CN113671199A - 一种用于封样送检的取样系统 - Google Patents
一种用于封样送检的取样系统 Download PDFInfo
- Publication number
- CN113671199A CN113671199A CN202110940496.0A CN202110940496A CN113671199A CN 113671199 A CN113671199 A CN 113671199A CN 202110940496 A CN202110940496 A CN 202110940496A CN 113671199 A CN113671199 A CN 113671199A
- Authority
- CN
- China
- Prior art keywords
- sample
- sampling
- radio frequency
- characteristic information
- frequency signal
- 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.)
- Withdrawn
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 279
- 230000009471 action Effects 0.000 claims abstract description 57
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 36
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 230000008054 signal transmission Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 34
- 230000008569 process Effects 0.000 abstract description 10
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
- G01N35/00732—Identification of carriers, materials or components in automatic analysers
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于封样送检的取样系统，该用于封样送检的取样系统通过与样品相关的图像数据和/或射频信号数据来确定取样工学中针对样品对象的取样顺序参数和/或取样动作参数，并根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作，这样能够保证在封样送检过程中的取样操作高效地针对相应的样品对象进行快速地和准确地取样，从而确保封样送检的精确性和安全性。
Description
本申请是申请号：202010736821.7、申请日：2020.7.28、名称：“一种用于封样送检的取样方法及系统”的分案申请。
技术领域
本发明涉及封样送检的技术领域，特别涉及一种用于封样送检的取样方法及系统。
背景技术
样品在封样送检过程中需要经过取样这一工序步骤，而取样工序步骤执行的正确与否会直接影响后续封样送检的可执行性和安全性，并且不同样品对应的取样工序步骤的执行要求也是不同的，若在取样过程中对样品目标的取样发生误差会导致封样送检发生错误。目前，为了保证封样送检对应的取样工序能够正确执行，通常会在样品上增加相应标记，以此确定取样工序能够针对正确的样品进行取样操作，但是上述方式不仅增加了取样工序的工作量，并且还容易出现由于人为标记错误而导致封样送检差错。可见，现有技术的封样送检的取样并不能快速地和准确地对样品对象进行相应取样操作。
发明内容
针对现有技术存在的缺陷，本发明提供一种用于封样送检的取样方法及系统，该用于封样送检的取样方法及系统通过获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息，根据该图像特征信息和/或该射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息，根据该完整状态信息和/或该布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数，以及根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作；可见，该用于封样送检的取样方法及系统通过与样品相关的图像数据和/或射频信号数据来确定取样工学中针对样品对象的取样顺序参数和/或取样动作参数，并根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作，这样能够保证在封样送检过程中的取样操作高效地针对相应的样品对象进行快速地和准确地取样，从而确保封样送检的精确性和安全性。
本发明提供一种用于封样送检的取样方法，其特征在于，所述用于封样送检的取样方法包括如下步骤：
步骤S1，获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息；
步骤S2，根据所述图像特征信息和/或所述射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息；
步骤S3，根据所述完整状态信息和/或所述布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数；
步骤S4，根据所述取样顺序参数和/或所述取样动作参数，对每一个样品对象进行适应性的取样操作；
进一步，在所述步骤S1中，获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息具体包括，
步骤S101，对所述封样送检对应的所有样品对象进行多目视觉拍摄，以此获得关于所述所有样品对象对应的多视角视频数据；
步骤S102，提取所述多视角视频数据对应的多视角图像帧，以此计算得到每一个样品对象的视差特征信息和/或景深变化特征信息，以作为所述图像特征信息；
步骤S103，对所述封样送检对应的所有样品对象进行射频信号检测，以此获得关于所述所有样品对象对应的射频信号传输数据；
步骤S104，提取所述射频信号传输数据对应射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息，以作为所述射频特征信息；
进一步，在所述步骤S2中，根据所述图像特征信息和/或所述射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息具体包括，
步骤S201，对所述图像特征信息中的视差特征信息和/或景深变化特征信息进行关于三维空间的实体重构处理，以此生成关于每一个样品对象的三维重构图像；
步骤S202，对所述射频特征信息中的射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息进行射频信号传播模式再现处理，以此生成关于每一个样品对象的射频信号表征值；
步骤S203，根据所述三维重构图像和所述射频信号表征值，确定每一个样品对象的实时样品实体形态和实时样品六自由度位姿形态；
步骤S204，计算所述实时样品实体形态与预设标准样品实体形态之间的形态差异，以此得到所述完整状态信息；
步骤S205，计算所述实时样品六自由度位姿形态与预设标准样品六自由度位姿形态之间的形态差异，以此得到所述布设状态信息；
进一步，在所述步骤S3中，根据所述完整状态信息和/或所述布设状态信息，确定每一个样品对象对应的取样顺序和/或取样动作参数具体包括，
步骤S301，根据所述完整状态信息和/或所述布设状态信息，并根据预设样品评判深度学习神经网络模型计算每一个样品对象对应的取样操作置信度值和取样操作难度值；
步骤S302，根据所述取样操作置信度值，对所有样品对象进行分类排序处理，以此获得每一个样品对象对应的取样顺序参数；
步骤S303，根据所述取样操作难度值，对所有样品对象进行取样动作模式匹配处理，以此获得每一个样品对象对应的取样动作参数，其具体为，
A、根据下面公式计算样品取样的难度值
在上述公式中，σ为所述样品取样的难度值，nz为对应的第z工序步骤包含的分步数，Ai为第i分步对应的难度系数，δi为第i分步对应的操作细则值，d为样品取样包含的工序步骤数量；
B、根据下面公式确定匹配取样动作模式
在上述公式中，
为取样动作模式，S为操作简单的取样动作模式，SS为操作一般的取样动作模式，SSS为操作困难的取样动作模式，a,b均为预设值；
C、根据下面公式计算相应的取样动作参数
在上述公式中，w为相应的取样动作参数，
为取样动作模式，d为样品取样包含的工序步骤数量，为第z工序步骤的难度值，z＝1、2、…、d；
进一步，在所述步骤S4中，根据所述取样顺序参数和/或所述取样动作参数，对每一个样品对象进行适应性的取样操作具体包括，
步骤S401，根据下面公式确定取样操作对应的样本数量n
在上述公式中，n为取样操作对应的样本数量，ε为预设样本差异程度，χ为预设置信度要求下的统计量，M为所有样品的总数量，w为预设置信度，并根据所述样本数量n调整所述取样顺序参数；
步骤S402，根据调整后的所述取样顺序参数，对所述所有样品对象进行实时取样排序调整处理；
步骤S403，根据所述实时取样排序调整处理的结果，对当前针对的样品对象执行与所述取样动作参数相适应的取样操作。
本发明还提供一种用于封样送检的取样系统，其特征在于：
所述用于封样送检的取样系统包括样品对象特征信息确定模块、样品对象状态信息确定模块、样品对象取样参数确定模块和样品对象取样执行模块；其中，
所述样品对象特征信息确定模块用于根据封样送检对应的所有样品对象的图像数据和/或射频信号数据，确定对于每一个样品对象的图像特征信息和/或射频特征信息；
所述样品对象状态信息确定模块用于根据所述图像特征信息和/或所述射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息；
所述样品对象取样参数确定模块用于根据所述完整状态信息和/或所述布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数；
所述样品对象取样执行模块用于根据所述取样顺序参数和/或所述取样动作参数，对每一个样品对象进行适应性的取样操作；
进一步，所述样品对象特征信息确定模块包括视频数据获取子模块、图像特征信息确定子模块、射频数据获取子模块和射频特征信息确定子模块；其中，
所述视频数据获取子模块用于对所述封样送检对应的所有样品对象进行多目视觉拍摄，以此获得关于所述所有样品对象对应的多视角视频数据；
所述图像特征信息确定子模块用于提取所述多视角视频数据对应的多视角图像帧，以此计算得到每一个样品对象的视差特征信息和/或景深变化特征信息，以作为所述图像特征信息；
所述射频数据获取子模块用于对所述封样送检对应的所有样品对象进行射频信号检测，以此获得关于所述所有样品对象对应的射频信号传输数据；
所述射频特征信息确定子模块用于提取所述射频信号传输数据对应射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息，以作为所述射频特征信息；
进一步，所述样品对象状态信息确定模块包括三维重构图像生成子模块、射频信号表征值生成子模块、实时样品形态确定子模块、完整状态信息计算子模块和布设状态信息计算子模块；其中
所述三维重构图像生成子模块用于对所述图像特征信息中的视差特征信息和/或景深变化特征信息进行关于三维空间的实体重构处理，以此生成关于每一个样品对象的三维重构图像；
所述射频信号表征值生成子模块用于对所述射频特征信息中的射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息进行射频信号传播模式再现处理，以此生成关于每一个样品对象的射频信号表征值；
所述实时样品形态确定子模块用于根据所述三维重构图像和所述射频信号表征值，确定每一个样品对象的实时样品实体形态和实时样品六自由度位姿形态；
所述完整状态信息计算子模块用于计算所述实时样品实体形态与预设标准样品实体形态之间的形态差异，以此得到所述完整状态信息；
所述布设状态信息计算子模块用于计算所述实时样品六自由度位姿形态与预设标准样品六自由度位姿形态之间的形态差异，以此得到所述布设状态信息；
进一步，所述样品对象取样参数确定模块包括取样操作相关值计算子模块、取样顺序参数确定子模块和取样动作参数确定子模块；其中，
所述取样操作相关值计算子模块用于根据所述完整状态信息和/或所述布设状态信息，并根据预设样品评判深度学习神经网络模型计算每一个样品对象对应的取样操作置信度值和取样操作难度值；
所述取样顺序参数确定子模块用于根据所述取样操作置信度值，对所有样品对象进行分类排序处理，以此获得每一个样品对象对应的取样顺序参数；
所述取样动作参数确定子模块用于根据所述取样操作难度值，对所有样品对象进行取样动作模式匹配处理，以此获得每一个样品对象对应的取样动作参数；
进一步，所述样品对象取样执行模块包括取样排序调整处理子模块和取样操作执行子模块；其中，
所述取样排序调整处理子模块用于根据所述取样顺序参数，对所述所有样品对象进行实时取样排序调整处理；
所述取样操作执行子模块用于根据所述实时取样排序调整处理的结果，对当前针对的样品对象执行与所述取样动作参数相适应的取样操作。
相比于现有技术，该用于封样送检的取样方法及系统通过获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息，根据该图像特征信息和/或该射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息，根据该完整状态信息和/或该布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数，以及根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作；可见，该用于封样送检的取样方法及系统通过与样品相关的图像数据和/或射频信号数据来确定取样工学中针对样品对象的取样顺序参数和/或取样动作参数，并根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作，这样能够保证在封样送检过程中的取样操作高效地针对相应的样品对象进行快速地和准确地取样，从而确保封样送检的精确性和安全性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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，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地介绍，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他的附图。
图1为本发明提供的一种用于封样送检的取样方法的流程示意图。
图2为本发明提供的一种用于封样送检的取样系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的一种用于封样送检的取样方法的流程示意图。该用于封样送检的取样方法包括如下步骤：
步骤S1，获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息；
步骤S2，根据该图像特征信息和/或该射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息；
步骤S3，根据该完整状态信息和/或该布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数；
步骤S4，根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作。
优选地，在该步骤S1中，获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息具体包括，
步骤S101，对该封样送检对应的所有样品对象进行多目视觉拍摄，以此获得关于该所有样品对象对应的多视角视频数据；
步骤S102，提取该多视角视频数据对应的多视角图像帧，以此计算得到每一个样品对象的视差特征信息和/或景深变化特征信息，以作为该图像特征信息；
步骤S103，对该封样送检对应的所有样品对象进行射频信号检测，以此获得关于该所有样品对象对应的射频信号传输数据；
步骤S104，提取该射频信号传输数据对应射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息，以作为该射频特征信息。
优选地，在该步骤S2中，根据该图像特征信息和/或该射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息具体包括，
步骤S201，对该图像特征信息中的视差特征信息和/或景深变化特征信息进行关于三维空间的实体重构处理，以此生成关于每一个样品对象的三维重构图像；
步骤S202，对该射频特征信息中的射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息进行射频信号传播模式再现处理，以此生成关于每一个样品对象的射频信号表征值；
步骤S203，根据该三维重构图像和该射频信号表征值，确定每一个样品对象的实时样品实体形态和实时样品六自由度位姿形态；
步骤S204，计算该实时样品实体形态与预设标准样品实体形态之间的形态差异，以此得到该完整状态信息；
步骤S205，计算该实时样品六自由度位姿形态与预设标准样品六自由度位姿形态之间的形态差异，以此得到该布设状态信息。
优选地，在该步骤S3中，根据该完整状态信息和/或该布设状态信息，确定每一个样品对象对应的取样顺序和/或取样动作参数具体包括，
步骤S301，根据该完整状态信息和/或该布设状态信息，并根据预设样品评判深度学习神经网络模型计算每一个样品对象对应的取样操作置信度值和取样操作难度值；
步骤S302，根据该取样操作置信度值，对所有样品对象进行分类排序处理，以此获得每一个样品对象对应的取样顺序参数；
步骤S303，根据该取样操作难度值，对所有样品对象进行取样动作模式匹配处理，以此获得每一个样品对象对应的取样动作参数，其具体为，
A、根据下面公式计算样品取样的难度值
在上述公式中，σ为该样品取样的难度值，nz为对应的第z工序步骤包含的分步数，Ai为第i分步对应的难度系数，δi为第i分步对应的操作细则值，d为样品取样包含的工序步骤数量；
B、根据下面公式确定匹配取样动作模式
在上述公式中，
为取样动作模式，S为操作简单的取样动作模式，SS为操作一般的取样动作模式，SSS为操作困难的取样动作模式，a,b均为预设值；
C、根据下面公式计算相应的取样动作参数
在上述公式中，w为相应的取样动作参数，
为取样动作模式，d为样品取样包含的工序步骤数量，为第z工序步骤的难度值，z＝1、2、…、d；
通过上述过程，不仅可以确定样品取样操作的难度等级，而且在计算样品取样难度时考虑到取样步骤数目和细则要求对难度的影响，同时还可以作为后续取样顺序排列的一个依据。
优选地，在该步骤S4中，根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作具体包括，
步骤S401，根据下面公式确定取样操作对应的样本数量n
在上述公式中，n为取样操作对应的样本数量，ε为预设样本差异程度，χ为预设置信度要求下的统计量，M为所有样品的总数量，w为预设置信度，并根据该样本数量n调整该取样顺序参数；
步骤S402，根据调整后的该取样顺序参数，对该所有样品对象进行实时取样排序调整处理；
步骤S403，根据该实时取样排序调整处理的结果，对当前针对的样品对象执行与该取样动作参数相适应的取样操作。
上述技术方案是根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作，首先确定取样操作对应的样本数量，然后对该所有样品对象进行实时取样排序调整处理，最后对当前针对的样品对象执行与该取样动作参数相适应的取样操作。在上述方案中，首先确定取样操作对应的样本数量不仅可以减轻操作量，而且对确定取样操作对应的样本数量进行操作也可以得到样本的特征，此外，确定取样操作对应的样本数量的方法是根据差异度要求及置信度来确定，使用随机抽样计算样本量近似得到应该选取的样本数目，并且确定过程快捷方便。
参阅图2，为本发明实施例提供的一种用于封样送检的取样系统的结构示意图。该用于封样送检的取样系统包括样品对象特征信息确定模块、样品对象状态信息确定模块、样品对象取样参数确定模块和样品对象取样执行模块；其中，
该样品对象特征信息确定模块用于根据封样送检对应的所有样品对象的图像数据和/或射频信号数据，确定对于每一个样品对象的图像特征信息和/或射频特征信息；
该样品对象状态信息确定模块用于根据该图像特征信息和/或该射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息；
该样品对象取样参数确定模块用于根据该完整状态信息和/或该布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数；
该样品对象取样执行模块用于根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作。
优选地，该样品对象特征信息确定模块包括视频数据获取子模块、图像特征信息确定子模块、射频数据获取子模块和射频特征信息确定子模块；其中，
该视频数据获取子模块用于对该封样送检对应的所有样品对象进行多目视觉拍摄，以此获得关于该所有样品对象对应的多视角视频数据；
该图像特征信息确定子模块用于提取该多视角视频数据对应的多视角图像帧，以此计算得到每一个样品对象的视差特征信息和/或景深变化特征信息，以作为该图像特征信息；
该射频数据获取子模块用于对该封样送检对应的所有样品对象进行射频信号检测，以此获得关于该所有样品对象对应的射频信号传输数据；
该射频特征信息确定子模块用于提取该射频信号传输数据对应射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息，以作为该射频特征信息。
优选地，该样品对象状态信息确定模块包括三维重构图像生成子模块、射频信号表征值生成子模块、实时样品形态确定子模块、完整状态信息计算子模块和布设状态信息计算子模块；其中
该三维重构图像生成子模块用于对该图像特征信息中的视差特征信息和/或景深变化特征信息进行关于三维空间的实体重构处理，以此生成关于每一个样品对象的三维重构图像；
该射频信号表征值生成子模块用于对该射频特征信息中的射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息进行射频信号传播模式再现处理，以此生成关于每一个样品对象的射频信号表征值；
该实时样品形态确定子模块用于根据该三维重构图像和该射频信号表征值，确定每一个样品对象的实时样品实体形态和实时样品六自由度位姿形态；
该完整状态信息计算子模块用于计算该实时样品实体形态与预设标准样品实体形态之间的形态差异，以此得到该完整状态信息；
该布设状态信息计算子模块用于计算该实时样品六自由度位姿形态与预设标准样品六自由度位姿形态之间的形态差异，以此得到该布设状态信息。
优选地，该样品对象取样参数确定模块包括取样操作相关值计算子模块、取样顺序参数确定子模块和取样动作参数确定子模块；其中，
该取样操作相关值计算子模块用于根据该完整状态信息和/或该布设状态信息，并根据预设样品评判深度学习神经网络模型计算每一个样品对象对应的取样操作置信度值和取样操作难度值；
该取样顺序参数确定子模块用于根据该取样操作置信度值，对所有样品对象进行分类排序处理，以此获得每一个样品对象对应的取样顺序参数；
该取样动作参数确定子模块用于根据该取样操作难度值，对所有样品对象进行取样动作模式匹配处理，以此获得每一个样品对象对应的取样动作参数。
优选地，该样品对象取样执行模块包括取样排序调整处理子模块和取样操作执行子模块；其中，
该取样排序调整处理子模块用于根据该取样顺序参数，对该所有样品对象进行实时取样排序调整处理；
该取样操作执行子模块用于根据该实时取样排序调整处理的结果，对当前针对的样品对象执行与该取样动作参数相适应的取样操作。
从上述实施例的内容可知，该用于封样送检的取样方法及系统通过与样品相关的图像数据和/或射频信号数据来确定取样工学中针对样品对象的取样顺序参数和/或取样动作参数，并根据该取样顺序参数和/或该取样动作参数，对每一个样品对象进行适应性的取样操作，这样能够保证在封样送检过程中的取样操作高效地针对相应的样品对象进行快速地和准确地取样，从而确保封样送检的精确性和安全性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种用于封样送检的取样系统，其特征在于：所述用于封样送检的取样系统包括样品对象特征信息确定模块、样品对象状态信息确定模块、样品对象取样参数确定模块和样品对象取样执行模块；其中，
所述样品对象特征信息确定模块用于根据封样送检对应的所有样品对象的图像数据和/或射频信号数据，确定对于每一个样品对象的图像特征信息和/或射频特征信息；
所述样品对象状态信息确定模块用于根据所述图像特征信息和/或所述射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息；
所述样品对象取样参数确定模块用于根据所述完整状态信息和/或所述布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数；
所述样品对象取样执行模块用于根据所述取样顺序参数和/或所述取样动作参数，对每一个样品对象进行适应性的取样操作；
进一步，所述样品对象特征信息确定模块包括视频数据获取子模块、图像特征信息确定子模块、射频数据获取子模块和射频特征信息确定子模块；其中，
所述视频数据获取子模块用于对所述封样送检对应的所有样品对象进行多目视觉拍摄，以此获得关于所述所有样品对象对应的多视角视频数据；
所述图像特征信息确定子模块用于提取所述多视角视频数据对应的多视角图像帧，以此计算得到每一个样品对象的视差特征信息和/或景深变化特征信息，以作为所述图像特征信息；
所述射频数据获取子模块用于对所述封样送检对应的所有样品对象进行射频信号检测，以此获得关于所述所有样品对象对应的射频信号传输数据；
所述射频特征信息确定子模块用于提取所述射频信号传输数据对应射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息，以作为所述射频特征信息；
进一步，所述样品对象状态信息确定模块包括三维重构图像生成子模块、射频信号表征值生成子模块、实时样品形态确定子模块、完整状态信息计算子模块和布设状态信息计算子模块；其中
所述三维重构图像生成子模块用于对所述图像特征信息中的视差特征信息和/或景深变化特征信息进行关于三维空间的实体重构处理，以此生成关于每一个样品对象的三维重构图像；
所述射频信号表征值生成子模块用于对所述射频特征信息中的射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息进行射频信号传播模式再现处理，以此生成关于每一个样品对象的射频信号表征值；
所述实时样品形态确定子模块用于根据所述三维重构图像和所述射频信号表征值，确定每一个样品对象的实时样品实体形态和实时样品六自由度位姿形态；
所述完整状态信息计算子模块用于计算所述实时样品实体形态与预设标准样品实体形态之间的形态差异，以此得到所述完整状态信息；
所述布设状态信息计算子模块用于计算所述实时样品六自由度位姿形态与预设标准样品六自由度位姿形态之间的形态差异，以此得到所述布设状态信息；
所述用于封样送检的取样系统，其用于封样送检的取样方法包括如下步骤：
步骤S1，获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息；
步骤S2，根据所述图像特征信息和/或所述射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息；
步骤S3，根据所述完整状态信息和/或所述布设状态信息，确定每一个样品对象对应的取样顺序参数和/或取样动作参数；
步骤S4，根据所述取样顺序参数和/或所述取样动作参数，对每一个样品对象进行适应性的取样操作；
在所述步骤S2中，根据所述图像特征信息和/或所述射频特征信息，确定每一个样品对象对应的完整状态信息和/或布设状态信息具体包括：
步骤S201，对所述图像特征信息中的视差特征信息和/或景深变化特征信息进行关于三维空间的实体重构处理，以此生成关于每一个样品对象的三维重构图像；
步骤S202，对所述射频特征信息中的射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息进行射频信号传播模式再现处理，以此生成关于每一个样品对象的射频信号表征值；
步骤S203，根据所述三维重构图像和所述射频信号表征值，确定每一个样品对象的实时样品实体形态和实时样品六自由度位姿形态；
步骤S204，计算所述实时样品实体形态与预设标准样品实体形态之间的形态差异，以此得到所述完整状态信息；
步骤S205，计算所述实时样品六自由度位姿形态与预设标准样品六自由度位姿形态之间的形态差异，以此得到所述布设状态信息。
2.根据权利要求1所述的用于封样送检的取样系统，其特征在于：
在所述步骤S1中，获取封样送检对应的所有样品对象的图像数据和/或射频信号数据，以此确定对于每一个样品对象的图像特征信息和/或射频特征信息具体包括，
步骤S101，对所述封样送检对应的所有样品对象进行多目视觉拍摄，以此获得关于所述所有样品对象对应的多视角视频数据；
步骤S102，提取所述多视角视频数据对应的多视角图像帧，以此计算得到每一个样品对象的视差特征信息和/或景深变化特征信息，以作为所述图像特征信息；
步骤S103，对所述封样送检对应的所有样品对象进行射频信号检测，以此获得关于所述所有样品对象对应的射频信号传输数据；
步骤S104，提取所述射频信号传输数据对应射频信号传播强度变化特征信息和/或射频信号传播方向角变化特征信息，以作为所述射频特征信息。
3.根据权利要求1所述的用于封样送检的取样系统，其特征在于：
在所述步骤S4中，根据所述取样顺序参数和/或所述取样动作参数，对每一个样品对象进行适应性的取样操作具体包括，
步骤S401，根据下面公式确定取样操作对应的样本数量n
在上述公式中，n为取样操作对应的样本数量，ε为预设样本差异程度，χ为预设置信度要求下的统计量，M为所有样品的总数量，w为预设置信度，并根据所述样本数量n调整所述取样顺序参数；
步骤S402，根据调整后的所述取样顺序参数，对所述所有样品对象进行实时取样排序调整处理；
步骤S403，根据所述实时取样排序调整处理的结果，对当前针对的样品对象执行与所述取样动作参数相适应的取样操作。
4.根据权利要求1所述的用于封样送检的取样系统，其特征在于：所述样品对象取样参数确定模块包括取样操作相关值计算子模块、取样顺序参数确定子模块和取样动作参数确定子模块；其中，
所述取样操作相关值计算子模块用于根据所述完整状态信息和/或所述布设状态信息，并根据预设样品评判深度学习神经网络模型计算每一个样品对象对应的取样操作置信度值和取样操作难度值；
所述取样顺序参数确定子模块用于根据所述取样操作置信度值，对所有样品对象进行分类排序处理，以此获得每一个样品对象对应的取样顺序参数；
所述取样动作参数确定子模块用于根据所述取样操作难度值，对所有样品对象进行取样动作模式匹配处理，以此获得每一个样品对象对应的取样动作参数；
所述样品对象取样执行模块包括取样排序调整处理子模块和取样操作执行子模块；其中，
所述取样排序调整处理子模块用于根据所述取样顺序参数，对所述所有样品对象进行实时取样排序调整处理；
所述取样操作执行子模块用于根据所述实时取样排序调整处理的结果，对当前针对的样品对象执行与所述取样动作参数相适应的取样操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940496.0A CN113671199A (zh) | 2020-07-28 | 2020-07-28 | 一种用于封样送检的取样系统 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940496.0A CN113671199A (zh) | 2020-07-28 | 2020-07-28 | 一种用于封样送检的取样系统 |
| CN202010736821.7A CN111983247B (zh) | 2020-07-28 | 2020-07-28 | 一种用于封样送检的取样方法及系统 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010736821.7A Division CN111983247B (zh) | 2020-07-28 | 2020-07-28 | 一种用于封样送检的取样方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113671199A true CN113671199A (zh) | 2021-11-19 |
Family
ID=73445845
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010736821.7A Active CN111983247B (zh) | 2020-07-28 | 2020-07-28 | 一种用于封样送检的取样方法及系统 |
| CN202110940496.0A Withdrawn CN113671199A (zh) | 2020-07-28 | 2020-07-28 | 一种用于封样送检的取样系统 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010736821.7A Active CN111983247B (zh) | 2020-07-28 | 2020-07-28 | 一种用于封样送检的取样方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN111983247B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177452B (zh) * | 2021-04-22 | 2024-02-27 | 国网江苏省电力有限公司物资分公司 | 一种基于图像处理与射频技术的封样方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105674881A (zh) * | 2016-01-26 | 2016-06-15 | 上海乾菲诺农业科技有限公司 | 一种植物茎秆测量方法及装置 |
| CN107465458A (zh) * | 2017-08-17 | 2017-12-12 | 宁夏软件工程院有限公司 | 一种基于可见光信号传输的物联网交互检测机器 |
| CN109155078A (zh) * | 2018-08-01 | 2019-01-04 | 深圳前海达闼云端智能科技有限公司 | 样本图像的集合的生成方法、装置、电子设备和存储介质 |
| CN109272232A (zh) * | 2018-09-21 | 2019-01-25 | 国家电网有限公司 | 基于变电站精细化巡检业务的可视化数据管理方法 |
| CN109740522A (zh) * | 2018-12-29 | 2019-05-10 | 广东工业大学 | 一种人员检测方法、装置、设备及介质 |
| CN110281244A (zh) * | 2019-07-09 | 2019-09-27 | 江苏安方电力科技有限公司 | 一种电力物资自动封样系统 |
| US20200065964A1 (en) * | 2018-08-21 | 2020-02-27 | Canon Medical Systems Corporation | Medical image processing apparatus, medical image generation apparatus, medical image processing method, and storage medium |
| CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201839705A (zh) * | 2017-04-19 | 2018-11-01 | 臺泥資訊股份有限公司 | 取樣檢驗之管理方法 |
| CN209785053U (zh) * | 2019-06-25 | 2019-12-13 | 国网河南省电力公司南阳供电公司 | 物资抽检环节可视化管控平台 |
| CN210627237U (zh) * | 2019-11-16 | 2020-05-26 | 浙江省水利水电工程质量与安全监督管理中心 | 基于射频识别的混凝土试块追溯系统 |
| CN110937231A (zh) * | 2020-01-02 | 2020-03-31 | 国网山东省电力公司威海供电公司 | 一种电力物资智能加密送检箱 |
-
2020
- 2020-07-28 CN CN202010736821.7A patent/CN111983247B/zh active Active
- 2020-07-28 CN CN202110940496.0A patent/CN113671199A/zh not_active Withdrawn
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105674881A (zh) * | 2016-01-26 | 2016-06-15 | 上海乾菲诺农业科技有限公司 | 一种植物茎秆测量方法及装置 |
| CN107465458A (zh) * | 2017-08-17 | 2017-12-12 | 宁夏软件工程院有限公司 | 一种基于可见光信号传输的物联网交互检测机器 |
| CN109155078A (zh) * | 2018-08-01 | 2019-01-04 | 深圳前海达闼云端智能科技有限公司 | 样本图像的集合的生成方法、装置、电子设备和存储介质 |
| US20200065964A1 (en) * | 2018-08-21 | 2020-02-27 | Canon Medical Systems Corporation | Medical image processing apparatus, medical image generation apparatus, medical image processing method, and storage medium |
| CN109272232A (zh) * | 2018-09-21 | 2019-01-25 | 国家电网有限公司 | 基于变电站精细化巡检业务的可视化数据管理方法 |
| CN109740522A (zh) * | 2018-12-29 | 2019-05-10 | 广东工业大学 | 一种人员检测方法、装置、设备及介质 |
| CN110281244A (zh) * | 2019-07-09 | 2019-09-27 | 江苏安方电力科技有限公司 | 一种电力物资自动封样系统 |
| CN111325726A (zh) * | 2020-02-19 | 2020-06-23 | 腾讯医疗健康(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111983247B (zh) | 2021-09-10 |
| CN111983247A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028213B (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
| CN112115895B (zh) | 指针型仪表读数识别方法、装置、计算机设备及存储介质 | |
| CN108629792A (zh) | 基于背景建模与背景差分的激光目标检测方法和装置 | |
| CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
| CN113191977B (zh) | 一种用于恶劣环境条件下目标检测识别的图像增强系统 | |
| CN110956613B (zh) | 基于图像质量的目标检测算法性能归一化评价方法及系统 | |
| CN113838480B (zh) | 一种洗衣机异音检测方法、装置及电子设备 | |
| CN117274258B (zh) | 主板图像的缺陷检测方法、系统、设备及存储介质 | |
| CN111983247B (zh) | 一种用于封样送检的取样方法及系统 | |
| CN113554630A (zh) | 芯片表面缺陷检测方法、系统、计算机设备和存储介质 | |
| CN117671303A (zh) | 基于孪生网络的立体测距隐患预警方法及系统 | |
| CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
| CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
| CN118134814A (zh) | 一种凹版涂布的线性图像巡边方法 | |
| CN115546736B (zh) | 基于图像采集的河道采砂监控处理方法及系统 | |
| CN111563532B (zh) | 一种基于属性权重融合的未知目标识别方法 | |
| CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
| CN116363136A (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
| CN116147898A (zh) | 一种汽车前照灯发光强度的检测方法及装置 | |
| CN109993066B (zh) | 面向边线的车辆定位方法和系统 | |
| CN112927201A (zh) | 一种曲线检测方法及装置 | |
| CN115398442A (zh) | 用于评估传感器测量值的设备和自动化方法和该设备的应用 | |
| CN117128862B (zh) | 一种汽车部件的扫描检测分析方法 | |
| CN116883417B (zh) | 基于机器视觉的工件质检方法及装置 | |
| CN116776130B (zh) | 一种用于异常电路信号的检测方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211119 |
|
| WW01 | Invention patent application withdrawn after publication |