[发明专利]基于深度学习的色选机分选方法

说明书

本发明公开了一种基于深度学习的色选机分选方法，涉及色选机分选技术领域。本发明包括如下步骤：拍摄物料并分组，训练模型并保存；相机使用千兆网通讯方式实时传输图像数据至工控机；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；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；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。本发明通过量级的裁剪方式来训练模型，对工控机拍摄的图像进行预处理，对图像进行规整化处理后一次放入模型中进行判别，降低了模型的复杂程度、提高色选机的筛选效率。

技术领域

本发明属于色选机分选技术领域，特别是涉及一种基于深度学习的色选机分选方法。

背景技术

由于对实时性要求非常高，以往色选机主要采用FPGA实现基于传统算法对颜色和简单形状特征进行分选。存在两个问题：1、无法观察整个物料图像，导致无法得到整体特征2、采用人工提取特征具有不完备性。因此对于复杂物料，传统色选机无法满足需求。

本发明在此背景下，提出了基于深度学习的分选方法，克服了这一问题采用工控机硬件方式，优化了目前深度学习网络，压缩了模型提高处理速度并保证了精度，从而实现了不改变色选机结构的基础上采用深度学习方法进行分选既提高分选精度又满足实时性要求，保证产量。

发明内容

本发明的目的在于提供一种基于深度学习的色选机分选方法，通过量级的裁剪方式来训练模型，对工控机拍摄的图像进行预处理，对图像进行规整化处理后一次放入模型中进行判别，并将判别结果反馈至气阀，解决了现有的人工提取特征不完备、无法完成需求的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于深度学习的色选机分选方法，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。

优选地，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。

优选地，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。