【技术实现步骤摘要】
本专利技术属于瓶罐形状识别，尤其涉及一种基于深度学习框架的瓶罐形状识别方法。
技术介绍
1、目前，在废旧物品回收过程中，智能化的自动分类是设计与实现回收系统的必经之路，而由于回收的废品在形状和材质，以及颜色都存在着不同的变化，这给智能化的废品识别带来了很大的问题，考虑到回收系统的效率与成本，不能采用很复杂的装置和进行大规模的计算，所以，需要适合的方法进行系统的设计，提高回收系统的识别能力，达到近100％的准确率。
2、针对废品易拉罐和塑料瓶的识别，采用机器视觉方式，采集易拉罐和塑料瓶的图像，进行识别分类，影响识别准确率的主要问题是：
3、1)图像特征数据相似度较高
4、易拉罐和塑料瓶都是柱体形状，在瓶罐口上有所区别，在视觉图像中，的几何图像都很相似，特别是光源配置简单时，光线反光和透明(塑料瓶)等原因，造成图像的不完整，给识别工作带来很大问题；
5、2)图像的背景干扰影响较多
6、由于回收系统的运行过程中，因为投放窗门的开关，运动中传送到的文字变化，使摄像区域的背景不是保持不变的，同时，背景图像和目标图像的采集时，背景部分的像素值变化和位置变化，以及阴影，或者镜面反射等因素，在采用差异法进行识别中，这就给易拉罐和塑料瓶的图像定位造成干扰，经常会把其它变化的图像当成瓶罐图像。
7、以上问题是回收系统中基于机器视觉的瓶罐识别的关键，通常解决这些问题的方法是采用不同层次的光源配置和使用卷积神经网络(cnn)进行图像分类。这种方法一般包含以下步骤：
8、
9、2)使用这些数据训练一个cnn模型，使得它能够学会识别易拉罐和塑料瓶的特征。
10、3)通过摄像头捕捉需要识别的物体的图像，然后使用训练好的cnn模型进行识别。
11、这些技术解决这些问题的方法也不能满足识别使用要求，特别是识别的准确率，同时考虑回收系统成本和效率问题，使极大的限制条件。所以，解决这些问题主要考虑一下几个方面：
12、1)数据依赖性
13、该方法对大量标注好的数据集有很大的依赖，如果没有充分的经过标注的易拉罐和塑料瓶图像，模型的识别能力会受到限制。
14、2)泛化能力
15、模型的泛化能力会受限。如果需要识别的物体的摄影环境(如光照、角度等)与训练数据集的环境差异较大，模型无法准确识别。
16、3)尺寸测量的准确性
17、通常，cnn模型主要用于识别图像中的对象类型，而非测量对象的尺寸。因此，如果仅仅使用cnn模型，无法准确地测量易拉罐或塑料瓶的尺寸。
18、4)处理速度
19、对于大规模或实时的物体识别，cnn模型需要较高的计算资源和时间，这不适合在资源有限或需要快速反应的场合。
20、5)缺乏通用性
21、一些瓶罐形状识别系统在特定环境中表现良好，但在其他环境中泛化能力不足。
技术实现思路
1、针对现有存在的问题和实际使用的限制，本专利技术提供了一种基于形状特征数据的统计分析的分类和基于深度学习框架的去背景方法，以达到最终的瓶罐形状识别方法。
2、本专利技术是这样实现的，一种基于深度学习框架的瓶罐形状识别方法，包括以下步骤：
3、步骤一，根据深度学习框架建立模型，将投入的易拉罐和塑料瓶进行类型识别；
4、步骤二，将需要识别的物体放入机器，通过摄像机的拍照进行识别，判断是易拉罐还是塑料瓶，并输出该物体的长宽数据和类型数据；
5、步骤三，程序应识别并测量易拉罐和塑料瓶的尺寸；程序中设定返回1，则判断为易拉罐；返回2，则判断为塑料瓶；当程序无法识别物体时，它会返回"0"，表示无法识别；
6、步骤四，根据识别数据对瓶罐进行智能分类。
7、进一步，所述对瓶罐的识别算法过程及方法如下：
8、对图像进行预处理，包括裁剪和调整大小。
9、使用深度学习模型(mdunetwe)执行目标图像与背景图像的差异计算。
10、对差异图像执行形态学操作，以去除噪声并填充物体内的孔洞。
11、识别瓶子的轮廓，并计算其长度和宽度。
12、根据阈值判断瓶子的类别(易拉罐或塑料瓶)。
13、返回测量结果和处理时间。
14、进一步，所述对图像旋转和裁剪方法如下：
15、首先，根据给定的角度和点坐标，使用旋转变换将图像逆时针旋转或顺时针旋转；
16、然后，根据旋转后的图像和给定的点坐标，进行裁剪，生成裁剪后的图像；
17、最后，函数返回裁剪后的图像。
18、进一步，所述使用模型(mdunetwe)识别瓶子的位置方法如下：
19、首先，根据先前导入的模块和模型，对输入图像进行预处理，包括缩放、差异计算等；
20、然后，使用opencv的轮廓查找功能找到目标瓶子的轮廓，并根据一些条件筛选出最合适的轮廓；
21、最后，对筛选出的轮廓进行裁剪，并使用另一个模型进行瓶子的识别，返回一个二值化的图像表示瓶子的位置。
22、进一步，所述差异计算方法如下：
23、加载预训练的神经网络模型，模型路径由model_path指定；
24、使用data_pad函数对输入的背景和测试图像进行填充，以确保它们的尺寸是指定input_size的整数倍；
25、创建一个合并后的输入张量，然后对张量的通道进行归一化；
26、将输入的图像切分成多个小块，并使用模型进行预测；然后将小块合并为输出图像；
27、进行逆操作，将输出图像的范围恢复到原始图像大小；
28、根据阈值thr对输出图像进行二值化；
29、返回二值化后的输出图像。
30、进一步，所述使用opencv的轮廓查找功能找到目标瓶子的轮廓，并根据一些条件筛选出最合适的轮廓：
31、从输入的背景图像和测试图像中获取其高度(hb)和宽度(wb)；
32、基于预定义的中心比例__centra_ratio__，计算用于物体提取的感兴趣区域(roi)的坐标范围(h1,h2,w1,w2)；
33、使用data_pad函数对背景和测试图像进行填充，以确保它们的尺寸是input_size的整数倍；填充后的图像尺寸变为h1,w1；
34、缩小背景和测试图像的尺寸到原来的四分之一，以减小处理时间，这两个缩小的图像分别为background_025和test_025；
35、调用get_bottle_by_mdunetwe_函数，传递缩小后的背景和测试图像、预训练模型文件路径、阈值thr以及输入大小input_size；这个函数似乎用于获取图像差异；
36、使用opencv的cv4.findcontou本文档来自技高网...
【技术保护点】
1.一种基于深度学习框架的瓶罐形状识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述通过摄像机的拍照进行识别方法如下：
3.如权利要求2所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述对两幅图像进行差分，基于HSV提供形态学操作方法如下：
4.如权利要求2所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述对图像旋转和裁剪方法如下：
5.如权利要求2所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述使用模型识别瓶子的位置方法如下：
6.如权利要求5所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述差异计算：
7.如权利要求5所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述使用OpenCV的轮廓查找功能找到目标瓶子的轮廓，并根据一些条件筛选出最合适的轮廓：
8.如权利要求2所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述对瓶子识别，并返回识别结果方法如下：
9.如权利要求2所述基于深度学习
10.一种基于权利要求1所述方法的用于超市回收站的自动化瓶罐分类系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习框架的瓶罐形状识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述通过摄像机的拍照进行识别方法如下：
3.如权利要求2所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述对两幅图像进行差分，基于hsv提供形态学操作方法如下：
4.如权利要求2所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述对图像旋转和裁剪方法如下：
5.如权利要求2所述基于深度学习框架的瓶罐形状识别方法，其特征在于，所述使用模型识别瓶子的位置方法如下：
6.如权利要求5所述...
【专利技术属性】
技术研发人员：黄于津，谢洪，刘德馨，黄俊灿，白金平，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。