一种基于卷积神经网络算法的智能山核桃壳仁分选机制造技术

本发明专利技术涉及一种基于卷积神经网络算法的智能山核桃壳仁分选机，包括有喂料装置、振动筛、机架、气吹式分选装置、配电柜、输送装置、气吸式分选装置、遮光板、辅助光源以及图像采集系统；还包括有工业相机、下位机、上位机、数据处理系统、深度学习理论的目标识别算法、区域连通域分割理论定位算法、气吸式控制系统、气吹式控制系统。设计中采用基于区域连通域分割理论定位每帧图像中的多个物料目标，核桃物料之间不易缠绕，区域连通域分割较为明显。上位机通过串口通信将所选目标的质心坐标发送给控制器ARDUINO核心控制器，控制快速执行装置到达实际坐标系位置并精准控制吸取器吸走所识别的目标物。开发高速气吹式执行装置，满足各种需求。

【技术实现步骤摘要】
一种基于卷积神经网络算法的智能山核桃壳仁分选机
本专利技术涉及一种山核桃壳仁分选机，更确切的说是涉及采用卷积神经网络的多工况的智能山核桃壳仁分选机。
技术介绍
山核桃是最有经济价值和营养丰富的坚果之一，具有良好的抗氧化活性。山核桃坚果的内壁有2个大的分区和6-9个小分区，内部结构复杂，沟壑纵横。复杂的山核桃的结构特征导致了食用的不便。近年来，机械破壳通常用于山核桃的生产过程中。在这个过程中需要突破的关键问题可以归结为低损伤破壳及破壳完成后的破碎壳、核仁和壳仁未分物料的高识别率分选。坚果壳破壳后物料的有效分离一直是坚果加工领域的重要课题。常使用风选分离和色选分离。现有利用不变特征和有监督的自组织映射算法从破碎物料中分离核桃肉的方法，该方法对核桃肉和壳的分离非常有效，然而现有的分离方法中使用染色剂成分对核桃仁有一定的污染，并没有考虑壳仁未分离的物料处理。破壳后山核桃坚果中仍含有未分离的个体，如果无法有效分离，就会造成浪费资源。此外，基于传统机器学习算法的壳仁未分离物料识别率较低，分选结果低于70％。目前主流分选方法存在特征提取单一且需要额外本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络算法的智能山核桃壳仁分选机，其特征在于：所述智能山核桃壳仁分选机包括有喂料装置(1)、振动筛(2)、机架(3)、气吹式分选装置(4)、配电柜(5)、输送装置(6)、气吸式分选装置(7)、遮光板(8)、辅助光源(9)以及图像采集系统(10)；所述智能山核桃壳仁分选机还包括有工业相机、下位机、上位机、数据处理系统、深度学习理论的目标识别算法、区域连通域分割理论定位算法、气吸式控制系统、气吹式控制系统；/n所述工业相机位于分选机正上方，所述辅助光源(9)配合工业相机且均匀分布于工业相机四周，所述上位机用于搭载图像处理程序与实时采集动态图像信息进行数据处理；所述工业相机通过数据...

【技术特征摘要】
1.一种基于卷积神经网络算法的智能山核桃壳仁分选机，其特征在于：所述智能山核桃壳仁分选机包括有喂料装置(1)、振动筛(2)、机架(3)、气吹式分选装置(4)、配电柜(5)、输送装置(6)、气吸式分选装置(7)、遮光板(8)、辅助光源(9)以及图像采集系统(10)；所述智能山核桃壳仁分选机还包括有工业相机、下位机、上位机、数据处理系统、深度学习理论的目标识别算法、区域连通域分割理论定位算法、气吸式控制系统、气吹式控制系统；
所述工业相机位于分选机正上方，所述辅助光源(9)配合工业相机且均匀分布于工业相机四周，所述上位机用于搭载图像处理程序与实时采集动态图像信息进行数据处理；所述工业相机通过数据线连接到上位机，采用标定板网格标定虚拟坐标系与实际坐标系的比例关系，从而确定实际物料信息；所述辅助光源(9)采用多角度与多点补光，消除物料阴影对物料图像采集的干扰，并且光源的色彩可以调节适应不同环境光线的影响；
所述数据处理系统是基于深度学习理论的目标识别算法与多目标下小目标的定位算法而形成的处理系统；所述气吹式控制系统由下位机接收上位机指令程序实现控制气吹式分选装置(4)，所述气吸式控制系统由下位机接收上位机指令程序实现控制气吸式分选装置(7)；所述工业相机、辅助光源、上位机、气吸式分选装置、气吸式控制系统、输送装置、气吹式控制系统、气吹式分选装置、喂料装置均与所述数据处理系统连接，其中，气吸式控制系统与气吹式控制系统分别独立与数据处理系统通信。


2.根据权利要求1所述的一种基于卷积神经网络算法的智能山核桃壳仁分选机，其特征在于：所述深度学习理论的目标识别算法主要包括有：
卷积层1(Cov1)：该层输入图像大小为32×32×3的RGB图像,第一个卷积层过滤器的尺寸为32×32×3，深度为32，使用全0填充，步长为1个像素；该层共有5×5×3×32+32＝2432个参数；
池化层Pool1：这一层的输入为上一层的输出，上层输出为32×32×32的节点矩阵，使用全0填充，本层过滤器的尺寸为3×3，步长为2像素；
卷积层Cov2：上一层的输出为16×16×32的节点矩阵，这一卷积层过滤器的尺寸为5×5×32，深度为64，使用全0填充，本层共有5×5×32×64+64＝51264个参数；
池化层Pool2：上层输出为16×16×64的节点矩阵，本层过滤器的尺寸为3×3，步长为2像素，使用全0填充；全连接第一层输出节点为384个，全连接第二层输出节点为192个，全连接第三层输出节点根据数据集类别数量设置。


3.根据权利要求1所述的一种基于卷积神经网络算法的智能山核桃壳仁分选机，其特征在于：所述目标在线定位与识别算法是基于区域分割和卷积神经网络方法实现，所述基于区域分割和卷积神经网络的目标在线定位与识别方法主要包括：1)图像灰度处理、2)滤波处理、3)二值化处理、4)区域连通域标记、5)目标定位、6)多目标同时识别。


4.根据权利要求3所述的一种基于卷积神经网络算法的智能山核桃壳仁分选机，其特征在于：所述目标在线定位采用目标图像质心定位更为准确，通过连通域搜索对各目标进行标记，利用边界条件找到目标在原始图像中的位置，得到目标原始图像信息，同时利用边界条件即最小外接矩形框得到该目标的二值图像g，用i和j表示分别表示平面图像的x轴和y轴方向，m和n分别为i和j方向像素的数量，为像素点处的灰度值，则该目标的质心位置坐标表示为：



其中x，y分别表示目标图像的质心横、纵坐标，根据这一公式可以计算所有目标图像的质心坐标，并按一定顺序存储，在识别后，根据结果对相应目标进行索引。


5.根据权利要求3所述的一种基于卷积神经网络算法的智能山核桃壳仁分选机，其特征在于：所述多目标同时识别，需要将所有目标图像制作成图像数据集，并重塑数据格式，以满足Tensorflow框架的要求，才能对所有目标同时识别，然后得到每个目标的识别结果，由于需要知道目标所在位置，所以...

【专利技术属性】
技术研发人员：罗坤，曹成茂，吴正敏，王成武，李琼，孙燕，秦宽，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：安徽;34