CN113595712B - 一种双工器的调试方法、装置以及双工器调试设备 - Google Patents
一种双工器的调试方法、装置以及双工器调试设备 Download PDFInfo
- Publication number
- CN113595712B CN113595712B CN202110615979.3A CN202110615979A CN113595712B CN 113595712 B CN113595712 B CN 113595712B CN 202110615979 A CN202110615979 A CN 202110615979A CN 113595712 B CN113595712 B CN 113595712B
- Authority
- CN
- China
- Prior art keywords
- screw
- data
- duplexer
- target
- debugging
- 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 105
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims description 94
- 238000012549 training Methods 0.000 claims description 64
- 230000008569 process Effects 0.000 claims description 49
- 238000005259 measurement Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 17
- 230000001105 regulatory effect Effects 0.000 claims description 16
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 19
- 238000001514 detection method Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/14—Two-way operation using the same type of signal, i.e. duplex
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请提供了一种双工器的调试方法、装置以及双工器调试设备,用于为双工器的调试,提供一种自动化调试方案,以高效、精确地完成双工器的调试。先在数据处理层面上,结合螺钉数据预测模型确定本次双工器的调试任务对应的目标螺钉数据,接着借助图像识别出的螺钉,在硬件层面上通过螺丝刀对识别出的螺钉进行调整,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成本次调试任务。
Description
技术领域
本申请涉及通信领域,具体涉及一种双工器的调试方法、装置以及双工器调试设备。
背景技术
在通信系统中,双工器作为异频双工电台,是中继台的主要配件,用于将发射信号和接收信号相隔离,保证信号的发射和接收都能同时正常工作。
在5G商业化的逐步临近的背景下,涉及的5G基站需要具有传输稳定、高质量的无线通信能力,而在5G基站中,双工器是不可避免的器件,通过配置的双工器,对通信链路中的信号根据频率进行选择和控制,选择特定频率信号通过,同时抑制不需要的频率信号。
而在现有的相关技术的研究过程中,发明人发现,双工器在生产或者部署的过程中,需要由工作人员根据操作经验去调节双工器上的螺钉,以调节信号波形达到生产规定的波形,而该调节过程显然费时费力,效率低下。
发明内容
本申请提供了一种双工器的调试方法、装置以及双工器调试设备,用于为双工器的调试,提供一种自动化调试方案,以高效、精确地完成双工器的调试。
第一方面,本申请提供了一种双工器的调试方法,方法包括:
获取目标双工器的调试任务的任务数据,调试任务用于将目标双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过目标双工器包括的滤波器的滤波处理的信号;
将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节目标双工器的过滤信号的波形;
获取双工器调试设备的二维图像,二维图像是由双工器调试设备配置的摄像头拍摄得到的;
从二维图像中识别目标双工器的螺钉;
通过螺丝刀对识别出的螺钉进行旋转,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成调试任务。
第二方面,本申请提供了一种双工器的调试装置,装置包括:
获取单元,用于获取目标双工器的调试任务的任务数据,调试任务用于将目标双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过目标双工器包括的滤波器的滤波处理的信号;
预测单元,用于将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节目标双工器的过滤信号的波形;
获取单元,还用于获取双工器调试设备的二维图像,二维图像是由双工器调试设备配置的摄像头拍摄得到的;
识别单元,用于从二维图像中识别目标双工器的螺钉;
调整单元,用于通过螺丝刀对识别出的螺钉进行旋转,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成调试任务。
第三方面,本申请提供了一种双工器调试设备,双工器调试设备包括工作站以及调试系统;
工作站获取目标双工器的调试任务的任务数据,调试任务用于将目标双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过目标双工器包括的滤波器的滤波处理的信号;将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节目标双工器的过滤信号的波形;获取双工器调试设备的二维图像,二维图像是由双工器调试设备配置的摄像头拍摄得到的;从二维图像中识别目标双工器的螺钉;
调试系统与工作站配合,通过螺丝刀对识别出的螺钉进行旋转,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成调试任务。
第四方面,本申请提供了一种双工器调试设备,包括处理器和存储器,存储器中存储有计算机程序,处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
第五方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有多条指令,指令适于处理器进行加载,以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
从以上内容可得出,本申请具有以下的有益效果:
针对于双工器的调试,本申请提出一种自动化调试方案,先在数据处理层面上,结合螺钉数据预测模型确定本次双工器的调试任务对应的目标螺钉数据,接着借助图像识别出的螺钉,在硬件层面上通过螺丝刀对识别出的螺钉进行调整,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成本次调试任务,在这过程中,融合了数据处理以及图像识别,再引入螺丝刀的自动旋转,如此,可起到高效、稳定的双工器调试效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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的附图。
图1为本申请双工器的调试方法的一种流程示意图;
图2为本申请双工器调试设备的一种局部结构示意图;
图3为本申请激光测量系统的一种结构示意图;
图4为本申请工作站的一种工作示意图;
图5为本申请计算螺钉的头部的圆心位置的一种场景示意图;
图6为本申请双工器调试设备的一种局部结构示意图;
图7为本申请双工器的调试装置的一种结构示意图;
图8为本申请双工器调试设备的一种结构示意图。
具体实施方式
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,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分,是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
在介绍本申请提供的双工器的调试方法之前,首先介绍本申请所涉及的背景内容。
本申请提供的双工器的调试方法、装置以及计算机可读存储介质,可应用于双工器调试设备,用于为双工器的调试,提供一种自动化调试方案,以高效、精确地完成双工器的调试。
本申请提及的双工器的调试方法,其执行主体可以为双工器的调试装置,或者集成了该双工器的调试装置的双工器调试设备。其中,处理设备可以通过设备集群的方式设置。
可以理解的是,在实际应用中,该双工器调试设备的设备形式,具体可根据双工器的生产环境或者部署环境而调整,例如可以为生产线上的生产设备,也可以为工作人员便携的调试设备,具体可随实际需要而定。
而对应于本申请双工器的调试方法,双工器调试设备可根据功能上的划分,在硬件上还可分为用于执行数据处理、图像识别的工作站,以及配合工作站调试螺钉的调试系统,进一步的,关于工作站执行数据处理涉及的螺钉数据预测模型的训练,双工器调试设备还可包括采集系统以采集训练模型用的训练数据,双工器调试设备的具体设备形式,可参考下面的具体内容进行理解。
下面,开始介绍本申请提供的双工器的调试方法。
首先,参阅图1,图1示出了本申请方双工器的调试法的一种流程示意图,本申请提供的双工器的调试方法,具体可包括如下步骤:
步骤S101,获取目标双工器的调试任务的任务数据,调试任务用于将目标双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过目标双工器包括的滤波器的滤波处理的信号;
步骤S102,将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节目标双工器的过滤信号的波形;
步骤S103,获取双工器调试设备的二维图像,二维图像是由双工器调试设备配置的摄像头拍摄得到的;
步骤S104,从二维图像中识别目标双工器的螺钉;
步骤S105,通过螺丝刀对识别出的螺钉进行旋转,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成调试任务。
从图1所示实施例可看出,针对于双工器的调试,本申请提出一种自动化调试方案,先在数据处理层面上,结合螺钉数据预测模型确定本次双工器的调试任务对应的目标螺钉数据,接着借助图像识别出的螺钉,在硬件层面上通过螺丝刀对识别出的螺钉进行调整,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成本次调试任务,在这过程中,融合了数据处理以及图像识别,再引入螺丝刀的自动旋转,如此,可起到高效、稳定的双工器调试效果。
继续对上述图1所示实施例的各个步骤及其在实际应用中可能的实现方式进行详细阐述。
在本申请中,双工器,具体可以为任意通信设备上的器件,例如5G基站上需要配置的双工器。
在双工器中,其功能主要由两个不同的滤波器实现,在信号接收链路以及信号发送链路上各配置一滤波器,将发射信号和接收信号相隔离,保障信号发射工作以及信号接收工作的正常运行。
双工器,一般预留多个的螺钉,这些螺钉与滤波器的谐振腔螺距相关,调节了螺钉,可改变谐振腔螺距,进而改变滤波器的过滤信号,达到调节双工器的过滤信号的效果。
由于调节过程中涉及的影响因素较为复杂,且螺钉一般数量较多,因此若如现有调节方案中由工作人员凭借操作经验进行,存在着费事费力的问题,导致效率低下。
本申请则提出一种自动化调试方案,结合数据处理、图像识别以及硬件上的控制,来完成对双工器的螺钉的高效、精确的调试,完成调试。
一、在触发调试任务后,第一阶段是在数据处理层面上确定本次调试任务中将双工器的过滤信号的波形调整至目标波形时的螺钉数据,该螺钉数据是基于预先训练好的螺钉数据预测模型实现的。
关于螺钉数据预测模型
预先进行模型的训练,可获取标注有对应螺钉样本数据的任务样本数据,再将每个任务样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型。
涉及的神经网络模型,具体可以为YOLOv3模型、ResNet模型、R-CNN模型、Fast R-CNN模型、Faster R-CNN模型、Mask R-CNN模型、SSD模型等不同类型的模型。
而作为训练集的任务样本数据,其内容包括对应的期望调整也可说调整后达到的目标波形,同时,还标注了螺钉样本数据。
该任务样本数据,具体可以由工作人员配置,或者,也可以在实际调试过程中进行记录,并提取出任务数据作为任务样本数据,甚至的,任务样本数据还可由设备自主经过大量的测量、采集得到。
通俗理解,该螺钉数据预测模型,其根据模型中配置的双工器的螺钉旋入量与输出波形之间的关系,预测当前目标信号波形所对应的螺钉旋入量,即,目标螺钉数据。
此外,应当理解的是,在实际应用过程中,若针对的同一款双工器,显然,其螺钉旋入量与输出波形之间的关系一般是固定不变的,如此,可直接向模型输入目标波形(任务数据),即可精确地得到对应的螺钉旋入量,为过滤信号的调节提供数据指导。
而若考虑到不同型号的双工器或者同一型号的双工器存在不同的滤波器时,可能导致过滤信号的调节效果存在差异,上述的模型训练以及模型应用的过程中,还可考虑双工器型号或者滤波器型号,以达到更为精确的预测效果。
例如,任务数据中不仅可包括具体的目标信号波形,还可指示具体的双工器型号、滤波器型号,甚至其他可涉及到的具体影响元素,以使得螺钉数据预测模型可更为针对性地、精确地预测达到目标信号波形所需的目标螺钉数据。
其中,任务数据中指示的目标波形,可指示该目标波形的波形特征,如波形偏移量、主波形峰值以及辅助波形峰值,例如,在实际应用中,可配置两个辅助波形峰值,即,辅助波形峰值1、辅助波形峰值2。
另一边,模型涉及的螺钉数据可包括螺钉型号以及螺钉旋入量。
可以理解的是,任务数据以及螺钉数据,可以采用文本的方式直接表述内容,或者,也可结合图像、表格等数据形式呈现内容。
举例而言,若螺钉数据预测模型输出的目标螺钉数据,其输出是输出至工作人员的,此时,该目标螺钉数据,具体可以直接为图像形式,以便设备直接加载,进行展示。
当然,具体可以根据实际需要调整,例如,目标螺钉数据的输出,可以根据输出对象的不同调整输出方式,或者,也可采用统一的数据形式,由输出对象进行数据形式的转换。
例如,若配置一显示设备或者通过显示设备来展示目标螺钉数据,显然,该显示设备在获得双工器调试设备传输过来的目标螺钉数据后,可根据自身配置的显示策略,对目标螺钉数据进行数据的转换,以适配的展示方式进行展示。
当然,该显示设备甚至显示屏,也可属于双工器调试设备本身。
此外,本申请针对于模型的训练,还提出一种训练机制,以进一步提高训练效果,进而保障模型的高预测精度。
初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
具体的,随机森林模型由决策树组成,由若干个弱分类器的分类结果进行投票选择,从而组成一个强分类器,通过提取多个样本数据,每个样本中含有多个特征,采用随机且有放回(即Bootstrap抽样方法)地从训练集中的抽取N个训练样本,通过模型学习得到相应的螺钉调节指导参数。
上述的随机森林模型原理是以输入为样本集D={(x1,y1),(x2,y2),....(xm,ym)},(x为波形特征数据,y为螺母数据)进行弱分类器迭代次数T,输出为最终的强分类器H(x):
随机森林模型调用的主循环过程(t=1,2,…,T),对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
在上述方案中随机森林模型主要用于预测样本螺钉的型号和样本螺钉的旋入量。
此外,考虑到任务样本数据中不同属性特征的量纲可能存在不一致性,数据之间的差异可能较大,为避免该情况对模型的训练效果、训练精度带来影响,还可进行预处理,通过数据的预处理,消除数据之间的差异性。
举例而言,在模型训练之前,方法还可包括:
在min-max标准化方式下,对多个任务样本数据进行归一化处理,使得数据中的值映射到0到1的范围区间内。
其中,min-max标准化方式,是对序列x1,x2,....,xn进行变换:
则新序列y1,y2,....,yn∈{0,1}且无量纲。
上面是从数据处理层面介绍的训练模型用的任务样本数据的处理的,本申请还可从硬件层面上的采集系统,来介绍训练模型用的任务样本数据的处理。
参阅图2示出的本申请双工器调试设备的一种局部结构示意图,针对于训练模型用的任务样本数据的处理,本申请可配置一采集系统,该采集系统也可称为处理系统,包括偏向硬件的激光测量系统以及偏向软件的数据采集系统,两者可分别将从样本双工器采集到的样本螺钉数据以及样本过滤信号,传输至工作站进行模型的训练。
对于激光测量系统,可以理解的是,其利用的是激光测量技术,来精确地测量螺钉在样本双工器的过滤信号不同工作状态下的位置,所得到的数据形成样本螺钉数据。
其中,激光测量系统本身还可配置螺钉的旋转功能,以实现训练数据采集过程中自动调整螺钉及对应过滤信号的特点。
示例性的,参考图3示出的本申请激光测量系统的一种结构示意图,本申请激光测量系统具体可包括定位平台、激光位移传感器、两用螺丝刀以及传感器固定架;
激光测量系统在采集样本螺钉数据的过程中,两用螺丝刀的套筒固定于螺钉表面,激光位移传感器垂直固定于定位平台的固定架,并移动到两用螺丝刀受测平面正上方,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为初值,待两用螺丝刀将螺钉旋转到预设深度后,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为终值,测量完成后将初值、终值以及螺钉位置进行记录,作为样本螺钉数据。
从这可看出,本申请所涉及的螺钉数据,可以是直接记录的螺钉的数据,也可以是间接记录的螺钉的数据,如上述,可通过旋转螺钉的两用螺丝刀的位置变化,间接计算得到螺钉的位置变化,同时考虑两用螺丝刀前端与螺钉的接触位置,确定螺钉位置,形成螺钉数据,如此,可方便于实际操作,且不影响数据精度。
进一步的,对于两用螺丝刀,本申请配置为:两用螺丝刀其杆体的顶端为一个圆形受光平面,作为两用螺丝刀受测平面承载激光位移传感器射出的激光,方便激光位置传感器精确地进行距离的测量,即,方便精确地测量两用螺丝刀的位置变化,而其杆体的底端为螺丝刀头,用于旋转下方的螺钉,其杆体中部为丝杠结构(或者说滚珠丝杠结构),可将旋转运动转换成线性运动,或将扭矩转换成轴向反复作用力,同时兼具高精度、可逆性和高效率的特点,由于具有很小的摩擦阻力,因此可更为细腻地促使下方螺钉的旋转,进而可更为细腻地调节样本双工器的过滤信号。
进一步的,对于定位平台,或者说高精定位平台,本申请配置为:其重复定位精度≤±10μm,绝对定位精度在20μm-30μm之间,如此,具有高精度的使用优点,保障激光测量系统整体的高精度运行,进而可更为细腻地调节样本双工器的过滤信号。
进一步的,激光测量系统具体可通过USB通信方式或者以太网通信形式等有线通信方式,输出样本螺钉数据,可以理解,在细微的测量过程中,通过有线通信方式,工作站对于激光测量系统,具有更为稳定地控制效果,避免数据传输过程中的不稳定导致激光测量系统的测量造成映射,同时,激光测量系统也可根据该有线通信方式,向工作站稳定地反馈采集到的样本螺钉数据。
对于数据采集系统,可以理解的是,可从数据处理层面,与样本双工器连接,从样本双工器处采集样本过滤信号,其中,本申请所称的过滤信号的采集,具体可以理解为采集过滤信号的信号波形的特征,过滤信号采集到的数据也可称为波形特征数据。
其中,若激光测量系统如上面提及的,可配置螺钉的旋转功能,以实现训练数据采集过程中自动调整螺钉及对应过滤信号的特点,此时,数据采集系统在工作站的控制下,还可与激光测量系统协同工作,记录下激光测量系统每一次旋转螺钉时的过滤信号的波形特征,得到每组旋转操作对应的训练数据。
示例性的,数据采集系统具体可包括示波器以及处理设备,示波器可与样本双工器连接,提取其过滤信号,并进行过滤信号的显示,方便工作人员查看。
而在采集样本过滤信号的过程中,考虑到单位时间内从示波器提取的样本过滤信号的数据量有限,可采用数据截取的方式,提取部分的、有效的数据作为样本过滤信号。
具体的,本申请可配置为:示波器可提取样本双工器输出的第一样本过滤信号,处理设备从示波器提取到的第一样本过滤信号中,按照预设时长以及预设的单位数据点数量,截取出第二样本过滤信号,并对第二样本过滤信号进行降噪以及特征提取,得到样本过滤信号。
可以理解的,此处提及的处理设备,其设备类型与工作站类似,可以为台式电脑、笔记本电脑、物理主机、服务器等不同类型的、具有数据处理能力的硬件设备,而该处理设备,包含于数据采集系统中,用于在工作站的控制下,配合示波器提取样本过滤信号。
举例而言,该处理设备,可搭建Labview系统,实现其数据采集功能。Labview系统使用VISA模块实现与示波器建立USB通信,发送指令给示波器,获取示波器采集的波形数据,由于对于波形数据的获取,每次传输的数量有限,不利于数据准确获取,在设计中将通过一次读取的数据量和显示一次需要的总数据量来设定循环次数,且由于在调试过程属于非连续性行为,在Labview系统的数据获取采用截取的方式,在截取采集时,选取采样时间为5s,每秒采集1000个数据点,因此在记录数据保存长度应有5000个采样点数据。
与此同时,对于数据采集系统,由于执行的数据处理,未涉及到硬件上的控制,因此更适用于采用无线通信方式,与工作站进行通信,也就是说,处理设备可通过无线通信方式,接收工作站的控制指令,输出样本过滤信号。
而对于样本过滤信号,采集的是其信号波形的特征,同上面提及的,如波形偏移量、主波形峰值以及辅助波形峰值,例如,在实际应用中,可配置两个辅助波形峰值,即,辅助波形峰值1、辅助波形峰值2。
另一边,样本螺钉数据具体可包括螺钉型号以及螺钉旋入量,其中,螺钉型号可以是固定的、预先配置的,也可以为激光测量系统通过激光扫描得到的型号标识或者直接写明的型号,而螺钉旋入量可以用上述提及的初值、终值以及螺钉位置进行表示,或者采用其他形式进行表示。
而对于工作站,在工作站上,具体可配置一基于python开发的机器学习模块,以输入为信号波形的图像特征,以输出为样本双工器相应的螺钉数据,进行模型的训练,训练模型用的原始训练数据还可通过预处理,去除异常数据、统一数据形式等,将处理过后的数据作为模型的输入变量输入模型,具体还可将训练数据中的70%用于模型训练,剩余的训练数据则作为测试数据用于模型测试。
与此同时,为方便数据处理,工作站上还可搭建一数据库服务器(可如图1示出的,简称为数据库),数据库服务器可存储上述提及的样本螺钉数据以及样本过滤信号,供数据分析使用,或者,还可存储训练号的螺钉数据预测模型等数据,不仅方便工作站的数据处理,也方便工作人员在工作站上进行数据的查阅等操作。
此外,工作站在完成模型训练得到螺钉数据预测模型后,还可直接向用户输出该螺钉数据预测模型,向用户展示螺钉数据预测模型的模型功能,用户也可第一时间查看该螺钉数据预测模型,并投入测试或者实际应用。
可参考图4示出的本申请工作站的一种工作示意图,工作站在数据处理层面上,根据功能划分,可包括数据库、学习部、知识库以及输出提示部,输入端的数据库用于存储激光测量系统测得到的样本螺钉数据以及存储数据采集系统采集得到的样本过滤信号,两者作为训练数据由学习部进行螺钉数据预测模型的训练,训练完成后可将螺钉数据预测模型存储于知识库或者由输出提示部进行输出,其中,知识库可以为专门用于存储螺钉数据预测模型的数据库,也可以直接包括于前面提及的存储样本螺钉数据以及样本过滤信号的数据库中。
二、在通过螺钉数据预测模型得到本次调试任务涉及的目标螺钉数据后,则可根据该目标螺钉数据,结合图像识别,如此后续可对识别出的螺钉进行调整。
关于图像识别,双工器调试设备其自身可配置摄像头,或者也可与设备外部的摄像头协同工作,来采集自身的二维图像。
示例性的,在实际应用中,摄像头可以采用工业相机,如可选用BASLER公司生产的ac A640-90uc型号相机,并可采用Eye-in-hand手眼系统,相机镜头可采用Computer 5mm镜头。
当由工作人员手动触发或者通过云端服务器远程触发双工器调试设备进行现场的双工器的调试任务时,可获取由双工器上部署的摄像头所拍摄得到的二维图像。
该二维图像,也可以称为2D图像、平面图像等,其图像内容自然包括了双工器调试设备以及所需调试的双工器,具体的,对应于双工器调试场景,图像中一般还可直接包括了螺钉的存在,以直接确定其位置,方便调试。
接着,则从该二维图像中,在图像识别技术下,识别图像中包含的螺钉的图像特征,进而将符合螺钉图像特征的图像识别为螺钉进行输出。
大致上,螺钉的图像识别可以理解为,根据螺钉的头部的集合形状特征,对基于Hu不变矩特征的螺钉图像匹配进行研究,采用一种基于几何形状特征的螺钉图像匹配方式,以图像中特征之间的欧式距离为度量完成对螺钉的识别。
可以理解,对于螺钉的图像识别,一般是采用的神经网络模型来实现的,该神经网络模型与前面的螺钉数据预测模型类似,具体可以为YOLOv3模型、ResNet模型、R-CNN模型、Fast R-CNN模型、Faster R-CNN模型、Mask R-CNN模型、SSD模型等不同类型的神经网络模型。
对于模型的训练,一般可包括:配置包含螺钉的图像,并由工作人员标注其包含的图像,将这些图像作为训练数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉识别结果计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉识别模型,可投入实际应用,识别输入图像中包含的螺钉。
在识别出图像中的螺钉后,双工器调试设备则可结合在图像中识别出螺钉的位置,通过配置的螺丝刀对螺钉进行旋转,以调整螺钉的旋入量,促使螺钉处于调试任务的任务数据中描述的螺钉位置,完成调试任务。
可以理解的是,在该调试过程中,还可拆分为多次细微的调试环节。执行调试任务,其目的是为了将双工器的过滤信号的波形调节至目标波形,而在调试过程中,除了可直接根据调试任务确定的螺钉目标位置或者螺钉旋入量,调整螺钉处于调试任务的任务数据中描述的螺钉位置(可以直接描述为目标位置,也可以间接描述为螺钉旋入量),还可能结合过滤信号的波形进行调试是否完成的判断,如此,则可更为准确、直接地完成调试,此时,任务数据中描述的螺钉位置还可间接描述为过滤信号的波形为目标波形的位置。
当然,在部分方案中,若任务数据描述的螺钉的目标位置或者螺钉旋入量是通过高精度的预测处理得到的,直接将螺钉调整至目标位置或者螺钉旋入量也是可高效、精确地完成调试的。
而若任务数据中描述的螺钉位置还可间接描述为过滤信号的波形为目标波形的位置,工器调试设备在确定了所需调整的总的螺钉旋入量后,可将其拆分为N个的单位螺钉旋入量,或者,更优地只确定1个单位螺钉旋入量,每调整1个单位螺钉旋入量,就获取一次新的二维图像,确定螺钉的最新位置,并判断过滤信号波形是否符合目标波形,若否则可继续新的1个单位螺钉旋入量的调试,直至符合目标波形位置,完成调试。
进一步的,上面已经提及了可采用神经网络模型实现螺钉的图像识别,而神经网络模型的识别过程中,在数据处理层面上,本申请还具有相关的优化设置。
在螺钉的图像识别过程中,可借助螺钉具有的圆形形状的头部的特点来辅助识别,而作为一种适于实用的实现方式,本申请除了识别出螺钉,还可识别出螺钉其具体型号,以辅助确定螺丝刀类型或者螺钉的具体旋转速度等,或者可根据螺钉具体型号确定其长度,进而确定螺钉在其轴向上各部位的具体位置。
对应的,从二维图像中识别双工器的螺钉的过程中,具体可包括:
通过圆形物体识别算法,从二维图像中识别出包含的圆形,作为螺钉;
以圆形的圆心为图像中心,结合预设的重点检测图像区域范围,从二维图像中提取出重点检测图像;
根据边缘提取算法对重点检测图像进行边缘检测;
将边缘检测结果中的几何形状特征与不同类型的螺钉的几何形状特征进行匹配,确定螺钉的型号。
可以理解的是,一般螺钉的头部是圆形的,或者,还可以是类似圆形的六角形等多边形,在图像识别过程中,可将趋于、接近圆形的几何图形识别为图像中包含的螺钉。
重点检测图像区域范围,可以理解为本申请认为的整个图像区域中螺钉位置的区域,确定重点检测区域之后,计算机将只会在该区域范围内进行后续的图像处理,以此减少图像处理的数据处理量,该区域范围可成为图像感兴趣区域(Region Of Interest,ROI)。
经过螺钉图像定位后,已经获得当前待识别螺钉的圆心坐标(A,B)和半径值R,因此提取出的ROI图像中只需要包含螺钉即可,将ROI图像的中心设定为螺钉的圆心,ROI图像为矩形,为了保证识别过程中每张图像的尺寸大小一致,设矩形边长相等且为固定值L,固定值L只需要比最大直径2R稍大即可(L与R可以为像素值)。
其次,边缘检测算法,如Canny边缘检测算法,可检测图像中更为细腻的边缘特征,具体可通过标识图像中亮度变化明显的点,反应出图像中包含的表面纹理、表面形状等特征。
而螺钉头部中间,一般具有槽型,用于供螺丝刀的头部插入,进行旋转,该槽型同样根据螺钉的具体型号配置有不同的几个形状,例如内六角、米字、一字、十字等几何形状,如此,可借助边缘检测结果包含的几何形状特征,确定螺钉型号。
可以理解的是,同样还可借助螺钉头部甚至螺钉头部的槽型,辅助螺钉的判断,对前面的螺钉识别结果进行修正。
进一步的,在上述识别过程中,可根据螺钉的位置确定螺丝刀的下刀位置,以精确进行螺钉的旋转,而对于该下刀位置,具体是以识别出的螺钉的头部的圆心进行锁定的,也因此,为更为精确地确定出圆心位置,本申请还提出一种多精度定位结合的螺钉定位方案。
即,上述提及的通过圆形物体识别算法,从重点检测图像中识别出包含的圆形,具体可包括:
通过识别精度不同的圆形物体识别算法,分别从重点检测图像中识别出包含的初始圆形,作为重点检测图像中识别出包含的圆形的范围;
采用最小二乘法以及霍夫变换,测得多个初始圆形的圆心;
将多个圆心的坐标取平均值作为重点检测图像中识别出包含的圆形的圆心。
一般性的,可配置一粗一精的两个精度定位,通过粗定位与精定位结合的定位方法,提高螺钉的定位精度,同时提高检测效率,减少数据处理量。
可以看出,不仅对于螺钉的头部的圆心进行了精确的锁定,并且,对于识别出的多个的螺钉头部(圆形),则可将其进行融合,作为整个的螺钉头部的范围(重叠的多个圆形)。
在完成图像中螺钉的定位后,双工器调试设备的螺丝刀则可以开始旋转双工器的螺钉,执行调试任务。
举例而言,双工器调试设备可将螺钉初始圆心位置定为(0,0,0),在已知图像轮廓为圆形的基础上,可以通过霍夫变换检测。
参阅图5示出的本申请计算螺钉的头部的圆心位置的一种场景示意图,设圆的参数方程为:(x-a)2+(y-b)2=r2中:a,b,r为圆的三个参数,由参数组成的空间称为a-b-r参数空间。
当r已知且固定时,X-Y平面中圆上的每一个点对应着参数空间a-b平面中的一个以r为半径的圆形,因此,如果将X-Y平面上的圆转换到参数空间时,X-Y空间中圆上的任意一点,对应参数空间中的一个以X-Y为高度变化的三维锥面。
由于圆上所有点均满足圆的参数方程,因此,X-Y空间中同一圆上的点对应参数空间中的所有三维锥面必然交于一点(a0,b0,r0),即为圆在图像平面的圆心坐标及半径,然后根据霍夫变换算法。
霍夫变换算法的原理依据首先读取原图像并将RGB图像转化为灰度图,然后使用Canny算子对图像进行边缘检测,提取图像的边缘特征,获得螺钉图像的二值图,再分别从图像两侧逼近,获得螺钉图像轮廓边缘点的集合,边缘点的集合近似为一个圆。
提取轮廓边缘点集合后对边缘集合中每一个点C1,做水平、垂直线,交边缘集合D于点A1和B1,连接A1B1,解出斜边中点坐标即为一个圆心坐标。如果有此圆的半径记录,累加器P(i)=P(i)+1;如果没有半径则创建一个新圆心半径记录,以此圆心和半径构成的圆形,看作一个候选圆。
最后,如果累加器P(i)大于一定阈值,检测边缘点集合中,有多少点的坐标满足此候选圆的方程,每当图像边缘点坐标满足候选圆的方程时,累加器O(i)增值。峰值检测寻找最大的O(i)对应的圆心坐标及半径即为螺钉图像轮廓,然后从累加器中选择候选的中心画圆并确认其最终圆心位置(x,y,z),通过计算算出螺钉的进给方向距离。
锁定了螺钉后,则可确定其旋入量,并通过螺丝刀对其进行旋转,直至满足本次调试任务的需求。
而对于螺钉旋入量的确定,本申请还提出一种适于实用的确定方案,具体可包括:
提取二维图像中螺钉的长度像素值;
获取摄像头的标定数据,标定数据用于描述摄像头拍摄的图像中物体的长度像素值与实际长度值之间的转换比例,标定数据是预先配置的;
结合标定数据以及二维图像中螺钉的长度像素值,确定螺钉的实际长度值;
结合摄像头在双工器调试设备上的空间位置、螺钉的实际长度值以及螺钉在二维图像中的位置,确定螺钉在世界坐标系中的实际位置;
根据螺钉处于调试任务的任务数据中描述的螺钉位置,以及螺钉在世界坐标系中的实际位置,确定螺钉所需旋转的旋入量。
对于双工器调试设备的机器视觉系统,其像素坐标系(u,v)就是像素在图像中的位置,其中u、v分别是图像的行和列,通常像素坐标系的原点是图像左上角的顶点,在像素坐标系中,像素点的坐标是用像素来表示的,但是应当注意的是像素的表示方法并不能反应图像中物体的物理尺寸。
而对于摄像头的标定数据,或者说像素分辨率标定,就是结合摄像头当前状态下的工作距离与采集的图像大小,采用计算机进行图像处理后得到物体的长度像素值,然后检测该物体在实际空间中实际长度值,将长度像素值与实际长度值求比值,如此可根据标定数据确定该工作距离下每个像素所表示的实际尺寸。
通过标定摄像头的像素分辨率,计算图像像素值与实际尺寸间的关系,对螺钉的像素坐标进行检测,通过标定的像素分辨率进行计算获得螺钉在世界坐标系中的物理坐标,完成对螺钉的位置定位。
在摄像头的标定过程中,具体可采用棋盘格作为标定检测物体,标定过程中计算棋盘格边长与相应的边在图像中像素个数的对应值,完成所选摄像头像素点分辨率的拟合。
由于标定过程中镜头本身的误差以及安装误差等原因,标定次数较少时可能对结果产生影响,因此需要在标定过程中采用了多组实验数据进行计算,然后将多组标定系数进行平均值求解得到像素分辨率标定系数,尽可能减小标定误差。
三、当完成螺钉的定位后,则可结合硬件进行螺钉的调整,使其符合目标螺钉数据,完成调试。
关于调试系统,进一步的,还可参考图6示出的本申请双工器调试设备的一种局部结构示意图,工作站未在图中示出,可以看出的是,本申请双工器调试设备,可以以一种三维移动平台的形式设置,其包括龙门架1,与龙门架1底座连接的是螺栓孔2,它使龙门架固定焊接在所处平面(一般为地面),摄像头5以及螺丝刀7都设于双工器调试设备的龙门架,从上面内容可以理解的是,二维图像优选地可以是由摄像头5从双工器的正上方拍摄底下的双工器3得到的,如此在拍摄范围6中便于拍摄到更多的图像内容,可得到双工器3上螺钉4的细节内容,进而方便进行更为精确地图像识别,并且对于双工器调试设备,在该设备结构下,也可方便地更换底下所需调试的双工器3,对应的,螺丝刀由龙门架配置的拧螺钉模块从双工器的顶部对螺钉进行旋转。
可以看出,该三维移动平台形式的调试系统,在实际应用中,容易进行位置的移动,也就会说,具有便携搬运的特点,对于调试所处环境要求较低,利于生产环境以外的现场调试。
或者,调试系统,除了可以为三维移动平台的形式,还可以采用机械臂的形式,通过机械臂的灵活移动,实现更为自由的螺钉的调整。
进一步的,螺丝刀可设于机械臂上的拧螺丝模块,螺丝刀的数量随拧螺丝模块的数量配置,拧螺丝模块的数量至少为一个,拧螺丝模块在机械臂上通过滑轨进行移动,当拧螺丝模块的数量为多个、螺钉的数量为多个且不多于拧螺丝的数量时,多个的拧螺丝模块通过滑轨上的移动分别处于不同的螺钉,并同时进行螺丝的旋转;而摄像头设于机械臂,或者,摄像头设于机械臂以外的位置。
机械臂也可称为多轴机械臂,具有多个的自由度,从而可在三维空间中自由的活动,实际应用中,可以配置为六轴机械手机械臂,六轴机械臂的末端配置两个拧螺丝模块,拧螺丝模块之间的距离通过模块滑轨可调,如此,可对同一个平面上的两个螺钉进行调试。
拧螺丝模块,可以理解,包括可以电动推动配置的螺丝刀旋转的组件,以达到拧螺丝的效果,可采用连接件安装于机械臂的端部。
而在实际应用中,调试螺丝模块具体可包括推出组件和电批组件,该推出组件用于控制电批组件的整体动作(整体移动),而电批组件用于实现螺丝的调试功能。
示例性的,电批组件包括电批本体、连接杆和螺丝上料件,连接杆末端设置有非标批头,非标批头包括两个相互间隔可调的凸齿,两个凸齿之间的最大距离大于连接杆线径,两个凸齿之间的最小距离小于连接杆线径。
螺丝上料件内设置有相贯的驱动通道和螺丝上料通道,螺丝上料通道的末端连接在驱动通道的中部上,驱动通道的末端设置有限位卡具;
连接杆的始端连接在电批本体的输出端上,连接杆的末端从驱动通道的始端伸入,连接杆、电批本体的输出端和驱动通道沿同一轴线设置;
推出组件的本体与连接件保持相对固定,螺丝上料件在工作状态下与连接件保持相对固定,推出组件的输出端驱动电批本体沿轴线方向往复运动。
而对于机械臂的运动控制系统来说,为了保证运动控制的精度,不仅要求能够对各个轴的运行轨迹进行精确控制,同时,还必须考虑电动机启动和停止阶段的加减速控制,以减少或避免电动机在启停或突变时发生震荡、丢步或冲击等情况。
可采用的速度控制算法主要包括直线型加减速控制和S型加减速控制等控制类型的算法。直线型加减速控制类型,当电动机启动时候,其速度沿一定的斜率直线上升,停止时,速度沿一定的斜率直线下降;S型加减速控制类型,一般主要采用的是七段式控制方法,整个过程大致上可以分为加速阶段、匀速阶段、减速阶段。相较而言,加减速控制类型在进入低速以及进入最大速度的两个过渡阶段中,速度曲线都比较平滑,有效地降低了电动机噪声,减少电动机抖动,从而提高了运动控制的精度,更有利于高效、精确的拧螺丝效果。
容易理解,机械臂的设置,其更适用于双工器的生产环境,由于是固定配置的,因此,更便于维护以及调试,从而双工器调试设备基于机械臂实现的拧螺丝效果,具有更为稳定、精确的特点。
以上是本申请提供双工器的调试方法的介绍,为便于更好的实施本申请提供的双工器的调试方法,本申请还提供了双工器的调试装置。
参阅图7,图7为本申请双工器的调试装置的一种结构示意图,在本申请中,双工器的调试装置700具体可包括如下结构:
获取单元701,用于获取目标双工器的调试任务的任务数据,调试任务用于将目标双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过目标双工器包括的滤波器的滤波处理的信号;
预测单元702,用于将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节目标双工器的过滤信号的波形;
获取单元701,还用于获取双工器调试设备的二维图像,二维图像是由双工器调试设备配置的摄像头拍摄得到的;
识别单元703,用于从二维图像中识别目标双工器的螺钉;
调整单元704,用于通过螺丝刀对识别出的螺钉进行旋转,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成调试任务。
结合本申请第二方面,在本申请第二方面第一种可能的实现方式中,装置还包括:
采集单元705,用于由数据采集系统采集样本双工器的过滤信号在不同工作状态下的样本过滤信号,由激光测量系统采集样本双工器的螺钉在不同工作状态下的样本螺钉数据,两者作为任务样本数据;
训练单元706,用于将每个任务样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型。
在一种示例性的实现方式中,初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
在又一种示例性的实现方式中,激光测量系统在采集样本螺钉数据的过程中,两用螺丝刀的套筒固定于螺钉表面,激光位移传感器垂直固定于定位平台的固定架,并移动到两用螺丝刀受测平面正上方,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为初值,待两用螺丝刀将螺钉旋转到预设深度后,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为终值,测量完成后将初值、终值以及螺钉位置进行记录,作为样本螺钉数据。
在又一种示例性的实现方式中,数据采集系统在采集样本过滤信号的过程中,示波器提取样本双工器输出的第一样本过滤信号,处理设备从示波器提取到的第一样本过滤信号中,按照预设时长以及预设的单位数据点数量,截取出第二样本过滤信号,并对第二样本过滤信号进行降噪以及特征提取,得到样本过滤信号。
在又一种示例性的实现方式中,摄像头以及螺丝刀都设于双工器调试设备的龙门架,二维图像是由摄像头从目标双工器的正上方拍摄得到的,螺丝刀由龙门架配置的拧螺钉模块从目标双工器的顶部对螺钉进行旋转。
在又一种示例性的实现方式中,螺丝刀设于机械臂上的拧螺丝模块,螺丝刀的数量随拧螺丝模块的数量配置,拧螺丝模块的数量至少为一个,拧螺丝模块在机械臂上通过滑轨进行移动,当拧螺丝模块的数量为多个、螺钉的数量为多个且不多于拧螺丝的数量时,多个的拧螺丝模块通过滑轨上的移动分别处于不同的螺钉,并同时进行螺丝的旋转;
摄像头设于机械臂,或者,摄像头设于机械臂以外的位置。
在又一种示例性的实现方式中,任务数据包括目标波形的波形偏移量、主波形峰值以及辅助波形峰值,螺钉数据包括螺钉型号以及螺钉旋入量。
本申请还提供了一种双工器调试设备,参阅图8,图8从数据处理层面出发,示出了本申请处理设备的一种结构示意图,具体的,本申请处理设备可包括处理器801、存储器802以及输入输出设备803,处理器801用于执行存储器802中存储的计算机程序时实现如图1对应实施例中方法的各步骤;或者,处理器801用于执行存储器802中存储的计算机程序时实现如图7对应实施例中各单元的功能,存储器802用于存储处理器801执行上述图1对应实施例中方法所需的计算机程序。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器802中,并由处理器801执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
处理设备可包括,但不仅限于处理器801、存储器802、输入输出设备803。本领域技术人员可以理解,示意仅仅是处理设备的示例,并不构成对处理设备的限定,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,例如处理设备还可以包括网络接入设备、总线等,处理器801、存储器802、输入输出设备803等通过总线相连。
处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是处理设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
存储器802可用于存储计算机程序和/或模块,处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块,以及调用存储在存储器802内的数据,实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据处理设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器801用于执行存储器802中存储的计算机程序时,具体可实现以下功能:
获取目标双工器的调试任务的任务数据,调试任务用于将目标双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过目标双工器包括的滤波器的滤波处理的信号;
将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节目标双工器的过滤信号的波形;
获取双工器调试设备的二维图像,二维图像是由双工器调试设备配置的摄像头拍摄得到的;
从二维图像中识别目标双工器的螺钉;
通过螺丝刀对识别出的螺钉进行旋转,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成调试任务。
接着,本申请还从硬件层面出发,提供了另一种双工器调试设备,也可称为双工器调试系统,双工器调试设备包括工作站以及调试系统;
工作站获取目标双工器的调试任务的任务数据,调试任务用于将目标双工器的过滤信号的波形调节至目标波形,过滤信号具体为通过目标双工器包括的滤波器的滤波处理的信号;将任务数据输入螺钉数据预测模型,使得螺钉数据预测模型根据任务数据预测目标波形匹配的目标螺钉数据,螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,目标螺钉数据为描述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,螺钉用于调节目标双工器的过滤信号的波形;获取双工器调试设备的二维图像,二维图像是由双工器调试设备配置的摄像头拍摄得到的;从二维图像中识别目标双工器的螺钉;
调试系统与工作站配合,通过螺丝刀对识别出的螺钉进行旋转,以调整螺钉的旋入量,促使螺钉的位置符合目标螺钉数据,完成调试任务。
在一种示例性的实现方式中,双工器调试设备还包括:
采集系统,采集系统包括数据采集系统以及激光测量系统,由数据采集系统采集样本双工器的过滤信号在不同工作状态下的样本过滤信号,由激光测量系统采集样本双工器的螺钉在不同工作状态下的样本螺钉数据,两者作为任务样本数据;
工作站将每个任务样本数据依次输入初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为螺钉数据预测模型。
在又一种示例性的实现方式中,初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
在又一种示例性的实现方式中,激光测量系统在采集样本螺钉数据的过程中,两用螺丝刀的套筒固定于螺钉表面,激光位移传感器垂直固定于定位平台的固定架,并移动到两用螺丝刀受测平面正上方,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为初值,待两用螺丝刀将螺钉旋转到预设深度后,激光位移传感器测得传感器头与两用螺丝刀受测平面之间的距离,定义为终值,测量完成后将初值、终值以及螺钉位置进行记录,作为样本螺钉数据。
在又一种示例性的实现方式中,数据采集系统在采集样本过滤信号的过程中,示波器提取样本双工器输出的第一样本过滤信号,处理设备从示波器提取到的第一样本过滤信号中,按照预设时长以及预设的单位数据点数量,截取出第二样本过滤信号,并对第二样本过滤信号进行降噪以及特征提取,得到样本过滤信号。
在又一种示例性的实现方式中,摄像头以及螺丝刀都设于双工器调试设备的龙门架,二维图像是由摄像头从目标双工器的正上方拍摄得到的,螺丝刀由龙门架配置的拧螺钉模块从目标双工器的顶部对螺钉进行旋转。
在又一种示例性的实现方式中,螺丝刀设于机械臂上的拧螺丝模块,螺丝刀的数量随拧螺丝模块的数量配置,拧螺丝模块的数量至少为一个,拧螺丝模块在机械臂上通过滑轨进行移动,当拧螺丝模块的数量为多个、螺钉的数量为多个且不多于拧螺丝的数量时,多个的拧螺丝模块通过滑轨上的移动分别处于不同的螺钉,并同时进行螺丝的旋转;
摄像头设于机械臂,或者,摄像头设于机械臂以外的位置。
在又一种示例性的实现方式中,任务数据包括目标波形的波形偏移量、主波形峰值以及辅助波形峰值,螺钉数据包括螺钉型号以及螺钉旋入量。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的双工器的调试装置、双工器调试设备及其相应单元的具体工作过程,可以参考如图1对应实施例中双工器的调试方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1对应实施例中双工器的调试方法中的步骤,具体操作可参考如图1对应实施例中双工器的调试方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(Read Only Memory,ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1对应实施例双工器的调试方法中的步骤,因此,可以实现本申请如图1对应实施例中双工器的调试方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请提供的双工器的调试方法、装置、双工器调试设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种双工器的调试方法,其特征在于,所述方法包括:
获取目标双工器的调试任务的任务数据,所述调试任务用于将所述目标双工器的过滤信号的波形调节至目标波形,所述过滤信号具体为通过所述目标双工器包括的滤波器的滤波处理的信号;
将所述任务数据输入螺钉数据预测模型,使得所述螺钉数据预测模型根据所述任务数据预测所述目标波形匹配的目标螺钉数据,所述螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,所述目标螺钉数据为描述所述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,所述螺钉用于调节所述目标双工器的过滤信号的波形;
获取双工器调试设备的二维图像,所述二维图像是由所述双工器调试设备配置的摄像头拍摄得到的;
从所述二维图像中识别所述目标双工器的所述螺钉;
通过螺丝刀对识别出的所述螺钉进行旋转,以调整所述螺钉的旋入量,促使所述螺钉的位置符合所述目标螺钉数据,完成所述调试任务;
所述摄像头以及所述螺丝刀都设于所述双工器调试设备的龙门架,所述二维图像是由所述摄像头从所述目标双工器的正上方拍摄得到的,所述螺丝刀由所述龙门架配置的拧螺钉模块从所述目标双工器的顶部对所述螺钉进行旋转;
所述螺丝刀设于机械臂上的拧螺丝模块,所述螺丝刀的数量随所述拧螺丝模块的数量配置,所述拧螺丝模块的数量至少为一个,所述拧螺丝模块在所述机械臂上通过滑轨进行移动,当所述拧螺丝模块的数量为多个、所述螺钉的数量为多个且不多于所述拧螺丝的数量时,多个的所述拧螺丝模块通过所述滑轨上的移动分别处于不同的所述螺钉,并同时进行螺丝的旋转;
所述摄像头设于所述机械臂,或者,所述摄像头设于所述机械臂以外的位置;
所述任务数据包括所述目标波形的波形偏移量、主波形峰值以及辅助波形峰值,所述目标螺钉数据包括螺钉型号以及螺钉旋入量。
2.根据权利要求1所述的方法,其特征在于,所述获取目标双工器的调试任务的任务数据之前,所述方法还包括:
由数据采集系统采集样本双工器的过滤信号在不同工作状态下的样本过滤信号,由激光测量系统采集所述样本双工器的螺钉在所述不同工作状态下的样本螺钉数据,两者作为所述任务样本数据;
将每个所述任务样本数据依次输入所述初始模型,进行正向传播,并根据模型输出的螺钉数据计算损失函数,根据损失函数计算结果进行反向传播,优化模型参数,当完成预设的模型训练条件时,将完成模型训练的模型作为所述螺钉数据预测模型。
3.根据权利要求2所述的方法,其特征在于,所述初始模型具体采用的随机森林模型,在模型训练过程中,调用主循环过程,对包含多个所述任务样本数据的训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用所述采样集Dt训练第t个决策树模型Gt,在训练模型节点时,在节点上所有的样本特征中随机选择其中的部分样本特征,在所述部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
4.根据权利要求2所述的方法,其特征在于,所述激光测量系统具体包括定位平台、激光位移传感器、两用螺丝刀以及传感器固定架,所述激光测量系统在采集所述样本螺钉数据的过程中,所述两用螺丝刀的套筒固定于所述螺钉表面,所述激光位移传感器垂直固定于所述定位平台的固定架,并移动到所述两用螺丝刀受测平面正上方,所述激光位移传感器测得传感器头与所述两用螺丝刀受测平面之间的距离,定义为初值,待所述两用螺丝刀将所述螺钉旋转到预设深度后,所述激光位移传感器测得所述传感器头与所述两用螺丝刀受测平面之间的距离,定义为终值,测量完成后将所述初值、所述终值以及螺钉位置进行记录,作为所述样本螺钉数据。
5.根据权利要求2所述的方法,其特征在于,所述数据采集系统具体包括示波器以及处理设备,所述数据采集系统在采集所述样本过滤信号的过程中,所述示波器提取所述样本双工器输出的第一样本过滤信号,所述处理设备从所述示波器提取到的第一样本过滤信号中,按照预设时长以及预设的单位数据点数量,截取出第二样本过滤信号,并对所述第二样本过滤信号进行降噪以及特征提取,得到所述样本过滤信号。
6.一种双工器的调试装置,其特征在于,所述装置包括:
获取单元,用于获取目标双工器的调试任务的任务数据,所述调试任务用于将所述目标双工器的过滤信号的波形调节至目标波形,所述过滤信号具体为通过所述目标双工器包括的滤波器的滤波处理的信号;
预测单元,用于将所述任务数据输入螺钉数据预测模型,使得所述螺钉数据预测模型根据所述任务数据预测所述目标波形匹配的目标螺钉数据,所述螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,所述目标螺钉数据为描述所述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,所述螺钉用于调节所述目标双工器的过滤信号的波形;
获取单元,还用于获取双工器调试设备的二维图像,所述二维图像是由所述双工器调试设备配置的摄像头拍摄得到的;
识别单元,用于从所述二维图像中识别所述目标双工器的所述螺钉;
调整单元,用于通过螺丝刀对识别出的所述螺钉进行旋转,以调整所述螺钉的旋入量,促使所述螺钉的位置符合所述目标螺钉数据,完成所述调试任务。
7.一种双工器调试设备,其特征在于,所述双工器调试设备包括工作站以及调试系统;
所述工作站获取目标双工器的调试任务的任务数据,所述调试任务用于将所述目标双工器的过滤信号的波形调节至目标波形,所述过滤信号具体为通过所述目标双工器包括的滤波器的滤波处理的信号;将所述任务数据输入螺钉数据预测模型,使得所述螺钉数据预测模型根据所述任务数据预测所述目标波形匹配的目标螺钉数据,所述螺钉数据预测模型是由初始模型通过标注有对应螺钉样本数据的任务样本数据训练得到的,所述目标螺钉数据为描述所述目标双工器的过滤信号的波形调节至目标波形时螺钉的状态数据,所述螺钉用于调节所述目标双工器的过滤信号的波形;获取双工器调试设备的二维图像,所述二维图像是由所述双工器调试设备配置的摄像头拍摄得到的;从所述二维图像中识别所述目标双工器的所述螺钉;
所述调试系统与所述工作站配合,通过螺丝刀对识别出的所述螺钉进行旋转,以调整所述螺钉的旋入量,促使所述螺钉的位置符合所述目标螺钉数据,完成所述调试任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615979.3A CN113595712B (zh) | 2021-06-02 | 2021-06-02 | 一种双工器的调试方法、装置以及双工器调试设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615979.3A CN113595712B (zh) | 2021-06-02 | 2021-06-02 | 一种双工器的调试方法、装置以及双工器调试设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113595712A CN113595712A (zh) | 2021-11-02 |
CN113595712B true CN113595712B (zh) | 2024-04-26 |
Family
ID=78243295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615979.3A Active CN113595712B (zh) | 2021-06-02 | 2021-06-02 | 一种双工器的调试方法、装置以及双工器调试设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113595712B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
CN110514906A (zh) * | 2019-08-19 | 2019-11-29 | 中国地质大学(武汉) | 基于手眼协调的高精度微波腔体滤波器调试方法及系统 |
CN210894528U (zh) * | 2019-07-31 | 2020-06-30 | 深圳市海云通信有限公司 | 一种调试系统 |
-
2021
- 2021-06-02 CN CN202110615979.3A patent/CN113595712B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105680827A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器智能调谐算法及使用该算法的调谐方法 |
CN210894528U (zh) * | 2019-07-31 | 2020-06-30 | 深圳市海云通信有限公司 | 一种调试系统 |
CN110514906A (zh) * | 2019-08-19 | 2019-11-29 | 中国地质大学(武汉) | 基于手眼协调的高精度微波腔体滤波器调试方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113595712A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102012021375B4 (de) | Vorrichtung und Verfahren zum Erkennen einer dreidimensionalen Position und Orientierung eines Artikels | |
CN108416791B (zh) | 一种基于双目视觉的并联机构动平台位姿监测与跟踪方法 | |
US10430951B2 (en) | Method and device for straight line detection and image processing | |
CN104942496B (zh) | 基于机器人视觉伺服的汽车白车身焊点定位方法及装置 | |
CN102374860B (zh) | 三维视觉定位方法及系统 | |
KR102073468B1 (ko) | 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법 | |
CN107263468A (zh) | 一种利用数字图像处理技术的scara机器人装配方法 | |
CN101532926A (zh) | 冲击试样自动加工装置在线检测视觉系统及其图像处理方法 | |
CN110930442B (zh) | 基于标定块的机器人手眼标定中关键点位置确定方法与装置 | |
CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
TWI526879B (zh) | 互動系統、遙控器及其運作方法 | |
CN109380146A (zh) | 生猪自动测量装置和方法 | |
CN110954555A (zh) | Wdt 3d视觉检测系统 | |
CN111275665A (zh) | 一种基于视觉的叶片磨抛加工振动检测系统及方法 | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 | |
CN113689509A (zh) | 基于双目视觉的无序抓取方法、系统及存储介质 | |
CN210386980U (zh) | 一种基于机器视觉的冷床智能控制系统 | |
CN113595712B (zh) | 一种双工器的调试方法、装置以及双工器调试设备 | |
CN102496032A (zh) | 一种电气设备x射线数字图片处理算法支持系统 | |
CN114419437A (zh) | 基于2d视觉的工件分拣系统及其控制方法和控制装置 | |
CN109313708B (zh) | 图像匹配方法和视觉系统 | |
CN113592767B (zh) | 一种双工器的调试方法以及装置 | |
CN113587829B (zh) | 一种边缘厚度测量方法、装置、边缘厚度测量设备及介质 | |
CN107392209B (zh) | 一种提取线段的装置及方法 | |
US20220230459A1 (en) | Object recognition device and object recognition method |
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 |