一种基于深度学习的滤棒防差错检测剔除系统及方法与流程

本发明涉及滤棒防差错，尤其涉及一种基于深度学习的滤棒防差错检测剔除系统及方法。

背景技术：

1、当前工业生产中，滤棒防差错检测剔除采用的是简单机械翻转机构和气流喷射装置混合系统，现有技术中气流喷射动作与机械翻转动作配合存在时间差，导致喷射气流不能完全发挥作用。

2、另外，现有喷射气流的方向是固定的，不能针对性地喷向存在滤棒的位置，所以存在有漏剔或者剔除不完全的情况，从而导致滤棒防差错剔除功能发生失灵，达不到预期效果，影响下一生产环节。

3、因此，亟需一种基于深度学习的滤棒防差错检测剔除系统及方法。

技术实现思路

1、本发明的目的是提供一种基于深度学习的滤棒防差错检测剔除系统及方法，以解决上述现有技术中的问题，能够对滤棒进行识别与定位，通过控制喷射气流的喷射方向和气流大小，对滤棒格中粘连的滤棒进行精准彻底清除。

2、本发明提供了一种基于深度学习的滤棒防差错检测剔除系统，包括：水平设置的支撑梁，所述支撑梁下侧中间位置设置有射流机构，所述射流机构包括舵机和安装在所述舵机上的射流喷枪，所述支撑梁上侧中间位置设置有工业相机，所述工业相机两侧分别设置有激光测距仪和数据处理及控制中心，所述支撑梁后方下侧设置有滤棒格，所述滤棒格两侧设置有滤棒格翻转机构，数据处理及控制中心分别与所述工业相机、所述激光测距仪、所述射流机构和所述滤棒格翻转机构电连接，其中：

3、所述激光测距仪用于检测所述射流机构与滤棒格当前位置的距离，并在滤棒格到位后，向所述数据处理及控制中心发送滤棒格到位信号；

4、所述工业相机用于在滤棒格到位后，采集滤棒在所述滤棒格中的位置图像，并将滤棒格图像发送到所述数据处理及控制中心；

5、所述数据处理及控制中心用于控制所述激光测距仪的测距操作、控制所述工业相机的摄像或待机操作，根据所述滤棒格图像判断所述滤棒格中是否存在残余滤棒，并在所述滤棒格中存在残余滤棒格时，通过深度学习神经网络对所述滤棒格图像进行分析，得到滤棒格位置信息，并根据所述滤棒格位置信息计算舵机的运动方向角和射流喷枪的气流压强，并将方向角信息和气流信息发送到所述射流机构；

6、所述射流机构用于根据所述方向角信息通过调整舵机方向以调整喷枪的喷射角度，并根据所述气流信息调整喷射气流的大小；

7、所述滤棒格翻转机构用于在所述滤棒格中不存在残余滤棒格时，将所述滤棒格翻转，并在翻转完成后复位。

8、如上所述的基于深度学习的滤棒防差错检测剔除系统，其中，优选的是，所述基于深度学习的滤棒防差错检测剔除系统还包括对称地垂直固定于系统后端的第一支柱和第二支柱和对称地垂直固定于系统前端的第三支柱和第四支柱，所述支撑梁水平固定于所述第三支柱和所述第四支柱的上端内侧。

9、如上所述的基于深度学习的滤棒防差错检测剔除系统，其中，优选的是，所述第一支柱和所述第三支柱的外侧水平固定有第一横杆，所述第一支柱和所述第三支柱的内侧水平固定有第二横杆，所述第二横杆的高度低于所述第一横杆的高度；所述第二支柱和所述第四支柱的外侧水平固定有第三横杆，所述第三横杆的高度与所述第一横杆的高度一致；所述第二支柱与所述第四支柱的内侧水平固定有第四横杆，所述第四横杆的高度与所述第二横杆的高度一致。

10、如上所述的基于深度学习的滤棒防差错检测剔除系统，其中，优选的是，所述滤棒格翻转机构包括相对设置的第一夹钳和第二夹钳，其中，所述第一夹钳由第一气缸固定在所述第一横杆内侧，所述第二夹钳由第二气缸固定在所述第三横杆内侧。

11、如上所述的基于深度学习的滤棒防差错检测剔除系统，其中，优选的是，所述第二横杆与所述第四横杆中间的地面靠近系统后端的位置固定有支撑墩；所述支撑墩上通过第三气缸固定有可升降的挡板，所述挡板位于所述滤棒格下方，所述挡板在抬起后可挡住所述滤棒格，所述挡板与所述数据处理及控制中心连接，所述数据处理及控制中心用于控制所述挡板的升降动作。

12、如上所述的基于深度学习的滤棒防差错检测剔除系统，其中，优选的是，所述工业相机还用于在车间生产现场采集滤棒格的图像，得到训练集，所述数据处理及控制中心包括图片标准化处理模块、数据增强模块、算法训练模块、图像分析模块和坐标分析模块，其中：

13、所述图片标准化处理模块包括滤棒格标注单元和滤棒标注单元，所述滤棒格标注单元用于对训练集中的每一张图片中的滤棒格，用四条首尾相连的线段框出滤棒格的边界，并将标记出的滤棒格将被等比例缩放至预设的像素尺寸，以对训练集中的图片进行标准化处理；所述滤棒标注单元用于对每一根滤棒用最小外接矩形框进行框选，同时，以图片的最左上角像素点为原点，向右方向为x轴正方向，向下方向为y轴正方向建立坐标系，记录该最小外接矩形框的中心点坐标与宽、高；

14、所述数据增强模块用于将四张经过所述图片标准化处理模块处理的图片进行翻转、色域变换操作，再随机剪裁，拼接到一张图上；

15、所述算法训练模块用于将依次经过所述图片标准化处理模块和所述数据增强模块处理的图片作为训练数据输入到yolov5网络中进行训练，得到一个四维向量与置信度，该四维向量表示网络对目标的预测位置，即最小外接矩形框的中心坐标与宽、高，通过比较预测框与真实框之间的误差，以对网络参数进行更新，直到预测框与真实框之间的误差小于预设误差阈值；

16、所述图像分析模块用于对所述工业相机采集的滤棒格图像进行分析，将所述工业相机采集的滤棒格图像输入经过所述算法训练模块训练好的yolov5网络中，输出滤棒格坐标信息，所述滤棒格坐标信息包括滤棒格中心点的横坐标和纵坐标、滤棒格的宽度和高度；

17、所述坐标分析模块用于对所述图像分析模块输出的滤棒格坐标信息进行分析，计算出舵机的运动状态、运动方向、运动幅度、喷射气流的气压大小。

18、如上所述的基于深度学习的滤棒防差错检测剔除系统，其中，优选的是，所述数据处理及控制中心根据所述滤棒格图像判断所述滤棒格中是否存在残余滤棒，具体包括：

19、所述数据处理及控制中心对所述滤棒格图像进行分析，得到置信度和锚框，通过调整置信度阈值，使得所述数据处理及控制中心将低于所述置信度阈值的判断为无滤棒，将高于所述置信度阈值的判断为有滤棒。

20、本发明还提供一种采用上述系统的基于深度学习的滤棒防差错检测剔除方法，包括如下步骤：

21、检测射流喷枪与滤棒格当前位置的距离；

22、根据射流喷枪与滤棒格当前位置的距离判断滤棒格是否到位；

23、若滤棒格到位，则采集滤棒在滤棒格中的位置图像，得到滤棒格图像；

24、根据所述滤棒格图像，判断滤棒格中是否存在残余滤棒；

25、若滤棒格中存在残余滤棒，则通过深度学习神经网络对所述滤棒格图像进行分析，得到滤棒格位置信息，并根据所述滤棒格位置信息计算舵机的运动方向角和射流喷枪的气流压强；

26、根据所述运动方向角的计算结果调整舵机方向，以调整射流喷枪的喷射角度，并根据所述气流压强的计算结果调整所述射流喷枪喷射气流的大小。

27、如上所述的基于深度学习的滤棒防差错检测剔除方法，其中，优选的是，所述基于深度学习的滤棒防差错检测剔除方法还包括：

28、若滤棒格中不存在残余滤棒，则将滤棒格翻转并复位；

29、将滤棒格送入下一工序；

30、返回检测射流喷枪与滤棒格当前位置的距离的步骤。

31、如上所述的基于深度学习的滤棒防差错检测剔除方法，其中，优选的是，所述基于深度学习的滤棒防差错检测剔除方法还包括：

32、在气流喷枪执行气流喷射动作后，返回检测射流喷枪与滤棒格当前位置的距离的步骤，直到滤棒格中不在存在滤棒。

33、本发明的基于深度学习的滤棒防差错检测剔除系统及方法，基于深度学习的滤棒定位技术能够准确确定滤棒的位置，对滤棒格图像有极高的处理速度和精确度，实现了滤棒格的全自动防差错检测及剔除，保证了滤棒检测与剔除过程的精准与安全，提高了可靠性，大幅提升了工作效率；气流喷射结构设计灵活，能够精准剔除滤棒；实现了剔除系统的模块化设计，大幅降低了维护成本。