CN113703382B - 前室预抽真空多用气氛渗氮炉工件识别系统 - Google Patents
前室预抽真空多用气氛渗氮炉工件识别系统 Download PDFInfo
- Publication number
- CN113703382B CN113703382B CN202110790699.6A CN202110790699A CN113703382B CN 113703382 B CN113703382 B CN 113703382B CN 202110790699 A CN202110790699 A CN 202110790699A CN 113703382 B CN113703382 B CN 113703382B
- Authority
- CN
- China
- Prior art keywords
- module
- workpiece
- data
- industrial control
- control computer
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/11—Plc I-O input output
- G05B2219/1176—I-O signal processing, adaption, conditioning, conversion of signal levels
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本发明属于渗氮炉自动化技术领域,涉及一种前室预抽真空多用渗氮炉的工件识别系统,包括工控计算机(主程序)、工件检测模块、图像采集模块、图像识别模块、数据对比模块、数据调用模块、机器学习模块(机器训练模块)、数据存储模块、手工录入模块、执行模块;所述工件检测模块与图像采集模块相连;图像采集模块与图像识别模块相连,数据对比模块与图像识别模块、数据调用模块相连,本发明相比原渗氮炉自动化控制系统,增加了工件视觉分析及深度学习功能,增加了工件云端数据处理功能,能进一步降低操作人员的劳动强度,减少人工的操作失误,进一步提升渗氮炉的智能化控制水平。
Description
技术领域:
本发明属于渗氮炉自动化技术领域,尤其涉及一种前室预抽真空多用气氛渗氮炉工件识别系统。
背景技术:
渗氮,是在一定温度下使氮原子渗入工件表层来增加表面硬度的化学热处理工艺。常见有液体渗氮、气体渗氮、离子渗氮。传统的气体渗氮是把工件放入密封容器中,通以注入流动的氨气(NH3、C3H8、C2H2、N2等)并加热,保温较长时间后,氨气热分解产生活性氮原子,不断吸附到工件表面,并扩散渗入工件表层内,从而改变表层的化学成分和组织,获得优良的表面性能。如果在渗氮过程中同时渗入碳以促进氮的扩散,则称为氮碳共渗。常用的是气体渗氮和离子渗氮。前室预抽真空多用渗氮炉对工件进行预抽真空处理,无火帘、无排气口、无油烟,加热室采用冷壁型炉体设计,对环境影响小,是环保型的热处理设备,适用于不同产品的多种热处理,适应面广,非常灵活。
《金属热处理》第37卷第1期中“智能型真空渗碳淬火炉研制及应用”介绍了一种自动化程度高的渗碳炉的自动控制方法,该方法实现了自动化生产,提高了渗碳质量,已成功用于航空工业中高合金钢和不锈钢的渗碳,渗碳与渗氮技术有些类似,都是用于工件表面的硬度处理,但方法和工艺不一样,因没有找到渗氮炉的相关文献,暂时以该渗碳炉作为对比,该文献中,未涉及机器视觉识别。
当前,前室预抽真空多用气氛渗氮炉已实现了自动控制,从人类的未来发展需求看,前室预抽真空多用气氛渗氮炉智能化水平仍有很大的提升空间,很有必要逐步使前室预抽真空多用气氛渗氮炉实现视觉、听觉、深度学习等新智能技术,本发明对渗氮炉进行了相应的研发实现,最主要的提升是加入了机器视觉对工件进行拍照识别,对比分析和工件图像深度学习与云端数据存储等操作,进一步提高渗氮炉的整体智能化控制水平。
发明内容:
本发明的目的是为了解决背景中渗氮炉存在的不足与缺点,而提出的一种能对渗氮炉工件视觉预先识别的系统,并公开方法,解决当前存在的问题。
为了实现上述目的,本发明提供了如下技术方案:
前室预抽真空多用渗氮炉工件识别系统,包括工控计算机(主程序),工件检测模块,图像采集模块,图像识别模块,数据对比模块,数据调用模块,机器学习模块和机器训练模块,云端数据库(中心),手工录入模块、执行模块,以上模块与工控计算机(主程序)相连接。硬件组成包括:工控计算机、摄像头、红外传感器、PLC、触摸显示屏、温度传感器、压力传感器、流量计、各种执行设备如泵、风机、加热执行单元、阀门、云服务器等。
附图说明:
为了更清楚地说明本发明实施例和技术方案,下面将实施例和现有技术描述中所需要的附图做简单介绍。显而易见的,下面的附图仅仅是本发明的实施例之一,对于本领域的普通技术人员,都能通过附图,在不需要付出创造性劳动的前提下,就可以根据已有的附图设计出其他附图,并且通过技术说明书做出相应的设备。
图1为本发明提供的现有的前室预抽真空多用渗氮炉采用本系统后的控制示意图。
图2为本发明实施例前室预抽真空多用气氛渗氮炉自动化控制示意图。
图3为本发明实施例中实施例示意图,该示意图仅供参考。
图4为本发明前室预抽真空多用渗氮炉工件识别系统流程图。
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、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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做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。
本发明的核心是对进入炉子前的工件采用摄像头进行机器视觉识别来识别出工件并预处理的系统,如果没有识别出工件,则对工件进行深度学习,并把结果上传到云端,该系统包括工控计算机(主程序),主程序连接有工件检测模块,图像采集模块,图像识别模块,数据对比模块,数据调用模块,机器学习模块和机器训练模块,云端数据库(中心),手工录入模块、执行模块,其中:
工件检测模块硬件主要为红外传感器,红外传感器先调整红外线的距离,在光线被遮挡时,传感器通过PLC发送一个数据给工控计算机(主程序),红外传感器与工控计算机(主程序)连接顺序为:红外传感器信号线接入PLC数据端子,红外传感器被工件挡住时,表示检测到了工件,需要识别,输出高电平,高电平通过数据线输出到PLC,PLC获取电平信号后,转化为数字量发送到485端口,并通过485线传送到到工控计算机的232串口,工控计算机(主程序)通过读取232串口缓冲区的数据,判断结果,如果为真,工控计算机(主程序)给图像采集模块发送执行指令。优先的,红外传感器也可以用相同功能的激光传感器代替,数量可采用一个或多个实现工件的检测。
图像采集模块主要包括至少一个摄像头,象素至少200万以上并带LED补光,图像采集模块主要包括摄像头初始化模块,摄像头视频流截图模块、图片预处理并存储模块等组成,主要功能是获得工件图片,并预处理达到图像识别的要求,本系统图像采集模块按执行顺序包括摄像头图像读取、二值化、灰度、锐化、重置尺寸、本地存储等操作。
图像识别模块主要通过采用YOLO算法识别工件,识别的结果通过工控计算机(主程序)发送到数据对比模块进行工件对比。
数据对比模块,主要包括数据库连接与打开模块、数据查询模块、数据对比模块,数据对比模块如果发现工件识别成功,则执行数据调用模块,如果识别失败,则进入机器学习模块(机器训练模块)。
机器学习模块(机器训练模块)同样采用YOLO算法,通过机器自己识别与人工手动标注,通过损失函数反复训练机器,让机器能95%以上机率识别标出工件时,建立工件数据字典,上传云端数据库,同时,工控计算机(主程序)继续深度学习已存储在计算机中的图像,以进一步提高识别率到99%以上。
云端数据库用于储存工件的机器学习的结果(数据字典),以及工件的完整执行工艺文件,工件的图纸及其他数据,通过工控计算机(主程序)直接访问。
手工录入模块为通过本地的触摸屏界面,能过触摸屏或键盘输入,手工对工件选择、工件数据录入及工件的机器学习的结果上传等操作。
执行模块,为工控计算机(主程序)调用工控计算机(自动化控制程序)的接口,当工件被智能识别出来以后,在无人工中断程序的情况下,工控计算机(主程序)将调用运行(自动化控制程序),获取渗氮炉当前的所有设备及传感器如风机、泵状态信息、各种泵、压力表、温度计、流量计、气体分析仪等信息,精准调节与控制风机、泵、电机、加热执行机构、阀门等部件,按时间规定的反应时间,全自动完成整个渗氮工艺流程。
实施的工控计算机最低配置要达到以下要求:CPU必须含有AVX,AVX2指令集;如采用GPU来运行算法,则显卡GPU算力至少要达到3.5以上;工控机内存4G以上;磁盘空间120M以上;编译环境要求python3.7及以上,操作系统要求能运行python3.7;图像读取、存储、二值化、灰度、模糊、锐化、重置尺寸等程序处理主要采用Open-CV对应的算法;本系统的机器识别及深度学习主要采用yolo算法,优选的,工件的机器识别及深度学习模块也可以采用Tensor-flow、PyTorch、paddle、DPM、RCNN等算法。
整个系统执行步骤为:
Step1:执行红外检测模块,判断结果,如果为Y,跳转step2,如果为N,继续循环执行step1;
Step2:执行图像采集模块;
Step3:执行图像识别模块,并通过数据对比模块进行现有工件数据对比,判断结果,如果为Y,则跳转到step4,如果为N,则跳转到step5;
Step4:数据调用模块,从云端下载工件数据到本地计算机,并跳转step7;
Step5:机器学习模块(机器训练模块),当训练到识别率在95%以上时,上传到云端数据库,并继续学习,其中需要人工输入时,调用step6手工输入数据;
step6:手工录入模块,工件的数据及工艺文件、机器训练的数据手工方式录入云端数据库;
Step7:执行模块,当工件正确被视觉识别出来,从云端下载工件工艺执行文件到本地并调用工控机(自动控制程序),完成整个工件渗氮自动化控制过程。
Step8:跳转到step1,继续循环判断。
综上所述,采用本发明能提高前室预抽真空多用气氛渗氮炉智能化水平,进一步降低操作人员的劳动强度,减少人工的操作失误,另外,通过本发明,前室预抽真空多用气氛渗氮炉的厂家可以建立工件数据字典(数据库),能更好的为客户提供云端工件大数据服务与技术支持,从传统的设备服务商成为智能化的SaaS服务商。
Claims (2)
1.前室预抽真空多用气氛渗氮炉工件识别系统,包括前室预抽真空多用气氛渗氮炉本体、工控计算机、渗氮炉自动化执行模块、PLC、触摸显示屏、温度传感器、压力传感器、流量计、各种执行设备如泵、风机、加热执行单元、阀门;其特征在于:前室预抽真空多用气氛渗氮炉工件识别系统软件由工控计算机、工件检测模块、图像采集模块、图像识别模块、数据对比模块、数据调用模块、机器学习模块、云端数据库、手工录入模块、执行模块组成,与工控计算机相连接;硬件由红外传感器、摄像头、PLC、云服务器组成,其中:工件检测模块用来检测工件是否在渗氮炉工作台上;图像采集模块用来获取工件图片;图像识别模块用来识别图像中的工件;数据对比模块用于调用云端数据库中的工件数据并对比;数据调用模块用于在工件被识别出来后,从云端下载所有工件的数据及对应的工艺执行文件;机器学习模块、用于对云端数据库不存在的工件进行深度学习,并建立该工件的数据特征并上传到云端;手工录入模块用于对新的工件工艺数据和机器学习后的数据上传到云端或本地计算机;执行模块用于下载工件的工艺文件并调用工控计算机、执行后面的所有操作;工控计算机用于连接所有的模块并能调用执行工控计算机;工件检测模块硬件为红外传感器,所述红外传感器与工控计算机连接与数据传送方法为:红外传感器信号线接入PLC数据端子,红外传感器发出信号的被工件挡住时,输出高电平,高电平通过数据线输出到PLC,PLC 获取电平信号后,转化为数字量发送到 485 端口,并通过 485 数据线传送到到工控计算机的232 串口,工控计算机通过读取 232 串口缓冲区的数据,判断结果,如果为真,工控计算机给图像采集模块发送执行指令;图像采集模块至少包括一个摄像头,象素至少 200 万以上并带 LED 补光,图像采集模块包括摄像头初始化模块,摄像头视频流截图模块、图片预处理并存储模块组成,功能是获得工件图片,并通过预处理达到图像识别及深度学习的要求,图像采集模块按执行顺序包括摄像头图像读取、二值化、灰度、锐化、重置尺寸、本地存储操作,所述机器学习模块计算机程序方法为:程序主算法采用 YOLO 算法,通过机器自己识别标注与人工手动标注,通过损失函数反复训练机器,让机器能95%以上机率识别并标出工件时,建立工件数据字典,上传云端数据库,同时,工控计算机继续深度学习已存储在计算机中的图像,以进一步提高识别率到 99%以上,数据对比模块包括数据库连接与打开模块、数据查询模块,数据对比模块如果发现工件识别成功,则执行数据调用模块,如果识别失败,则进入机器学习模块;实施的工控计算机最低配置要达到以下要求:CPU 必须含有 AVX,AVX2 指令集;如采用 GPU 来运行算法,则显卡 GPU 算力至少要达到 3.5 以上;云端数据库用于储存工件的机器学习的结果,以及工件的完整执行工艺文件,工件的图纸及其他数据,通过工控计算机直接访问。
2.根据权利要求 1 所述的前室预抽真空多用气氛渗氮炉工件识别系统,所述工控计算机执行步骤为:Step1: 执行工件检测模块,判断结果,如果为 Y,跳转 step2,如果为 N,继续循环执行 step1; Step2:执行图像采集模块;Step3:执行图像识别模块,并通过数据对比模块进行现有工件数据对比,判断结果,如果为 Y,则跳转到 step4, 如果为 N,则跳转到 step5;Step4:数据调用模块,从云端下载工件数据到本地计算机,并跳转至 step7;Step5:机器学习模块,当训练到识别率在 95%以上时,上传到云端数据库并继续学习,其中需要人工输入时,调用 step6 手工输入数据;step6:手工录入模块,工件的数据及工艺文件、机器训练的数据手工方式录入云端数据库;Step7:执行模块,当工件正确被视觉识别出来,从云端下载工件工艺执行文件到本地并调用工控机,完成整个工件渗氮自动化控制过程; Step8:跳转到step1,继续循环判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790699.6A CN113703382B (zh) | 2021-07-13 | 2021-07-13 | 前室预抽真空多用气氛渗氮炉工件识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790699.6A CN113703382B (zh) | 2021-07-13 | 2021-07-13 | 前室预抽真空多用气氛渗氮炉工件识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113703382A CN113703382A (zh) | 2021-11-26 |
CN113703382B true CN113703382B (zh) | 2023-05-16 |
Family
ID=78648532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790699.6A Active CN113703382B (zh) | 2021-07-13 | 2021-07-13 | 前室预抽真空多用气氛渗氮炉工件识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113703382B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114263488A (zh) * | 2021-12-24 | 2022-04-01 | 四川省交通勘察设计研究院有限公司 | 基于外部环境自学习的公路隧道通风控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001034765A (ja) * | 2000-01-01 | 2001-02-09 | Mitsubishi Electric Corp | 物体認識装置および情報処理装置 |
CN105717865A (zh) * | 2016-03-16 | 2016-06-29 | 武汉理工大学 | 一种具有检测功能的机床传动节能控制方法及装置 |
CN108803506A (zh) * | 2018-05-22 | 2018-11-13 | 广东美的智能机器人有限公司 | 生产线工件识别方法、服务器及终端 |
CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3357083B2 (ja) * | 1991-12-25 | 2002-12-16 | ヤマザキマザック株式会社 | 自動加工装置 |
JP3683616B2 (ja) * | 1995-06-23 | 2005-08-17 | 株式会社アマダ | 板金加工システムにおける加工プログラム選択装置 |
CN101158021A (zh) * | 2007-11-13 | 2008-04-09 | 吴江市天地人真空炉业有限公司 | 低压真空渗碳设备 |
CN103309305B (zh) * | 2013-05-14 | 2015-06-10 | 山东开泰工业科技有限公司 | 工程机械抛喷丸清理机生产过程智能控制系统 |
CN109218145B (zh) * | 2018-08-24 | 2021-10-08 | 英华达(上海)科技有限公司 | Iot设备控制界面的显示方法、系统、设备及存储介质 |
EP3623882A1 (en) * | 2018-09-13 | 2020-03-18 | Siemens Aktiengesellschaft | Identifying type and alignment of a workpiece |
EP4005745A4 (en) * | 2019-09-11 | 2023-04-19 | Siemens Ltd., China | AUTONOMOUS ROBOT TOOLING SYSTEM, CONTROL SYSTEM, CONTROL METHOD AND STORAGE MEDIUM |
CN111286584A (zh) * | 2020-04-01 | 2020-06-16 | 重庆金樾光电科技有限公司 | 用于激光氮化处理金属表面的系统及方法 |
-
2021
- 2021-07-13 CN CN202110790699.6A patent/CN113703382B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001034765A (ja) * | 2000-01-01 | 2001-02-09 | Mitsubishi Electric Corp | 物体認識装置および情報処理装置 |
CN105717865A (zh) * | 2016-03-16 | 2016-06-29 | 武汉理工大学 | 一种具有检测功能的机床传动节能控制方法及装置 |
CN108803506A (zh) * | 2018-05-22 | 2018-11-13 | 广东美的智能机器人有限公司 | 生产线工件识别方法、服务器及终端 |
CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113703382A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190188530A1 (en) | Method and apparatus for processing image | |
CN113703382B (zh) | 前室预抽真空多用气氛渗氮炉工件识别系统 | |
CN111680551A (zh) | 监控牲畜数量的方法、装置、计算机设备及存储介质 | |
CN106839976B (zh) | 一种检测镜头中心的方法及装置 | |
CN104019843B (zh) | 基于图像处理和元编程技术的汽车仪表指针零位自动矫正装置及方法 | |
CN111950396A (zh) | 一种仪表读数神经网络识别方法 | |
CN112132796A (zh) | 以反馈数据自主学习提升检测精度的视觉检测方法和系统 | |
CN111414915A (zh) | 一种文字识别方法以及相关设备 | |
CN111881937A (zh) | 输电线路金具目标检测和缺陷识别方法及终端 | |
CN107844679B (zh) | 一种分段式高炉铁水硅含量预测方法及装置 | |
CN110796096B (zh) | 一种手势识别模型的训练方法、装置、设备及介质 | |
CN117095248A (zh) | 一种基于生成式卷积神经网络的熔炉火焰氧浓度监测方法 | |
CN110334818B (zh) | 一种管路自动识别的方法及系统 | |
Liu et al. | A pointer meter reading recognition method based on improved ORB algorithm for substation inspection robot | |
CN115993366A (zh) | 基于传感设备的加工件表面检测方法及系统 | |
CN116843618A (zh) | 一种金属零件浅显外观缺陷检测方法 | |
US11885719B2 (en) | Measurement data recording apparatus, generating apparatus, system, apparatus, method, and computer readable medium | |
CN111006688A (zh) | 一种用于惯导温度试验的智能在线监测系统 | |
CN115546099A (zh) | 一种基于卷积神经网络的锻件探伤缺陷检测方法及装置 | |
CN114345717A (zh) | 一种货物分拣装置 | |
CN109934155B (zh) | 一种基于深度视觉的协作机器人手势识别方法及装置 | |
Pan et al. | Research on functional test of mobile app based on robot | |
CN108583115B (zh) | 一种小鼠早期胚胎模型的制作系统 | |
Utama et al. | General Remote Control Based on Hand Patterns Detection Using Convolutional Neural Network | |
Yu et al. | Image Processing for Robotic Control in Life Science Laboratory Automation |
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 |