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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 271
- 238000005266 casting Methods 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000003754 machining Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims description 109
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012797 qualification Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 71
- 238000012549 training Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 239000012467 final product Substances 0.000 description 4
- 238000005495 investment casting Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007528 sand casting Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
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:
进一步的,各个工序对产品质量的影响指标的计算公式为:
其中,为第k个簇对应的第j个工序对产品质量的子影响指标,为第k个簇所对应的原始样本数据中该第j个工序的第个加工指标,为第k个簇所对应的原始样本数据中该第j个工序的第个加工指标,,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,为第k个簇所对应的原始样本数据的第个产品质量得分,K为簇的总数目,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:
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:
其中,为工序的总数目,z为已完成工序的数目,为第l个未完成工序对产品质量的影响指标,为第l个未完成工序的加工指标,为第l+1个未完成工序的加工指标,为第l个未完成工序的重要程度指标,为第l+1个未完成工序的重要程度指标,为第t个已完成工序对产品质量的影响指标,为第t个已完成工序的加工指标,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,其中: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;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;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:
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以及工序的重要程度,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,得到序列以及对应的产品质量得分。设定产品质量得分为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。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列的向量,人为的构建与样本矩阵尺寸相同的标准矩阵。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列和列的数值为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个工序的加工指标和所有的产品质量得分置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范数距离,当范数距离为0时将其归为一类,若范数距离不为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,产生个簇,每个簇内的样本之间的范数距离为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,为第个簇对应的第j个工序对产品质量的子影响指标,为第个簇所对应的原始样本数据中该第j个工序的第个加工指标,为第个簇所对应的原始样本数据中该第j个工序的第个加工指标,,为第个簇所对应的原始样本数据的第个产品质量得分,为第个簇所对应的原始样本数据的第个产品质量得分,为簇的总数目,为第j个工序对产品质量的影响指标,越大表示当前工序对产品质量的影响程度越大。
(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。
其中,为工序的总数目,为第e个工序对产品质量的影响指标,为第e个工序的加工指标,为第e+1个工序的加工指标,为第e个工序的重要程度指标,为第e+1个工序的重要程度指标,为产品合格最高的产品质量得分,。
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的基本要求,在本次喷嘴铸造过程中,通过获取前个工序实时的加工指标,并利用这前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:
其中,为工序的总数目,为已完成工序的数目,为第l个未完成工序对产品质量的影响指标,为第l个未完成工序的加工指标,为第l+1个未完成工序的加工指标,为第l个未完成工序的重要程度指标,为第l+1个未完成工序的重要程度指标,为第t个已完成工序对产品质量的影响指标,为第t个已完成工序的加工指标,为产品合格最高的产品质量得分,。
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:
各个工序对产品质量的影响指标的计算公式为:
其中,为第个簇对应的第j个工序对产品质量的子影响指标,为第个簇所对应的原始样本数据中该第j个工序的第个加工指标,为第个簇所对应的原始样本数据中该第j个工序的第个加工指标,,为第个簇所对应的原始样本数据的第个产品质量得分,为第个簇所对应的原始样本数据的第个产品质量得分,K为簇的总数目,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:
计算各个未完成工序的最低的加工指标的公式为:
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。
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)
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)
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)
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 |
-
2021
- 2021-08-11 CN CN202110916112.1A patent/CN113360838B/zh active Active
Patent Citations (2)
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 |