CN117299596B - 一种自动检测的物料筛选系统及其筛选方法 - Google Patents
一种自动检测的物料筛选系统及其筛选方法 Download PDFInfo
- Publication number
- CN117299596B CN117299596B CN202311013650.5A CN202311013650A CN117299596B CN 117299596 B CN117299596 B CN 117299596B CN 202311013650 A CN202311013650 A CN 202311013650A CN 117299596 B CN117299596 B CN 117299596B
- Authority
- CN
- China
- Prior art keywords
- materials
- image
- screening
- matching
- module
- 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 273
- 238000012216 screening Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000000523 sample Substances 0.000 claims abstract description 21
- 230000007547 defect Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 4
- 238000010586 diagram 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
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自动检测的物料筛选系统及其筛选方法，具体涉及自动检测技术领域，包括物料检测模块：通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取；物料分类模块：根据与样品模板进行形状匹配来完成，通过轮廓特征点的匹配对物料进行分类；物料筛选模块：通过建立神经网络模型对物料进行筛选；物料循环模块：在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器，实现物料的收集与循环。本发明通过物料检测采用高精度的传感器，可以快速、准确的检测物料的各种特性，提高筛选的精度和效率，通过建立模型，能够自适应调整筛选参数，大大降低了误检率。
Description
技术领域
本发明涉及自动检测技术领域，更具体地说，本发明涉及一种自动检测的物料筛选系统及其筛选方法。
背景技术
随着时代的发展，市场的竞争越来越激烈，企业都急切的想去改进落后的生产技术，来提高生产效率，在工业生产中，物料的筛选和检测是保证产品质量的重要环节，物料的质量对最终产品的质量起着至关重要的作用，因此在实际生产过程中，物料分拣就会变得比较困难，物料筛选已成为一项十分重要的工艺环节，随着制造业的智能化转型，生产线上的自动化程度越来越高，对于自动化筛选物料的需求也越来越强烈。
传统的物料检测和筛选方法主要依赖人工来进行筛选，但是随着筛选数量的增加，仅仅依靠人工分拣已无法满足大规模的筛选要求，依靠人工进行物料筛选不仅效率低下，而且由于人为因素导致的结果不准确性，难以满足现代大批量、高精度生产的需求。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种自动检测的物料筛选系统及其筛选方法，通过物料筛选模块，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：包括物料检测模块、物料分类模块、物料筛选模块以及物料循环模块：
物料检测模块：通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取；
物料分类模块：根据与样品模板进行形状匹配来完成，通过轮廓特征点的匹配对物料进行分类；
物料筛选模块：通过建立神经网络模型对物料进行筛选；
物料循环模块：在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器，实现物料的收集与循环。
在一个优选地实施方式中，所述物料检测模块通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取，具体包括以下步骤：
步骤1、由变频控制器带动皮带传送物料，在皮带附近安装各种传感器，对物料的缺陷、图形、颜色进行检测，使用超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位将此种物料记为缺陷物料，在物料的上料环节进行缺陷物料的剔除，防止有缺陷的材料进入生产线；
步骤2、预设物料的重量值，使用物料称对物料的重量进行称取，称取的物料小于设定值，将物料定义为不合格物料，将不合格物料以及缺陷无聊推出物料传送带；
步骤3、使用摄像头对物料的图像信息进行提取，将图像进行二值化操作，对图像进行边缘提取，对图像信息进行腐蚀以及膨胀运算，删除比物料边缘小的暗像素以及亮元素，得到物料的图像边缘信息。
步骤4、确定物料位置坐标，假定图像左下角为坐标原点、待识别的物料为长方体类型，通过读取图像中像素点的数据来确定物料的位置及角度，二值化图像逐行自上向下、自下向上、自左向右以及自右向左寻找像素跳变点，找到物料4个边角位置，具体计算公式如下：
其中，xmax为图像x的最大行，xmin为图像x的最小行，ymax为图像y最大列，ymin为图像y最小列。
在一个优选地实施方式中，所述物料分类模块根据与样品模板进行形状匹配来完成的，通过轮廓特征点的匹配对物料进行分类，寻找相似程度最高的特征点，令Cij＝(pi,qj)，表示两点匹配的代价，则Cij的具体计算公式如下：
其中，hi(k)、hj(k)分别表示以pi,qj点为参考的k区间的标准直方图值，为每对体征点匹配关键系数Cij。
在一个优选地实施方式中，所述物料筛选模块具体包括以下内容：
步骤1、预设物料的图像边缘信息以及重量作为第一匹配信号，提取第一匹配信号输入第一神经网络中，获取采集物料的图像边缘信息，输入第二神经网络中；
步骤2、获取物料的重量在预设的第一匹配信号中遍历查找是否包含获取物料的重量，如果存在则确认第一匹配信号与获取物料的重量匹配，生成第二匹配信号，如果不存在则确认第一匹配信号与获取物料的重量不匹配，生成不匹配信号；
步骤3、获取物料的图像边缘信息在预设的第一匹配信号中遍历查找是否包含获取物料的图像边缘信息，如果存在则确认第一匹配信号与获取物料的图像边缘信息匹配，生成第三匹配信号，如果不存在则确认第一匹配信号与获取物料的图像边缘信息不匹配，生成不匹配信号；
步骤4、提取第一匹配信号的特征，将第一匹配信号与第二匹配信号以及第三匹配信号输入第一分类神经网络，获取具体的物料重量以及图像边缘信息，作为验证集；
步骤5、将所述物料检测模块中的物料信息作为训练集；
步骤6、将训练集输入神经网络中进行训练，得到训练后的神经网络模型；
步骤7、使用训练后的神经网络模型对检测到的物料进行筛选。
在一个优选地实施方式中，所述物料循环模块在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器置于四个物料传送带的终端，物料终端的4个黑色箱体的动作类型设置为与其他元件碰撞，当检测到碰撞且物料名称相符时，其内部当前值置位于1，黑色箱体接收到分拣完毕的物料后，该物料的动作也为1，这个物体会回到原来的位置，重新进行分拣流程，实现物料的收集与循环。
本发明的技术效果和优点：
本发明通过物料检测采用高精度的传感器，可以快速、准确的检测物料的各种特性，提高筛选的精度和效率，通过建立模型，能够自适应调整筛选参数，大大降低了误检率，可以连续、快速的筛选物料，提高了生产效率，降低生成成本，降低了人工成本，能够快速准确的检测到物料的尺寸、形状、重量等。
附图说明
图1为一种自动检测的物料筛选系统及其筛选方法的系统流程图。
图2为一种自动检测的物料筛选系统及其筛选方法的系统结构框图。
具体实施方式
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，所描述的实施例仅仅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做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
本实施例提供了如图1所示一种自动检测的物料筛选方法，包括以下步骤：
102、通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取；
102、根据与样品模板进行形状匹配来完成，通过轮廓特征点的匹配对物料进行分类；
103、通过建立神经网络模型对物料进行筛选；
104、在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器，实现物料的收集与循环。
如图2本实施例提供一种自动检测的物料筛选系统，包括物料检测模块、物料分类模块、物料筛选模块以及物料循环模块：
物料检测模块：通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取；
物料分类模块：根据与样品模板进行形状匹配来完成，通过轮廓特征点的匹配对物料进行分类；
物料筛选模块：通过建立神经网络模型对物料进行筛选；
物料循环模块：在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器，实现物料的收集与循环。
101、通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取；
本实施例中，具体需要说明的是物料检测模块，所述物料检测模块通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取，具体包括以下步骤：
步骤1、由变频控制器带动皮带传送物料，在皮带附近安装各种传感器，对物料的缺陷、图形、颜色进行检测，使用超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位将此种物料记为缺陷物料，在物料的上料环节进行缺陷物料的剔除，防止有缺陷的材料进入生产线；
步骤2、预设物料的重量值，使用物料称对物料的重量进行称取，称取的物料小于设定值，将物料定义为不合格物料，将不合格物料以及缺陷无聊推出物料传送带；
步骤3、使用摄像头对物料的图像信息进行提取，将图像进行二值化操作，对图像进行边缘提取，对图像信息进行腐蚀以及膨胀运算，删除比物料边缘小的暗像素以及亮元素，得到物料的图像边缘信息。
步骤4、确定物料位置坐标，假定图像左下角为坐标原点、待识别的物料为长方体类型，通过读取图像中像素点的数据来确定物料的位置及角度，二值化图像逐行自上向下、自下向上、自左向右以及自右向左寻找像素跳变点，找到物料4个边角位置，具体计算公式如下：
其中，xmax为图像x的最大行，xmin为图像x的最小行，ymax为图像y最大列，ymin为图像y最小列。
102、根据与样品模板进行形状匹配来完成，通过轮廓特征点的匹配对物料进行分类；
本实施例中，具体需要说明的是物料分类模块，所述物料分类模块根据与样品模板进行形状匹配来完成的，通过轮廓特征点的匹配对物料进行分类，寻找相似程度最高的特征点，令Cij＝(pi,qj)，表示两点匹配的代价，则Cij的具体计算公式如下：
其中，hi(k)、hj(k)分别表示以pi,qj点为参考的k区间的标准直方图值，为每对体征点匹配关键系数Cij。
103、通过建立神经网络模型对物料进行筛选；
本实施例中，具体需要说明的是物料筛选模块，所述物料筛选模块具体包括以下内容：
步骤1、预设物料的图像边缘信息以及重量作为第一匹配信号，提取第一匹配信号输入第一神经网络中，获取采集物料的图像边缘信息，输入第二神经网络中；
步骤2、获取物料的重量在预设的第一匹配信号中遍历查找是否包含获取物料的重量，如果存在则确认第一匹配信号与获取物料的重量匹配，生成第二匹配信号，如果不存在则确认第一匹配信号与获取物料的重量不匹配，生成不匹配信号；
步骤3、获取物料的图像边缘信息在预设的第一匹配信号中遍历查找是否包含获取物料的图像边缘信息，如果存在则确认第一匹配信号与获取物料的图像边缘信息匹配，生成第三匹配信号，如果不存在则确认第一匹配信号与获取物料的图像边缘信息不匹配，生成不匹配信号；
步骤4、提取第一匹配信号的特征，将第一匹配信号与第二匹配信号以及第三匹配信号输入第一分类神经网络，获取具体的物料重量以及图像边缘信息，作为验证集；
步骤5、将所述物料检测模块中的物料信息作为训练集；
步骤6、将训练集输入神经网络中进行训练，得到训练后的神经网络模型；
步骤7、使用训练后的神经网络模型对检测到的物料进行筛选。
104、在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器，实现物料的收集与循环；
本实施例中，具体需要说明的是物料循环模块，所述物料循环模块在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器置于四个物料传送带的终端，物料终端的4个黑色箱体的动作类型设置为与其他元件碰撞，当检测到碰撞且物料名称相符时，其内部当前值置位于1，黑色箱体接收到分拣完毕的物料后，该物料的动作也为1，这个物体会回到原来的位置，重新进行分拣流程，实现物料的收集与循环。
本发明中的公式是去除量纲取其数值计算，通过采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设比例系数由本领域的技术人员根据实际情况设定或者通过大量数据模拟获取。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种自动检测的物料筛选系统，其特征在于：包括物料检测模块、物料分类模块、物料筛选模块以及物料循环模块：
物料检测模块：通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取；
具体包括以下步骤：
步骤1、由变频控制器带动皮带传送物料，在皮带附近安装各种传感器，对物料的缺陷、图形、颜色进行检测，使用超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位将此种物料记为缺陷物料，在物料的上料环节进行缺陷物料的剔除；
步骤2、预设物料的重量值，使用物料秤对物料的重量进行称取，称取的物料小于设定值，将物料定义为不合格物料，将不合格物料以及缺陷物料推出物料传送带；
步骤3、使用摄像头对物料的图像信息进行提取，将图像进行二值化操作，对图像进行边缘提取，对图像信息进行腐蚀以及膨胀运算，删除比物料边缘小的暗像素以及亮元素，得到物料的图像边缘信息；
步骤4、确定物料位置坐标，假定图像左下角为坐标原点、待识别的物料为长方体类型，通过读取图像中像素点的数据来确定物料的位置及角度，二值化图像逐行自上向下、自下向上、自左向右以及自右向左寻找像素跳变点，找到物料4个边角位置，具体计算公式如下：
其中，xmax为图像x的最大行，xmin为图像x的最小行，ymax为图像y最大列，ymin为图像y最小列；
物料分类模块：根据与样品模板进行形状匹配来完成，通过轮廓特征点的匹配对物料进行分类；
寻找相似程度最高的特征点，令Cij＝(pi,qj)，表示两点匹配的代价，则Cij的具体计算公式如下：
其中，hi(k)、hj(k)分别表示以pi,qj点为参考的k区间的标准直方图值，为每对特征点匹配关键系数Cij；
物料筛选模块：通过建立神经网络模型对物料进行筛选，具体包括以下内容：
步骤1、预设物料的图像边缘信息以及重量作为第一匹配信号，提取第一匹配信号输入第一神经网络中，获取采集物料的图像边缘信息，输入第二神经网络中；
步骤2、获取物料的重量在预设的第一匹配信号中遍历查找是否包含获取物料的重量，如果存在则确认第一匹配信号与获取物料的重量匹配，生成第二匹配信号，如果不存在则确认第一匹配信号与获取物料的重量不匹配，生成不匹配信号；
步骤3、获取物料的图像边缘信息在预设的第一匹配信号中遍历查找是否包含获取物料的图像边缘信息，如果存在则确认第一匹配信号与获取物料的图像边缘信息匹配，生成第三匹配信号，如果不存在则确认第一匹配信号与获取物料的图像边缘信息不匹配，生成不匹配信号；
步骤4、提取第一匹配信号的特征，将第一匹配信号与第二匹配信号以及第三匹配信号输入第一分类神经网络，获取具体的物料重量以及图像边缘信息，作为验证集；
步骤5、将所述物料检测模块中的物料信息作为训练集；
步骤6、将训练集输入神经网络中进行训练，得到训练后的神经网络模型；
步骤7、使用训练后的神经网络模型对检测到的物料进行筛选；物料循环模块：在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器，实现物料的收集与循环。
2.根据权利要求1所述的一种自动检测的物料筛选系统，其特征在于：所述物料循环模块在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器置于四个物料传送带的终端，物料终端的4个黑色箱体的动作类型设置为与其他元件碰撞，当检测到碰撞且物料名称相符时，其内部当前值置位于1，黑色箱体接收到分拣完毕的物料后，该物料的动作也为1，这个物体会回到原来的位置，重新进行分拣流程。
3.一种自动检测的物料筛选方法应用于如权利要求1-2任一所述的一种自动检测的物料筛选系统，其特征在于：具体包括以下步骤：
101、通过超声旋转探头对物料的表面裂纹信息进行提取并记录物料的缺陷部位，使用摄像头对物料的图像信息进行提取；
102、根据与样品模板进行形状匹配来完成，通过轮廓特征点的匹配对物料进行分类；
103、通过建立神经网络模型对物料进行筛选；
104、在物料传送的起始位置和物料传送端分别放置一个黑色箱体，调用4个传感器，实现物料的收集与循环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013650.5A CN117299596B (zh) | 2023-08-14 | 2023-08-14 | 一种自动检测的物料筛选系统及其筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013650.5A CN117299596B (zh) | 2023-08-14 | 2023-08-14 | 一种自动检测的物料筛选系统及其筛选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117299596A CN117299596A (zh) | 2023-12-29 |
| CN117299596B true CN117299596B (zh) | 2024-05-24 |
Family
ID=89285510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311013650.5A Active CN117299596B (zh) | 2023-08-14 | 2023-08-14 | 一种自动检测的物料筛选系统及其筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117299596B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
| CN109035214A (zh) * | 2018-07-05 | 2018-12-18 | 陕西大中科技发展有限公司 | 一种工业机器人物料形状识别方法 |
| CN109344894A (zh) * | 2018-09-28 | 2019-02-15 | 广州大学 | 基于多传感器融合和深度学习的垃圾分类识别方法及装置 |
| CN110659892A (zh) * | 2019-07-31 | 2020-01-07 | 林勇 | 物品总价获取方法、装置、计算机设备和存储介质 |
| CN110906875A (zh) * | 2019-11-26 | 2020-03-24 | 湖北工业大学 | 一种孔径测量的视觉处理方法 |
| CN111160451A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种柔性材料检测方法及其储存介质 |
| CN211442304U (zh) * | 2019-12-13 | 2020-09-08 | 中铁第四勘察设计院集团有限公司 | 一种准确测定轨道板离缝的检测车 |
| CN112163588A (zh) * | 2020-10-09 | 2021-01-01 | 西安微电子技术研究所 | 基于智能进化的异源图像目标检测方法、存储介质及设备 |
| CN112232399A (zh) * | 2020-10-10 | 2021-01-15 | 南京埃斯顿机器人工程有限公司 | 基于多特征融合机器学习的汽车座椅缺陷检测方法 |
| CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
| WO2021143343A1 (zh) * | 2020-01-15 | 2021-07-22 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
| CN214374356U (zh) * | 2020-12-25 | 2021-10-08 | 中国科学院合肥物质科学研究院 | 一种工件缺陷检测设备 |
| CN113763369A (zh) * | 2021-09-13 | 2021-12-07 | 杭州大杰智能传动科技有限公司 | 基于图像特征分析的塔吊夹具物料匹配性识别方法和装置 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN114972895A (zh) * | 2022-08-01 | 2022-08-30 | 武汉轻工大学 | 小龙虾品质无损检测方法及装置 |
| CN115015394A (zh) * | 2022-07-11 | 2022-09-06 | 西安交通大学 | 一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法 |
| CN217534409U (zh) * | 2022-07-04 | 2022-10-04 | 江苏秦郡机械科技有限公司 | 一种滚笼筛的连续进料机构 |
| KR102478685B1 (ko) * | 2022-05-12 | 2022-12-19 | 김인기 | 인공지능 기반 인테리어 모델링 이미지 검증 방법, 장치 및 시스템 |
| CN116362604A (zh) * | 2023-03-24 | 2023-06-30 | 南京城烁网络科技有限公司 | 一种产品自动筛选系统及其筛选方法 |
-
2023
- 2023-08-14 CN CN202311013650.5A patent/CN117299596B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
| CN109035214A (zh) * | 2018-07-05 | 2018-12-18 | 陕西大中科技发展有限公司 | 一种工业机器人物料形状识别方法 |
| CN109344894A (zh) * | 2018-09-28 | 2019-02-15 | 广州大学 | 基于多传感器融合和深度学习的垃圾分类识别方法及装置 |
| CN110659892A (zh) * | 2019-07-31 | 2020-01-07 | 林勇 | 物品总价获取方法、装置、计算机设备和存储介质 |
| CN110906875A (zh) * | 2019-11-26 | 2020-03-24 | 湖北工业大学 | 一种孔径测量的视觉处理方法 |
| CN211442304U (zh) * | 2019-12-13 | 2020-09-08 | 中铁第四勘察设计院集团有限公司 | 一种准确测定轨道板离缝的检测车 |
| CN111160451A (zh) * | 2019-12-27 | 2020-05-15 | 中山德著智能科技有限公司 | 一种柔性材料检测方法及其储存介质 |
| WO2021143343A1 (zh) * | 2020-01-15 | 2021-07-22 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN112163588A (zh) * | 2020-10-09 | 2021-01-01 | 西安微电子技术研究所 | 基于智能进化的异源图像目标检测方法、存储介质及设备 |
| CN112232399A (zh) * | 2020-10-10 | 2021-01-15 | 南京埃斯顿机器人工程有限公司 | 基于多特征融合机器学习的汽车座椅缺陷检测方法 |
| CN214374356U (zh) * | 2020-12-25 | 2021-10-08 | 中国科学院合肥物质科学研究院 | 一种工件缺陷检测设备 |
| CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
| CN113763369A (zh) * | 2021-09-13 | 2021-12-07 | 杭州大杰智能传动科技有限公司 | 基于图像特征分析的塔吊夹具物料匹配性识别方法和装置 |
| KR102478685B1 (ko) * | 2022-05-12 | 2022-12-19 | 김인기 | 인공지능 기반 인테리어 모델링 이미지 검증 방법, 장치 및 시스템 |
| CN217534409U (zh) * | 2022-07-04 | 2022-10-04 | 江苏秦郡机械科技有限公司 | 一种滚笼筛的连续进料机构 |
| CN115015394A (zh) * | 2022-07-11 | 2022-09-06 | 西安交通大学 | 一种基于卷积网络和轨迹跟踪的复合材料缺陷超声检测方法 |
| CN114972895A (zh) * | 2022-08-01 | 2022-08-30 | 武汉轻工大学 | 小龙虾品质无损检测方法及装置 |
| CN116362604A (zh) * | 2023-03-24 | 2023-06-30 | 南京城烁网络科技有限公司 | 一种产品自动筛选系统及其筛选方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117299596A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111537517B (zh) | 一种无人智能化冲压缺陷识别方法 | |
| CN109255787B (zh) | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 | |
| CN101915769B (zh) | 一种印刷电路板中带电阻元件的自动光学检测方法 | |
| CN109308700A (zh) | 一种基于印刷品字符的视觉识别缺陷检测方法 | |
| CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN114387233A (zh) | 一种基于机器视觉的砂型缺陷检测方法及系统 | |
| KR20210008352A (ko) | 촬상된 품목의 결함을 검출하기 위한 시스템 및 방법 | |
| CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
| CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
| CN112497219B (zh) | 一种基于目标检测和机器视觉的柱状工件分类定位方法 | |
| CN112150439A (zh) | 注塑件的自动分拣设备及分拣方法 | |
| CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
| TW202127371A (zh) | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
| CN113627435A (zh) | 一种瓷砖的瑕疵检测与识别方法及系统 | |
| CN114549493A (zh) | 一种基于深度学习的磁芯缺陷检测系统及方法 | |
| CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
| CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
| CN110935646A (zh) | 基于图像识别的全自动螃蟹分级系统 | |
| CN117299596B (zh) | 一种自动检测的物料筛选系统及其筛选方法 | |
| CN113822836A (zh) | 标记图像的方法 | |
| CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
| CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 |
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 |