一种基于深度学习的自动化寻径与物料识别方法技术

本发明专利技术公开了一种基于深度学习的自动化寻径与物料识别方法，具体为：首先对拟拣选的物料依据位置信息采用动态规划进行路径规划；而后依据规划的路径利用卷积神经网络和图像增强技术实现物料自动识别和分辨；再对识别到的货物进行抓取和运输，送至指定地点。本发明专利技术物料识别精度高、速度快；物料运输速度快、容错率高。

【技术实现步骤摘要】
一种基于深度学习的自动化寻径与物料识别方法
本专利技术属于物料分拣
，尤其涉及一种基于深度学习的自动化寻径与物料识别方法。
技术介绍
随着自动化技术的发展，越来越多的工厂和仓库实施自动化作业模式替代传统的人工作业，其中物料分拣是制约自动化作业系统实现最棘手的问题之一，提高物料自动分拣的效率是加速制造企业生产进程有效手段。因此业界急需精准、全自动化的寻径系统与物料分拣来加速此类周期往复的工作效率。术语解释：1.卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络仿造生物的视知觉(visualperception)机制构建，可以进行监督学习和非监督学习，具有输入层(inputlayer)、隐藏层(hiddenlayer)、输出层(outputlayer)三层结构。输入层卷积神经网络的输入层可以处理多维数据。一维卷本文档来自技高网...

【技术保护点】
1.一种基于深度学习的自动化寻径与物料识别方法，其特征在于，包括以下步骤：/n步骤1：对拟拣选的物料依据位置信息采用动态规划进行路径规划；/n步骤2：采用卷积神经网络和图像增强技术实现物料自动识别和分辨：/n(1)用图像增强技术对物料样本进行处理，突出物料特征点；图像数据增强部分采用了Keras库中的图像增强函数，通过改变图片的光照，角度，缩放，平移属性，实现图像数据的增强，扩充图像数据样本集；/n(2)用Python语言编程，搭建卷积神经网络；用于训练与识别的神经网络参照MINST例程中的卷积神经网络，验证方法为交叉验证；/n(3)用处理后的样本对神经网络进行训练，使用数据转换算法进行图像数...

【技术特征摘要】
1.一种基于深度学习的自动化寻径与物料识别方法，其特征在于，包括以下步骤：
步骤1：对拟拣选的物料依据位置信息采用动态规划进行路径规划；
步骤2：采用卷积神经网络和图像增强技术实现物料自动识别和分辨：
(1)用图像增强技术对物料样本进行处理，突出物料特征点；图像数据增强部分采用了Keras库中的图像增强函数，通过改变图片的光照，角度，缩放，平移属性，实现图像数据的增强，扩充图像数据样本集；
(2)用Python语言编程，搭建卷积神经网络；用于训练与识别的神经网络参照MINST例程中的卷积神经网络，验证方法为交叉验证；
(3)用处理后的样本对神经网络进行训练，使用数据转换算法进行图像数据与NP数组间的转化，将转化后80％NP数组输入到卷积神经网络中，完成训练，并用剩余20％数据样本识别验证；
步骤3：物料的抓取，采用物料分拣机器人的机械手臂，...

【专利技术属性】
技术研发人员：郭鹏，王丽敏，吴晓，王于凯，王海，唐绍武，杜世伦，解印山，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51