【技术实现步骤摘要】
本专利技术涉及一种三七主根切割轨迹生成方法、切割装置，属于农业产品视觉识别、机构设计与自动分拣。
技术介绍
1、三七原材料中侧根和主根都含有不同含量的皂苷，侧根的皂苷含量相比于主根的皂苷含量较少，因此为提高后续加工质量需要对整株的三七原材料进行切割加工。三七后续加工流程主要包括三七清洗、侧根切除、剪口分离、干燥、打粉以及切片制药。在三七打粉和切片制药之前，切除其侧根和须根十分重要和关键，如果没有切除，在打粉和切片制药的过程中会显著降低皂苷的有效含量，进而影响后续的使用效果。
2、目前三七的侧根主要是人工目测切割的。由于三七的形状和大小不同并且每个人对三七侧根的判断标准也不同，会导致在三七侧根切除过程中没有一个统一的切割标准。此外，长时间的手工劳作也极易造成疲劳以会影响切除工作的效率和质量。
3、有鉴于此，特提出本专利技术。
技术实现思路
1、本专利技术提供了一种三七主根切割轨迹生成方法，以用于获得三七主根切割轨迹；进一步提供了一种三七用切割装置，构建了用于三七切割用的硬件平台；进一步提供了一种三七用切割方法，以用于对三七进行切割作业。
2、本专利技术的技术方案是：
3、根据本专利技术的第一方面，提供了一种三七主根切割轨迹生成方法，包括：构建需要切割的三七图像数据集，并将其分为第一训练集和第一验证集；调用深度学习目标检测模型，使用第一训练集训练检测模型，得到多个检测权重参数文件；利用第一验证集对所得检测权重参数文件进行筛选，筛选出最优权
4、所述深度学习目标检测模型，具体为：以faster-rcnn-resnet50双阶段检测网络为框架，模型首先将输入图像重整为[600,600,3]的大小，然后经过主干网络backbone部分得到一张[38,38,1024]的公用特征层feature map；然后进行一次3×3的卷积后，经relu后同时进行一个18通道数的1×1卷积和一个36通道数的1×1卷积，其中18个通道数的含义是9×2，在38×38个网格中，每个网格生成9个先验框，需要判断在公用特征层feature map上每一个网格中是否包含物体，没有包含物体时剩下的两个参数都等于0，包含物体时剩下的两个参数中，第一个参数等于1，表示有物体，第二个参数为小于1大于0的数，表示包含物体的概率，36个通道数的含义是9×4，在38×38个网格中生成9个先验框，并且每个先验框有4个调整参数，即先验框的中心和先验框的高宽；在获得的36通道的特之后再经历一次softmax操作，之后将18通道的特征与36通道的特征融合获得建议框，将获得的建议框对feature map进行roipooling操作获得bbox_pred检测框预测，同时将roipooling操作获得的特征再进行一次softmax获得cls_pred分类预测。
5、所述深度学习语义分割模型，具体为：调用基于深度学习语义分割模型deeplabv3+，以捕捉不同尺度上的上下文信息；首先模型将输入的图片大小调整为[512,512]大小，且色彩通道为3的rgb图，然后经过深度卷积神经网络提取特征，深度卷积神经网络中所用的特征提取模型为mobilenetv2，在完成mobilenetv2的特征提取后，得到两个有效特征层，第一个是浅层有效特征层low-level feature，第二个是深层有效特征层，然后深层有效特征层分别通过1×1的卷积、空洞系数rate＝6,12,18的空洞卷积和图像平均池化后获得5个加强特征层，将这五个加强特征层堆叠再经历一次1×1的卷积，获得一个加强特征层；将之前获得的浅层有效特征层进行一次1×1的卷积，得到新的浅层有效特征层，再将得到的加强特征层上采样为原来特征层大小的4倍，并且与新的浅层有效特征层特征融合获得一个用于解码的特征层，最后用于解码的特征层经过一次3×3的卷积和一次放大原来4倍的上采样操作，得到需要三七主根二值化图片。
6、根据本专利技术的第二方面，提供了一种三七用切割装置，包括顶升转台模块2、径向切割模块4、控制器，所述顶升转盘模块2，用于将三七顶升至预设高度、用于切割过程中带动三七的周向旋转运动；控制器驱动所述径向切割模块4中刀具组件47的径向移动配合顶升转台模块2的周向旋转完成三七切割作业。
7、还包括对中稳定压紧模块3，所述对中稳定压紧模块3，用于将三七定位至顶升转台模块2中切割支撑版23的几何中心处、用于切割过程中压紧三七。
8、根据本专利技术的第三方面，提供了一种三七用切割方法，包括：
9、s1、三七输送至顶升转台模块2中的切割支撑板23上之后，顶升转台模块2中顶升气缸19开始工作将三七顶升至切割预设高度；
10、s2、工业相机60采集切割支撑板23上三七图像，控制器依据目标检测冻结模型获得的检测框对工业相机60采集到的三七图像进行裁剪，再通过语义分割冻结模型将裁剪后的三七图像转化为三七主根二值图像；
11、s3、将语义分割冻结模型分割出的三七主根二值化图像通过边缘检测算子得到图像坐标系下待切割边缘的坐标，同时将坐标通过极坐标转换获得用于刀具切割的切割轨迹极坐标数据；
12、s4、根据所得的切割轨迹坐标数据，控制器驱动径向切割模块4中刀具组件47开始工作并且径向移动，顶升转台模块2中的中空转台22带动切割支撑板23和三七转动，完成对三七的切割工作。
13、在所述s1-所述s2之间，还包括：工业相机60采集切割支撑板23上三七的图像，控制器依据目标检测冻结模型获得的检测框确定三七的中心坐标；对中稳定压紧模块3中压紧组件34在三七的中心坐标压紧三七，将三七拖动到切割支撑板23几何中心处。
14、本专利技术的有益效果是：第一方面，本专利技术利用基于深度学习的目标检测方法和语义分割方法自动检测三七主根轮廓位置目标，并进一步确定三七主根位置轮廓信息最后升生成所需要的刀具切割轨迹，有效降低了工人的劳动强度，提高了三七主根切割的效率及准确率。第二方面，在三七侧根和大根的切除中，本专利技术主要通过输送带输送模块对清洗后的三七进行输送，通过顶升转台模块实现三七到加工工位的移动和加工时三七的旋转运动，通过对中稳定压紧模块完成三七在加工工位的位置调整和夹紧加工中的三七，通过径向切割模块配合本专利技术方法获得的切割轨迹/现有方法获得的切割轨迹完成三七的切割工作，实现了三七切割作业。
本文档来自技高网...【技术保护点】
1.一种三七主根切割轨迹生成方法，其特征在于，包括：
2.根据权利要求1所述的三七主根切割轨迹生成方法，其特征在于，所述深度学习目标检测模型，具体为：以Faster-Rcnn-Resnet50双阶段检测网络为框架，模型首先将输入图像重整为[600,600,3]的大小，然后经过主干网络Backbone部分得到一张[38,38,1024]的公用特征层Feature Map；然后进行一次3×3的卷积后，经ReLU后同时进行一个18通道数的1×1卷积和一个36通道数的1×1卷积，其中18个通道数的含义是9×2，在38×38个网格中，每个网格生成9个先验框，需要判断在公用特征层Feature Map上每一个网格中是否包含物体，没有包含物体时剩下的两个参数都等于0，包含物体时剩下的两个参数中，第一个参数等于1，表示有物体，第二个参数为小于1大于0的数，表示包含物体的概率，36个通道数的含义是9×4，在38×38个网格中生成9个先验框，并且每个先验框有4个调整参数，即先验框的中心和先验框的高宽；在获得的36通道的特之后再经历一次softmax操作，之后将18通道的特征与36通道的特
3.根据权利要求1所述的三七主根切割轨迹生成方法，其特征在于，所述深度学习语义分割模型，具体为：调用基于深度学习语义分割模型Deeplabv3+，以捕捉不同尺度上的上下文信息；首先模型将输入的图片大小调整为[512,512]大小，且色彩通道为3的RGB图，然后经过深度卷积神经网络提取特征，深度卷积神经网络中所用的特征提取模型为MobileNetV2，在完成MobileNetV2的特征提取后，得到两个有效特征层，第一个是浅层有效特征层Low-level Feature，第二个是深层有效特征层，然后深层有效特征层分别通过1×1的卷积、空洞系数rate＝6,12,18的空洞卷积和图像平均池化后获得5个加强特征层，将这五个加强特征层堆叠再经历一次1×1的卷积，获得一个加强特征层；将之前获得的浅层有效特征层进行一次1×1的卷积，得到新的浅层有效特征层，再将得到的加强特征层上采样为原来特征层大小的4倍，并且与新的浅层有效特征层特征融合获得一个用于解码的特征层，最后用于解码的特征层经过一次3×3的卷积和一次放大原来4倍的上采样操作，得到需要三七主根二值化图片。
4.一种三七用切割装置，其特征在于，包括顶升转台模块(2)、径向切割模块(4)、控制器，所述顶升转盘模块(2)，用于将三七顶升至预设高度、用于切割过程中带动三七的周向旋转运动；控制器驱动所述径向切割模块(4)中刀具组件(47)的径向移动配合顶升转台模块(2)的周向旋转完成三七切割作业。
5.根据权利要求4所述的三七用切割装置，其特征在于，还包括对中稳定压紧模块(3)，所述对中稳定压紧模块(3)，用于将三七定位至顶升转台模块(2)中切割支撑版(23)的几何中心处、用于切割过程中压紧三七。
6.一种三七用切割方法，其特征在于，包括：
7.根据权利要求6所述的三七用切割方法，其特征在于，在所述S1-所述S2之间，还包括：工业相机(60)采集切割支撑板(23)上三七的图像，控制器依据目标检测冻结模型获得的检测框确定三七的中心坐标；对中稳定压紧模块(3)中压紧组件(34)在三七的中心坐标压紧三七，将三七拖动到切割支撑板(23)几何中心处。
...【技术特征摘要】
1.一种三七主根切割轨迹生成方法，其特征在于，包括：
2.根据权利要求1所述的三七主根切割轨迹生成方法，其特征在于，所述深度学习目标检测模型，具体为：以faster-rcnn-resnet50双阶段检测网络为框架，模型首先将输入图像重整为[600,600,3]的大小，然后经过主干网络backbone部分得到一张[38,38,1024]的公用特征层feature map；然后进行一次3×3的卷积后，经relu后同时进行一个18通道数的1×1卷积和一个36通道数的1×1卷积，其中18个通道数的含义是9×2，在38×38个网格中，每个网格生成9个先验框，需要判断在公用特征层feature map上每一个网格中是否包含物体，没有包含物体时剩下的两个参数都等于0，包含物体时剩下的两个参数中，第一个参数等于1，表示有物体，第二个参数为小于1大于0的数，表示包含物体的概率，36个通道数的含义是9×4，在38×38个网格中生成9个先验框，并且每个先验框有4个调整参数，即先验框的中心和先验框的高宽；在获得的36通道的特之后再经历一次softmax操作，之后将18通道的特征与36通道的特征融合获得建议框，将获得的建议框对feature map进行roipooling操作获得bbox_pred检测框预测，同时将roipooling操作获得的特征再进行一次softmax获得cls_pred分类预测。
3.根据权利要求1所述的三七主根切割轨迹生成方法，其特征在于，所述深度学习语义分割模型，具体为：调用基于深度学习语义分割模型deeplabv3+，以捕捉不同尺度上的上下文信息；首先模型将输入的图片大小调整为[512,512]大小，且色彩通道为3的rgb图，然后经过深度卷积神经网络提取特征，深度卷积神经网络中所用的特...
【专利技术属性】
技术研发人员：王森，范明宇，李泽峰，邢开哲，陈明方，陈中平，朱黎颖，丁锋，
申请(专利权)人：昆明理工大学，
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。