基于深度残差网络的有色金属破碎料视觉识别方法

论文摘要

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。

论文目录

• 1 实验材料
• 2 有色金属混合破碎料自动分选系统
• 3 目标定位
• 4 深度残差网络
•   4.1 卷积层
•   4.2 池化层
•   4.3 残差单元
•   4.4 批量归一化
•   4.5 全连接层
•   4.6 Sofmax层
•   4.7 损失函数
•   4.8 网络训练
• 5 结果与分析
• 7 结论

文章来源

类型: 期刊论文

作者: 李成,汪小凯,章振原,秦训鹏

关键词: 深度学习,视觉识别,有色金属破碎料

来源: 有色金属工程 2019年08期

年度: 2019

分类: 工程科技Ⅰ辑

专业: 环境科学与资源利用

单位: 武汉理工大学汽车工程学院,武汉理工大学现代汽车零部件技术湖北省重点实验室,武汉理工大学汽车零部件技术湖北协同创新中心

基金: 湖北省重大科技创新计划项目(2015AAA014),湖北省技术创新专项重大项目(2017AAA008)~~

分类号: X705

页码: 127-134

总页数: 8

文件大小: 3648K

下载量: 111