【技术实现步骤摘要】
本专利技术属于生产线上料机器人，尤其涉及一种基于深度学习的物料智能检测视觉系统。
技术介绍
1、生产线上料机器人是制造业中的重要组成部分，它们用于将原材料或零部件自动地供应给生产线上的机器和工人。为了提高效率和减少错误，现代制造业已经开始广泛采用基于深度学习的机器人视觉监测系统。这些系统利用深度学习算法来实时识别和监测生产线上的物料、产品和环境，以确保生产流程的顺利进行。
2、深度学习是一种机器学习方法，它模拟人类大脑的神经网络结构，具有强大的模式识别和特征提取能力。卷积神经网络是深度学习中最常用的一种结构，特别适用于处理具有网格结构的数据，如图像和音频等。它的核心思想是通过卷积操作和池化操作来提取输入数据的特征，然后通过全连接层和分类器进行分类或回归任务。在计算机视觉领域，深度学习已经在图像识别、目标检测和图像分割等任务中取得了卓越的成就。这些技术的成功应用使得生产线上料机器人能够更准确地理解其环境，并执行复杂的任务，如物料识别、定位和搬运。
3、机器人领域中的视觉检测是一项关键技术，它允许机器人系统使用摄像头和图像处理算法来感知和理解其周围的环境。这项技术为机器人提供了重要的能力，使它们能够执行各种任务。视觉检测中的一个核心任务是物体识别和分类。通过训练深度学习模型，机器人可以识别和分类图像中的物体，从而理解环境并采取相应的行动。例如，在工业机器人中，视觉检测可用于识别和分类不同类型的零部件，以进行自动装配。但是，传统的视觉监测系统往往依赖于手工编写的规则和特征工程，但这些方法通常需要大量的人工劳动和
技术实现思路
1、本专利技术实施例的目的在于提供一种基于深度学习的物料智能检测视觉系统，旨在解决上述
技术介绍
中提出的问题。
2、本专利技术实施例是这样实现的，一种基于深度学习的物料智能检测视觉系统，包括数据采集单元、信息处理模块和中心控制单元；其中：
3、所述数据采集单元用于采集周围环境的场景数据，并将场景数据发送至信息处理模块，场景数据包括场景图片；
4、所述信息处理模块，在前期的训练阶段，基于数据采集单元传输的场景数据和设定的卷积神经网络对场景图片信息进行学习处理；在应用阶段，基于场景数据以及训练获得的模型对图片信息进行处理，得到其中包含的物料信息；
5、中心控制单元用于接收来自信息处理模块的物料信息，并将物料信息传送给其他模块，如控制机器人运动的运动控制单元等，协调视觉功能与运动功能的协作。
6、进一步的技术方案，所述数据采集单元由若干摄像头组成的摄像头阵列构成；且摄像头的分辨率为1920x1080，帧率为30fps。
7、进一步的技术方案，所述数据采集单元包括两个摄像头组成的阵列，用于从上下两个角度对物料的种类以及位置进行检测识别，分别为：
8、顶部摄像头，所述顶部摄像头安装在上料机器人的顶部位置，用于从上方获取物料的图像，所述图像包括物料的整体形状、布局和位置；
9、底部摄像头，所述底部摄像头安装在上料机器人的底部位置，用于从下方获取物料的图像，以辅助区分不同的物料，且所述图像包括物料的底部特征和状态。
10、进一步的技术方案，在训练阶段，所述场景数据包括场景图片和图片标签；所述场景图片为在实际生产场景中使用与数据采集单元相同的设备获取的包含物料的场景图片；所述图片标签为预先对每张场景图片中的物料人工标注出的物料类型编号。
11、进一步的技术方案，所述信息处理模块利用场景数据训练出根据场景图片识别图片中包含的物料类型的神经网络模型的过程为：
12、将训练数据集作为神经网络模型的输入，神经网络模型以预测物料标签为输出，以每张场景图片实际的图片标签为预测目标，以预测的图片标签相对于实际图片标签的预测准确率作为训练目标，对神经网络模型进行训练，直至预测准确率达到预设的准确率时停止训练；模型训练的过程可以表示为以下公式：
13、a[l]＝activation(w[l]*a[l-1]+b[l])
14、其中，l表示网络的层数，w[l]是该层的权重矩阵，b[l]是偏置向量，a[l]是计算后的激活输出，activation函数是非线性激活函数。
15、进一步的技术方案，所述神经网络模型中的卷积神经网络具体包括如下结构：
16、输入层，用于接收物料图像的像素值作为输入；
17、边缘检测层，使用canny边缘检测算法对输入图像进行处理，提取物体的边界，生成二值化的边缘图像；
18、边界跟踪层，使用moore-neighbor边界跟踪算法对边缘图像进行处理，得到物体边界的连续闭合曲线；
19、关键点提取层，用于在边界跟踪得到的闭合曲线上，使用sift算法或其他方法提取关键点作为形状特征的表示；且对于每个关键点，可以计算其相对于其他关键点的位置、角度或弧长等几何特性，作为形状特征的描述子；
20、卷积层，用于将提取到的关键点信息作为输入，在卷积层中进行特征提取；
21、激活函数，通过激活函数relu将非线性变换引入到卷积层8提取的特征中；
22、池化层，用于减小特征的空间尺寸，提取主要特征并增强网络的平移不变性；且所述卷积层、激活函数和池化层需要经过多次迭代；
23、全连接层，用于学习关键点特征与输出类别之间的关系，将经过卷积和池化操作得到的高维特征图展开成一维向量，并连接到全连接层；
24、输出层，根据任务需求，输出层可以是一个全连接层，最后经过softmax激活函数得到每个类别的概率分布。
25、本专利技术实施例提供的一种基于深度学习的物料智能检测视觉系统，采用视觉检测算法实现了对多种生产原料的检测，以便机器人后续自动实现生产线的上料工作，识别准确，节省人力，快速高效。整个检测功能涉及数据采集单元、信息处理模块和中心控制单元三部分。在检测算法上采用了传统特征提取算法与深度学习模型相结合的设计方案，能够迅速，准确的识别出多种物料。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的物料智能检测视觉系统，其特征在于，包括数据采集单元、信息处理模块和中心控制单元；其中：
2.根据权利要求1所述的基于深度学习的物料智能检测视觉系统，其特征在于，所述数据采集单元包括由若干摄像头组成的摄像头阵列；且摄像头的分辨率为1920x1080，帧率为30fps。
3.根据权利要求2所述的基于深度学习的物料智能检测视觉系统，其特征在于，所述数据采集单元包括由两个摄像头组成的阵列，用于从上下两个角度对物料的种类以及位置进行检测识别，分别为：
4.根据权利要求1所述的基于深度学习的物料智能检测视觉系统，其特征在于，在训练阶段，所述场景数据包括场景图片和图片标签；所述场景图片为在实际生产场景中使用与数据采集单元相同的设备获取的包含物料的场景图片；所述图片标签为预先对每张场景图片中的物料人工标注出的物料类型编号。
5.根据权利要求4所述的基于深度学习的物料智能检测视觉系统，其特征在于，所述信息处理模块利用场景数据训练出根据场景图片识别图片中包含的物料类型的神经网络模型的过程为：
6.根据权利要求2所述的基
...【技术特征摘要】
1.一种基于深度学习的物料智能检测视觉系统，其特征在于，包括数据采集单元、信息处理模块和中心控制单元；其中：
2.根据权利要求1所述的基于深度学习的物料智能检测视觉系统，其特征在于，所述数据采集单元包括由若干摄像头组成的摄像头阵列；且摄像头的分辨率为1920x1080，帧率为30fps。
3.根据权利要求2所述的基于深度学习的物料智能检测视觉系统，其特征在于，所述数据采集单元包括由两个摄像头组成的阵列，用于从上下两个角度对物料的种类以及位置进行检测识别，分别为：
4.根据权利要求1所述的基于深度学习的物料...
【专利技术属性】
技术研发人员：董浩，李全明，张德瑞，张万喜，郑伟涛，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
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。