CN109460782A - 基于机器学习的激光除锈方法及装置 - Google Patents

基于机器学习的激光除锈方法及装置 Download PDF

Info

Publication number
CN109460782A
CN109460782A CN201811230398.2A CN201811230398A CN109460782A CN 109460782 A CN109460782 A CN 109460782A CN 201811230398 A CN201811230398 A CN 201811230398A CN 109460782 A CN109460782 A CN 109460782A
Authority
CN
China
Prior art keywords
image
laser
processed
derusting
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811230398.2A
Other languages
English (en)
Inventor
李婷
孙汉英
李本涖
钟翊铭
钟李朵
郑列文
吕鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Yun Xin Electronic Technology Co Ltd
Original Assignee
Xi'an Yun Xin Electronic Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xi'an Yun Xin Electronic Technology Co Ltd filed Critical Xi'an Yun Xin Electronic Technology Co Ltd
Priority to CN201811230398.2A priority Critical patent/CN109460782A/zh
Publication of CN109460782A publication Critical patent/CN109460782A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/352—Working by laser beam, e.g. welding, cutting or boring for surface treatment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及除锈技术领域，具体涉及一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端。所述方法包括：获取待处理图像；对所述待处理图像进行预处理以获取预处理图像；利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数；根据所述激光处理参数控制激光器进行除锈。本公开利用已训练的参数计算模型计算预处理图像从而获取激光处理参数，从而根据该激光处理参数控制激光器除锈。将机器学习算法与激光除锈有效结合，提高激光处理参数的精确度，进而提升激光除锈的效果。

Description

基于机器学习的激光除锈方法及装置
技术领域
本公开涉及除锈技术领域，具体涉及一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端。
背景技术
激光作为一种加工工具，能实现金属表面锈蚀层的快速清洗。与传统加工方法不同的是，激光具有高亮度、高单色性等优点，能实现远距离非接触式清洗，因此能利用激光对远距离除锈，比如高压带电装置、核装置等。
但现有的激光除锈装置对应的激光控制方法大多流程复杂，且控制激光除锈的精准度不高。尤其对于野外环境下的设备，例如轨道，由于环境情况复杂、恶劣，导致金属轨道各部分锈蚀情况差异较大。且由于对除锈结果要求较高，不能损伤金属结构，导致现有的激光除锈装置并不能具有良好的除锈结果。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供基于机器学习的激光除锈方法，包括：
获取待处理图像；
对所述待处理图像进行预处理以获取预处理图像；
利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数；
根据所述激光处理参数控制激光器进行除锈。
在本公开的一种示例性实施例中，在根据所述激光处理参数控制激光器进行除锈后，所述方法还包括：
获取所述待处理图像对应的当前图像；
对所述当前图像进行预处理以获取第二预处理图像；
对比所述预处理图像和第二预处理图像以获取除锈结果。
在本公开的一种示例性实施例中，所述方法还包括：
判断所述除锈结果是否满足预设条件；
在判断所述除锈结果满足所述预设条件时，结束除锈操作；或者
在判断所述除锈结果不满足所述预设条件时，利用所述已训练的参数计算模块对所述第二预处理图像进行处理以获取激光处理参数，以便于根据所述激光处理参数控制所述激光器进行除锈。
在本公开的一种示例性实施例中，训练所述参数计算模型，包括：
获取待处理锈蚀图像集合及对应的除锈结果图像集合；
对所述待处理锈蚀图像集合及对应的所述除锈结果图像集合中各图像进行灰度处理，并建立待处理锈蚀灰度图像与对应的除锈结果灰度图像的映射关系；
以所述待处理锈蚀图像集合及对应的所述除锈结果图像集合作为入参训练原始机器学习模型以获取参数计算模型。
在本公开的一种示例性实施例中，所述对所述待处理图像进行预处理以获取预处理图像包括：
对所述待处理图像进行灰度处理以得到预处理图像。
根据本公开的第二方面，提供一种基于机器学习的激光除锈装置，包括：
图像采集模块，用于获取待处理图像；
图像处理模块，用于对所述待处理图像进行预处理以获取预处理图像；
参数计算模块，用于利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数；
操作执行模块，用于根据所述激光处理参数控制激光器进行除锈。
在本公开的一种示例性实施例中，所述装置还包括：
结果判断模块，用于判断所述除锈结果是否满足预设条件。
在本公开的一种示例性实施例中，所述装置还包括：
模型训练模块，用于获取待处理锈蚀图像集合及对应的除锈结果图像集合；对所述待处理锈蚀图像集合及对应的所述除锈结果图像集合中各图像进行灰度处理，并建立待处理锈蚀灰度图像与对应的除锈结果灰度图像的映射关系；以及以所述待处理锈蚀图像集合及对应的所述除锈结果图像集合作为入参训练原始机器学习模型以获取参数计算模型。
根据本公开的第三方面，提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于机器学习的激光除锈方法。
根据本公开的第四方面，提供一种电子终端，包括：
处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述的基于机器学习的激光除锈方法。
本公开的实施例所提供的基于机器学习的激光除锈方法中，通过对待处理图像进行预处理获取预处理图像，然后利用已训练的参数计算模型计算预处理图像从而获取激光处理参数，从而根据该激光处理参数控制激光器除锈。将机器学习算法与激光除锈有效结合，提高激光处理参数的精确度，进而提升激光除锈的效果。
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。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种基于机器学习的激光除锈方法的示意图；
图2示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置组成示意图；
图3示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置的另一种示意图；
图4示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置的再一种示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本示例实施方式中首先提供了一种基于机器学习的激光除锈方法，可以应用于对激光除锈装置的控制，进而准确的进行激光除锈操作。参考图1中所示，上述的基于机器学习的激光除锈方法可以包括以下步骤：
步骤S1，获取待处理图像；
步骤S2，对所述待处理图像进行预处理以获取预处理图像；
步骤S3，利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数；
步骤S4，根据所述激光处理参数控制激光器进行除锈。
本示例实施方式所提供的基于机器学习的激光除锈方法中，通过对待处理图像进行预处理获取预处理图像，然后利用已训练的参数计算模型计算预处理图像从而获取激光处理参数，从而根据该激光处理参数控制激光器除锈。将机器学习算法与激光除锈有效结合，提高激光处理参数的精确度，进而提升激光除锈的效果。
下面，将结合附图及实施例对本示例实施方式中的医疗数据标准化处理方法中各个步骤进行更详细的说明。
步骤S0，训练所述参数计算模型。
本示例实施方式中，上述的步骤S0可以包括：
步骤S01，获取待处理锈蚀图像集合及对应的除锈结果图像集合；
步骤S02，对所述待处理锈蚀图像集合及对应的所述除锈结果图像集合中各图像进行灰度处理，并建立待处理锈蚀灰度图像与对应的除锈结果灰度图像的映射关系；
步骤S03，以所述待处理锈蚀图像集合及对应的所述除锈结果图像集合作为入参训练原始机器学习模型以获取参数计算模型。
在进行除锈处理前，可以先利用历史数据训练一有监督的机器学习模型。具体来说，可以获取一历史待处理锈蚀图像集合，其可以包含多个锈蚀图像，各锈蚀图像中至少包含一个锈蚀区域。此外，各锈蚀区域的具体情况可能不同，例如锈蚀程度、锈蚀范围的边界形状等均不相同。
对应的，各锈蚀图像还具有对应的除锈结果图像，各除锈结果图像集合组成除锈结果图像集合。分别对待处理锈蚀图像集合以及对应的除锈结果图像集合中的各图像进行灰度处理，建立待处理锈蚀图像与除锈结果图像之间的对应关系，具体来说，待处理锈蚀图像与除锈结果图像之间的对应关系可以每个像素区域或一锈蚀区域中除锈前和除锈后的像素灰度值对应关系。并据此生成训练数据。将该训练数据作为入参对有监督式的机器学习模型进行训练，从而得到参数计算模型。
举例来说，无监督式的机器学习模型可以是支持向量机模型、朴素贝叶斯模型或决策树模型等。本公开对此不作特殊限定。
当然，在本公开的其他实施例中，入参还可以包括待处理锈蚀图像与对应的除锈结果图像对应的除锈参数，该除锈参数可以包含具体的激光设备控制参数。
步骤S1，获取待处理图像。
本示例实施方式中，可以通过摄像头等硬件设备采集需要进行除锈处理的设备的原始图像，并将该原始图像作为待处理图像。其中，待除锈设备可以是例如轨道、车体、防护罩等装置的表面。此外，上述的原始图像可以为彩色图像，或者黑白图像、灰度图像等，且图像中可以包含至少一个锈蚀区域。
步骤S2，对所述待处理图像进行预处理以获取预处理图像。
本示例实施方式中，上述的预处理可以是对图像的灰度处理。在获取待处理图像后，便可以对其进行灰度处理，从而获得预处理图像。对于对图像进行灰度处理这一过程可以采用常规的技术手段。例如，将获得到的彩色图像每个像素点的RGB(R，G，B)值根据加权平均算法转化为对应的灰度值。本公开在此不再详述，也不做特殊限定。
步骤S3，利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数。
本示例实施方式中，可以利用已训练的有监督式的参数计算模型对预处理图像进行分析，获取图像中的锈蚀区域，并计算锈蚀区域对应的激光处理参数。
步骤S4，根据所述激光处理参数控制激光器进行除锈。
本示例实施方式中，具体来说，上述的激光除锈参数可以包括：激光功率、激光频率、脉宽、扫描速度以及扫描间距。
具体的，可以根据公式：ρ＝Pav/ftvd；其中，ρ为能量密度，Pav为激光功率、f为激光频率、t为脉宽、v为扫描速度，d为扫描间距，其中脉宽t可视为不变。
在获取具体的激光处理参数后，并可根据该参数控制激光器开始除锈。对于具体的激光器结构，为常规的激光器结构，本公开对激光器的具体结构不做特殊限定。
基于上述内容，在本示例性实施例中，上述的方法还可以包括：
步骤S 501，获取所述待处理图像对应的当前图像；
步骤S502，对所述当前图像进行预处理以获取第二预处理图像；
步骤S503，对比所述预处理图像和第二预处理图像以获取除锈结果。
在根据激光处理参数对待处理图像对应的锈蚀区域进行除锈操作后，还可以对该区域进行拍照获取当前图像。同样的，也可以对该当前图像进行灰度处理获取对应的第二预处理图像，即所述的当前图像对应的灰度图像。并利用该第二预处理图像与预处理图像进行对比，获取对应的除锈结果。举例来说，可以对锈蚀区域的前、后灰度图像的像素值进行对比，判断除锈处理后的结果。
进一步的，上述的方法还可以包括：
步骤S601，判断所述除锈结果是否满足预设条件；
步骤S602，在判断所述除锈结果满足所述预设条件时，结束除锈操作；或者
步骤S603，在判断所述除锈结果不满足所述预设条件时，利用所述已训练的参数计算模块对所述第二预处理图像进行分析以获取激光处理参数，以便于根据所述激光处理参数控制所述激光器进行除锈。
举例来说，可以根据对锈蚀区域图像灰度处理后的灰度图像的灰度值对除锈结果设置不同的等级。在获取除锈结果后，便可以根据灰度图像判断除锈结果的等级是否满足预设的条件或要求。若除锈结果满足预设的要求，则可以停止并完成除锈操作。若除锈结果未满足预设的要求，则可以再次获取锈蚀区域的图像，并对其进行预处理获取灰度图像。然后利用参数计算模型对所述预处理图像进行分析以获取激光处理参数，根据所述激光处理参数控制激光器进行除锈。重复上述的步骤至除锈结果满足预设的要求或标准。
通过预先利用历史数据训练有监督式的参数计算模型，并利用预先该训练的机器学习模型计算每一张图像中锈蚀区域对应的激光处理参数，从而可以根据该激光控制参数控制激光器进行除锈。实现利用机器学习计算激光处理参数，有效的保证除锈效果。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图2所示，本示例的实施方式中还提供了一种基于机器学习的激光除锈装置20，包括：图像采集模块201、图像处理模块202、参数计算模块203以及操作执行模块204。其中：
所述图像采集模块201可以用于获取待处理图像。
所述图像处理模块202可以用于对所述待处理图像进行预处理以获取预处理图像。
所述参数计算模块203可以用于利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数。
所述操作执行模块204可以用于根据所述激光处理参数控制激光器进行除锈。
进一步的，所述装置还包括：结果判断模块，用于判断所述除锈结果是否满足预设条件。
进一步的，所述装置还包括：模型训练模块，用于获取待处理锈蚀图像集合及对应的除锈结果图像集合；对所述待处理锈蚀图像集合及对应的所述除锈结果图像集合中各图像进行灰度处理，并建立待处理锈蚀灰度图像与对应的除锈结果灰度图像的映射关系；以及以所述待处理锈蚀图像集合及对应的所述除锈结果图像集合作为入参训练原始机器学习模型以获取参数计算模型。
上述的基于机器学习的激光除锈装置中各模块的具体细节已经在对应的基于机器学习的激光除锈方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图3来描述根据本发明的这种实施方式的电子设备600。图3显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的S1：获取待处理图像；S2：对所述待处理图像进行预处理以获取预处理图像；S3：利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数；S4：根据所述激光处理参数控制激光器进行除锈。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图4所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种基于机器学习的激光除锈方法，其特征在于，包括：
获取待处理图像；
对所述待处理图像进行预处理以获取预处理图像；
利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数；
根据所述激光处理参数控制激光器进行除锈。
2.根据权利要求1所述的基于机器学习的激光除锈方法，其特征在于，在根据所述激光处理参数控制激光器进行除锈后，所述方法还包括：
获取所述待处理图像对应的当前图像；
对所述当前图像进行预处理以获取第二预处理图像；
对比所述预处理图像和第二预处理图像以获取除锈结果。
3.根据权利要求2所述的基于机器学习的激光除锈方法，其特征在于，所述方法还包括：
判断所述除锈结果是否满足预设条件；
在判断所述除锈结果满足所述预设条件时，结束除锈操作；或者
在判断所述除锈结果不满足所述预设条件时，利用所述已训练的参数计算模块对所述第二预处理图像进行处理以获取激光处理参数，以便于根据所述激光处理参数控制所述激光器进行除锈。
4.根据权利要求1所述的基于机器学习的激光除锈方法，其特征在于，训练所述参数计算模型，包括：
获取待处理锈蚀图像集合及对应的除锈结果图像集合；
对所述待处理锈蚀图像集合及对应的所述除锈结果图像集合中各图像进行灰度处理，并建立待处理锈蚀灰度图像与对应的除锈结果灰度图像的映射关系；
以所述待处理锈蚀图像集合及对应的所述除锈结果图像集合作为入参训练原始机器学习模型以获取参数计算模型。
5.根据权利要求1所述的基于机器学习的激光除锈方法，其特征在于，所述对所述待处理图像进行预处理以获取预处理图像包括：
对所述待处理图像进行灰度处理以得到预处理图像。
6.一种基于机器学习的激光除锈装置，其特征在于，包括：
图像采集模块，用于获取待处理图像；
图像处理模块，用于对所述待处理图像进行预处理以获取预处理图像；
参数计算模块，用于利用已训练的参数计算模型对所述预处理图像进行处理以获取激光处理参数；
操作执行模块，用于根据所述激光处理参数控制激光器进行除锈。
7.根据权利要求6所述的基于机器学习的激光除锈装置，其特征在于，所述装置还包括：
结果判断模块，用于判断所述除锈结果是否满足预设条件。
8.根据权利要求6所述的基于机器学习的激光除锈装置，其特征在于，所述装置还包括：
模型训练模块，用于获取待处理锈蚀图像集合及对应的除锈结果图像集合；对所述待处理锈蚀图像集合及对应的所述除锈结果图像集合中各图像进行灰度处理，并建立待处理锈蚀灰度图像与对应的除锈结果灰度图像的映射关系；以及以所述待处理锈蚀图像集合及对应的所述除锈结果图像集合作为入参训练原始机器学习模型以获取参数计算模型。
9.一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1至7中任一项所述的基于机器学习的激光除锈方法。
10.一种电子终端，其特征在于，包括：
处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的基于机器学习的激光除锈方法。
CN201811230398.2A 2018-10-22 2018-10-22 基于机器学习的激光除锈方法及装置 Pending CN109460782A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811230398.2A CN109460782A (zh) 2018-10-22 2018-10-22 基于机器学习的激光除锈方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811230398.2A CN109460782A (zh) 2018-10-22 2018-10-22 基于机器学习的激光除锈方法及装置

Publications (1)

Publication Number Publication Date
CN109460782A true CN109460782A (zh) 2019-03-12

Family

ID=65608083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811230398.2A Pending CN109460782A (zh) 2018-10-22 2018-10-22 基于机器学习的激光除锈方法及装置

Country Status (1)

Country Link
CN (1) CN109460782A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110238131A (zh) * 2019-06-28 2019-09-17 北京师范大学 激光清洗参数生成方法及装置
CN113083804A (zh) * 2021-04-25 2021-07-09 中国铁建重工集团股份有限公司 激光智能除锈方法、系统及可存读介质
CN114160507A (zh) * 2021-11-24 2022-03-11 上海航翼高新技术发展研究院有限公司 基于多重传感检测的激光清洗路径自动规划方法
TWI821571B (zh) * 2019-06-13 2023-11-11 日商Ｖ科技股份有限公司 雷射修復方法、雷射修復裝置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105345237A (zh) * 2015-12-10 2016-02-24 河北沧海核装备科技股份有限公司 一种直缝埋弧焊自动控制焊缝形貌的装置及其工艺方法
US20160204181A1 (en) * 2015-01-13 2016-07-14 Samsung Display Co., Ltd. Display panel and repairing method thereof
CN107610125A (zh) * 2017-10-16 2018-01-19 云南电网有限责任公司临沧供电局 一种远距离激光除锈实时监控与反馈方法、装置及系统
CN108508318A (zh) * 2018-03-22 2018-09-07 国网湖南省电力有限公司 一种判断变压器不平衡负载运行状态的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160204181A1 (en) * 2015-01-13 2016-07-14 Samsung Display Co., Ltd. Display panel and repairing method thereof
CN105345237A (zh) * 2015-12-10 2016-02-24 河北沧海核装备科技股份有限公司 一种直缝埋弧焊自动控制焊缝形貌的装置及其工艺方法
CN107610125A (zh) * 2017-10-16 2018-01-19 云南电网有限责任公司临沧供电局 一种远距离激光除锈实时监控与反馈方法、装置及系统
CN108508318A (zh) * 2018-03-22 2018-09-07 国网湖南省电力有限公司 一种判断变压器不平衡负载运行状态的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEONARDO NICOLOSI等: "New CNN based algorithms for the full penetration hole extraction in laser welding processes：Experimental results", 《2009 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORK》 *
刘凌云: "激光视觉焊接熔池实时动态控制的应用研究", 《湖南科技学院学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI821571B (zh) * 2019-06-13 2023-11-11 日商Ｖ科技股份有限公司 雷射修復方法、雷射修復裝置
CN110238131A (zh) * 2019-06-28 2019-09-17 北京师范大学 激光清洗参数生成方法及装置
CN113083804A (zh) * 2021-04-25 2021-07-09 中国铁建重工集团股份有限公司 激光智能除锈方法、系统及可存读介质
CN114160507A (zh) * 2021-11-24 2022-03-11 上海航翼高新技术发展研究院有限公司 基于多重传感检测的激光清洗路径自动规划方法

Similar Documents

Publication Publication Date Title
CN109460782A (zh) 基于机器学习的激光除锈方法及装置
CN109447141A (zh) 基于机器学习的激光除锈方法及装置
CN109332900A (zh) 激光除锈方法及装置、存储介质、电子终端
CN109598184B (zh) 一种多分割任务的处理方法和装置
CN108229296B (zh) 人脸皮肤属性识别方法和装置、电子设备、存储介质
CN109272055A (zh) 基于机器学习的激光除锈方法及装置
EP4273757A2 (en) Selecting actions using multi-modal inputs
US20220171907A1 (en) Creation of digital twin of the interaction among parts of the physical system
CN108922564B (zh) 情绪识别方法、装置、计算机设备及存储介质
CN114792359B (zh) 渲染网络训练和虚拟对象渲染方法、装置、设备及介质
CN113674421B (zh) 3d目标检测方法、模型训练方法、相关装置及电子设备
US20200151545A1 (en) Update of attenuation coefficient for a model corresponding to time-series input data
CN113177451A (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN110929564B (zh) 基于对抗网络的指纹模型生成方法以及相关装置
CN111144477A (zh) 一种钢材表面缺陷的训练样本生成方法、系统及电子设备
CN113221769A (zh) 识别模型训练方法、识别方法、装置、设备及存储介质
KR20230068989A (ko) 멀티-태스크 모델의 학습을 수행하는 방법 및 전자 장치
US20230245429A1 (en) Method and apparatus for training lane line detection model, electronic device and storage medium
CN109461444A (zh) 基于语音识别的激光除锈方法及装置
CN117315758A (zh) 面部表情的检测方法、装置、电子设备及存储介质
CN113657482A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN109032853B (zh) 用于控制fpga卡组的方法和装置
CN114663964A (zh) 船舶远程驾驶行为状态监测预警方法、系统及存储介质
CN112446946B (zh) 基于稀疏深度与边界的深度重建方法、系统、设备及介质
US11451718B1 (en) Detecting flicker bands using multi-exposure sensors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 710065 8-storey 8D0 Galaxy Science and Technology Building, No. 25 Tangyan Road, Zhangba Street, Xi'an High-tech Zone, Shaanxi Province

Applicant after: Xi'an Juxin Zhongze Electric Technology Co., Ltd.

Address before: 710065 Yicuiyuan Phase II, Tangyan South Road, Xi'an High-tech Zone, Shaanxi Province, 201319

Applicant before: Xi'an Yun Xin Electronic Technology Co., Ltd.

CB02 Change of applicant information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190312

WD01 Invention patent application deemed withdrawn after publication