CN116973553B - 基于深度学习的在线物料识别与含水率测量方法及装置 - Google Patents
基于深度学习的在线物料识别与含水率测量方法及装置 Download PDFInfo
- Publication number
- CN116973553B CN116973553B CN202310675835.6A CN202310675835A CN116973553B CN 116973553 B CN116973553 B CN 116973553B CN 202310675835 A CN202310675835 A CN 202310675835A CN 116973553 B CN116973553 B CN 116973553B
- Authority
- CN
- China
- Prior art keywords
- water content
- standard
- identification
- image acquisition
- grading
- 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
- 239000000463 material Substances 0.000 title claims abstract description 227
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000000691 measurement method Methods 0.000 title claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000001681 protective effect Effects 0.000 claims description 11
- 239000010421 standard material Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 description 56
- 239000004575 stone Substances 0.000 description 31
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 239000004566 building material Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Ceramic Engineering (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于深度学习的在线物料识别与含水率测量方法及装置,涉及物料识别与参数测量技术领域。方法包括步骤1:建立含水率传感器测量参数数据库;步骤2:建立识别模型;步骤3:预测物料的品种信息和级配信息;步骤4:将实际含水率测量值转换为等效含水率标准值。装置包括物料传送带,物料传送带的末端设有含水率传感器,所述物料传送带的上方设有图像采集装置,图像采集装置中设有激光测距模块;含水率传感器和图像采集装置分别电连接工控机。本发明将物料识别与含水率测量相结合,并且通过图像采集装置和深度学习方法对物料进行在线的动态识别,解决了现有技术中无法对物料含水率进行准确测量的问题。
Description
技术领域
本发明涉及物料识别与参数测量技术领域,具体为一种基于深度学习的在线物料识别与含水率测量方法及装置。
背景技术
在建筑材料的生产中,物料的配比、级配、含水率等都是非常重要的参数,会直接影响着所制成产品的质量。例如,混凝土是由砂石料、水泥、粉煤灰、水和外加剂按照一定的比例均匀搅拌而形成的一种重要建筑材料,各配料比例的变化会对混凝土的强度和流动性等关键质量指标产生很大的影响;其中,在砂石料的生产、运输和储存过程中,由于生产工艺、运输方式和自然堆放等原因,砂石料的含水率会发生变化;在后续的混凝土生产过程中,如果不考虑砂石料中含水率的变化,还是使用原比例的水,那么就会导致混凝土中水的整体配比发生改变,使得混凝土中的胶合比达不到要求,从而可能会对混凝土的强度等其他质量指标产生严重的影响;因此,精确检测砂石料中的含水率是保证混凝土生产质量的重要手段之一。
目前,能够对物料进行含水率测量的含水率检测传感器已经得到了生产和应用。然而,现有含水率检测传感器的工作原理均是通过微波测量技术来测量物料中的含水量,在推广应用中面临着无法灵活匹配物料变化的问题,具体地:在建筑材料的生产过程中,会经常更换物料的品种,但是含水率检测传感器的技术参数往往是通过对特定物料进行校准而获得的,因此若是物料的品种不同,那么所对应的传感器技术参数也是不同的;即使是同一品种物料,不同的生产批次也会导致不同的物料粒径,即导致不同的物料级配,不同的物料级配同样会对应不同的传感器技术参数。所以,如果更换了物料却没有及时更新传感器参数,就会导致较大的测量误差;但是,每次对传感器参数进行更新,会需要耗费一定的时间成本和人力成本,还存在着更新不准确的风险。
针对上述问题,本发明研发出了一种将物料识别与含水率测量相结合的解决方案,旨在先对物料的品种信息和级配信息进行识别,然后根据识别结果联动换算含水率检测传感器的实际测得数值,以得到与当下物料品种和级配相匹配的含水率值,从而消除由于物料品种和级配发生变化而导致的传感器测量值误差。
然而,现有的物料识别技术中,主要是通过相机来捕捉分散颗粒的图像并进行信息提取,属于离线技术;具体地,需要在建筑材料生产线上开设额外的机械装置,通过该机械装置对物料进行取样抛料,然后再对样品进行拍照和识别。但是,由于建筑材料生产线的运作效率要求通常比较高,所以配料间隔与物料输送时间都会比较短,因此很可能无法满足机械装置取样和相机拍照识别所需的时间要求;并且,机械装置取样的方式存在着失效偏差,机械装置也不便于安装维护;因此,现有的物料识别技术难以在建筑材料生产线上进行在线实施。另外,在建筑材料生产线中,物料输送装置上的物料流高度大多是不稳定的,这就会使得相机每次所拍摄的目标之间存在着距离的波动;在这种情况下,由于近大远小的原理,会导致不同次拍摄的物料颗粒在图像中所占据的像素尺寸发生变化,从而会影响对物料的级配识别,导致识别结果出现误差。因此,现有的物料识别技术无法保证及时且准确的识别效果,所以不能直接应用到本发明所提出的物料识别与含水率测量相结合的方案中。
发明内容
本发明的目的在于提供一种基于深度学习的在线物料识别与含水率测量方法及装置,创新性地将物料识别与含水率测量相结合,并且通过图像采集装置和深度学习方法对物料进行在线的动态识别,以解决现有技术中无法对物料含水率进行准确测量的问题。
本发明是采用以下技术方案实现的:
一种基于深度学习的在线物料识别与含水率测量方法,包括如下步骤:
步骤1:建立含水率传感器测量参数数据库,并将传感器测量参数数据库部署在工控机上,传感器测量参数数据库中包含不同物料所对应的传感器测量参数;
步骤2:建立识别模型,并将识别模型部署在工控机上,识别模型包括物料品种识别模型和物料级配识别模型;
步骤3:图像采集装置对物料传送带上的动态物料进行图像获取,并将获取到的图像分别输入物料品种识别模型和物料级配识别模型中,预测物料的品种信息和级配信息;
步骤4:传感器测得物料的实际含水率测量值,工控机根据物料的品种信息和级配信息,在传感器测量参数数据库中取出对应的传感器测量参数,将实际含水率测量值转换为等效含水率标准值。
本方法中,将物料在线识别与含水率测量进行了结合,具体地:图像采集装置直接对物料传送带(或者其他能够实现物料输送的装置)上的动态物料进行自动的图像获取,工控机中通过深度学习模型对动态物料进行品种信息和级配信息的在线识别,然后根据识别出的物料品种信息和级配信息,可以将传感器(即含水率检测传感器,或者其他能够实现对物料含水率测量的仪器)测得的实际含水率测量值转换为等效含水率标准值,从而消除由于物料品种和级配发生变化而导致的传感器测量值误差,得出当下物料的准确含水率数值(即等效含水率标准值)。也就是说,实际应用本方法时,不需要再针对不同的物料来人工更改传感器技术参数,从而在保证了所获取含水率值的准确性的同时,节省了时间成本和人力成本。
进一步地,所述传感器测量参数数据库中还包括各种物料的品种信息和级配信息;品种信息、级配信息和传感器测量参数之间为唯一对应关系,即通过某个品种信息和某个级配信息,可确定出唯一的一个传感器测量参数;
步骤1包括如下子步骤:
步骤1-1:配制某物料标准样,记录该物料的品种信息、级配标准值并测得其初始含水率标准值;
步骤1-2:将步骤1-1中所述的物料标准样送入料仓,并打开料仓仓门使物料标准样落到运动着的物料传送带上,图像采集装置对动态的物料标准样进行图像获取,工控机自动标注每张图像的物料品种信息和级配信息;
步骤1-3:物料标准样经过物料传送带落到传感器上,传感器读取物料标准样的含水率测量值;
步骤1-4:向物料标准样中加水,使其含水率发生变化,得到新的含水率标准值,然后对加水后的物料标准样重复执行步骤1-2至步骤1-3;将前述操作重复若干次,得到若干个含水率标准值和与其对应的含水率测量值;
步骤1-5:根据步骤1-3和步骤1-4中得到的数据,对含水率标准值和含水率测量值进行拟合,得到该品种物料所对应的传感器测量参数;
更换多个物料品种,分别执行上述步骤1-1至步骤1-5,完成传感器测量参数数据库的建立。
进一步地,所述步骤1-4中,需要确保每相邻两个含水率值之间的差值相同。通过控制差值的方式,可以使拟合出的传感器测量参数更加准确。
进一步地,步骤2的具体过程为:对所述步骤1中标注的每张图像分别进行品种信息训练和级配信息训练,得到物料品种识别模型和物料级配识别模型。
进一步地,所述步骤3具体包括如下子步骤:
步骤3-1:获取实际物料图像,并获取当下的实际物料高度;
步骤3-2:根据换算关系式,将实际物料图像转换为标准拍摄距离下的等效标准物料图像;
步骤3-3:将等效标准物料图像分别输入物料品种识别模型和物料级配识别模型中,预测物料的品种信息和级配信息。
进一步地,所述换算关系式为:
其中,为图像采集装置中相机的标准视场宽度,/>为标准拍摄距离,/>为实际视场宽度,/>为实际拍摄距离;
根据换算关系式求得后,将其带入缩放关系式,缩放关系式为:
其中,为缩放比例;
当时,对实际物料图像进行放大后再裁剪,得到等效标准物料图像;当/>时,对实际物料图像进行缩小,并用边缘像素值补上缺失的位置,得到等效标准物料图像。
进一步地,图像采集装置采集动态物料的视频流,每隔设定时间后自动截取当前帧,获取所述实际物料图像。由于物料是随物料传送带而持续运动的,所以直接拍照片可能会出现图像模糊的情况;因此,为保证图像获取效果,图像采集装置直接采集的是图像视频。
一种基于深度学习的在线物料识别与含水率测量装置,应用于以上所述的在线物料识别与含水率测量方法,包括物料传送带,物料传送带的末端设有传感器,所述物料传送带的上方设有图像采集装置,图像采集装置中设有激光测距模块;传感器和图像采集装置分别电连接工控机。
本装置中,在物料传送带的上方设置图像采集装置,图像采集装置可以实时获取物料传送带上动态物料的图像,即实际物料图像;激光测距模块用于获取当下物料的实际物料高度,并将该实际物料高度的数值传至工控机,使工控机将实际物料图像转换为标准拍摄距离下的等效标准物料图像;工控机能够对获取到的等效标准物料图像进行分析识别,通过内部部署的识别模型预测出图像中物料的品种信息和级配信息,并在传感器测量参数数据库中取出对应的传感器测量参数,将实际含水率测量值转换为等效含水率标准值。
进一步地,所述物料传送带底部的横梁上固定有主体支架,主体支架上滑动连接图像采集装置;图像采集装置包括底部透明的防护外壳,防护外壳内设有内部支架,内部支架上安装有相机,相机连接镜头,镜头的周侧设有光源和激光测距模块,内部支架上还安装有相机电源适配器和光源控制器。防护外壳可以起到防尘防水的作用,以对其内部的器件进行保护;在实际使用时,为保证所采集图像的清晰度,需要根据物料传送带的运动速度、物料高度以及环境光照度,选择合适的相机参数和镜头焦距;由于相机曝光时间比较短,所以需要开设高亮度的光源来保证视场亮度;激光测距模块与镜头拍摄端处于同一水平高度上,可以实时测量物料顶部距离镜头拍摄端的高度。
进一步地,所述主体支架包括固定夹,固定夹可拆卸地安装在物料传送带底部的横梁上,固定夹上设有竖向固定杆,固定杆上滑动连接横向安装杆,安装杆上通过竖向连接杆水平滑动连接内部支架。图像采集装置可随安装杆沿固定杆做竖向移动,以实现对图像采集装置的高度位置调节;图像采集装置可随连接杆沿安装杆做横向移动,以实现对对图像采集装置的水平位置调节。
本发明实现的有益效果是:
一种基于深度学习的在线物料识别与含水率测量方法,可以对动态物料进行自动的图像获取,并通过深度学习模型对动态物料进行品种信息和级配信息的在线识别,最终可以得出当下品种和级配的物料所对应的等效含水率标准值。与使用含水率检测传感器进行物料含水率测量的现有技术相比,本方法将物料在线识别与含水率测量进行了结合,能够消除由于物料品种和级配发生变化而导致的传感器测量值误差,在保证了所获取含水率值的准确性的同时,节省了时间成本和人力成本。
一种基于深度学习的在线物料识别与含水率测量装置,通过图像采集装置可以对动态物料进行自动的图像获取,通过传感器可以实时测得物料的实际含水率测量值,通过工控机可以将实际含水率测量值准确转换为符合当下物料品种与级配的等效含水率标准值。与离线工作的现有物料识别装置相比,本装置中不需要再开设机械装置进行取样抛料,能够实现全程在线工作;并且,通过开设激光测距模块,可以有效减小由于实际拍摄距离波动而导致的识别结果误差。
附图说明
图1是本发明实施例所述图像采集装置的外部结构示意图;
图2是本发明实施例所述图像采集装置的内部结构示意图;
图中:1、物料传送带;2、横梁;3、固定夹;4、固定杆;5、安装杆;6、连接杆;7、防护外壳;8、内部支架;9、相机;10、镜头;11、光源;12、激光测距模块;13、相机电源适配器;14、光源控制器;15、滑块;16、滑槽;17、中空滑槽。
具体实施方式
为清楚说明本发明中的方案,下面结合附图做进一步说明:
实施例1
本实施例提供一种基于深度学习的在线物料识别与含水率测量方法,应用于对混凝土原料之一的砂石料的识别和含水率测量,包括如下步骤:
步骤1:建立传感器测量参数数据库,并将传感器测量参数数据库部署在工控机上,传感器测量参数数据库中包括不同砂石料的品种信息和级配信息,以及不同砂石料所对应的传感器测量参数。
具体包括如下子步骤:
步骤1-1:配制重量为300kg、品种选取为河砂、级配所选取细度模数为3的河砂标准样,并测得该河砂标准样的初始含水率标准值为3%;
其中,初始含水率标准值的测量原理及过程为:300kg河砂标准样被送至料仓后,在料仓中取样1kg河砂标准样进行烘干称重,根据烘干前后的重量数据,便可计算出该河砂标准样的含水率标准值;计算公式为:,/>为原始重量,/>为烘干后的重量,/>为含水率标准值。
步骤1-2:将300kg河砂标准样送入料仓,并打开料仓仓门使河砂标准样落到运动着的物料传送带1上,图像采集装置自动对动态的河砂标准样进行图像获取,工控机自动通过脚本对每张图像进行品种信息(河砂)和级配信息(细度模数为3)的标注。
步骤1-3:河砂标准样经过物料传送带1落到传感器上,传感器自动读取河砂标准样的含水率测量值。
通过将传送完毕的河砂标准样再次送回料仓,对步骤1-2和步骤1-3分别重复执行3次,得到至少300份被标注的图像。
步骤1-4:向河砂标准样中加水,使其含水率标准值变为6%;对步骤1-2和步骤1-3分别重复执行3次,得到至少300份被标注的图像。向河砂标准样中加水,使其含水率标准值变为9%;对步骤1-2和步骤1-3分别重复执行3次,得到至少300份被标注的图像。
步骤1-5:根据步骤1-3和步骤1-4中得到的数据,对含水率标准值和含水率测量值进行拟合,即可得到品种为河砂、级配所选取细度模数为3的砂石料所对应的传感器测量参数。
本实施例中,通过重复执行上述步骤1-1至步骤1-5,共采集2个品种、5种级配的砂石料数据,所以针对每个品种每个级配至少可获得900份被标注的图像,也就是共计得到10组数据和至少9000份被标注的图像;每组数据均包括含水率标准值和与其对应的含水率测量值,分别对10组数据中的含水率标准值和含水率测量值进行拟合,可得到10个传感器测量参数,这10个传感器测量参数各自与不同的砂石料品种信息或级配信息相对应;至此,完成本实施例中所述传感器测量参数数据库的建立。
步骤2:建立识别模型,并将识别模型部署在工控机上,识别模型包括砂石料品种识别模型和砂石料级配识别模型。
具体地:分别对步骤1中得到的9000份被标注的图像进行品种信息训练和级配信息训练,以得到砂石料品种识别模型和砂石料级配识别模型。其中,训练集与测试集之间的数据量之比可设置为7:3,训练100个周期,当识别准确率大于98%时可判断为满足要求;砂石料品种识别模型的分类类别为品种1和品种2,砂石料级配识别模型的分类类别为级配1~级配5。
步骤3:正式进入对砂石料的识别阶段;图像采集装置对物料传送带1上的动态砂石料进行图像获取,并将获取到的图像分别输入砂石料品种识别模型和砂石料级配识别模型中,预测当下砂石料的品种信息和级配信息。
具体包括如下子步骤(需要特别说明的是,下述步骤3-1至步骤3-2的工作原理同样适用于步骤1-2):
步骤3-1:图像采集装置获取实际砂石料图像,并获取当下的实际砂石料高度。
其中:图像采集装置直接采集的是动态河砂标准样的视频流,每隔1s自动截取当前帧,以获取图像;具体地,当视频画面中所呈现的河砂颗粒清晰时,图像采集装置会通过脚本每隔1s自动截取视频流中画面清晰的当前帧,本实施例中的视频帧率为10fps,单次料流可采集时长为10s以上的有效视频,所以可获得至少100份清晰的图像数据。
步骤3-2:根据换算关系式,将实际砂石料图像转换为标准拍摄距离下的等效标准砂石料图像。
其中,换算关系式为:
其中,为图像采集装置中相机9的标准视场宽度,/>为标准拍摄距离,/>为实际视场宽度,/>为实际拍摄距离;本实施例中限定的标准拍摄距离/>为25cm,标准视场宽度/>为60mm;
根据换算关系式求得w 1后,将其带入缩放关系式,缩放关系式为:
为缩放比例;
当时,对实际砂石料图像进行放大后再裁剪,得到等效标准砂石料图像;当时,对实际砂石料图像进行缩小,并用边缘像素值补上缺失的位置,得到等效标准砂石料图像。
步骤3-3:将等效标准砂石料图像分别输入砂石料品种识别模型和砂石料级配识别模型中,预测当前砂石料的品种信息和级配信息。
步骤4:正式进入对砂石料的含水率测量阶段;传感器测得当前砂石料的实际含水率测量值,工控机根据步骤3中得到的当前砂石料的品种信息和级配信息,在传感器测量参数数据库中取出对应的传感器测量参数,将实际含水率测量值转换为等效含水率标准值。
综上所述,本方法中,将物料在线识别与含水率测量进行了结合,可以将传感器测得的实际含水率测量值转换为等效含水率标准值,从而得出当下物料的准确含水率数值(即等效含水率标准值)。与使用含水率检测传感器进行物料含水率测量的现有技术相比,本方法将物料在线识别与含水率测量进行了结合,能够消除由于物料品种和级配发生变化而导致的传感器测量值误差,在保证了所获取含水率值的准确性的同时,节省了时间成本和人力成本。
实施例2
如图1至图2所示,本实施例提供一种基于深度学习的在线物料识别与含水率测量装置,应用于实施例1所述的在线物料识别与含水率测量方法;包括物料传送带1,物料传送带1的末端设有传感器(本实施例中的传感器具体为含水率检测传感器,在其他实施例中可将本传感器替换为任意能够实现对物料含水率测量的仪器),所述物料传送带1的上方设有图像采集装置,传感器和图像采集装置分别电连接工控机。
具体地:物料传送带1底部的横梁2上固定有主体支架,主体支架包括固定夹3,固定夹3通过螺丝可拆卸地卡装在物料传送带1底部的横梁2上,固定夹3上设有竖向的固定杆4,固定杆4的上端部分开设有滑槽16,滑槽16所对应的固定杆4区域上套设有滑块15,滑块15的外表面固定连接横向安装杆5一端,安装杆5的另一端开设有横向的中空滑槽17,中空滑槽17内滑动设有竖向的连接杆6,连接杆6的下端固定连接图像采集装置;图像采集装置包括防护外壳7,防护外壳7的底部为透光玻璃,透光玻璃的外围设有凸起挡板,防护外壳7内设有内部支架8,内部支架8的上部与连接杆6连接,内部支架8上安装有相机9,相机9下端连接镜头10,镜头10的周侧设有环形的光源11,光源11的侧边上设有激光测距模块12,激光测距模块12与镜头10拍摄端处于同一水平高度上,内部支架8上还安装有相机电源适配器和光源控制器,相机9与相机电源适配器电连接,光源11与光源控制器电连接。
本实施例中,由于一般混凝土搅拌站中物料传送带1的运动速度为1.5~2m/s,所以为保证图像的清晰度,相机9选用全局曝光模式的工业相机,单幅图像的曝光时间为500μs,相机9增益倍数为40;镜头10选用25mm焦距,选取标准拍摄距离H为25cm;标准视场宽度W为60mm;选用高亮度LED光源,在目标处光强可达到4500Lux。
基于上述结构,本实施例的工作原理如下:
图像采集装置中,防护外壳7可以起到防尘防水的作用,以对其内部的器件进行保护;通过开设透光玻璃,不影响镜头10的正常工作;凸起挡板可阻挡横向灰尘污染玻璃;实际使用时,为保证所采集图像的清晰度,需要根据物料传送带1的运动速度、物料高度以及环境光照度,选择合适的相机参数和镜头焦距;由于相机9曝光时间比较短,所以需要开设高亮度的光源11来保证视场亮度;激光测距模块12与镜头10拍摄端处于同一水平高度上,可以实时测量物料顶部距离镜头10拍摄端的高度。
图像采集装置可随安装杆5沿固定杆4做竖向移动,以实现对图像采集装置的高度位置调节;图像采集装置可随连接杆6沿安装杆5做横向移动,以实现对对图像采集装置的水平位置调节。
综上所述,本实施例中通过图像采集装置可以对动态物料进行自动的图像获取,通过传感器可以实时测得物料的实际含水率测量值,通过工控机可以将实际含水率测量值准确转换为符合当下物料品种与级配的等效含水率标准值。与离线工作的现有物料识别装置相比,本装置中不需要再开设机械装置进行取样抛料,能够实现全程在线工作;并且,通过开设激光测距模块12,可以有效减小由于实际拍摄距离波动而导致的识别结果误差。
当然,上述内容仅为本发明的较佳实施例,不能被认为用于限定对本发明的实施例范围。本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的均等变化与改进等,均应归属于本发明的专利涵盖范围内。
Claims (9)
1.一种基于深度学习的在线物料识别与含水率测量方法,其特征在于,包括如下步骤:
步骤1:建立含水率传感器测量参数数据库,并将传感器测量参数数据库部署在工控机上,传感器测量参数数据库中包含不同物料所对应的传感器测量参数;
步骤2:建立识别模型,并将识别模型部署在工控机上,识别模型包括物料品种识别模型和物料级配识别模型;
步骤3:图像采集装置对物料传送带(1)上的动态物料进行图像获取,并将获取到的图像分别输入物料品种识别模型和物料级配识别模型中,预测物料的品种信息和级配信息;
步骤4:含水率传感器测得物料的实际含水率测量值,工控机根据物料的品种信息和级配信息,在传感器测量参数数据库中取出对应的传感器测量参数,将实际含水率测量值转换为等效含水率标准值;
所述传感器测量参数数据库中还包括各种物料的品种信息和级配信息;品种信息、级配信息和传感器测量参数之间为唯一对应关系,即通过某个品种信息和某个级配信息,可确定出唯一的一个传感器测量参数;
步骤1包括如下子步骤:
步骤1-1:配制某物料标准样,记录该物料的品种信息、级配标准值并测得其初始含水率标准值;
其中,初始含水率标准值的测量原理及过程为:物料标准样被送至料仓后,在料仓中对物料标准样进行取样后烘干称重,根据烘干前后的重量数据,便可计算出该物料标准样的初始含水率标准值;计算公式为:m1为原始重量,m2为烘干后的重量,h为含水率标准值;
步骤1-2:将步骤1-1中所述的物料标准样送入料仓,并打开料仓仓门使物料标准样落到运动的物料传送带(1)上,图像采集装置对动态的物料标准样进行图像获取,工控机根据提前录入的信息自动标注每张图像的物料品种信息和级配信息;
步骤1-3:物料标准样经过物料传送带(1)落到含水率传感器上,传感器读取物料标准样的含水率测量值;
步骤1-4:向物料标准样中加入定量的水,使其初始含水率标准值发生变化,得到新的含水率标准值,然后对加水后的物料标准样重复执行步骤1-2至步骤1-3;将前述操作重复若干次,得到若干个含水率标准值和与其对应的含水率测量值;
步骤1-5:根据步骤1-3和步骤1-4中得到的数据,对含水率标准值和含水率测量值进行拟合,得到该品种物料所对应的传感器测量参数;
更换多个物料品种,分别执行上述步骤1-1至步骤1-5,完成含水率传感器测量参数数据库的建立。
2.根据权利要求1所述的基于深度学习的在线物料识别与含水率测量方法,其特征在于:所述步骤1-4中,需要确保每相邻两个含水率值之间的差值相同。
3.根据权利要求1所述的基于深度学习的在线物料识别与含水率测量方法,其特征在于,步骤2的具体过程为:对所述步骤1中标注的每张图像分别进行品种信息训练和级配信息训练,得到物料品种识别模型和物料级配识别模型。
4.根据权利要求1所述的基于深度学习的在线物料识别与含水率测量方法,其特征在于,所述步骤3具体包括如下子步骤:
步骤3-1:相机获取实际物料图像,并通过激光测距模块获取当下的实际物料高度;
步骤3-2:根据换算关系式,将实际物料图像转换为标准拍摄距离下的等效标准物料图像;
步骤3-3:将等效标准物料图像分别输入物料品种识别模型和物料级配识别模型中,预测物料的品种信息和级配信息。
5.根据权利要求4所述的基于深度学习的在线物料识别与含水率测量方法,其特征在于,所述换算关系式为:
其中,W为图像采集装置中相机(9)的标准视场宽度,H为标准拍摄距离,w1为实际视场宽度,h1为实际拍摄距离;
根据换算关系式求得w1后,将其带入缩放关系式,缩放关系式为:
其中,α为缩放比例;
当α>0时,对实际物料图像进行放大后再裁剪,得到等效标准物料图像;当a<0时,对实际物料图像进行缩小,并用边缘像素值补上缺失的位置,得到等效标准物料图像。
6.根据权利要求3所述的基于深度学习的在线物料识别与含水率测量方法,其特征在于:图像采集装置采集动态物料的视频流,每隔设定时间后自动截取当前帧,获取所述实际物料图像。
7.一种基于深度学习的在线物料识别与含水率测量装置,应用于权利要求1-6任一所述的在线物料识别与含水率测量方法,包括物料传送带(1),物料传送带(1)的末端设有含水率传感器,其特征在于:所述物料传送带(1)的上方设有图像采集装置,图像采集装置中设有激光测距模块(12);传感器和图像采集装置分别电连接工控机。
8.根据权利要求7所述的基于深度学习的在线物料识别与含水率测量装置,其特征在于:所述物料传送带(1)底部的横梁(2)上固定有主体支架,主体支架上滑动连接图像采集装置;图像采集装置包括底部透明的防护外壳(7),防护外壳(7)内设有内部支架(8),内部支架(8)上安装有相机(9),相机(9)连接镜头(10),镜头(10)的周侧设有光源(11)和激光测距模块(12),内部支架(8)上还安装有相机电源适配器和光源控制器。
9.根据权利要求8所述的基于深度学习的在线物料识别与含水率测量装置,其特征在于:所述主体支架包括固定夹(3),固定夹(3)可拆卸地安装在物料传送带(1)底部的横梁(2)上,固定夹(3)上设有竖向的固定杆(4),固定杆(4)上滑动连接横向的安装杆(5),安装杆(5)上通过竖向的连接杆(6)水平滑动连接内部支架(8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675835.6A CN116973553B (zh) | 2023-06-08 | 2023-06-08 | 基于深度学习的在线物料识别与含水率测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675835.6A CN116973553B (zh) | 2023-06-08 | 2023-06-08 | 基于深度学习的在线物料识别与含水率测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116973553A CN116973553A (zh) | 2023-10-31 |
CN116973553B true CN116973553B (zh) | 2024-04-12 |
Family
ID=88483939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310675835.6A Active CN116973553B (zh) | 2023-06-08 | 2023-06-08 | 基于深度学习的在线物料识别与含水率测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116973553B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761113A (zh) * | 2023-12-22 | 2024-03-26 | 四川蜀道建筑科技有限公司 | 一种砂含水率在线监测装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644671A (zh) * | 2009-09-01 | 2010-02-10 | 马鞍山钢铁股份有限公司 | 物料水分的在线检测装置及其检测方法 |
CN210690446U (zh) * | 2019-06-06 | 2020-06-05 | 西安获德图像技术有限公司 | 一种物料含水率在线检测装置 |
CN111593625A (zh) * | 2020-05-07 | 2020-08-28 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于路基填筑智能指挥系统的作业方法及其系统 |
CN114565561A (zh) * | 2022-01-26 | 2022-05-31 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
CN115931916A (zh) * | 2022-11-03 | 2023-04-07 | 中交武汉港湾工程设计研究院有限公司 | 一种基于智能算法的全自动砂石含水率在线检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3054076A1 (en) * | 2017-02-21 | 2018-08-30 | Verifi Llc | Minimizing variation due to construction aggregate moisture probes |
-
2023
- 2023-06-08 CN CN202310675835.6A patent/CN116973553B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644671A (zh) * | 2009-09-01 | 2010-02-10 | 马鞍山钢铁股份有限公司 | 物料水分的在线检测装置及其检测方法 |
CN210690446U (zh) * | 2019-06-06 | 2020-06-05 | 西安获德图像技术有限公司 | 一种物料含水率在线检测装置 |
CN111593625A (zh) * | 2020-05-07 | 2020-08-28 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于路基填筑智能指挥系统的作业方法及其系统 |
CN114565561A (zh) * | 2022-01-26 | 2022-05-31 | 福建南方路面机械股份有限公司 | 基于深度学习的混凝土配方调整方法、装置及可读介质 |
CN115931916A (zh) * | 2022-11-03 | 2023-04-07 | 中交武汉港湾工程设计研究院有限公司 | 一种基于智能算法的全自动砂石含水率在线检测方法 |
Non-Patent Citations (1)
Title |
---|
楼梁伟 等.骨料含水率在线检测系统开发与应用.《铁道建筑》.2016,92-95. * |
Also Published As
Publication number | Publication date |
---|---|
CN116973553A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116973553B (zh) | 基于深度学习的在线物料识别与含水率测量方法及装置 | |
CN101905215B (zh) | 数字化水稻考种机 | |
CN104204777B (zh) | 用于测量结晶硅铸造的单晶晶片的晶体分数的工艺和装置 | |
CN107621435A (zh) | 一种骨料在线监测装置 | |
CN1800820A (zh) | 环境风洞污染气体浓度场测量方法 | |
KR102332719B1 (ko) | 분율 측정 장치 및 분율 측정 시스템 | |
CN201281691Y (zh) | Lcd面板异物检测系统 | |
CN207742057U (zh) | 一种骨料在线监测装置 | |
CN207103187U (zh) | 一种基于高光谱成像及电阻抗的玉米种子活力检测装置 | |
CN103063576A (zh) | 激光显微镜下定量分析钢中夹杂物的方法 | |
CN102456142A (zh) | 一种基于计算机视觉的烟气黑度分析方法 | |
CN107185850A (zh) | 一种基于高光谱成像及电阻抗的玉米种子活力检测装置 | |
US7733485B2 (en) | Measuring method and system for measuring particle size and shape of powdery or grain like particles | |
CN105834119A (zh) | 水果自动分级装置 | |
CN109698139A (zh) | 晶圆缺陷光学照片实时采集系统及采集方法 | |
CN204974516U (zh) | 大米色选机 | |
CN206339461U (zh) | 一种基于线阵光学图像技术的饲料颗粒粒度检测装置 | |
CN105987834B (zh) | 煤样检测用一体化采制方法及一体化采制系统 | |
CN105964564A (zh) | 水果品质分选装置 | |
CN207832691U (zh) | 一种工业用摄像头移动装置 | |
Parmar et al. | Estimation of plant leaf area using java image processing techniques | |
CN108508053A (zh) | 一种系统性极微物理缺陷的检测方法 | |
CN208155791U (zh) | 大米碎米率在线检测采集装置 | |
CN1453558A (zh) | 孔径尺寸测量装置及其孔径尺寸测量方法 | |
CN101793674A (zh) | 一种集料级配实时检测的图像采集系统 |
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 |