基于深度残差网络的有色金属破碎料视觉识别方法

为从报废机械中回收和分选有色金属,提出一种基于深度残差网络的有色金属破碎料视觉识别方法,使分选过程自动化。为从彩色CCD相机采集的图像中获得金属破碎料的感兴趣区域(ROI),通过反距离加权插值算法优化大津方法,使得图像分割的阈值可以自适应调节,以取得更好的分割效果。有色金属破碎料的感兴趣区域作为一个39层的深度残差网络的输入用以训练网络,深度残差网络输出每个有色金属破碎料的类别,工控机通过这种算法和相机标定获取破碎料在传送带上的位置和类别信息来控制分选机构。作为对比,开展了基于传统的卷积网络,如AlexNet、VGGNet16、VGGNet39、GoogLeNet(Inception V2)的有色金属破碎料识别测试。结果表明,基于深度残差网络的方法对铝料、铜料和其他杂料的识别准确率分别达到98.7%、98.9%、96.2%,优于基于传统的卷积网络。     

报废机械金属破碎料拣选机构参数优化

报废机械金属破碎料具有极大的回收数量和价值.现阶段的自动化分选方案中,由识别机构和拣选机构组成的机器视觉分选系统以高效精准的分类效果占据突出地位.此类系统的拣选机构一般由传送带和气刀设备组成,其中气刀气压、气刀角度、传送带速度、分选高度参数对分选效果产生重要影响.通过响应面法设计参数组合方案,依托流场特性进行有限元仿真模拟和台架实验,研究了金属破碎料分选过程中参数对分选效果的影响规律,最终获得的最优参数匹配方案为P=0.54 MPa,h=0.94 m,v=1.90 m/s,α=41°,符合系统的高效、高质量破碎料分离需求.