CN112101126A - 杂物识别*** - Google Patents
杂物识别*** Download PDFInfo
- Publication number
- CN112101126A CN112101126A CN202010847050.9A CN202010847050A CN112101126A CN 112101126 A CN112101126 A CN 112101126A CN 202010847050 A CN202010847050 A CN 202010847050A CN 112101126 A CN112101126 A CN 112101126A
- Authority
- CN
- China
- Prior art keywords
- central control
- algorithm unit
- data
- server
- identification
- 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.)
- Withdrawn
Links
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 230000000007 visual effect Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 239000003245 coal Substances 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000007619 statistical method Methods 0.000 abstract description 4
- 239000012535 impurity Substances 0.000 description 12
- 230000010354 integration Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- -1 remi Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种杂物识别***，所述工控机连接所述视觉***，所述工控机用候选区域方法对工业相机数据进行识别，同时将识别结果反馈到信号灯，所述工控机还连接路由器，所述路由器传输数据到所述服务器***中，并传输数据到用户终端；通过大量数据采集完成杂物识别模型算法，然后以服务方式发布，应用通过图像实时数据结合杂物识别模型，进行杂物识别预测，然后将相关信息反馈给应用端，进行展示、统计分析等；基于机器学习的算法对杂物进行智能识别，提高选煤的精细化程度，管理更加合理，节约生产成本。
Description
技术领域
本发明涉及煤炭技术领域，尤其涉及一种杂物识别***。
背景技术
目前产线运行速度较快，杂物数量多、种类分布广、形态差异度大，杂物与煤粉混合后，颜色与煤块相近。在空间分布上杂物与煤块相互堆积，检测难度高。人工识别相对现代工业生产有一定的技术差距，落后的生产方式造成了，工人劳动强度大、资源利用不合理、浪费大量的人力和物力、不能及时发现问题和解决问题，增加了生产成本。
发明内容
本发明的目的在于提供一种杂物识别***，降低生产成本。
为实现上述目的，本发明提供了一种杂物识别***，所述杂物识别***包括视觉***、工控机和服务器***，所述视觉***、所述工控机和所述服务器***依次连接；
所述视觉***，用于对生产线上的杂物进行拍照，并根据所述工控机的计算结果进行显示；
所述工控机，用于根据所述视觉***上传的杂物照片进行识别，同时将杂物的出现时间、类别、大小、报警级别进行记录；并将识别结果传输至所述视觉***和所述服务器***；
所述服务器***，用于对接收到的数据进行存储和提取，并传输到用户端。
其中，所述工控机包括中控通信模块和中控模块，所述中控通信模块与所述视觉***连接，所述中控模块与所述中控通信模块连接；
所述中控通信模块，用于驱动所述视觉***进行拍照，并接收图像数据，同时控制所述视觉***进行对应的结果显示；
所述中控模块，用于利用杂物识别算法对获取的图像数据进行识别，并将识别结果传输至所述中控通信模块和所述服务器***。
其中，所述中控模块包括视觉检测算法单元、图形算法单元和评价算法单元，所述视觉检测算法单元、所述图形检测单元和所述评价算法单元依次连接；
所述视觉检测算法单元，用于利用候选区域方法对接收的所述图像数据构建目标区域；
所述图形算法单元，用于对每个像素进行划分，并对每组像素的纹理进行划分和组合；
所述评价算法单元，用于根据所述图形算法单元的识别结果进行等级划分。
其中，所述中控模块还包括跟踪算法单元，所述跟踪算法单元与所述视觉监测算法单元和所述评价算法单元连接；
所述跟踪算法单元，用于将杂物的出现时间、类别、大小、报警级别进行记录。
其中，所述杂物识别***还包括路由器，所述路由器与所述工控机和所述服务器***连接；
所述路由器，用于将所述工控机的识别结果传输至所述服务器***。
其中，所述视觉***包括工业相机和信号灯，所述工业相机和所述信号灯均与所述中控通信模块连接；
所述工业相机，用于对生产线上的杂物进行拍照，并将得到的所述图像数据传输至所述中控通信模块；
所述信号灯，用于根据接受到的识别结果进行对应的颜色显示。
其中，所述服务器***包括数据库服务器和应用服务器，所述数据库服务器和所述应用服务器均与所述路由器连接；
所述数据库服务器，用于对所述路由器传输的数据进行存储；
所述应用服务器，用于提取所述数据库服务器存储的数据，并传输至用户端。
本发明的一种杂物识别***，所述工控机连接所述视觉***，所述工控机用候选区域方法对工业相机数据进行识别，同时将识别结果反馈到信号灯，所述工控机还连接路由器，所述路由器传输数据到所述服务器***中，并传输数据到用户终端；通过大量数据采集完成杂物识别模型算法，然后以服务方式发布，应用通过图像实时数据结合杂物识别模型，进行杂物识别预测，然后将相关信息反馈给应用端，进行展示、统计分析等；基于机器学习的算法对杂物进行智能识别，提高选煤的精细化程度，管理更加合理，节约生产成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种杂物识别***的软件示意图。
图2是本发明提供的工控机的结构示意图。
图3是本发明提供的杂物识别***的数据流示意图。
1-视觉***、2-工控机、3-服务器***、21-中控通信模块、22-中控模块、23-接口服务模块、221-视觉检测算法单元、222-图形算法单元、223-评价算法单元、224-跟踪算法单元、4-路由器、11-工业相机、12-信号灯、31-数据库服务器、32-应用服务器、211-相机驱动单元、212-硬件驱动单元、213-机器人引导单元、231-文件集成单元、232-数据库单元。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1和图2，本发明提供一种杂物识别***，所述杂物识别***包括视觉***1、工控机2和服务器***3，所述视觉***1、所述工控机2和所述服务器***3依次连接；
所述视觉***1，用于对生产线上的杂物进行拍照，并根据所述工控机2的计算结果进行显示；
所述工控机2，用于根据所述视觉***1上传的杂物照片进行识别，同时将杂物的出现时间、类别、大小、报警级别进行记录；并将识别结果传输至所述视觉***1和所述服务器***3；
所述服务器***3，用于对接收到的数据进行存储和提取，并传输到用户端。
在本实施方式中，所述工控机2由工控单元、交换机和人工智能边缘计算服务器组成，所述工控机2连接所述视觉***1，利用所述工控机2驱动算法对所述视觉***1对生产线拍摄的数据进行识别，对杂物的出现时间、类别、大小、报警级别的记录，并且将上述信息发送到交换机，并将识别结果反馈到所述视觉***1，所述交换机将上述信息发送到人工智能边缘计算服务器，人工智能边缘计算服务器与工控机2集成封装后，放置于检测点位附近，数据经过边缘计算单元现场计算处理后，及时反馈给后方的警报信号灯12；并远程传输到所述服务器***3，最终传输数据到用户终端，所述用户终端包括：手机、电脑等显示工具，用于显示整个操作流程。其中，边缘计算服务器在生产环境现场实时分析并推送杂物识别检测结果日志信息到工控机2。为了最大程度减少数据冗余，***仅在发现杂物时，上传抓拍到的杂物照片到集成服务器。未检测到杂质时，***仅推送状态消息，不传输照片；通过摄像头实现图像数据采集，通过大量数据采集完成杂物识别模型算法，然后以服务方式发布，应用通过图像实时数据结合杂物识别模型，进行杂物识别预测，然后将相关信息反馈给应用端，进行展示、统计分析等。在此过程中可远程实时监控，通过自动化改造后，杂物识别自动化水平大大增加，通过视觉识别***可实现杂物识别，减少人力资源；，通过建立车间级信息化***，实现和顶层***的对接，直接管理生产，并可实现实时数据查询、推送，为整个厂区的智能化生产奠定有利基础；基于机器学习的算法对杂物进行智能识别，提高选煤的精细化程度，管理更加合理，节约生产成本。
进一步的，所述工控机2包括中控通信模块21和中控模块22，所述中控通信模块21与所述视觉***1连接，所述中控模块22与所述中控通信模块21连接；
所述中控通信模块21，用于驱动所述视觉***1进行拍照，并接收图像数据，同时控制所述视觉***1进行对应的结果显示；
所述中控模块22，用于利用杂物识别算法对获取的图像数据进行识别，并将识别结果传输至所述中控通信模块21和所述服务器***3。
在本实施方式中，利用所述中控通信模块21驱动所述视觉***1拍摄生产线上的杂物后，对得到的图像数据传输至所述中控模块22，利用识别算法通过对图像的底层特征学习、特征编码、空间约束、分类器设计、模型融合进行识别，同时将识别结果传输至中控通信模块21和所述服务器***3，而所述中控通信模块21则将所述识别结果反馈到所述视觉***1，提高了对杂物的识别速率和决策速率。
进一步的，所述工控机2还包括接口服务模块23，所述接口服务模块23与所述中控通信模块21和所述中控模块22连接；
所述接口服务模块23，用于将所述中控通信模块21和所述中控模块22中相互传输的数据进行保存和记录。
在本实施方式中，利用所述接口服务模块23接收所述中控通信模块21和所述中控模块22之间的交流的数据，同时还可以接收边缘计算服务器在生产环境现场实时分析并推送杂物识别检测结果日志信息，保证杂物识别过程中的所有操作均有据可查。
进一步的，所述接口服务模块23包括文件集成单元231和数据库单元232，所述数据库单元232与所述中控通信模块21和所述中控模块22连接，所述文件集成单元231与所述数据库单元232连接；
所述数据库单元232，用于将所述中控通信模块21和所述中控模块22中相互传输的数据进行保存；
所述文件集成单元231，用于将所述数据库单元232中的数据以文件的方式进行保存。
在本实施方式中，利用所述数据库单元232以数据库的形式将接收的数据进行集中的保存，但是由于保存的数据的凌乱，使查找比较麻烦，因此根据所述数据库单元232中的数据进行分类，以文件的方式集成于所述文件集成单元231中，查找的时候便可通过所述文件集成单元231查到到对应的数据信息。
进一步的，所述中控模块22包括视觉检测算法单元221、图形算法单元222和评价算法单元223，所述视觉检测算法单元221、所述图形检测单元和所述评价算法单元223依次连接；
所述视觉检测算法单元221，用于利用候选区域方法对接收的所述图像数据构建目标区域；
所述图形算法单元222，用于对每个像素进行划分，并对每组像素的纹理进行划分和组合；
所述评价算法单元223，用于根据所述图形算法单元222的识别结果进行等级划分。
在本实施方式中，本***采用CNN进行分类，在所述视觉监测算法单元中，选择性搜索用候选区域方法(regionproposalmethod)创建目标检测的感兴趣区域(ROI)。在选择性搜索(selectivesearch，SS)中，首先将每个像素划分为一组；然后计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，我们首先对较小的组进行分组。我们继续合并区域，直到所有区域都结合在一起，得到识别结果，而利用所述评价算法单元223将所述识别结果进行等级划分，如没有杂质、小型杂质和大型杂质三类，类别可分为：木材、瑞米、塑料橡胶制品、纺织品、金属和其他这几类。
使用候选区域、CNN、仿射层来定位目标，通过使用更少且更高质量的ROI，R-CNN要比滑动窗口方法更快速、更准确。FastR-CNN使用特征提取器(CNN)先提取整个图像的特征，而不是从头开始对每个图像块提取多次。然后我们可以将创建候选区域的方法直接应用到提取到的特征图上。例如FastR-CNN选择了VGG16中的卷积层conv5来生成ROI，这些关注区域随后会结合对应的特征图以裁剪为特征图块，并用于目标检测任务中。我们使用ROI池化将特征图块转换为固定的大小，并馈送到全连接层进行分类和定位。因为FastR-CNN不会重复提取特征，因此它能显著地减少处理时间。
FasterR-CNN采用与FastR-CNN相同的设计，只是它用内部深层网络代替了候选区域方法。新的候选区域网络(RPN)在生成ROI时效率更高，并且以每幅图像10毫秒的速度运行。本方案以FasterR-CNN算法框架为基础进行了深度优化以获取更高的杂物识别精度和更快的图像处理速度，并利用数据驱动方式对目标进行动态评估以达到最优效果。
进一步的，所述中控模块22还包括跟踪算法单元224，所述跟踪算法单元224与所述视觉监测算法单元和所述评价算法单元223连接；
所述跟踪算法单元224，用于将杂物的出现时间、类别、大小、报警级别进行记录。
在本实施方式中，利用所述跟踪算法将识别出杂质的时间、位置、类别、大小等进行记录，便于反馈到所述中控通信模块21时，能及时进行预警和挑拣操作。
进一步的，所述杂物识别***还包括路由器4，所述路由器4与所述工控机2和所述服务器***3连接；
所述路由器4，用于将所述工控机2的识别结果传输至所述服务器***3。
在本实施方式中，利用所述路由器4将所述中控机中的识别结果远程传输至所述服务器***3中，方便进行远程控制和监管。
进一步的，所述视觉***1包括工业相机11和信号灯12，所述工业相机11和所述信号灯12均与所述中控通信模块21连接；
所述工业相机11，用于对生产线上的杂物进行拍照，并将得到的所述图像数据传输至所述中控通信模块21；
所述信号灯12，用于根据接受到的识别结果进行对应的颜色显示。
在本实施方式中，所述视觉***1包括设置在生产线上方的工业相机11，获得的图像由GIGE工业相机11协议传输，可与常用数据库***进行数据交互，对后台业务***提供Restful类型接口；所述生产线上设置有工业光源，所述当杂物随着生产线移动到工业相机11下方的时候，工业相机11对在生产线上的原材料进行拍照，然后将所拍摄的照片传输到所述中控通信模块21，所述中控模块22将工业相机11拍摄的照片进行识别，然后中控模块22将识别结果反馈到人工智能边缘计算服务器和信号灯12。为了使用较低的算力和能耗维持高负荷数据流量，工业相机11和工业光源按照实际生产节拍进行触发拍摄。为了最大程度降低数据延时，杂物识别模块中的人工智能边缘计算服务器与工控单元集成封装后，放置于检测点位附近，数据经过边缘计算单元现场计算处理后，及时反馈给后方的警报信号灯12。
进一步的，所述中控通信模块21包括相机驱动单元211、硬件驱动单元212和机器人引导单元213，所述相机驱动单元211与所述工业相机11连接，所述硬件驱动单元212与所述相机和所述机器人引导单元213连接；
所述相机驱动单元211，用于驱动所述工业相机11进行拍照和所述图像数据的传输；
所述硬件驱动单元212，用于控制所述相机驱动单元211和所述机器人单元的运行，并控制所述信号灯12的显示；
所述机器人引导单元213，用于对识别出的杂物进行挑拣。
在本实施方式中，首先利用所述相机驱动单元211驱动所述工业相机11进行拍摄，然后将的得到的图像数据传输到所述中控模块22中进行杂物识别，当所述相机驱动单元211接收到识别结果后，利用所述硬件驱动单元212驱动所述信号灯12进行显示，同时若有杂质，则驱动所述机器人引导单元213驱动机器人进行杂物挑拣，能够及时对生产线上的杂物进行清除，提高选煤的精细化程度，管理更加合理，节约生产成本。
进一步的，所述服务器***3包括数据库服务器31和应用服务器32，所述数据库服务器31和所述应用服务器32均与所述路由器4连接；
所述数据库服务器31，用于对所述路由器4传输的数据进行存储；
所述应用服务器32，用于提取所述数据库服务器31存储的数据，并传输至用户端。
在本实施方式中，利用所述数据库服务器31对数据进行存储，利用所述应用服务器32提取所述数据库服务器31存储的应用数据，并传输至所述用户端进行远程的监管和控制，能够实现技术人员通过监控终端能够实时监控生产结果，可根据生产结果进行更为优化的生产。人机沟通顺畅后，***会更加智能，更进一步实现生产线的透明化管控。
请参阅图3，利用所述工业相机11拍摄实时产线照片，然后传输至所述中控机进行实时图像检测分析，不识别结果为未发现杂质，则不发出蜂鸣，所述信号灯12为绿色，并上传“正常”日志到所述接口服务模块23，若识别结果为发现杂质，若为小型杂质，则发出蜂鸣，所述信号灯12为黄色；若为大型杂质，则发出蜂鸣，而所述信号灯12为红色，同时上传杂质分析日志至所述接口服务模块23中，日志内容包括杂质识别出的种类、等级、发现时的位置和时间以及值班人员等信息，更可以将所述工业相机11拍摄到的对应的图像数据传输至所述接口服务模块23中进行保存，通过摄像头实现图像数据采集，通过大量数据采集完成杂物识别模型算法，然后以服务方式发布，应用通过图像实时数据结合杂物识别模型，进行杂物识别预测，然后将相关信息反馈给应用端，进行展示、统计分析等。在此过程中可远程实时监控，基于机器学习的算法对杂物进行智能识别，提高选煤的精细化程度，管理更加合理，节约生产成本。
本发明的一种杂物识别***，所述工控机2连接所述视觉***1，所述工控机2用候选区域方法对工业相机11数据进行识别，同时将识别结果反馈到信号灯12，所述工控机2还连接路由器4，所述路由器4传输数据到所述服务器***3中，并传输数据到用户终端；通过大量数据采集完成杂物识别模型算法，然后以服务方式发布，应用通过图像实时数据结合杂物识别模型，进行杂物识别预测，然后将相关信息反馈给应用端，进行展示、统计分析等；基于机器学习的算法对杂物进行智能识别，提高选煤的精细化程度，管理更加合理，节约生产成本。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (7)
1.一种杂物识别***，其特征在于，
所述杂物识别***包括视觉***、工控机和服务器***，所述视觉***、所述工控机和所述服务器***依次连接；
所述视觉***，用于对生产线上的杂物进行拍照，并根据所述工控机的计算结果进行显示；
所述工控机，用于根据所述视觉***上传的杂物照片进行识别，同时将杂物的出现时间、类别、大小、报警级别进行记录；并将识别结果传输至所述视觉***和所述服务器***；
所述服务器***，用于对接收到的数据进行存储和提取，并传输到用户端。
2.如权利要求1所述的杂物识别***，其特征在于，
所述工控机包括中控通信模块和中控模块，所述中控通信模块与所述视觉***连接，所述中控模块与所述中控通信模块连接；
所述中控通信模块，用于驱动所述视觉***进行拍照，并接收图像数据，同时控制所述视觉***进行对应的结果显示；
所述中控模块，用于利用杂物识别算法对获取的图像数据进行识别，并将识别结果传输至所述中控通信模块和所述服务器***。
3.如权利要求2所述的杂物识别***，其特征在于，
所述中控模块包括视觉检测算法单元、图形算法单元和评价算法单元，所述视觉检测算法单元、所述图形检测单元和所述评价算法单元依次连接；
所述视觉检测算法单元，用于利用候选区域方法对接收的所述图像数据构建目标区域；
所述图形算法单元，用于对每个像素进行划分，并对每组像素的纹理进行划分和组合；
所述评价算法单元，用于根据所述图形算法单元的识别结果进行等级划分。
4.如权利要求3所述的杂物识别***，其特征在于，
所述中控模块还包括跟踪算法单元，所述跟踪算法单元与所述视觉监测算法单元和所述评价算法单元连接；
所述跟踪算法单元，用于将杂物的出现时间、类别、大小、报警级别进行记录。
5.如权利要求4所述的杂物识别***，其特征在于，
所述杂物识别***还包括路由器，所述路由器与所述工控机和所述服务器***连接；
所述路由器，用于将所述工控机的识别结果传输至所述服务器***。
6.如权利要求2所述的杂物识别***，其特征在于，
所述视觉***包括工业相机和信号灯，所述工业相机和所述信号灯均与所述中控通信模块连接；
所述工业相机，用于对生产线上的杂物进行拍照，并将得到的所述图像数据传输至所述中控通信模块；
所述信号灯，用于根据接受到的识别结果进行对应的颜色显示。
7.如权利要求5所述的杂物识别***，其特征在于，
所述服务器***包括数据库服务器和应用服务器，所述数据库服务器和所述应用服务器均与所述路由器连接；
所述数据库服务器，用于对所述路由器传输的数据进行存储；
所述应用服务器，用于提取所述数据库服务器存储的数据，并传输至用户端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847050.9A CN112101126A (zh) | 2020-08-21 | 2020-08-21 | 杂物识别*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847050.9A CN112101126A (zh) | 2020-08-21 | 2020-08-21 | 杂物识别*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101126A true CN112101126A (zh) | 2020-12-18 |
Family
ID=73754167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010847050.9A Withdrawn CN112101126A (zh) | 2020-08-21 | 2020-08-21 | 杂物识别*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101126A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494754A (zh) * | 2021-12-15 | 2022-05-13 | 国网河北省电力有限公司营销服务中心 | 车间杂物的检测方法、装置、终端及存储介质 |
| CN115041431A (zh) * | 2022-05-24 | 2022-09-13 | 马鞍山钢铁股份有限公司 | 物料连续输送中的杂物清理机器人及其控制方法 |
-
2020
- 2020-08-21 CN CN202010847050.9A patent/CN112101126A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494754A (zh) * | 2021-12-15 | 2022-05-13 | 国网河北省电力有限公司营销服务中心 | 车间杂物的检测方法、装置、终端及存储介质 |
| CN115041431A (zh) * | 2022-05-24 | 2022-09-13 | 马鞍山钢铁股份有限公司 | 物料连续输送中的杂物清理机器人及其控制方法 |
| CN115041431B (zh) * | 2022-05-24 | 2024-01-12 | 马鞍山钢铁股份有限公司 | 物料连续输送中的杂物清理机器人及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516570B (zh) | 一种基于视觉的垃圾分类识别方法和装置 | |
| CN109255568A (zh) | 一种基于图像识别的智能仓储*** | |
| CN112101126A (zh) | 杂物识别*** | |
| CN101567097B (zh) | 基于双行视差时空图的公交车客流自动计数方法及其*** | |
| CN110765922A (zh) | 一种agv用双目视觉物体检测障碍物*** | |
| CN106238342A (zh) | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 | |
| CN102915638A (zh) | 基于监控视频的智能停车场管理*** | |
| CN105141903A (zh) | 一种基于颜色信息的在视频中进行目标检索的方法 | |
| CN102496001A (zh) | 一种视频监控目标自动检测的方法和*** | |
| CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
| CN107491071A (zh) | 一种智能多机器人协同测图***及其方法 | |
| CN101916279A (zh) | 基于图像分析技术的植物物种查询***及方法 | |
| CN106933861A (zh) | 一种支持特征自定义的跨镜头目标检索方法 | |
| CN112348003A (zh) | 基于深度卷积神经网络的飞机加油场景识别方法及*** | |
| CN110921146A (zh) | 基于互联网大数据和图像处理技术的生活垃圾分类方法及其*** | |
| CN109726777A (zh) | 基于互联网的pcb外观检测***及检测方法 | |
| CN114092877A (zh) | 一种基于机器视觉的垃圾桶无人值守***设计方法 | |
| CN114708584B (zh) | 基于大数据的卷烟产品质量缺陷防控学习***及方法 | |
| CN112801965A (zh) | 一种基于卷积神经网络的烧结皮带异物监测方法及*** | |
| CN114004814A (zh) | 一种基于深度学习和灰度三阶矩分析的煤矸石识别方法及*** | |
| CN113569971B (zh) | 一种基于图像识别的渔获目标分类检测方法及*** | |
| CN108491759A (zh) | 一种基于深度学习的工序检测装置及其工序检测方法 | |
| CN116433645A (zh) | 一种皮带鼓包检测方法与检测*** | |
| CN116523853A (zh) | 一种基于深度学习的芯片检测***及方法 | |
| CN114863323A (zh) | 一种果园实时测产远程监测方法及*** |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201218 |