数，包括：所述颗粒分选设备包括预处理设备、振动筛分机等一系列塑料颗粒分选机械设备，其中，所述预处理设备用于去除污染物，如石头、金属、泥土、树枝等，以便后续设备处理； 获取所述分选执行节点的颗粒分选设备的使用说明书，依照所述颗粒分选设备使用说明书中的设备使用说明，确定所述颗粒分选设备的可调粒度区间；
将所述分类结果的特征输入对应分选执行节点的所述颗粒分选设备中，在所述可调粒度区间限定范围内进行颗粒分选粒度寻优，得到粒度分选控制参数：颗粒分选粒度寻优是一种重要的物料分类技术，实现自动化处理并提高产品质量和效率，要寻找最优的粒度范围，某些粒子可能具有较大的表面积和不规则的形状，这可能导致难以分选，基于此，以所述颗粒分选设备的可调粒度区间为基础，需要研究原料类型的特殊要求对于决定最佳分选范围，针对存在特殊需求的塑料颗粒进行颗粒分选粒度范围寻优，进一步约束得到粒度分选控制参数；根据所述粒度分选控制参数执行对应分选执行节点中的粒度分选，研究原料类型的特殊要求对于决定最佳分选范围，保证塑料颗粒生产的分选的完整性。
综上所述，本申请实施例所提供的一种用于塑料颗粒生产的智能分选方法及系统具有如下技术效果：
1．由于采用了获取第一塑料颗粒的生产控制平台，得到预设颗粒信息；根据分选传送线路，确定第一分选节点；图像采集得到颗粒图像数据集，进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；根据生产控制平台的分选传送线路，确定分选执行节点；依照分类目标，生成预设自适应分类器；将尺寸特征集和表面特征集输入预设自适应分类器进行层级分类，获取层级分类结果，输入分选执行节点中进行分选，本申请通过提供了一种用于塑料颗粒生产的智能分选方法及系统，实现了同步进行图像采集并识别尺寸特征和表面特征，塑料颗粒分选的控制参数无法进行自适应调整，进而实现不同尺寸颗粒或表面颗粒的塑料颗粒进行精细化的适应性分类的技术效果。
2．由于采用了获取颗粒分选设备；确定颗粒分选设备的可调粒度区间；将分类结果的特征输入颗粒分选设备中，基于可调粒度区间进行颗粒分选粒度寻优，得到粒度分选控制参数并执行粒度分选，研究原料类型的特殊要求对于决定最佳分选范围，保证塑料颗粒生产的分选的完整性。
实施例二
基于与前述实施例中一种用于塑料颗粒生产的智能分选方法相同的发明构思，如图4所示，本申请实施例提供了一种用于塑料颗粒生产的智能分选系统，其中，所述系统包括：
预设颗粒信息得到模块100，用于获取第一塑料颗粒的生产控制平台，得到预设颗粒信息，其中，所述预设颗粒信息包括尺寸颗粒信息和表面颗粒信息；
第一分选节点确定模块200，用于根据所述生产控制平台的分选传送线路，确定第一分选节点；
颗粒图像数据集得到模块300，用于对所述第一分选节点设置第一图像采集装置，根据所述第一图像采集装置对处于所述第一分选节点的塑料颗粒进行图像采集，得到颗粒图像数据集；
特征集实处模块400，用于根据所述颗粒图像数据集进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；
分选执行节点确定模块500，用于根据所述生产控制平台的分选传送线路，确定分选执行节点；
预设自适应分类器生成模块600，用于基于所述分选执行节点作为分类目标，生成预设自适应分类器；
层级分类模块700，用于将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，获取层级分类结果，将每一层级的分类结果输入所述分选执行节点中进行分选。
进一步的，所述系统包括：
训练数据获取模块，用于随机从训练样本数据集中获取m组训练数据，其中，所述训练样本数据集包括塑料颗粒图像数据集；
颗粒分类模型得到模块，用于对所述m组训练数据分别进行均匀分布权重层训练，得到m个颗粒分类模型；
颗粒分类结果输出模块，用于输出基于m个颗粒分类模型的m个颗粒分类结果；
分类误差率输出模块，用于计算所述m个颗粒分类结果中每一类结果的分类误差率，输出m个分类误差率；
预设自适应分类器生成模块，用于根据所述m个分类误差率，更新所述m组训练数据的权值分布，用于进行下一轮迭代，对迭代结束后的m个颗粒分类模型进行融合，生成所述预设自适应分类器。
进一步的，所述系统包括：
重要系数获取模块，用于根据所述m个分类误差率，获取所述m个颗粒分类模型的m个重要系数；
重要性识别模块，用于对所述分选执行节点中的各个分选执行节点进行重要性识别，获取所述分选执行节点的重要系数；
系数融参模块，用于根据所述分选执行节点的重要系数对每个颗粒分类模型中的分类误差率进行系数融参，获取所述m个颗粒分类模型融参后的m个重要系数；
权值分布模块，用于以所述m个颗粒分类模型的m个重要系数更新所述m组训练数据的权值分布。
进一步的，所述系统包括：
重要系数的公式获取模块，用于获取所述m个颗粒分类模型融参后的m个重要系数的公式如下：，其中，/>标识第m组训练数据的更新权值；/>标识第m组训练数据的分类误差率，/>；/>标识分选执行节点的重要系数；/>随着/>的减小而增大。
进一步的，所述系统包括：
误差率判断模块，用于判断所述分类误差率是否小于预设分类误差率；
迭代循环结束模块，用于若所述分类误差率小于所述预设分类误差率，标识所述m个颗粒分类模型迭代循环结束；
迭代次数判断模块，用于若所述分类误差率大于所述预设分类误差率，判断所述m个颗粒分类模型的迭代次数是否大于预设迭代次数；
循环结束标识模块，用于若所述m个颗粒分类模型的迭代次数大于所述预设迭代次数，标识所述m个颗粒分类模型迭代循环结束。
进一步的，所述系统包括：
颗粒分类结果得到模块，用于将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器中，得到基于所述分选执行节点中每个分选执行节点对应的颗粒分类结果；
分选控制参数确定模块，用于根据所述颗粒分类结果的特征，确定所述分选执行节点的分选控制参数；
分选执行节点模块，用于以所述分选控制参数执行所述分选执行节点中的分选。
进一步的，所述系统包括：
颗粒分选设备获取模块，用于获取所述分类结果的特征对应分选执行节点的颗粒分选设备；
可调粒度区间确定模块，用于确定所述颗粒分选设备的可调粒度区间；
颗粒分选粒度寻优模块，用于将所述分类结果的特征输入对应分选执行节点的所述颗粒分选设备中，基于可调粒度区间进行颗粒分选粒度寻优，得到粒度分选控制参数；
粒度分选模块，用于根据所述粒度分选控制参数执行对应分选执行节点中的粒度分选。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。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范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种用于塑料颗粒生产的智能分选方法，其特征在于，所述方法包括：
获取第一塑料颗粒的生产控制平台，得到预设颗粒信息，其中，所述预设颗粒信息包括尺寸颗粒信息和表面颗粒信息；
根据所述生产控制平台的分选传送线路，确定第一分选节点；
对所述第一分选节点设置第一图像采集装置，根据所述第一图像采集装置对处于所述第一分选节点的塑料颗粒进行图像采集，得到颗粒图像数据集；
根据所述颗粒图像数据集进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；
根据所述生产控制平台的分选传送线路，确定分选执行节点；
基于所述分选执行节点作为分类目标，生成预设自适应分类器；
将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，获取层级分类结果，将每一层级的分类结果输入所述分选执行节点中进行分选；
其中，所述方法还包括：
随机从训练样本数据集中获取m组训练数据，其中，所述训练样本数据集包括塑料颗粒图像数据集；
对所述m组训练数据分别进行均匀分布权重层训练，得到m个颗粒分类模型；
输出基于m个颗粒分类模型的m个颗粒分类结果；
计算所述m个颗粒分类结果中每一类结果的分类误差率，输出m个分类误差率；
根据所述m个分类误差率，更新所述m组训练数据的权值分布，用于进行下一轮迭代，对迭代结束后的m个颗粒分类模型进行融合，生成所述预设自适应分类器；
根据所述m个分类误差率，获取所述m个颗粒分类模型的m个重要系数；
对所述分选执行节点中的各个分选执行节点进行重要性识别，获取所述分选执行节点的重要系数；
根据所述分选执行节点的重要系数对每个颗粒分类模型中的分类误差率进行系数融参，获取所述m个颗粒分类模型融参后的m个重要系数；
以所述m个颗粒分类模型的m个重要系数更新所述m组训练数据的权值分布。
2.如权利要求1所述的方法，其特征在于，获取所述m个颗粒分类模型融参后的m个重要系数的公式如下：
，
其中，标识第m组训练数据的更新权值；/>标识第m组训练数据的分类误差率，；/>标识分选执行节点的重要系数；/>随着/> 的减小而增大。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述分类误差率是否小于预设分类误差率；
若所述分类误差率小于所述预设分类误差率，标识所述m个颗粒分类模型迭代循环结束；
若所述分类误差率大于所述预设分类误差率，判断所述m个颗粒分类模型的迭代次数是否大于预设迭代次数；
若所述m个颗粒分类模型的迭代次数大于所述预设迭代次数，标识所述m个颗粒分类模型迭代循环结束。
4.如权利要求1所述的方法，其特征在于，将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，方法还包括：
将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器中，得到基于所述分选执行节点中每个分选执行节点对应的颗粒分类结果；
根据所述颗粒分类结果的特征，确定所述分选执行节点的分选控制参数；
以所述分选控制参数执行所述分选执行节点中的分选。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
获取所述分类结果的特征对应分选执行节点的颗粒分选设备；
确定所述颗粒分选设备的可调粒度区间；
将所述分类结果的特征输入对应分选执行节点的所述颗粒分选设备中，基于可调粒度区间进行颗粒分选粒度寻优，得到粒度分选控制参数；
根据所述粒度分选控制参数执行对应分选执行节点中的粒度分选。
6.一种用于塑料颗粒生产的智能分选系统，其特征在于，用于实施权利要求1-5任意一项所述的一种用于塑料颗粒生产的智能分选方法，包括：
预设颗粒信息得到模块，用于获取第一塑料颗粒的生产控制平台，得到预设颗粒信息，其中，所述预设颗粒信息包括尺寸颗粒信息和表面颗粒信息；
第一分选节点确定模块，用于根据所述生产控制平台的分选传送线路，确定第一分选节点；
颗粒图像数据集得到模块，用于对所述第一分选节点设置第一图像采集装置，根据所述第一图像采集装置对处于所述第一分选节点的塑料颗粒进行图像采集，得到颗粒图像数据集；
特征集实处模块，用于根据所述颗粒图像数据集进行尺寸特征识别和表面特征识别，输出尺寸特征集和表面特征集；
分选执行节点确定模块，用于根据所述生产控制平台的分选传送线路，确定分选执行节点；
预设自适应分类器生成模块，用于基于所述分选执行节点作为分类目标，生成预设自适应分类器；
层级分类模块，用于将所述尺寸特征集和所述表面特征集输入所述预设自适应分类器进行层级分类，获取层级分类结果，将每一层级的分类结果输入所述分选执行节点中进行分选；
训练数据获取模块，用于随机从训练样本数据集中获取m组训练数据，其中，所述训练样本数据集包括塑料颗粒图像数据集；
颗粒分类模型得到模块，用于对所述m组训练数据分别进行均匀分布权重层训练，得到m个颗粒分类模型；
颗粒分类结果输出模块，用于输出基于m个颗粒分类模型的m个颗粒分类结果；
分类误差率输出模块，用于计算所述m个颗粒分类结果中每一类结果的分类误差率，输出m个分类误差率；
预设自适应分类器生成模块，用于根据所述m个分类误差率，更新所述m组训练数据的权值分布，用于进行下一轮迭代，对迭代结束后的m个颗粒分类模型进行融合，生成所述预设自适应分类器；
重要系数获取模块，用于根据所述m个分类误差率，获取所述m个颗粒分类模型的m个重要系数；
重要性识别模块，用于对所述分选执行节点中的各个分选执行节点进行重要性识别，获取所述分选执行节点的重要系数；
系数融参模块，用于根据所述分选执行节点的重要系数对每个颗粒分类模型中的分类误差率进行系数融参，获取所述m个颗粒分类模型融参后的m个重要系数；
权值分布模块，用于以所述m个颗粒分类模型的m个重要系数更新所述m组训练数据的权值分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769978.3A CN116493290B (zh) | 2023-06-28 | 2023-06-28 | 一种用于塑料颗粒生产的智能分选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769978.3A CN116493290B (zh) | 2023-06-28 | 2023-06-28 | 一种用于塑料颗粒生产的智能分选方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116493290A CN116493290A (zh) | 2023-07-28 |
| CN116493290B true CN116493290B (zh) | 2023-09-05 |
Family
ID=87316942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310769978.3A Active CN116493290B (zh) | 2023-06-28 | 2023-06-28 | 一种用于塑料颗粒生产的智能分选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116493290B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977658B (zh) * | 2023-08-07 | 2024-01-26 | 江苏秦郡机械科技有限公司 | 一种多维度的振动筛选方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566832A (en) * | 1994-08-05 | 1996-10-22 | Daimler-Benz Ag | Method for sorting plastics from a particle mixture composed of different plastics |
| JP2007313467A (ja) * | 2006-05-29 | 2007-12-06 | Nisshin Flour Milling Inc | 粒状物選別機 |
| CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
| CN111709326A (zh) * | 2020-05-29 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的级联式颗粒作物质量分析方法及其系统 |
| CN112712134A (zh) * | 2021-01-15 | 2021-04-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料颗粒分类识别方法、系统、介质及电子终端 |
| CN114324078A (zh) * | 2021-12-24 | 2022-04-12 | 中煤科工清洁能源股份有限公司 | 一种颗粒粒径识别方法、装置、设备和介质 |
| CN114897424A (zh) * | 2022-06-06 | 2022-08-12 | 常州智砼绿色建筑科技有限公司 | 一种基于建筑垃圾再生填料组分的精细化分类方法及系统 |
-
2023
- 2023-06-28 CN CN202310769978.3A patent/CN116493290B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566832A (en) * | 1994-08-05 | 1996-10-22 | Daimler-Benz Ag | Method for sorting plastics from a particle mixture composed of different plastics |
| JP2007313467A (ja) * | 2006-05-29 | 2007-12-06 | Nisshin Flour Milling Inc | 粒状物選別機 |
| CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
| CN111709326A (zh) * | 2020-05-29 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的级联式颗粒作物质量分析方法及其系统 |
| CN112712134A (zh) * | 2021-01-15 | 2021-04-27 | 中冶赛迪重庆信息技术有限公司 | 一种原料颗粒分类识别方法、系统、介质及电子终端 |
| CN114324078A (zh) * | 2021-12-24 | 2022-04-12 | 中煤科工清洁能源股份有限公司 | 一种颗粒粒径识别方法、装置、设备和介质 |
| CN114897424A (zh) * | 2022-06-06 | 2022-08-12 | 常州智砼绿色建筑科技有限公司 | 一种基于建筑垃圾再生填料组分的精细化分类方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116493290A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116493290B (zh) | 一种用于塑料颗粒生产的智能分选方法及系统 | |
| Sussman et al. | Consistent latent position estimation and vertex classification for random dot product graphs | |
| Batool et al. | A systematic review of deep learning for silicon wafer defect recognition | |
| CN107123111A (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
| US8059890B2 (en) | Method for implementing n-dimensional object recognition using dynamic adaptive recognition layers | |
| JP2001135692A (ja) | ハイブリッドで一様に適用可能な自動欠陥分類法 | |
| CN110310345A (zh) | 一种基于自动分工隐聚类生成对抗网络的图像生成方法 | |
| CN109784368A (zh) | 一种应用程序分类的确定方法和装置 | |
| CN115184193B (zh) | 线缆的自动化测试方法、装置、设备及存储介质 | |
| Heidari et al. | Fabric textile defect detection, by selecting a suitable subset of wavelet coefficients, through genetic algorithm | |
| CN109886937A (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
| CN112384892A (zh) | 信息处理装置、信息处理方法以及信息处理程序 | |
| CN111652257A (zh) | 一种样本数据清洗方法及系统 | |
| Balaji et al. | Artificial immune system algorithm and simulated annealing algorithm for scheduling batches of parts based on job availability model in a multi-cell flexible manufacturing system | |
| CN108241662A (zh) | 数据标注的优化方法及装置 | |
| EP4290470A1 (en) | Rock identification method, system and apparatus, terminal, and readable storage medium | |
| CN110019827A (zh) | 一种语料库生成方法、装置、设备和计算机存储介质 | |
| CN109992667A (zh) | 一种文本分类方法以及装置 | |
| CN110097027A (zh) | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 | |
| KR20200080088A (ko) | 인공지능 학습을 위한 유사데이터 생성 방법 및 장치 | |
| CN108628873A (zh) | 一种文本分类方法、装置和设备 | |
| Bernard‐Michel et al. | Classification of crystal shape using Fourier descriptors and mathematical morphology | |
| CN109472319B (zh) | 一种三维模型分类方法以及检索方法 | |
| CN110852355B (zh) | 一种基于knn的标签数据分类方法 | |
| CN113160906B (zh) | 一种MXenes材料稳定性分类系统及其运行方法 |
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 |