【技术实现步骤摘要】
本专利技术涉及物料分类领域，尤其是涉及一种基于多传感器融合检测的物料分类方法。
技术介绍
1、物料分类是仓库管理中的一个重要环节，对于提高仓库管理效率、降低管理成本、优化资源配置具有重要意义。通过精细分类，可以更好地了解物料的性质、特点和用途，有助于制定更加合理的存储、搬运和使用方案。
2、随着制造业向智能化方向发展，针对不同物料进行精细分类与处理的需求日益增加。这个趋势反映了现代工业的不断演进，以更高效、精确和可持续的方式生产产品。然而，各种不同的原材料在其材质、形状、大小和特性等方面都存在着广泛的差异，这使得精细分类成为一项巨大的挑战。传统上，制造业通常依赖于单一类型的传感器来获取有关物料的信息，但这往往不足以满足精细分类的需求，导致分类效果不佳。制造业中的精细分类是一个多方面的任务，需要综合考虑不同特性，如颜色、形状、质地、密度等。这些特性的变化可以在同一种物料中或不同物料之间产生显著的差异。因此，仅依赖于单一类型的传感器可能会导致信息的不足或误分类。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多传感器融合检测的物料分类方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、第一方面，本专利技术公开了一种基于多传感器融合检测的物料分类方法，包括以下步骤：
4、步骤1、利用rgb相机、深度相机与高光谱相机分别采集rgb图像、深度图像与高光谱图像；
5、步骤2、利用深度学习分
6、若所述rgb图像分类结果中的分类置信度大于阈值，则直接将所述结果作为精细分类结果；
7、若所述rgb图像分类结果中的分类置信度小于阈值，则执行步骤3；
8、步骤3、将所述rgb图像与高光谱图像进行配准，根据配准信息确定rgb图像中的目标在高光谱图像中的目标区域；
9、步骤4、利用高光谱图像分类方法对高光谱图像进行分类，得到高光谱图像分类结果；
10、若高光谱图像中的目标区域中的高光谱图像分类结果一致时，将高光谱图像分类结果与rgb图像分类结果融合，作为精细分选结果；
11、若高光谱图像中的目标区域中的高光谱图像分类结果不一致时，则执行步骤5；
12、步骤5、将高光谱图像与深度图像进行配准，以确定高光谱图像中的目标在深度图像中的目标区域，利用深度相机参数将所述区域的深度图像反投影为点云，通过点云语义分割确定所述区域的精细分选结果。
13、进一步地，所述深度学习分选模型包括能够对rgb图像进行分类的模型。
14、进一步地，所述深度学习分选模型具体包括yolov5算法模型。
15、进一步地，步骤2中所述阈值根据经验值选取。
16、进一步地，阈值根据经验值选取设定为0.85。
17、进一步地，高光谱图像分类方法包括多层感知机。
18、进一步地，获取深度图像与高光谱图像之后，同步对深度图像与高光谱图像进行处理，使深度图像满足高光谱图像能够在深度图像区域进行映射；使高光谱图像满足rgb图像能够在高光谱图像区域进行映射。
19、第二方面，本专利技术公开了一种基于多传感器融合检测的物料分类系统，包括图像获取模块、rgb图像目标识别分类模块、高光谱图像分类模块、rgb图像与高光谱图像融合模块、高光谱图像与深度图像融合模块、点云语义分割模块；
20、其中，图像获取模块用于利用rgb相机、深度相机与高光谱相机分别采集rgb图像、深度图像与高光谱图像；
21、rgb图像目标识别分类模块用于利用深度学习分选模型对rgb图像进行目标检测与分类，框选出rgb图像中的目标区域，输出rgb图像分类结果；
22、rgb图像与高光谱图像融合模块用于将所述rgb图像与高光谱图像进行配准，根据配准信息确定rgb图像中的目标在高光谱图像中的目标区域；
23、高光谱图像分类模块用于利用高光谱图像分类方法对高光谱图像进行分类，得到高光谱图像分类结果；
24、高光谱图像与深度图像融合模块用于将高光谱图像与深度图像进行配准，以确定高光谱图像中的目标在深度图像中的目标区域，利用深度相机参数将所述区域的深度图像反投影为点云；
25、点云语义分割模块用于通过点云语义分割确定所述区域的精细分选结果。
26、第三方面，本专利技术公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法中的步骤。
27、第四方面，本专利技术公开了一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的步骤。
28、与现有技术相比，本专利技术具有以下有益效果：
29、(1)本专利技术通过采用多个传感器获取信息，能够实现多源异构信息融合，分类更准确，多传感器数据融合充分考虑了物料表面的物理性质、材质、三维形状等信息，从而提高物料精细识别分类的准确率。
30、(2)本专利技术利用多传感器数据融合进行智能化精细分拣，提高了物料分拣效率。
31、(3)本专利技术利用多层感知机对高光谱图像进行分类，使得利用少量图像即可完成模型训练，减少了样本采集与标注工作。
32、(4)本专利技术可利用现有的任何一种深度学习分选模型对rgb图像进行分类，具有兼容性强、适应性强的优点。
33、(5)本专利技术的高光谱图像分类模块与点云语义分割模块均只对目标区域进行操作而非整幅图像，提高了整个流程的计算效率。
本文档来自技高网...【技术保护点】
1.一种基于多传感器融合检测的物料分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，所述深度学习分选模型包括能够对RGB图像进行分类的模型。
3.根据权利要求2所述的一种基于多传感器融合检测的物料分类方法，其特征在于，所述深度学习分选模型具体包括YOLOv5算法模型。
4.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，步骤2中所述阈值根据经验值选取。
5.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，阈值根据经验值选取设定为0.85。
6.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，高光谱图像分类方法包括多层感知机。
7.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，获取深度图像与高光谱图像之后，同步对深度图像与高光谱图像进行处理，使深度图像满足高光谱图像能够在深度图像区域进行映射；使高光谱图像满足RGB图像能够在高光谱图像区域进行映射。p>
8.一种基于多传感器融合检测的物料分类系统，其特征在于，包括图像获取模块、RGB图像目标识别分类模块、高光谱图像分类模块、RGB图像与高光谱图像融合模块、高光谱图像与深度图像融合模块、点云语义分割模块；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任一项所述方法中的步骤。
...【技术特征摘要】
1.一种基于多传感器融合检测的物料分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，所述深度学习分选模型包括能够对rgb图像进行分类的模型。
3.根据权利要求2所述的一种基于多传感器融合检测的物料分类方法，其特征在于，所述深度学习分选模型具体包括yolov5算法模型。
4.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，步骤2中所述阈值根据经验值选取。
5.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，阈值根据经验值选取设定为0.85。
6.根据权利要求1所述的一种基于多传感器融合检测的物料分类方法，其特征在于，高光谱图像分类方法包括多层感知机。
7.根据权利要求1所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。