CN206567239U - 一种具有前置图像处理及反射式光谱单元的塑料分选系统 - Google Patents
一种具有前置图像处理及反射式光谱单元的塑料分选系统 Download PDFInfo
- Publication number
- CN206567239U CN206567239U CN201621185683.3U CN201621185683U CN206567239U CN 206567239 U CN206567239 U CN 206567239U CN 201621185683 U CN201621185683 U CN 201621185683U CN 206567239 U CN206567239 U CN 206567239U
- Authority
- CN
- China
- Prior art keywords
- spectrum
- information
- module
- reflective
- preposition
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Sorting Of Articles (AREA)
Abstract
本实用新型涉及一种具有前置图像处理及反射式光谱单元的塑料分选系统:包括前置图像处理系统、中置反射式光谱模块、后置透射式光谱模块、智能气动分选模块;前置图像处理系统采用图像分割技术,标注横向与纵向区域特征值与色彩信息,图像处理信息与光谱信息,不断进行基于统计机器学习模式的渐进式自适应学习,其实时性与匹配度将不断增加,从而可不断修正关联加权决策系数,不断提高图像信息与光谱信息的匹配度;反射式光谱探测单元将对传输带背景光谱进行差分运算,以消除其影响;智能气动模块,由系统控制平台对塑料垃圾图像信息、反射光谱信息、透射光谱信息进行关联加权决策,产生智能分选动作;本实用新型特点,前置图像处理,近红外,反射光谱,透射光谱,关联决策,智能气动。
Description
技术领域
本发明涉及一种包括前置图像处理模块、中置反射式光谱模块、后置透射式光谱模块、智能气动分选模块的塑料分选系统,具体指一种具有前置图像处理及反射式光谱单元的塑料垃圾近红外智能分选系统(如图1所示)。
近红外塑料垃圾光谱分选是该类设备的常用技术,但目前该类设备在系统设计方面存在下面几个方面的问题:
首先:一般只在塑料垃圾脱离输送带的飞行过程中进行透射式近红外光谱分析,其识别速度影响输送带速度从而影响分选系统整机效率;其次,不能感知塑料垃圾的形状、质量、质心、轨迹等信息,因此不能依据这些信息实现智能气动分选;第三,单一的透射式近红外塑料垃圾光谱识别,由于受其表面污物等影响,有一定的错误识别,这将导致智能气动分选系统产生误动作。
鉴于上述原因,单一透射式识别存在以下不足:
a)没有对塑料垃圾进行横向图像处理,不能依据塑料垃圾的横向姿态决定相邻气动单元的协同动作。
b)没有对塑料垃圾进行纵向图像处理,导致不能建立光谱与各纵向相对位置分区的对应关系。
c) 仅仅后置飞行中采用一种透射式近红外光谱分选识别方式,决策依据单一,容易产生误动作,系统决策鲁棒性较差。
d) 系统生产率提高受到硬件速度的制约。
e) 系统抗光谱干扰能力较弱。
f) 系统光谱测量技术相对落后。
g) 系统不能依据塑料垃圾的质量分布,质心状态产生智能气动动作。
因此,设计一种具有前置图像处理及反射式光谱单元的塑料垃圾近红外智能分选系统,具有重要意义。
发明内容
为了解决上述问题,本发明提出了一种具有前置图像处理及反射式光谱单元的近红外塑料垃圾识别系统; 系统通过前置图像处理技术识别塑料垃圾的多维信息;由于是前置式的,故可以有充分的处理时间,对塑料垃圾的大小、质量、质心、颜色、形状等信息进行采集,定义其所占纵向区域的轨迹位置信息与质量分布状态,为后续具有三个方向的智能气动分选驱动装置提供动作决策依据;通过前置反射式光谱分析,为后置透射式光谱识别提供融合数据;
本发明技术方案,一种具有前置图像处理及反射式光谱单元的塑料垃圾近红外智能分选系统:包括前置图像处理系统(如图2所示)、中置反射式光谱模块(如图3所示)、后置透射式光谱模块(如图4所示)、智能气动分选模块(如图5所示);前置图像处理系统,标注其横向位置分割线(如图7所示),标注纵向相对区域特征值(如图8所示),提供关联决策信息;图像处理系统采集色彩信息,与后续光谱信息进行关联比对,自适应学习,不断的提高图像信息与光谱信息的匹配度;图像处理系统遇到标签、商标与条码时将增加图像分割层次与区域,独立识别,增加塑料垃圾的信息采集维度;前移图像处理单元的位置,可使图像处理单元与光谱单元处理速度匹配;图像处理单元采用图像分割技术,其摄像头个数可与横向轨道数不同;为提高边缘清晰度,采用多摄像头图像合成技术;图像处理系统将提供塑料垃圾瓶变形后的拟合先验数据库;中置反射式近红外光谱探测装置单元数与轨道数相同(如图6所示); 反射式光谱探测单元(如图3所示)将对传输带背景光谱进行差分运算,以消除其影响;前置图像处理单元与中置反射式光谱单元位置相对固定,在传输带速度相对稳定的前提下,反射式光谱单元将应用前置图像处理结果,有效区分标签、背景等干扰光谱;反射式光谱单元将采用光谱差分技术,抑制输送带背景光谱干扰;后置透射式光谱单元个数与轨导数相同,光源在下,探测器在上(如图4所示);塑料垃圾在离开输送带作抛物线飞行过程中进行光谱识别;中置与后置光谱单元光源与探测器均设计有汽车雨刮式自动清洁装置; 相邻气动单元可以进行智能联动;对不同形状与质量分布状态及位置信息的塑料垃圾采取不同的智能组合动作(如图5所示)。
进一步,对其形状进行图像分割,定位其横向轨道信息。
进一步,可依据传送带的速度来设计前置图像处理单元的位置,以使图像处理速度具有实时性。
进一步,可依据传送带的速度来设计反射式近红外光谱分析装置的位置。
进一步,轨导数与光谱单元及气动单元个数相同。
进一步,图像处理信息、反射光谱、透射光谱同步输入测控平台,进行算法融合,做出关联加权决策,产生分选动作。
进一步,塑料垃圾上的色彩、标签、条码、形状等信息进行大数据分析,预测其组分,验证其光谱。
进一步,图像处理信息与光谱信息,反射式光谱信息与透射式光谱信息不断进行基于统计机器学习模式的渐进式自适应学习,其实时性与匹配度将不断增加,从而可不断修正关联加权决策系数。
本发明的有益效果:
透射式光谱测量时,是用不同塑料的吸收峰来决定塑料的型号,依据塑料垃圾的性质,当其表面有其它附着物时,吸收峰会发生位移,容易产生误判。
现在通过前置图像处理单元、中置反射式光谱分析、后置透射式光谱分析,
产生关联加权决策,提高决策可靠性。
同时图像处理单元光谱单元将启动自适应学习模式,不断提高三种测量方式的匹配度,不断修正加权决策系数,将单一决策模式逐步过渡到多信息决策模式,增加抗干扰能力,提高分选精度。
此系统设计方案可使分选精度大幅度提高,可以实现塑料垃圾不需要粉碎、清洗的高分辩率分选。
附图说明
图1 系统整体示意图。
图2 前置图像处理系统示意图。
图3前置反射式近红外光谱示意图。
图4后置透射式近红外光谱示意图。
图5智能气动单元示意图。
图6轨道、光谱单元、气动单元对应关系示意图。
图7轨道识别示意图。
图8纵向相对区域特征值示意图。
图9智能气动单元控制示意图。
具体实施方案:
下面结合附图对本发明具体方案做详细说明。
本发明所述一种具有前置图像处理及反射式光谱单元的塑料垃圾近红外智能分选系统,系统包含前置图像处理系统,中置反射式光谱处理单元,后置透射式光谱处理单元,智能气动处理单元,传送系统等技术。
前置图像处理技术
采用实时图像分割技术,获得塑料垃圾的形状包络线,获得其所占横向轨导信息(如图7所示)和纵向相对区域特征值(如图8所示),纵向区域特征将包括宽度、色彩、光谱、位置等关联信息;建立矢量模型,以便提高处理速度;如遇到商标与条码信息,则对相关区域进一步分割识别,如能有效识别商标图案或条码,则进行信息登记;为摄像头提供高亮度照明系统,以使系统在不同的工作环境中都能获得高清晰度的图像;采用高速摄像系统;构建塑料瓶挤压后的基本形变状态,为图像分割与拟合提供先验数据库;为快速进行图像分割采用硬件与软件异构体系方法;采用新一代集成了CPU或DSP内核的FPGA,丰富的板级资源可以满足图像的高速预处理需求;在所选FPGA上进行软、硬件协同设计,图像分割与处理利用FPGA并行处理和计算能力;采用乒乓结构SDRAM用来存储图像数据,同时有两个存储区,一个区采集一帧图像,另一帧存储区进行图像分割处理,交叠进行,加倍地提高图像分割与处理速度;先验模型数据提前导入静态存储区,模型数据采用矢量数据模型以提高速度,缩小先验数据库,减少比对次数,实现图像处理技术的实时性;处理后获得的图像信息传送到控制平台。
近红外光谱成像技术
采用LED光源及固定光路阵列检测器构建其光谱成像系统;采用后分光方式,即光源发出的光无论是反射系统还是透射系统首先经过样品,再由光栅分光,光栅不需要转动,经过色散后的光聚焦在阵列检测器的焦面上同时被检测;分光系统中无可移动光学部件,结构简单,成本低,长期稳定性和抗干扰性能好,且扫描速度快;多单元体系结构性价比高。
反射式光谱分析技术
机器启动时,先进行初始化运行,对传送带进行背景光谱测量(如图3所示),校正影响光谱成像的湿度、温度、压力等环境参数;采用差分光谱分析方法,减少或消除塑料上的附着物等对反射光谱的影响;依据相对区域特征值进行关联运算,区分商标与条码、瓶盖等区域光谱特征。
透射式光谱分析技术
透射式光谱成像在塑料瓶离开输送带作飞行时完成,此飞行过程时间短(如图4所示),因此必须快速成像并提交给控制平台完成信息融合,形成气动动作决策信号,快速光谱图成像后处理的软硬件技术与快速图像成像处理技术类似。采用差分光谱分析方法,减少或消除塑料上的附着物等对透射光谱的影响。
关联加权决策技术
将已知权重的一般线性加权法和未知权重关联系数法融合,构成偏差最小化的优化模型;用线性加权求出的决策值,在采用各方案对理想方案关联度的基础上,建立综合优化决策模型;使得决策结果对所有指标而言,各方案决策值距线性加权法的决策值最小,同时使之与理想方案的关联度的偏差也最小。
智能气动单元技术
采用具有集成微处理器,内置可编程探制器的阀岛技术(如图9所示);以阀岛与现场总线技术相结合构建智能气动单元;阀岛统一进气源,分别进行喷气控制,常态为关闭状态;本方案采用每个子单元具有三个气动阀的阀岛,子阀岛个数与轨导数和光电单元个数相同;现场总线控制技术所示控制平台,具有标准的输出插头,可直接与阀岛对接,用于对阀岛的直接控制;标准的现场总线与控制平台相联,为了使主机能区分每一个前置处理器,每个阀岛中的每个气动阀设计地址,按一点多址方式实现对每个阀门的控制。
图像处理与光谱关联学习技术
依据传送带的速度以及摄像系统、反射光谱单元、透射光谱单元的位置,通过固定时序关联,构造按时间先后顺序排列的数据集,构建图像特征与反射光谱图特征与透射光谱图特征之间的关联规则,处理不同属性所构成的组合,计算相关的支持与置信度,并通过最小支持度和最小置信度进行过滤,最后得到具有固定时序性质的关联规则;随着数据集的增加,不断调整加权支持率,加权可信度,形成基于统计机器学习模式的自适应关联学习技术,稳定与修正固定时序关联规则,为关联加权决策技术提供数据支撑。
Claims (5)
1.一种具有前置图像处理及反射式光谱单元的塑料分选系统,其特征在于,包括前置图像处理模块、中置反射式光谱模块、后置透射式光谱模块、智能气动分选模块;其中,
所述前置图像处理模块,用于在塑料垃圾传送带的前端对塑料垃圾图像进行实时处理;
所述中置反射式光谱模块,用于在塑料垃圾传送带上表面适当位置采集反射式近红外光谱信息;
所述后置透射式光谱模块,用于在塑料垃圾飞离传送带表面时,由近红外光源穿过塑料垃圾采集透射式光谱;
所述智能气动分选模块,由系统控制平台采用现场总线技术对阀岛作一点多址分时智能控制。
2.根据权利要求1所述一种具有前置图像处理及反射式光谱单元的塑料分选系统,其特征是,所述图像处理模块包括:外形分割,产生塑料垃圾外形轮廓图像信息;横向分割,产生轨道信息;纵向分割,产生相对区域特征宽度信息;色彩识别,产生相对区域色彩信息。
3.根据权利要求1所述一种具有前置图像处理及反射式光谱单元的塑料分选系统,其特征是,所述反射式光谱模块,具有传送带背景光谱差分消噪技术。
4.根据权利要求1所述一种具有前置图像处理及反射式光谱单元的塑料分选系统,所述透射式光谱模块,具有附着物光谱差分消噪技术。
5.根据权利要求1所述一种具有前置图像处理及反射式光谱单元的塑料分选系统,所述智能气动模块,由系统控制平台对塑料垃圾图像信息、反射光谱信息、透射光谱信息进行关联加权决策,产生智能分选动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201621185683.3U CN206567239U (zh) | 2016-10-26 | 2016-10-26 | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201621185683.3U CN206567239U (zh) | 2016-10-26 | 2016-10-26 | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN206567239U true CN206567239U (zh) | 2017-10-20 |
Family
ID=60063311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201621185683.3U Expired - Fee Related CN206567239U (zh) | 2016-10-26 | 2016-10-26 | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN206567239U (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106824824A (zh) * | 2016-10-26 | 2017-06-13 | 湖南理工学院 | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 |
CN108971026A (zh) * | 2018-09-05 | 2018-12-11 | 深圳市朗坤生物科技有限公司 | 一种废弃塑料种类的分选装置及其分选方法 |
US20230011383A1 (en) * | 2019-11-04 | 2023-01-12 | Tomra Sorting Gmbh | Neural network for bulk sorting |
-
2016
- 2016-10-26 CN CN201621185683.3U patent/CN206567239U/zh not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106824824A (zh) * | 2016-10-26 | 2017-06-13 | 湖南理工学院 | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 |
CN108971026A (zh) * | 2018-09-05 | 2018-12-11 | 深圳市朗坤生物科技有限公司 | 一种废弃塑料种类的分选装置及其分选方法 |
US20230011383A1 (en) * | 2019-11-04 | 2023-01-12 | Tomra Sorting Gmbh | Neural network for bulk sorting |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106824824A (zh) | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 | |
CN206567239U (zh) | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 | |
CN102609682B (zh) | 一种针对感兴趣区域的反馈式行人检测方法 | |
CN101339607B (zh) | 人脸识别方法及系统、人脸识别模型训练方法及系统 | |
CN100458831C (zh) | 人脸模型训练模块及方法、人脸实时认证系统及方法 | |
CN109711258A (zh) | 基于卷积网络的轻量级人脸关键点检测方法、系统及存储介质 | |
CN109961460A (zh) | 一种基于改进YOLOv3模型的多目标巡检方法 | |
Liu et al. | Deep multi-level fusion network for multi-source image pixel-wise classification | |
CN110120041A (zh) | 路面裂缝图像检测方法 | |
CN101813976A (zh) | 基于soc的视线跟踪人机交互方法及装置 | |
CN104077596A (zh) | 一种无标志物跟踪注册方法 | |
CN102831404A (zh) | 手势检测方法及系统 | |
CN104794439A (zh) | 基于多相机的准正面人脸图像实时优选方法及系统 | |
CN101685006A (zh) | 触点零件形貌机器视觉自动检测系统 | |
CN104867150A (zh) | 遥感影像模糊聚类的波段修正变化检测方法及系统 | |
CN107657625A (zh) | 融合时空多特征表示的无监督视频分割方法 | |
Wang et al. | Research on detection technology of various fruit disease spots based on mask R-CNN | |
CN105260749A (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN104224204A (zh) | 一种基于红外检测技术的驾驶员疲劳检测系统 | |
CN103714659A (zh) | 基于双光谱融合的疲劳驾驶识别系统 | |
CN102169543B (zh) | 基于多源信息融合和在线学习的人头计数方法 | |
CN104123714B (zh) | 一种人流量统计中最优目标检测尺度的生成方法 | |
CN109948725A (zh) | 基于地址-事件表达的神经网络目标检测装置 | |
CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
Du et al. | PST: Plant segmentation transformer for 3D point clouds of rapeseed plants at the podding stage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171020 Termination date: 20191026 |