CN111242057A - 产品分拣***、方法、计算机设备和存储介质 - Google Patents
产品分拣***、方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111242057A CN111242057A CN202010048165.1A CN202010048165A CN111242057A CN 111242057 A CN111242057 A CN 111242057A CN 202010048165 A CN202010048165 A CN 202010048165A CN 111242057 A CN111242057 A CN 111242057A
- Authority
- CN
- China
- Prior art keywords
- product
- sorted
- sorting
- information
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明公开了一种产品分拣***、方法、计算机设备和存储介质,***包括图像采集模块,用于采集产品图像;图像处理模块,用于获取产品的特征信息以及位置信息,并判断产品是否合格;通讯模块,用于将产品的所有信息传输至分拣模块;分拣模块,用于实现产品分拣。方法包括:采集待分拣产品的图像;获取产品的形状信息,并判断产品是否合格,若是执行下一步,否则执行再下一步;获取产品的颜色信息;获取产品的位置信息;由分拣模块根据产品的所有信息实现产品分拣。计算机设备和存储介质通过执行计算机程序能够实现上述方法过程。本发明基于单相机采集产品图像,并通过图像处理获得分拣信息,使分拣能准确执行,且提高了分拣效率,降低了人工成本。
Description
技术领域
本发明属于机器视觉技术领域,具体涉及物流分拣技术领域,特别涉及一种产品分拣***、方法、计算机设备和存储介质。
背景技术
机器视觉就是用机器代替人眼来做测量和判断。机器视觉***是通过机器视觉产品将被摄取目标转换成图像信号,传送给专用的图像处理***。图像处理是使用计算机数据处理技术对图像数据进行处理,获取被摄目标的形态信息,包括像素分布和亮度、颜色等信息。传统机器视觉识别方案多采用人工特征分拣方式,人工特征对于物品随机位置、图像视角变化、光照变化、背景干扰等情况下的检测鲁棒性比较差,该种方法不仅耗时,而且只使用到图像中少部分特征信息,信息利用率不高,很大程度上影响实际检测效果。
一幅图像所包含的信息是至以数万甚至更高数量级衡量的大量像素点的数字信息;在单色图像中,每个像素点只包含一种灰度信息;在彩色图像中,每个像素点包含RGB三种颜色的亮度信息。处理如此巨量的信息,过程相当的复杂,如果所有机器视觉的研究者都从最底层的处理方法进行研究,这是不现实的,并且开发时间太长、成本太高。
发明内容
本发明的目的在于提供一种具有高效、高准确性等特点的产品分拣***及方法。
实现本发明目的的技术解决方案为:一种产品分拣***,所述***包括图像采集模块、图像处理模块、通讯模块以及分拣模块;
所述图像采集模块,用于采集待分拣产品的图像;
所述图像处理模块,用于根据采集到的图像获取待分拣产品的特征信息以及位置信息,并判断待分拣产品是否合格;
所述通讯模块,用于将所述图像处理模块获取的待分拣产品的所有信息传输至分拣模块;
所述分拣模块,用于根据接收到的信息实现待分拣产品分拣。
进一步地,所述图像处理模块包括:
颜色识别单元,用于基于HSV颜色空间实现待分拣产品颜色信息的检测;
合格信息检测单元,用于检测待分拣产品的形状,并基于分类器实现待分拣产品是否合格的检测;
定位单元,用于检测待分拣产品的位置信息。
进一步地,所述分拣模块包括:
控制单元,用于接收通信模块传输的待分拣产品信息,并根据所述待分拣产品信息控制机械臂分拣单元实现产品分拣;
机械臂分拣单元,用于在所述控制单元的控制下进行产品分拣。
一种产品分拣方法,所述方法包括:
步骤1,采集待分拣产品的图像;
步骤2,基于待分拣产品的图像,获取待分拣产品的形状信息,并根据形状信息判断待分拣产品是否合格,若合格执行步骤3,否则执行步骤4;
步骤3,基于待分拣产品的图像,获取待分拣产品的颜色信息;
步骤4,基于待分拣产品的图像,获取待分拣产品的位置信息;
步骤5,将上述过程获得的待分拣产品的所有信息传输至分拣模块,由分拣模块实现产品分拣。
进一步地,步骤2中所述根据形状信息判断待分拣产品是否合格,具体包括:
步骤2-1,采集若干产品图像,提取每个产品的形状信息和是否合格信息,作为训练样本;
步骤2-2,构建一个多层感知机,并设置多层感知机的参数,包括输入层、输出层及隐藏层的数量、激活函数以及预处理函数;
步骤2-3,结合所述训练样本、多层感知机的参数训练多层感知机;
步骤2-4,根据待分拣产品的图像,提取待分拣产品的形状信息;
步骤2-5,将待分拣产品的形状信息作为训练后多层感知机的输入,多层感知机输出待分拣产品是否合格的结果。
进一步地,步骤3所述基于待分拣产品的图像,获取待分拣产品的颜色信息,具体包括:
步骤3-1,对待分拣产品的图像进行色域转换,将RGB图像转化为HSV图像;
步骤3-2,对H域图像进行阈值分割,获得待分拣产品的颜色。
进一步地,步骤4所述基于待分拣产品的图像,获取待分拣产品的位置信息,具体包括:
步骤4-1,获取标定板分别在相机坐标系与世界坐标系中的坐标值;
步骤4-2,根据所述标定板分别在相机坐标系与世界坐标系中的坐标值,建立两者之间的仿射变换矩阵;
步骤4-3,对步骤3-2阈值分割后的图像进行形态学处理以及连通域分析,获得待分拣产品在相机坐标系中的位置;
步骤4-4,结合所述待分拣产品在相机坐标系中的位置和仿射变换矩阵,获得待分拣产品在世界坐标系中的位置。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
步骤1,采集待分拣产品的图像;
步骤2,基于待分拣产品的图像,获取待分拣产品的形状信息,并根据形状信息判断待分拣产品是否合格,若合格执行步骤3,否则执行步骤4;
步骤3,基于待分拣产品的图像,获取待分拣产品的颜色信息;
步骤4,基于待分拣产品的图像,获取待分拣产品的位置信息;
步骤5,将上述过程获得的待分拣产品的所有信息传输至分拣模块,由分拣模块实现产品分拣。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤1,采集待分拣产品的图像;
步骤2,基于待分拣产品的图像,获取待分拣产品的形状信息,并根据形状信息判断待分拣产品是否合格,若合格执行步骤3,否则执行步骤4;
步骤3,基于待分拣产品的图像,获取待分拣产品的颜色信息;
步骤4,基于待分拣产品的图像,获取待分拣产品的位置信息;
步骤5,将上述过程获得的待分拣产品的所有信息传输至分拣模块,由分拣模块实现产品分拣。
本发明与现有技术相比,其显著优点为:1)将单相机获取的图形数据作为训练样本并应用于识别产品,相比于传统的模板匹配方法,可以去除木块纹理干扰等问题,增强产品分拣的准确性与快速性;2)将RGB图形转换到HSV空间进行不同颜色的识别,相比于传统的灰度识别,能有效减少不同的光照环境,特别是明暗光照变化对于检测的干扰,提高分拣的准确度;3)基于标定板的手眼定位,对目标产品进行快速识别定位,确定产品位置的位置,从而控制工业机器臂对产品进行快速准确分拣和包装,提高了分拣效率,降低了人工成本。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中产品分拣方法流程图。
图2为一个实施例中图形检测流程图。
图3为一个实施例中颜色识别流程图。
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,本发明提出了一种产品分拣***,该***包括图像采集模块、图像处理模块、通讯模块以及分拣模块;
图像采集模块,用于采集待分拣产品的图像;
图像处理模块,用于根据采集到的图像获取待分拣产品的特征信息以及位置信息,并判断待分拣产品是否合格;
通讯模块,用于将图像处理模块获取的待分拣产品的所有信息传输至分拣模块;
分拣模块,用于根据接收到的信息实现待分拣产品分拣。
进一步地,在其中一个实施例中,上述图像处理模块包括:
颜色识别单元,用于基于HSV颜色空间实现待分拣产品颜色信息的检测;
合格信息检测单元,用于检测待分拣产品的形状,并基于分类器实现待分拣产品是否合格的检测;
定位单元,用于检测待分拣产品的位置信息。
作为一种具体示例,上述分类器具体采用多层感知机。
进一步地,在其中一个实施例中,上述分拣模块包括:
控制单元,用于接收通信模块传输的待分拣产品信息,并根据待分拣产品信息控制机械臂分拣单元实现产品分拣;
机械臂分拣单元,用于在控制单元的控制下进行产品分拣。
这里,作为一种具体示例,机械臂分拣单元包括六轴工业机械臂和设置于机械臂末端的吸盘,控制吸盘工作的气泵。
在一个实施例中,结合图1,本发明提出了一种产品分拣方法,该方法包括:
步骤1,采集待分拣产品的图像;
步骤2,基于待分拣产品的图像,获取待分拣产品的形状信息,并根据形状信息判断待分拣产品是否合格,若合格执行步骤3,否则执行步骤4;
步骤3,基于待分拣产品的图像,获取待分拣产品的颜色信息;
步骤4,基于待分拣产品的图像,获取待分拣产品的位置信息;
步骤5,将上述过程获得的待分拣产品的所有信息传输至分拣模块,由分拣模块实现产品分拣。
进一步地,在其中一个实施例中,结合图2,步骤2中根据形状信息判断待分拣产品是否合格,具体包括:
步骤2-1,采集若干产品图像,提取每个产品的形状信息和是否合格信息,作为训练样本;
步骤2-2,构建一个多层感知机,并设置多层感知机的参数,包括输入层、输出层及隐藏层的数量、激活函数以及预处理函数;
步骤2-3,结合训练样本、多层感知机的参数训练多层感知机;
步骤2-4,根据待分拣产品的图像,提取待分拣产品的形状信息;
步骤2-5,将待分拣产品的形状信息作为训练后多层感知机的输入,多层感知机输出待分拣产品是否合格的结果。
进一步地,在其中一个实施例中,结合图3,步骤3基于待分拣产品的图像,获取待分拣产品的颜色信息,具体包括:
步骤3-1,对待分拣产品的图像进行色域转换,将RGB图像转化为HSV图像;
步骤3-2,对H域图像进行阈值分割,获得待分拣产品的颜色。
进一步地,在其中一个实施例中,步骤4基于待分拣产品的图像,获取待分拣产品的位置信息,具体包括:
步骤4-1,获取标定板分别在相机坐标系与世界坐标系中的坐标值;
步骤4-2,根据标定板分别在相机坐标系与世界坐标系中的坐标值,建立两者之间的仿射变换矩阵;
步骤4-3,对步骤3-2阈值分割后的图像进行形态学处理以及连通域分析,获得待分拣产品在相机坐标系中的位置;
步骤4-4,结合待分拣产品在相机坐标系中的位置和仿射变换矩阵,获得待分拣产品在世界坐标系中的位置。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储多***数据融合数据过程中需要用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多***数据融合方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
步骤1,采集待分拣产品的图像;
步骤2,基于待分拣产品的图像,获取待分拣产品的形状信息,并根据形状信息判断待分拣产品是否合格,若合格执行步骤3,否则执行步骤4;
步骤3,基于待分拣产品的图像,获取待分拣产品的颜色信息;
步骤4,基于待分拣产品的图像,获取待分拣产品的位置信息;
步骤5,将上述过程获得的待分拣产品的所有信息传输至分拣模块,由分拣模块实现产品分拣。
进一步地,在其中一个实施例中,处理器执行计算机程序实现上述的根据形状信息判断待分拣产品是否合格,具体实现以下步骤:
步骤2-1,采集若干产品图像,提取每个产品的形状信息和是否合格信息,作为训练样本;
步骤2-2,构建一个多层感知机,并设置多层感知机的参数,包括输入层、输出层及隐藏层的数量、激活函数以及预处理函数;
步骤2-3,结合训练样本、多层感知机的参数训练多层感知机;
步骤2-4,根据待分拣产品的图像,提取待分拣产品的形状信息;
步骤2-5,将待分拣产品的形状信息作为训练后多层感知机的输入,多层感知机输出待分拣产品是否合格的结果。
进一步地,在其中一个实施例中,处理器执行计算机程序实现上述的基于待分拣产品的图像,获取待分拣产品的颜色信息,具体实现以下步骤:
步骤3-1,对待分拣产品的图像进行色域转换,将RGB图像转化为HSV图像;
步骤3-2,对H域图像进行阈值分割,获得待分拣产品的颜色。
进一步地,在其中一个实施例中,处理器执行计算机程序实现上述的基于待分拣产品的图像,获取待分拣产品的位置信息,具体实现以下步骤:
步骤4-1,获取标定板分别在相机坐标系与世界坐标系中的坐标值;
步骤4-2,根据标定板分别在相机坐标系与世界坐标系中的坐标值,建立两者之间的仿射变换矩阵;
步骤4-3,对步骤3-2阈值分割后的图像进行形态学处理以及连通域分析,获得待分拣产品在相机坐标系中的位置;
步骤4-4,结合待分拣产品在相机坐标系中的位置和仿射变换矩阵,获得待分拣产品在世界坐标系中的位置。
在一个实施例中,一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤1,采集待分拣产品的图像;
步骤2,基于待分拣产品的图像,获取待分拣产品的形状信息,并根据形状信息判断待分拣产品是否合格,若合格执行步骤3,否则执行步骤4;
步骤3,基于待分拣产品的图像,获取待分拣产品的颜色信息;
步骤4,基于待分拣产品的图像,获取待分拣产品的位置信息;
步骤5,将上述过程获得的待分拣产品的所有信息传输至分拣模块,由分拣模块实现产品分拣。
进一步地,在其中一个实施例中,计算机程序被处理器执行实现上述的根据形状信息判断待分拣产品是否合格,具体实现以下步骤:
步骤2-1,采集若干产品图像,提取每个产品的形状信息和是否合格信息,作为训练样本;
步骤2-2,构建一个多层感知机,并设置多层感知机的参数,包括输入层、输出层及隐藏层的数量、激活函数以及预处理函数;
步骤2-3,结合训练样本、多层感知机的参数训练多层感知机;
步骤2-4,根据待分拣产品的图像,提取待分拣产品的形状信息;
步骤2-5,将待分拣产品的形状信息作为训练后多层感知机的输入,多层感知机输出待分拣产品是否合格的结果。
进一步地,在其中一个实施例中,计算机程序被处理器执行实现上述的基于待分拣产品的图像,获取待分拣产品的颜色信息,具体实现以下步骤:
步骤3-1,对待分拣产品的图像进行色域转换,将RGB图像转化为HSV图像;
步骤3-2,对H域图像进行阈值分割,获得待分拣产品的颜色。
进一步地,在其中一个实施例中,计算机程序被处理器执行实现上述的基于待分拣产品的图像,获取待分拣产品的位置信息,具体实现以下步骤:
步骤4-1,获取标定板分别在相机坐标系与世界坐标系中的坐标值;
步骤4-2,根据标定板分别在相机坐标系与世界坐标系中的坐标值,建立两者之间的仿射变换矩阵;
步骤4-3,对步骤3-2阈值分割后的图像进行形态学处理以及连通域分析,获得待分拣产品在相机坐标系中的位置;
步骤4-4,结合待分拣产品在相机坐标系中的位置和仿射变换矩阵,获得待分拣产品在世界坐标系中的位置。
综上,本发明基于单相机采集产品图像,并通过图像处理单元得到分拣信息,从而使分拣准确执行,提高了分拣效率,降低了人工成本。
Claims (10)
1.一种产品分拣***,其特征在于,所述***包括图像采集模块、图像处理模块、通讯模块以及分拣模块;
所述图像采集模块,用于采集待分拣产品的图像;
所述图像处理模块,用于根据采集到的图像获取待分拣产品的特征信息以及位置信息,并判断待分拣产品是否合格;
所述通讯模块,用于将所述图像处理模块获取的待分拣产品的所有信息传输至分拣模块;
所述分拣模块,用于根据接收到的信息实现待分拣产品分拣。
2.根据权利要求1所述的产品分拣***,其特征在于,所述图像处理模块包括:
颜色识别单元,用于基于HSV颜色空间实现待分拣产品颜色信息的检测;
合格信息检测单元,用于检测待分拣产品的形状,并基于分类器实现待分拣产品是否合格的检测;
定位单元,用于检测待分拣产品的位置信息。
3.根据权利要求2所述的产品分拣***,其特征在于,所述分类器具体采用多层感知机。
4.根据权利要求3所述的产品分拣***,其特征在于,所述分拣模块包括:
控制单元,用于接收通信模块传输的待分拣产品信息,并根据所述待分拣产品信息控制机械臂分拣单元实现产品分拣;
机械臂分拣单元,用于在所述控制单元的控制下进行产品分拣。
5.一种产品分拣方法,其特征在于,所述方法包括:
步骤1,采集待分拣产品的图像;
步骤2,基于待分拣产品的图像,获取待分拣产品的形状信息,并根据形状信息判断待分拣产品是否合格,若合格执行步骤3,否则执行步骤4;
步骤3,基于待分拣产品的图像,获取待分拣产品的颜色信息;
步骤4,基于待分拣产品的图像,获取待分拣产品的位置信息;
步骤5,将上述过程获得的待分拣产品的所有信息传输至分拣模块,由分拣模块实现产品分拣。
6.根据权利要求5所述的产品分拣方法,其特征在于,步骤2中所述根据形状信息判断待分拣产品是否合格,具体包括:
步骤2-1,采集若干产品图像,提取每个产品的形状信息和是否合格信息,作为训练样本;
步骤2-2,构建一个多层感知机,并设置多层感知机的参数,包括输入层、输出层及隐藏层的数量、激活函数以及预处理函数;
步骤2-3,结合所述训练样本、多层感知机的参数训练多层感知机;
步骤2-4,根据待分拣产品的图像,提取待分拣产品的形状信息;
步骤2-5,将待分拣产品的形状信息作为训练后多层感知机的输入,多层感知机输出待分拣产品是否合格的结果。
7.根据权利要求6所述的产品分拣方法,其特征在于,步骤3所述基于待分拣产品的图像,获取待分拣产品的颜色信息,具体包括:
步骤3-1,对待分拣产品的图像进行色域转换,将RGB图像转化为HSV图像;
步骤3-2,对H域图像进行阈值分割,获得待分拣产品的颜色。
8.根据权利要求7所述的产品分拣方法,其特征在于,步骤4所述基于待分拣产品的图像,获取待分拣产品的位置信息,具体包括:
步骤4-1,获取标定板分别在相机坐标系与世界坐标系中的坐标值;
步骤4-2,根据所述标定板分别在相机坐标系与世界坐标系中的坐标值,建立两者之间的仿射变换矩阵;
步骤4-3,对步骤3-2阈值分割后的图像进行形态学处理以及连通域分析,获得待分拣产品在相机坐标系中的位置;
步骤4-4,结合所述待分拣产品在相机坐标系中的位置和仿射变换矩阵,获得待分拣产品在世界坐标系中的位置。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求5至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求5至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010048165.1A CN111242057A (zh) | 2020-01-16 | 2020-01-16 | 产品分拣***、方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010048165.1A CN111242057A (zh) | 2020-01-16 | 2020-01-16 | 产品分拣***、方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111242057A true CN111242057A (zh) | 2020-06-05 |
Family
ID=70864116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010048165.1A Pending CN111242057A (zh) | 2020-01-16 | 2020-01-16 | 产品分拣***、方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242057A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215149A (zh) * | 2020-10-13 | 2021-01-12 | 四川极速智能科技有限公司 | 基于视觉检测的配件分拣***及方法 |
CN112464706A (zh) * | 2020-10-14 | 2021-03-09 | 鲁班嫡系机器人(深圳)有限公司 | 果实筛选、分拣方法、装置、***、存储介质及设备 |
CN113145473A (zh) * | 2021-02-20 | 2021-07-23 | 广州大学华软软件学院 | 一种水果智能分拣***及方法 |
WO2022241597A1 (zh) * | 2021-05-17 | 2022-11-24 | 海南师范大学 | 一种ai智能垃圾识别分类***和方法 |
CN117601482A (zh) * | 2023-12-04 | 2024-02-27 | 苏州铂瑞电极工业有限公司 | 基于智能调控的燃料电池双极板压合机 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301634A (zh) * | 2017-06-28 | 2017-10-27 | 湖南瑞森可机器人科技有限公司 | 一种机器人自动分拣方法及*** |
CN108491892A (zh) * | 2018-04-05 | 2018-09-04 | 聊城大学 | 基于机器视觉的水果分拣*** |
CN108520274A (zh) * | 2018-03-27 | 2018-09-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
-
2020
- 2020-01-16 CN CN202010048165.1A patent/CN111242057A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301634A (zh) * | 2017-06-28 | 2017-10-27 | 湖南瑞森可机器人科技有限公司 | 一种机器人自动分拣方法及*** |
CN108520274A (zh) * | 2018-03-27 | 2018-09-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
CN108491892A (zh) * | 2018-04-05 | 2018-09-04 | 聊城大学 | 基于机器视觉的水果分拣*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215149A (zh) * | 2020-10-13 | 2021-01-12 | 四川极速智能科技有限公司 | 基于视觉检测的配件分拣***及方法 |
CN112215149B (zh) * | 2020-10-13 | 2024-05-28 | 四川极速智能科技有限公司 | 基于视觉检测的配件分拣***及方法 |
CN112464706A (zh) * | 2020-10-14 | 2021-03-09 | 鲁班嫡系机器人(深圳)有限公司 | 果实筛选、分拣方法、装置、***、存储介质及设备 |
CN113145473A (zh) * | 2021-02-20 | 2021-07-23 | 广州大学华软软件学院 | 一种水果智能分拣***及方法 |
WO2022241597A1 (zh) * | 2021-05-17 | 2022-11-24 | 海南师范大学 | 一种ai智能垃圾识别分类***和方法 |
CN117601482A (zh) * | 2023-12-04 | 2024-02-27 | 苏州铂瑞电极工业有限公司 | 基于智能调控的燃料电池双极板压合机 |
CN117601482B (zh) * | 2023-12-04 | 2024-05-03 | 苏州铂瑞电极工业有限公司 | 基于智能调控的燃料电池双极板压合机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242057A (zh) | 产品分拣***、方法、计算机设备和存储介质 | |
CN107992881B (zh) | 一种机器人动态抓取方法及*** | |
CN108171748B (zh) | 一种面向机器人智能抓取应用的视觉识别与定位方法 | |
CN111046948B (zh) | 点云仿真和深度学习的工件位姿识别及机器人上料方法 | |
CN111986178A (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
CN113643280B (zh) | 一种基于计算机视觉的板材分拣***及方法 | |
CN110969660B (zh) | 一种基于三维立体视觉和点云深度学习的机器人上料*** | |
CN103424409A (zh) | 一种基于dsp的视觉检测*** | |
CN1546993A (zh) | 红外目标检测跟踪与识别*** | |
CN112215795A (zh) | 一种基于深度学习的服务器部件智能检测方法 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别***及方法 | |
CN113996500A (zh) | 一种基于视觉点胶机器人的点胶智能识别*** | |
CN111860327A (zh) | 一种基于视觉计算视频传输的图像检测与分析方法 | |
CN112847321A (zh) | 基于人工智能的工业机器人视觉图像识别*** | |
CN115797811A (zh) | 一种基于视觉的农产品检测方法及*** | |
CN111709429B (zh) | 一种基于卷积神经网络的机织物结构参数识别方法 | |
CN117381793A (zh) | 一种基于深度学习的物料智能检测视觉*** | |
CN106960188B (zh) | 天气图像分类方法及装置 | |
CN116228854B (zh) | 一种基于深度学习的包裹自动分拣方法 | |
CN112989881A (zh) | 一种无监督可迁移的3d视觉物体抓取方法 | |
Li et al. | Robot vision model based on multi-neural network fusion | |
Yang et al. | Cherry recognition based on color channel transform | |
CN113808206A (zh) | 一种基于视觉追踪机器人的排版***及方法 | |
CN112634367A (zh) | 一种基于深度神经网络的抗遮挡的物***姿估计方法 | |
CN111695576A (zh) | 一种基于神经网络的电能表外观快速识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |
|
RJ01 | Rejection of invention patent application after publication |