CN113743342A - 一种装配流程检测的方法、系统、终端及存储介质 - Google Patents
一种装配流程检测的方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN113743342A CN113743342A CN202111058920.5A CN202111058920A CN113743342A CN 113743342 A CN113743342 A CN 113743342A CN 202111058920 A CN202111058920 A CN 202111058920A CN 113743342 A CN113743342 A CN 113743342A
- Authority
- CN
- China
- Prior art keywords
- node
- assembly
- assembly process
- images
- nodes
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 137
- 230000008569 process Effects 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 4
- 239000000047 product Substances 0.000 description 11
- 239000003638 chemical reducing agent Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 244000309464 bull Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种装配流程检测的方法、系统、终端及存储介质,包括:采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测,通过采集节点图像,并利用深度学习对节点图像的信息进行识别,实现了装配流程的数字化记录,对装配流程的合理性进行检测,提高产品装配的可靠性和装配效率。
Description
技术领域
本发明属于自动化装配技术领域,具体涉及一种装配流程检测的方法、系统、终端及存储介质。
背景技术
随着自动化行业的发展,各种设备逐渐采用自动化装配的方式,通常在一条生产线上,按预先规定的要求,将零件或部件进行配合连接,使之成为半成品或成品的。
装配是产品制造工艺的重要工序,装配的好坏,对产品的质量起决定性作用,其中,装配的顺序以及装配的零件类型、零件之间的位置关系必须符合规定,上述信息决定了装配的可靠性,且为了提高装配效率,也需要对装配流程各个工序节点的占用时间进行严格把控;装配的可靠性以及装配效率成为衡量一个装配流程质量的重要标准,提高装配流程的可靠性和装配效率也成为提高产品竞争力的重要途径。
发明内容
针对现有技术的上述不足,本发明提供一种装配流程检测的方法、系统、终端及存储介质,以解决上述技术问题。
第一方面,本发明提供一种装配流程检测的方法,包括:
采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;
将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;
记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;
将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。
进一步的,所述方法还包括:
对装配节点进行多种光源试验,得到不同光源条件下的节点图像;
对所述不同光源下节点图像进行数据提取;
根据数据提取结果生成最优的光源条件,所述最优光源条件为零件表面反射光影响最小和识别装配零件最佳的光源角度、光源亮度和光源颜色;
根据所述最优的光源条件发送改变节点的照明条件的信号。
进一步的,还包括:
采用深度学习算法构建卷积神经网络模型;
采集节点图像作为训练集;
将所述训练集导入所述卷积神经网络模型进行训练,得到节点识别模型。
进一步的,还包括:
利用数字孪生技术,根据所述装配流程日志,生成数字化装配流程。
进一步的,所述采集至少一个角度的节点图像并对所述节点图像进行处理,包括:
针对装配流程的各个节点,获取同一时刻且至少一个角度的产品装配的节点图像;
建立所述节点图像和所述装配节点的映射关系;
对节点图像进行背景降噪处理。
进一步的,所述将所述节点图像导入预先训练的节点识别模型,生成节点的数据集,包括:
对所述节点图像进行零件目标检测,获取目标零件信息,所述目标零件信息包括零件类型和零件间的位置关系;
根据所述目标零件信息识别当前节点,并记录当前节点的占用时间;
根据所述目标零件信息和所述占用时间,生成为当前节点的数据集。
进一步的,所述检测标准包括:零件类型、零件间的位置关系、占用时间以及装配顺序。
第二方面,本发明提供一种装配流程检测的系统,包括:
图像采集单元,配置用于采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;
节点识别单元,配置用于将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;
日志生成单元,配置用于记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;
流程判断单元,配置用于将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。
第三方面,提供一种终端,包括:
处理器、存储器,其中,
该存储器用于存储计算机程序,
该处理器用于从存储器中调用并运行该计算机程序,使得终端执行上述的终端的方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本发明的有益效果在于,
本发明提供的一种装配流程检测的方法、系统、终端及存储介质,通过采集节点图像,并利用深度学习对节点图像的信息进行识别,实现了装配流程的数字化记录,对装配流程的合理性进行检测,提高产品装配的可靠性和装配效率。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
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,对于本领域普通技术人员而言,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是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中,该方法可以由终端执行,换言之,该方法可以由安装在终端的软件或硬件来执行。
如图1所示,该方法包括:
S110,采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;
S120,将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;
S130,记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;
S140,将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。
可选地,作为本发明一个实施例,所述方法还包括:
对装配节点进行多种光源试验,得到不同光源条件下的节点图像;
对所述不同光源下节点图像进行数据提取;
根据数据提取结果生成最优的光源条件,所述最优光源条件为零件表面反射光影响最小和识别装配零件最佳的光源角度、光源亮度和光源颜色;
根据所述最优的光源条件发送改变节点的照明条件的信号。
可选地,作为本发明一个实施例,还包括:
采用深度学习算法构建卷积神经网络模型;
采集节点图像作为训练集;
将所述训练集导入所述卷积神经网络模型进行训练,得到节点识别模型。
可选地,作为本发明一个实施例,还包括:
利用数字孪生技术,根据所述装配流程日志,生成数字化装配流程。
可选地,作为本发明一个实施例,所述采集至少一个角度的节点图像并对所述节点图像进行处理,包括:
针对装配流程的各个节点,获取同一时刻且至少一个角度的产品装配的节点图像;
建立所述节点图像和所述装配节点的映射关系;
对节点图像进行背景降噪处理。
可选地,作为本发明一个实施例,所述将所述节点图像导入预先训练的节点识别模型,生成节点的数据集,包括:
对所述节点图像进行零件目标检测,获取目标零件信息,所述目标零件信息包括零件类型和零件间的位置关系;
根据所述目标零件信息识别当前节点,并记录当前节点的占用时间;
根据所述目标零件信息和所述占用时间,生成为当前节点的数据集。
可选地,作为本发明一个实施例,所述检测标准包括:零件类型、零件间的位置关系、占用时间以及装配顺序。
为了便于对本发明的理解,下面以本发明一种装配流程检测的方法的原理,结合实施例中对减速器进行装配的过程,对本发明提供的一种装配流程检测的方法做进一步的描述。
具体的,所述一种装配流程检测的方法包括:
S110,采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;
在一种实现方式中,步骤S110还包括:针对装配流程的各个节点,获取同一时刻且至少一个角度的产品装配的节点图像。
考虑到硬件环境与实际条件,大部分厂商不可能均利用有线的摄像头安装在组装现场,图像工作站(GPU服务器)也需要在专门场所布置,由多个工业相机进行节点图像的采集操作,将多个工业相机分布在当前节点的不同位置,且工业相机所处的位置不会影响装配流程的正常操作。需要说明的是工业相机采集的节点图像可以上传到终端,一种上传方式是通过无线形式,例如5G、WiFi等,另一种上传方式是通过有线接口直接发送到终端内;且上传过程中支持多种主流协议,例如http-flv,hls,websocket-flv等。
为了考虑实时性检测和算力资源的影响,若工业相机是通过录制视频的方式采集图像,则在使用OpenCV读取到工业相机的视频流之后,采用抽帧形式捕捉图像,例如1秒5帧,节约算力资源,同时也满足实时性检测。
在本实施例中获取至少一个角度的节点图像的目的在于:
1、采用多个相机对减速器组装过程进行联合拍摄或录制,避免装配过程中存在遮挡的现象,保证后续在节点图像中能识别清晰完整的零件;
2、因为在装配过程中,不同的节点上可能会产生某个单一视角上画面相同的情况,从而无法正确判定具体的装配节点,因此采用多个角度,可有效提高识别效果,减少误报率。
在一种实现方式中,步骤S110还包括:建立所述节点图像和所述装配节点的映射关系,通过识别节点图像内的信息,就可以确定所述装配节点。
在一种实现方式中,步骤S110还包括:对节点图像进行背景降噪处理。便于后续识别零件更加清晰。
S120,将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;
节点识别模型可以预先进行训练生成,构建卷积神经网络模型,通过对事先采集到的各个节点的节点图像,将采集的节点图像作为训练集,将所述训练集导入所述卷积神经网络模型进行训练,得到节点识别模型。
在应用所述节点识别模型时,向所述节点识别模型输入任意一个节点图像,则可以输出对应的装配节点,具体的,在本实施例中,采用深度学习的方式对工业相机采集的每一帧图像进行识别处理,识别节点图像内的信息,根据所述信息生成节点的数据集。
在一种实现方式中,步骤S120还包括:对所述节点图像进行零件目标检测,获取目标零件信息,所述目标零件信息包括零件类型和零件间的位置关系。
示例地,进行零件目标检测,采用节点识别模型内的yolo目标检测算法,识别零件类型和零件间的位置关系,以减速器为例,生产实际中将减速器分为大齿轮部件、小齿轮部件、箱座、箱盖。
在一种实现方式中,步骤S120还包括:根据所述目标零件信息识别当前节点,并记录当前节点的占用时间。
示例地,识别第一节点存在的零件为大齿轮部件、小齿轮部件,且大齿轮部件、小齿轮部件由分离到接合在一起,所以第一节点为齿轮传动装配节点;所述第一节点的占用时间可以为大齿轮部件、小齿轮部件由分离状态到接合状态的时间,例如2S。
在一种实现方式中,步骤S120还包括:根据所述目标零件信息和所述占用时间,生成为当前节点的数据集。
示例地,第一节点存在的零件为大齿轮部件、小齿轮部件,且大齿轮部件、小齿轮部件由分离到接合在一起,占用了2s的时间,实现减速器装配节点的数字化记录。
需要说明的是,识别处理的各类信息包括加工后的视频流、所述数据集以及装配顺序等。可以通过终端的交互屏幕进行显示,主要通过视频流推送来完成。
S130,记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志。
示例地,识别第二节点为将大、小齿轮部件装配到箱座上,识别第三节点为将箱盖装配上,则减速器装配顺序为首先进行大齿轮部件和小齿轮部件的装配,然后再将大、小齿轮部件装配到箱座上,最后进行箱盖的装配,同时获取如S120所述的第一节点、第二节点和第三节点数据集,将所述数据集按照所述装配顺序进行排列,实现减速器装配节点的数字化记录,为后续排产排程、路径规划和优化评价提供了强有力的数据参考。
S140,将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。
通过分析装配流程各节点的零件类型、零件间的位置关系以及装配顺序,从而对装配流程的合理性进行检测,预设的检测标准包括装配总时间、各个节点占用时间、装配顺序与人工指导顺序的相关性、整体的废品率,各个装配环节的产能安排等,进而更好的做出单环节流程规划与总体装配流程规划。
对装配流程的合理性进行检测包括以下几个方面:
1、分析整个装配流程日志,分析各个装配节点是否由遗漏,各装配节点的占用时间是否连续,最终判定装配流程的持续性,从而实现对装配流程过程正确性的检测。
2、根据对装配流程过程正确性的检测,可以开发反馈模块,反馈产品装配流程的具体情况。
3、通过对零件类型的分析判断、装配过程信息的分析判断,在终端设置展示面板,并绘制装配流程中装配现场的三维模型,利用数字孪生技术,驱动实现装配现场与展示面板的数据联动,展示面板的三维模型可直接反映装配现场的零件信息和产品装配情况。
在一种实施方式中,还包括:对装配节点进行多种光源试验,得到不同光源条件下的节点图像;对所述不同光源下节点图像进行数据提取;根据数据提取结果生成最优的光源条件,所述最优光源条件为零件表面反射光影响最小和识别装配零件最佳的光源角度、光源亮度和光源颜色;根据所述最优的光源条件发送改变节点的照明条件的信号,所述信号发送给终端,实现每个装配节点均可配置最佳照明条件,装配零件的不同材质会产生不同的反射光,进而影响节点图像采集的效果,故在进行下一节点之前,发出控制现场光源的变化的信号,指导下一节点的照明条件,从而实现后续减速器组装过程中获取到的节点图像的质量不受零件的干扰,提高节点检测的准确性。
需要说明的是,本申请实施例提供的装配流程检测的方法,执行主体可以为装配流程检测的系统,或者该装配流程检测的系统中的用于执行装配流程检测的方法的控制模块。本申请实施例中以装配流程检测的系统执行装配流程检测的方法为例,说明本申请实施例提供的装配流程检测的系统。
如图2示,该系统200包括:
图像采集单元210,配置用于采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;
节点识别单元220,配置用于将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;
日志生成单元230,配置用于记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;
流程判断单元240,配置用于将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。
图3为本发明实施例提供的一种终端系统300的结构示意图,该终端系统300可以用于执行本发明实施例提供的一种装配流程检测的方法。
其中,该终端系统300可以包括:处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信,本领域技术人员可以理解,图中示出的服务器的结构并不构成对本发明的限定,它既可以是总线形结构,也可以是星型结构,还可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
其中,该存储器320可以用于存储处理器310的执行指令,存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。当存储器320中的执行指令由处理器310执行时,使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心,利用各种接口和线路连接整个电子终端的各个部分,通过运行或执行存储在存储器320内的软件程序和/或模块,以及调用存储在存储器内的数据,以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit,简称IC) 组成,例如可以由单颗封装的IC 所组成,也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说,处理器310可以仅包括中央处理器(Central Processing Unit,简称CPU)。在本发明实施方式中,CPU可以是单运算核心,也可以包括多运算核心。
通信单元330,用于建立通信信道,从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
因此,本发明采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。通过采集节点图像,并利用深度学习对节点图像的信息进行识别,实现了装配流程的数字化记录,对装配流程的合理性进行检测,提高产品装配的可靠性和装配效率,本实施例所能达到的技术效果可以参见上文中的描述,此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,包括若干指令用以使得一台计算机终端(可以是个人计算机,服务器,或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于终端实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示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,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种装配流程检测的方法,其特征在于,包括:
采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;
将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;
记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;
将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。
2.根据权利要求1所述的一种装配流程检测的方法,其特征在于,所述方法还包括:
对装配节点进行多种光源试验,得到不同光源条件下的节点图像;
对所述不同光源下节点图像进行数据提取;
根据数据提取结果生成最优的光源条件,所述最优光源条件为零件表面反射光影响最小和识别装配零件最佳的光源角度、光源亮度和光源颜色;
根据所述最优的光源条件发送改变节点的照明条件的信号。
3.根据权利要求1所述的方法,其特征在于,还包括:
采用深度学习算法构建卷积神经网络模型;
采集节点图像作为训练集;
将所述训练集导入所述卷积神经网络模型进行训练,得到节点识别模型。
4.根据权利要求1所述的方法,其特征在于,还包括:
利用数字孪生技术,根据所述装配流程日志,生成数字化装配流程。
5.根据权利要求1所述的一种装配流程检测的方法,其特征在于,所述采集至少一个角度的节点图像并对所述节点图像进行处理,包括:
针对装配流程的各个节点,获取同一时刻且至少一个角度的产品装配的节点图像;
建立所述节点图像和所述装配节点的映射关系;
对节点图像进行背景降噪处理。
6.根据权利要求1所述的一种装配流程检测的方法,其特征在于,所述将所述节点图像导入预先训练的节点识别模型,生成节点的数据集,包括:
对所述节点图像进行零件目标检测,获取目标零件信息,所述目标零件信息包括零件类型和零件间的位置关系;
根据所述目标零件信息识别当前节点,并记录当前节点的占用时间;
根据所述目标零件信息和所述占用时间,生成为当前节点的数据集。
7.根据权利要求1所述的方法,其特征在于,所述检测标准包括:零件类型、零件间的位置关系、占用时间以及装配顺序。
8.一种装配流程检测的系统,其特征在于,包括:
图像采集单元,配置用于采集至少一个角度的节点图像并对所述节点图像进行处理,所述节点图像为装配流程节点的拍摄图像;
节点识别单元,配置用于将所述节点图像导入预先训练的节点识别模型,生成节点的数据集;
日志生成单元,配置用于记录节点的装配顺序,根据所述装配顺序和数据集生成装配流程日志;
流程判断单元,配置用于将所述装配流程日志与预设检测标准对比,对装配流程的合理性进行检测。
9.一种终端,其特征在于,包括:
处理器;
用于存储处理器的执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-7任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058920.5A CN113743342B (zh) | 2021-09-10 | 2021-09-10 | 一种装配流程检测的方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058920.5A CN113743342B (zh) | 2021-09-10 | 2021-09-10 | 一种装配流程检测的方法、系统、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743342A true CN113743342A (zh) | 2021-12-03 |
CN113743342B CN113743342B (zh) | 2023-08-15 |
Family
ID=78737794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058920.5A Active CN113743342B (zh) | 2021-09-10 | 2021-09-10 | 一种装配流程检测的方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743342B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580562A (zh) * | 2022-03-16 | 2022-06-03 | 北京珞安科技有限责任公司 | 基于工艺流程的异常数据检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002111299A (ja) * | 2000-09-29 | 2002-04-12 | Matsushita Electric Ind Co Ltd | 部品装着方法及び装置 |
CN105138315A (zh) * | 2015-07-23 | 2015-12-09 | 陕西科技大学 | 一种基于Visual Basic和EON Studio的虚拟装配系统 |
CN106845502A (zh) * | 2017-01-23 | 2017-06-13 | 东南大学 | 一种用于设备检修的穿戴式辅助装置及设备检修可视化指导方法 |
CN109508484A (zh) * | 2018-10-26 | 2019-03-22 | 北京理工大学 | 一种装配、拆卸方法及装置 |
CN111428373A (zh) * | 2020-03-30 | 2020-07-17 | 苏州惟信易量智能科技有限公司 | 产品装配质量检测方法、装置、设备及存储介质 |
CN113269236A (zh) * | 2021-05-10 | 2021-08-17 | 青岛理工大学 | 基于多模型集成的装配体变化检测方法、设备和介质 |
-
2021
- 2021-09-10 CN CN202111058920.5A patent/CN113743342B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002111299A (ja) * | 2000-09-29 | 2002-04-12 | Matsushita Electric Ind Co Ltd | 部品装着方法及び装置 |
CN105138315A (zh) * | 2015-07-23 | 2015-12-09 | 陕西科技大学 | 一种基于Visual Basic和EON Studio的虚拟装配系统 |
CN106845502A (zh) * | 2017-01-23 | 2017-06-13 | 东南大学 | 一种用于设备检修的穿戴式辅助装置及设备检修可视化指导方法 |
CN109508484A (zh) * | 2018-10-26 | 2019-03-22 | 北京理工大学 | 一种装配、拆卸方法及装置 |
CN111428373A (zh) * | 2020-03-30 | 2020-07-17 | 苏州惟信易量智能科技有限公司 | 产品装配质量检测方法、装置、设备及存储介质 |
CN113269236A (zh) * | 2021-05-10 | 2021-08-17 | 青岛理工大学 | 基于多模型集成的装配体变化检测方法、设备和介质 |
Non-Patent Citations (2)
Title |
---|
冒文彦: "基于卷积神经网络的高铁线缆线夹装配质量检测技术研究", 《中国优秀硕士学位论文全文数据库》, pages 2 - 3 * |
马啸;汪祥;李宇昊;: "基于航空发动机的总装脉动生产线技术", 电子机械工程, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580562A (zh) * | 2022-03-16 | 2022-06-03 | 北京珞安科技有限责任公司 | 基于工艺流程的异常数据检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113743342B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10991088B2 (en) | Defect inspection system and method using artificial intelligence | |
CN108090458B (zh) | 人体跌倒检测方法和装置 | |
CN106650662B (zh) | 目标对象遮挡检测方法及装置 | |
CN109344864B (zh) | 用于密集物体的图像处理方法及装置 | |
US11080844B2 (en) | System and method for testing an electronic device | |
CN112052815B (zh) | 一种行为检测方法、装置及电子设备 | |
CN110399831B (zh) | 一种巡检方法及装置 | |
CN108107226B (zh) | 基于ppc软体的aoi多工位系统及方法 | |
CN111476191A (zh) | 基于智慧交通的人工智能图像处理方法及大数据云服务器 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN110177258A (zh) | 图像处理方法、装置、服务器及存储介质 | |
CN113743342B (zh) | 一种装配流程检测的方法、系统、终端及存储介质 | |
US20130258063A1 (en) | Computing device and method for automatically inspecting quality of products on an automatic production line | |
US20170178329A1 (en) | Determining values of angular gauges | |
CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
CN111723767B (zh) | 一种图像处理方法、装置及计算机存储介质 | |
CN110969173A (zh) | 目标分类方法及装置 | |
JP2021163293A (ja) | 作業分析装置及び作業分析プログラム | |
CN114627435B (zh) | 基于图像识别的智能灯光调节方法、装置、设备及介质 | |
CN116580432A (zh) | 一种在线考试监控方法、系统、计算设备及存储介质 | |
US11893791B2 (en) | Pre-processing image frames based on camera statistics | |
CN114730487A (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
CN113568840B (zh) | 一种识别过渡绘制的方法和系统 | |
CN112859191B (zh) | 一种输出模式生成方法、响应系统及传感器设备 | |
CN112597821A (zh) | 一种机械臂动作识别方法、系统、终端及存储介质 |
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 |