工业传送带材料识别系统：基于双摄像头CNN的泡沫、沥青、铝材与聚苯乙烯分类项目

本大学项目期开发的卷积神经网络（CNN）系统，利用两台384x384 RGB摄像头对传送带上的泡沫、沥青、铝材、聚苯乙烯四种材料进行实时分类。项目采用80/10/10的数据集划分策略，并通过感知哈希（p-hash）去重技术防止数据泄漏。系统旨在解决工业生产中人工分类效率低、易出错的问题，提升生产线智能化水平。

在工业生产环境中，传送带上的材料分类是关键但具挑战性的任务。传统人工检测效率低且易出错，自动化视觉识别系统可显著提高生产线智能化水平。本项目是大学项目期开发的CNN系统，目标是通过计算机视觉技术实现对泡沫、沥青、铝材、聚苯乙烯四种常见工业材料的自动分类。

双摄像头采集方案

采用双摄像头（左右侧安装）获取材料不同视角图像，每台摄像头采集384x384 RGB图像，提升分类准确性并提供冗余性。

图像命名与标注

视频命名格式：CameraId_VideoId_{CLASSIFICATION}_...（分类标签为HIGH/MEDIUM/LOW/NONE）；图像命名含来源、帧编号及四种材料分类等级，标签由人工标注确保可靠性。

数据集划分

采用80%训练集、10%验证集、10%测试集的分层划分策略，保证模型泛化能力与评估公正性。

数据泄漏防护

通过时间窗口分离（同视频片段帧不同时在训练/测试集）和感知哈希去重（排除近重复图像）防止数据泄漏。

模型架构选择

采用CNN作为核心识别算法，利用其局部连接和权重共享机制提取图像层次化特征，处理384x384输入图像，最终映射到四类材料概率分布。

多类别分类策略

针对四种材料（各四等级）的多标签多分类问题，可能采用独立分类器、多任务学习或标签组合策略（具体未明确）。

软件模块化设计

• 输入脚本：处理用户查询、加载数据集及预处理；
• CNN脚本：实现模型定义、训练、推理与评估，封装核心逻辑。

技术栈推测

可能采用Python（主语言）、TensorFlow/PyTorch（深度学习框架）、OpenCV（图像处理）、NumPy/Pandas（数据处理）等技术。

应用场景

1. 工业质检自动化：实时检测材料类型与污染程度，触发处理流程（如停止生产线或清洁）；
2. 废料分类与回收：识别废料成分，指导分拣设备提升回收效率与纯度；
3. 生产过程监控：生成统计数据，帮助优化生产参数与识别质量问题。

学术与工程价值

作为大学项目，展示了从问题定义到系统实现的完整机器学习流程，兼顾深度学习技术与实际工程问题（如数据泄漏防护、模块化设计），对学习计算机视觉与工业AI的学生具有参考价值。

当前局限性

1. 数据集规模有限，限制模型泛化能力；
2. 依赖人工标注，大规模部署成本高；
3. 双摄像头固定位置可能无法适应所有材料形态与光照条件。

改进方向

1. 数据增强（旋转、翻转、亮度调整等扩充训练数据）；
2. 迁移学习（利用预训练模型如ResNet/EfficientNet提升性能）；
3. 主动学习（优先标注模型不确定样本，提高标注效率）；
4. 多模态融合（结合重量传感器、金属探测器等数据提升准确性）。