CN114937028A - 一种智能标识识别的直线滑台模组质量检测方法及系统 - Google Patents
一种智能标识识别的直线滑台模组质量检测方法及系统 Download PDFInfo
- Publication number
- CN114937028A CN114937028A CN202210702537.7A CN202210702537A CN114937028A CN 114937028 A CN114937028 A CN 114937028A CN 202210702537 A CN202210702537 A CN 202210702537A CN 114937028 A CN114937028 A CN 114937028A
- Authority
- CN
- China
- Prior art keywords
- quality inspection
- image sequence
- quality
- sliding table
- table module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 238000007689 inspection Methods 0.000 claims abstract description 205
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 102
- 238000012549 training Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 19
- 238000012372 quality testing Methods 0.000 description 14
- 230000003068 static effect Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000003908 quality control method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 206010053615 Thermal burn Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
- G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种智能标识识别的直线滑台模组质量检测方法及系统,其中,该方法包括:获得第一直线滑台模组属性信息;基于摄像装置获得第一直线滑台模组的第一质检视频;根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;基于第一质检视频,获得第一质检图像序列和第二质检图像序列,其中第二质检图像序列为从第一质检图像序列中采样确定的;将第一质检图像序列、第二质检图像序列输入SlowFast深度特征提取模型,获得第一预测结果;根据第一预测结果,获得第一预警信息;将第一预警信息发送至第一质检人员,进行第一直线滑台模组的快速维修。
Description
技术领域
本发明涉及智能制造相关技术领域,具体涉及一种智能标识识别的直线滑台模组质量检测方法及系统。
背景技术
直线滑台模组为应用于智能化自动生产中的传动元件,通过各个单元的组合实现产品或负载的直线或曲线运动,使自动化生产更为灵活。
直线滑台模组在生产过程中持续高速运行,由于电路、负载、环境等因素会产生一定的质量问题,目前对于直线滑台模组的质量检测主要通过现场设备人员进行周期检修为主。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中直线滑台模组质量检测过程中人工参与度较高,受检修人员主观影响,容易导致无法及时检测出潜在的质量问题,存在着直线滑台模组质量检测不够智能高效的技术问题。
发明内容
本申请实施例提供了一种智能标识识别的直线滑台模组质量检测方法及系统,用于针对解决现有技术中企业信息安全管理的方法存在一定的局限性,在通过人工检测业信息系统内的信息安全性时,无法对所有设备终端进行统一准确的检测,存在着信息安全性不足的技术问题。
鉴于上述问题,本申请实施例提供了一种智能标识识别的直线滑台模组质量检测方法及系统。
本申请实施例的第一个方面,提供了一种智能标识识别的直线滑台模组质量检测方法,所述方法应用于一种智能标识识别的直线滑台模组质量检测系统,所述系统与一摄像装置通信连接,所述方法包括:获得第一直线滑台模组属性信息;基于所述摄像装置获得所述第一直线滑台模组的第一质检视频;根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;基于所述第一质检视频,获得第一质检图像序列和第二质检图像序列,其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的;将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果;根据所述第一预测结果,获得第一预警信息;将所述第一预警信息发送至第一质检人员,进行所述第一直线滑台模组的快速维修。
本申请实施例的第二个方面,提供了一种智能标识识别的直线滑台模组质量检测系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一直线滑台模组属性信息;第二获得单元,所述第二获得单元用于基于摄像装置获得所述第一直线滑台模组的第一质检视频;第一构建单元,所述第一构建单元用于根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;第三获得单元,所述第三获得单元用于基于所述第一质检视频,获得第一质检图像序列和第二质检图像序列,其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的;第一处理单元,所述第一处理单元用于将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果;第二处理单元,所述第二处理单元用于根据所述第一预测结果,获得第一预警信息;第三处理单元,所述第三处理单元用于将所述第一预警信息发送至第一质检人员,进行所述第一直线滑台模组的快速维修。
本申请实施例的第三个方面,提供了一种智能标识识别的直线滑台模组质量检测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如第一方面所述方法的步骤。
本申请实施例的第四个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的技术方案通过获得直线滑台模组的属性信息,并基于摄像装置获得直线滑台模组运转过程中的第一质检视频,根据第一质检视频获得第一质检图像序列和第二质检图像序列,分别将第一质检图像序列和第二质检图像序列输入基于SlowFast神经网络构建设计的SlowFast深度特征提取模型,分别根据Slow特征提取子网络和Fast特征提取子网络进行特征提取分析,获得直线滑台模组运转过程中的第一预测结果,进而获得第一预警信息,对该直线滑台模组进行检修。本申请实施例通过基于机器视觉的工业相机获取直线滑台模组运转过程中的质检视频,能够获取更为精准、图像质量更高的视频,提升质量检测准确性,避免图像质量不佳导致误检,并通过将质检视频划分为不同的质检图像序列,输入通过SlowFast神经网络构建的深度特征提取模型,卷积提取获得Slow通道和Fast通道内不同的特征,进而得到基于图像获得的质量检测结果,构建了智能化的直线滑台模组的质量检测方法,能够检测出高速运转过程中直线滑台模组内丝杆等静态部分和滑台等高速移动部分潜在的质量问题,提升质量检测准确性,降低人工参与度,达到智能化以及更为准确地进行直线滑台模组质量检测的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供的一种智能标识识别的直线滑台模组质量检测方法流程示意图;
图2为本申请实施例提供的一种智能标识识别的直线滑台模组质量检测方法中构建SlowFast深度特征提取模型流程示意图;
图3为本申请实施例提供的一种智能标识识别的直线滑台模组质量检测方法中获得的第一预测结果流程示意图;
图4为本申请实施例提供了一种智能标识识别的直线滑台模组质量检测系统结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一构建单元13,第三获得单元14,第一处理单元15,第二处理单元16,第三处理单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种智能标识识别的直线滑台模组质量检测方法及系统,用于针对解决现有技术中直线滑台模组质量检测过程中人工参与度较高,受检修人员主观影响,容易导致无法及时检测出潜在的质量问题,存在着直线滑台模组质量检测不够智能高效的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
获得第一直线滑台模组属性信息;基于摄像装置获得所述第一直线滑台模组的第一质检视频;根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;基于所述第一质检视频,获得第一质检图像序列和第二质检图像序列,其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的;将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果;根据所述第一预测结果,获得第一预警信息;将所述第一预警信息发送至第一质检人员,进行所述第一直线滑台模组的快速维修。在介绍了本申请基本原理后,下面,将参考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,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请实施例提供了一种智能标识识别的直线滑台模组质量检测方法,所述方法应用于一种智能标识识别的直线滑台模组质量检测系统,所述系统与一摄像装置通信连接,所述方法包括:
S100:获得第一直线滑台模组属性信息;
S200:基于所述摄像装置获得所述第一直线滑台模组的第一质检视频;
具体而言,本申请主要通过基于机器视觉的图像检测手段对直线滑台模组进行质量检测,上述的摄像装置用于拍摄获得待检测的运行中的直线滑台模组的质检图像,其可为现有技术中任意能够拍摄获取图像的摄像设备或它们的结合。
优选地,本申请实施例中的摄像装置为工业相机,工业相机拍摄图像的帧率较高,可拍摄获得上百帧数的图像。工业相机的快门时间非常短,可抓拍高速运动中的直线滑台模组,且成像清晰,避免曝光过度。工业相机拍摄图像的光谱范围较宽,较适合进行高质量的图像处理算法。
第一直线滑台模组即为待采用本申请实施例提供的方法进行质量检测的直线滑台模组,第一直线滑台模组的属性信息包括第一直线滑台模组的额定功率、电机型号、运转速率、行程距离等等信息,属性信息可决定第一直线滑台模组适用的范围,也可结合具有其他属性信息的直线滑台模组进行使用。本申请实施例通过获取第一直线滑台模组的属性信息,可基于该属性信息拍摄不同帧率和图像质量的质检图像,并进行不同类别或程度的质量检测和维护。
第一质检视频即为第一直线滑台模组运行过程中在上述摄像装置下拍摄获得的影像,其内包括第一直线滑台模组运行过程滑台多个循环运行的影像集合。示例性地,第一质检视频的帧数为60FPS。
S300:根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;
SlowFast神经网络的基本原理为,通过两个平行的卷积神经网络(ConvolutionalNeural Networks, CNN)分别对图像内不同的部分进行识别,两个平行的卷积神经网络分别为SlowFast神经网络内的两个通道,分别为Slow通道和Fast通道,其分别对图像中处于相对处于静态区域和相对发生变化的动态区域进行卷积分析。
在本申请实施例中,SlowFast深度特征提取模型的Slow通道对第一质检视频内丝杆和其他设备等相对处于静态的部分进行卷积特征提取,Fast通道对第一质检视频内滑台等相对处于动态的部分进行卷积特征提取,对图像进行识别归类,并识别出其中存在故障的图像,进行质量检测。
如图2所示,本申请实施例提供的方法中的步骤S300包括:
S310:将第一直线滑台模组的历史质检视频集合划分为第三质检图像序列和第四质检图像序列,其中所述第三质检图像序列为预设帧数的连续历史质检图像;
S320:将所述第三质检图像序列的首帧图像、尾帧图像和以预定间隔从第三质检图像序列中采样获得的若干质检图像作为所述第四质检图像序列,获得所述第四质检图像序列;
S330:基于所述第三质检图像序列和所述第四质检图像序列,构建第三质检图像序列训练集、第四质检图像序列训练集;
S340:获得所述第三质检图像序列对应的历史质检结果数据集,其中所述历史质检结果数据集为人工质检结果数据集;
S350:基于所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集训练所述SlowFast神经网络;
S360:当所述SlowFast神经网络的损失函数输出满足预设阈值,完成所述SlowFast神经网络模型训练。
具体而言,为构建获得SlowFast神经网络模型,需基于历史质检数据获得第一直线滑台模组的历史质检视频集合,基于历史质检视频集合构建训练SlowFast神经网络模型,能够获得未出现质量问题情况下第一直线滑台模组的图像特征信息和出现质量问题部分的第一直线滑台模组的图像特征信息,进而进行质量检测。
基于历史质检视频集合,将其划分为第三质检图像序列和第四质检图像序列,其中,第三质检图像序列为预设帧数的连续历史质检图像,第三质检图像序列的帧数小于等于连续历史质检图像的帧数。
SlowFast深度特征提取模型中的Slow通道用于识别相对处于静态部分图像的细节,通过高分辨率分析确认丝杠等静态部分设备是否存在质量问题,因此,Slow通道内进行分析处理的图像的帧数较低,但分辨率较高,更为细腻。Fast通道用于识别相对处于动态部分图像的变化,通过较低分辨率的高速图像分析确认滑台等动态部分设备的运转是否存在质量问题,因此,Fast通道内进行分析处理的图像帧数较高,但分辨率较低,变化更快。示例性地,Fast通道内进行分析处理的图像帧数为Slow通道内进行分析处理的图像的帧数的8倍,但Slow通道内进行分析处理的图像的分辨率远高于Fast通道内进行分析处理的图像的分辨率,因此,Slow通道的图像分析计算量大于Fast通道,一般为4倍。同理可知,Fast通道内的卷积宽度小于Slow通道,以保持图像处理的快捷轻量化,提升对于动态部分变化速度的感知准确性。
基于上述内容,将第三质检图像序列的首帧图像、尾帧图像和以预定间隔从第三质检图像序列中采样获得的若干质检图像作为所述第四质检图像序列,并对第三质检图像序列内的图像调整分辨率,构建第三质检图像序列训练集、第四质检图像序列训练集,第四质检图像序列训练集的帧数小于第三质检图像序列训练集内图像的帧数,用于Slow通道进行卷积分析训练,第三质检图像序列训练集用于Fast通道进行卷积分析训练。
基于第三质检图像序列获得对应的历史质检结果数据集,其具体为人工质检结果数据集,其内包括历史质检数据内的人工质检结果,根据人工质检结果数据集可获得何种图像分析结果对应的第一直线滑台模组质检结果为存在质量问题。
基于第三质检图像序列训练集、第四质检图像序列训练集和质检结果数据集训练SlowFast神经网络,其中,可认为第三质检图像序列训练集和第四质检图像序列训练集为输入信息,而质检结果数据集为对应的输出信息,对SlowFast神经网络进行监督训练,待训练至SlowFast神经网络的损失函数输出满足预设阈值,则完成训练。训练完成的SlowFast深度特征提取模型可根据输入的质检视频进行卷积特征提取分析,并输出对应质检结果。
本申请实施例通过采用SlowFast神经网络,构建SlowFast深度特征提取模型,并结合历史质检图像数据和历史人工质检结果进行模型训练,使获得的SlowFast深度特征提取模型能够对质检视频内第一直线滑台模组动态和静态的部分进行针对性的特征分析,输出准确的质检结果,构建智能化的直线滑台模组图像质量检测方法,达到准确智能地基于图像数据对直线滑台模组进行质量检测的技术效果。
本申请实施例提供的方法中的步骤S360包括:
S361:构建所述SlowFast神经网络的损失函数,所述SlowFast神经网络的损失函数包括均方差损失函数;
S362:将所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集输入所述SlowFast神经网络模型,获得第一输出结果;
S363:计算所述第一输出结果与历史质检结果之间的损失函数,使用梯度下降法更新网络参数,直到满足预设阈值,完成所述SlowFast神经网络模型训练。
具体而言,为将SlowFast神经网络训练至能够在一定准确水平上根据输入质检图像输出准确质检结果,本申请实施例中构建SlowFast神经网络的损失函数,优选地,构建SlowFast神经网络的均方差损失函数MSELoss。
具体地,将第三质检图像序列训练集、第四质检图像序列训练集和历史质检结果数据集输入SlowFast神经网络模型,获得第一输出结果。SlowFast神经网络的第一输出结果为预测值s,人工质检结果数据集内的质检结果为实际值y,根据均方差损失函数计算得出误差值,并计算误差值与预测值之间的梯度,则有:
本申请实施例通过构建模型的损失函数,基于梯度下降法对模型进行优化监督训练,能够使SlowFast神经网络模型输出准确的预测结果,达到准确处理图像数据并进行质量检测的技术效果。
S400:基于所述第一质检视频,获得第一质检图像序列和第二质检图像序列,其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的;
具体而言,结合上述内容,基于第一质检视频,获得第一质检图像序列供SlowFast深度特征提取模型内的Fast通道进行处理,并从第一质检图像序列内采样获得帧数较低,分辨率更高的第二质检图像序列,供Slow通道进行处理,进行基于图像的质量检测。
S500:将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果;
具体而言,将上述的第一质检图像序列和第二质检图像序列输入训练完毕的SlowFast深度特征提取模型,获得输出信息,输出信息内即包括质量检测的预测结果,预测结果与人工质检结果即为接近,可靠性较高,能够智能化、高效率地进行质量检测,节省人工成本,降低人工主观对检测结果准确性的影响。
S600:根据所述第一预测结果,获得第一预警信息;
S700:将所述第一预警信息发送至第一质检人员,进行所述第一直线滑台模组的快速维修。
根据上述的第一预测结果及其对应可能出现的异常情况,获得第一预警信息,停止当前第一直线滑台模组的运行,质检人员对其进行快速维修,以保证生产的安全进行。
本申请实施例通过基于机器视觉的工业相机获取直线滑台模组运转过程中的质检视频,能够获取更为精准、图像质量更高的视频,提升质量检测准确性,避免图像质量不佳导致误检,并通过将质检视频划分为不同的质检图像序列,输入通过SlowFast神经网络构建的深度特征提取模型,卷积提取获得Slow通道和Fast通道内不同的特征,进而得到基于图像获得的质量检测结果,本申请实施例构建了智能化的直线滑台模组的质量检测方法,能够检测出高速运转过程中直线滑台模组内丝杆等静态部分和滑台等高速移动部分潜在的质量问题,提升质量检测准确性,降低人工参与度,达到智能化以及更为准确地进行直线滑台模组质量检测的技术效果。
如图3所示,本申请实施例提供的方法中的步骤S600包括:
S610:基于所述SlowFast深度特征提取模型分别对所述第一质检图像序列、所述第二质检图像序列中的所述第一直线滑台模组进行检测;
S620:判断是否出现第一异常情况、第二异常情况和第三异常情况,其中所述第一异常情况为出现异常抖动,所述第二异常情况为滚珠丝杆停转,所述第三异常情况为重复定位精度异常;
S630:若出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况,则获得第一异常结果;
S640:若未出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况,则获得第一正常结果;
S650:将所述第一异常结果或所述第一正常结果作为所述第一预测结果。
具体而言,第一预测结果除了包括第一直线滑台模组是否存在质量问题以外,还包括第一直线滑台模组存在哪一类质量问题,示例性地,包括:滚珠丝杆卡转、模组异常抖动、滑台行走距离变化、重复定位精度异常等,与人工质检结果一一对应。在对SlowFast深度特征提取模型进行训练的过程中,可将上述质量问题是否发生对应的图像结合是否存在质量问题作为人工质检结果数据集进行训练,使SlowFast深度特征提取模型的预测结果中包括上述信息。
在基于SlowFast深度特征提取模型对第一质检图像序列和第二质检图像序列进行质检分析后,确认第一直线滑台模组是否存在第一异常情况、第二异常情况和第三异常情况中的一种或多种,其中,第一异常情况为出现异常抖动,第二异常情况为滚珠丝杆停转,第三异常情况为重复定位精度异常。
若预测结果中出现上述的第一异常情况、第二异常情况和第三异常情况中的任意一种或多种,则获得第一异常结果。若为出现上述第一异常情况、第二异常情况和第三异常情况中的任意一种,则获得第一正常结果,第一异常结果和第一正常结果即为预测结果中是够出现质量问题的部分,将第一异常结果或第一正常结果作为第一预测结果进行输出。
本申请实施例提供的方法所应用的智能标识识别的直线滑台模组质量检测系统还与一温度传感器和一声音采集装置通讯连接,该方法还包括步骤S800,步骤S800包括:
S810:基于所述温度传感器实时采集所述第一直线滑台模组的电机温度,获得所述第一直线滑台模组的第一作业温度;
S820:基于所述声音采集装置实时采集所述第一直线滑台模组的声音信息,获得第一作业噪音信息;
S830:获得预设温度阈值,若所述第一作业温度超出所述预设温度阈值,获得第二预警信息;
S840:获得预设噪音阈值,若所述第一作业噪音信息超出所述预设噪音阈值,获得第三预警信息。
除了根据质检图像进行影像层面地质量检测分析以外,直线滑台模组在运行过程中还会出现部分无法通过图像检测获知的质量问题,例如电机严重发烫等问题。因此,还需从其他质检信息层面进行直线滑台模组的质量检测。
具体而言,基于上述的温度传感器实时采集第一直线滑台模组的电机温度,获得第一直线滑台模组的第一作业温度。以及,通过声音采集装置实时采集第一直线滑台模组的声音信息,获得第一作业噪音信息。然后,基于历史质检数据,根据直线滑台模组运行标准设置预设温度阈值和预设噪音阈值,若第一作业温度超出预设温度阈值,获得第二预警信息,若第一作业噪音信息超出预设噪音阈值,获得第三预警信息。
根据上述的第二预警信息和第三预警信息,质检人员可进行更为精确高效率地检修。本申请实施例扩展了直线滑台模组质量检测的维度,可从图像、温度、噪音三个层级对直线滑台模组进行质量检测,提升质量检测准确性。
本申请实施例提供的方法中的步骤S650之后,还包括步骤S660,步骤S660包括:
S661:若出现所述第一异常情况和/或所述第二异常情况,则对异常情况的持续时间进行判断;
S662:基于所述第一异常情况和所述第二异常情况,获得第一时间和第二时间,所述第一时间与所述第一异常情况对应,所述第二时间与所述第二异常情况对应;
S663:若出现所述第三异常情况,则对定位偏差进行判断,获得第一偏差距离;
S664:根据所述第一时间、所述第二时间和所述第一偏差距离,生成第二预测结果;
S665:基于所述第二预测结果,获得第四预警信息。
具体而言,在根据第一质检图像进行质量检测得知第一直线滑台模组是否存在质量问题以及相应的质量问题种类后,还可获取质量问题的严重程度。
具体地,若出现第一异常情况和/或第二异常情况,则对异常情况的持续时间进行判断,判断出现模组异常抖动和滚珠丝杆停转的持续时间,可通过第一质检图像内第一帧出现第一异常情况和/或第二异常情况的时间至当前时间的时间跨度获得相对应地第一时间和第二时间。其中,第一时间与第一异常情况对应,第二时间与第二异常情况对应。
若出现第三异常情况,则对定位偏差进行判断,获得第一偏差距离。其可通过第一质检图像内对滑台进行分类获取,并获取其移动位置,然后与预设运转位置进行比对,进行定位偏差的判断分析,得到第一偏差距离。
根据上述的第一时间、第二时间和第一偏差距离,生成第二预测结果,然后根据第二预测结果,获得第四预警信息,供质检人员进行检修。第二预测结果相较于第一预测结果维度更广,信息更广泛,能够供质检人员根据上述的第一时间、第二时间和第一偏差距离进行针对性地、不同严重程度的维修,无需质检人员自行检查判断,达到提升直线滑台模组质量检测维修准确性和效率的技术效果。
本申请实施例提供的方法还包括步骤S900,步骤S900包括:
S910:根据所述第一直线滑台模组属性信息,获得第一期望应用环境;
S920:基于所述第一期望应用环境,对第一车间环境进行评估,获得第一评估结果;
S930:将所述第一评估结果发送至所述第一质检人员,进行所述第一直线滑台模组的定期维护。
具体而言,根据第一直线滑台模组的属性信息,获取其应用的领域及行业,并获取该领域或行业对应的符合生产质量标准的生产环境信息,作为第一期望应用环境。第一期望应用环境包括利于第一直线滑台模组质量的环境信息,示例性地,包括湿度、油污和灰尘等信息。然后基于标准的第一期望应用环境对实际第一直线滑台模组运行的第一车间环境进行评估,获得第一评估结果。
第一评估结果包括对于第一车间环境各项环境指数的评分,示例性地,包括车间环境的湿度、是否存在油污以及灰尘含量等,具体可采用湿度计、空气悬浮物测量装置进行评估测量。将第一评估结果发送至第一质检人员,若评估结果内的评分较低,则第一质检人员可根据该第一评估结果对第一直线滑台模组以及车间环境进行定期的维护处理,例如除尘、除湿等。
本申请实施例通过根据直线滑台模组的运行车间环境,对环境信息进行评估,获得当前车间环境是否利于直线滑台模组质量的评估信息,并供质检人员进行维护,能够有效提升直线滑台模组的运行寿命。
综上所述,本申请实施例通过基于机器视觉的工业相机获取直线滑台模组运转过程中的质检视频,能够获取更为精准、图像质量更高的视频,提升质量检测准确性,避免图像质量不佳导致误检,并通过将质检视频划分为不同的质检图像序列,输入通过SlowFast神经网络构建的深度特征提取模型,卷积提取获得Slow通道和Fast通道内不同的特征,进而得到基于图像获得的质量检测结果,构建了智能化的直线滑台模组的质量检测方法,能够检测出高速运转过程中直线滑台模组内丝杆等静态部分和滑台等高速移动部分潜在的质量问题,提升质量检测准确性,降低人工参与度,达到智能化以及更为准确地进行直线滑台模组质量检测的技术效果。
实施例二
基于与前述实施例中一种智能标识识别的直线滑台模组质量检测方法相同的发明构思,如图4所示,本申请实施例提供了一种智能标识识别的直线滑台模组质量检测系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一直线滑台模组属性信息;
第二获得单元12,所述第二获得单元12用于基于摄像装置获得所述第一直线滑台模组的第一质检视频;
第一构建单元13,所述第一构建单元13用于根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;
第三获得单元14,所述第三获得单元14用于基于所述第一质检视频,获得第一质检图像序列和第二质检图像序列,其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的;
第一处理单元15,所述第一处理单元15用于将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果;
第二处理单元16,所述第二处理单元16用于根据所述第一预测结果,获得第一预警信息;
第三处理单元17,所述第三处理单元17用于将所述第一预警信息发送至第一质检人员,进行所述第一直线滑台模组的快速维修。
进一步的,所述系统还包括:
第四获得单元,所述第四获得单元用于基于温度传感器实时采集所述第一直线滑台模组的电机温度,获得所述第一直线滑台模组的第一作业温度;
第五获得单元,所述第五获得单元用于基于声音采集装置实时采集所述第一直线滑台模组的声音信息,获得第一作业噪音信息;
第四处理单元,所述第四处理单元用于获得预设温度阈值,若所述第一作业温度超出所述预设温度阈值,获得第二预警信息;
第五处理单元,所述第五处理单元用于获得预设噪音阈值,若所述第一作业噪音信息超出所述预设噪音阈值,获得第三预警信息。
进一步的,所述系统还包括:
第六处理单元,所述第六处理单元用于基于所述SlowFast深度特征提取模型分别对所述第一质检图像序列、所述第二质检图像序列中的所述第一直线滑台模组进行检测;
第一判断单元,所述第一判断单元用于判断是否出现第一异常情况、第二异常情况和第三异常情况,其中所述第一异常情况为出现异常抖动,所述第二异常情况为滚珠丝杆停转,所述第三异常情况为重复定位精度异常;
第六获得单元,所述第六获得单元用于若出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况,则获得第一异常结果;
第七获得单元,所述第七获得单元用于若未出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况,则获得第一正常结果;
第七处理单元,所述第七处理单元用于将所述第一异常结果或所述第一正常结果作为所述第一预测结果。
进一步的,所述系统还包括:
第八处理单元,所述第八处理单元用于将第一直线滑台模组的历史质检视频集合划分为第三质检图像序列和第四质检图像序列,其中所述第三质检图像序列为预设帧数的连续历史质检图像;
第九处理单元,所述第九处理单元用于将所述第三质检图像序列的首帧图像、尾帧图像和以预定间隔从第三质检图像序列中采样获得的若干质检图像作为所述第四质检图像序列,获得所述第四质检图像序列;
第二构建单元,所述第二构建单元用于基于所述第三质检图像序列和所述第四质检图像序列,构建第三质检图像序列训练集、第四质检图像序列训练集;
第八获得单元,所述第八获得单元用于获得所述第三质检图像序列对应的历史质检结果数据集,其中所述历史质检结果数据集为人工质检结果数据集;
第十处理单元,所述第十处理单元用于基于所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集训练所述SlowFast神经网络;
第十一处理单元,所述第十一处理单元用于当所述SlowFast神经网络的损失函数输出满足预设阈值,完成所述SlowFast神经网络模型训练。
进一步的,所述系统还包括:
第三构建单元,所述第三构建单元用于构建所述的所述SlowFast神经网络的损失函数包括均方差损失函数;
第十二处理单元,所述第十二处理单元用于将所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集输入所述SlowFast神经网络模型,获得第一输出结果;
第十三处理单元,所述第十三处理单元用于计算所述第一输出结果与历史质检结果之间的损失函数,使用梯度下降法更新网络参数,直到满足预设阈值,完成所述SlowFast神经网络模型训练。
进一步的,所述系统还包括:
第二判断单元,所述第二判断单元用于若出现所述第一异常情况和/或所述第二异常情况,则对异常情况的持续时间进行判断;
第九获得单元,所述第九获得单元用于基于所述第一异常情况和所述第二异常情况,获得第一时间和第二时间,所述第一时间与所述第一异常情况对应,所述第二时间与所述第二异常情况对应;
第三判断单元,所述第三判断单元用于若出现所述第三异常情况,则对定位偏差进行判断,获得第一偏差距离;
第十四处理单元,所述第十四处理单元用于根据所述第一时间、所述第二时间和所述第一偏差距离,生成第二预测结果;
第十五处理单元,所述第十五处理单元用于基于所述第二预测结果,获得第四预警信息。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于根据所述第一直线滑台模组属性信息,获得第一期望应用环境 ;
第十六处理单元,所述第十六处理单元用于基于所述第一期望应用环境,对第一车间环境进行评估,获得第一评估结果;
第十七处理单元,所述第十七处理单元用于将所述第一评估结果发送至所述第一质检人员,进行所述第一直线滑台模组的定期维护。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备,
基于与前述实施例中一种智能标识识别的直线滑台模组质量检测方法相同的发明构思,本申请实施例还提供了一种智能标识识别的直线滑台模组质量检测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc
read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种智能标识识别的直线滑台模组质量检测方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例通过基于机器视觉的工业相机获取直线滑台模组运转过程中的质检视频,能够获取更为精准、图像质量更高的视频,提升质量检测准确性,避免图像质量不佳导致误检,并通过将质检视频划分为不同的质检图像序列,输入通过SlowFast神经网络构建的深度特征提取模型,卷积提取获得Slow通道和Fast通道内不同的特征,进而得到基于图像获得的质量检测结果,构建了智能化的直线滑台模组的质量检测方法,能够检测出高速运转过程中直线滑台模组内丝杆等静态部分和滑台等高速移动部分潜在的质量问题,提升质量检测准确性,降低人工参与度,达到智能化以及更为准确地进行直线滑台模组质量检测的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a -b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种智能标识识别的直线滑台模组质量检测方法,其特征在于,所述方法应用于一种智能标识识别的直线滑台模组质量检测系统,所述系统与一摄像装置通信连接,所述方法包括:
获得第一直线滑台模组属性信息;
基于所述摄像装置获得所述第一直线滑台模组的第一质检视频;
根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;
基于所述第一质检视频,获得第一质检图像序列和第二质检图像序列,其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的;
将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果;
根据所述第一预测结果,获得第一预警信息;
将所述第一预警信息发送至第一质检人员,进行所述第一直线滑台模组的快速维修。
2.如权利要求1所述的方法,其特征在于,所述智能标识识别的直线滑台模组质量检测系统还与一温度传感器和一声音采集装置通讯连接,所述方法还包括:
基于所述温度传感器实时采集所述第一直线滑台模组的电机温度,获得所述第一直线滑台模组的第一作业温度;
基于所述声音采集装置实时采集所述第一直线滑台模组的声音信息,获得第一作业噪音信息;
获得预设温度阈值,若所述第一作业温度超出所述预设温度阈值,获得第二预警信息;
获得预设噪音阈值,若所述第一作业噪音信息超出所述预设噪音阈值,获得第三预警信息。
3.如权利要求1所述的方法,其特征在于,所述将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果,所述方法还包括:
基于所述SlowFast深度特征提取模型分别对所述第一质检图像序列、所述第二质检图像序列中的所述第一直线滑台模组进行检测;
判断是否出现第一异常情况、第二异常情况和第三异常情况,其中所述第一异常情况为出现异常抖动,所述第二异常情况为滚珠丝杆停转,所述第三异常情况为重复定位精度异常;
若出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况,则获得第一异常结果;
若未出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况,则获得第一正常结果;
将所述第一异常结果或所述第一正常结果作为所述第一预测结果。
4.如权利要求1所述的方法,其特征在于,所述根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型,所述方法还包括:
将第一直线滑台模组的历史质检视频集合划分为第三质检图像序列和第四质检图像序列,其中所述第三质检图像序列为预设帧数的连续历史质检图像;
将所述第三质检图像序列的首帧图像、尾帧图像和以预定间隔从第三质检图像序列中采样获得的若干质检图像作为所述第四质检图像序列,获得所述第四质检图像序列;
基于所述第三质检图像序列和所述第四质检图像序列,构建第三质检图像序列训练集、第四质检图像序列训练集;
获得所述第三质检图像序列对应的历史质检结果数据集,其中所述历史质检结果数据集为人工质检结果数据集;
基于所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集训练所述SlowFast神经网络;
当所述SlowFast神经网络的损失函数输出满足预设阈值,完成所述SlowFast神经网络模型训练。
5.如权利要求4所述的方法,其特征在于,所述当所述SlowFast神经网络的损失函数输出满足预设阈值,完成所述SlowFast神经网络模型训练,所述方法还包括:
构建所述的所述SlowFast神经网络的损失函数包括均方差损失函数;
将所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集输入所述SlowFast神经网络模型,获得第一输出结果;
计算所述第一输出结果与历史质检结果之间的损失函数,使用梯度下降法更新网络参数,直到满足预设阈值,完成所述SlowFast神经网络模型训练。
6.如权利要求3所述的方法,其特征在于,所述判断是否出现第一异常情况、第二异常情况和第三异常情况之后,所述方法还包括:
若出现所述第一异常情况和/或所述第二异常情况,则对异常情况的持续时间进行判断;
基于所述第一异常情况和所述第二异常情况,获得第一时间和第二时间,所述第一时间与所述第一异常情况对应,所述第二时间与所述第二异常情况对应;
若出现所述第三异常情况,则对定位偏差进行判断,获得第一偏差距离;
根据所述第一时间、所述第二时间和所述第一偏差距离,生成第二预测结果;
基于所述第二预测结果,获得第四预警信息。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第一直线滑台模组属性信息,获得第一期望应用环境;
基于所述第一期望应用环境,对第一车间环境进行评估,获得第一评估结果;
将所述第一评估结果发送至所述第一质检人员,进行所述第一直线滑台模组的定期维护。
8.一种智能标识识别的直线滑台模组质量检测系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一直线滑台模组属性信息;
第二获得单元,所述第二获得单元用于基于摄像装置获得所述第一直线滑台模组的第一质检视频;
第一构建单元,所述第一构建单元用于根据SlowFast神经网络的构建设计,获得SlowFast深度特征提取模型;
第三获得单元,所述第三获得单元用于基于所述第一质检视频,获得第一质检图像序列和第二质检图像序列,其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的;
第一处理单元,所述第一处理单元用于将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型,获得第一预测结果;
第二处理单元,所述第二处理单元用于根据所述第一预测结果,获得第一预警信息;
第三处理单元,所述第三处理单元用于将所述第一预警信息发送至第一质检人员,进行所述第一直线滑台模组的快速维修。
9.一种智能标识识别的直线滑台模组质量检测系统,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702537.7A CN114937028B (zh) | 2022-06-21 | 2022-06-21 | 一种智能标识识别的直线滑台模组质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702537.7A CN114937028B (zh) | 2022-06-21 | 2022-06-21 | 一种智能标识识别的直线滑台模组质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937028A true CN114937028A (zh) | 2022-08-23 |
CN114937028B CN114937028B (zh) | 2023-12-08 |
Family
ID=82868321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210702537.7A Active CN114937028B (zh) | 2022-06-21 | 2022-06-21 | 一种智能标识识别的直线滑台模组质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937028B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102615143A (zh) * | 2012-03-15 | 2012-08-01 | 山西太钢不锈钢股份有限公司 | 一种动态判断卷取机卷筒精度异常的方法 |
CN110487511A (zh) * | 2019-06-21 | 2019-11-22 | 深圳市新晨芯科技有限公司 | 基于深度学习的高清摄像头感光模组检测方法和检测装置 |
WO2020189044A1 (ja) * | 2019-03-19 | 2020-09-24 | 株式会社システムスクエア | 検査装置、異常検出方法、コンピュータプログラム、学習モデルの生成方法、及び学習モデル |
CN111754498A (zh) * | 2020-06-29 | 2020-10-09 | 河南科技大学 | 一种基于YOLOv3的传送带托辊检测方法 |
CN112183313A (zh) * | 2020-09-27 | 2021-01-05 | 武汉大学 | 一种基于SlowFast的电力作业现场动作识别方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
TW202119147A (zh) * | 2019-10-31 | 2021-05-16 | 國立勤益科技大學 | 監控系統與其方法 |
CN113283344A (zh) * | 2021-05-27 | 2021-08-20 | 中国矿业大学 | 一种基于语义分割网络的矿用输送带跑偏检测方法 |
CN113379743A (zh) * | 2021-08-12 | 2021-09-10 | 山东中都机器有限公司 | 基于计算机视觉的输送机异常检测方法及系统 |
WO2021179679A1 (zh) * | 2020-03-13 | 2021-09-16 | 苏州鑫睿益荣信息技术有限公司 | 一种基于机器视觉的汽车仪表盘检测系统和检测方法 |
CN113487166A (zh) * | 2021-06-30 | 2021-10-08 | 桐乡市五疆科技发展有限公司 | 一种基于卷积神经网络的化纤飘丝质量检测方法及系统 |
-
2022
- 2022-06-21 CN CN202210702537.7A patent/CN114937028B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102615143A (zh) * | 2012-03-15 | 2012-08-01 | 山西太钢不锈钢股份有限公司 | 一种动态判断卷取机卷筒精度异常的方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
WO2020189044A1 (ja) * | 2019-03-19 | 2020-09-24 | 株式会社システムスクエア | 検査装置、異常検出方法、コンピュータプログラム、学習モデルの生成方法、及び学習モデル |
CN110487511A (zh) * | 2019-06-21 | 2019-11-22 | 深圳市新晨芯科技有限公司 | 基于深度学习的高清摄像头感光模组检测方法和检测装置 |
TW202119147A (zh) * | 2019-10-31 | 2021-05-16 | 國立勤益科技大學 | 監控系統與其方法 |
WO2021179679A1 (zh) * | 2020-03-13 | 2021-09-16 | 苏州鑫睿益荣信息技术有限公司 | 一种基于机器视觉的汽车仪表盘检测系统和检测方法 |
CN111754498A (zh) * | 2020-06-29 | 2020-10-09 | 河南科技大学 | 一种基于YOLOv3的传送带托辊检测方法 |
CN112183313A (zh) * | 2020-09-27 | 2021-01-05 | 武汉大学 | 一种基于SlowFast的电力作业现场动作识别方法 |
CN113283344A (zh) * | 2021-05-27 | 2021-08-20 | 中国矿业大学 | 一种基于语义分割网络的矿用输送带跑偏检测方法 |
CN113487166A (zh) * | 2021-06-30 | 2021-10-08 | 桐乡市五疆科技发展有限公司 | 一种基于卷积神经网络的化纤飘丝质量检测方法及系统 |
CN113379743A (zh) * | 2021-08-12 | 2021-09-10 | 山东中都机器有限公司 | 基于计算机视觉的输送机异常检测方法及系统 |
Non-Patent Citations (6)
Title |
---|
FEICHTENHOFER C ET AL.: "SlowFast networks for video recognition", PROCEEDINGS OF THE 17TH IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION, pages 6202 - 6211 * |
KART U: "Visual Object Tracking on RGBD Videos Using Discriminative Correlation Filters", ACADEMIC DISSERTATION, pages 1 - 140 * |
YANG, SEONGHUN: "Video Analysis System for Action and Emotion Detection by Object with Hierarchical Clustering based Re-ID", JOURNAL OF INTELLIGENCE AND INFORMATION SYSTEMS, vol. 28, no. 01, pages 89 - 106 * |
吴远昊等: "基于小波包分析的滚珠丝杠状态监测", 机械设计与制造, no. 10, pages 145 - 148 * |
董冠华等: "基于视觉检测的直角坐标机器人精度分析", 制造业自动化, no. 15, pages 35 - 37 * |
陈国强等: "滚珠丝杠直线模组的模态分析", 机械设计, vol. 36, no. 03, pages 56 - 61 * |
Also Published As
Publication number | Publication date |
---|---|
CN114937028B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
CN114037673B (zh) | 一种基于机器视觉的硬件衔接接口监测方法及系统 | |
US11521120B2 (en) | Inspection apparatus and machine learning method | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
CN116758078B (zh) | 变速齿轮箱观测方法、系统、终端设备以及存储介质 | |
US10134122B2 (en) | System and method of distributed processing for machine-vision analysis | |
CN114331114A (zh) | 一种管道安全风险智能化监管方法及系统 | |
CN114937028A (zh) | 一种智能标识识别的直线滑台模组质量检测方法及系统 | |
CN115830012B (zh) | 一种接触网线索损伤数据检测分析方法 | |
CN111738259A (zh) | 一种杆塔状态检测方法及装置 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN113724211B (zh) | 一种基于状态感应的故障自动识别方法及系统 | |
CN112073544B (zh) | 用于处理传感器数据的方法、计算设备和计算机存储介质 | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
US11120541B2 (en) | Determination device and determining method thereof | |
JP7181257B2 (ja) | 原因分析システムおよび方法 | |
CN114594106A (zh) | 一种铜管电镀工艺的实时监测方法及系统 | |
JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
CN112967223A (zh) | 一种基于人工智能的纺织品检测系统、方法及介质 | |
CN114626162B (zh) | 一种接触球轴承损耗程度定量识别方法 | |
CN111047550A (zh) | 一种基于机器视觉的产品异常检测方法、装置及设备 | |
CN109632308B (zh) | 一种深沟球滚动轴承内圈故障劣化状态识别方法及系统 | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
CN112907684B (zh) | 一种湿度检测方法、装置、设备及介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: No. 199, Beihuan Road, Tangqiao town, Zhangjiagang City, Suzhou City, Jiangsu Province Patentee after: Suzhou Shangshun Technology Co.,Ltd. Country or region after: China Address before: No. 199, Beihuan Road, Tangqiao town, Zhangjiagang City, Suzhou City, Jiangsu Province Patentee before: SMOOTH MACHINE SYSTEMS Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |