一种基于色选机的在线分拣方法及系统技术方案

本发明专利技术公开了一种基于色选机的在线分拣方法及系统，包括：接收待识别物料；对接收的待识别物料进行识别，得到识别结果；根据识别结果，剔除不合格的物料；其中，对接收的待识别物料进行识别，得到识别结果，具体包括：采集待识别物料图像；对采集到的待识别物料图像进行预处理；对预处理后的待识别物料图像进行特征提取，得到待识别物料特征数据；其中，待识别物料特征数据包括颜色和纹理特征以及几何特征；对待识别物料特征数据进行降维和分类，得到识别结果。本发明专利技术通过特征提取得到颜色和纹理特征以及几何特征，并通过颜色和纹理特征以及几何特征对待识别物料进行分类识别，可极大地提高待识别物料的识别精准度和分拣质量。待识别物料的识别精准度和分拣质量。待识别物料的识别精准度和分拣质量。

【技术实现步骤摘要】
一种基于色选机的在线分拣方法及系统


[0001]本专利技术涉及色选机
，尤其涉及一种基于色选机的在线分拣方法及系统。

技术介绍

[0002]色选机是一种结合了光学、机械、软件开发、图像采集和处理等领域的产品。因为其具有分类精度高、剔选速度快和分选算法适应性强等特点，色选机被广泛应用于谷物、茶叶、矿石等物料的分选处理。具体的，色选机可以使用传送机构将大量待选物料送至图像采集和剔选装置，通过图像采集装置如线阵CCD获取物料的实时图像信息，经图像处理和剔选规则分类后，不合格物料流经剔除装置时，开启气阀实现物料分离。然而，传统方法中色选机常用的算法主要是颜色差异和纹理差异，算法种类不够全面，在实现物料分类识别的过程中识别精准度还有待提高，且传统技术无法保证分拣结果的质量。

技术实现思路

[0003]为解决
技术介绍
中存在的技术问题，本专利技术提出一种基于色选机的在线分拣方法及系统。
[0004]本专利技术提出的一种基于色选机的在线分拣方法，包括以下步骤：
[0005]接收待识别物料；
[0006]对接收的待识别物料进行识别，得到识别结果；
[0007]根据识别结果，剔除不合格的物料；
[0008]其中，对接收的待识别物料进行识别，得到识别结果，具体包括：
[0009]采集待识别物料图像；
[0010]对采集到的待识别物料图像进行预处理；
[0011]对预处理后的待识别物料图像进行特征提取，得到待识别物料特征数据；其中，待识别物料特征数据包括颜色和纹理特征以及几何特征；
[0012]对待识别物料特征数据进行降维和分类，得到识别结果。
[0013]优选地，几何特征包括面积、纵横比、长轴、短轴和等效直径。
[0014]优选地，对待识别物料特征数据进行降维和分类，得出识别结果，具体包括：
[0015]利用相关性特征选择CFS算法结合最佳优先搜索BF算法对待识别物料特征数据进行降维处理，得到降维结果；
[0016]利用非监督机器学习技术LDA对降维结果进行分类，得到识别结果。
[0017]优选地，采用相关性特征选择CFS算法结合最佳优先搜索BF算法对待识别物料特征数据进行降维处理，得到降维结果，具体包括：
[0018]采用相关性特征选择CFS算法对待识别物料特征数据进行进行特征选择，并将选择出的特征作为数据集；
[0019]从数据集中计算特征
‑
类别和特征
‑
特征相关矩阵；
[0020]采用最佳优先搜索BF算法搜索，得到特征子集空间；
[0021]计算特征子集空间中特征子集的估计值，并找出估计值最大的特征子集作为最优特征子集；
[0022]使用最优特征子集对特征子集空间进行降维，得到降维结果。
[0023]优选地，利用非监督机器学习技术LDA对降维结果进行分类，得到识别结果，具体包括：
[0024]利用非监督机器学习LDA算法对降维结果进行LDA变换，得到特征向量；
[0025]利用多层感知器MLP对特征向量进行进行分类，得到每层的分类结果；
[0026]对每层的分类结果进行整合，得到识别结果。
[0027]优选地，对采集到的待识别物料图像进行预处理，具体包括：
[0028]对待识别物料图像进行校正；
[0029]利用图像分割处理算法将待识别物料图像中的待识别物料与背景进行分割。
[0030]优选地，图像分割处理算法包括最佳阈值法、Otsu阈值分割法及HSI系统阈值分割法。
[0031]优选地，通过图像分割处理算法将待识别物料图像中的待识别物料与背景进行分割之后，还包括，
[0032]消除噪声。
[0033]本专利技术还提出了一种基于色选机的在线分拣系统，包括：
[0034]进料装置，用于接收待识别物料；
[0035]识别装置，用于对接收的待识别物料进行识别得到识别结果；
[0036]剔除装置，用于根据识别结果剔除不合格的物料；
[0037]其中，识别装置包括：
[0038]图像采集模块，用于采集待识别物料图像；
[0039]预处理模块，用于对采集到的待识别物料图像进行预处理；
[0040]特征提取模块，用于对预处理后的待识别物料图像进行特征提取得到待识别物料特征数据；其中，待识别物料特征数据包括颜色和纹理特征以及几何特征；
[0041]识别模块，用于对待识别物料特征数据进行降维和分类得到识别结果。
[0042]优选地，几何特征包括面积、纵横比、长轴、短轴和等效直径。
[0043]优选地，识别模块包括：
[0044]降维子模块，用于利用相关性特征选择CFS算法结合最佳优先搜索BF算法对待识别物料特征数据进行降维处理得到降维结果；
[0045]识别子模块，用于利用非监督机器学习技术LDA对降维结果进行分类得到识别结果。
[0046]优选地，识别子模块包括LDA模型和MLP模型，LDA模型用于根据降维结果输出特征向量；MLP模型用于根据特征向量输出识别结果。
[0047]本专利技术中，所提出的基于色选机的在线分拣方法及系统，通过对预处理后的待识别物料图像进行特征提取，得到颜色和纹理特征以及几何特征，通过颜色和纹理特征以及几何特征对待识别物料进行分类识别，可极大地提高待识别物料的识别精准度和分拣质量。
附图说明
[0048]图1为本专利技术提出的一种基于色选机的在线分拣方法的流程示意图。
具体实施方式
[0049]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。
[0050]参照图1，本专利技术提出的一种基于色选机的在线分拣方法，包括：
[0051]接收待识别物料；
[0052]对接收的待识别物料进行识别，得到识别结果；
[0053]根据识别结果，剔除不合格的物料；
[0054]其中，对接收的待识别物料进行识别，得到识别结果，具体包括：
[0055]采集待识别物料图像；
[0056]对采集到的待识别物料图像进行预处理；
[0057]对预处理后的待识别物料图像进行特征提取，得到待识别物料特征数据；其中，待识别物料特征数据包括颜色和纹理特征以及几何特征；
[0058]对待识别物料特征数据进行降维和分类，得到识别结果。
[0059]本专利技术中通过对预处理后的待识别物料图像进行特征提取，得到颜色和纹理特征以及几何特征，通过颜色和纹理特征以及几何特征对待识别物料进行分类识别，可极大地提高待识别物料的识别精准度和分拣质量。
[0060]应当理解的是，本实施例中颜色和纹理特征以及几何特征的提取方法均是现有技术，在此不作赘述。
[0061]在本实施例中，几何特征包括面积、纵横比、长轴、短轴和等效直径。在颜色和纹理特征的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于色选机的在线分拣方法，其特征在于，包括以下步骤：接收待识别物料；对接收的待识别物料进行识别，得到识别结果；根据识别结果，剔除不合格的物料；其中，对接收的待识别物料进行识别，得到识别结果，具体包括：采集待识别物料图像；对采集到的待识别物料图像进行预处理；对预处理后的待识别物料图像进行特征提取，得到待识别物料特征数据；其中，待识别物料特征数据包括颜色和纹理特征以及几何特征；对待识别物料特征数据进行降维和分类，得到识别结果。2.根据权利要求1所述的基于色选机的在线分拣方法，其特征在于，几何特征包括面积、纵横比、长轴、短轴和等效直径。3.根据权利要求1所述的基于色选机的在线分拣方法，其特征在于，对待识别物料特征数据进行降维和分类，得出识别结果，具体包括：利用相关性特征选择CFS算法结合最佳优先搜索BF算法对待识别物料特征数据进行降维处理，得到降维结果；利用非监督机器学习技术LDA对降维结果进行分类，得到识别结果。4.根据权利要求3所述的基于色选机的在线分拣方法，其特征在于，采用相关性特征选择CFS算法结合最佳优先搜索BF算法对待识别物料特征数据进行降维处理，得到降维结果，具体包括：采用相关性特征选择CFS算法对待识别物料特征数据进行进行特征选择，并将选择出的特征作为数据集；从数据集中计算特征
‑
类别和特征
‑
特征相关矩阵；采用最佳优先搜索BF算法搜索，得到特征子集空间；计算特征子集空间中特征子集的估计值，并找出估计值最大的特征子集作为最优特征子集；使用最优特征子集对特征子集空间进行降维，得到降维结果。5.根据权利要求3所述的基于色选机的在线分拣方法，其特征在于，利用非监督机器学习技术LDA对降维结果进行分类，得到识别结果，具体包括：利用非监督机器学习LDA算法对降维结果进行LDA变换，得...

【专利技术属性】
技术研发人员：钱波，刘皓，吴茂乾，程丹，张广才，王熹徽，童峰，
申请(专利权)人：合肥博焱视芯电子科技有限公司，
类型：发明
国别省市：