CN112634270A - 一种基于工业互联网的成像检测系统及方法 - Google Patents

一种基于工业互联网的成像检测系统及方法 Download PDF

Info

Publication number
CN112634270A
CN112634270A CN202110252619.1A CN202110252619A CN112634270A CN 112634270 A CN112634270 A CN 112634270A CN 202110252619 A CN202110252619 A CN 202110252619A CN 112634270 A CN112634270 A CN 112634270A
Authority
CN
China
Prior art keywords
product
data
pixel data
matrix
image
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.)
Granted
Application number
CN202110252619.1A
Other languages
English (en)
Other versions
CN112634270B (zh
Inventor
龙小昂
胡丽华
周兴文
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.)
SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Original Assignee
SHENZHEN HUALONG XUNDA INFORMATION 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 SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD filed Critical SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Priority to CN202110252619.1A priority Critical patent/CN112634270B/zh
Publication of CN112634270A publication Critical patent/CN112634270A/zh
Application granted granted Critical
Publication of CN112634270B publication Critical patent/CN112634270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于工业互联网的成像检测系统及方法，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，通过改进ToF相机计算方式获取产品信息，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm。本发明显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强。

Description

一种基于工业互联网的成像检测系统及方法
技术领域
本发明涉及工业互联网技术领域，具体地涉及一种基于工业互联网的成像检测系统及方法。
背景技术
基于工业互联网下，产品全生命周期管理，需要及时获取相应信息，才能够达到高效率匹配。产品全生命周期管理过程中，特别对于那些高端复杂精密的装备，其设计复杂多变、制造流程较长、参与企业众多，企业内各生产线间、工厂间以及企业之间存在大量非标准化的标识和采集数据格式不统一的问题，导致产品数据被保存在不同位置、不同设计的信息系统中，产品数据难以互通共享，形成了一个个“信息孤岛”，难以形成产品全生命周期数字化，致使数据难以为企业带来价值。工业互联网下产品信息及其表达是实现产品全生命周期管理的重要基础。
而工业互联网初级阶段，没有产品统一数据表示方式，且获取的数据不准确，在数据量较大情况下不能确定产品类别，通过建设工业互联网相关节点，针对企业使用的不同标识体系，提供产品信息数字化，实现公共编码，帮助企业实现各环节、各企业间信息的对接与互通，将“信息孤岛”转变成基于统一标识的全流程信息自由流动，实现设计、生产、市场、售后信息的全面数字化与交互，提升企业知识价值与共享，优化产品开发与业务流程，降低产品全生命周期管理成本，从而提升企业的市场竞争力，亟待解决。
发明内容
为解决上述技术问题，本发明提供一种基于工业互联网的成像检测系统及方法，通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强。
本发明的技术方案是这样实现的：一种基于工业互联网的成像检测系统及方法，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机在至少四个方向角度获取物体与相机的距离差D、相位差
Figure 179892DEST_PATH_IMAGE001
、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：
Figure 753961DEST_PATH_IMAGE002
对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：
Figure 123763DEST_PATH_IMAGE003
其中，
Figure 545517DEST_PATH_IMAGE004
表示产品数据点
Figure 545834DEST_PATH_IMAGE005
对产品类点
Figure 154670DEST_PATH_IMAGE006
的亲和度；
Figure 328162DEST_PATH_IMAGE007
表示产品数据点
Figure 542106DEST_PATH_IMAGE008
到产品类点
Figure 510062DEST_PATH_IMAGE009
的距离；
Figure 871773DEST_PATH_IMAGE010
为产品个数，n为待确认产品总个数；
Figure 786639DEST_PATH_IMAGE011
为开关指数，
Figure 917406DEST_PATH_IMAGE012
，开关指数越小表示产品分类越清晰，所以，
Figure 56264DEST_PATH_IMAGE013
为
Figure 92222DEST_PATH_IMAGE014
的亲和度矩阵，
Figure 873096DEST_PATH_IMAGE015
是
Figure 592790DEST_PATH_IMAGE016
的待确认产品数据集矩阵，
Figure 105811DEST_PATH_IMAGE017
为
Figure 442115DEST_PATH_IMAGE018
的产品类点矩阵，迭代更新产品类点矩阵
Figure 495521DEST_PATH_IMAGE019
和待确认产品数据集矩阵
Figure 538564DEST_PATH_IMAGE020
实现目的值Jm的优化，其中，产品类点
Figure 284803DEST_PATH_IMAGE021
中每个元素
Figure 46085DEST_PATH_IMAGE022
Figure 637604DEST_PATH_IMAGE023
的更新公式如下：
Figure 597470DEST_PATH_IMAGE024
而亲和度
Figure 967140DEST_PATH_IMAGE025
的更新公式为：
Figure 12456DEST_PATH_IMAGE026
目的值Jm优化的过程中需满足以下约束条件：
Figure 407665DEST_PATH_IMAGE027
产品类别分析流程如下：
迭代次数
Figure 425300DEST_PATH_IMAGE028
，选择
Figure 513342DEST_PATH_IMAGE029
和
Figure 780375DEST_PATH_IMAGE030
，随机初始化
Figure 182538DEST_PATH_IMAGE031
；更新
Figure 116996DEST_PATH_IMAGE032
；更新
Figure 110359DEST_PATH_IMAGE033
；
Figure 67951DEST_PATH_IMAGE034
，当
Figure 70542DEST_PATH_IMAGE035
或者
Figure 46457DEST_PATH_IMAGE036
时，算法停止，否则转向更新U，其中
Figure 476302DEST_PATH_IMAGE037
、
Figure 983506DEST_PATH_IMAGE038
是一个实数,
Figure 461892DEST_PATH_IMAGE039
表示l元素产品数据点。
优选地，所述产品自身图像像素数据包括产品rgb颜色空间像素数据，以及lab颜色空间图像像素数据。
优选地，所述产品自身图像像素数据还包括：边界连通度、颜色分布紧凑度、距离加权的颜色对比度、像素的前景概率、背景概率。
优选地，所述倾斜影像数据包括坡度，所述坡度计算方式为：对每个产品图像进行灰度化处理，提取每个图像块中灰度值最低以及灰度值最高的像素点，分别为T1、T2；坡度为Q=（T2-T1）。
优选地，所述产品自身图像像素数据包括：产品图像块中每个像素的R、G、B以及H、S、V值。
优选地，所述产品自身图像像素数据包括：获取产品自身图像像素数据的直方图、获取产品自身图像像素数据的均值、获取产品自身图像像素数据的方差、获取产品自身图像像素数据的偏度、获取产品自身图像像素数据的峰度、获取产品自身图像像素数据的能量、获取产品自身图像像素数据的墒中的一个或多个；
获取产品自身图像像素数据的直方图为：
Figure 105363DEST_PATH_IMAGE040
M为像素总数，N(l)为灰度值为l 的像素数，l＝1，2，…L-1 为图像的灰度级;
获取产品自身图像像素数据的均值:
Figure 706109DEST_PATH_IMAGE041
获取产品自身图像像素数据的方差:
Figure 638293DEST_PATH_IMAGE042
获取产品自身图像像素数据的偏度:
Figure 982686DEST_PATH_IMAGE043
获取产品自身图像像素数据的峰度:
Figure 480664DEST_PATH_IMAGE044
获取产品自身图像像素数据的能量:
Figure 455573DEST_PATH_IMAGE045
获取产品自身图像像素数据的墒:
Figure 671791DEST_PATH_IMAGE046
。
优选地，还包括在对数据矩阵进行MPS编码前，对数据矩阵进行预处理，对数据矩阵滤波去噪。
同时，还提供一种基于工业互联网的成像检测系统，其特征在于，包括：数据获取模块：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差
Figure 554296DEST_PATH_IMAGE047
、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵；
数据编码模块：对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：
Figure 359310DEST_PATH_IMAGE002
优化目的值Jm模块：对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：
Figure 567437DEST_PATH_IMAGE003
其中，
Figure 5372DEST_PATH_IMAGE048
表示产品数据点
Figure 629251DEST_PATH_IMAGE049
对产品类点
Figure 367400DEST_PATH_IMAGE050
的亲和度；
Figure 684112DEST_PATH_IMAGE051
表示产品数据点
Figure 609343DEST_PATH_IMAGE052
到产品类点
Figure 99230DEST_PATH_IMAGE053
的距离；
Figure 363989DEST_PATH_IMAGE054
为产品个数，n为待确认产品总个数；
Figure 648340DEST_PATH_IMAGE055
为开关指数，
Figure 326446DEST_PATH_IMAGE056
，开关指数越小表示产品分类越清晰，所以，
Figure 806975DEST_PATH_IMAGE057
为
Figure 254137DEST_PATH_IMAGE058
的亲和度矩阵，
Figure 443809DEST_PATH_IMAGE059
是
Figure 546895DEST_PATH_IMAGE060
的待确认产品数据集矩阵，
Figure 378584DEST_PATH_IMAGE061
为
Figure 680253DEST_PATH_IMAGE062
的产品类点矩阵，迭代更新产品类点矩阵
Figure 244089DEST_PATH_IMAGE063
和待确认产品数据集矩阵
Figure 896787DEST_PATH_IMAGE064
实现目的值Jm的优化，其中，产品类点
Figure 266589DEST_PATH_IMAGE065
中每个元素
Figure 360447DEST_PATH_IMAGE066
Figure 423081DEST_PATH_IMAGE067
的更新公式如下：
Figure 484447DEST_PATH_IMAGE068
而亲和度
Figure 657939DEST_PATH_IMAGE069
的更新公式为：
Figure 934200DEST_PATH_IMAGE070
目的值Jm优化的过程中需满足以下约束条件：
Figure 105418DEST_PATH_IMAGE071
产品类别分析流程如下：
迭代次数
Figure 467129DEST_PATH_IMAGE072
，选择
Figure 178733DEST_PATH_IMAGE073
和
Figure 247183DEST_PATH_IMAGE074
，随机初始化
Figure 651620DEST_PATH_IMAGE075
；更新
Figure 235048DEST_PATH_IMAGE076
；更新
Figure 688026DEST_PATH_IMAGE077
；
Figure 938879DEST_PATH_IMAGE078
，当
Figure 248637DEST_PATH_IMAGE079
或者
Figure 771891DEST_PATH_IMAGE080
时，算法停止，否则转向更新U，其中
Figure 90877DEST_PATH_IMAGE081
、
Figure 930657DEST_PATH_IMAGE082
是一个实数,
Figure 614580DEST_PATH_IMAGE039
表示l元素产品数据点。
与现有技术相比，本发明的技术方案具有以下有益效果：通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强；本发明通过通过改进ToF相机计算方式，将产品外接圆半径加入到距离计算考虑因素中能够显著地提高了准确性及效率，本申请的向量产生方式以及MPS编码克服了工业互联网下数据不统一的问题，通过优化Jm，进而确定产品类别，在准确率方面大大增强。
附图说明
图1是本发明一种基于工业互联网的成像检测系统及方法的流程图。
具体实施方式
本领域技术人员理解，如背景技术所言，传统技术传统技术中而工业互联网初级阶段，没有产品统一数据表示方式，且获取的数据不准确，在数据量较大情况下不能确定产品类别；本发明通过通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强；本发明通过通过改进ToF相机计算方式，将产品外接圆半径加入到距离计算考虑因素中能够显著地提高了准确性及效率，本申请的向量产生方式以及MPS编码克服了工业互联网下数据不统一的问题，通过优化Jm，进而确定产品类别，在准确率方面大大增强。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例1：
图1示出了本发明一种基于工业互联网的成像检测系统及方法，在一些实施例中，例如，卷烟设备的生产中，需要获取每一支烟，每个烟盒，每一条烟，造烟设备等信息，数量繁杂，同时涉及外观，形状，字体，烟草材料等各种信息，需要进行分门别类的进行数据编码，分类，提高匹配效率；具体实现形式如下，一种基于工业互联网的成像检测系统及方法，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机在至少四个方向角度获取物体与相机的距离差D、相位差
Figure 172600DEST_PATH_IMAGE083
、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：
Figure 232960DEST_PATH_IMAGE002
对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：
Figure 927246DEST_PATH_IMAGE003
其中，
Figure 844387DEST_PATH_IMAGE084
表示产品数据点
Figure 92965DEST_PATH_IMAGE085
对产品类点
Figure 488175DEST_PATH_IMAGE086
的亲和度；
Figure 302547DEST_PATH_IMAGE087
表示产品数据点
Figure 843119DEST_PATH_IMAGE088
到产品类点
Figure 110152DEST_PATH_IMAGE089
的距离；
Figure 574631DEST_PATH_IMAGE090
为产品个数，n为待确认产品总个数；
Figure 181193DEST_PATH_IMAGE091
为开关指数，
Figure 705715DEST_PATH_IMAGE092
，开关指数越小表示产品分类越清晰，所以，
Figure 460045DEST_PATH_IMAGE093
为
Figure 400319DEST_PATH_IMAGE094
的亲和度矩阵，
Figure 189283DEST_PATH_IMAGE095
是
Figure 822390DEST_PATH_IMAGE096
的待确认产品数据集矩阵，
Figure 798436DEST_PATH_IMAGE097
为
Figure 604718DEST_PATH_IMAGE062
的产品类点矩阵，迭代更新产品类点矩阵
Figure 700719DEST_PATH_IMAGE098
和待确认产品数据集矩阵
Figure 35885DEST_PATH_IMAGE099
实现目的值Jm的优化，其中，产品类点
Figure 30386DEST_PATH_IMAGE100
中每个元素
Figure 312463DEST_PATH_IMAGE101
Figure 810440DEST_PATH_IMAGE102
的更新公式如下：
Figure 582087DEST_PATH_IMAGE103
而亲和度
Figure 1567DEST_PATH_IMAGE104
的更新公式为：
Figure 149652DEST_PATH_IMAGE105
目的值Jm优化的过程中需满足以下约束条件：
Figure 502136DEST_PATH_IMAGE106
产品类别分析流程如下：
迭代次数
Figure 647946DEST_PATH_IMAGE107
，选择
Figure 351460DEST_PATH_IMAGE090
和
Figure 772077DEST_PATH_IMAGE108
，随机初始化
Figure 697177DEST_PATH_IMAGE109
；更新
Figure 810626DEST_PATH_IMAGE110
；更新
Figure 939119DEST_PATH_IMAGE111
；
Figure 163427DEST_PATH_IMAGE112
，当
Figure 756083DEST_PATH_IMAGE113
或者
Figure 243696DEST_PATH_IMAGE114
时，算法停止，否则转向更新U，其中
Figure 921802DEST_PATH_IMAGE115
、
Figure 684222DEST_PATH_IMAGE116
是一个实数,
Figure 69066DEST_PATH_IMAGE039
表示l元素产品数据点。
在一些实施例中，所述产品自身图像像素数据包括产品rgb颜色空间像素数据，以及lab颜色空间图像像素数据。
在一些实施例中，所述产品自身图像像素数据还包括：边界连通度、颜色分布紧凑度、距离加权的颜色对比度、像素的前景概率、背景概率。
在一些实施例中，所述倾斜影像数据包括坡度，所述坡度计算方式为：对每个产品图像进行灰度化处理，提取每个图像块中灰度值最低以及灰度值最高的像素点，分别为T1、T2；坡度为Q=（T2-T1）。
在一些实施例中，所述产品自身图像像素数据包括：产品图像块中每个像素的R、G、B以及H、S、V值。
在一些实施例中，所述产品自身图像像素数据包括：获取产品自身图像像素数据的直方图、获取产品自身图像像素数据的均值、获取产品自身图像像素数据的方差、获取产品自身图像像素数据的偏度、获取产品自身图像像素数据的峰度、获取产品自身图像像素数据的能量、获取产品自身图像像素数据的墒中的一个或多个；
获取产品自身图像像素数据的直方图为：
Figure 789898DEST_PATH_IMAGE117
M为像素总数，N(l)为灰度值为l 的像素数，l＝1，2，…L-1为图像的灰度级;
获取产品自身图像像素数据的均值:
Figure 689721DEST_PATH_IMAGE118
获取产品自身图像像素数据的方差:
Figure 708361DEST_PATH_IMAGE119
获取产品自身图像像素数据的偏度:
Figure 10029DEST_PATH_IMAGE120
获取产品自身图像像素数据的峰度:
Figure 636183DEST_PATH_IMAGE121
获取产品自身图像像素数据的能量:
Figure 226564DEST_PATH_IMAGE122
获取产品自身图像像素数据的墒:
Figure 596366DEST_PATH_IMAGE123
。
在一些实施例中，还包括在对数据矩阵进行MPS编码前，对数据矩阵进行预处理，对数据矩阵滤波去噪。
一种基于工业互联网的成像检测系统，其特征在于，包括：数据获取模块：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差
Figure 955803DEST_PATH_IMAGE124
、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵；
数据编码模块：对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：
Figure 752858DEST_PATH_IMAGE002
优化目的值Jm模块：对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：
Figure 627273DEST_PATH_IMAGE003
其中，
Figure 4027DEST_PATH_IMAGE125
表示产品数据点
Figure 14709DEST_PATH_IMAGE126
对产品类点
Figure 248244DEST_PATH_IMAGE127
的亲和度；
Figure 796906DEST_PATH_IMAGE128
表示产品数据点
Figure 508510DEST_PATH_IMAGE129
到产品类点
Figure 842539DEST_PATH_IMAGE130
的距离；
Figure 981397DEST_PATH_IMAGE131
为产品个数，n为待确认产品总个数；
Figure 830404DEST_PATH_IMAGE132
为开关指数，
Figure 283382DEST_PATH_IMAGE133
，开关指数越小表示产品分类越清晰，所以，
Figure 268655DEST_PATH_IMAGE134
为
Figure 843993DEST_PATH_IMAGE135
的亲和度矩阵，
Figure 117980DEST_PATH_IMAGE136
是
Figure 436966DEST_PATH_IMAGE137
的待确认产品数据集矩阵，
Figure 276746DEST_PATH_IMAGE138
为
Figure 209936DEST_PATH_IMAGE139
的产品类点矩阵，迭代更新产品类点矩阵
Figure 767956DEST_PATH_IMAGE140
和待确认产品数据集矩阵
Figure 828316DEST_PATH_IMAGE141
实现目的值Jm的优化，其中，产品类点
Figure 522602DEST_PATH_IMAGE142
中每个元素
Figure 439743DEST_PATH_IMAGE143
Figure 688321DEST_PATH_IMAGE144
的更新公式如下：
Figure 83531DEST_PATH_IMAGE145
而亲和度
Figure 897903DEST_PATH_IMAGE146
的更新公式为：
Figure 189207DEST_PATH_IMAGE147
目的值Jm优化的过程中需满足以下约束条件：
Figure 456240DEST_PATH_IMAGE148
产品类别分析流程如下：
迭代次数
Figure 655140DEST_PATH_IMAGE149
，选择
Figure 776549DEST_PATH_IMAGE150
和
Figure 301071DEST_PATH_IMAGE151
，随机初始化
Figure 789821DEST_PATH_IMAGE152
；更新
Figure 995675DEST_PATH_IMAGE153
；更新
Figure 784639DEST_PATH_IMAGE154
；
Figure 948904DEST_PATH_IMAGE155
，当
Figure 393792DEST_PATH_IMAGE156
或者
Figure 200074DEST_PATH_IMAGE157
时，算法停止，否则转向更新U，其中
Figure 577966DEST_PATH_IMAGE158
、
Figure 381974DEST_PATH_IMAGE116
是一个实数,
Figure 110895DEST_PATH_IMAGE039
表示l元素产品数据点。
实施例2：
在一些实施例中，还包括通过向量固定长度分段设置信息格式，不同段表示一种信息量，例如，第一段数据量100，为产品材料信息，第二段，数据量110，为产品颜色信息，第三段数据量33，为产品包装信息，第四段，数据量149，为产品ToF信息，通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机在至少四个方向角度获取物体与相机的距离差D、相位差
Figure 455289DEST_PATH_IMAGE159
、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位, τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：
Figure 405796DEST_PATH_IMAGE002
对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：
Figure 177443DEST_PATH_IMAGE160
其中，
Figure 596923DEST_PATH_IMAGE161
表示产品数据点
Figure 479429DEST_PATH_IMAGE162
对产品类点
Figure 97492DEST_PATH_IMAGE163
的亲和度；
Figure 977723DEST_PATH_IMAGE164
表示产品数据点
Figure 415658DEST_PATH_IMAGE165
到产品类点
Figure 367433DEST_PATH_IMAGE166
的距离；
Figure 777686DEST_PATH_IMAGE167
为产品个数，n为待确认产品总个数；
Figure 156715DEST_PATH_IMAGE168
为开关指数，
Figure 81945DEST_PATH_IMAGE169
，开关指数越小表示产品分类越清晰，所以，
Figure 758783DEST_PATH_IMAGE170
为
Figure 351439DEST_PATH_IMAGE171
的亲和度矩阵，
Figure 635790DEST_PATH_IMAGE172
是
Figure 985999DEST_PATH_IMAGE173
的待确认产品数据集矩阵，
Figure 279577DEST_PATH_IMAGE174
为
Figure 461160DEST_PATH_IMAGE175
的产品类点矩阵，迭代更新产品类点矩阵
Figure 119675DEST_PATH_IMAGE176
和待确认产品数据集矩阵
Figure 285077DEST_PATH_IMAGE177
实现目的值Jm的优化，其中，产品类点
Figure 54450DEST_PATH_IMAGE178
中每个元素
Figure 90539DEST_PATH_IMAGE179
Figure 982271DEST_PATH_IMAGE180
的更新公式如下：
Figure 556341DEST_PATH_IMAGE181
而亲和度
Figure 926142DEST_PATH_IMAGE182
的更新公式为：
Figure 347897DEST_PATH_IMAGE183
目的值Jm优化的过程中需满足以下约束条件：
Figure 348214DEST_PATH_IMAGE184
产品类别分析流程如下：
迭代次数
Figure 957049DEST_PATH_IMAGE185
，选择
Figure 130542DEST_PATH_IMAGE186
和
Figure 344485DEST_PATH_IMAGE187
，随机初始化
Figure 312441DEST_PATH_IMAGE188
；更新
Figure 674153DEST_PATH_IMAGE189
；更新
Figure 589019DEST_PATH_IMAGE190
；
Figure 985365DEST_PATH_IMAGE191
，当
Figure 124223DEST_PATH_IMAGE192
或者
Figure 894601DEST_PATH_IMAGE193
时，算法停止，否则转向更新U，其中
Figure 675476DEST_PATH_IMAGE194
、
Figure 864011DEST_PATH_IMAGE116
是一个实数,
Figure 173770DEST_PATH_IMAGE039
表示l元素产品数据点。
与现有技术相比，本发明的技术方案具有以下有益效果：本发明通过通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强；本发明通过通过改进ToF相机计算方式，将产品外接圆半径加入到距离计算考虑因素中能够显著地提高了准确性及效率，本申请的向量产生方式以及MPS编码克服了工业互联网下数据不统一的问题，通过优化Jm，进而确定产品类别，在准确率方面大大增强。
本领域技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品，因此本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种基于工业互联网的成像检测方法，其特征在于，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差
Figure 183486DEST_PATH_IMAGE001
、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：
Figure 399704DEST_PATH_IMAGE002
对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：
Figure 485471DEST_PATH_IMAGE003
其中，
Figure 103534DEST_PATH_IMAGE004
表示产品数据点
Figure 780503DEST_PATH_IMAGE005
对产品类点
Figure 670968DEST_PATH_IMAGE006
的亲和度；
Figure 622743DEST_PATH_IMAGE007
表示产品数据点
Figure 32996DEST_PATH_IMAGE008
到产品类点
Figure 146446DEST_PATH_IMAGE009
的距离；
Figure 337256DEST_PATH_IMAGE010
为产品个数，n为待确认产品总个数；
Figure 764826DEST_PATH_IMAGE011
为开关指数，
Figure 91902DEST_PATH_IMAGE012
，开关指数越小表示产品分类越清晰，所以，
Figure 641832DEST_PATH_IMAGE013
为
Figure 992042DEST_PATH_IMAGE014
的亲和度矩阵，
Figure 285620DEST_PATH_IMAGE015
是
Figure 467203DEST_PATH_IMAGE016
的待确认产品数据集矩阵，
Figure 374985DEST_PATH_IMAGE017
为
Figure 540387DEST_PATH_IMAGE018
的产品类点矩阵，迭代更新产品类点矩阵
Figure 106497DEST_PATH_IMAGE019
和待确认产品数据集矩阵
Figure 345849DEST_PATH_IMAGE020
实现目的值Jm的优化，其中，产品类点
Figure 237581DEST_PATH_IMAGE021
中每个元素
Figure 359121DEST_PATH_IMAGE022
Figure 932185DEST_PATH_IMAGE023
的更新公式如下：
Figure 353939DEST_PATH_IMAGE024
而亲和度
Figure 354256DEST_PATH_IMAGE025
的更新公式为：
Figure 963092DEST_PATH_IMAGE026
目的值Jm优化的过程中需满足以下约束条件：
Figure 136584DEST_PATH_IMAGE027
产品类别分析流程如下：
迭代次数
Figure 599796DEST_PATH_IMAGE028
，选择
Figure 833331DEST_PATH_IMAGE029
和
Figure 929463DEST_PATH_IMAGE030
，随机初始化
Figure 844329DEST_PATH_IMAGE031
；更新
Figure 240675DEST_PATH_IMAGE032
；更新
Figure 379533DEST_PATH_IMAGE033
；
Figure 900644DEST_PATH_IMAGE034
，当
Figure 681518DEST_PATH_IMAGE035
或者
Figure 666792DEST_PATH_IMAGE036
时，算法停止，否则转向更新U，其中
Figure 179813DEST_PATH_IMAGE037
、
Figure 250537DEST_PATH_IMAGE038
是一个实数，表示l元素产品数据点。
2.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括产品rgb颜色空间像素数据，以及lab颜色空间图像像素数据。
3.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据还包括：边界连通度、颜色分布紧凑度、距离加权的颜色对比度、像素的前景概率、背景概率。
4.根据权利要求2所述的一种基于工业互联网的成像检测方法，其特征在于，所述倾斜影像数据包括坡度，所述坡度计算方式为：对每个产品图像进行灰度化处理，提取每个图像块中灰度值最低以及灰度值最高的像素点，分别为T1、T2；坡度为Q=（T2-T1）。
5.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括：产品图像块中每个像素的R、G、B以及H、S、V值。
6.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括：获取产品自身图像像素数据的直方图、获取产品自身图像像素数据的均值、获取产品自身图像像素数据的方差、获取产品自身图像像素数据的偏度、获取产品自身图像像素数据的峰度、获取产品自身图像像素数据的能量、获取产品自身图像像素数据的墒中的一个或多个；
获取产品自身图像像素数据的直方图为：
Figure 303943DEST_PATH_IMAGE039
M为像素总数，N(l)为灰度值为l 的像素数，l＝1，2，…L-1 为图像的灰度级;
获取产品自身图像像素数据的均值:
Figure 596253DEST_PATH_IMAGE040
获取产品自身图像像素数据的方差:
Figure 342492DEST_PATH_IMAGE041
获取产品自身图像像素数据的偏度:
Figure 103775DEST_PATH_IMAGE042
获取产品自身图像像素数据的峰度:
Figure 695293DEST_PATH_IMAGE043
获取产品自身图像像素数据的能量:
Figure 920738DEST_PATH_IMAGE044
获取产品自身图像像素数据的墒:
Figure 775562DEST_PATH_IMAGE045
。
7.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，还包括在对数据矩阵进行MPS编码前，对数据矩阵进行预处理，对数据矩阵滤波去噪。
8.一种基于工业互联网的成像检测系统，其特征在于，包括：数据获取模块：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差
Figure 820878DEST_PATH_IMAGE046
、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵；
数据编码模块：对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：
Figure 216088DEST_PATH_IMAGE047
优化目的值Jm模块：对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：
Figure 233722DEST_PATH_IMAGE048
其中，
Figure 321764DEST_PATH_IMAGE049
表示产品数据点
Figure 588797DEST_PATH_IMAGE050
对产品类点
Figure 240227DEST_PATH_IMAGE051
的亲和度；
Figure 174685DEST_PATH_IMAGE052
表示产品数据点
Figure 168049DEST_PATH_IMAGE053
到产品类点
Figure 125641DEST_PATH_IMAGE054
的距离；
Figure 393811DEST_PATH_IMAGE055
为产品个数，n为待确认产品总个数；
Figure 917196DEST_PATH_IMAGE056
为开关指数，
Figure 284724DEST_PATH_IMAGE057
，开关指数越小表示产品分类越清晰，所以，
Figure 791928DEST_PATH_IMAGE058
为
Figure 535893DEST_PATH_IMAGE059
的亲和度矩阵，
Figure 913785DEST_PATH_IMAGE060
是
Figure 780110DEST_PATH_IMAGE061
的待确认产品数据集矩阵，
Figure 695982DEST_PATH_IMAGE062
为
Figure 40376DEST_PATH_IMAGE063
的产品类点矩阵，迭代更新产品类点矩阵
Figure 538353DEST_PATH_IMAGE064
和待确认产品数据集矩阵
Figure 513263DEST_PATH_IMAGE065
实现目的值Jm的优化，其中，产品类点
Figure 463901DEST_PATH_IMAGE066
中每个元素
Figure 611986DEST_PATH_IMAGE067
Figure 167732DEST_PATH_IMAGE068
的更新公式如下：
Figure 110280DEST_PATH_IMAGE069
而亲和度
Figure 813794DEST_PATH_IMAGE070
的更新公式为：
Figure 703253DEST_PATH_IMAGE071
目的值Jm优化的过程中需满足以下约束条件：
Figure 175822DEST_PATH_IMAGE072
产品类别分析流程如下：
迭代次数
Figure 289272DEST_PATH_IMAGE073
，选择
Figure 667032DEST_PATH_IMAGE074
和
Figure 156919DEST_PATH_IMAGE075
，随机初始化
Figure 483996DEST_PATH_IMAGE076
；更新
Figure 706030DEST_PATH_IMAGE077
；更新
Figure 384136DEST_PATH_IMAGE078
；
Figure 615397DEST_PATH_IMAGE079
，当
Figure 796979DEST_PATH_IMAGE080
或者
Figure 517811DEST_PATH_IMAGE081
时，算法停止，否则转向更新U，其中
Figure 355317DEST_PATH_IMAGE082
、
Figure 921427DEST_PATH_IMAGE083
是一个实数,
Figure 488675DEST_PATH_IMAGE084
表示l元素产品数据点。
CN202110252619.1A 2021-03-09 2021-03-09 一种基于工业互联网的成像检测系统及方法 Active CN112634270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110252619.1A CN112634270B (zh) 2021-03-09 2021-03-09 一种基于工业互联网的成像检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110252619.1A CN112634270B (zh) 2021-03-09 2021-03-09 一种基于工业互联网的成像检测系统及方法

Publications (2)

Publication Number Publication Date
CN112634270A true CN112634270A (zh) 2021-04-09
CN112634270B CN112634270B (zh) 2021-06-04

Family

ID=75297776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110252619.1A Active CN112634270B (zh) 2021-03-09 2021-03-09 一种基于工业互联网的成像检测系统及方法

Country Status (1)

Country Link
CN (1) CN112634270B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200199A (zh) * 2014-08-27 2014-12-10 合肥工业大学 基于tof相机的不良驾驶行为检测方法
CN109766910A (zh) * 2018-12-04 2019-05-17 西北工业大学 基于相似度传递的图聚类方法
CN110674672A (zh) * 2019-07-10 2020-01-10 北京滴普科技有限公司 一种基于tof相机的多场景人数统计方法
CN110889442A (zh) * 2019-11-20 2020-03-17 北京工业大学 一种针对脉冲型ToF深度相机的物体材质分类的方法
CN111024368A (zh) * 2019-12-06 2020-04-17 炬佑智能科技(苏州)有限公司 Tof相机杂散光检测装置及检测方法
WO2020149044A1 (ja) * 2019-01-16 2020-07-23 株式会社日立製作所 パラメータ選定装置、パラメータ選定方法、およびパラメータ選定プログラム
CN112446715A (zh) * 2021-02-01 2021-03-05 深圳华龙讯达信息技术股份有限公司 一种基于工业互联网云平台的产品溯源方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200199A (zh) * 2014-08-27 2014-12-10 合肥工业大学 基于tof相机的不良驾驶行为检测方法
CN109766910A (zh) * 2018-12-04 2019-05-17 西北工业大学 基于相似度传递的图聚类方法
WO2020149044A1 (ja) * 2019-01-16 2020-07-23 株式会社日立製作所 パラメータ選定装置、パラメータ選定方法、およびパラメータ選定プログラム
CN110674672A (zh) * 2019-07-10 2020-01-10 北京滴普科技有限公司 一种基于tof相机的多场景人数统计方法
CN110889442A (zh) * 2019-11-20 2020-03-17 北京工业大学 一种针对脉冲型ToF深度相机的物体材质分类的方法
CN111024368A (zh) * 2019-12-06 2020-04-17 炬佑智能科技(苏州)有限公司 Tof相机杂散光检测装置及检测方法
CN112446715A (zh) * 2021-02-01 2021-03-05 深圳华龙讯达信息技术股份有限公司 一种基于工业互联网云平台的产品溯源方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KENICHIRO TANAKA: "Material Classification from Time-of-Flight Distortions", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
蔡培良 等: "物联网模式下烟草智能包装机自动监测方法", 《自动化与仪器仪表》 *

Also Published As

Publication number Publication date
CN112634270B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN111210435B (zh) 一种基于局部和全局特征增强模块的图像语义分割方法
CN106547880B (zh) 一种融合地理区域知识的多维度地理场景识别方法
CN110414387B (zh) 一种基于道路分割的车道线多任务学习检测方法
CN108090919B (zh) 一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法
WO2021073493A1 (zh) 图像处理方法及装置、神经网络的训练方法、合并神经网络模型的图像处理方法、合并神经网络模型的构建方法、神经网络处理器及存储介质
CN110570396A (zh) 一种基于深度学习的工业产品缺陷检测方法
US9530218B2 (en) Method for classification and segmentation and forming 3D models from images
CN110874618B (zh) 基于小样本的ocr模板学习方法、装置、电子设备及介质
CN111325203A (zh) 一种基于图像校正的美式车牌识别方法及系统
CN110866896B (zh) 基于k-means与水平集超像素分割的图像显著性目标检测方法
Merabet et al. Building roof segmentation from aerial images using a line-and region-based watershed segmentation technique
CN111652240B (zh) 一种基于cnn的图像局部特征检测与描述方法
CN111125397B (zh) 一种基于卷积神经网络的布料图像检索方法
CN113850324B (zh) 一种基于Yolov4的多光谱目标检测方法
Zhang et al. Saliency detection via local structure propagation
CN112215859B (zh) 一种基于深度学习和邻接约束的纹理边界检测方法
CN114724155A (zh) 基于深度卷积神经网络的场景文本检测方法、系统及设备
Cerman et al. A mobile recognition system for analog energy meter scanning
CN111444923A (zh) 自然场景下图像语义分割方法和装置
CN111079826B (zh) 融合slam和图像处理的施工进度实时识别方法
CN110634142B (zh) 一种复杂车路图像边界优化方法
CN112634270B (zh) 一种基于工业互联网的成像检测系统及方法
CN111340139B (zh) 一种图像内容复杂度的判别方法及装置
US20220020113A1 (en) Image resizing using seam carving
CN113139540B (zh) 背板检测方法及设备

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