[发明专利]一种基于人工智能的片烟杂物检测系统在审
| 申请号: | 202010772950.1 | 申请日: | 2020-08-04 |
| 公开(公告)号: | CN111912850A | 公开(公告)日: | 2020-11-10 |
| 发明(设计)人: | 蔡小五;池敏 | 申请(专利权)人: | 南京文采工业智能研究院有限公司 |
| 主分类号: | G01N21/892 | 分类号: | G01N21/892;G01N21/01 |
| 代理公司: | 暂无信息 | 代理人: | 暂无信息 |
| 地址: | 210000 江苏省南*** | 国省代码: | 江苏;32 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 一种 基于 人工智能 杂物 检测 系统 | ||
1.一种基于人工智能的片烟杂物检测系统,其特征在于:它包括图像采集装置(1)、图像处理装置(2)、图像输出装置(3)、传送带(4)、杂质(5)、非杂质(6)、采集的图像(7)、输出的图像(8)和标记(9),所述的图像采集装置(1)与所述的图像处理装置(2)相连,将所述的采集的图像(7)传输给所述的图像处理装置(2),所述的图像处理装置(2)与所述的图像输出装置(3)相连,将所述的输出的图像(8)传输给所述的图像输出装置(3)。
2.根据权利要求1所述基于人工智能的片烟杂物检测系统,其特征在于,所述片烟杂物检测系统的检测方法包括以下几个步骤:(1)将图像采集装置拍摄到的流水线的图像传给图像处理装置;(2)图像处理装置识别图像上杂物的位置及尺寸;(3)图像处理装置把图像采集装置的图像上杂物的位置坐标转换为图像输出装置的图像的坐标及尺寸;(4)图像处理装置生成标识出杂物区域的图像,传输给图像输出装置;(5)图像输出装置将图像以人眼可见的方式展示。
3.根据权利要求2所述基于人工智能的片烟杂物检测系统,其特征在于:所述步骤(1)中图像采集装置固定在流水线的上方,将拍摄的范围覆盖需要检测的流水线的区域,该区域至少需要包含可能掺杂着杂质的原材料以及传送带。
4.根据权利要求2所述基于人工智能的片烟杂物检测系统,其特征在于:所述步骤(1)中图像采集装置使用摄像机或照相机或红外接收器或超声波接收器可以接收可见光、非可见光、声波、震动、电磁信号灯物理特征并将其转化为数字或模拟信号的传感器,图像可以在图像采集装置合成也可以将原始数据传输到图像处理装置后合成。
5.根据权利要求2所述基于人工智能的片烟杂物检测系统,其特征在于:所述步骤(2)中图像处理装置对采集到的图像中的物体进行识别,判断哪些为杂质哪些为非杂质,并计算杂质在图像中坐标及尺寸。
6.根据权利要求2所述基于人工智能的片烟杂物检测系统,其特征在于:所述步骤(3)中图像处理装置将获得的杂质在采集图像中的坐标及尺寸转换到投射图像中的坐标及尺寸,传输到下一步。
7.根据权利要求6所述基于人工智能的片烟杂物检测系统,其特征在于:所述转换的方式使用基于非线性模型的空间映射。
8.根据权利要求7所述基于人工智能的片烟杂物检测系统,其特征在于:所述非线性模型的空间映射包括神经网络或支持向量机或逻辑回归方式。
9.根据权利要求2所述基于人工智能的片烟杂物检测系统,其特征在于:所述步骤(3)中用于坐标转换的模型需要进行预先标定,标定步骤包括:(a)先约定一个易于识别点或圆圈的作为特征;(b)生成一幅包含此识别特征的图像;(c)使用已固定位置和角度的图像输出设备投射此幅图像到流水线上;(d)然后使用已固定位置和角度的图像采集设备拍摄这幅投射的图像,通过K-means或DBSCAN的聚类算法推测出属于该特征的点的集合;(e)根据点的集合的坐标计算出该集合的中心点位置、宽度和高度;(f)采集图像上的中心点作为模型的输入样本、投射图像上的中心点作为模型的输出样本进行保存;(g)不断重复步骤(b)至(f),使输入样本尽可能覆盖图像输出设备的整个投射区域;(h)使用已获得的输入输出样本训练非线性模型,使之能够通过采集图像的某个中心点坐标、宽度和高度推测出投射图像中对应点的中心点坐标、宽度和高度。
10.根据权利要求9所述基于人工智能的片烟杂物检测系统,其特征在于:所述步骤(h)中图像处理装置将获得中心点坐标、宽度和高度以拥有中心点坐标、宽度及高度的椭圆或矩形作为易于工作人员辨认的简单图形生成以黑色为背景、以亮色为图形标识的投射图像传输给步骤(5);所述图像输出装置将投射图像投射到流水线上;所述图像输出装置包括光学投影仪或激光投影仪或激光指示器。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京文采工业智能研究院有限公司,未经南京文采工业智能研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010772950.1/1.html,转载请声明来源钻瓜专利网。





