CN113083804A - 激光智能除锈方法、系统及可存读介质 - Google Patents
激光智能除锈方法、系统及可存读介质 Download PDFInfo
- Publication number
- CN113083804A CN113083804A CN202110447720.2A CN202110447720A CN113083804A CN 113083804 A CN113083804 A CN 113083804A CN 202110447720 A CN202110447720 A CN 202110447720A CN 113083804 A CN113083804 A CN 113083804A
- Authority
- CN
- China
- Prior art keywords
- rust
- data
- laser
- image
- grade
- 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 91
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 268
- 238000013499 data model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- AEIXRCIKZIZYPM-UHFFFAOYSA-M hydroxy(oxo)iron Chemical compound [O][Fe]O AEIXRCIKZIZYPM-UHFFFAOYSA-M 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052598 goethite Inorganic materials 0.000 description 2
- 229910006540 α-FeOOH Inorganic materials 0.000 description 2
- 229910003153 β-FeOOH Inorganic materials 0.000 description 2
- 229910006297 γ-Fe2O3 Inorganic materials 0.000 description 2
- 229910006299 γ-FeOOH Inorganic materials 0.000 description 2
- 241000221535 Pucciniales Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B7/00—Cleaning by methods not provided for in a single other subclass or a single group in this subclass
- B08B7/0035—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by radiant energy, e.g. UV, laser, light beam or the like
- B08B7/0042—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by radiant energy, e.g. UV, laser, light beam or the like by laser
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本申请实施例提供了一种激光智能除锈的方法、系统及可存读介质。本申请实施例中,通过获取目标件表面第一目标图像,提取第一目标图像中的特征信息数据,根据特征信息数据自动确定锈迹等级、绘制锈迹轮廓、识别锈迹尺寸、获取锈迹位置,然后根据所述锈迹轮廓、所述锈迹位置自动规划除锈路径,根据所述锈迹等级、所述锈迹尺寸自动匹配除锈工艺,进行激光除锈。如此,在实现智能化、无人化的基础上,进一步实现了精准定点除锈的效果。
Description
技术领域
本申请涉及激光除锈领域,具体涉及一种激光智能除锈方法、系统及计算机可存读介质。
背景技术
传统激光除锈技术主要是依靠人工操作激光器进行除锈,其除锈操作步骤为:首先人工判断工件表面锈迹的尺寸,然后人为设置好激光清洗的工艺参数,如扫描速度、激光频率、激光功率等;最后人工操作激光射到工件表面达到将表面锈层去除的目的。传统激光除锈技术存在着存在人身安全风险、工作效率低、人工成本高且除锈区域不精确的问题。
目前也出现了利用图像辅助进行除锈的相关技术,但仅仅只是采用图像判断工件锈迹的位置和轮廓,并未对图像信息进行深度运用,也未解决定点精准除锈的问题。
发明内容
基于现有技术的不足,本申请提供一种激光智能除锈的方法、系统、可存读介质及计算机程序产品,在实现工业除锈智能化、无人化的基础上,精准除锈,进而获得更好的除锈效果。
根据本申请的第一方面,提供一种激光智能除锈的方法,应用于激光智能除锈系统,所述方法包括:
获取目标件表面的第一目标图像;
提取所述第一目标图像中的特征信息数据,根据所述特征信息数据自动确定锈迹等级、绘制锈迹轮廓、识别锈迹尺寸、获取锈迹位置;
根据所述锈迹轮廓、所述锈迹位置自动规划除锈路径,根据所述锈迹等级、所述锈迹尺寸自动匹配除锈工艺,进行激光除锈。
在第一方面的一种可能的实施方式中,根据所述特征信息数据自动确定锈迹等级的方法包括:
将所述第一目标图像转换为第一数字图像,提取特征信息数据输入并存储于帧存储器,以获得第一数据集;
对所述第一数据集内的数据进行第一类标签化训练深度学习,将相应的锈迹特征进行第一类标签对应,自动得到目标件表面的锈迹等级,所述第一类标签为锈等级描述词,用于描述锈迹严重程度;
所述特征信息数据包括图像颜色数据。
由于不同等级的锈迹在颜色表现上略有不同,生锈等级越高,其颜色越深,在HSV颜色空间中不同的颜色对应不同的H值,且呈正比关系,因此将锈迹图像的颜色特征作为锈迹等级的主要判别依据,相比于肉眼判断,基于图像视觉的锈迹等级判断结果的精确度与前者不在一个量级上。
在第一方面的一种可能的实施方式中,由于锈迹图像的颜色是连续变化的,在进行锈迹等级划分的时候,某一个锈迹等级的锈迹区域里的颜色并不是均一的,因此不同锈迹等级的锈迹轮廓从肉眼看并不清晰,为了使得不同锈迹等级的锈迹轮廓更容易被识别,因此:对所述第一数据集内的数据进行第二类标签标记,所述第二类标签为颜色标记,用于区分锈迹区域,所述第一类标签与所述第二类标签一一对应。
在第一方面的一种可能的实施方式中,根据所述锈迹等级自动匹配除锈工艺的方法包括:
预配置第二数据集,所述第二数据集包括激光频率、激光功率、离焦量、振镜扫描速度,激光器扫描次数中的至少一个数据维度;
根据所述第二数据集的数据维度预设除锈工艺数据模型,所述数据模型包含与所述第一数据集相对应的第一类标签和第二类标签;
根据所述第一类标签和/或第二类数据标签匹配第一数据集和第二数据集的数据,实现根据锈迹等级、锈迹尺寸自动匹配除锈工艺、根据锈迹轮廓、锈迹位置自动规划除锈路径。
采用这样的技术手段,不仅实现了锈迹等级的自动识别,还实现了锈迹工艺的自动匹配,省去了人为配置除锈参数的环节,且在严谨的算法模型控制下,不同锈迹等级的锈迹工艺更加精准。
在第一方面的一种可能的实施方式中,为了保障最终的除锈效果,第一次激光除锈后,获取目标件表面第二目标图像;
根据所述第二目标图像信息判断目标件表面锈迹是否除净,若已除净,停止除锈操作;
若未除净,根据所述第二目标图像信息重新确定锈迹等级,循环除锈操作;
获取第N目标图像,根据所述第N标图像信息判断目标件表面锈迹是否除净,若已除净,停止除锈操作;
若未除净,循环第N次除锈操作,直至目标件表面锈除净,停止除锈操作。
在第一方面的一种可能的实施方式中,所述判断是否除净锈迹的方法包括:
将目标件表面第二目标图像转换为第二数字图像,输入并存储于帧存储器;
提取所述第二数字图像中的特征信息数据,所述特征信息数据为HSV颜色模型中的H值;
以目标件表面本色对应的H值为参考值,取一定误差范围,分别设置为第一阈值和第二阈值,第一阈值<所述目标件表面本色对应的H值<第二阈值;当所述第二数字图像的H值高于第二阈值,则判断为锈迹未除净。
这样设置在充分考虑了误差的情况下,能够精准地判断工件表面的锈迹是否除净,当所述第二数字图像的H值低于第一阈值的时候,则存在过除的可能,这些数据将被存储在所述第一数据集和/或所述第二数据集内,用于不断优化所述激光智能除锈工艺的数据模型。
在第一方面的一种可能的实施方式中,为了不断优化所述激光智能除锈工艺的数据模型,以所述第一数据集、所述第二数据集为数据样本,对所述除锈工艺数据模型进行训练和优化。
根据本申请的第二方面,提供一种激光智能除锈系统,包括至少一套激光除锈工件台、至少一个控制设备、与所有控制设备连接的服务器、数据传输介质、其特征在于,还包括:
图像获取装置,包括至少一个图像采集器,用于获取目标件表面目标图像;
图像处理装置,包括至少一种图像处理器,用于提取所述目标件表面目标图像的特征信息数据,并根据所述特征信息数据自动绘制锈迹轮廓、确定锈迹等级;
激光装置,用于执行除锈操作;
振镜控制装置,用于扫描锈迹轮廓,在激光除锈过程中实时校正除锈路径。
根据本申请的第三方面,提供一种可存读介质,其上储存有计算机程序,该程序被处理器执行时实现本申请第一方面所有实施例提供的激光智能除锈的方法。
根据本申请的第四方面,提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本申请第一方面所有实施例提供的激光智能除锈的方法。
基于上述任一方面,本申请提供的实施方式中,通过工件表面锈迹图像所携带的丰富的特征信息,对锈迹等级进行智能、精准地划分,根据不同的锈迹等级、锈迹区域匹配智能、精准的除锈工艺,实现定点除锈。
另外,智能除锈过程中不断地采集数据、存储数据,然后利用数据进行机器深度学习,进行模型训练,实现不断地智能优化。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1、图2示出了本申请实施例所提供的一种激光智能除锈方法;
图3示出了本申请实施例所提供的自动确定锈迹等级的方法之一;
图4示出了本申请实施例所提供的绘制锈迹轮廓的方法之一;
图5示出了本申请实施例所提供的根据锈迹等级自动匹配除锈工艺的方法之一;
图6示出了本申请实施例所提供的对除锈结果进行检查的方法之一;
图7示出了本申请实施例所提供的锈迹是否除净的判断方法之一;
图8示出了本申请实施例所提供的一种激光智能除锈系统框架。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。
除非另行定义,文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。本申请所使用的设备或材料均可通过常规途径购买获得,如无特殊说明,本申请所使用的设备或材料均按照本领域常规方式使用或者按照产品说明书使用。此外,任何与所记载内容相似或均等的方法及材料皆可应用于本申请方法中。本申请中所述的较佳实施方法与材料仅作示范之用。
请参照图1、图2,示出了一种激光智能除锈方法,图1中具体示出了如下步骤:
步骤S1:获取目标件表面的第一目标图像;
步骤S2:提取所述第一目标图像中的特征信息数据,根据所述特征信息数据自动确定锈迹等级、绘制锈迹轮廓、识别锈迹尺寸、获取锈迹位置;
步骤S3:根据所述锈迹轮廓、所述锈迹位置自动规划除锈路径,根据所述锈迹等级、所述锈迹尺寸自动匹配除锈工艺,进行激光除锈。
结合图1、图2所示,本实施例中,第一目标图像通过高分辨率工业摄像机获取,当然,在其他的实施例中也可以通过其他类型的图像采集器获得。将第一目标图像传输给图像处理装置,图像处理装置通过图像处理算法采集图像中的特征信息,例如颜色信息、尺寸信息、位置信息等。图像处理算法识别图像信息的技术是目前比较成熟的技术,本领域技术人员应当清楚。本实施例方法的创新点在于,通过已经识别的图像信息自动确定锈迹等级,绘制锈迹轮廓,以及进一步自动匹配除锈工艺,对工件进行精准定点除锈。
相关技术中,有通过图像确定锈迹位置、轮廓的报导,但是从未有过关于划分锈迹等级,根据锈迹等级精准匹配除锈工艺的报导。若对不同锈迹等级的锈迹区域采用同一种除锈工艺,往往会导致除不净或者过除的现象,除不净就必须进行重复除锈操作,浪费大量的工时,过除则会损伤工件本身。本申请发明人花费了大量精力研究这两种现象,然后才找到技术问题所在。
请参照图3,本申请实施例所提供的自动确定锈迹等级的方法之一,包括:
步骤S201:将所述第一目标图像转换为第一数字图像,提取特征信息数据输入并存储于帧存储器,以获得第一数据集;
步骤S202:对所述第一数据集内的数据进行第一类标签化训练深度学习,将相应的锈迹特征进行第一类标签对应,自动得到目标件表面的锈迹等级。
在一些具体的实施例中,所述第一类标签可以有四个,分别可以是浮锈、轻锈、中锈、重锈。当锈迹层在30μm以下,锈迹中主要成分为四方纤铁矿,主要化学分子式是β-FeOOH,颜色为橘黄色,一般称之为浮锈。当锈迹层在30-60μm之间时,锈迹中主要成分为针铁矿,主要化学分子式是α-FeOOH,,颜色为褐色,一般称之为轻锈。当锈迹层在60-100μm之间时,锈迹中主要成分为纤铁矿,主要化学分子式是γ-FeOOH,颜色为橘红色,一般称之为中锈。当锈迹层在100μm以上时,锈迹中主要成分是磁赤铁矿,主要化学分子式为γ-Fe2O3,颜色为深棕色,一般称之为重锈。生锈等级越高,其颜色越深,呈正比关系,本实施例中将锈蚀的颜色作为图像处理中的主要判别依据,并采用HSV颜色空间将不同颜色准确分割出来,当然,在其他实施例中,可以采用其他颜色分割模型。由于本实施例中第一目标图像是采用的工业摄像机摄取的光学图像,因此,按照步骤S201所述先将其转化为数字图像存储在帧存储器上,然后根据HSV颜色模型提取数字图像中的颜色数据。又由于实际的锈迹图像的颜色变化连续且分布不均匀,实际操作过程中,不可能将每一像素的颜色都进行等级确认,因此,需要对图像数据进行归集,然后建立相应的等级分类模型,这个过程中,本申请发明人创造性地引入了机器学习的思想,对所采集的数据进行标签化训练,采用大数据机器学习的方式进行锈迹等级确认,相比于人工的自行设定分类标准不但节省人工,而且在使用过程中,数据样本越来越大的情况下,输出的结果越来越精准。
请参照图4,本申请实施例所提供的绘制锈迹轮廓的方法之一,在图3所示的实施例的基础上增加了步骤S203,具体如下:
对所述第一数据集内的数据进行第二类标签标记,所述第二类标签为颜色标记,用于区分锈迹区域,所述第一类标签与所述第二类标签一一对应。
在一些具体的实施例中,将锈迹等级分为4个等级,所述第二类标签也相应设置4个,可以分别是蓝、红、黄、绿。与相关技术不同,本申请绘制的锈迹轮廓并非一个整体的锈迹轮廓,而是将不同锈迹等级的区域划分出来。由于锈迹图像的颜色是连续变化的,在进行锈迹等级划分的时候,某一个锈迹等级的锈迹区域里的颜色并不是均一的,因此不同锈迹等级的锈迹轮廓从肉眼看并不清晰,为了使得不同锈迹等级的锈迹轮廓更容易被识别,进行第二类标签化对应后,某一个锈迹等级的区域被同一种颜色标记,锈迹轮廓自然就明朗了。为了更方便理解所述第一类标签、第二类标签的标记范围及对应关系,本实施例提供了一组对照例,如下表所示:
等级 | 主要成分 | 主要化学分子式 | 颜色 | 锈蚀层厚度 | 对应显示颜色 |
浮锈 | 四方纤铁矿 | β-FeOOH | 橘黄色 | ≤30μm | 蓝 |
轻锈 | 针铁矿 | α-FeOOH | 褐色 | 30-60μm | 红 |
中锈 | 纤铁矿 | γ-FeOOH | 橘红色 | 60-100μm | 黄 |
重锈 | 磁赤铁矿 | γ-Fe<sub>2</sub>O<sub>3</sub> | 深棕色 | ≥100μm | 绿 |
表1不同的锈蚀等级对应所属轮廓划分表
请参照图5,本申请实施例所提供的根据锈迹等级自动匹配除锈工艺的方法之一,具体地,包括如下步骤:
步骤S301:预配置第二数据集,所述第二数据集包括激光频率、激光功率、离焦量、振镜扫描速度,激光器扫描次数中的至少一个数据维度;
步骤S302:根据所述第二数据集的数据维度预设除锈工艺数据模型,所述数据模型包含与所述第一数据集相对应的第一类标签和/或第二类标签;
步骤S303:根据所述第一类标签和第二类数据标签匹配第一数据集和第二数据集的数据,实现根据锈迹等级、锈迹尺寸自动匹配除锈工艺、根据锈迹轮廓、锈迹位置自动规划除锈路径。
激光除锈过程中,一套优秀的除锈工艺应该是各个维度的参数合理配置且针对不同等级的锈迹区域做出合理的调整。本实施例中预设除锈工艺的参数并存储于第二数据集,并根据一些试验经验预建立精准除锈的工艺数据模型,以锈迹等级标签或者颜色标签为参照,在两个数据集之间进行匹配,从而实现不同的锈迹等级、不同的锈迹区域采用不同的除锈工艺,完成定点除锈。为了便于理解,本实施例还提供了一些不同锈迹等级匹配不同除锈工艺的具体参数,如下表所示:
表2不同的锈蚀等级相对应的工艺参数
请参照图6,本申请实施例所提供的对除锈结果进行检查的方法之一,包括如下步骤:
步骤S40:根据所述第二目标图像信息判断目标件表面锈迹是否除净,若已除净,停止除锈操作;
步骤S41:若未除净,根据所述第二目标图像信息重新确定锈迹等级,循环除锈操作。
在另一些具体的实施例中,为了确保完全将锈迹除净,进行第二次除锈操作后,还会针对工件表面进行第N次,获取第N目标图像,循环除锈程序,所述N为大于等于3的正整数。
请参照图7,本申请实施例所提供的锈迹是否除净的判断方法之一,包括如下步骤:
步骤时401:将目标件表面第二目标图像转换为第二数字图像,输入并存储于帧存储器;
步骤S402:提取所述第二数字图像中的特征信息数据,所述特征信息数据为HSV颜色模型中的H值;
步骤S403:以目标件表面本色对应的H值为参考值,取一定误差范围,分别设置为第一阈值和第二阈值,第一阈值<所述目标件表面本色对应的H值<第二阈值;当所述第二数字图像的H值高于第二阈值,则判断为锈迹未除净。
本实施例提供的判断锈迹是否除净的方法,采用了区间判断法,充分考虑了实际误差情况,能够精准地判断工件表面的锈迹是否除净,当所述第二数字图像的H值低于第一阈值的时候,则存在过除的可能,在一些具体的实施例中,当所述目标件表面本色对应的H值低于第一阈值的时候,系统会发出过除警告。
在另一些具体的实施例中,所有的数据将被存储在所述第一数据集和/或所述第二数据集内,采用机器学习的方法,对除锈工艺数据模型进行训练,以便于除锈工艺越来越精准,除锈效果越来越好。
请参照图8,本申请实施例所提供的一种激光智能除锈系统框架,包括:控制设备、服务器、工件台、数据传输介质,其中,还包括:
图像获取装置,包括至少一个图像采集器,用于获取目标件表面目标图像;
图像处理装置,包括至少一种图像处理器,用于提取所述目标件表面目标图像的特征信息数据,并根据所述特征信息数据自动绘制锈迹轮廓、确定锈迹等级;
激光装置,用于执行除锈操作;
振镜控制装置,用于扫描锈迹轮廓,在激光除锈过程中实时校正除锈路径。
本实施例中图像获取装置可以采用两个工业摄像头,当然,在另一些具体的实施例中,也可以采用其他摄像头。
本实施例中的图像处理装置内置于控制设备中,控制设备为一台计算机。当然,在另一些具体的实施例中,控制设备可以采用不同的设备联合使用。
本实施例中的激光装置可以是市面上的普通激光装置。
本实施例中的振镜控制装置可以是市面上振镜控制装置,需要特别提醒的是,振镜装置虽然具备图像扫描的功能,但是其扫描出的图像为矢量图,因此不能替代本申请所述的图像采集器。
本实施例中的服务器可以是传统服务器,也可以是云服务器,在另一些具体的实施例中,还可以是二者的组合。
本申请实施例提供了一种可存读介质,其上储存有计算机程序,该程序被处理器执行时实现本申请所述的任一一种激光智能除锈方法。
本申请实施例还提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本申请所述的任一一种激光智能除锈方法
综上所述,本申请实施例提供的激光智能除锈方法、系统、可存读介质以及计算机程序产品,在实现工业除锈智能化、无人化的基础上,通过深度解析图像数据信息精准划分锈迹等级以及精准匹配除锈工艺,实现精准定点除锈,并且采用机器学习,充分利用所有数据,让本发明技术方案不断自我优化升级。
需要说明的是,在本文中,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句"包括一个……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本申请的实施例的详细描述并非旨在限制本申请的保护范围,而仅仅是表示本申请的选定实施例。因此,本申请的保护范围应以权利要求的保护范围为准。此外,基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例,都应属于本申请保护的范围。
Claims (10)
1.一种激光智能除锈方法,其特征在于,应用于激光智能除锈系统,所述方法包括:
获取目标件表面的第一目标图像;
提取所述第一目标图像中的特征信息数据,根据所述特征信息数据自动确定锈迹等级、绘制锈迹轮廓、识别锈迹尺寸、获取锈迹位置;
根据所述锈迹轮廓、所述锈迹位置自动规划除锈路径,根据所述锈迹等级、所述锈迹尺寸自动匹配除锈工艺,进行激光除锈。
2.根据权利要求1所述的激光智能除锈方法,其特征在于,根据所述特征信息数据自动确定锈迹等级的方法包括:
将所述第一目标图像转换为第一数字图像,提取特征信息数据输入并存储于帧存储器,以获得第一数据集;
对所述第一数据集内的数据进行第一类标签化训练深度学习,将相应的锈迹特征进行第一类标签对应,自动得到目标件表面的锈迹等级,所述第一类标签为锈等级描述词,用于描述锈迹严重程度;
所述特征信息数据包括图像颜色数据。
3.根据权利要求2所述的激光智能除锈方法,其特征在,对所述第一数据集内的数据进行第二类标签标记,所述第二类标签为颜色标记,用于区分锈迹区域,所述第一类标签与所述第二类标签一一对应。
4.根据权利要求3所述的激光智能除锈方法,其特征在于,根据所述锈迹等级自动匹配除锈工艺的方法包括:
预配置第二数据集,所述第二数据集包括激光频率、激光功率、离焦量、振镜扫描速度,激光器扫描次数中的至少一个数据维度;
根据所述第二数据集的数据维度预设除锈工艺数据模型,所述数据模型包含与所述第一数据集相对应的第一类标签和/或第二类标签;
根据所述第一类标签和/或第二类数据标签匹配第一数据集和第二数据集的数据,实现根据锈迹等级、锈迹尺寸自动匹配除锈工艺、根据锈迹轮廓、锈迹位置自动规划除锈路径。
5.根据权利要求1所述的激光智能除锈方法,其特征在于,还包括:
第一次激光除锈后,获取目标件表面第二目标图像;
根据所述第二目标图像信息判断目标件表面锈迹是否除净,若已除净,停止除锈操作;
若未除净,根据所述第二目标图像信息重新确定锈迹等级,循环除锈操作;
获取第N目标图像,根据所述第N标图像信息判断目标件表面锈迹是否除净,若已除净,停止除锈操作;
若未除净,循环第N次除锈操作,直至目标件表面锈除净,停止除锈操作;
所述N为大于等于3的正整数。
6.根据权利要求5所述的激光智能除锈方法,其特征在于,所述判断是否除净锈迹的方法包括:
将目标件表面第二目标图像转换为第二数字图像,输入并存储于帧存储器;
提取所述第二数字图像中的特征信息数据,所述特征信息数据为HSV颜色模型中的H值;
以目标件表面本色对应的H值为参考值,取一定误差范围,分别设置为第一阈值和第二阈值,第一阈值<所述目标件表面本色对应的H值<第二阈值;当所述第二数字图像的H值高于第二阈值,则判断为锈迹未除净。
7.根据权利要求6所述的激光智能除锈方法,其特征在于,以所述第一数据集、所述第二数据集为数据样本,对所述除锈工艺数据模型进行训练和优化。
8.一种激光智能除锈系统,包括至少一套激光除锈工件台、至少一个控制设备、与所有控制设备连接的服务器、数据传输介质、其特征在于,还包括:
图像获取装置,包括至少一个图像采集器,用于获取目标件表面目标图像;
图像处理装置,包括至少一种图像处理器,用于提取所述目标件表面目标图像的特征信息数据,并根据所述特征信息数据自动绘制锈迹轮廓、确定锈迹等级;
激光装置,用于执行除锈操作;
振镜控制装置,用于扫描锈迹轮廓,在激光除锈过程中实时校正除锈路径。
9.一种可存读介质,其上储存有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任意一项所述的激光智能除锈方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447720.2A CN113083804A (zh) | 2021-04-25 | 2021-04-25 | 激光智能除锈方法、系统及可存读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447720.2A CN113083804A (zh) | 2021-04-25 | 2021-04-25 | 激光智能除锈方法、系统及可存读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113083804A true CN113083804A (zh) | 2021-07-09 |
Family
ID=76680212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110447720.2A Pending CN113083804A (zh) | 2021-04-25 | 2021-04-25 | 激光智能除锈方法、系统及可存读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113083804A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114657556A (zh) * | 2022-03-28 | 2022-06-24 | 上海建冶科技股份有限公司 | 一种激光除锈的工艺参数确定方法 |
CN114749429A (zh) * | 2022-04-14 | 2022-07-15 | 扬州洛天依智能装备有限公司 | 用于激光清洗的激光设备 |
CN115229641A (zh) * | 2022-09-22 | 2022-10-25 | 南通速维工程设备有限公司 | 一种机器人压力管道除锈控制方法及系统 |
CN115239722A (zh) * | 2022-09-22 | 2022-10-25 | 江苏思锐装备科技有限公司 | 一种用于清洗剂的测试评价方法 |
CN115301638A (zh) * | 2022-10-11 | 2022-11-08 | 南通速维工程设备有限公司 | 一种压力管道激光除锈系统及除锈方法 |
CN115383410A (zh) * | 2022-09-16 | 2022-11-25 | 达力普石油专用管有限公司 | 钢管外螺纹加工方法及钢管加工系统以及用于钢管加工的车间 |
CN115625427A (zh) * | 2022-12-21 | 2023-01-20 | 广东国玉科技股份有限公司 | 激光除锈方法、激光除锈设备及计算机可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295359A (zh) * | 2007-04-25 | 2008-10-29 | 日立欧姆龙金融系统有限公司 | 图像处理程序及图像处理装置 |
CN103063167A (zh) * | 2012-12-28 | 2013-04-24 | 江苏大学 | 一种自动判断激光清洗效果的方法 |
CN106384117A (zh) * | 2016-09-14 | 2017-02-08 | 东软集团股份有限公司 | 一种车辆颜色识别方法及装置 |
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 |
CN109272055A (zh) * | 2018-10-22 | 2019-01-25 | 西安云鑫电子科技有限公司 | 基于机器学习的激光除锈方法及装置 |
CN109332900A (zh) * | 2018-10-22 | 2019-02-15 | 西安云鑫电子科技有限公司 | 激光除锈方法及装置、存储介质、电子终端 |
CN109460782A (zh) * | 2018-10-22 | 2019-03-12 | 西安云鑫电子科技有限公司 | 基于机器学习的激光除锈方法及装置 |
CN110038859A (zh) * | 2019-05-24 | 2019-07-23 | 苏州贝亚敏光电科技有限公司 | 一种激光清洗设备的清洗路径自动监测方法 |
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 |
CN110587609A (zh) * | 2019-09-20 | 2019-12-20 | 唐山雄炜机器人有限公司 | 机器人除锈控制方法及系统 |
JP2020020744A (ja) * | 2018-08-03 | 2020-02-06 | Automagi株式会社 | 錆検出プログラム、錆検出システム及び錆検出方法 |
-
2021
- 2021-04-25 CN CN202110447720.2A patent/CN113083804A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295359A (zh) * | 2007-04-25 | 2008-10-29 | 日立欧姆龙金融系统有限公司 | 图像处理程序及图像处理装置 |
CN103063167A (zh) * | 2012-12-28 | 2013-04-24 | 江苏大学 | 一种自动判断激光清洗效果的方法 |
CN106384117A (zh) * | 2016-09-14 | 2017-02-08 | 东软集团股份有限公司 | 一种车辆颜色识别方法及装置 |
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 |
JP2020020744A (ja) * | 2018-08-03 | 2020-02-06 | Automagi株式会社 | 錆検出プログラム、錆検出システム及び錆検出方法 |
CN109272055A (zh) * | 2018-10-22 | 2019-01-25 | 西安云鑫电子科技有限公司 | 基于机器学习的激光除锈方法及装置 |
CN109332900A (zh) * | 2018-10-22 | 2019-02-15 | 西安云鑫电子科技有限公司 | 激光除锈方法及装置、存储介质、电子终端 |
CN109460782A (zh) * | 2018-10-22 | 2019-03-12 | 西安云鑫电子科技有限公司 | 基于机器学习的激光除锈方法及装置 |
CN110038859A (zh) * | 2019-05-24 | 2019-07-23 | 苏州贝亚敏光电科技有限公司 | 一种激光清洗设备的清洗路径自动监测方法 |
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 |
CN110587609A (zh) * | 2019-09-20 | 2019-12-20 | 唐山雄炜机器人有限公司 | 机器人除锈控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
梁玮等: "颜色空间模型转换", 《计算机视觉》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114657556A (zh) * | 2022-03-28 | 2022-06-24 | 上海建冶科技股份有限公司 | 一种激光除锈的工艺参数确定方法 |
CN114749429A (zh) * | 2022-04-14 | 2022-07-15 | 扬州洛天依智能装备有限公司 | 用于激光清洗的激光设备 |
CN115383410A (zh) * | 2022-09-16 | 2022-11-25 | 达力普石油专用管有限公司 | 钢管外螺纹加工方法及钢管加工系统以及用于钢管加工的车间 |
CN115383410B (zh) * | 2022-09-16 | 2023-12-15 | 达力普石油专用管有限公司 | 钢管外螺纹加工方法及钢管加工系统以及用于钢管加工的车间 |
CN115229641A (zh) * | 2022-09-22 | 2022-10-25 | 南通速维工程设备有限公司 | 一种机器人压力管道除锈控制方法及系统 |
CN115239722A (zh) * | 2022-09-22 | 2022-10-25 | 江苏思锐装备科技有限公司 | 一种用于清洗剂的测试评价方法 |
CN115229641B (zh) * | 2022-09-22 | 2023-12-29 | 南通速维工程设备有限公司 | 一种机器人压力管道除锈控制方法及系统 |
CN115301638A (zh) * | 2022-10-11 | 2022-11-08 | 南通速维工程设备有限公司 | 一种压力管道激光除锈系统及除锈方法 |
CN115625427A (zh) * | 2022-12-21 | 2023-01-20 | 广东国玉科技股份有限公司 | 激光除锈方法、激光除锈设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113083804A (zh) | 激光智能除锈方法、系统及可存读介质 | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
US11132787B2 (en) | Method for monitoring manufacture of assembly units | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN111080622A (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN110135225B (zh) | 样本标注方法及计算机存储介质 | |
CN111062934B (zh) | 一种织物图像缺陷实时检测方法 | |
Zhao et al. | Toward intelligent manufacturing: label characters marking and recognition method for steel products with machine vision | |
CN110096980A (zh) | 字符检测识别系统 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN110569774B (zh) | 基于图像处理与模式识别的折线图图像自动数字化方法 | |
CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
WO2022061922A1 (zh) | 材料微结构的分析方法和装置 | |
CN115984215A (zh) | 一种基于双生网络的纤维束缺陷检测方法 | |
CN115482535A (zh) | 一种试卷自动批改方法、存储介质及设备 | |
CN112184665A (zh) | 一种应用于纸塑行业的人工智能缺陷侦测系统 | |
CN111861997A (zh) | 一种花纹板材圆孔尺寸检测方法、系统及装置 | |
CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |