[发明专利]智能动态称重方法与系统

权利要求书

1.一种智能动态称重方法，其特征在于，包括：

步骤S0，建立自激振荡稳定的带有输送带的动态称重机构，并建立动态称重机构的三维模型，通过仿真得到动态称重机构响应物品冲击时冲击响应超调部分的曲线图像；

步骤S1,对曲线图像进行图像特征提取，将提取到的特征向量和对应的物品重量进行对应，得到包含特征向量和真值的矩阵，作为训练集的组成部分；

步骤S2，利用训练集，对深度学习神经网络模型进行训练，得到所需的深度学习神经网络模型；

步骤S3，根据所需的深度学习神经网络模型，在现场采集物品对输送带冲击响应超调部分的图像，并将该图像输入至所述所需的深度学习神经网络模型，输出所述物品重量的估算值。

2.一种智能动态称重系统，其特征在于，包括：

样本生产单元，通过在三维虚拟环境中，随机生产已知体积的物品下落至输送带，将得到的相关冲击响应曲线作为图像样本；

模型学习单元，将得到的图像样本作为输入，已知的物品重量作为输出，这样的数据作为训练集输入给原始深度学习神经网络模型，并根据学习结果进行深度学习神经网络模型的权值参数的调整，得到调整后的深度学习神经网络模型；

模型验证单元，将所述调整后的深度学习神经网络模型迁移至真实环境进行现场验证，根据验证结果对权值参数的值进行调整，得到所需的深度学习神经网络模型。

估算单元，根据所需的深度学习神经网络模型，在现场采集物品对输送带冲击响应超调部分的图像，并将该图像输入至所述所需的深度学习神经网络模型，输出所述物品重量的估算值。

3.根据权利要求1所述的方法或者权利要求2所述的系统，其特征在于，深度学习的方式为：

步骤S01,在三维虚拟环境中，随机生成的物品单元输送至输送带中，将采集到的信号冲击曲线图像作为图像样本；

步骤S02,将图像样本的超调部分作为关键特征输入，对原始深度学习神经网络模型进行深度学习，得到调整后的深度学习神经网络模型；

步骤S03，将所述调整后的深度学习神经网络模型迁移至真实环境进行现场验证，根据验证结果对超参数的值进行调整，得到所需的深度学习神经网络模型。

4.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，深度学习神经网络包含输入层、隐含层、输出层，其中输出特征4个，隐含元6个，输出元1个。

5.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，对所述原始神经网络模型进行深度学习，是指以MATLAB工具箱对冲击响应曲线的超调部分为主，进行灰度处理、二值化处理，对图像样本的标签值进行归一化处理。

6.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，所述虚拟环境，是指通过CAD软件Solidworks进行三维模型的构建，然后利用Solidworks Motion实现药品落入输送带过程的运动仿真。

7.根据权利要求1所述的方法或权利要求2所述的系统，其特征在于，所述现场验证，是指通过采集现场的物品冲击响应图像作为输入，经过所述硬币重量作为真实值，对所述调整后的深度学习神经网络模型进行验证，其中，所述物品下落的初始位置在设置范围内随机生成，且每一批下落的物品重量不重复，采集时间随机。