CN112686322A - 零件差异识别方法、装置、设备及存储介质 - Google Patents
零件差异识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112686322A CN112686322A CN202011642620.7A CN202011642620A CN112686322A CN 112686322 A CN112686322 A CN 112686322A CN 202011642620 A CN202011642620 A CN 202011642620A CN 112686322 A CN112686322 A CN 112686322A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- camera
- acquiring
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 31
- 238000007689 inspection Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于汽车生产技术领域，公开了一种零件差异识别方法、装置、设备及存储介质。该方法包括：本发明通过当目标工位进行零件检测时，获取所述目标工位的标识信息；根据所述目标工位的标识信息获取所述目标工位对应的图像信息；获取预设目标训练模型；根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；输出所述检测结果以完成零件差异识别。通过上述方式，实现了图像信息对目标工件进行自动化检测，可以在不影响正常生产的情况下通过视觉检测技术对汽车生产线中工件上零部件的错漏情况进行分析，减少了质检对生产效率的影响，提高了质量检测和生产活动的整体效率。
Description
技术领域
本发明涉及汽车生产技术领域，尤其涉及一种零件差异识别方法、装置、设备及存储介质。
背景技术
随着人工智能技术的不断发展，工业制造领域的生产，商用车因为支架、螺栓、螺母零件状态错漏引发的后工序不良问题点严重限制了良品率的提高。由于在传统工序中，检查零件错漏都是通过人工检测，由于人眼容易疲劳对于零件检测的准确率受个体经验和能力波动较大并且在有些高温或有毒环境中不能正常工作等因素，致使现在对生产线工件的品质检测普遍误判和错判率都很高，并且在自动化产线日益成熟的今天，传统零件检测手段往往无法满足快速运转的生产线，由于检测效率更不上生产效率往往只能采用抽检的办法，容易出现错漏。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种零件差异识别方法、装置、设备及存储介质，旨在解决现有技术零件检测效率低下的技术问题。
为实现上述目的，本发明提供了一种零件差异识别方法，所述方法包括以下步骤:
当目标工位进行零件检测时，获取所述目标工位的标识信息；
根据所述目标工位的标识信息获取所述目标工位对应的图像信息；
获取预设目标训练模型；
根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；
输出所述检测结果以完成零件差异识别。
可选的，所述获取预设目标训练模型之前，还包括：
获取待测样本图像信息；
对所述待测样本图像信息进行标记，以得到标记信息；
根据所述标记信息生成样本数据集；
根据预设检测框架对样本数据集进行训练，以得到预设目标训练模型。
可选的，所述根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果，包括：
根据所述预设目标训练模型对所述图像信息进行目标检测，以得到目标零件数据；
获取待测工件差异性数据；
根据所述待测工件差异性数据对目标零件数据进行相似度检测，以得到检测结果。
可选的，所述获取待测工件差异性数据，包括：
获取待测工件信息；
根据所述待测工件信息获取待测工件差异性数据。
可选的，所述当车架进行质量检测时，获取所述目标工位的标识信息的步骤之前，还包括：
获取摄像头状态参数；
根据所述摄像头状态参数对摄像头进行调整；
根据调整后的摄像头对目标工位进行质量检测。
可选的，所述根据所述摄像头状态参数对摄像头进行调整，包括：
根据所述摄像头状态参数得到摄像头焦距、图像宽度以及待测物宽度；
根据所述摄像头焦距、图像宽度以及待测物宽度计算得到摄像头目标水平高度；
根据所述摄像头目标水平高度生成摄像头调整参数，以使所述摄像头根据所述摄像头调整参数进行对应的调整。
可选的，所述根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果的步骤之后，还包括：
若所述检测结果为结果异常，则根据所述目标工位的标识信息发出对应的报警信息。
此外，为实现上述目的，本发明还提出一种零件差异识别装置，所述零件差异识别装置包括：
获取模块，用于当目标工位进行零件检测时，获取所述目标工位的标识信息；
处理模块，用于根据所述目标工位的标识信息获取所述目标工位对应的图像信息；
所述获取模块，还用于获取预设目标训练模型；
所述处理模块，还用于根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；
控制模块，用于输出检测结果以完成零件状态的视觉检测。
此外，为实现上述目的，本发明还提出一种零件差异识别设备，所述零件差异识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的零件差异识别程序，所述零件差异识别程序配置为实现如上文所述的零件差异识别方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有程序，所述零件差异识别程序被处理器执行时实现如上文所述的零件差异识别方法的步骤。
本发明通过当目标工位进行零件检测时，获取所述目标工位的标识信息；根据所述目标工位的标识信息获取所述目标工位对应的图像信息；获取预设目标训练模型；根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；输出所述检测结果以完成零件差异识别。实现了图像信息对目标工件进行自动化检测，可以在不影响正常生产的情况下通过视觉检测技术对汽车生产线中工件上零部件的错漏情况进行分析，减少了质检对生产效率的影响，提高了质量检测和生产活动的整体效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的零件差异识别设备的结构示意图；
图2为本发明零件差异识别方法第一实施例的流程示意图；
图3为本发明零件差异识别方法一实施例的硬件结构示意图；
图4为本发明零件差异识别方法一实施例的目标检测示意图；
图5为本发明零件差异识别方法一实施例的软件架构示意图；
图6为本发明零件差异识别方法第二实施例的流程示意图；
图7为本发明零件差异识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的零件差异识别设备结构示意图。
如图1所示，该零件差异识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对零件差异识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及零件差异识别程序。
在图1所示的零件差异识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明零件差异识别设备中的处理器1001、存储器1005可以设置在零件差异识别设备中，所述零件差异识别设备通过处理器1001调用存储器1005中存储的程序，并执行本发明实施例提供的零件差异识别方法。
本发明实施例提供了一种零件差异识别方法，参照图2，图2为本发明一种零件差异识别方法第一实施例的流程示意图。
本实施例中，所述零件差异识别方法包括以下步骤：
步骤S10：当目标工位进行零件检测时，获取所述目标工位的标识信息。
需要理解的是，本实施例的执行主体为零件差异识别系统，所述零件差异识别系统可以为中央控制器与智能服务器组成的控制系统，也可以是与所述控制系统功能相同或者相似的装置，在本实施例中以中央控制器与智能服务器组成的控制系统为例加以说明。
可以理解的是，本实施例用于在汽车工件加工处理后的质量检测环节，例如：地板支架、地板铆螺母、顶盖支架、顶盖螺杆以及后围螺杆等区域进行全面识别检查防错，从中检测出支架、螺栓以及螺母零件状态错漏引发的后工序不良问题点，此过程即为上文所述的零件检测的过程。
在具体实现中，在生产场景中，有多条生产线，例如：每条生产线对应的工位都可以装有对应的照明灯、摄像头以及报警灯，利用照明灯维持光线的稳定性，摄像头作为图像输入点，报警灯作为输出警示信号的执行器如图3所示。
此外，每个工位都有对应的标识信息用于作为不同工位的身份信息，零件差异识别系统通过身份信息可以生成对应的控制指令控制摄像头以及报警系统协同工作。
需要明白的是，当目标工位进行零件检测时，目标工位的待检测工件已进入预设位置，此时通过摄像头对待测工件进行图像采集，在零件差异识别系统接收到图像信息后对待测工件上的零件进行识别和比对判断是否出现错漏的情况。
在本实施例中，获取摄像头状态参数；根据所述摄像头状态参数对摄像头进行调整；根据调整后的摄像头对目标工位进行质量检测。
进一步的，根据所述摄像头状态参数得到摄像头焦距、图像宽度以及待测物宽度；根据所述摄像头焦距、图像宽度以及待测物宽度计算得到摄像头目标水平高度；根据所述摄像头目标水平高度生成摄像头调整参数，以使所述摄像头根据所述摄像头调整参数进行对应的调整。
需要理解的是，由于安装或者产线的差异需要对摄像头的姿态进行调整，例如：利用公式F＝wL/W其中，F为摄像头焦距、w为图像宽度、L为摄像头与被摄物体的水平高度、W为被摄物体宽度，通过上述公式计算出L的值，再根据实际情况调整摄像头的角度或者摄像头的高度以使摄像头满足图像信息采集的姿态要求。
此外，还可以根据摄像头输出画面的具体情况，生成对环境调整的提示信息，例如：安装补光灯原则为识别区域无强烈反光即可以及报警灯安装在质检工位，另一方面，还可以根据系统的错误代码生成提示信息，例如：服务器未接入电控网络等，生成线路错误的提示。
步骤S20：根据所述目标工位的标识信息获取所述目标工位对应的图像信息。
可以理解的是，所述目标工位的标识信息，可以是设备标识码，也可以是设备序列号，还可以是人工设置的识别编号，本实施例对此不加以限定。
需要理解的是，当检测工序开始后，需要获取目标工位的标识信息，以找到对应摄像头采集到的图像信息。所述目标工位的标识信息可以通过工厂自动化控制系统的数据接口获得，例如：通过PLC数据接口获得目标工位即当前检查工位的唯一识别码，再根据该标识码查找设备对应关系表，从而得到摄像头的设备标识码，从而获取到对应摄像头所采集到的图像信息。
步骤S30：获取预设目标训练模型。
需要理解的是，预设目标训练模型即为用于进行目标检测或者目标识别过程的训练模型，即使用模型训练工具得到的模型文件，根据所述模型文件可以在图像信息上识别出目标特征。
在本实施例中，获取待测样本图像信息；对所述待测样本图像信息进行标记，以得到标记信息；根据所述标记信息生成样本数据集；根据预设检测框架对样本数据集进行训练，以得到预设目标训练模型。
需要理解的是，待测样本图像信息即为原始的图像信息，由于对于机器来说并不知道需要寻找的目标对象是什么图像，因此需要先对原始的图像进行标记，把目标对象从原始的图像中标记出来，再结合机器学习得到需要的模型文件。
可以理解的是，所述预设检测框架可以是faster r-cnn框架，还可以是ssd框架，甚至可以是yolo框架，本实施例对此不加以限定。
在具体实现中，以PaddleDetection(飞桨框架)为例，飞桨是一款基于yolo框架的目标检测工具，可以利用摄像头定时采集500张需要检测到的零件图像样本，再利用Labelimag工具对样本中识别区域进行标记，根据标记后的图像区域产生数据集。最后使用PaddleDetection对数据集进行训练，首先通过卷积神经网络提取图像特征，然后再用这些特征根据标记后的数据集进行分类，再建立起分类函数，最后根据分类函数建立需要的模型文件。
进一步的，labelimag为图片标注工具，即对样本图片中需要检测的目标图像区域进行框选标记，以供后续模型训练工具进行处理。
步骤S40：根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果。
需要理解的是，根据目标训练模型可以得到需要寻找的目标图像信息如图4所示，图中虚线方框所围成的区域即为检测出的目标零件所在的位置，再将检测到的目标零件的位置信息与目标零件应当处于的位置进行比对，若比对结果大于预设阈值，即为检测合格。例如：检测到目标零件后，输出目标零件的位置坐标，将所述位置坐标与系统中储存的正常坐标进行比对，如果第一个点位置偏离大于2cm即判定零件不合格，并输出不合格的结果。
其中，如图4所示，图中方框即为所采集到的图像信息示意图，在对车辆底盘检测的过程中，检测出6个目标零件信息，其中包括零件的种类、每个种类的个数以及每个零件的位置信息。
可以理解的是，所述目标零件即为待测工件上需要进行检测的零件，例如：在对车辆底盘进行检测时，底盘上的支架、螺栓以及螺母零件等用于固定和连接的单个零件。由于在车辆生产过程中可能出现安装偏离预设目标或者少装漏装的零件，因此通过与预先设置好的位置信息进行比对即可得到检测见过。
在本实施例中，若所述检测结果为结果异常，则根据所述目标工位的标识信息发出对应的报警信息。
需要理解的是，当检测的结果为结果异常时，需要输出提示信号以保证质检人员能够及时发现并且对异常工件进行处理，因此可以通过目标工位的标识信息，通过设备映射表找到对应的报警装置进行报警提示，例如：当发现一号生产线出现异常工件时，生成警示信号并控制一号生产线的警示灯发闪光并发出异常工件状态对应的报警铃，以提醒相关设备进入异常处理流程。
步骤S50：输出所述检测结果以完成零件差异识别。
需要理解的是，由于检测数据还需要用于进行数据统计或者其他环节的工作，因此需要将检测结果输出并进行记录。例如：结果数据最终记录在Mysql中，以供其他操作软件进行数据调用，软件架构如图5所示。本实施例提供一种软件架构的优选方案，其中，本实施例开发语言可以使用Python3.5，识别框架使用PaddleDection，数据管理使用Mysql，开发的接口有：工艺数据接口、PLC数据接口以及ERP计划接口。通过PLC数据接口可以获得当前检查工位的唯一识别码即目标工位标识信息；再与ERP计划进行匹配得到目标车位的生产车型；随后根据工艺数据接口获得当前车型对应所需零件的差异数据；最后PaddleDection利用差异数据检测图片相应的相似度，对于小于经验权值的相似度可视为异常结果，反之则正常，结果数据最终都记录在Mysql中。
本实施例通过当目标工位进行零件检测时，获取所述目标工位的标识信息；根据所述目标工位的标识信息获取所述目标工位对应的图像信息；获取预设目标训练模型；根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；输出所述检测结果以完成零件差异识别。实现了图像信息对目标工件进行自动化检测，可以在不影响正常生产的情况下通过视觉检测技术对汽车生产线中工件上零部件的错漏情况进行分析，减少了质检对生产效率的影响，提高了质量检测和生产活动的整体效率。
参考图6，图6为本发明一种零件差异识别方法第二实施例的流程示意图。
基于上述第一实施例，本实施例零件差异识别方法在所述步骤S40，具体包括：
步骤S401：根据所述预设目标训练模型对所述图像信息进行目标检测，以得到目标零件数据。
需要理解的是，使用训练好的目标训练模型可以只需要获取图像信息即可对图像信息进行识别，并在图像上标记出预测的图形框、对象位置以及对象种类，如图4所示，例如：可以将右上角的圆形对象识别出来，对象位置坐标为(47.5，45.3)，对象类型为较小的圆形。在真实场景中则可以识别出螺丝种类、连接器件种类以及支架种类等。
应当理解的是，目标检测首先会利用卷积神经网络进行特征提取，拟合出多个预测框，通过网络输出计算出预测框位置和所属类别的得分。最后根据预测框位置和所属类别的得分确定预测的图形框位置和其所属类别。
步骤S402：获取待测工件差异性数据。
需要理解的是，所述待测工件差异性数据即为待测工件所包含的目标零件的种类、各类零件的数量以及每个零件的坐标位置。进一步的，所述坐标位置可以是基于图像信息的像素坐标，也可以是根据像素坐标换算所得到的实际空间坐标，本实施例对此不加以限定。
在本实施例中，获取待测工件信息；根据所述待测工件信息获取待测工件差异性数据。
可以理解的是，所述工件信息，即为标记了待测工件的型号信息，例如：根据待测工件的种类信息可以判定该工件为目标商用车型的底盘。
需要理解的是，获取待测工件信息，可以通过工件对待测工件进行图像识别得到对应的工件型号信息，也可以通过其它信息接口获取，例如：如图5所示，通过ERP计划接口，可以得到此时目标工位待测工件的型号信息。所述待测工件信息即为所述待测工件的型号信息。
进一步的，获取到待测工件的工件的型号信息后，可以根据预先创建好的待测工件信息与差异性数据的对应关系映射表进行查询，以得到待测工件的差异性数据。通过上述步骤即可保证对多种工件进行检测不会出现错乱的情况。
步骤S403：根据所述待测工件差异性数据对目标零件数据进行相似度检测，以得到检测结果。
在本实施例中，根据所述待测工件差异性数据判断所述目标零件数据的相似度，当所述相似度小于预设相似度阈值时，判定所述检测结果为检测异常。由于在检测过程中可能会出现一定的误差，需要一定的容差空间，因此在相似度满足预设阈值时，即为检测正常。例如：当坐标差距在10像素距离时，10像素距离对应的相似度大于预设相似度阈值，此时检测正常。通过设置预设相似度阈值，减少了零件差异识别系统的检测结果误报的几率。
需要理解的是，通过所述待测工件差异性数据对目标零件数据进行比对，判断所述目标零件的种类、数量以及位置姿态是否合格，所述比对方式可以是如图5所示，对每个预测框进行逐一比对，判断其类型位置是否正确，再计算数量是否满足要求；也可以是从数量、类型以及位置坐标三个维度逐个维度进行比对，本实施例对此不加以限定。
本实施例通过根据所述预设目标训练模型对所述图像信息进行目标检测，以得到目标零件数据；获取待测工件差异性数据；根据所述待测工件差异性数据对目标零件数据进行相似度检测，以得到检测结果。由于通过预设目标模型进行目标检测再根据差异性数据检测相似度，通过人工智能的手段提高了零件差异性检测的效率和准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有零件差异识别程序，所述零件差异识别程序被处理器执行时实现如上文所述的零件差异识别方法的步骤。
参照图7，图7为本发明零件差异识别装置第一实施例的结构框图。
如图7所示，本发明实施例提出的零件差异识别装置包括：
获取模块10，用于当目标工位进行零件检测时，获取所述目标工位的标识信息；
处理模块20，用于根据所述目标工位的标识信息获取所述目标工位对应的图像信息；
所述获取模块10，还用于获取预设目标训练模型；
所述处理模块20，还用于根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；
控制模块30，用于输出检测结果以完成零件状态的视觉检测。
本实施例通过获取模块10当目标工位进行零件检测时，获取所述目标工位的标识信息；处理模块20根据所述目标工位的标识信息获取所述目标工位对应的图像信息；获取模块10获取预设目标训练模型；处理模块20根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；控制模块30输出所述检测结果以完成零件差异识别。由于通过图像信息对目标工件进行检测，可以在不影响正常生产的情况下对工件上零部件的错漏情况进行分析，减少了质检对生产效率的影响，提高了质量检测和生产活动的整体效率。
在一实施例中，所述获取模块10还用于获取待测样本图像信息；对所述待测样本图像信息进行标记，以得到标记信息；根据所述标记信息生成样本数据集；根据预设检测框架对样本数据集进行训练，以得到预设目标训练模型。
在一实施例中，所述处理模块20还用于根据所述预设目标训练模型对所述图像信息进行目标检测，以得到目标零件数据；获取待测工件差异性数据；根据所述待测工件差异性数据对目标零件数据进行相似度检测，以得到检测结果。
在一实施例中，所述获取模块10还用于获取待测工件信息；根据所述待测工件信息获取待测工件差异性数据。
在一实施例中，所述控制模块30还用于获取摄像头状态参数；根据所述摄像头状态参数对摄像头进行调整；根据调整后的摄像头对目标工位进行质量检测。
在一实施例中，所述控制模块30还用于根据所述摄像头状态参数得到摄像头焦距、图像宽度以及待测物宽度；根据所述摄像头焦距、图像宽度以及待测物宽度计算得到摄像头目标水平高度；根据所述摄像头目标水平高度生成摄像头调整参数，以使所述摄像头根据所述摄像头调整参数进行对应的调整。
在一实施例中，所述控制模块30还用于若所述检测结果为结果异常，则根据所述目标工位的标识信息发出对应的报警信息。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的零件差异识别方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种零件差异识别方法，其特征在于，所述方法包括：
当目标工位进行零件检测时，获取所述目标工位的标识信息；
根据所述目标工位的标识信息获取所述目标工位对应的图像信息；
获取预设目标训练模型；
根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；
输出所述检测结果以完成零件差异识别。
2.如权利要求1所述的方法，其特征在于，所述获取预设目标训练模型之前，还包括：
获取待测样本图像信息；
对所述待测样本图像信息进行标记，以得到标记信息；
根据所述标记信息生成样本数据集；
根据预设检测框架对样本数据集进行训练，以得到预设目标训练模型。
3.如权利要求1所述的方法，其特征在于，所述根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果，包括：
根据所述预设目标训练模型对所述图像信息进行目标检测，以得到目标零件数据；
获取待测工件差异性数据；
根据所述待测工件差异性数据对目标零件数据进行相似度检测，以得到检测结果。
4.如权利要求3所述的方法，其特征在于，所述获取待测工件差异性数据，包括：
获取待测工件信息；
根据所述待测工件信息获取待测工件差异性数据。
5.如权利要求1所述的方法，其特征在于，所述当车架进行质量检测时，获取所述目标工位的标识信息的步骤之前，还包括：
获取摄像头状态参数；
根据所述摄像头状态参数对摄像头进行调整；
根据调整后的摄像头对目标工位进行质量检测。
6.如权利要求5所述的方法，其特征在于，所述根据所述摄像头状态参数对摄像头进行调整，包括：
根据所述摄像头状态参数得到摄像头焦距、图像宽度以及待测物宽度；
根据所述摄像头焦距、图像宽度以及待测物宽度计算得到摄像头目标水平高度；
根据所述摄像头目标水平高度生成摄像头调整参数，以使所述摄像头根据所述摄像头调整参数进行对应的调整。
7.如权利要求1-6中任一项所述的方法，其特征在于，所述根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果的步骤之后，还包括：
若所述检测结果为结果异常，则根据所述目标工位的标识信息发出对应的报警信息。
8.一种零件差异识别装置，其特征在于，所述零件差异识别装置包括：
获取模块，用于当目标工位进行零件检测时，获取所述目标工位的标识信息；
处理模块，用于根据所述目标工位的标识信息获取所述目标工位对应的图像信息；
所述获取模块，还用于获取预设目标训练模型；
所述处理模块，还用于根据所述预设目标训练模型对所述图像信息进行相似度检测，以得到检测结果；
控制模块，用于输出检测结果以完成零件状态的视觉检测。
9.一种零件差异识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的零件差异识别程序，所述零件差异识别程序配置为实现如权利要求1至7中任一项所述的零件差异识别方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有零件差异识别程序，所述零件差异识别程序被处理器执行时实现如权利要求1至7任一项所述的零件差异识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011642620.7A CN112686322A (zh) | 2020-12-31 | 2020-12-31 | 零件差异识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011642620.7A CN112686322A (zh) | 2020-12-31 | 2020-12-31 | 零件差异识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686322A true CN112686322A (zh) | 2021-04-20 |
Family
ID=75456842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011642620.7A Pending CN112686322A (zh) | 2020-12-31 | 2020-12-31 | 零件差异识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686322A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113333321A (zh) * | 2021-05-11 | 2021-09-03 | 北京若贝特智能机器人科技有限公司 | 一种自动识别分类输送方法、系统、装置及存储介质 |
| CN113421235A (zh) * | 2021-06-17 | 2021-09-21 | 中国电子科技集团公司第四十一研究所 | 一种基于深度学习的烟支定位装置及方法 |
| CN115753066A (zh) * | 2022-12-23 | 2023-03-07 | 湖北中程科技产业技术研究院有限公司 | 一种新能源汽车紧固件智能检测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951899A (zh) * | 2017-02-24 | 2017-07-14 | 李刚毅 | 基于图像识别的异常检测方法 |
| CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
| CN110555838A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 基于图像的零件故障检测方法及装置 |
| CN110738164A (zh) * | 2019-10-12 | 2020-01-31 | 北京猎户星空科技有限公司 | 零件异常检测方法、模型训练方法及装置 |
| CN111652940A (zh) * | 2020-04-30 | 2020-09-11 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
| CN111784663A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 零部件的检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-31 CN CN202011642620.7A patent/CN112686322A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951899A (zh) * | 2017-02-24 | 2017-07-14 | 李刚毅 | 基于图像识别的异常检测方法 |
| CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
| CN110555838A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 基于图像的零件故障检测方法及装置 |
| CN110738164A (zh) * | 2019-10-12 | 2020-01-31 | 北京猎户星空科技有限公司 | 零件异常检测方法、模型训练方法及装置 |
| CN111652940A (zh) * | 2020-04-30 | 2020-09-11 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
| CN111784663A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 零部件的检测方法、装置、电子设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113333321A (zh) * | 2021-05-11 | 2021-09-03 | 北京若贝特智能机器人科技有限公司 | 一种自动识别分类输送方法、系统、装置及存储介质 |
| CN113421235A (zh) * | 2021-06-17 | 2021-09-21 | 中国电子科技集团公司第四十一研究所 | 一种基于深度学习的烟支定位装置及方法 |
| CN113421235B (zh) * | 2021-06-17 | 2023-06-20 | 中国电子科技集团公司第四十一研究所 | 一种基于深度学习的烟支定位装置及方法 |
| CN115753066A (zh) * | 2022-12-23 | 2023-03-07 | 湖北中程科技产业技术研究院有限公司 | 一种新能源汽车紧固件智能检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686322A (zh) | 零件差异识别方法、装置、设备及存储介质 | |
| TWI726364B (zh) | 電腦執行的車輛定損方法及裝置 | |
| US11763443B2 (en) | Method for monitoring manufacture of assembly units | |
| TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN112767366A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
| CN102163280A (zh) | 一种基于置信度和多帧判决的目标识别跟踪转换方法 | |
| CN114353807B (zh) | 一种机器人的定位方法及定位装置 | |
| CN113361539A (zh) | 一种井下巡检机器人的仪表读取方法、装置及电子设备 | |
| CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
| CN111091104A (zh) | 一种目标物体的防护检测方法、装置、设备及存储介质 | |
| CN109919154B (zh) | 一种字符智能识别方法及识别装置 | |
| CN112794274A (zh) | 一种油罐车底部装油口安全监控方法及系统 | |
| CN115631169A (zh) | 产品检测方法、装置、电子设备及存储介质 | |
| CN111242917A (zh) | 车辆灯光工位的检测方法、装置、计算机设备和存储介质 | |
| CN115294373A (zh) | 一种设备参数信息更新方法和更新系统 | |
| CN112686203A (zh) | 一种基于空间先验的车辆安全警示装置检测方法 | |
| CN114972500A (zh) | 查验方法、标注方法、系统、装置、终端、设备及介质 | |
| CN113359738A (zh) | 基于深度学习的移动机器人路径规划方法 | |
| CN113781454A (zh) | 一种车辆损伤检测方法、装置、设备及存储介质 | |
| CN114581360A (zh) | 光伏组件标签检测方法、装置、设备和计算机存储介质 | |
| CN112509041A (zh) | 一种基于停车场的车辆定位方法、系统和存储介质 | |
| US12020415B2 (en) | Method for monitoring manufacture of assembly units | |
| CN115392505B (zh) | 一种汽车配件自动安装机器人的异常处理系统及方法 | |
| CN115908391A (zh) | 电机线路板的检测方法及装置、存储介质、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 |