物料材质的识别方法、系统、设备、存储介质和程序产品与流程

摘要: 本公开涉及物料检测和分类,尤其涉及一种物料材质的识别方法、系统、设备、存储介质和程序产品。背景技术:1、废旧塑料分拣是指将废旧塑料按照种类、颜色、质量等属性进行...
物料材质的识别方法、系统、设备、存储介质和程序产品与流程

本公开涉及物料检测和分类,尤其涉及一种物料材质的识别方法、系统、设备、存储介质和程序产品。

背景技术:

1、废旧塑料分拣是指将废旧塑料按照种类、颜色、质量等属性进行分类,以便于进行后续的回收和再利用。正确的废旧塑料分拣可以使回收效益最大化,有效减少环境污染和资源浪费。

2、现有的塑料分拣通常是由人工进行手工分拣,费时费力,且分拣效率低;也有利用光学传感器采集塑料的光谱信息,通过对光谱信息进行主成分分析(pca),根据光谱特征进行塑料的自动分拣。

3、然而,不同塑料的光谱特征在主成分空间内可能高度重叠,且深色塑料因表面颜色干扰,光谱差异被噪声掩盖,导致pca降维后特征区分度不足,从而难以识别深色塑料材质(如黑色)或成分相近(如聚乙烯pe和聚丙烯pp)的材质,分拣精度低。

技术实现思路

1、本公开要解决的技术问题是为了克服现有技术中无法准确识别深色塑料材质或成分相近的材质,导致塑料分拣精度低的缺陷,提供一种物料材质的识别方法、系统、设备、存储介质和程序产品。

2、本公开是通过下述技术方案来解决上述技术问题:

3、根据本公开的第一方面,提供了一种物料材质的识别方法,所述识别方法包括:

4、获取目标物料的近红外光谱信息;

5、对所述近红外光谱信息进行主成分分析,获取预设数量的主成分对应的光谱曲线;

6、基于预先构建的双分支卷积神经网络分别获取所述光谱曲线的短波段特征和长波段特征,并融合所述短波段特征和所述长波段特征确定所述光谱曲线对应的材料成分;

7、根据所述光谱曲线对应的材料成分确定所述目标物料的材质类别。

8、可选地,所述双分支卷积神经网络包括第一卷积神经网络分支和第二卷积神经网络分支;

9、所述基于预先构建的双分支卷积神经网络分别获取所述光谱曲线的短波段特征和长波段特征的步骤包括:

10、基于所述第一卷积神经网络分支提取所述光谱曲线中短波段光谱对应的所述短波段特征,所述短波段特征包括若干个第一目标特征;

11、基于所述第二卷积神经网络分支提取所述光谱曲线中长波段光谱对应的所述长波段特征,所述长波段特征包括若干个第二目标特征。

12、可选地,所述融合所述短波段特征和所述长波段特征确定所述光谱曲线对应的材料成分的步骤包括:

13、获取所述第一目标特征对应的第一权重值和所述第二目标特征对应的第二权重值;

14、根据所述第一目标特征、所述第二目标特征、所述第一权重值和所述第二权重值,确定所述光谱曲线对应的所述材料成分。

15、可选地,所述获取所述第一目标特征对应的第一权重值和所述第二目标特征对应的第二权重值的步骤包括:

16、分别获取所述第一目标特征和所述第二目标特征对应的原始分数;

17、基于归一化系数和所述原始分数计算得到所述第一权重值和所述第二权重值;所述归一化系数用于平衡所述短波段特征和所述长波段特征的权重分布。

18、可选地,所述根据所述光谱曲线对应的材料成分确定所述目标物料的材质类别的步骤包括:

19、获取每个所述主成分的所述光谱曲线对应的积分面积;

20、根据所述积分面积最大的所述光谱曲线对应的所述材料成分确定所述目标物料的所述材质类别。

21、可选地,所述获取目标物料的近红外光谱信息的步骤包括:

22、基于近红外高光谱相机的线推扫模式,获取所述目标物料的所述近红外光谱信息。

23、根据本公开的第二方面,提供了一种物料材质的识别系统,所述识别系统包括第一获取模块、第二获取模块、特征融合模块和确定模块;

24、所述第一获取模块用于获取目标物料的近红外光谱信息;

25、所述第二获取模块用于对所述近红外光谱信息进行主成分分析,获取预设数量的主成分对应的光谱曲线;

26、所述特征融合模块用于基于预先构建的双分支卷积神经网络分别获取所述光谱曲线的短波段特征和长波段特征,并融合所述短波段特征和所述长波段特征确定所述光谱曲线对应的材料成分;

27、所述确定模块用于根据所述光谱曲线对应的材料成分确定所述目标物料的材质类别。

28、根据本公开的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本公开第一方面所述的物料材质的识别方法。

29、根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本公开第一方面所述的物料材质的识别方法。

30、根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本公开第一方面所述的物料材质的识别方法。

31、在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本公开各可选实例。

32、本公开的积极进步效果在于:利用双分支卷积神经网络分别获取光谱曲线的短波段特征和长波段特征,能够结合短波段的高信噪比和长波段的丰富化学信息,增强特征的多样性以提高pca降维后的特征区分度,提高深色塑料材质或成分相近的材质的识别精度。并动态分配短波段特征和长波段特征的权重,提升分类的鲁棒性和准确性,进一步有效提升不同塑料的分类精确度,尤其是对反射率差异较大的物料的分类准确性明显提高。

1.一种物料材质的识别方法,其特征在于,所述识别方法包括:

2.根据权利要求1所述的识别方法,其特征在于,所述双分支卷积神经网络包括第一卷积神经网络分支和第二卷积神经网络分支;

3.根据权利要求2所述的识别方法,其特征在于,所述融合所述短波段特征和所述长波段特征确定所述光谱曲线对应的材料成分的步骤包括:

4.根据权利要求3所述的识别方法,其特征在于,所述获取所述第一目标特征对应的第一权重值和所述第二目标特征对应的第二权重值的步骤包括:

5.根据权利要求1至4中任一项所述的识别方法,其特征在于,所述根据所述光谱曲线对应的材料成分确定所述目标物料的材质类别的步骤包括:

6.根据权利要求1至4中任一项所述的识别方法,其特征在于,所述获取目标物料的近红外光谱信息的步骤包括:

7.一种物料材质的识别系统,其特征在于,所述识别系统包括第一获取模块、第二获取模块、特征融合模块和确定模块;

8.一种电子设备,包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的物料材质的识别方法。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的物料材质的识别方法。

10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的物料材质的识别方法。