论文部分内容阅读
物料信息采集是自动化物流系统中必不可少的一个环节。信息的采集需要快速、准确,同时为了减少中间环节和人工干预,应尽量利用物流包装上的现有信息进行采集。目前,物流系统中大多采用人工录入、条码或射频识别等方法采集物料信息,但是,在一些食品、医药等行业,货物种类有限,且外表面没有张贴条码或射频卡等信息载体,因此,研发一种运算速度快、识别率高的智能分拣系统直接识别货物类别信息十分必要。本文以数字图像处理和卷积神经网络为基础,使用Open CV和Tensor Flow来实现,在Qt上进行界面开发,自主研发了一款智能分拣系统。整个系统的构建采用模块化设计思路,具有较强的适用性。本文的工作主要包括以下内容:(1)根据自动分拣系统及货物分拣的一般流程,设计了图像采集平台获取货物图像,并介绍了组成图像采集平台的光电传感器、相机、镜头和光源的选型依据。(2)对物流输送线上货物图像的分割方法进行了研究。首先对原始彩色图像进行灰度化、中值滤波、Gamma校正、Otsu法二值化和闭运算处理,降低噪音、光照不均和皮带热烧结连接部分反光等因素带来的不良影响,得到合适的二值图像。然后对二值图像进行处理和分析,找到货物外部轮廓,根据拟合边界框从原始图像中提取出目标区域图像。结果表明,该流程在物流工业环境下能分割出较为完整的物体区域。(3)在图像采集平台上采集了13种类别的货物图像,通过旋转方式扩充数据集,使用Alex Net、VGGNet和轻量级CNN进行训练。结果表明,通过调整参数和加深网络结构可以优化网络性能,但是网络层数不是越深越好。事实上,本文使用轻量级CNN训练360度旋转图像时,验证集取得了100%的准确率。(4)根据CNN的机制相关研究,CNN是由低层次到高层次的提取特征,对旋转图像的鲁棒性较差。本文进行了相关实验验证,如只收集固定方向摆放货物的图片进行训练,而用旋转45°方向货物的图片进行测试,发现部分类别均识别正确,部分类别旋转45°后均识别错误。实验验证了CNN对旋转的不变性较差,使用旋转方式扩充自建货物数据集可以避免过拟合,保障任意角度货物图像识别的准确率。(5)用Open CV和Tensor Flow实现了图像处理和CNN训练的相关过程,并在可移植平台Qt上进行系统开发。经过测试,货物从相机拍照到系统识别并显示货物类别的时间为400~700ms,且识别的准确率较高,完全可以满足物流自动化领域的需求。整个智能分拣系统采用模块式开发,针对不同的项目,不需要修改或仅需要修改图像分割部分和构建卷积网络部分的代码,应用起来较快。并且该模型还有一定的扩展性,通过加入不同类别的货物进行训练,可以实现物流自动化输送线上多种货物的自动识别。