CN113360838B - 一种基于图像处理的喷嘴铸造监测方法及系统 - Google Patents

一种基于图像处理的喷嘴铸造监测方法及系统 Download PDF

Info

Publication number
CN113360838B
CN113360838B CN202110916112.1A CN202110916112A CN113360838B CN 113360838 B CN113360838 B CN 113360838B CN 202110916112 A CN202110916112 A CN 202110916112A CN 113360838 B CN113360838 B CN 113360838B
Authority
CN
China
Prior art keywords
index
procedure
product quality
follows
processing
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
Application number
CN202110916112.1A
Other languages
English (en)
Other versions
CN113360838A (zh
Inventor
刘辉
张宏博
佟龙
张磊
张玉宁
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.)
Shandong Damuzhi Spraying Equipments Co ltd
Original Assignee
Shandong Damuzhi Spraying Equipments 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 Shandong Damuzhi Spraying Equipments Co ltd filed Critical Shandong Damuzhi Spraying Equipments Co ltd
Priority to CN202110916112.1A priority Critical patent/CN113360838B/zh
Publication of CN113360838A publication Critical patent/CN113360838A/zh
Application granted granted Critical
Publication of CN113360838B publication Critical patent/CN113360838B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，提供了一种基于图像处理的喷嘴铸造监测方法及系统，包括：在实时喷嘴铸造过程中，获取各个已完成工序的多组作业人员操作图像，进而得到各个已完成工序的加工指标；根据产品合格的产品质量得分以及各个已完成工序的加工指标、各个已完成工序对产品质量的影响指标、各个未完成工序对产品质量的影响指标和各个未完成工序的重要程度指标，确定各个未完成工序的最低的加工指标。本发明通过对已完成工序进行实时监测，并根据监测结果动态获得各个剩余工序的加工指标，指导喷嘴的铸造过程，保障了产品的质量，提高了喷嘴的铸造精度。

Description

一种基于图像处理的喷嘴铸造监测方法及系统
技术领域
本发明涉及人工智能、图像处理技术领域，具体涉及一种基于图像处理的喷嘴铸造监测方法及系统。
背景技术
喷雾产品广泛应用于造纸业、制药业、食品业、化工业、污染控制、电子、电站、钢铁等多个行业，喷嘴的铸造精度会直接影响喷雾产品的质量好坏。为了保障喷嘴的铸造精度，需要对喷嘴铸造过程进行精密监测，为铸造过程中剩余工序的加工提供标准，保障最终产品的合格率。
但是目前，还主要是采用人工的方式来对喷嘴的铸造精度的监测，这就导致监测结果会受到人为主观因素的影响，监测准确性较差，最终导致喷嘴的铸造精度不高，不满足产品合格率。
发明内容
本发明的目的在于提供一种基于图像处理的喷嘴铸造监测方法及系统，用于解决现有的监测方法导致喷嘴的铸造精度不高的问题。
为解决上述技术问题，本发明所采用的技术方案具体如下：
本发明提供了一种基于图像处理的喷嘴铸造监测方法，包括以下步骤：
在实时喷嘴铸造过程中，获取各个已完成工序的多组作业人员操作图像；
根据各个已完成工序的多组作业人员操作图像，并利用训练好的工序指标分类网络，得到各个已完成工序的各组作业人员操作图在各个设定分类类别上的分类概率；
根据各个设定分类类别以及各个已完成工序的各组作业人员操作图在各个设定分类类别上的分类概率，计算得到各个已完成工序的加工指标；
获取产品合格最高的产品质量得分以及预先得到的各个已完成工序对产品质量的影响指标、各个未完成工序对产品质量的影响指标和各个未完成工序的重要程度指标；
根据各个已完成工序的加工指标、产品质量得分以及预先得到的各个已完成工序对产品质量的影响指标、各个未完成工序对产品质量的影响指标和各个未完成工序的重要程度指标，计算各个未完成工序的最低的加工指标；
按照各个未完成工序的最低的加工指标，对各个未完成工序的加工要求进行调整。
进一步的，得到各个工序对产品质量的影响指标的过程包括：
获取历史数据，所述历史数据包括：多次喷嘴铸造过程中，每次喷嘴铸造过程的各个工序的多组作业人员操作图像；
根据历史数据中每次喷嘴铸造过程的各个工序的多组作业人员操作图像，并利用训练好的工序指标分类网络，得到各个工序的各组作业人员操作图在各个设定分类类别上的分类概率；
根据各个设定分类类别以及各个工序的各组作业人员操作图在各个设定分类类别上的分类概率，计算得到各个工序的加工指标；
构建多组原始样本数据，每组原始样本数据包括一次喷嘴铸造过程的各个工序的加工指标以及对应的产品质量得分；
在计算第j个工序对产品质量的影响指标时，则在每组原始样本数据中删除该第j个工序的加工指标以及所有的产品质量得分，从而得到删除数据后的样本数据；
对删除数据后的样本数据进行聚类操作，得到多个簇，进而确定每个簇所对应的原始样本数据；
根据每个簇所对应的原始样本数据中该第j个工序的加工指标以及对应的产品质量得分，计算该第j个工序对产品质量的影响指标。
进一步的，各个工序的加工指标的计算公式为：
Figure 679775DEST_PATH_IMAGE001
其中，
Figure 347648DEST_PATH_IMAGE002
为工序
Figure 603750DEST_PATH_IMAGE003
的加工指标，
Figure 749691DEST_PATH_IMAGE005
为设定分类类别，
Figure 967658DEST_PATH_IMAGE006
为第
Figure 72012DEST_PATH_IMAGE007
组作业人员操作图像在设定分类类别
Figure 499232DEST_PATH_IMAGE005
上的分类概率，c=1、2、3或4，
Figure 901394DEST_PATH_IMAGE008
为工序
Figure 852164DEST_PATH_IMAGE003
的作业人员操作图像的总组数。
进一步的，各个工序对产品质量的影响指标的计算公式为：
Figure 999855DEST_PATH_IMAGE009
Figure 770496DEST_PATH_IMAGE010
其中，
Figure 725419DEST_PATH_IMAGE011
为第k个簇对应的第j个工序对产品质量的子影响指标，
Figure 406061DEST_PATH_IMAGE012
为第k个簇所对应的原始样本数据中该第j个工序的第
Figure 318129DEST_PATH_IMAGE013
个加工指标，
Figure 185853DEST_PATH_IMAGE014
为第k个簇所对应的原始样本数据中该第j个工序的第
Figure 745797DEST_PATH_IMAGE015
个加工指标，
Figure 61372DEST_PATH_IMAGE016
，
Figure 878762DEST_PATH_IMAGE017
为第k个簇所对应的原始样本数据的第u个产品质量得分，
Figure 155154DEST_PATH_IMAGE018
为第k个簇所对应的原始样本数据的第
Figure 710332DEST_PATH_IMAGE019
个产品质量得分，K为簇的总数目，
Figure 631146DEST_PATH_IMAGE020
为第j个工序对产品质量的影响指标。
进一步的，得到各个工序的重要程度指标对应的计算公式为：
Figure 681754DEST_PATH_IMAGE022
其中，
Figure 100002_DEST_PATH_IMAGE023
为第j个工序的重要程度指标，
Figure 55229DEST_PATH_IMAGE020
为第j个工序对产品质量的影响指标，
Figure 97921DEST_PATH_IMAGE024
为第e个工序对产品质量的影响指标，
Figure 100002_DEST_PATH_IMAGE025
为喷嘴铸造过程中工序的总数目。
进一步的，计算各个未完成工序的最低的加工指标的公式为：
Figure 948940DEST_PATH_IMAGE026
其中，
Figure 438958DEST_PATH_IMAGE025
为工序的总数目，z为已完成工序的数目，
Figure 100002_DEST_PATH_IMAGE027
为第l个未完成工序对产品质量的影响指标，
Figure 579957DEST_PATH_IMAGE028
为第l个未完成工序的加工指标，
Figure 100002_DEST_PATH_IMAGE029
为第l+1个未完成工序的加工指标，
Figure 640054DEST_PATH_IMAGE030
为第l个未完成工序的重要程度指标，
Figure 100002_DEST_PATH_IMAGE031
为第l+1个未完成工序的重要程度指标，
Figure 600707DEST_PATH_IMAGE032
为第t个已完成工序对产品质量的影响指标，
Figure 100002_DEST_PATH_IMAGE033
为第t个已完成工序的加工指标，
Figure 353637DEST_PATH_IMAGE034
为产品合格最高的产品质量得分。
本发明还提供了一种基于图像处理的喷嘴铸造监测系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现上述的基于图像处理的喷嘴铸造监测方法。
本发明具有如下有益效果：通过在实时喷嘴铸造过程中，获取各个已完成工序的加工指标，然后利用各个已完成工序的加工指标，并结合产品合格的产品质量得分、所有工序对产品质量的影响指标以及各个未完成工序的重要程度指标，确定各个未完成工序的最低的加工指标。本发明通过对已完成工序进行实时监测，并根据监测结果动态获得各个剩余工序的加工指标，指导喷嘴的铸造过程，保障了产品的质量，提高了喷嘴的铸造精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明的基于图像处理的喷嘴铸造监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。
本实施例提供了一种基于图像处理的喷嘴铸造监测方法，该监测方法通过获得喷嘴铸造工序中的每一个工序的加工指标，基于历史数据获得每一铸造工序对最终产品合格率的影响程度；在实际加工过程，利用已完成的工序动态设定剩余工序的最低加工要求，保证喷嘴铸造的质量，实现喷嘴精密铸造的监测。
具体的，该基于图像处理的喷嘴铸造监测方对应的流程图如图1所示，包括以下步骤：
（1）在实时喷嘴铸造过程中，获取各个已完成工序的多组作业人员操作图像。
其中，对喷嘴精密铸造的方法有很多，如砂型铸造、压力铸造、真空铸造以及熔模铸造等，实施者根据不同喷嘴型号选择对应的铸造方法，不同的铸造方法对应不同的加工工序，具体加工工序由行业内专业人员确定，在流水线上每一工序对应一个工位。
在喷嘴铸造过程中，对每个工序的作业人员操作图像进行连续采集，将采集的连续50帧图像作为一组，就可以得到每个工序操作过程的多组作业人员操作图像，这里的作业人员操作图像是指RGB图像。由于喷嘴铸造是按照各个工序的顺序进行的，本步骤的目的是获取各个已完成工序的多组作业人员操作图像，即每个已完成工序获取多组作业人员操作图像。
（2）根据各个已完成工序的多组作业人员操作图像，并利用训练好的工序指标分类网络，得到各个已完成工序的各组作业人员操作图在各个设定分类类别上的分类概率。根据各个设定分类类别以及各个已完成工序的各组作业人员操作图在各个设定分类类别上的分类概率，计算得到各个已完成工序的加工指标。
其中，本步骤的目的是根据各个已完成工序的多组作业人员操作图像，并利用已经训练好的工序指标分类网络，对每组作业人员操作图对应的设定分类类别进行识别，进而得到各个已完成工序的加工指标。
这里的工序指标分类网络是由神经网络构成的，由于每一个工序的加工指标的评判标准不同，所以每一个工序对应一个神经网络，该神经网络采用时序分类网络，本实施例采用TCN网络（时间卷积网络）来实现。在利用工序指标分类网络，进而得到各个已完成工序的加工指标之前，现先对该工序指标分类网络的训练过程进行介绍：
（2-1）在历史的多次喷嘴铸造过程中，对每次喷嘴铸造过程的每个工序的作业人员操作图像进行连续采集，将采集的连续50帧图像作为一组，就可以得到每个工序操作过程的多组作业人员操作图像，这里的图像是指RGB图像。将RGB图像送入关键点检测网络中获得操作人员的人体骨骼信息，人体骨骼信息由人体骨骼关键点构成。关键点检测网络采用现有的OpenPose网络，这里的人体骨骼关键点包括OpenPose网络中定义的18个人体关键点：左耳、左眼、左肩、左肘、左手首、左腰、左膝、左足首、右耳、右眼、右肩、右肘、右手首、右腰、左膝、右足首、鼻子、嘴巴，至此可以获得每帧图像的人体骨骼信息，这里的人体骨骼信息是指18人体关键点的坐标信息，根据50帧图像的人体骨骼信息，就可以获得人体骨骼序列信息。OpenPose网络为公知技术，在此不再赘述。
（2-2）利用人体骨骼序列信息训练TCN网络，对作业人员作业姿态进行分类。在训练过程中，TCN网络输入的数据为
Figure 100002_DEST_PATH_IMAGE035
，其中：
Figure 958494DEST_PATH_IMAGE036
代表训练TCN网络时一个批次中训练样本的数量，也就是一组作业人员操作图像中所包含的图像的数目，由于本实施例中一组作业人员操作图像中所包含50帧图像，因此
Figure 933535DEST_PATH_IMAGE037
；
Figure 539572DEST_PATH_IMAGE038
代表一个批次中训练样本的时间跨度，也就是一组作业人员操作图像中所包含的所有图像的采集时间，在本实施中1s采集2帧图像，那么采集50帧图像就需要25s，因此
Figure 309076DEST_PATH_IMAGE039
；N表示人体骨骼序列信息，该人体骨骼序列信息中包括每帧图像中的人体骨骼信息，这里的人体骨骼信息是指18人体关键点的坐标信息，每个坐标信息有横纵坐标值，一共36个值。TCN网络输出的数据为作业人员作业姿态的分类结果，该分类结果是对50帧图像的姿态信息进行设定分类类别表示，这些设定分类类别分为4类：优、良、中、差，对应的等级标签依次为1，2，3，4，用于反映不同的加工质量。然后利用交叉熵损失函数，完成TCN网路的训练，进而可以得到训练好的工序指标分类网络。
在得到训练好的工序指标分类网络的基础上，根据步骤（1）中所获得的实时喷嘴铸造过程中，各个已完成工序的多组作业人员操作图像，即可得到每个已完成工序的每一组作业人员操作图像所对应的各分类结果及在各个设定分类类别上的分类概率，进而可以计算出各个已完成工序的加工指标。对应的计算公式为：
Figure 881790DEST_PATH_IMAGE040
（1）
其中，
Figure 113051DEST_PATH_IMAGE041
为工序
Figure 779787DEST_PATH_IMAGE042
的加工指标，
Figure 982841DEST_PATH_IMAGE044
为设定分类类别，
Figure DEST_PATH_IMAGE045
为第
Figure DEST_PATH_IMAGE047
组作业人员操作图像在设定分类类别
Figure 821614DEST_PATH_IMAGE048
上的分类概率，c=1、2、3或4，
Figure DEST_PATH_IMAGE049
为工序
Figure DEST_PATH_IMAGE051
的作业人员操作图像的总组数，即完成工序
Figure 358031DEST_PATH_IMAGE051
的铸件操作得到的分类结果的数量，
Figure 816956DEST_PATH_IMAGE052
。
需要说明的是，上述对该工序指标分类网络的训练过程的具体内容并不是步骤中的重点，本领域的技术人员可以根据自身的需要来设置相应的训练过程，本步骤的重点是利用训练好的工序指标分类网络，得到各个已完成工序的各组作业人员操作图对应的分类，进而得到各个已完成工序的加工指标。
（3）获取最高的产品质量得分以及预先得到的各个已完成工序对产品质量的影响指标、各个未完成工序对产品质量的影响指标和各个未完成工序的重要程度指标。
其中，在喷嘴铸造过程中，每一个工序对最终产品质量的影响程度和重要程度是不同的，该步骤的目的就是根据采集到的大量历史数据，获得各工序对产品质量的影响指标
Figure DEST_PATH_IMAGE053
以及工序的重要程度
Figure 207224DEST_PATH_IMAGE054
，下面对获取各个工序对产品质量的影响指标的过程进行详细介绍。
（3-1）获取历史数据，该历史数据包括：多次喷嘴铸造过程中，各个工序的多组作业人员操作图像。
其中，在历史的喷嘴铸造过程中，获取每一次铸造过程中的各个工序的多组作业人员操作图像，选取多次铸造过程所对应的各个工序的多组作业人员操作图像，作为历史数据。
（3-2）根据历史数据中每次喷嘴铸造过程的各个工序的多组作业人员操作图像，并利用训练好的工序指标分类网络，得到各个工序的各组作业人员操作图在各个设定分类类别上的分类概率。根据各个设定分类类别以及各个工序的各组作业人员操作图在各个设定分类类别上的分类概率，计算得到各个工序的加工指标。
其中，在获取这些历史数据的基础上，并利用已经训练好的工序指标分类网络，对每一次喷嘴铸造过程中的各个工序的多组作业人员操作图对应的设定分类类别进行识别，进而得到每一次喷嘴铸造过程中各个工序的加工指标。由于该得到每一次喷嘴铸造过程中各个工序的加工指标的步骤，与上述步骤（2）中获取本次实时喷嘴铸造过程中各个已完成工序的加工指标的步骤完全相同，此处不再赘述。
（3-3）构建多组原始样本数据，每组原始样本数据包括一次喷嘴铸造过程的各个工序的加工指标以及对应的产品质量得分。
其中，按照步骤（3-2）可以获得一次喷嘴铸造过程的各个工序的加工指标，记工序数量为
Figure DEST_PATH_IMAGE055
，得到序列
Figure 539549DEST_PATH_IMAGE056
以及对应的产品质量得分
Figure DEST_PATH_IMAGE057
。设定产品质量得分
Figure 814410DEST_PATH_IMAGE057
为10分制，得分越小质量越好。需要说明的是，产品质量得分可由人为打分或适用现有的质量评估方法，该质量评估方法可采用现有的评估方法，实施者可自行选择，不属于本技术方案的重点。
在此基础之上，获得多组原始样本数据，需要说明的是，每组原始样本数据包括一次喷嘴铸造过程的各个工序的加工指标以及对应的产品质量得分，将第u组原始样本数据记为
Figure 986896DEST_PATH_IMAGE058
。将每一组原始样本数据作为一行，构造样本矩阵，该样本矩阵为
Figure DEST_PATH_IMAGE059
列的向量。
（3-4）在计算第j个工序对产品质量的影响指标时，则在每组原始样本数据中删除该第j个工序的加工指标以及所有的产品质量得分，从而得到删除数据后的样本数据。
其中，根据步骤（3-3）可知，多组原始样本数据构成的样本矩阵为
Figure 475296DEST_PATH_IMAGE060
列的向量，人为的构建与样本矩阵尺寸相同的标准矩阵
Figure DEST_PATH_IMAGE061
。在计算第j个工序对产品质量的影响指标时，在标准矩阵中设置第
Figure DEST_PATH_IMAGE063
列和
Figure 160548DEST_PATH_IMAGE064
列的数值为0，其余数值为1。将标准矩阵中的数值与样本矩阵中的对应位置的值相乘，将所有样本数据中的第j个工序的加工指标
Figure DEST_PATH_IMAGE065
和所有的产品质量得分
Figure 973521DEST_PATH_IMAGE066
置0，完成样本数据的预处理，获得这些样本数据预处理之后的样本数据。
（3-5）对删除数据后的样本数据进行聚类操作，得到多个簇，进而确定每个簇所对应的原始样本数据。
其中，对预处理之后的样本数据进行聚类处理，从样本数据中随机选择一行样本数据作为一个目标样本，计算其余每一行样本数据与目标样本之间的
Figure DEST_PATH_IMAGE067
范数距离，当
Figure 938197DEST_PATH_IMAGE067
范数距离为0时将其归为一类，若
Figure 800761DEST_PATH_IMAGE067
范数距离不为0，则重新将该行样本数据作为目标样本，产生一个新的簇；遍历所有的样本数据，完成聚类操作，产生
Figure 644696DEST_PATH_IMAGE068
个簇，每个簇内的样本之间的
Figure 372611DEST_PATH_IMAGE067
范数距离为0。需要说明的是，每一个簇内的样本数据为经预处理之后的样本数据，这些样本数据中除
Figure 386267DEST_PATH_IMAGE069
之外，其余数据与原始样本数据完全相同。
（3-6）根据每个簇所对应的原始样本数据中该第j个工序的加工指标以及对应的产品质量得分，计算该第j个工序对产品质量的影响指标。
其中，根据步骤（3-5），获得
Figure 10278DEST_PATH_IMAGE068
个簇内所有的原始样本数据。对每个簇内的样本进行分析，获得工序
Figure 341508DEST_PATH_IMAGE070
的工序指标
Figure DEST_PATH_IMAGE071
对产品质量的影响指标
Figure 545219DEST_PATH_IMAGE072
，其计算公式如下：
Figure DEST_PATH_IMAGE073
（2）
Figure 300466DEST_PATH_IMAGE074
（3）
其中，
Figure DEST_PATH_IMAGE075
为第
Figure 108760DEST_PATH_IMAGE076
个簇对应的第j个工序对产品质量的子影响指标，
Figure DEST_PATH_IMAGE077
为第
Figure 961177DEST_PATH_IMAGE076
个簇所对应的原始样本数据中该第j个工序的第
Figure 965648DEST_PATH_IMAGE078
个加工指标，
Figure DEST_PATH_IMAGE079
为第
Figure 106561DEST_PATH_IMAGE076
个簇所对应的原始样本数据中该第j个工序的第
Figure 744478DEST_PATH_IMAGE080
个加工指标，
Figure DEST_PATH_IMAGE081
，
Figure 887184DEST_PATH_IMAGE082
为第
Figure 85560DEST_PATH_IMAGE076
个簇所对应的原始样本数据的第
Figure 937103DEST_PATH_IMAGE078
个产品质量得分，
Figure DEST_PATH_IMAGE083
为第
Figure 545589DEST_PATH_IMAGE076
个簇所对应的原始样本数据的第
Figure 872796DEST_PATH_IMAGE080
个产品质量得分，
Figure 422333DEST_PATH_IMAGE076
为簇的总数目，
Figure 253017DEST_PATH_IMAGE084
为第j个工序对产品质量的影响指标，
Figure 840860DEST_PATH_IMAGE084
越大表示当前工序对产品质量的影响程度越大。
按照上述的步骤（3-4）-（3-6），可以获得喷嘴精密铸造过程中每一个工序对产品质量的影响指标
Figure 779997DEST_PATH_IMAGE085
，进一步根据各工序的影响指标，获得每一个工序的重要程度
Figure 461121DEST_PATH_IMAGE086
，以工序
Figure 880732DEST_PATH_IMAGE088
为例，工序
Figure 424496DEST_PATH_IMAGE088
的重要程度指标
Figure 336082DEST_PATH_IMAGE089
的计算公式为：
Figure 352055DEST_PATH_IMAGE022
（4）
其中，
Figure 281965DEST_PATH_IMAGE089
为第j个工序的重要程度指标，
Figure 462542DEST_PATH_IMAGE084
为第j个工序对产品质量的影响指标，
Figure 728002DEST_PATH_IMAGE090
为第e个工序对产品质量的影响指标，
Figure 471967DEST_PATH_IMAGE091
为工序的总数目。
至此，得到了喷嘴精密铸造过程中每一个工序对产品质量的影响指标
Figure 863240DEST_PATH_IMAGE085
和重要程度
Figure 480298DEST_PATH_IMAGE086
。其中影响指标
Figure 369406DEST_PATH_IMAGE085
反应工序加工指标变化时最终产品得分的变化情况。
（5）根据各个已完成工序的加工指标、产品质量得分以及预先得到的各个已完成工序对产品质量的影响指标、各个未完成工序对产品质量的影响指标和各个未完成工序的重要程度指标，计算各个未完成工序的最低的加工指标。
其中，本步骤的目的是通过对喷嘴铸造过程中的各个已完成工序进行实时监测，动态的获得剩下工序的加工要求，为作业人员提供参考标准，保证喷嘴铸造的质量。
在开始喷嘴铸造之前，根据上述步骤（3）所获得的信息，可以得到各工序的初始加工要求。根据先验知识，认为产品质量得分
Figure 730111DEST_PATH_IMAGE092
为合格产品，即产品合格最高的产品质量得分
Figure 631684DEST_PATH_IMAGE093
，则各工序的加工指标
Figure 419642DEST_PATH_IMAGE094
的基本要求为：
Figure 807766DEST_PATH_IMAGE095
（5）
其中，
Figure 706583DEST_PATH_IMAGE091
为工序的总数目，
Figure 731170DEST_PATH_IMAGE096
为第e个工序对产品质量的影响指标，
Figure 952680DEST_PATH_IMAGE097
为第e个工序的加工指标，
Figure 547871DEST_PATH_IMAGE098
为第e+1个工序的加工指标，
Figure 253309DEST_PATH_IMAGE099
为第e个工序的重要程度指标，
Figure 866824DEST_PATH_IMAGE100
为第e+1个工序的重要程度指标，
Figure 665759DEST_PATH_IMAGE101
为产品合格最高的产品质量得分，
Figure 872881DEST_PATH_IMAGE102
。
对上式（5）进行求解，即可得到每一工序加工指标的最低要求，为对应工序的操作人员提供参考。
那么，基于上述各工序的加工指标
Figure 42395DEST_PATH_IMAGE103
的基本要求，在本次喷嘴铸造过程中，通过获取前
Figure 385782DEST_PATH_IMAGE105
个工序实时的加工指标，并利用这前
Figure 949094DEST_PATH_IMAGE105
个工序实时的加工指标对后续剩余工序的加工要求进行动态调整，保证喷嘴铸造的质量，实现实时监测。对后续剩余工序的加工要求进行动态调整对应的计算公式为：
Figure DEST_PATH_IMAGE106
(6)
其中，
Figure 253299DEST_PATH_IMAGE091
为工序的总数目，
Figure 972643DEST_PATH_IMAGE107
为已完成工序的数目，
Figure DEST_PATH_IMAGE108
为第l个未完成工序对产品质量的影响指标，
Figure 574132DEST_PATH_IMAGE109
为第l个未完成工序的加工指标，
Figure 576855DEST_PATH_IMAGE110
为第l+1个未完成工序的加工指标，
Figure 648583DEST_PATH_IMAGE111
为第l个未完成工序的重要程度指标，
Figure DEST_PATH_IMAGE112
为第l+1个未完成工序的重要程度指标，
Figure 978808DEST_PATH_IMAGE113
为第t个已完成工序对产品质量的影响指标，
Figure DEST_PATH_IMAGE114
为第t个已完成工序的加工指标，
Figure 437733DEST_PATH_IMAGE115
为产品合格最高的产品质量得分，
Figure DEST_PATH_IMAGE116
。
对上式（6）进行求解，即可得到剩余各个工序的加工指标的最低要求，为对应工序的操作人员提供参考。
（6）按照各个未完成工序的最低的加工指标，对各个未完成工序的加工要求进行调整。
其中，根据步骤（5）中所计算出来的剩余各个工序的加工指标的最低要求，得到剩余各工序的基本操作要求。
本实施例还提供了一种基于图像处理的喷嘴铸造监测系统，该系统包括处理器和存储器，处理器用于处理存储在存储器中的指令，以实现上述的基于图像处理的喷嘴铸造监测方法。由于该基于图像处理的喷嘴铸造监测方法已经在上述内容进行详细介绍，此处不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于图像处理的喷嘴铸造监测方法，其特征在于，包括以下步骤：
在实时喷嘴铸造过程中，获取各个已完成工序的多组作业人员操作图像；
根据各个已完成工序的多组作业人员操作图像，并利用训练好的工序指标分类网络，得到各个已完成工序的各组作业人员操作图在各个设定分类类别上的分类概率；
根据各个设定分类类别以及各个已完成工序的各组作业人员操作图在各个设定分类类别上的分类概率，计算得到各个已完成工序的加工指标；
获取产品合格最高的产品质量得分以及预先得到的各个已完成工序对产品质量的影响指标、各个未完成工序对产品质量的影响指标和各个未完成工序的重要程度指标；
根据各个已完成工序的加工指标、产品质量得分以及预先得到的各个已完成工序对产品质量的影响指标、各个未完成工序对产品质量的影响指标和各个未完成工序的重要程度指标，计算各个未完成工序的最低的加工指标；
按照各个未完成工序的最低的加工指标，对各个未完成工序的加工要求进行调整；
各个工序的加工指标的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为工序
Figure DEST_PATH_IMAGE003
的加工指标，
Figure DEST_PATH_IMAGE004
为设定分类类别，
Figure DEST_PATH_IMAGE005
为第
Figure DEST_PATH_IMAGE006
组作业人员操作图像在设定分类类别
Figure 499966DEST_PATH_IMAGE004
上的分类概率，c=1、2、3或4，
Figure DEST_PATH_IMAGE007
为工序
Figure 495735DEST_PATH_IMAGE003
的作业人员操作图像的总组数；
各个工序对产品质量的影响指标的计算公式为：
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE010
为第
Figure DEST_PATH_IMAGE012
个簇对应的第j个工序对产品质量的子影响指标，
Figure DEST_PATH_IMAGE013
为第
Figure 834661DEST_PATH_IMAGE012
个簇所对应的原始样本数据中该第j个工序的第
Figure DEST_PATH_IMAGE014
个加工指标，
Figure DEST_PATH_IMAGE015
为第
Figure 839657DEST_PATH_IMAGE012
个簇所对应的原始样本数据中该第j个工序的第
Figure DEST_PATH_IMAGE016
个加工指标，
Figure DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE018
为第
Figure 591712DEST_PATH_IMAGE012
个簇所对应的原始样本数据的第
Figure 492803DEST_PATH_IMAGE014
个产品质量得分，
Figure DEST_PATH_IMAGE019
为第
Figure 838465DEST_PATH_IMAGE012
个簇所对应的原始样本数据的第
Figure DEST_PATH_IMAGE020
个产品质量得分，K为簇的总数目，
Figure DEST_PATH_IMAGE021
为第j个工序对产品质量的影响指标；
得到各个工序的重要程度指标对应的计算公式为：
Figure DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_IMAGE024
为第j个工序的重要程度指标，
Figure 506207DEST_PATH_IMAGE021
为第j个工序对产品质量的影响指标，
Figure DEST_PATH_IMAGE025
为第e个工序对产品质量的影响指标，
Figure DEST_PATH_IMAGE026
为喷嘴铸造过程中工序的总数目；
计算各个未完成工序的最低的加工指标的公式为：
Figure DEST_PATH_IMAGE027
其中，
Figure 394660DEST_PATH_IMAGE026
为工序的总数目，
Figure DEST_PATH_IMAGE028
为已完成工序的数目，
Figure DEST_PATH_IMAGE029
为第l个未完成工序对产品质量的影响指标，
Figure DEST_PATH_IMAGE030
为第l个未完成工序的加工指标，
Figure DEST_PATH_IMAGE031
为第l+1个未完成工序的加工指标，
Figure DEST_PATH_IMAGE032
为第l个未完成工序的重要程度指标，
Figure DEST_PATH_IMAGE033
为第l+1个未完成工序的重要程度指标，
Figure DEST_PATH_IMAGE034
为第t个已完成工序对产品质量的影响指标，
Figure DEST_PATH_IMAGE035
为第t个已完成工序的加工指标，
Figure DEST_PATH_IMAGE036
为产品合格最高的产品质量得分。
2.根据权利要求1所述的基于图像处理的喷嘴铸造监测方法，其特征在于，得到各个工序对产品质量的影响指标的过程包括：
获取历史数据，所述历史数据包括：多次喷嘴铸造过程中，每次喷嘴铸造过程的各个工序的多组作业人员操作图像；
根据历史数据中每次喷嘴铸造过程的各个工序的多组作业人员操作图像，并利用训练好的工序指标分类网络，得到各个工序的各组作业人员操作图在各个设定分类类别上的分类概率；
根据各个设定分类类别以及各个工序的各组作业人员操作图在各个设定分类类别上的分类概率，计算得到各个工序的加工指标；
构建多组原始样本数据，每组原始样本数据包括一次喷嘴铸造过程的各个工序的加工指标以及对应的产品质量得分；
在计算第j个工序对产品质量的影响指标时，则在每组原始样本数据中删除该第j个工序的加工指标以及所有的产品质量得分，从而得到删除数据后的样本数据；
对删除数据后的样本数据进行聚类操作，得到多个簇，进而确定每个簇所对应的原始样本数据；
根据每个簇所对应的原始样本数据中该第j个工序的加工指标以及对应的产品质量得分，计算该第j个工序对产品质量的影响指标。
3.一种基于图像处理的喷嘴铸造监测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1或2所述的基于图像处理的喷嘴铸造监测方法。
CN202110916112.1A 2021-08-11 2021-08-11 一种基于图像处理的喷嘴铸造监测方法及系统 Active CN113360838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110916112.1A CN113360838B (zh) 2021-08-11 2021-08-11 一种基于图像处理的喷嘴铸造监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110916112.1A CN113360838B (zh) 2021-08-11 2021-08-11 一种基于图像处理的喷嘴铸造监测方法及系统

Publications (2)

Publication Number Publication Date
CN113360838A CN113360838A (zh) 2021-09-07
CN113360838B true CN113360838B (zh) 2021-10-29

Family

ID=77522950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110916112.1A Active CN113360838B (zh) 2021-08-11 2021-08-11 一种基于图像处理的喷嘴铸造监测方法及系统

Country Status (1)

Country Link
CN (1) CN113360838B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116181636B (zh) * 2023-04-28 2023-08-11 日立压缩机(常熟)有限公司 一种空压机密封性能智能化检测方法、系统及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468719A (zh) * 2020-11-16 2021-03-09 中国农业大学 加工产品图像采集装置
CN112718555A (zh) * 2020-12-14 2021-04-30 张家港博佑光电科技有限公司 一种硅太阳能电池分选工序测试系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005288796A (ja) * 2004-03-31 2005-10-20 Seiko Epson Corp インクジェット記録装置の製造方法及びインクジェット記録装置
CN108764597A (zh) * 2018-04-02 2018-11-06 华南理工大学 一种基于集成学习的产品质量控制方法
CN111353907A (zh) * 2020-02-24 2020-06-30 广州兴森快捷电路科技有限公司 工艺规格管理方法及系统
CN111711765A (zh) * 2020-05-29 2020-09-25 杭州电子科技大学 一种零件生产工序检验系统
CN112580989A (zh) * 2020-12-23 2021-03-30 南京绿投科技有限公司 一种基于工业大数据的云平台数据管理系统及管理方法
CN113042384A (zh) * 2021-03-09 2021-06-29 永康市杰地希机器人科技有限公司 一种自动筛选面板加工的系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468719A (zh) * 2020-11-16 2021-03-09 中国农业大学 加工产品图像采集装置
CN112718555A (zh) * 2020-12-14 2021-04-30 张家港博佑光电科技有限公司 一种硅太阳能电池分选工序测试系统

Also Published As

Publication number Publication date
CN113360838A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111563887B (zh) 一种口腔图像的智能分析方法与装置
CN107392232B (zh) 一种浮选工况分类方法和系统
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN108664947A (zh) 一种基于表情识别的疲劳驾驶预警方法
CN104239862B (zh) 一种人脸识别方法
CN110705807A (zh) 基于现场数据的半导体生产质量预测方法及系统
CN113360838B (zh) 一种基于图像处理的喷嘴铸造监测方法及系统
CN110298393A (zh) 一种基于深度学习的头发头皮健康状况检测方法
CN111931804A (zh) 一种基于rgbd摄像机的人体动作自动评分方法
CN110555417A (zh) 一种基于深度学习的视频图像识别系统及方法
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN110210483A (zh) 医疗图像病变区域分割方法、模型训练方法和设备
CN109934221A (zh) 基于注意力机制的电力设备自动分析识别监控方法及系统
CN112070712B (zh) 基于自编码器网络的印刷缺陷检测方法
CN110119768A (zh) 用于车辆定位的视觉信息融合系统及方法
CN111598868B (zh) 一种肺部超声图像识别方法和系统
CN109344758B (zh) 基于改进局部二值模式的人脸识别方法
CN114895634A (zh) 一种基于机器视觉的产品生产线自动控制系统
CN107392134A (zh) 一种基于联合分块的人脸识别方法及系统
CN111028207A (zh) 基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法
CN113397567B (zh) 一种人类行为脑电信号分类方法及系统
CN112189588B (zh) 一种奶牛图像信息收集处理方法及系统
CN113255666A (zh) 一种基于计算机视觉的个性化答疑系统与方法
CN115546878B (zh) 基于注意力机制的面部au检测模型建立方法及其应用
CN111709918A (zh) 基于深度学习的联合多个通道产品缺陷分类方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A monitoring method and system of nozzle casting based on image processing

Effective date of registration: 20220711

Granted publication date: 20211029

Pledgee: China Postal Savings Bank Limited by Share Ltd. Wenshang County sub branch

Pledgor: SHANDONG DAMUZHI SPRAYING EQUIPMENTS Co.,Ltd.

Registration number: Y2022980010148