[發明專利]一種基于深度學習的物料分揀方法

在審

• 申請號: 201911014911.9
• 申請日: 2019-10-24
• 公開（公告）號: CN110826604A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 唐紹武;王麗敏;王海;杜世倫;解印山;王于凱;郭鵬;吳曉
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 成都信博專利代理有限責任公司 51200
• 代理人: 舒啟龍

本發明公開了一種基于深度學習的物料分揀方法，具體為：1、物料圖像識別與分辨：采集物料初始圖像，采用卷積神經網絡和圖像增強技術對物料進行識別和分辨；2、利用動態規劃求解抓取物料的最優路徑；3、實現走點控制，規定一個正方向，算出兩點之間的轉角和距離，整個路徑就是對兩點走點的重復調用；4、物料抓取，完成分揀：采用Vector機器人自帶的機械手臂對物料抓取。本發明物料識別精度高、速度快；物料運輸速度快、容錯率高。

技術領域

本發明屬于生產加工服務領域，具體涉及一種基于深度學習的物料分揀方法。

背景技術

越來越多的工廠逐漸信息化、現代化。其帶來強大生產力的同時，也相應地增加了物料分揀的工作量。而傳統的人工勞動力越來越難以勝任這份工作。重復、簡單的物料分揀工作成為了現代工廠最棘手的問題。

當前已有的物料分揀機器人主要在物料識別、物料運輸兩個方面有明顯的不足：

1.物料識別方面：當前已有的物料機器人在物料識別方面大多采用openCV(用于圖像處理、分析、機器視覺方面的開源函數庫)、BP神經網絡(另一類深度學習的算法)等方法，具有識別率低、速度慢等缺點。

2.物料運輸方面：當前已有的物料分揀機器人，其運輸路線大多是采用固定的路線，一旦在運輸過程中，有較大的干擾或偏離了設定的路線，就必須人工操作，幫助機器人重新工作；并且采用固定路線的運輸模式，有較大的概率出現偏離路線的問題。

術語解釋：

1.卷積神經網絡(Convolutional Neural Networks,CNN)是一類包含卷積計算且具有深度結構的前饋神經網絡(FeedforwardNeural Networks)，是深度學習(deeplearning)的代表算法之一。

2.圖像增強(image enhancement)技術是一種改善圖像質量、豐富信息量，加強圖像判讀和識別效果的圖像處理技術。

3.Keras是一個由Python語言編寫的神經網絡庫，主要用于深度學習模型的設計與調試。

發明內容

為解決上述問題，本發明提供一種基于深度學習的物料分揀方法，包括以下步驟：

步驟1：物料圖像識別與分辨：采集物料初始圖像，采用卷積神經網絡和圖像增強技術對物料進行識別和分辨，具體為：

(1)用Python語言編程，搭建卷積神經網絡，同時其驗證方法為交叉驗證；

(2)用圖像增強技術對物料樣本進行處理，突出物料特征點；圖像數據增強部分采用了Keras庫中的圖像增強函數，通過改變圖片的光照、角度、縮放和平移屬性，實現圖像數據的增強；

(3)模型訓練：用處理后的樣本對神經網絡進行訓練，用數據轉換算法實現圖像數據與NP數組間的轉化，將圖像轉化為NP數組后，輸入到卷積神經網絡中，用于識別；

(4)圖像的識別并輸出結果。

步驟2：利用動態規劃求解抓取物料的最優路徑，動態規劃方程為：

f_n+1(s_n+1)＝0

其中，s_k為第k階段的狀態變量；u_k(s_k)為第k階段當狀態處于s_k時的決策變量；D_k(s_k)為第k階段從狀態s_k出發的允許決策集合；f_k(s_k)為最優值函數，距離函數；opt取min。