CN116727295A - 一种全自动化废旧织物识别分拣控制系统 - Google Patents
一种全自动化废旧织物识别分拣控制系统 Download PDFInfo
- Publication number
- CN116727295A CN116727295A CN202310710474.4A CN202310710474A CN116727295A CN 116727295 A CN116727295 A CN 116727295A CN 202310710474 A CN202310710474 A CN 202310710474A CN 116727295 A CN116727295 A CN 116727295A
- Authority
- CN
- China
- Prior art keywords
- data
- fabric
- identification
- waste
- sorting
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 113
- 239000002699 waste material Substances 0.000 title claims abstract description 83
- 239000000835 fiber Substances 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 43
- 239000000203 mixture Substances 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 15
- 238000002329 infrared spectrum Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004064 recycling Methods 0.000 abstract description 2
- 239000004753 textile Substances 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229920000728 polyester Polymers 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 125000003636 chemical group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000001845 vibrational spectrum Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 239000004952 Polyamide Substances 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 238000010169 landfilling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920002647 polyamide Polymers 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- -1 wool Polymers 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- 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
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- 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
- B07C5/16—Sorting according to weight
- B07C5/28—Sorting according to weight using electrical control 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种全自动化废旧织物识别分拣控制系统,涉及资源再利用技术领域,包括识别分析模块,识别分析模块对自动输送模块表面的废旧织物的类型、颜色、成分和纤维细度数据进行获取和分析,得到废旧织物各区域的成分组成及其重量分布,生成数据表单发送至数据模块,控制模块通过分拣策略控制分拣动作模块进行分拣筛选;利用机器视觉技术以及织物视觉识别模型确定废旧织物类型并对其进行区域划分,从而可以针对织物的不同部位进行检测识别,提高了织物的成分识别精度;通过对不同区域的色值进行提取并在识别分析模块中对光谱数据进行色值校正,消除了织物表面的颜色对于光线特别是可见光的影响,使光谱数据更加接近真实,分析结果也更精确。
Description
技术领域
本发明涉及资源再利用技术领域,具体为一种全自动化废旧织物识别分拣控制系统。
背景技术
废旧织物是指生产和使用过程中被废弃的纺织材料及其制品。废旧织物的来源主要有三种:一是在制造纺织品的过程中产生的废丝、残料、下脚料等;二是消费后淘汰的服装,废弃的床上用品、窗帘、地毯等;三是聚酯瓶等具有可利用价值的废旧塑料。废旧织物的产生主要是生产、生活中的一些过期资源。
随着居民生活水平的提高和纺织技术的精进,废旧织物丢弃量也随之增加;而面对如此大量的废旧织物,最为主要的处理方式包括填埋或焚烧,只有少量被回收利用。填埋处理占用大量的土地,残留细菌、病毒,并伴有沼气、重金属、渗漏液等隐患。焚烧处理会产生有害气体。这些传统的废旧织物处理方式都会对环境产生污染;所以需要对这些废旧织物进行识别和分拣;
传统的废旧服装纺织品鉴别、分拣主要依靠熟练工人的主观判断。包括:手感、光泽和燃烧后的状态和气味等,但是这种方式的识别分拣效率和质量得不到保证,且不能保证安全性。另外,采用传统的化学分析方法可以进行废旧纺织品的成分的准确鉴别,但上述方法耗时长,需对被测样品进行破坏,成本高,因此无法在废旧纺织品回收工业领域进行广泛应用,而只适用于第三方机构对服装材料成分进行抽检等。
目前的所谓无损快速鉴别技术主要采用近红外光谱技术,但该技术目前多采用传统的实验室近红外光谱仪器进行离线鉴别。上述鉴别技术一般需要较长的鉴别时间,不适用于大工业生产中对大量服装纺织品成分的鉴别和分拣,为此,我们提供一种全自动化废旧织物识别分拣控制系统。
发明内容
本发明的目的在于提供了一种全自动化废旧织物识别分拣控制系统。
本发明所解决的技术问题为:
(1)如何通过将机器视觉技术和近红外光谱技术结合,确定废旧织物类型并对其进行区域划分,解决现有技术的在线检测分拣中对织物成分的含量组成不准确的问题;
(2)如何通过对不同区域的色值进行提取,并在识别分析模块中对光谱数据进行色值校正,解决现有技术中近红外光谱技术受到织物本身颜色影响的问题;
(3)如何通过区域划分以及针对相应类型的织物面积重量的配比计算,得到织物主要组成成分的总重量配比,解决后续分拣过程中分拣策略单一,分拣的数据支撑薄弱的问题;
(4)如何通过大数据支撑和数据预测模块模拟出对应废旧织物的成分组成,直接制定策略完成分拣,解决现有技术中在大量织物积压和数据处理压力下系统运行压力大无法有效完成分拣的问题。
本发明可以通过以下技术方案实现:一种全自动化废旧织物识别分拣控制系统,包括用于对废旧织物进行有序输送的自动输送模块和用于对废旧织物执行抓取分拣动作的分拣动作模块,该系统还包括识别分析模块,识别分析模块利用机器视觉技术和近红外光谱技术结合的方式,对自动输送模块表面的废旧织物的类型、颜色、成分和纤维细度数据进行获取和分析,得到废旧织物各区域的成分组成及其重量分布,生成数据表单发送至数据模块,控制模块通过分拣策略控制分拣动作模块进行分拣筛选。
本发明的进一步技术改进在于:识别分析模块通过构建的织物视觉识别模型对废旧织物的类型和并在类型确定后进行区域划分后对各区域颜色进行识别并色值记录。
本发明的进一步技术改进在于:识别分析模块对划分的区域进行连续波长照射,产生原始光谱数据并对原始光谱数据进行预处理和特征提取以及色值校正。
本发明的进一步技术改进在于:对原始光谱数据进行预处理的步骤包括:
步骤一、采用数据增强算法对原始光谱数据进行数据增强,增强不同织物纤维的光谱数据的差异性;
步骤二、对数据进行平滑处理消除数据采集过程中的随机噪音;
步骤三、对上述数据进行导数处理解决基线偏移问题;
步骤四、对光谱数据进行多元散射矫正处理,提高光谱的信噪比。
本发明的进一步技术改进在于:光谱数据的特征提取是基于二进制的粒子群算法,将粒子速度利用sigmoid函数进行映射,将得到的映射结果作为概率值,将概率值与概率设定阈值进行比较,当且仅当概率值不低于概率设定阈值时,则表示该向量对应的波长点被选中,该波长处的光谱数据即特征光谱。
本发明的进一步技术改进在于:对经过特征提取的光谱数据进行色值校正的操作包括:
将每一个设定区域内经过特征提取的光谱数据分别标记为Xij,其中,i表示设定区域的编号,j表示在光谱数据中的数据个数编号;
将第i个设定区域的颜色数据标记为Ci,将没有经过染色的对应纤维作为参考基准,通过对比计算得出关于当前颜色数据的色值修正系数,其公式为:
其中,θ为色值修正系数;C表示未染色纤维的颜色数据;λ表示未染色纤维的颜色对应可见光的波长数据;表示色值修正系数与对应波长数据的相关度;
将光谱数据和色值修正系数代入到计算式中,得到修正光谱数据/>
本发明的进一步技术改进在于:根据修正光谱数据在线生成NIR图谱,并利用基于主成分分析和最小二乘法建立的分段回归模型对对废旧织物中的纤维进行分类识别,得到设定区域内纤维的成分组成并传输至数据预测模块。
本发明的进一步技术改进在于:数据预测模块根据整个废旧织物的重量、各区域面积以及成分组成计算得到整个废旧织物中所有纤维成分的组成占比及对应成分分的重量,并生成数据表单发送至控制模块。
本发明的进一步技术改进在于:在大数据支持下,数据预测模块还根据织物的类型进行预测分拣,在确定该废旧织物的类型的情况下,可以直接预测出相关成分组成以及对应的组分占比区间,不需要经过识别分析模块直接进行分拣。
本发明的进一步技术改进在于:控制模块内设置有分拣策略,根据废旧织物的类型、对应成分重量占比的组分进行分拣控制,或在类型和/或组分重量占比相同的情况下,针对纤维细度做进一步的分拣。
与现有技术相比,本发明具备以下有益效果:
1、通过将机器视觉技术和近红外光谱技术结合,实现了对废旧织物的在线检测,利用机器视觉技术以及织物视觉识别模型确定废旧织物类型并对其进行区域划分,从而可以针对织物的不同部位进行检测识别,大大提高了织物的成分识别精度,有利于后续分拣;
2、通过对不同区域的色值进行提取并在识别分析模块中对光谱数据进行色值校正,进而消除了织物表面的颜色对于光线特别是可见光的影响,使光谱数据更加接近真实,数据精度更高,最后的分析结果也更精确;
3、通过区域划分以及针对相应类型的织物面积重量的配比计算,得到织物主要组成成分的总重量配比,从而可以制定多种分拣策略,且分拣策略的执行也有强有力的数据支撑。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的系统结构框图;
图2为本发明的分拣系统方法流程框图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
请参阅图1-2所示,一种全自动化废旧织物识别分拣控制系统,包括自动输送模块、分拣动作模块、识别分析模块、数据预测模块、控制模块以及存储模块;
具体地,自动输送模块为一台或多台对废旧织物进行有序输送的传输装置,该传送装置具备对废旧织物进行整平传送的功能;
分拣动作模块包括多个分拣机械手,多个分拣机械手按照自动输送模块的传输方向依次设置,分拣动作模块根据控制模块的指令对多个机械手的动作进行控制,对对应的废旧织物执行抓取分拣动作;
识别分析模块对传送装置表面的织物进行信息采集和识别分析,识别分析模块采用机器视觉技术和近红外光谱技术结合的方式,对传送装置表面的废旧织物的类型、颜色、成分和纤维细度等几个维度数据进行获取和分析;织物成分主要包括聚酯、羊毛和聚酰胺、棉织物、涤纶织物、混纺织物。
具体地,利用机器视觉技术,对废旧织物的类型数据和颜色数据进行提取记录,在存储模块中设置有基于CNN卷积神经网络的织物视觉识别模型,主要针对废旧织物的织物类型和织物颜色进行识别;
CNN卷积神经网络为一种成熟的机器学习网络架构,在本文不作具体阐述;本发明利用CNN卷积神经网络对大量不同类型、不同颜色的废旧织物历史数据按照9:1的比例分配分别作为训练集和测试集,从而训练得到上述的织物视觉识别模型;上述的类型具体是指废旧织物之前的使用场景的不同类型,比如床上用品、各不同季节的衣物(包括上衣还是裤子)、针织包等,不同类型的确定有利于后续对分析预测结果的精确性;上述的颜色即表示织物表面的颜色区域划分,通过获取其色值表现,以便于在后续近红外光谱分析过程中通过参数调整修正,消除颜色不同导致的成分分析结果出现误差的现象。
其中,近红外光谱技术能够被应用于废旧纺织品的鉴别及成分预测,本质依据是不同物质含有不同的化学基团,不同的化学基团具有不用的近红外图谱,可借助不同基团与不同图谱之间的一一对应关系来实现纤维种类的鉴别及成分预测。同时,废旧纺织品虽然经过使用,但是其纤维的化学结构及分子组成没有发生变化与原纺织品的纤维成分及含量几乎没有差异,因而利用近红外技术对其进行鉴别及成分预测是可行的。
在废旧织物的类型判断上,主要从以下几个方面进行,包括织物形状、织物厚度、织物丝线的丝径和网孔尺寸;
在识别分析模块中,高清的CCD工业相机对传输装置上的废旧织物获取织物图像,按照上述类型特征(形状、厚度、丝径、网孔尺寸)提取对应的类型特征数据,并将类型特征数据输入到织物视觉识别模型,从而通过织物视觉识别模型确定该废旧织物的类型;
确定类型后,识别分析模块针对对应类型在织物图像上进行区域划分,以上衣为例,以袖口、衣领、衣摆以及人体胸腔对应部位为设定区域,并对设定区域的颜色数据进行提取;
随后,对上述的设定区域进行近红外光谱分析:
S1:在上述的设定区域内,采用连续波长的光照射到设定区域的废旧织物表面,从而产生振动光谱;
需要说明的是,由于分子振动对入射光线进行吸收且不同的分子对不同波长的光的吸收能力是不同的,一种分子只能吸收引起分自身振动变化的辐射。当近红外光与物质中的分子进行作用时,分子对特定波长的红外线进行的合频和倍频的吸收,从而产生吸收光谱称为振动光谱,并以谱带的形式出现;
S2:由于采集的光谱数据往往有许多随机噪声、背景干扰等无用信息,这些干扰的存在会影响对成分分析结果的准确性,需要对光谱数据进行预处理:
(1)利用数据增强算法对光谱数据进行处理,增加不同纤维材料对应光谱数据的差异性,本实施例中采用的数据增强算法采用均值中心化;
(2)使用SG卷积平滑法对随机噪音进行平滑处理,利用被平滑点前后一定区间内数据的拟合值来代替被平滑点原本的数据,该拟合值通过多项式最小二乘法进行拟合处理;在本实施例中,设定SG平滑的多项式次数为窗口宽度为5,设定SG二阶导数的多项式次数为3,设定移动窗口宽度为7。;
(3)使用SG卷积求导法来解决光谱数据中普遍存在的基线偏移问题;
(4)对光谱数据进行多元散射矫正的处理后,每个光谱的基线平移和偏移都会以标准光谱为参考进行修正,提高光谱的信噪比。
S3:基于二进制的粒子群算法对光谱数据进行特征提取
在二进制的粒子群算法中,将每个粒子的位置分量取值为0或1,粒子的速度表示粒子位置取1的概率;
在筛选特征光谱数据时,设置每个粒子的向量长度为原始光谱的波长点数,粒子向量与原始光谱波长变量数相等并一一对应。粒子取0或1的概率取决于位置分量,在二进制的粒子群算法中将粒子速度利用sigmoid函数进行映射,映射结果作为位置分量取1的概率;
其中,sigmoid函数的映射公式如下:
得到概率后,将概率值与概率设定阈值进行比较,当且仅当概率值不低于概率设定阈值时,位置分量取值为1,其余情况下均取值为0;
当粒子分量取1时,则表示该向量对应的波长点被选中,该波长处的光谱数据即特征光谱,取0则表示相应变量未被选中,从而完成了整个光谱数据的特征提取;
S4:由于废旧织物本身的颜色会对光谱数据造成影响,本发明中还对经过特征提取的光谱数据进行色值校正:
将每一个设定区域内经过特征提取的光谱数据分别标记为Xij,其中,i表示设定区域的编号,j表示在光谱数据中的数据个数编号;
将第i个设定区域的颜色数据标记为Ci,将没有经过染色的对应纤维作为参考基准,通过对比计算得出关于当前颜色数据的色值修正系数,其公式为:
本公式采用无量纲计算;其中,θ为色值修正系数;
C表示未染色纤维的颜色数据,此处的颜色数据通过多种纤维的本身颜色数据加权平均计算得到;
λ表示未染色纤维的颜色对应可见光的波长数据,同理,此处的波长数据通过多种纤维的本身颜色对应可见光的波长数据加权平均计算得到;
表示色值修正系数与对应波长数据的相关度,当波长为长波长时,该相关度取值较大,当波长为短波长时,该相关度取值较小;
将光谱数据Xij和色值修正系数θi代入到计算式中,得到修正光谱数据/>
S5:根据S4中的修正光谱数据在线生成NIR图谱(即近红外光谱图谱),随后利用主成分分析和最小二乘法建立待测组分的分段回归模型,对废旧织物中的纤维进行分类识别,得到设定区域内纤维的成分组成;
将识别分析的得到的成分组成传输至数据预测模块,数据预测模块对整个废旧织物的成分组成以及组分占比进行预测计算:
首先针对识别分析模块划分的区域进行面积计算和以及对该废旧织物整体重量进行称重,并根据设定区域的部位和该废旧织物的类型对整体重量进行对应划分,划分基于面积和类型特征分配占比系数,并按照占比系数和整体重量得到各设定区域的重量;
然后,基于各设定区域的重量和对应区域的成分组成,由于成分组成包含组分占比,将对应区域的组分占比与该区域的重量进行乘积运算,得到对应区域的相关组分的重量;
最后,将整个废旧织物相同组分的重量进行求和,得到该废旧织物中所有组分的组成占比及对应组分的重量,并生成数据表单发送至控制模块;
控制模块内设置有分拣策略,如根据废旧织物的类型特征进行分拣,或者结合重量占比的组分进行分拣控制,更进一步地,在类型特征和/或组分重量占比相同的情况下,还可以针对纤维细度做进一步的筛选分拣,做到匹配不同分拣策略的精细化分拣。
控制模块通过有线或者无线网络通信的方式控制分拣动作模块对目标废旧织物进行定向分拣。
更多地,在后期积累的大量历史数据的情况下,数据预测模块还可以针对对应类型(比如床上用品,单衣等)的废旧织物直接进行预测分拣,即在大数据支撑的情况下,在确定该废旧织物的类型的情况下,可以直接预测出相关成分组成以及对应的组分占比区间,从而不需要经过识别分析模块直接进行分拣,这样可以大大提高效率且保证一定程度的准确度。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种全自动化废旧织物识别分拣控制系统,包括用于对废旧织物进行有序输送的自动输送模块和用于对废旧织物执行抓取分拣动作的分拣动作模块,其特征在于,该系统还包括识别分析模块,识别分析模块利用机器视觉技术和近红外光谱技术结合的方式,对自动输送模块表面的废旧织物的类型、颜色、成分和纤维细度数据进行获取和分析,得到废旧织物各区域的成分组成及其重量分布,生成数据表单发送至数据模块,控制模块通过分拣策略控制分拣动作模块进行分拣筛选。
2.根据权利要求1所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,所述识别分析模块通过构建的织物视觉识别模型对废旧织物的类型和并在类型确定后进行区域划分后对各区域颜色进行识别并色值记录。
3.根据权利要求2所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,所述识别分析模块对划分的区域进行连续波长照射,产生原始光谱数据并对原始光谱数据进行预处理和特征提取以及色值校正。
4.根据权利要求3所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,对原始光谱数据进行预处理的步骤包括:
步骤一、采用数据增强算法对原始光谱数据进行数据增强,增强不同织物纤维的光谱数据的差异性;
步骤二、对数据进行平滑处理消除数据采集过程中的随机噪音;
步骤三、对上述数据进行导数处理解决基线偏移问题;
步骤四、对光谱数据进行多元散射矫正处理,提高光谱的信噪比。
5.根据权利要求3所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,所述光谱数据的特征提取是基于二进制的粒子群算法,将粒子速度利用sigmoid函数进行映射,将得到的映射结果作为概率值,将概率值与概率设定阈值进行比较,当且仅当概率值不低于概率设定阈值时,则表示该向量对应的波长点被选中,该波长处的光谱数据即特征光谱。
6.根据权利要求3所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,对经过所述特征提取的光谱数据进行色值校正的操作包括:
将每一个设定区域内经过特征提取的光谱数据分别标记为Xij,其中,i表示设定区域的编号,j表示在光谱数据中的数据个数编号;
将第i个设定区域的颜色数据标记为Ci,将没有经过染色的对应纤维作为参考基准,通过对比计算得出关于当前颜色数据的色值修正系数,其公式为:
其中,θ为色值修正系数;C表示未染色纤维的颜色数据;λ表示未染色纤维的颜色对应可见光的波长数据;表示色值修正系数与对应波长数据的相关度;
将光谱数据Xij和色值修正系数θi代入到计算式中,得到修正光谱数据/>
7.根据权利要求6所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,根据修正光谱数据在线生成NIR图谱,并利用基于主成分分析和最小二乘法建立的分段回归模型对对废旧织物中的纤维进行分类识别,得到设定区域内纤维的成分组成并传输至数据预测模块。
8.根据权利要求7所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,所述数据预测模块根据整个废旧织物的重量、各区域面积以及成分组成计算得到整个废旧织物中所有纤维成分的组成占比及对应成分分的重量,并生成数据表单发送至控制模块。
9.根据权利要求7所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,在大数据支持下,所述数据预测模块还根据织物的类型进行预测分拣,在确定该废旧织物的类型的情况下,可以直接预测出相关成分组成以及对应的组分占比区间,不需要经过识别分析模块直接进行分拣。
10.根据权利要求8所述的一种全自动化废旧织物识别分拣控制系统,其特征在于,所述控制模块内设置有分拣策略,根据废旧织物的类型、对应成分重量占比的组分进行分拣控制,或在类型和/或组分重量占比相同的情况下,针对纤维细度做进一步的分拣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710474.4A CN116727295A (zh) | 2023-06-15 | 2023-06-15 | 一种全自动化废旧织物识别分拣控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710474.4A CN116727295A (zh) | 2023-06-15 | 2023-06-15 | 一种全自动化废旧织物识别分拣控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116727295A true CN116727295A (zh) | 2023-09-12 |
Family
ID=87916450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310710474.4A Pending CN116727295A (zh) | 2023-06-15 | 2023-06-15 | 一种全自动化废旧织物识别分拣控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116727295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912721A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
-
2023
- 2023-06-15 CN CN202310710474.4A patent/CN116727295A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912721A (zh) * | 2023-09-14 | 2023-10-20 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
CN116912721B (zh) * | 2023-09-14 | 2023-12-05 | 众芯汉创(江苏)科技有限公司 | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114782562B (zh) | 基于数据识别的服装布料浸染监测方法及人工智能系统 | |
CN101551341B (zh) | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 | |
Liong et al. | Automatic defect segmentation on leather with deep learning | |
CN110717368A (zh) | 一种纺织品定性分类方法 | |
CN109919243A (zh) | 一种基于cnn的废钢铁种类自动识别方法及装置 | |
CN116727295A (zh) | 一种全自动化废旧织物识别分拣控制系统 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN108491867A (zh) | 基于人工智能的影像匹配及识别方法 | |
Banumathi et al. | Fabric inspection system using artificial neural networks | |
CN104048966B (zh) | 一种基于大律法的布面疵点检测及分类方法 | |
WO2020234466A1 (en) | Improved determination of textile fiber composition | |
Pereira et al. | Computer vision techniques for detecting yarn defects | |
CN113686804A (zh) | 一种基于深度回归网络的纺织纤维成分无损清洁分析方法 | |
Maleki | Artificial neural network prosperities in textile applications | |
CN115170475A (zh) | 一种基于深度学习方法的无纺布缺陷检测方法 | |
Chauhan et al. | Applications of artificial neural network in textiles | |
CN113970532A (zh) | 基于近红外光谱的织物纤维成分检测系统和预测方法 | |
CN108389194A (zh) | 基于人工智能的牛仔布水洗效果评价的图像识别方法及装置 | |
Hui et al. | Review of application of artificial neural networks in textiles and clothing industries over last decades | |
Yuen et al. | Fabric stitching inspection using segmented window technique and BP neural network | |
Veit et al. | Image processing as a tool to improve machine performance and process control | |
Kumar et al. | An intelligent scheme for fault detection in textile web materials | |
Clark et al. | Fabric Composition Classification Using Hyper-Spectral Imaging | |
Ho et al. | Feasibility Study of Visual Computing and Machine Learning Application for Textile Material Sorting | |
CN111359892A (zh) | 一种基于机器视觉的天宝蜜柚外观检测分级装置及其方法 |
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 |