[发明专利]基于深度学习的色选机分选方法

权利要求书

1.一种基于深度学习的色选机分选方法，其特征在于，包括如下步骤：

步骤S1：拍摄物料并分组，训练模型并保存；

步骤S2：相机使用千兆网通讯方式实时传输图像数据至工控机；

步骤S3：工控机获取图像，进行滤波处理、二值化、连通域检测找出图像中所有物料；

步骤S4：对所有物料图像进行规整化处理后一次放入模型中进行判别，给出判别结果；

步骤S5：对判别结果进行处理，图像纵向位置与阀位置对应，图像横向位置与时间信息对应，给出吹阀信号，由工控机发送至阀板，指导阀板吹阀。

2.根据权利要求1所述的一种基于深度学习的色选机分选方法，其特征在于，所述步骤S1中，使用高清摄像机对物料进行拍摄，采集若干幅不同大小、不同品质、不同颜色的物料分别保存在贴有相应编号的自封袋中，并通过人工把物料进行人工分类，分为合格物料和不合格物料两类，将所有标记不合格物料图像大小归一化为64*64像素，作为不合格物料的训练样本。

3.根据权利要求1所述的一种基于深度学习的色选机分选方法，其特征在于，所述步骤S1中，训练模型的具体步骤如下：

步骤S11：将高清摄像机拍摄的原始物料图像进行处理，包括裁剪、缩放和分割；

步骤S12：将处理后的64*64图像打上相应得标签；

步骤S13：建立色选机分类模型，将物料的RBG通道数据进行模型训练；

步骤S14：TensorFlow框架搭建卷积神经网络模型完成关于物料图像的二分类操作；

步骤S15：将裁剪好的物料图片读入矩阵结构中，开始训练模型，由输入层接收待识别的物料图像，经过卷积池化，由输出层输出结果。

4.根据权利要求3所述的一种基于深度学习的色选机分选方法，其特征在于，所述步骤S11中，高清摄像机拍摄的原始物料图像在采集完成后，制作数据集，对采集到的物料图片进行灰度化、二值化的预处理操作，并且分割每一个物料的图像数据，并且保存为64*64的像素点大小，保存数据图像的同时打上对应的标签；所述标签只有两种标签，一种是将合格的物料打上“0”号标签，另一种是将不合格的物料打上“1”号标签。

5.根据权利要求3所述的一种基于深度学习的色选机分选方法，其特征在于，所述步骤S13中，模型包括两个卷积层、两个池化层、三个全连接层，其中，第一层卷积层定义20个卷积核，每个卷积核大小为4，并采用Relu函数进行激活操作，提取输入层接收待识别的物料图像的特征；第二层定义池化层，第二层定义为池化层用于使模型在进行完第一层的卷积操作之后，在尽量不丢失图像特征的前提之下进行下采样操作；第三层卷积层定义40个卷积核，卷积核大小为4，同样采用Relu函数激活，第三层卷积层是用于在提取到图像低级特征的基础上在更深一步提取图像更深层次的特征；第四层定义池化层，与第二层作用相同，用于保留图像特征下进行采样；第五、六、七层定义为全连接部分，用来防止过拟合，最后到达输出层；在卷积神经网络架构搭建完成后利用交叉熵和平均损失熵相结合的方式定义损失，然后对损失值进行平均化处理。

6.根据权利要求1所述的一种基于深度学习的色选机分选方法，其特征在于，所述步骤S3中，工控机位于物料正上方获取图像，将拍摄的彩色图像进行去均值操作，将R、G、B三通道的数值分别减去对应通道的均值，使得所有输入图像对应的数值满足同一分布；对去均值后得到的物料图片进行灰度化和二值化处理，并删除面积少于700像素区域，并且分割物料图像，得到每个物料的图像数据，并且保存为64*64像素点大小，在保存图像数据的同时为它们打上相应的标签。

7.根据权利要求1所述的一种基于深度学习的色选机分选方法，其特征在于，所述步骤S5中，当判别结果为“0”时，表示该物料合格；当判别结果为“1”时，表示该物料不合格，由信号处理模块将判别结果进行处理，发动驱动信号，将图像纵向位置与阀位置对应，图像横向位置与时间信息对应，给出吹阀信号，吹阀吹出气流将该时间段内下落至吹阀处的物料吹离。