物料识别方法、分选方法以及分选设备与流程

本公开涉及计算机视觉，具体涉及一种物料识别方法、分选方法以及分选设备。

背景技术：

1、随着全球循环经济发展，废金属、废塑料、电子废弃物等再生资源的分选精度直接影响资源回收价值。相关技术中，再生资源分选主要依靠人工分拣或者基于颜色、单一光谱的机器视觉分选。但人工分拣成本高、效率有限，且分拣质量易受相关人员的分拣状态影响。传统机器视觉仅依靠外观特征识别物料，难以区分外观相近但材质不同的物料，识别准确性较差，影响分选设备的分选性能。

2、因此，亟需一种能够均衡分选效率和识别准确性的物料识别方法。

技术实现思路

1、为克服相关技术中存在的问题，本公开的示例性实施例提供一种物料识别方法，应用于分选设备，分选设备包括双能射线识别装置，方法包括：通过双能射线识别装置对输送过程中的物料进行图像采集，得到物料的低能射线图像和高能射线图像；对低能射线图像和高能射线图像分别进行全局感知处理，并将得到的处理结果进行融合，得到融合特征图；将融合特征图的特征向量与预置的多个动态类别原型特征分别匹配，确定与各动态类别原型特征之间的相似度，其中，多个动态类别原型特征与多种候选物料类别一一对应，动态类别原型特征是基于对应候选物料类别的样本特征向量集进行聚类处理后得到的；基于多个相似度与相似度阈值的比较结果，确定物料的物料类别。

2、在一些实施例中，对低能射线图像和高能射线图像分别进行全局感知处理，并将得到的处理结果进行融合，得到融合特征图，包括：采用扩大感受野的卷积方式分别对低能射线图像和高能射线图像进行全局感知处理，生成对应的低能卷积特征图和高能卷积特征图；融合低能卷积特征图和高能卷积特征图，得到融合特征图。

3、在一些实施例中，融合低能卷积特征图和高能卷积特征图，得到融合特征图，包括：通过多元自注意力机制，分别对低能卷积特征图、高能卷积特征图进行特征增强处理，得到增强后的低能卷积特征图和高能卷积特征图；将增强后的低能卷积特征图和高能卷积特征图融合，得到融合特征图。

4、在一些实施例中，动态类别原型特征的确定过程包括：通过双能射线识别装置采集当前候选物料类别对应的标准低能透射图像集和标准高能透射图像集，其中，标准低能透射图像集与标准高能透射图像集一一对应；对每组对应的标准低能透射图像和标准高能透射图像分别进行全局感知处理，并将得到的处理结果进行融合，得到样本融合特征图集；通过第一模型对样本融合特征图集进行特征提取，得到样本特征向量集；通过聚类算法，在特征空间中对样本特征向量集进行聚类处理，得到当前候选物料类别的动态类别原型特征。

5、在一些实施例中，方法包括：通过第二模型对融合特征图进行特征提取，得到特征向量，其中，第二模型与第一模型为孪生网络的两支分支网络，且第二模型与第一模型权重共享、结构相同。

6、在一些实施例中，将融合特征图的特征向量与预置的多个动态类别原型特征分别匹配，确定与各动态类别原型特征之间的相似度，包括：确定特征向量与当前动态类别原型特征之间的特征距离；根据特征距离，确定与当前动态类别原型特征之间的相似度。

7、在一些实施例中，基于多个相似度与相似度阈值的比较结果，确定物料的物料类别，包括：将多个相似度分别与相似度阈值进行比较；若存在至少一个目标相似度，则将数值最大的目标相似度对应的候选物料类别作为物料的物料类别，其中，目标相似度为大于或者等于相似度阈值的相似度；若不存在目标相似度，则确定物料的物料类别为未知物料。

8、在一些实施例中，若确定物料的物料类别为未知物料，则方法还包括：采集未知物料的图像特征，并聚类生成未知物料对应的动态类别原型特征；获取未知物料的真实类别；建立未知物料对应的动态类别原型特征与真实类别之间的映射关系；根据映射关系，将未知物料对应的动态类别原型特征扩充至多个动态类别原型特征中，并更新候选物料类别。

9、第二方面，本公开还提供一种分选方法，应用于分选设备，分选设备包括双能射线识别装置，方法包括：通过双能射线识别装置采集物料的图像；通过前述任一方面所提供的物料识别方法，确定物料的物料类别；基于物料类别，分选物料。

10、第三方面，本公开还提供一种分选设备，包括：输送装置，用于输送物料；双能射线识别装置，用于通过前述任一方面所提供的物料识别方法确定物料的物料类别；分选装置，用于基于物料类别，分选物料。

11、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

12、本公开的实施例提供的技术方案可以包括以下有益效果：根据本公开提供的物料识别方法，通过对双能射线图像分别进行全局感知处理，能够充分挖掘图像内物料材质的整体透射分布特征，降低各类特征干扰带来的不利影响。将双能射线图像全局感知处理后的处理结果融合，能够弥补单一能级图像特征信息片面、表征不足的缺陷，得到包含全方位物料材质信息的融合特征图，有助于提高物料识别精度。并且，基于融合特征图提取的特征向量与预置的多个动态类别原型特征之间的相似度确定物料类别，能使物料类别的判断过程简洁高效，可以在保障识别精度的基础上提升物料识别效率，从而有利于加快物料分选流程，提升分选设备整体分选性能。

1.一种物料识别方法，其特征在于，应用于分选设备，所述分选设备包括双能射线识别装置，所述方法包括：

2.根据权利要求1所述的物料识别方法，其特征在于，所述对所述低能射线图像和所述高能射线图像分别进行全局感知处理，并将得到的处理结果进行融合，得到融合特征图，包括：

3.根据权利要求2所述的物料识别方法，其特征在于，所述融合所述低能卷积特征图和所述高能卷积特征图，得到所述融合特征图，包括：

4.根据权利要求1所述的物料识别方法，其特征在于，所述动态类别原型特征的确定过程包括：

5.根据权利要求4所述的物料识别方法，其特征在于，所述方法包括：

6.根据权利要求1所述的物料识别方法，其特征在于，所述将所述融合特征图的特征向量与预置的多个动态类别原型特征分别匹配，确定与各所述动态类别原型特征之间的相似度，包括：

7.根据权利要求1所述的物料识别方法，其特征在于，所述基于多个所述相似度与相似度阈值的比较结果，确定所述物料的物料类别，包括：

8.根据权利要求7所述的物料识别方法，其特征在于，若所述确定所述物料的物料类别为未知物料，则所述方法还包括：

9.一种分选方法，其特征在于，应用于分选设备，所述分选设备包括双能射线识别装置，所述方法包括：

10.一种分选设备，其特征在于，包括：