CN114742850A - 基于ugnx模型分析的电极形体自动识别的实现方法 - Google Patents
基于ugnx模型分析的电极形体自动识别的实现方法 Download PDFInfo
- Publication number
- CN114742850A CN114742850A CN202210247599.3A CN202210247599A CN114742850A CN 114742850 A CN114742850 A CN 114742850A CN 202210247599 A CN202210247599 A CN 202210247599A CN 114742850 A CN114742850 A CN 114742850A
- Authority
- CN
- China
- Prior art keywords
- electrode
- model
- image
- ugnx
- model analysis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 230000008569 process Effects 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 39
- 238000007781 pre-processing Methods 0.000 description 20
- 230000004044 response Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 101100517192 Arabidopsis thaliana NRPD1 gene Proteins 0.000 description 1
- 101150094905 SMD2 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于UGNX模型分析的电极形体自动识别的实现方法,涉及电极识别技术领域。本发明包括如下步骤:分析电极模型,查找电极基座和电极头;设定电极转正坐标系并对电极模型自动转正;分析电极头,使用颜色标记分析结果。本发明通过设定电极转正坐标系,提高模型自动转正的速率和对电极基座与电极头位置记录的准确性,通过使用颜色标记分析结果,便于设计师对比观察处理的正确性,也便于后续对模型处理的识别工作,通过分析电极模型,提高对电极模型的识别速率,降低设计师肉眼识别的工作量,减少对后续电极编程和检测产生的影响。
Description
技术领域
本发明属于电极识别技术领域,特别是涉及一种基于UGNX模型分析的电极形体自动识别的实现方法。
背景技术
在电极自动编程(CNC)和自动检测(CMM)中,需要准确的分析电极形体特征,查找电极基座和电极头,进而采取不同的策略生成CAM程式和CMM检测点,其中,CAM(ComputerAided Manufacturing,计算机辅助制造)主要是指:通过直接或间接地把计算机与制造过程和生产设备相联系,用计算机系统进行制造过程的计划、管理以及对生产设备的控制与操作的运行,处理产品制造过程中所需的数据,控制和处理物料(毛坯和零件等)的流动,对产品进行测试和检验等,而CMM(the Capability Maturity Model for software,软件能力成熟度模型)过程是生产产品的机制,不论是过程改善还是能力确定,均需要过程评估,而过程评估通常基于已提出的一些评估模型。
目前的电极形体分析完全依赖于设计师的经验,设计师根据以往经验凭肉眼观察,但是此方法效率低下,且对后续电极编程和检测也会产生很大影响。
发明内容
本发明的目的在于提供一种基于UGNX模型分析的电极形体自动识别的实现方法,解决了目前的电极形体分析完全依赖于设计师的经验,设计师根据以往经验凭肉眼观察,但是此方法效率低下,且对后续电极编程和检测也会产生很大影响的技术问题。
为达上述目的,本发明是通过以下技术方案实现的:
一种基于UGNX模型分析的电极形体自动识别的实现方法,包括如下步骤:
计算机分析电极模型,查找电极基座和电极头;
计算机设定电极转正坐标系并对电极模型自动转正;
计算机分析电极头,使用颜色标记分析结果。
可选的,计算机分析电极模型过程中,对每个电极生成专属的条形码编号,并将两者之间的对应关系上传到局域网的数据库中。
可选的,分析电极模型时,计算机采集各角度电极表面的图像,得到原始图像,采用直方图均衡化增加原始图像的对比度,以提升图像质量,并显示处理后的原始图像,对处理后的图像进行图像识别过程,依次经过边缘检测、图像分割和形态学运算,完成识别的准备工作。
可选的,基于原始图像将电极表面分为若干个部分,选定一个部分并基于该部分的所有关联图像进行边缘检测,将检测出的边缘标出后得到边缘标记图像,沿着标出的边缘,分割出电极基座和电极头,以二值化图像表示分割出的电极基座区域、电极头区域以及其他区域,图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程,在数字图像处理中,二值图像占有非常重要的地位,图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓,将25个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像,在数字图像处理中,二值图像占有非常重要的地位,首先,图像的二值化有利于图像的进一步处理,使图像变得简单,而且数据量减小,能凸显出感兴趣的目标的轮廓,其次,要进行二值图像的处理与分析,首先要把灰度图像二值化,得到二值化图像,重复步骤3-5次对电极基座区域和电极头区域的识别检测,计算机对结果进行比对后整合,完成对所有电极基座和电极头的识别标记,图像分割后,用二值化图像显示电极基座和电极头区域,电极基座区域可以显示为深色,电极头区域显示为浅色,同时也可以通过图像取反将电极基座区域显示为浅色,电极头区域显示为深色,随后对图像先进行形态学运算消除其他区域,然后再进行膨胀运算(膨胀运算也属于形态学运算的一种,因此也可理解为进行了两次形态学运算)以使电极基座和电极头区域全面完整的覆盖对应的电极基座和电极头,最终得到完整的电极基座和电极头图像。
可选的,计算机根据基座长短边确定XY轴矢量方向,定义电极形体转正坐标系,根据转正坐标系对电极形体进行转正,计算机对电极头的外观形状、材料特性、裸漏面积、抗断裂性进行综合分析,计算机输出电极头形体信息,并根据特性自动使用不同的颜色进行区分标记,识别的结构可供电极自动编程和电极自动出点使用,可根据外观形状进行颜色区分,也可根据材料特性进行颜色区分等等,例如此类使用一种电极头特性作为参考进行颜色区分标记,或者将电极头的多种特性综合作为区分标准。
本发明的实施例具有以下有益效果:
本发明的一个实施例通过设定电极转正坐标系,提高模型自动转正的速率和对电极基座与电极头位置记录的准确性,通过使用颜色标记分析结果,便于设计师对比观察计算机处理的正确性,也便于计算机后续对模型处理的识别工作,通过分析电极模型,提高对电极模型的识别速率,降低设计师肉眼识别的工作量,减少对后续电极编程和检测产生的影响。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例的电极形体自动识别步骤结构示意图;
图2为本发明一实施例的电极形体自动识别流程结构示意图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
为了保持本发明实施例的以下说明清楚且简明,本发明省略了已知功能和已知部件的详细说明。
请参阅图1-2所示,在本实施例中提供了一种基于UGNX模型分析的电极形体自动识别的实现方法,包括如下步骤:
S1、计算机分析电极模型,查找电极基座和电极头;
S2、计算机设定电极转正坐标系并对电极模型自动转正;
S3、计算机分析电极头,使用颜色标记分析结果。
本实施例一个方面的应用为:计算机先分析电极模型,查找基座形体,根据基座长短边确定XY轴矢量方向,定义电极形体转正坐标系,然后根据转正坐标系对电极形体进行转正,分析电极头,解析电极头形体特征,输出电极头形体信息,自动颜色标记,最后将识别的结构供电极自动编程和电极自动出点使用。需要注意的是,本申请中所涉及的用电设备均可通过蓄电池供电或外接电源。
通过设定电极转正坐标系,提高模型自动转正的速率和对电极基座与电极头位置记录的准确性,通过使用颜色标记分析结果,便于设计师对比观察计算机处理的正确性,也便于计算机后续对模型处理的识别工作,通过分析电极模型,提高对电极模型的识别速率,降低设计师肉眼识别的工作量,减少对后续电极编程和检测产生的影响。
如图1所示,本实施例的计算机分析电极模型过程中,对每个电极生成专属的条形码编号,并将两者之间的对应关系上传到局域网的数据库中。
如图1所示,本实施例的分析电极模型时,计算机采集各角度电极表面的图像,得到原始图像,先对图像进行预处理,然后对图像进行优化处理。采用直方图均衡化增加原始图像的对比度,以便于识别图像的边缘,并显示处理后的原始图像,对处理后的图像进行图像识别过程,依次经过边缘检测、图像分割和形态学运算,完成识别的准备工作。
如图1所示,本实施例的基于原始图像将电极表面分为若干个部分,选定一个部分并基于该部分的所有关联图像进行边缘检测,将检测出的边缘标出后得到边缘标记图像。沿着标出的边缘,分割出电极基座和电极头,以二值化图像表示分割出的电极基座区域、电极头区域以及其他区域,图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程,在数字图像处理中,二值图像占有非常重要的地位,图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓,将25个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像,在数字图像处理中,二值图像占有非常重要的地位,首先,图像的二值化有利于图像的进一步处理,使图像变得简单,而且数据量减小,能凸显出感兴趣的目标的轮廓,其次,要进行二值图像的处理与分析,首先要把灰度图像二值化,得到二值化图像。
如图1所示,本实施例的重复步骤3-5次对电极基座区域和电极头区域的识别检测,计算机对结果进行比对后整合,完成对所有电极基座和电极头的识别标记,图像分割后,用二值化图像显示电极基座和电极头区域,电极基座区域可以显示为深色,电极头区域显示为浅色,同时也可以通过图像取反将电极基座区域显示为浅色,电极头区域显示为深色,随后对图像先进行形态学运算消除其他区域,然后再进行膨胀运算(膨胀运算也属于形态学运算的一种,因此也可理解为进行了两次形态学运算)以使电极基座和电极头区域全面完整的覆盖对应的电极基座和电极头,最终得到完整的电极基座和电极头图像,对各个电极基座、电极头生成专属的条形码编号,并将两者之间的对应关系以及和电极的关系上传到局域网的数据库中,电极基座条形码包括电极基座的长宽高尺寸、倒角尺寸、位置坐标等信息。
如图2所示,本实施例的计算机根据基座长短边确定XY轴矢量方向,定义电极形体转正坐标系,根据转正坐标系对电极形体进行转正。
如图1所示,本实施例的计算机对电极头的外观形状、材料特性、裸漏面积、抗断裂性进行综合分析,也可设定其中一项进行专项分析。
如图2所示,本实施例的计算机输出电极头形体信息,并根据特性自动使用不同的颜色进行区分标记,识别的结构可供电极自动编程和电极自动出点使用,可根据外观形状进行颜色区分,也可根据材料特性进行颜色区分,例如此类使用一种电极头特性作为参考进行颜色区分标记,或者将电极头的多种特性综合作为区分标准。
实施例1:
本实施例对原始图像进行预处理步骤包括:主控节点获取数据库中所有边缘计算装置在各个周期内进行图像预处理的平均CPU利用率和动作平均响应时间;主控节点通过负载预测模型计算出每个边缘计算装置下一个周期的状态;主控节点通过负载预测模型计算出每个边缘计算装置下一个周期的状态;主控节点对每个边缘计算装置下一个周期的图像预处理动作进行调度;边缘计算装置按照主控节点的指令执行图像预处理,并反馈各个动作响应时间和CPU利用率;主控节点整合所有边缘计算装置预处理后的图像。
预处理动作依次为:首先,判断图像是否失焦:对图像的横向及纵向分别做差分,并累积差分,当差分总值超过阈值时判断为失焦,并删除该图像;然后,进行图像质量评价:对一个周期内所有图像进行图像质量评价,保留质量较好的图像;最后,进行图像识别:通过滑动窗口计算每个区域面的方向梯度特征,与物体的特征比对进行分类,判断是否有物体,如果有物体,则对物体的边缘和尖端特征进行进一步的提取。
图像质量评价方法可以为:根据Tenengrad梯度、Laplacian梯度、SMD(灰度方差)、SMD2(灰度方差乘积)等方法。
负载预测模型为根据每一个边缘计算装置图像预处理各个周期内的平均CPU利用率,建立与之对应的一阶马尔科夫预测模型;根据CPU利用率将预测的状态分为:过载O、普通N、低负载U,生成如下状态转移概率矩阵:
PUU代表在上一个周期低负载状态转移到下一个周期低负载状态的概率,PNU代表在上一个周期普通状态转移到下一个周期低负载状态的概率,POU代表在上一个周期过载状态转移到下一个周期低负载状态的概率,PUN代表在上一个周期低负载状态转移到下一个周期普通状态的概率,PNN代表在上一个周期普通状态转移到下一个周期普通状态的概率,PON代表在上一个周期过载状态转移到下一个周期普通状态的概率,PUO代表在上一个周期低负载状态转移到下一个周期过载状态的概率,PNO代表在上一个周期普通状态转移到下一个周期过载状态的概率,POO代表在上一个周期过载状态转移到下一个周期过载状态的概率。
响应预测模型可以为对整个边缘图像处理系统各个图像预处理周期的动作平均响应时间分别建立一个响应时间预测模型,也可以为对每个边缘计算装置各个图像预处理周期的动作平均响应时间分别建立一个响应时间预测模型。
响应时间预测模型可以为卡尔曼滤波器、粒子滤波器、ARMAX模型(Autoregressive moving-average model with exogenous inputs)等。
主控节点对每个边缘计算装置下一个周期的图像预处理动作进行调度的步骤为:主控节点根据负载预测模型结果将下一周期中过载边缘计算装置的预处理动作全部迁移到空载边缘计算装置进行处理;主控节点根据响应预测模型将下一周期中边缘计算装置响应超时的预处理动作迁移到边缘计算装置响应时间有盈余的边缘计算装置;在边缘装置内部迁移确保不过载和不超时的前提下,将所有边缘计算装置来不及进行的预处理动作迁移到主控节点进行处理。
边缘图像处理系统由主控节点和至少一个边缘计算装置通过网络、蓝牙或USB中的一种或多种连接构成,还包括常规的外设接口(USB接口)、网络模块、供电模块、蓝牙模块等,主控节点可以为云服务器或者边缘计算装置节点,边缘计算装置带有图像处理器且与图像输入装置相连接。
主控节点包括:资源管理模块:用于收集分布式边缘计算中,边缘计算装置管理模块上传的节点状态信息,包括节点内存状态、CPU状态、GPU状态、正在运行任务信息、响应时间等;任务管理模块:用于下发图像预处理任务到边缘计算装置并完成调度;数据预处理模块:用于预处理和切分执行任务数据;结果汇聚模块:用于收集各个边缘计算装置运算模块的分析结果,并根据序号整理结果集;输出模块:用于将分析结果集输出到应用层。
边缘计算装置包括:节点管理模块,用于收集所在边缘计算装置状态信息,包括内存状态、CPU状态、GPU状态、正在运行任务信息,以及接收运算任务,启动运算模块并将具体运算参数传递到运算模块,运算模块用于具体执行图像预处理算法。
构建边缘图像处理系统,将图像预处理整个简单的任务从图像处理整个任务中提取到边缘计算装置端来处理,并通过建立负载预测模型和负载预测模型,实现了图像预处理的边缘计算和边缘计算装置的优化配置,提高了计算资源的利用率,节省了数据的传输时间和成本,降低数据延迟。
实施例2:
本实施例对原始图像进行优化处理步骤包括:提取待处理的图像;确定图像的质量特征;将图像和质量特征输入图像处理模型,以及根据图像处理模型的输出,确定图像的优化图像。
根据待处理的图像的初始特征,选择图像处理模型,其中,初始特征包括与图像中的对象有关的特征、与获取图像的扫描类型和/或获取图像的重建算法有关的特征中的至少一个。
质量特征包括图像的噪声特征、伪影特征、灰度分布、全局灰度、分辨率和对比度中的至少一个。
噪声特征包括噪声分布、噪声强度和噪声率中的至少一个;和/或伪影特征包括伪影分布、伪影强度和伪影率中的至少一个。
获得图像处理模型的训练过程包括:获取多组训练样本,多组训练样本中的一组至少包括:样本图像、样本图像的质量特征;获得图像处理模型的训练过程包括:获取多组训练样本,多组训练样本中的一组至少包括:样本图像、样本图像的质量特征。
样本质量特征包括样本图像的样本噪声特征、样本伪影特征、样本灰度分布、样本全局灰度、样本分辨率和样本对比度中的至少一个。
样本噪声特征包括样本噪声分布、样本噪声强度和样本噪声率中的至少一个;和/或样本伪影特征包括样本伪影分布、样本伪影强度和样本伪影率中的至少一个。
质量权重与样本分辨率正相关,质量权重与样本噪声强度负相关,质量权重与样本伪影强度负相关;和/或质量权重与样本对比度负相关。
获得图像处理模型的训练过程包括:获取多个与扫描设备类型有关的合格图像;对多个合格图像进行处理,生成多个样本图像,其中,处理包括分割、添加噪声或/和添加伪影中的至少一个;以及根据多个样本图像及其对应的多个样本质量特征,训练初始图像处理模型,得到图像处理模型。
获得图像处理模型的训练过程包括:获取多个与对象类型有关的合格图像;对多个合格图像进行处理,生成多个样本图像,其中,处理包括分割、添加噪声或/和添加伪影中的至少一个;以及根据多个样本图像及其对应的多个样本质量特征,训练初始图像处理模型,得到图像处理模型。
图像处理模型为深度学习模型,深度学习模型包括深度神经网络(DNN)模型、多层神经网络(MLP)模型、卷积神经网络(CNN)模型、生成对抗神经网络(GAN)模型,和/或深层卷积编码解码(DCED)神经网络模型。
实施例2:
本实施例图像分割的方法为:获取多个相关的参考图像;对获取的多个参考图像进行配准;根据配准后的多个参考图像上不同边缘的特征,标注多个参考图像的边缘;根据处理图像边缘确定配准后多个参考图像上的控制点;根据多个参考图像上的多个控制点,获得处理图像的控制点;以及根据处理图像的控制点,识别需标记的模型区域。
模型包括一个或多个第二边缘,获取一个模型进一步包括根据模型的控制点与模型中一个或多个第二边缘的关系,生成模型的控制点的关联因子。
图像分割方法进一步包括:获取处理图像数据;根据图像数据重建图像,其中,图像包括一个或多个第一边缘;根据一个或多个第一边缘和一个或多个第二边缘,匹配模型与重建后的图像;以及根据一个或多个第一边缘,调整模型的一个或多个第二边缘。
调整模型的一个或多个第二边缘包括:对第二边缘进行相似性变换;根据关联因子,对第二边缘进行仿射变换;或根据一个能量函数,对第二边缘进行微调。
上述实施例可以相互结合。
需要说明的是,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,以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
在本发明的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
Claims (10)
1.一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,包括如下步骤:
分析电极模型,查找电极基座和电极头;
设定电极转正坐标系并对电极模型自动转正;
分析电极头,使用颜色标记分析结果。
2.如权利要求1所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,分析电极模型过程中,对每个电极生成专属的条形码编号,并将两者之间的对应关系上传到局域网的数据库中。
3.如权利要求2所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,分析电极模型时,采集各角度电极表面的图像,得到原始图像。
4.如权利要求3所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,采用直方图均衡化增加原始图像的对比度,并显示处理后的原始图像。
5.如权利要求4所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,基于原始图像将电极表面分为若干个部分,选定一个部分并基于该部分的所有关联图像进行边缘检测,将检测出的边缘标出后得到边缘标记图像。
6.如权利要求5所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,沿着标出的边缘,分割出电极基座和电极头,以二值化图像表示分割出的电极基座区域、电极头区域以及其他区域。
7.如权利要求6所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,重复步骤3-5次对电极基座区域和电极头区域的识别检测,对结果进行比对后整合,完成对所有电极基座和电极头的识别标记。
8.如权利要求1所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,根据基座长短边确定XY轴矢量方向,定义电极形体转正坐标系,根据转正坐标系对电极形体进行转正。
9.如权利要求1所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,对电极头的外观形状、材料特性、裸漏面积、抗断裂性进行综合分析。
10.如权利要求1所述的一种基于UGNX模型分析的电极形体自动识别的实现方法,其特征在于,输出电极头形体信息,并根据特性自动使用不同的颜色进行区分标记,识别的结构供电极自动编程和电极自动出点使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247599.3A CN114742850A (zh) | 2022-03-14 | 2022-03-14 | 基于ugnx模型分析的电极形体自动识别的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247599.3A CN114742850A (zh) | 2022-03-14 | 2022-03-14 | 基于ugnx模型分析的电极形体自动识别的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742850A true CN114742850A (zh) | 2022-07-12 |
Family
ID=82274702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210247599.3A Pending CN114742850A (zh) | 2022-03-14 | 2022-03-14 | 基于ugnx模型分析的电极形体自动识别的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115373650A (zh) * | 2022-07-29 | 2022-11-22 | 深圳模德宝科技有限公司 | 基于侧绑电极的程式加工编程、检测和放电加工实现方法 |
-
2022
- 2022-03-14 CN CN202210247599.3A patent/CN114742850A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115373650A (zh) * | 2022-07-29 | 2022-11-22 | 深圳模德宝科技有限公司 | 基于侧绑电极的程式加工编程、检测和放电加工实现方法 |
CN115373650B (zh) * | 2022-07-29 | 2023-11-03 | 深圳模德宝科技有限公司 | 基于侧绑电极的程序加工编程、检测和放电加工实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
CN110751022A (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN112288706A (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN113989944B (zh) | 操作动作识别方法、装置及存储介质 | |
CN111091080A (zh) | 人脸识别方法及系统 | |
CN110942050A (zh) | 一种基于图像处理的自动售卖机商品识别系统 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
Meng et al. | Woven fabric density measurement by using multi-scale convolutional neural networks | |
TW202201275A (zh) | 手部作業動作評分裝置、方法及電腦可讀取存儲介質 | |
CN114742850A (zh) | 基于ugnx模型分析的电极形体自动识别的实现方法 | |
CN105404866A (zh) | 一种多模式自动实施人体状态感知的实现方法 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
CN105631410B (zh) | 一种基于智能视频处理技术的课堂检测方法 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
CN112801013B (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 | |
CN115187878A (zh) | 基于无人机图像分析的风力发电装置叶片缺陷检测方法 | |
CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 | |
CN113269052A (zh) | 价签识别方法、终端、存储装置 |
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 |