[发明专利]基于神经网络的链板式物料筛选传送方法

摘要

本发明公开一种基于神经网络的链板式物料筛选传送方法，包括：通过摄像头对运行至目标检测域的物料进行拍摄，得到待检测物料图像；根据预先构建的神经网络检测模型对所述待检测物料图像进行检测以判断所述待检测物料图像中的物料是否含有杂质；当判断结果为物料中含有杂质时，根据从所述待检测物料图像获取的传动链条上的标记信息以及物料板面的横向信息获取杂质的位置信息，并生成杂质去除指令；根据所述杂质的位置信息和所述杂质去除指令，控制位于所述物料板面下方的撞针执行机构按压链板式传送带对应位置的可翻转板翻转的按钮，以使得对应位置的锁止机构失效，对应位置的可翻转板在重力作用下向下翻转以将该位置的杂质去除。

主权项

1.一种基于神经网络的链板式物料筛选传送方法，其特征在于，包括：通过摄像头对运行至目标检测域的物料进行拍摄，得到待检测物料图像；根据预先构建的神经网络检测模型对所述待检测物料图像进行检测以判断所述待检测物料图像中的物料是否含有杂质；当判断结果为物料中含有杂质时，根据从所述待检测物料图像获取的传动链条上的标记信息以及物料板面的横向信息获取杂质的位置信息，并生成杂质去除指令；根据所述杂质的位置信息和所述杂质去除指令，控制位于所述物料板面下方的撞针执行机构按压链板式传送带对应位置的可翻转板翻转的按钮，以使得对应位置的锁止机构失效，对应位置的可翻转板在重力作用下向下翻转以将该位置的杂质去除。其中，所述神经网络检测模型包括输入层、输出层和隐藏层，层与层之间的激励函数为：σ(x)＝max(‑0.01x，x)‑0.01，x∈R，在所述输入层之后设置有第一卷积层，所述第一卷积层的卷积窗口为3x3，所述第一卷积层的每个节点仅与所述输入层对应位置的3x3个节点相连接；所述第一卷积层每个节点对应的3x3个连接的权重按行‑列的顺序分别定义为w1‑1,w1‑2,…,w1‑9，并且所述第一卷积层上的每个节点在对应位置的权重均相同；在所述第一卷积层后设置有第二卷积层，所述第二卷积层的卷积窗口为5x5，所述第二卷积层的每个节点仅与所述第一卷积层对应位置的5x5个节点相连接；所述第二卷积层每个节点对应的5x5个连接的权重按行‑列的顺序分别定义为w2‑1,w2‑2,…,w2‑15，并且所述第二卷积层的每个节点在对应位置的权重均相同；在所述第二卷积层之后设置有第三卷积层，所述第三卷积层的卷积窗口为3x3，所述第三卷积层的每个节点仅与所述第二卷积层对应位置的3x3个节点相连接；所述第三卷积层每个节点对应的3x3个连接的权重按行‑列的顺序分别定义为w3‑1,w3‑2,…,w3‑9，并且所述第三卷积层上的每个节点在对应位置的权重均相同；在所述第三卷积层之后设置有重采样层，设所述第三卷积层的尺寸是d×d，则所述重采样层尺寸为所述重采样层的每个节点与其对应的16个节点连接，并且每个连接的权重固定为所述隐藏层位于所述重采样层之后，所述隐藏层共有两层，为两个全连接隐藏层，每个隐藏层的节点数等于所述重采样层输出的矩形特征的像素数；所述输出层的节点数为1，用于表示输入图像是否含有杂质，在训练集中，0表示不含杂质，1表示含有杂质；所述神经网络检测模型的训练集包括多组训练数据，每组所述训练数据包括：经过预处理的预处理样本图像和对应的识别标记作为训练集同时输入神经网络，训练得到神经网络各层的权重。