中药材去杂质装置及方法与流程

本发明涉及制药技术领域，特别涉及一种中药材去杂质装置及方法。

背景技术：

在通过收割机对中药材进行收割获得中药材原料的过程中，机械化作业会导致中药材原料中掺杂有土壤、石块、杂草根等杂质，为了获得纯净的中药材需要对中药材原料进行去杂质处理。通过振动筛等清洁设备可以方便地去除中药材原料中的土壤杂质，但中药材原料中的石块、杂草根等杂质由于与中药材尺寸相当，无法通过振动筛等清洁设备去除。

针对中药材原料中混合的石块、杂草根等尺寸与中药材尺寸相当的杂质，目前一般通过人工分拣的方式去除。

通过人工分拣的方式去除中药材原料中混合的石块、杂草根等杂质，需要分拣工人逐个辨别中药材原料中的每一个块是否为杂质，但是由于分拣工人缺乏中药材相关知识，辨别过程需要耗费较长时间，导致去除中药材原料中杂质的效率较低。

技术实现要素：

本发明实施例提供的中药材去杂质装置及方法，可以提高去除中药材原料中杂质的效率。

第一方面，本发明实施例提供了中药材去杂质装置，包括：料槽、传送带、图像采集器、处理控制器和杂质分拣器；

沿所述传送带的传送方向，所述料槽、所述图像采集器和所述杂质分拣器依次设置于所述传送带的上方；

所述料槽，用于盛装中药材原料，并依次将所述中药材原料包括的至少一个原料块释放至所述传送带上；

所述传送带，用于分别将所述料槽释放的每一个所述原料块传送至所述图像采集器的采集区域；

所述图像采集器，用于采集进入所述采集区域内的每一个所述原料块的图像信息，并将所述图像信息发送给所述处理控制器；

所述处理控制器，用于针对每一个所述图像信息，通过预先创建的图像识别模型对该图像信息进行处理，以确定该图像信息对应的所述原料块是否为杂质；

所述杂质分拣器，用于针对每一个所述原料块，在所述处理控制器确定该原料块为杂质后，对该原料块进行分拣，以使该原料块与所述中药材原料包括的中药材分离。

可选地，

所述杂质分拣器包括：翻板、第一中药材槽和杂质槽；

沿所述传送带的传送方向，所述翻板设置于所述传送带末端的下方，所述第一中药材槽和杂质槽分别设置于所述翻板两侧边的下方；

所述处理控制器，用于针对每一个所述原料块，在确定该原料块为杂质时，控制所述翻板向所述杂质槽一侧翻转，以使所述原料块从所述传送带上落下后进入所述杂质槽，以及在确定该原料块不为杂质时，控制所述翻板向所述第一中药材槽一侧翻转，以使所述原料块从所述传送带上落下后进入所述第一中药材槽。

可选地，

所述处理控制器，进一步用于针对每一个所述原料块，在该原料块被传送至所述采集区域后，控制所述传送带停止运动，并在控制所述翻板进行相对应的反转后，控制所述传送带开始运动。

可选地，

所述杂质分拣器包括：第二中药材槽和至少一个机械手臂；

沿所述传送带的传送方向，所述第二中药材槽设置于所述传送带末端的下方；

所述处理控制器，用于控制所述至少一个机械手臂将被确定为杂质的所述原料块从所述传送带上移除。

可选地，

该中药材去杂质装置进一步包括：模型训练模块和模型测试模块；

所述图像采集器，进一步用于分别采集训练组包括的至少两个中药材的图像信息发送给所述模型训练模块，并分别采集测试组包括的至少两个中药材的图像信息发送给所述模型测试模块；

所述模型训练模块，用于利用所述训练组包括的至少两个中药材的图像信息训练所述图像识别模型；

所述模型测试模块，用于利用所述测试组包括的至少两个中药材的图像信息对所述模型训练模块训练出的所述图像识别模型进行测试，测试通过后将所述图像识别模型发送给所述处理控制器进行存储。

可选地，

所述模型训练模块，用于以形状、尺寸、颜色和名称作为初始模型的特征值，利用所述初始模型根据所述训练组包括的至少两个中药材的图像信息对所述训练组包括的至少两个中药材进行识别，根据所述初始模型的识别结果和用户输入的正确结果对所述特征值进行调整，利用调整所述特征值后的所述初始模型重新对所述训练组包括的至少两个中药材进行识别，直至所述识别结果与所述正确结果相同，将所述初始模型确定为所述图像识别模型。

可选地，

所述处理控制器中存储有至少一个所述图像识别模型，其中，不同所述图像识别模型用于识别不同类型的中药材。

第二方面，本发明实施例还提供了基于第一方面提供的任意一种中药材去杂质装置的中药材去杂质方法，包括：

利用所述料槽依次将中药材原料包括的至少一个原料块释放至所述传送带上；

利用所述传送带分别将每一个所述原料块传送至采集区域；

利用所述图像采集器分别采集每一个进入所述采集区域的所述原料块的图像信息；

利用所述处理控制器，针对每一个所述原料块，通过图像识别模型对该原料块对应的所述图像信息进行处理，以确定该原料块是否为杂质；

利用所述杂质分拣器，对被确定为杂质的所述原料块进行分拣，以使该原料块与所述中药材原料包括的中药材分离。

可选地，

当所述杂质分拣器包括翻板、第一中药材槽和杂质槽时，所述对被确定为杂质的所述原料块进行分拣，包括：

针对每一个所述原料块，如果该原料块被确定为杂质，控制所述翻板向所述杂质槽一侧翻转，以使该原料块从所述传送带上落下后进入所述杂质槽，如果该原料块被确定不是杂质，则控制所述翻板向所述第一中药材槽一侧翻转，以使该原料块从所述传送带上落下后进入所述第一中药材槽。

可选地，

在所述分别将每一个所述原料块传送至采集区域之后，进一步包括：利用所述处理控制器控制所述传送带停止运动；

在所述控制所述翻板向所述杂质槽一侧翻转或者所述控制所述翻板向所述第一中药材槽一侧翻转之后，进一步包括：利用所述处理控制器控制所述传送带开始运动。

可选地，

当所述杂质分拣器包括第二中药材槽和至少一个机械手臂时，所述对被确定为杂质的所述原料块进行分拣，包括：

通过所述处理控制器控制所述至少一个机械手臂将被确定为杂质的所述原料块从所述传送带上移除。

可选地，

在所述通过图像识别模型对原料块对应的所述图像进行处理之前，进一步包括：

利用所述图像采集器分别采集训练组包括的至少两个中药材的图像信息，并分别采集测试组包括的至少两个中药材的图像信息；

通过所述模型训练模块，利用所述训练组包括的至少两个中药材的图像信息训练所述图像识别模型；

通过所述模型测试模块，利用所述测试组包括的至少两个中药材的图像信息对所述图像识别模型进行测试，测试通过后将所述图像识别模型发送给所述处理控制器进行存储。

可选地，

所述利用所述训练组包括的至少两个中药材的图像信息训练所述图像识别模型，包括：

s1：以形状、尺寸、颜色和名称作为初始模型的特征值；

s2：针对所述训练组包括的每一个中药材，利用所述初始模型根据该中药材的图像信息对该中药材进行识别，获得该中药材的识别结果；

s3：针对所述训练组包括的每一个中药材，根据该中药材的所述识别结果和由用户输入的正确结果对所述特征值进行调整；

s4：利用调整所述特征值后的所述初始模型执行所述s2，直至所述训练组包括的每一个中药材的所述识别结果均与所述正确结果相同，将所述初始模型确定为所述图像识别模型。

可选地，

在所述通过图像识别模型对该原料块对应的所述图像信息进行处理之前，进一步包括：

根据所述中药材原料所包括中药材的类型，从已经存储的至少一个图像识别模型中选择相对应的所述图像识别模型进行加载。

本发明实施例提供的中药材去杂质装置及中药材去杂质方法，料槽将其所盛装中药材原料包括的每一个原料块释放到传送带上之后，传送带可以将该原料块传送至图像采集器的采集区域，此时图像采集器可以采集该原料块的图像信息，并经采集到的图像信息发送给处理控制器，进而处理控制器可以通过图像识别模型对图像信息进行处理，以确定该原料块是中药材还是杂质，当确定该原料块为杂质后杂质分拣器可以对该原料块进行分拣，以使该原料块与中药材原料中的中药材分离。由于处理控制器可以通过图像识别模型确定原料块是否为杂质，当确定原料块为杂质后还可以控制杂质分拣器将作为杂质的原料块分拣出去，以达到将中药材原料中杂质与中药材相分离的目的，图像识别模型相对于人工辨别可以更加快速的识别出杂质，从而可以提高去除中药材原料中杂质的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例提供的一种中药材去杂质装置的示意图；

图2是本发明一个实施例提供的另一种中药材去杂质装置的示意图；

图3是本发明一个实施例提供的又一种中药材去杂质装置的示意图；

图4是本发明一个实施例提供的再一种中药材去杂质装置的示意图；

图5是本发明一个实施例提供的一种中药材去杂质方法的流程图；

图6是本发明一个实施例提供的一种图像识别模型构建方法的流程图；

图7是本发明一个实施例提供的一种图像识别模型训练方法的流程图。

附图标记列表：

10：料槽20：传送带30：图像采集器

40：处理控制器50：杂质分拣器60：模型训练模块

70：模型测试模块51：翻板52：第一中药材槽

53：杂质槽54：第二中药材槽55：机械手臂

510：电动机

501：利用料槽将中药材原料包括的原料块释放到传送带上

502：利用传送带分别将每一个原料块传送至采集区域

503：利用图像采集器分别采集每一个进入采集区域的原料块的图像信息

504：利用处理控制器对原料块的图像信息进行处理，确定该原料块是否为杂质

505：利用杂质分拣器对被确定为杂质的原料块进行分拣

601：利用图像采集器采集训练组和测试组中中药材的图像信息

602：通过模型训练模块利用训练组内中药材的图像信息训练图像识别模型

603：通过模型测试模型利用测试组内中药材的图像信息测试图像识别模型

s1：以形状、尺寸、颜色和名称作为初始模型的特征值

s2：利用初始模型根据中药材的图像信息对该中药材进行识别，获得识别结果

s3：根据识别结果和用户输入的正确结果对特征值进行调整

s4：利用调整特征值后的初始模型执行s2，直至获得图像识别模型

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明一个实施例提供了一种中药材去杂质装置，包括：料槽10、传送带20、图像采集器30、处理控制器40和杂质分拣器50；

沿传送带20的传送方向，料槽10、图像采集器30和杂质分拣器50依次设置于传送带20的上方；

料槽10用于盛装中药材原料，并依次将中药材原料包括的至少一个原料块释放至传送带20上；

传送带20用于分别将料槽10释放的每一个原料块传送至图像采集器30的采集区域；

图像采集器30用于采集进入采集区域内的每一个原料块的图像信息，并将图像信息发送给处理控制器40；

处理控制器40用于针对每一个图像信息，通过预先创建的图像识别模型对该图像信息进行处理，以确定该图像信息对应的原料块是否为杂质；

杂质分拣器50用于针对每一个原料块，在处理控制器40确定该原料块为杂质后，对该原料块进行分拣，以使该原料块与中药材原料包括的中药材分离。

本发明实施例提供的中药材去杂质装置，料槽将其所盛装中药材原料包括的每一个原料块释放到传送带上之后，传送带可以将该原料块传送至图像采集器的采集区域，此时图像采集器可以采集该原料块的图像信息，并经采集到的图像信息发送给处理控制器，进而处理控制器可以通过图像识别模型对图像信息进行处理，以确定该原料块是中药材还是杂质，当确定该原料块为杂质后杂质分拣器可以对该原料块进行分拣，以使该原料块与中药材原料中的中药材分离。由于处理控制器可以通过图像识别模型确定原料块是否为杂质，当确定原料块为杂质后还可以控制杂质分拣器将作为杂质的原料块分拣出去，以达到将中药材原料中杂质与中药材相分离的目的，图像识别模型相对于人工辨别可以更加快速的识别出杂质，从而可以提高去除中药材原料中杂质的效率。

可选地，在图1所示中药材去杂质装置的基础上，如图2所示，杂质分拣器50包括有翻板51、第一中药材槽52和杂质槽53；

沿传送带20的传送方向，翻板51设置于传送带20末端的下方，第一中药材槽52和杂质槽53分别设置于翻板51两侧边的下方；

当处理控制器40确定一个原料块为杂质时，处理控制器40可以控制翻板51向杂质槽53一侧翻转，当该原料块运动至传送带20的末端并从传送带20上掉落至翻板51上之后，该原料块可以沿倾斜的翻板51滑落到杂质槽53中；

当处理控制器40确定一个原料块不是杂质时，处理控制器40可以控制翻板51向第一中药材槽52一侧翻转，当该原料块运动至传送带20的末端并从传送带20上掉落至翻板51上之后，该原料块可以沿倾斜的翻板51滑落到第一中药材槽52中。

处理控制器在对原料块进行识别后，可以根据原料块是否为杂质控制翻板进行翻转，使得作为杂质的原料块可以落入杂质槽，并使得作为中药材的原料块可以落入第一中药材槽，实现了中药材原料中杂质与中药材的分离。通过翻板使杂质和中药材分别进入相应的容器，将所需要的中药材归集到一起方便后续对中药材进行其他处理，另外以翻板为基础的杂质分拣器结构简单，可以保证中药材去杂质装置具有较低的成本。

在本发明实施例中，如图2所示，处理控制器40可以与驱动翻板51翻转的电动机510相连接。当处理控制器50确定一个原料块为杂质时，处理控制器50可以控制电动机510正向旋转，进而带动翻板51向杂质槽53一侧翻转。当处理控制器50确定一个原料块为中药材时，处理控制器50可以控制电动机510反向旋转，进而带动翻板51向第一中药材槽52一侧翻转。

可选地，在图2所示中药材去杂质装置的基础上，当传送带20将一个原料块传送至图像采集器30的采集区域内之后，此时处理控制器40可以控制传送带20停止运动，之后图像采集器30采集该原料块的图像信息，并将采集到的图像信息发送给处理控制器40，处理控制器40根据图像采集器30所发送的图像信息判断该原料块是否为杂质，并根据判断结果控制翻板51翻转之相应的位置，之后处理控制器40可以控制传送带20重新开始运动，以使该原料块从传送带20的末端掉落至翻板51上。

首先，为了保证处理控制器能够根据图像采集器采集的图像信息准确地确定原料块是否为杂质，需要图像采集器能够采集到清晰的原料块的图像信息。为此，在传送带将原料块传送到图像采集器的采集区域后，处理控制器控制传送带停止运动，从而图像采集器可以采集原料块处于静止状态时的图像信息，保证所采集图像信息能够清楚地反映原料块的特征信息，提升处理控制器对原料块进行识别的准确性，进而可以提高对中药材原料进行去杂质处理的准确性。

其次，由于处理控制器对原料块进行识别和控制翻板翻转均需要一定时间，在对原料块识别完成且控制翻板进行相应的翻转后，处理控制器控制传送带重新开始运动，避免了翻板还没有翻转至正确的位置而原料块已经掉落到翻板上，导致原料块未能正确进入杂质槽或者第一中药材槽的情况发生，保证对中药材原料中杂质和中药材进行分离的可靠性。

可选地，在图2所示中药材去杂质装置的基础上，料槽10可以按照预先设定的时间间隔，每经过一个时间间隔释放一个原料块到传送带上，这样图像采集器每次采集一个原料块的图像信息，处理控制器每次判断一个原料块是否为杂质，翻板每次将一个原料块导入杂质槽或者第一中药材槽，避免同时对多个原料块进行处理导致司识别或分不准确的情况发生，保证对中药材中所混合杂质进行去除的准确性。

需要说明的是，在图2所示的中药材去杂质装置中，在从图像采集器的采集区域至传送带末端之间的传送带上，同一时间最多仅承载一个原料块，通过控制料槽释放原料块的间隔时间来满足这一要求。

可选地，在图1所示中药材去杂质装置的基础上，如图3所示，杂质分拣器50可以包括第二中药材槽54和至少一个机械手臂55；

沿传送带20的传送方向，第二中药材槽54设置于传送带20末端的下方；

处理控制器40用户控制各个机械手臂55将被确定为杂质的原料块从传送带20上移除。

在本发明实施例中，当处理控制器根据图像采集器所采集的图像信息确定一个原料块为杂质后，处理控制器可以控制其中一个机械手臂将该原料块从传送带上移除，这样，不是杂质的原料块可以一直运动至传送带的末端，并从传送带的末端掉落至第二中药材槽中，从而实现了中药材与杂质的分离。

由于处理控制器可以同时控制多个机械手臂去抓取原料块，因此传送带可以不停歇地对原料块进行传送，图像采集器对每一个经过其采集区域的图像块进行图像信息采集，并实时将采集到的图像信息发送给处理控制器，处理控制器利用图像识别模型依次对每一个图像信息进行处理，确定每一个图像信息所对应的原料块是否为杂质。当处理控制器确定一个原料块为杂质后，可以控制空闲的一个机械手臂对该原料块进行抓取，已经该原料块从传送带上移除。处理控制器控制多个机械手臂对被确定为杂质为原料块进行抓取，将被确定为杂质的原料块从传送带上移除，使得传送带可以不停歇地传送料槽释放的原料块，从而可以提升对中药材原料进行去杂质处理的效率。

可选地，在图1所示中药材去杂质装置的基础上，如图4所示，该中药材去杂质装置进一步包括有：模型训练模块60和模型测试模块70；

图像采集器30进一步用于分别采集训练组包括的至少两个中药材的图像信息发送给模型训练模块60，并用于分别采集测试组包括的至少两个中药材的图像信息发送给模型测试模块70；

模型训练模块60用于利用训练组包括的至少两个中药材的图像信息训练图像识别模型；

模型测试模块70用于利用测试组包括的至少两个中药材的图像信息对模型训练模块60训练处的图像识别模型进行测试，并将测试通过的图像识别模型发送给处理控制器40进行存储。

在本发明实施例中，针对于待进行去杂质的中药材，获取一定数量的该中药材，并将获取到的中药材分为训练组和测试组，训练组和测试组中均包括有至少两个中药材。图像识别模型的创建过程包括图像识别模型训练阶段和图像识别模型测试阶段。

在图像识别模型训练阶段，将训练组包括的各个中药材盛装到料槽中，料槽依次将训练组包括的每一个中药材释放到传送带上，传送带分别将训练组包括的每一个中药材传送到图像采集器的采集区域，图像采集器分别对训练组包括的每一个中药材进行图像信息采集，并将采集到的图像信息发送给模型训练模块。模型训练模型在接收到训练组包括的各个中药材的图像信息后，利用接收到的各个图像信息训练图像识别模型，并将训练好的图像识别模型发送给模型测试模块。

在图像识别模型测试阶段，将测试组包括的各个中药材盛装到料槽中，料槽依次将测试组包括的每一个中药材释放到传送带上，传送带分别将测试组包括的每一个中药材传送到图像采集器的采集区域，图像采集器分别对测试组包括的每一个中药材进行图像信息采集，并将采集到的图像信息发送给模型测试模块。模型测试模块在接收到测试组包括的各个中药材的图像信息后，利用接收到的各个图像信息对模型训练模块发送的图像识别模型进行测试。当模型测试模块确定图像识别模型测试通过后，将图像识别模型发送给处理控制器，处理控制器可以对模型测试模块发送的图像识别模型进行存储，以在对相应中药材进行去杂质处理时调用该图像识别模型判断原料块是否为杂质。

模型训练模块可以利用训练组中各个中药材的图像信息训练图像识别模型，模型测试模块可以利用测试组中各个中药材的图像信息对图像识别模型进行测试，图像识别模型的构建过程经历了模型训练和模型测试两个阶段，仅有通过测试的图像识别模型才会发送给处理控制器进行中药材识别，保证处理控制器利用图像识别模型能够准确地识别原料块是中药材还是杂质，进而可以提高从中药材中去除杂质的准确性。

需要说明的是，每一种中药材具有相对应的图像识别模型，每一个图像识别模型可以根据原料块的图像信息识别出原料块是否为其所对应的中药材，如果识别结果为原料块不是其所对应的中药材，则该原料块为杂质。

可选地，在图4所示中药材去杂质装置的基础上，模型训练模块60可以利用训练组中各个中药材的图像信息训练图像识别模型，模型训练模块60具体可以按照如下操作来训练图像识别模型：

以形状、尺寸、颜色和名称作为初始模型的特征值；

将训练组包括的各个中药材的图像信息作为初始模型的输入，利用初始模型对训练组中各个中药材进行识别；

针对训练组中的每一个中药材，根据初始模型对该中药材进行识别的结果以及由用户输入的正确结果，对初始模型的特征值进行调整；

利用对特征值进行调整后的初始模型重新对训练组中的各个中药材进行识别，直至初始模型对训练组中每一个中药材的识别结果均与用户输入的正确结果相同，将初始模型确定为图像识别模型。

由于不同中药材具有不同的形状、颜色和尺寸，因此可以将形状、颜色和尺寸作为特征值来训练图像识别模型，使得图像识别模型能够根据原料块的形状、颜色和尺寸来确定原料块是否为中药材。另外，为了区别不同中药材的图像识别模型，将中药材的名称作为训练图像识别模型的另一个特征值。因此，将形状、颜色、尺寸和名称作为训练图形识别模型的4个特征值，在训练过程中通过不断优化形状、颜色和尺寸3个特征值的取值范围以及权重，使得训练出的图像识别模型可以准确识别中药材和杂质。

在训练图像识别模型过程中，首先通过一个初始模型根据训练组中各个中药材的图像信息对训练组中各个中药材进行识别，分别获得对应于训练组中每一个中药材的识别结果，如果识别结果错误则由用户给出正确结果，进而对形状、颜色和尺寸3个特征值进行调整后重新对训练组中各个中药材进行识别，直至经过多轮训练后初始模型可以正确地识别训练组中所有的中药材之后，将初始模型确定为图像识别模型后发送给处理控制器。

可选地，在图4所示中药材去杂质装置的基础上，模型测试模块70可以利用测试组中各个中药材的图像信息对图像识别模型进行测试，模型测试模块70具体可以按照如下操作对图像识别模型进行测试：

针对测试组中的每一个中药材，将该中药材的图像信息作为图像识别模型的输入，利用图像识别模型对该中药材进行识别，获得相对应的识别结果；

根据测试组中各个中药材对应的识别结果，计算图像识别模型的识别率；

如果图像识别模型的识别率大于预先设定的识别率阈值，则确定图像识别模型测试通过，将图像识别模型发送给处理控制器；

如果图像识别模型的识别率小于或等于预先设定的识别率阈值，则确定图像识别模型测试不通过，将测试组中各个中药材的图像信息发送给模型训练模块，由模型训练模块利用测试组中各个中药材的图像信息对图像识别模型进行进一步训练，直至图像识别模型可以正确识别测试组中各个中药材之后，将图像识别模型发送给处理控制器。

模型测试模块利用测试组中各个中药材的图像信息对图像识别模型进行测试，如果测试通过则直接将图像识别模型发送给处理控制器应用于实际生产中，如果测试不通过则由模型训练模块利用测试组中各个中药材的图像信息对图像识别模型作进一步训练，直至图像识别模型能够正确识别测试组中所有的中药材。这样，模型测试模块对图像识别模型进行测试后，如果图像识别模型的识别率没有达到预设的识别率阈值，则由模型训练模块对图像识别模型作进一步训练，保证图像识别模型具有较高的识别率，进而保证处理控制器利用图像识别模型对原料块进行识别的准确性。

可选地，在上述各个实施例所提供中药材去杂质装置的基础上，处理控制器40中可以存储一个或多个图像识别模型，其中不同的图像识别模型用于识别不同类型的中药材。

在实际应用场景中，经常需要对不同类型的中药材进行去杂质处理，为此可以针对不同类型的中药材训练相对应的图像识别模型存储到处理控制器中，当需要进行去杂质处理时，用户可以向处理控制器输入中药材的名称，进而处理控制器可以调用相对应的图像识别模型对原料块进行识别，从而实现同一个中药材去杂质装置可以对不同类型的中药材进行去杂质处理，实现一机多用。

需要说明的是，在上述各个实施例提供的中药材去杂质装置中，图像采集器30可以为工业相机。另外，处理控制器40可以包括处理器和控制器，处理器用于利用图像识别模型识别原料块是否为杂质，并根据识别结果向控制器发送相对应的控制指令，控制器用于根据处理器所发送的控制指令对传送带、翻板/机械手臂进行控制。在实际业务实现过程中，处理器可以为ipc(industrypersonalcomputer，工业个人计算机)，控制器可以为dcs(distributedcontrolsystem，分布式控制系统)。另外，模型训练模块60和模型测试模块70也可以是上述的处理器。

另外需要说明的是，在上述各个实施例提供的中药材去杂质装置中，中药材主要是指呈块状的根茎类中药材。

如图5所示，本发明一个实施例提供了一种基于上述任一实施例所提供中药材去杂质装置的中药材去杂质方法，该方法可以包括以下步骤：

步骤501：利用料槽10依次将中药材原料中包括的至少一个原料块释放至传送带20上；

步骤502：利用传送带20分别将每一个原料块传送至采集区域；

步骤503：利用图像采集器30分别采集每一个进入采集区域的原料块的图像信息；

步骤504：利用处理控制器40，针对每一个原料块，通过图像识别模型对该原料块对应的图像信息进行处理，以确定该原料块是否为杂质；

步骤505：利用杂质分拣器50，对被确定为杂质的原料块进行分拣，以使该原料块与中药材原料包括的中药材分离。

本发明实施例提供的中药材去杂质方法，利用料槽将中药材原料包括的原料块投放到传送带上之后，可以利用传送带将原料块传送至图像采集器的采集区域，之后可以利用图像采集器采集原料块的图像信息，之后可以利用处理控制器通过图像识别模型对采集到的图像信息进行处理，以确定原料块是否为杂质，进而可以利用杂质分拣器对被确定为杂质的原料块进行分拣，得到将中药材原料中杂质与中药材分离的目的。利用图像识别模型对原料块的图像信息进行处理，可以确定原料块是否为杂质，进而可以利用杂质分拣器将中药材原料中的杂质去除，相对于通过人工辨别杂质的方式可以提升识别出杂质的速度，从而可以提高去除中药材原料中杂质的效率。

可选地，在图5所示中药材去杂质方法的基础上，当中药材去杂质装置如图2所示时，步骤505利用杂质分拣器对被确定为杂质的原料块进行分拣，该步骤具体可以通过如下方式实现：

针对每一个原料块，如果该原料块被确定为杂质，则控制翻板51向杂质槽53一侧翻转，以使该原料块从传送带20上落下后进入杂质槽，如果该原料块被确定为不是杂质，则控制翻板51向第一中药材槽52一侧翻转，以使该原料块从传送带20上落下后进入第一中药材槽52。

根据对原料块进行识别的结果控制翻板向不同方向翻转，将被确定为杂质的原料块投入到杂质槽，并将被确定为不是杂质的原料块投入到第一中药材槽，使得中药材原料中的杂质与中药材进入两个容器而分离，达到从中药材中去除杂质的目的，另外直接将中药材归集到一起可以方便后续对中药材作进一步处理。

可选地，在图5所示中药材去杂质方法的基础上，当中药材去杂质装置如图2所示时，

在步骤502分别将每一个原料块传送至采集区域后，可以利用处理控制器40控制传送带20停止运动；

相应地，在控制翻板51向杂质槽53一侧翻转或控制翻板51向第一中药材槽54一侧翻转之后，可以利用处理控制器40控制传送带20开始运动。

首先，当一个原料块进入采集区域后，控制传送带停止运动，此时可以采集到该原料块处于静止状态时的图像信息，保证采集到的图像信息可以清楚地反映该原料块的特征信息，以提高根据图像信息识别该原料块是否为杂质的准确性，进而可以对中药材进行去杂质处理的有效性。

其次，由于对原料块进行识别和控制翻板翻转需要一定的时间，在对原料块识别完成且控制翻板进行相应的翻转后再重新使传送带开始运动，可以避免翻板还没有翻转至正确的位置而原料块已经掉落到翻版上，导致原料块未能正确进入相应容器的情况发生，从而可以保证对中药材进行去杂质处理的可靠性。

可选地，在图5所示中药材去杂质方法的基础上，当中药材去杂质装置如图3所示时，步骤505利用杂质分拣器对被确定为杂质的原料块进行分拣，该步骤具体可以通过如下方式实现：

通过控制处理器40控制各个机械手臂55将被确定为杂质的原料块从传送带20上移除。

针对每一个原料块，如果确定该原料块为杂质，可以控制各个机械手臂中处于空闲状态的一个机械手臂对该原料块进行抓取，如果确定该原料块不是杂质，则不对该原料块进行抓取，从而被确定为杂质的原料块被机械手臂从传送带上移除，被确定为不是杂质的原料块从传送带的末端掉入第二中药材槽中，实现了中药材与杂质的分离。

另外，当同时确定出多个原料块为杂质后，可以控制多个机械手臂分别对各个被确定为杂质的原料块进行抓取，从而可以提升从中药材中去除杂质的效率。

可选地，在图5所示中药材去杂质方法的基础上，当中药材去杂质装置如图4所示时，步骤504通过图像识别模型对图像信息进行处理，在该步骤之前需要构建图像识别模型，如图6所示，构建图像识别模型的过程具体可以通过如下步骤实现：

步骤601：利用图像采集器30采集训练组包括的至少两个中药材的图像信息，并利用图像采集器30采集测试组包括的至少两个中药材的图像信息；

步骤602：通过模型训练模块60，利用训练组包括的至少两个中药材的图像信息训练图像识别模型；

步骤603：通过模型测试模块70，利用测试组包括的至少两个中药材的图像信息对图像识别模型进行测试，测试通过后将图像识别模型发送给处理控制器40进行存储。

预先获取分别包括有多个中药材的训练组和测试组，分别获取训练组和测试组中各个中药材的图像信息后，利用训练组中各个中药材的图像信息训练图像识别模型，之后利用测试组中各个中药材的图像信息对图像识别模型进行测试，仅有通过测试的图像识别模型才会被发送给处理控制器参与实际生产，保证利用图像识别模型可以准确地识别原料块是中药材还是杂质，从而可以提高从中药材中去除杂质的准确性。

可选地，在图6所示图像识别模型构建方法的基础上，步骤602利用训练组包括的至少两个中药材的图像信息训练图像识别模型，如图7所述，该步骤具有提供通过如下子步骤实现：

s1：以形状、尺寸、颜色和名称作为初始模型的特征值；

s2：针对训练组包括的每一个中药材，利用初始模型根据该中药材的图像信息对该中药材进行识别，获得该中药材的识别结果；

s3：针对训练组包括的每一个中药材，根据该中药材的识别结果和由用户输入的正确结果对特征值进行调整；

s4：利用调整特征值后的初始模型执行s2，直至训练组包括的每一个中药材的识别结果均与正确结果相同，将初始模型确定为图像识别模型。

以形状、尺寸、颜色和名称作为初始模型的特征值，使得训练处的图像识别模型可以根据原料块的形状、尺寸和颜色来确定原料块是否为中药材，保证识结果的准确性。另外，将中药材的名称作为一个特征值，可以区别不同中药材对应的图像识别模型。

首先通过一个初始模型根据训练组中各个中药材的图像信息对训练组中各个中药材进行识别，分别获得对应于训练组中每一个中药材的识别结果，如果识别结果错误则由用户给出正确结果，进而对形状、颜色和尺寸3个特征值进行调整后重新对训练组中各个中药材进行识别，直至经过多轮训练后初始模型可以正确地识别训练组中所有的中药材之后，将初始模型确定为图像识别模型后发送给处理控制器。

可选地，在图5所示中药材去杂质方法的基础上，在步骤504通过图像识别模型对原料块对应的图像信息进行处理之前，可以根据中药材原料中所包括中药材的类型，从已经存储的至少一个图像识别模型中选择相对应的图像识别模型进行加载。

由于不同的中药材对应有不同的形状、尺寸和颜色，因此不同中药材对应有不同的图像识别模型，处理控制器中存储有对应于不同中药材的多个图像识别模型，根据需要从中药材原料中筛选的中药材的类型，从已经存储的各个图像识别模型中选择相应的图像识别模型进行加载，后续便可以利用所加载的图像识别模型对原料块进行识别，从而可以适用于不同中药材进行去杂质处理，提升了该方法的适用性。

需要说明的是，上述各实施例提供的中药材去杂质方法是基于上述各个实施例提供的中药材去杂质装置而实现的，方法实施例中针对逻辑控制和图像识别模型构建的过程可参见装置实施例中的描述，此处不再进行赘述。

需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。