基于深度残差网络的有色金属破碎料视觉识别方法

• 作者: 李成 汪小凯 秦训鹏 章振原
• 来源期刊: 有色金属工程
• 学科: 工学
• 关键词: 深度学习 视觉识别 有色金属破碎料
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 环境科学与工程
• 页码范围: 127-134
• 页数: 8页
• 分类号: TP391
• 字数: 4579字
• 语种: 中文
• DOI: 10.3969/j.issn.2095-1744.2019.08.018

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.