CN111634602B - 一种转向器输入轴入库方法 - Google Patents
一种转向器输入轴入库方法 Download PDFInfo
- Publication number
- CN111634602B CN111634602B CN202010436668.6A CN202010436668A CN111634602B CN 111634602 B CN111634602 B CN 111634602B CN 202010436668 A CN202010436668 A CN 202010436668A CN 111634602 B CN111634602 B CN 111634602B
- Authority
- CN
- China
- Prior art keywords
- input shaft
- steering gear
- packing box
- gear input
- shaft packing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012856 packing Methods 0.000 claims abstract description 162
- 238000012546 transfer Methods 0.000 claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000032258 transport Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
- B65G1/02—Storage devices
- B65G1/04—Storage devices mechanical
- B65G1/137—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed
- B65G1/1373—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed for fulfilling orders in warehouses
- B65G1/1376—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed for fulfilling orders in warehouses the orders being assembled on a commissioning conveyor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0208—Control or detection relating to the transported articles
- B65G2203/0233—Position of the article
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种转向器输入轴入库方法,包括:将生产好的转向器输入轴装入转向器输入轴包装箱内;获取盛装满转向器输入轴的转向器输入轴包装箱的位置和其需入库的仓库的预设位置;根据转向器输入轴包装箱的位置和其需入库的仓库的预设位置,运算最终转运线路;转运小车根据最终转运线路将盛装满转向器输入轴的转向器输入轴包装箱转运至预设位置。因为标识处理得到转运泰森多边形图上没有毛边突起,所以运算出的转运线路不会出现非常复杂的情况,这样转运线路的运算效率更高,且后序还对运算出转运线路进行样条插值处理,去除了转运线路上突起点,因此最终转运线路更为平滑,从而使得转运小车的行驶更平稳、更高效。适用于转向器输入轴的生产。
Description
技术领域
本发明属于转向器输入轴生产领域,尤其涉及一种转向器输入轴入库方法。
背景技术
目前,转向器输入轴生产好后,会放入转向器输入轴包装箱内,然后由转运小车将盛装满转向器输入轴的转向器输入轴包装箱转运至仓库的预设位置,从而实现转向器输入轴的入库。
但这种转向器输入轴入库方法在实际生产时存在以下问题:由于现有的转运小车一般是直接在加载的转运地图上计算最终转运线路,所以计算出的最终转运线路非常复杂且计算效率低,而且计算出的最终转运线路不够平滑稳定。
发明内容
针对现有技术存在的问题,本发明提供了一种转向器输入轴入库方法。
本发明是这样实现的,一种转向器输入轴入库方法,包括以下步骤,
S1:将生产好的转向器输入轴装入转向器输入轴包装箱内;
S2:获取盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置;
S3:根据盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置,运算最终转运线路;
S4:转运小车根据所述最终转运线路将盛装满转向器输入轴的所述转向器输入轴包装箱转运至所述预设位置。
进一步地,所述根据盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置,运算最终转运线路,具体为,
采集转运小车的入库三色地图,并通过转运小车的入库三色地图对转运小车的位置进行定位,对所述入库三色地图进行图像二值化处理得到二值化处理图像,接着对所述二值化处理图像进行图像腐蚀处理得到腐蚀处理图像,然后对所述腐蚀处理图像进行图像膨胀处理得到入库处理地图,在接着标识入库处理地图上所有的像素点,并将黑色像素值设为0将白色像素值设为1,首先标识任意一个像素点为1点,然后将与1点相邻的八个像素点分别标识为2点、3点、4点、5点、6点、7点、8点和9点,接着将2点像素值、3点像素值、4点像素值、5点像素值、6点像素值、7点像素值、8点像素值和9点像素值累加求和得到像素值总和,设该像素值总和大于等于二且小于等于六,再计算所述2点像素值、4点像素值和8点像素值乘积得到248像素值乘积,设该248像素值乘积为零,并设定所述2点、3点、4点、5点、6点、7点、8点和9点各自对应的像素值都只变化一次,最后计算所述2点像素值、4点像素值和6点像素值乘积得到246像素值乘积,设该246像素值乘积为零,对所述入库处理地图上所有的像素点进行标识处理得到转运泰森多边形图,将所述盛装满转向器输入轴的所述转向器输入轴包装箱的位置作为转运小车的转运起始位置,将转向器输入轴包装箱需入库的仓库的预设位置作为转运小车的转运终点位置,在转运泰森多边形图中运算得到初始转运线路,该初始转运线路的运算包括转运起始位置到转运泰森多边形图的线路运算、转运终点位置到转运泰森多边形图的线路运算、转运起始位置与转运终点位置之间的多边形图的运算,接着将初始转运线路的像素点坐标排列成转运线路点集E1、E2…En,并设平滑处理窗口k,2<k<n,其中k为正整数,以k个点为一组将转运线路点集划分为若干组数据E1~Ek~E2k~En,将预设距离阈值设定为预设值,运算每组数据始末的直线F的平面方程s1x+s2y+s3=0,运算每组数据中间k-2个点到直线F的直线距离若最大直线距离大于预设距离阈值,则去除中间k-2个转运线路点集,连接始末两点并去除转运线路中的突起点,运算该直线上所有像素点坐标作为新的转运线路点集,反之则不作处理,得到经处理的转运线路,再对经处理的转运线路进行样条插值处理,得到平滑的转运线路即最终转运线路。
进一步地,所述转运小车上设有图像采集模块。
进一步地,所述转运小车将盛装满转向器输入轴的所述转向器输入轴包装箱转运至所述预设位置后,所述图像采集模块对转运至所述预设位置的所述转向器输入轴包装箱进行拍照,并将拍照得到的转向器输入轴包装箱图像传输至云服务器。
进一步地,所述云服务器收到所述图像采集模块传输的转向器输入轴包装箱图像后,对所述转向器输入轴包装箱图像进行去噪处理,得到去噪转向器输入轴包装箱图像,并将所述去噪转向器输入轴包装箱图像进行保存。
进一步地,所述对所述转向器输入轴包装箱图像进行去噪处理,具体如下,
首先搭建转向器输入轴包装箱图像去噪模型,该转向器输入轴包装箱图像去噪模型包括转向器输入轴包装箱图像去噪网络和转向器输入轴包装箱图像基于注意力制网络,收集过往生产中清晰的转向器输入轴包装箱图像创建去噪模型训练集合,对去噪模型训练集和进行预处理,利用白噪声效仿真实噪声结合到清晰的转向器输入轴包装箱图像中,得到携噪转向器输入轴包装箱图像,将携噪转向器输入轴包装箱图像加载到转向器输入轴包装箱图像去噪网络的逆卷积层中,并将计算得到的数据加载到由卷积层连接构建的具有密集连接性的卷积网络中,再将该具有密集连接性的卷积网络的计算数据载入到逆卷积层中,得到携噪转向器输入轴包装箱图像噪声分布图,从携噪转向器输入轴包装箱图像中去除得到的携噪转向器输入轴包装箱图像噪声分布图,得到一级去噪转向器输入轴包装箱图像,将一级去噪转向器输入轴包装箱图像加载到转向器输入轴包装箱图像基于注意力制网络的逆卷积层中,并将计算得到的数据加载到由卷积层连接构建的具有密集连接性的卷积网络中,再将该具有密集连接性的卷积网络的计算数据与逆卷积层的计算数据进行结合得到结合计算数据,接着将结合计算数据再加载到逆卷积层中得到最终计算数据,最后将最终计算数据进行线性回归计算得到转向器输入轴包装箱噪声权重比例图,将携噪转向器输入轴包装箱图像噪声分布图与转向器输入轴包装箱噪声权重比例图整合得到转向器输入轴包装箱噪声残差图,从携噪转向器输入轴包装箱图像中去除得到的转向器输入轴包装箱噪声残差图得到二级去噪转向器输入轴包装箱图像,对一级去噪转向器输入轴包装箱图像和二级去噪转向器输入轴包装箱图像作均方误差计算,持续修正携噪转向器输入轴包装箱图像与二级去噪转向器输入轴包装箱图像之间的对应关系,并修正转向器输入轴包装箱图像去噪模型的参数,一直到转向器输入轴包装箱图像去噪模型平稳,得到训练完毕的转向器输入轴包装箱图像去噪模型,将所述图像采集模块拍照得到的转向器输入轴包装箱图像加载到训练完毕的转向器输入轴包装箱图像去噪模型中,得到去噪转向器输入轴包装箱图像。
进一步地,所述图像采集模块通过无线网络将拍照得到的转向器输入轴包装箱图像传输至云服务器。
与现有技术相比,本发明的有益效果如下:
1、因为标识处理得到转运泰森多边形图上没有毛边突起,所以运算出的转运线路不会出现非常复杂的情况,这样转运线路的运算效率更高,且后序还对运算出转运线路进行样条插值处理,去除了转运线路上突起点,因此最终转运线路更为平滑,从而使得转运小车的行驶更平稳、更高效。
2、通过将卷积神经网络和注意力机制结合在一起,达到将注意力机制融入到转向器输入轴包装箱图像的去噪中的目的,这样能通过对转向器输入轴包装箱图像不同位置的噪声赋予不同的权重比例值来提升转向器输入轴包装箱图像的去噪效果,从而保证云服务保存的转向器输入轴包装箱图像为清晰的图像,以方便后序的生产处理及售后处理。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并详细说明如下。
本发明实施例提供的一种转向器输入轴入库方法,包括以下步骤,
S1:将生产好的转向器输入轴装入转向器输入轴包装箱内;
S2:获取盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置;
S3:根据盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置,运算最终转运线路;
S4:转运小车根据所述最终转运线路将盛装满转向器输入轴的所述转向器输入轴包装箱转运至所述预设位置。
上述根据盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置,运算最终转运线路,具体为,
采集转运小车的入库三色地图,并通过转运小车的入库三色地图对转运小车的位置进行定位,对所述入库三色地图进行图像二值化处理得到二值化处理图像,接着对所述二值化处理图像进行图像腐蚀处理得到腐蚀处理图像,然后对所述腐蚀处理图像进行图像膨胀处理得到入库处理地图,在接着标识入库处理地图上所有的像素点,并将黑色像素值设为0将白色像素值设为1,首先标识任意一个像素点为1点,然后将与1点相邻的八个像素点分别标识为2点、3点、4点、5点、6点、7点、8点和9点,接着将2点像素值、3点像素值、4点像素值、5点像素值、6点像素值、7点像素值、8点像素值和9点像素值累加求和得到像素值总和,设该像素值总和大于等于二且小于等于六,再计算所述2点像素值、4点像素值和8点像素值乘积得到248像素值乘积,设该248像素值乘积为零,并设定所述2点、3点、4点、5点、6点、7点、8点和9点各自对应的像素值都只变化一次,最后计算所述2点像素值、4点像素值和6点像素值乘积得到246像素值乘积,设该246像素值乘积为零,对所述入库处理地图上所有的像素点进行标识处理得到转运泰森多边形图,将所述盛装满转向器输入轴的所述转向器输入轴包装箱的位置作为转运小车的转运起始位置,将转向器输入轴包装箱需入库的仓库的预设位置作为转运小车的转运终点位置,在转运泰森多边形图中运算得到初始转运线路,该初始转运线路的运算包括转运起始位置到转运泰森多边形图的线路运算、转运终点位置到转运泰森多边形图的线路运算、转运起始位置与转运终点位置之间的多边形图的运算,接着将初始转运线路的像素点坐标排列成转运线路点集E1、E2…En,并设平滑处理窗口k,2<k<n,其中k为正整数,以k个点为一组将转运线路点集划分为若干组数据E1~Ek~E2k~En,将预设距离阈值设定为预设值,运算每组数据始末的直线F的平面方程s1x+s2y+s3=0,运算每组数据中间k-2个点到直线F的直线距离若最大直线距离大于预设距离阈值,则去除中间k-2个转运线路点集,连接始末两点并去除转运线路中的突起点,运算该直线上所有像素点坐标作为新的转运线路点集,反之则不作处理,得到经处理的转运线路,再对经处理的转运线路进行样条插值处理,得到平滑的转运线路即最终转运线路。因为标识处理得到转运泰森多边形图上没有毛边突起,所以运算出的转运线路不会出现非常复杂的情况,这样转运线路的运算效率更高,且后序还对运算出转运线路进行样条插值处理,去除了转运线路上突起点,因此最终转运线路更为平滑,从而使得转运小车的行驶更平稳、更高效。
上述转运小车上设有图像采集模块。所述转运小车将盛装满转向器输入轴的所述转向器输入轴包装箱转运至所述预设位置后,所述图像采集模块对转运至所述预设位置的所述转向器输入轴包装箱进行拍照,并通过5G网络将拍照得到的转向器输入轴包装箱图像传输至云服务器。所述云服务器收到所述图像采集模块传输的转向器输入轴包装箱图像后,对所述转向器输入轴包装箱图像进行去噪处理,得到去噪转向器输入轴包装箱图像,并将所述去噪转向器输入轴包装箱图像进行保存。
上述对所述转向器输入轴包装箱图像进行去噪处理,具体如下,
首先搭建转向器输入轴包装箱图像去噪模型,该转向器输入轴包装箱图像去噪模型包括转向器输入轴包装箱图像去噪网络和转向器输入轴包装箱图像基于注意力制网络,收集过往生产中清晰的转向器输入轴包装箱图像创建去噪模型训练集合,对去噪模型训练集和进行预处理,利用白噪声效仿真实噪声结合到清晰的转向器输入轴包装箱图像中,得到携噪转向器输入轴包装箱图像,将携噪转向器输入轴包装箱图像加载到转向器输入轴包装箱图像去噪网络的逆卷积层中,并将计算得到的数据加载到由卷积层连接构建的具有密集连接性的卷积网络中,再将该具有密集连接性的卷积网络的计算数据载入到逆卷积层中,得到携噪转向器输入轴包装箱图像噪声分布图,从携噪转向器输入轴包装箱图像中去除得到的携噪转向器输入轴包装箱图像噪声分布图,得到一级去噪转向器输入轴包装箱图像,将一级去噪转向器输入轴包装箱图像加载到转向器输入轴包装箱图像基于注意力制网络的逆卷积层中,并将计算得到的数据加载到由卷积层连接构建的具有密集连接性的卷积网络中,再将该具有密集连接性的卷积网络的计算数据与逆卷积层的计算数据进行结合得到结合计算数据,接着将结合计算数据再加载到逆卷积层中得到最终计算数据,最后将最终计算数据进行线性回归计算得到转向器输入轴包装箱噪声权重比例图,将携噪转向器输入轴包装箱图像噪声分布图与转向器输入轴包装箱噪声权重比例图整合得到转向器输入轴包装箱噪声残差图,从携噪转向器输入轴包装箱图像中去除得到的转向器输入轴包装箱噪声残差图得到二级去噪转向器输入轴包装箱图像,对一级去噪转向器输入轴包装箱图像和二级去噪转向器输入轴包装箱图像作均方误差计算,持续修正携噪转向器输入轴包装箱图像与二级去噪转向器输入轴包装箱图像之间的对应关系,并修正转向器输入轴包装箱图像去噪模型的参数,一直到转向器输入轴包装箱图像去噪模型平稳,得到训练完毕的转向器输入轴包装箱图像去噪模型,将所述图像采集模块拍照得到的转向器输入轴包装箱图像加载到训练完毕的转向器输入轴包装箱图像去噪模型中,得到去噪转向器输入轴包装箱图像。通过将卷积神经网络和注意力机制结合在一起,达到将注意力机制融入到转向器输入轴包装箱图像的去噪中的目的,这样能通过对转向器输入轴包装箱图像不同位置的噪声赋予不同的权重比例值来提升转向器输入轴包装箱图像的去噪效果,从而保证云服务保存的转向器输入轴包装箱图像为清晰的图像,以方便后序的生产处理及售后处理。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种转向器输入轴入库方法,其特征在于:包括以下步骤,
S1:将生产好的转向器输入轴装入转向器输入轴包装箱内;
S2:获取盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置;
S3:根据盛装满转向器输入轴的所述转向器输入轴包装箱的位置和所述转向器输入轴包装箱需入库的仓库的预设位置,运算最终转运线路,具体为,
采集转运小车的入库三色地图,并通过转运小车的入库三色地图对转运小车的位置进行定位,对所述入库三色地图进行图像二值化处理得到二值化处理图像,接着对所述二值化处理图像进行图像腐蚀处理得到腐蚀处理图像,然后对所述腐蚀处理图像进行图像膨胀处理得到入库处理地图,在接着标识入库处理地图上所有的像素点,并将黑色像素值设为0将白色像素值设为1,首先标识任意一个像素点为1点,然后将与1点相邻的八个像素点分别标识为2点、3点、4点、5点、6点、7点、8点和9点,接着将2点像素值、3点像素值、4点像素值、5点像素值、6点像素值、7点像素值、8点像素值和9点像素值累加求和得到像素值总和,设该像素值总和大于等于二且小于等于六,再计算所述2点像素值、4点像素值和8点像素值乘积得到248像素值乘积,设该248像素值乘积为零,并设定所述2点、3点、4点、5点、6点、7点、8点和9点各自对应的像素值都只变化一次,最后计算所述2点像素值、4点像素值和6点像素值乘积得到246像素值乘积,设该246像素值乘积为零,对所述入库处理地图上所有的像素点进行标识处理得到转运泰森多边形图,将所述盛装满转向器输入轴的所述转向器输入轴包装箱的位置作为转运小车的转运起始位置,将转向器输入轴包装箱需入库的仓库的预设位置作为转运小车的转运终点位置,在转运泰森多边形图中运算得到初始转运线路,该初始转运线路的运算包括转运起始位置到转运泰森多边形图的线路运算、转运终点位置到转运泰森多边形图的线路运算、转运起始位置与转运终点位置之间的多边形图的运算,接着将初始转运线路的像素点坐标排列成转运线路点集E1、E2…En,并设平滑处理窗口k,2<k<n,其中k为正整数,以k个点为一组将转运线路点集划分为若干组数据E1~Ek~E2k~En,将预设距离阈值设定为预设值,运算每组数据始末的直线F的平面方程s1x+s2y+s3=0,运算每组数据中间k-2个点到直线F的直线距离若最大直线距离大于预设距离阈值,则去除中间k-2个转运线路点集,连接始末两点并去除转运线路中的突起点,运算该直线上所有像素点坐标作为新的转运线路点集,反之则不作处理,得到经处理的转运线路,再对经处理的转运线路进行样条插值处理,得到平滑的转运线路即最终转运线路;
S4:转运小车根据所述最终转运线路将盛装满转向器输入轴的所述转向器输入轴包装箱转运至所述预设位置。
2.如权利要求1所述的一种转向器输入轴入库方法,其特征在于:所述转运小车上设有图像采集模块。
3.如权利要求2所述的一种转向器输入轴入库方法,其特征在于:所述转运小车将盛装满转向器输入轴的所述转向器输入轴包装箱转运至所述预设位置后,所述图像采集模块对转运至所述预设位置的所述转向器输入轴包装箱进行拍照,并将拍照得到的转向器输入轴包装箱图像传输至云服务器。
4.如权利要求3所述的一种转向器输入轴入库方法,其特征在于:所述云服务器收到所述图像采集模块传输的转向器输入轴包装箱图像后,对所述转向器输入轴包装箱图像进行去噪处理,得到去噪转向器输入轴包装箱图像,并将所述去噪转向器输入轴包装箱图像进行保存。
5.如权利要求4所述的一种转向器输入轴入库方法,其特征在于:所述对所述转向器输入轴包装箱图像进行去噪处理,具体如下,
首先搭建转向器输入轴包装箱图像去噪模型,该转向器输入轴包装箱图像去噪模型包括转向器输入轴包装箱图像去噪网络和转向器输入轴包装箱图像基于注意力制网络,收集过往生产中清晰的转向器输入轴包装箱图像创建去噪模型训练集合,对去噪模型训练集和进行预处理,利用白噪声效仿真实噪声结合到清晰的转向器输入轴包装箱图像中,得到携噪转向器输入轴包装箱图像,将携噪转向器输入轴包装箱图像加载到转向器输入轴包装箱图像去噪网络的逆卷积层中,并将计算得到的数据加载到由卷积层连接构建的具有密集连接性的卷积网络中,再将该具有密集连接性的卷积网络的计算数据载入到逆卷积层中,得到携噪转向器输入轴包装箱图像噪声分布图,从携噪转向器输入轴包装箱图像中去除得到的携噪转向器输入轴包装箱图像噪声分布图,得到一级去噪转向器输入轴包装箱图像,将一级去噪转向器输入轴包装箱图像加载到转向器输入轴包装箱图像基于注意力制网络的逆卷积层中,并将计算得到的数据加载到由卷积层连接构建的具有密集连接性的卷积网络中,再将该具有密集连接性的卷积网络的计算数据与逆卷积层的计算数据进行结合得到结合计算数据,接着将结合计算数据再加载到逆卷积层中得到最终计算数据,最后将最终计算数据进行线性回归计算得到转向器输入轴包装箱噪声权重比例图,将携噪转向器输入轴包装箱图像噪声分布图与转向器输入轴包装箱噪声权重比例图整合得到转向器输入轴包装箱噪声残差图,从携噪转向器输入轴包装箱图像中去除得到的转向器输入轴包装箱噪声残差图得到二级去噪转向器输入轴包装箱图像,对一级去噪转向器输入轴包装箱图像和二级去噪转向器输入轴包装箱图像作均方误差计算,持续修正携噪转向器输入轴包装箱图像与二级去噪转向器输入轴包装箱图像之间的对应关系,并修正转向器输入轴包装箱图像去噪模型的参数,一直到转向器输入轴包装箱图像去噪模型平稳,得到训练完毕的转向器输入轴包装箱图像去噪模型,将所述图像采集模块拍照得到的转向器输入轴包装箱图像加载到训练完毕的转向器输入轴包装箱图像去噪模型中,得到去噪转向器输入轴包装箱图像。
6.如权利要求3所述的一种转向器输入轴入库方法,其特征在于:所述图像采集模块通过无线网络将拍照得到的转向器输入轴包装箱图像传输至云服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436668.6A CN111634602B (zh) | 2020-05-21 | 2020-05-21 | 一种转向器输入轴入库方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436668.6A CN111634602B (zh) | 2020-05-21 | 2020-05-21 | 一种转向器输入轴入库方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111634602A CN111634602A (zh) | 2020-09-08 |
CN111634602B true CN111634602B (zh) | 2021-07-20 |
Family
ID=72324744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010436668.6A Active CN111634602B (zh) | 2020-05-21 | 2020-05-21 | 一种转向器输入轴入库方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111634602B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853387A (zh) * | 2010-04-02 | 2010-10-06 | 北京物资学院 | 立体仓库货物盘点方法及系统 |
CN109292347A (zh) * | 2017-07-24 | 2019-02-01 | 深圳市德朗能电子科技有限公司 | 立体仓库智能控制方法及系统 |
CN108928594B (zh) * | 2018-07-13 | 2020-03-27 | 杭州慧仓信息科技有限公司 | 基于智能体模型的立体库多向穿梭车调度系统的调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10600194B2 (en) * | 2017-08-24 | 2020-03-24 | General Electric Company | Image and video capture architecture for three-dimensional reconstruction |
-
2020
- 2020-05-21 CN CN202010436668.6A patent/CN111634602B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853387A (zh) * | 2010-04-02 | 2010-10-06 | 北京物资学院 | 立体仓库货物盘点方法及系统 |
CN109292347A (zh) * | 2017-07-24 | 2019-02-01 | 深圳市德朗能电子科技有限公司 | 立体仓库智能控制方法及系统 |
CN108928594B (zh) * | 2018-07-13 | 2020-03-27 | 杭州慧仓信息科技有限公司 | 基于智能体模型的立体库多向穿梭车调度系统的调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111634602A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086807B (zh) | 一种基于空洞卷积堆叠网络的半监督光流学习方法 | |
CN110163801B (zh) | 一种图像超分辨和着色方法、系统及电子设备 | |
CN107358575A (zh) | 一种基于深度残差网络的单幅图像超分辨率重建方法 | |
CN111145253B (zh) | 一种高效的物体6d姿态估计算法 | |
CN103136750B (zh) | 双目视觉系统的立体匹配优化方法 | |
CN112002015B (zh) | 无序点云生成网格数据结构的方法、装置、设备及介质 | |
CN114862731B (zh) | 低秩先验与空谱信息引导的多-高光谱影像融合方法 | |
CN113222834A (zh) | 一种基于平滑约束和矩阵分解的视觉数据张量补全方法 | |
CN108230235A (zh) | 一种视差图生成系统、方法及存储介质 | |
CN111634602B (zh) | 一种转向器输入轴入库方法 | |
CN111553296B (zh) | 一种基于fpga实现的二值神经网络立体视觉匹配方法 | |
CN115375838A (zh) | 一种基于无人机的双目灰度图像的三维重建方法 | |
CN112017116B (zh) | 基于非对称卷积的图像超分辨率重建网络及其构建方法 | |
CN110930306A (zh) | 一种基于非局部感知的深度图超分辨率重建网络构建方法 | |
CN116109689A (zh) | 基于引导优化聚合的边缘保持立体匹配方法 | |
CN107609694B (zh) | 海上风电集群输电系统结构优化方法及存储介质 | |
CN114140357B (zh) | 一种基于协同注意力机制的多时相遥感图像云区重建方法 | |
CN104184981A (zh) | 一种基于缩减像素采样处理的低解析度显示方法及设备 | |
CN111161134A (zh) | 基于伽马变换的图像艺术风格转换方法 | |
CN112464901A (zh) | 基于梯度脸局部高阶主方向模式的人脸特征提取方法 | |
CN108550111B (zh) | 一种基于多级字典学习的残差实例回归超分辨重建方法 | |
CN115984587A (zh) | 联合混合尺度特征描述子与邻居一致性的图像匹配方法 | |
CN116188728A (zh) | 一种建筑网格模型重构为cad指令模型的方法及装置 | |
CN114663307A (zh) | 基于不确定性网络的集成图像去噪系统 | |
CN105590294A (zh) | 一种图像处理方法和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |