【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种具有无机物智能检测功能的垃圾分拣视觉系统。
技术介绍
1、使用机器视觉对传送带垃圾进行分类时，对于不同类的垃圾有着不同的识别效果。无机垃圾（也称无机物垃圾）一般包括金属、石油、矿物、水等，常见的无机垃圾包括金属、玻璃、塑料等。在视觉上，无机垃圾相较于其它垃圾具有一些较明显的特征。如：在传送带中，金属垃圾具有极高的反光度和较为清晰的轮廓纹理；玻璃垃圾具有透明、规整等特征，这些特征都可用机器视觉技术进行检测识别。传送带是实时运转的，使用sift算子对此类运动着的垃圾进行特征识别和提取，分析算子输出的特征描述符，对符合此类特征的描述符进行归类，分离出无机垃圾，达到实时垃圾分拣的效果。
2、对于传送带里无机垃圾中的金属垃圾，其反光度高，具有良好的特征可识别性，使用相关技术可以对其图像进行特征提取，起到金属垃圾识别检测的效果。但是，在特征提取过程中，由于金属垃圾反光性的存在，会使得在关键点精确定位阶段，无法得到关键点的精确位置坐标，从而使得特征点定位产生偏差，导致最终特征点输出结果存在一定误差，降低了垃圾分拣过程中金属垃圾的识别成功率，进而降低了金属垃圾分拣的准确率。
技术实现思路
1、本说明书实施例提供一种具有无机物智能检测功能的垃圾分拣视觉系统，包括：
2、图像采集装置，用于采集包括无机物垃圾的待分拣垃圾的图像，所述无机物垃圾包括金属垃圾；
3、处理器，与所述图像采集装置连接，所述处理器用于：
4、获取所
5、基于sift算法确定所述灰度图像的特征点，并计算所述特征点的幅值，所述幅值用于表征所述特征点的灰度变化量；
6、基于sift算法计算所述特征点的初始偏移量，并基于所述初始偏移量以及所述幅值计算所述特征点的最终偏移量；
7、基于所述最终偏移量对所述特征点进行偏移，得到关键点；
8、获取所述关键点的特征向量，将所述特征向量输入经过训练的神经网络，得到表征所述待分拣垃圾为所述金属垃圾的概率，并基于所述概率生成垃圾分拣指令；
9、垃圾分拣装置，连接于所述处理器，用于获取所述垃圾分拣指令，并基于所述垃圾分拣指令对所述待分拣垃圾中的所述金属垃圾进行分拣。
10、可选地，所述计算所述特征点的幅值，包括：
11、确定所述灰度图像的局部差异区域；
12、获取所述特征点的高斯滤波图像尺度参数；
13、基于所述高斯滤波图像尺度参数和所述局部差异区域的灰度值计算所述特征点的幅值。
14、可选地，所述确定所述灰度图像的局部差异区域，包括：
15、计算所述灰度图像的邻域参考图；
16、将所述灰度图像中每个像素点的第一灰度值，减去所述邻域参考图中与该像素点位置相同的像素点的第二灰度值，并在相减得到的差值的绝对值小于阈值时，将该像素点灰度值设为0，在相减得到的差值的绝对值大于或等于阈值时，将该像素点灰度值设为255，得到含噪的局部差异区域。
17、可选地，所述阈值为100。
18、可选地，所述计算所述灰度图像的邻域参考图，包括：
19、针对所述灰度图像的每个位于非边缘区域的目标像素点，获取所述目标像素点周围8邻域范围内每个像素点的灰度值，并将该灰度值中的最小值作为所述目标像素点的灰度值；
20、针对所述灰度图像的每个位于边缘区域的像素点，将每个该像素点的灰度值设为0，得到所述灰度图像的邻域参考图。
21、可选地，所述得到含噪的局部差异区域之后，所述确定所述灰度图像的局部差异区域，还包括：
22、计算所述灰度图像的骨架；
23、将所述含噪的局部差异区域中灰度值为255的相邻像素点沿所述骨架连接，并拟合成多条曲线；
24、对每条所述曲线进行泰勒展开，基于展开后的二次项确定所述曲线中重合的部分为连接线；
25、基于所述连接线连接所述局部差异区域的连通域中的断裂部分，得到去噪的局部差异区域。
26、可选地，所述基于所述高斯滤波图像尺度参数和所述局部差异区域的灰度值计算所述特征点的幅值，包括：
27、基于如下公式计算所述特征点的幅值：
28、；
29、其中，表示幅值，为所述局部差异区域像素点的灰度值，表示高斯滤波图像尺度参数，i表示所述特征点的序号。
30、可选地，所述基于所述初始偏移量以及所述幅值计算所述特征点的最终偏移量，包括：
31、基于如下公式计算所述特征点的最终偏移量：
32、；
33、其中，mov(i)表示所述最终偏移量，表示所述幅值，i表示所述特征点的序号，表示基于sift算法计算出的所述特征点的初始偏移量，为正弦函数。
34、可选地，所述基于所述最终偏移量对所述特征点进行偏移，得到关键点，包括：
35、在所述特征点的所述最终偏移量小于0.25时，保持所述特征点位置不变；
36、在所述特征点的所述最终偏移量大于或等于0.25时，基于sift算法对所述特征点进行偏移，得到关键点。
37、可选地，所述获取所述关键点的特征向量，包括：
38、获取所述关键点的定位信息，并利用sift算子对所述定位信息进行处理，得到特征向量。
39、本说明书实施例所提供的具有无机物智能检测功能的垃圾分拣视觉系统可能带来的有益效果至少包括：（1）通过重构分配权值，添加幅值指标到权重的分配，高反光区域因重构权值的约束，得到的关键点不会被其本身影响，使得关键点定位更加准确，进而提高了对无机垃圾中金属垃圾的识别成功率，提高了金属垃圾分拣的准确率；（2）对于得到的含噪的局部差异区域，通过将原连通域中断裂的部分进行连接，消除了噪声造成断裂的不良影响，使得局部差异区域的计算更为准确，进一步提高对金属垃圾的识别成功率；（3）综合考虑局部差异区域和高斯滤波尺度，使得计算出的幅值能更准确的反映图像的灰度变化，进而使得基于幅值计算的偏移量更加准确，有利于提高对金属垃圾的识别成功率。
40、附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说，通过查阅以下内容和附图将变得显而易见，或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
本文档来自技高网...【技术保护点】
1.一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，包括：
2.如权利要求1所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述计算所述特征点的幅值，包括：
3.如权利要求2所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述确定所述灰度图像的局部差异区域，包括：
4.如权利要求3所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述阈值为100。
5.如权利要求3所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述计算所述灰度图像的邻域参考图，包括：
6.如权利要求3所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述得到含噪的局部差异区域之后，所述确定所述灰度图像的局部差异区域，还包括：
7.如权利要求6所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述基于所述高斯滤波图像尺度参数和所述局部差异区域的灰度值计算所述特征点的幅值，包括：
8.如权利要求7所述的一种具有无机物智能检测功能的垃圾
9.如权利要求8所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述基于所述最终偏移量对所述特征点进行偏移，得到关键点，包括：
10.如权利要求1所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述获取所述关键点的特征向量，包括：
...【技术特征摘要】
1.一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，包括：
2.如权利要求1所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述计算所述特征点的幅值，包括：
3.如权利要求2所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述确定所述灰度图像的局部差异区域，包括：
4.如权利要求3所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述阈值为100。
5.如权利要求3所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述计算所述灰度图像的邻域参考图，包括：
6.如权利要求3所述的一种具有无机物智能检测功能的垃圾分拣视觉系统，其特征在于，所述得到含噪的局部...
【专利技术属性】
技术研发人员：郭海燕，陈照，
申请(专利权)人：大连源丰智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。