CN115311452A - 一种基于机器视觉的精密灌胶评估方法及系统 - Google Patents
一种基于机器视觉的精密灌胶评估方法及系统 Download PDFInfo
- Publication number
- CN115311452A CN115311452A CN202211146542.0A CN202211146542A CN115311452A CN 115311452 A CN115311452 A CN 115311452A CN 202211146542 A CN202211146542 A CN 202211146542A CN 115311452 A CN115311452 A CN 115311452A
- Authority
- CN
- China
- Prior art keywords
- path
- glue
- glue filling
- initial
- parameter
- 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
- 239000003292 glue Substances 0.000 title claims abstract description 434
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 35
- 238000013210 evaluation model Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004513 sizing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000565 sealant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 229920001187 thermosetting polymer Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于机器视觉的精密灌胶评估方法及系统，涉及人工智能领域，包括：通过显示终端输入灌胶基本信息包括初始灌胶路径和初始灌胶量当待灌胶产品送至作业区域时，通过图像采集装置，生成图像采集结果对待灌胶产品进行区域标识，生成待灌胶区域；对待灌胶区域进行处理，生成灌胶量匹配结果；对待灌胶区域进行处理，生成灌胶规划路径和初始灌胶路径进行比对生成第一参数偏差；将初始灌胶量和灌胶量匹配结果进行比对生成第二参数偏差；当第一参数偏差满足第一偏差阈值且第二参数偏差满足第二偏差阈值生成评估合格指令。解决了现有技术中机器施胶的控制参数多为主观设定，导致存在客观性较低，准确度无法保障的技术问题。
Description
技术领域
本发明涉及人工智能相关技术领域，具体涉及一种基于机器视觉的精密灌胶评估方法及系统。
背景技术
灌胶工艺是将灌封胶用机器或手工的方式灌入装有电子器件、线路的器件内，在特定温度下固化成热固性高分子绝缘材料，进而实现密封、灌封和保护电子器件和线路的目的。
随着智能制造的不断发展，电子器件的灌胶需求量不断增加，传统的手工灌胶工艺已经无法满足生产现状，因此越来越多的企业选择使用机器施胶的方式替代手工施胶。在机器施胶过程中，机器适宜的控制参数是精细化施胶的重要保障。
现有技术中机器施胶的控制参数多为主观设定，导致存在客观性较低，准确度无法保障的技术问题。
发明内容
本申请通过提供了一种基于机器视觉的精密灌胶评估方法及系统，解决了现有技术中机器施胶的控制参数多为主观设定，导致存在客观性较低，准确度无法保障的技术问题。
鉴于上述问题，本申请实施例提供了一种基于机器视觉的精密灌胶评估方法及系统。
第一方面，本申请提供了一种基于机器视觉的精密灌胶评估方法，其中，所述方法应用于一基于机器视觉的精密灌胶评估系统，所述系统包括显示终端，所述系统和图像采集装置通信连接，所述方法包括：通过显示终端输入灌胶基本信息，其中，所述灌胶基本信息包括初始灌胶路径和初始灌胶量；当待灌胶产品输送至作业区域时，通过图像采集装置对所述待灌胶产品图像采集，生成图像采集结果；根据所述图像采集结果对所述待灌胶产品进行区域标识，生成待灌胶区域；对所述待灌胶区域进行特征处理，生成灌胶量匹配结果；根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径；将所述灌胶规划路径和所述初始灌胶路径进行比对，生成第一参数偏差；将所述初始灌胶量和所述灌胶量匹配结果进行比对，生成第二参数偏差；当所述第一参数偏差满足第一偏差阈值，且所述第二参数偏差满足第二偏差阈值，生成评估合格指令。
另一方面，本申请提供了一种基于机器视觉的精密灌胶评估系统，其中，所述系统包括显示终端，所述系统和图像采集装置通信连接，包括：基本信息采集模块，用于通过显示终端输入灌胶基本信息，其中，所述灌胶基本信息包括初始灌胶路径和初始灌胶量；图像采集模块，用于当待灌胶产品输送至作业区域时，通过图像采集装置对所述待灌胶产品图像采集，生成图像采集结果；区域标识模块，用于根据所述图像采集结果对所述待灌胶产品进行区域标识，生成待灌胶区域；第一特征处理模块，用于对所述待灌胶区域进行特征处理，生成灌胶量匹配结果；第二特征处理模块，用于根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径；参数比对模块，用于将所述灌胶规划路径和所述初始灌胶路径进行比对，生成第一参数偏差；将所述初始灌胶量和所述灌胶量匹配结果进行比对，生成第二参数偏差；指令生成模块，用于当所述第一参数偏差满足第一偏差阈值，且所述第二参数偏差满足第二偏差阈值，生成评估合格指令。
本申请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：
由于采用了通过显示终端输入主观设定的灌胶基本参数，包括初始灌胶路径和初始灌胶量；再使用图像采集装置对待灌胶产品进行图像采集提取待灌胶区域；对待灌胶区域进行特征处理，生成灌胶量匹配结果和灌胶规划路径；将初始灌胶路径和初始灌胶量，与灌胶量匹配结果和灌胶规划路径进行比对，若是初始灌胶路径和初始灌胶量符合灌胶量匹配结果和灌胶规划路径，则设定参数合格，可进行后步灌胶作业的技术方案，通过设定算法对待灌胶区域的特征处理，得到客观性较强的灌胶量匹配结果和灌胶规划路径，进而对主观设定的初始灌胶路径和初始灌胶量进行比对评估，达到了提高机器施胶的控制参数客观性和准确性的技术效果。
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了一种基于机器视觉的精密灌胶评估方法流程示意图；
图2为本申请实施例提供了一种基于机器视觉的精密灌胶评估方法中灌胶量匹配流程示意图；
图3为本申请实施例提供了一种基于机器视觉的精密灌胶评估系统结构示意图。
附图标记说明：显示终端001，图像采集装置002，基本信息采集模块11，图像采集模块12，区域标识模块13，第一特征处理模块14，第二特征处理模块15，参数比对模块16，指令生成模块17，参数调整模块18。
具体实施方式
本申请实施例通过提供了一种基于机器视觉的精密灌胶评估方法及系统，解决了现有技术中机器施胶的控制参数多为主观设定，导致存在客观性较弱，准确度无法保障的技术问题。通过设定算法对待灌胶区域的特征处理，得到客观性较强的灌胶量匹配结果和灌胶规划路径，进而对主观设定的初始灌胶路径和初始灌胶量进行比对评估，达到了提高机器施胶的控制参数客观性和准确性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于机器视觉的精密灌胶评估方法，其中，所述方法应用于一基于机器视觉的精密灌胶评估系统，所述系统包括显示终端，所述系统和图像采集装置通信连接，所述方法包括步骤：
S100：通过显示终端输入灌胶基本信息，其中，所述灌胶基本信息包括初始灌胶路径和初始灌胶量；
具体而言，显示终端为基于机器视觉的精密灌胶评估系统和用户交互的设备，示例性地如：平板、手机、电脑等其它显示装置，用户可从显示终端设定待灌胶产品的灌胶路径和灌胶量等灌胶基本信息，便于灌胶仪器基于设定的灌胶位置、灌胶路径和灌胶量等灌胶基本信息进行自动化灌胶。初始灌胶路径和初始灌胶量即工作人员通过显示终端输入的基于经验设定的灌胶基本数据。其中，初始灌胶路径指的是灌胶设备灌胶时，灌入胶的位置序列；初始灌胶量指的是灌胶设备灌胶时每个位置的灌胶体积和灌胶整体体积，由于胶密度已知，则易求出质量。将初始灌胶路径和初始灌胶量置为待响应状态，等待后步迅速调用。
S200：当待灌胶产品输送至作业区域时，通过图像采集装置对所述待灌胶产品图像采集，生成图像采集结果；
具体而言，待灌胶产品即需要进行灌胶的器件，包括但不限于各类型需要灌胶的电子器件或线路；作业区域为灌胶设备对待灌胶产品进行灌胶操作的位置，优选的水平放置；图像采集装置即优选的部署于作业区域上方用户对灌胶作业过程进行图像采集的设备。
在流水线灌胶过程中，一台灌胶设备预设时间内执行对一种电子器件的灌胶工作，对不同类型的电器器件的灌胶置入不同的流水线，便于提高灌胶效率。在每一台灌胶设备的工作区域中，将待灌胶产品输送至工作区域进行灌胶，灌胶完毕后输送至固化区域进行固化，当灌胶完毕的待灌胶产品完全离开工作区域时，将另外一个待灌胶产品输送至工作区域进行灌胶，实现自动化的灌胶作业，传统的灌胶设备控制手段就是依赖，目前常用的为PLC控制，需要通过预先设定的灌胶路径、灌胶量等参数，以及灌胶量的下级参数：出胶速度、移动速度等参数控制，虽然自动化程度较高，但是缺点在于各项控制参数无法适应性客观设定，皆为主观设定，尤其是灌胶路径以及灌胶量设置的不当，则对灌胶效果会造成极大影响。本申请实施例后步详细阐述灌胶路径以及灌胶量的客观设定。
S300：根据所述图像采集结果对所述待灌胶产品进行区域标识，生成待灌胶区域；
具体而言，待灌胶区域即待灌胶产品上需要进行灌胶的区域，优选的标识形式为：对图像采集结果进行处理后，使用红丝框线将待灌胶区域进行圈画，进一步的，对图像采集结果进行处理优选的基于卷积特征提取器进行实现，卷积特征提取器由输入层、卷积层、ReLU层、池化(Pooling)层和全连接层组成，训练是使用多组各种类型的待灌胶产品的图像采集结果作为输入数据，使用多组各种类型的待灌胶产品的待灌胶区域标识好的图像采集结果作为输出标识信息验证卷积特征提取器的输出准确性，当卷积特征提取器搭建完成后，输入多组各种类型的待灌胶产品的图像采集结果，再通过多组各种类型的待灌胶产品的待灌胶区域标识好的图像采集结果对输出不断调整，进而使得卷积特征提取器的输出结果逐渐靠近待灌胶区域标识好的图像采集结果，当划定的区域偏差小于预设距离时，完成训练。即可实现对各种类型的待灌胶产品的待灌胶区域标识。提取准确的待灌胶区域，为后步确定准确的灌胶量提供了参考基准。
S400：对所述待灌胶区域进行特征处理，生成灌胶量匹配结果；
进一步的，如图2所示，基于对所述待灌胶区域进行特征处理，生成灌胶量匹配结果，步骤S400包括步骤：
S410：对所述待灌胶区域进行特征提取，生成待灌胶空间形貌特征；
S420：根据所述待灌胶空间形貌特征对所述待灌胶区域进行聚类分析，生成灌胶空间划分结果；
S430：遍历所述灌胶空间划分结果，生成灌胶覆盖面积集合和灌胶覆盖深度集合；
S440：遍历所述灌胶覆盖面积集合和所述灌胶覆盖深度集合，生成所述灌胶量匹配结果。
具体而言，灌胶量匹配结果即根据待灌胶区域对灌胶量进行设定之后的结果，详细过程如下：
待灌胶空间形貌特征指的是从待灌胶区域中提取的特征数据，示例性地如：不同位置的长度、宽度、高度、弧度等参数，优选的实现方式为通过训练完成的形貌特征提取器完成，形貌特征提取器优选的基于卷积神经网络构建的特征提取器，结构优选的由输入层、卷积层、ReLU层、池化(Pooling)层和全连接层组成，训练数据由多组待灌胶区域作为输入数据，由多组形貌特征：不同位置的长度、宽度、高度、弧度等参数，作为输出标识数据组成，通过训练数据对形貌特征提取器进行训练，当输出结果的形貌特征和标识的形貌特征偏差皆在预设差值之内，则训练完成。
灌胶空间划分结果指的是根据待灌胶空间形貌特征对待灌胶区域进行区域聚类分析，优选的一级聚类为根据长度、宽度、高度、弧度等参数，将待灌胶区域划分为多个形状规则的，即可直接计算体积的空间形状；进一步的二级聚类为根据多个划分后空间的长度、宽度、高度、弧度等，将参数差值皆小于或等于预设值的空间置为相同聚类，便于后步统一分析，提高决策效率。灌胶覆盖面积集合指的是和聚类区域一一对应的覆盖水平面积大小，灌胶覆盖深度集合指的是和聚类区域一一对应的空间深度大小；再根据任意一组一一对应的灌胶覆盖面积和灌胶覆盖深度，即可实现灌胶量匹配结果的计算，即表征每个位置的灌胶体积和灌胶整体体积。
S500：根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径；
进一步的，基于所述根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径，步骤S500包括步骤：
S510：对所述待灌胶区域，构建路径标识坐标系；
S520：获取待规划路径参数，其中，所述待规划路径参数包括路径宽度参数、路径弧度参数和路径深度参数；
S530：根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数，构建路径规划向量空间；
具体而言，路径规划算法即用于对待灌胶区域进行灌胶路径优化的算法，灌胶规划路径即通过路径规划算法确定的灌胶路径。
路径规划算法如下：
根据待灌胶区域，构建路径标识坐标系，路径标识坐标系优选的为空间坐标系，即待灌胶区域的任意一个点都具有三维空间坐标，优选的以工作区域所在平面为基准构建水平坐标系，再构建路径标识坐标系。待规划路径参数指的是需要设定的不同位置的路径的基本参数，包括但不限于：路径宽度参数、路径弧度参数和路径深度参数。通常来说灌胶路径分为直线路径和弧线路径，整个灌胶路径由多个直线路径和弧线路径组成，灌胶路径的起点和终点由待灌胶产品限定，大致的路径由初始灌胶路径限定，因此只需要确定初始灌胶路径的路径宽度参数、路径弧度参数和路径深度参数在初始灌胶路径上的各个优化值为后步实现较为精密的灌胶工艺提供参数数据。
路径规划向量空间指的是用于对路径宽度参数、路径弧度参数和路径深度参数进行优化的虚拟功能模块，通过路径规划向量空间可实现对路径宽度参数、路径弧度参数和路径深度参数进行快速调整，后步可和初始灌胶路径的初始待规划路径参数比对，即可评估主观设定的参数集是否合理，更进一步的对主观设定的参数集进行调整，为精密化灌胶提供保障。
路径规划向量空间的构建过程如下：
进一步的，基于所述根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数，构建路径规划向量空间，步骤S530包括步骤：
S531：根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数对所述待灌胶区域进行特征提取，生成路径宽度约束序列数据，路径弧度约束序列数据和路径深度约束序列数据；
S532：构建适应度评估模型；
进一步的，基于所述构建适应度评估模型，步骤S532包括步骤：
S532-1：根据所述待灌胶产品，匹配灌胶路径-灌胶参数-灌胶覆盖率记录数据；
S532-2：根据灌胶路径记录数据和灌胶参数记录数据对所述适应度评估模型进行输入数据分布，根据灌胶覆盖率记录数据对所述适应度评估模型进行输出数据分布，构建所述适应度评估模型。
S534：根据所述路径宽度约束序列数据，所述路径弧度约束序列数据和所述路径深度约束序列数据，构建路径规划约束条件；
S535：根据所述路径规划约束条件和所述适应度评估模型，构建所述路径规划向量空间。
具体而言，从初始灌胶路径中确定任意一个位置的路径宽度参数、路径弧度参数和路径深度参数的最大值和最小值，通常而言待灌胶产品已限定灌胶时可进行灌胶的位置区域，通过路径宽度参数、路径弧度参数和路径深度参数进行限制，保障后步优化取值可在限定的区间范围内。
路径宽度约束序列数据指的是根据初始灌胶路径从起点到终点依次根据待灌胶产品确定的不同位置的宽度取值约束区间；路径弧度约束序列数据指的是根据初始灌胶路径从起点到终点依次根据待灌胶产品确定的不同位置的弧度取值约束区间；路径深度约束序列数据指的是根据初始灌胶路径从起点到终点依次根据待灌胶产品确定的不同位置的深度取值约束区间。
约束区间的确定方式优选的使用基于大数据构建的约束区间匹配数据库实现，约束区间匹配数据库是基于大数据采集各个灌胶工厂的：灌胶产品类型-灌胶路径参数约束区间数据集，包括：灌胶产品类型-初始灌胶路径-路径宽度约束区间、灌胶产品类型-初始灌胶路径-路径弧度约束区间、灌胶产品类型-初始灌胶路径-路径深度约束区间三种类型的数据，当数据量满足预设数量时，构建灌胶路径参数约束区间匹配云端数据库，用于实现约束区间的自动化确定，打破了传统灌胶工厂的数据孤岛形式，联立多方数据保障取值约束区间的准确性和客观性。路径规划约束条件指的是由路径宽度约束序列数据，路径弧度约束序列数据和路径深度约束序列数据根据相同位置进行关联得到的三元组数据集，置为待响应状态，等待后步调用。
适应度评估模型指的是用于评估优化得到的灌胶路径和待灌胶产品适应度的智能化模型，构建过程如下：
灌胶路径-灌胶参数-灌胶覆盖率记录数据指的是根据待灌胶产品类型从多个灌胶工厂上传的灌胶工艺记录数据集，灌胶路径记录数据指的是历史加工中的灌胶路径；灌胶参数记录数据指的是灌胶设备的各项灌胶参数，示例性地：出胶速度、移动速度等；灌胶覆盖率记录数据指的是根据上述的灌胶路径记录数据和灌胶参数记录数据第一次灌胶占据的空间体积和待灌胶区域的体积之比的记录数据。进一步的，优选的，将灌胶路径-灌胶参数-灌胶覆盖率记录数据划分为8：1：1三比例，将8比例的数据设为训练数据集，将1比例的数据设为迭代数据集，将1比例的数据设为验证数据集；将灌胶路径数据和灌胶参数记录数据对适应度评估模型进行输入数据分布，将灌胶覆盖率记录数据对适应度评估模型进行输出数据分布，验证输出准确率，首先基于人工神经网络，搭建：输入层-隐含层-输出层的模型框架， 使用训练数据集训练人工神经网络，当输出大于或等于预设准确率时，使用迭代数据集验证输出准确率，若是小于预设准确率时，则继续使用训练数据集训练模型，直到训练数据集和迭代数据集的输出准确率都大于或等于预设准确率时，使用验证数据集验证输出准确率，若是小于预设准确率，则继续使用训练数据集训练模型，直到训练数据集、迭代数据集和验证数据集的输出准确率都大于或等于预设准确率时，完成模型构建。即可用于评估待灌胶产品不同灌胶路径下的灌胶覆盖率。
将路径规划约束条件作为路径规划时的参数选取约束参数；将适应度评估模型作为筛选灌胶路径的评估模块，完成路径规划向量空间的构建。通过路径规划向量空间依据路径规划约束条件选取多条路径，再根据适应度评估模型筛选出灌胶覆盖率较大的路径作为优化结果，相比于主观经验设定，提高了路径选取的客观性和准确性。
S540：将所述初始灌胶路径输入所述路径标识坐标系，获取初始路径宽度序列数据，初始路径弧度序列数据和初始路径深度序列数据；
具体而言，初始路径宽度序列数据指的是从初始灌胶路径中提取的和路径宽度约束序列数据位置上一一对应的数据集，初始路径弧度序列数据指的是从初始灌胶路径中提取的和路径弧度约束序列数据位置上一一对应的数据集；初始路径深度序列数据指的是从初始灌胶路径中提取的和路径深度约束序列数据位置上一一对应的数据集。初始路径宽度序列数据，初始路径弧度序列数据和初始路径深度序列数据的位置坐标优选的通过路径标识坐标系确定，保障位置标识标准统一。
S550：根据所述路径规划向量空间，对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行优化，生成所述灌胶规划路径。
进一步的，基于所述根据所述路径规划向量空间，对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行优化，生成所述灌胶规划路径，步骤S550包括步骤：
S551：根据所述路径规划向量空间对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行随机调整，获得第k灌胶规划路径；
S552：将所述第k灌胶规划路径和预设灌胶参数输入所述适应度评估模型，生成第k灌胶覆盖率；
S553：判断所述第k灌胶覆盖率是否等于预设灌胶覆盖率；
S554：若不等于，将所述第k灌胶规划路径添加进淘汰数据组，基于所述路径规划向量空间继续迭代；
S555：若等于，将所述第k灌胶规划路径设为所述灌胶规划路径。
具体而言，第k灌胶规划路径指的是对初始路径宽度序列数据，初始路径弧度序列数据和初始路径深度序列数据，依据路径规划约束条件随机调整的第k个路径；第k灌胶覆盖率指的是将第k灌胶规划路径和预设灌胶参数输入适应度评估模型，确定的灌胶覆盖率的评估结果；判断第k灌胶覆盖率是否等于预设灌胶覆盖率，即精密灌胶要求的覆盖率；若不等于，将第k灌胶规划路径添加进淘汰数据组，基于路径规划向量空间继续对初始路径宽度序列数据，初始路径弧度序列数据和初始路径深度序列数据随机调整，若是遇到淘汰数据组的数据进行跳过，继续调整，直到得到满足预设灌胶覆盖率的路径；若等于，将第k灌胶规划路径设为灌胶规划路径。进一步的，设定最高迭代次数，若是满足最高迭代次数之后仍然无法得到预设灌胶覆盖率的路径，则将淘汰数据组中最高灌胶覆盖率的路径设为灌胶规划路径，避免无法收敛。
通过上述的路径规划算法，实现灌胶路径的优化，效率较高，且由于大量路径比对筛选过程，提高了优化结果的准确性和客观性。为精密化灌胶提供了参考性较强的参数设定。
S600：将所述灌胶规划路径和所述初始灌胶路径进行比对，生成第一参数偏差；将所述初始灌胶量和所述灌胶量匹配结果进行比对，生成第二参数偏差；
S700：当所述第一参数偏差满足第一偏差阈值，且所述第二参数偏差满足第二偏差阈值，生成评估合格指令。
具体而言，第一参数偏差指的是将灌胶规划路径和初始灌胶路径相同位置的路径参数进行比对得到的偏差值；第二参数偏差指的是将初始灌胶量和灌胶量匹配结果进行比对得到的偏差值；第一偏差阈值指的是预设的路径参数可允许的偏差区间；第二偏差阈值指的是灌胶量可允许的偏差区间；第一参数偏差和第二参数偏差为逻辑与的关系，只有第一参数偏差满足第一偏差阈值，且第二参数偏差满足第二偏差阈值时，才会生成评估合格指令，允许开启灌胶设备进行后步的灌胶操作。
进一步的，还包括步骤S800，步骤S800包括：
S810：当所述第一参数偏差不满足所述第一偏差阈值，根据所述第一偏差阈值对所述初始灌胶路径进行调整，生成灌胶路径决策结果；
S820：当所述第二参数偏差不满足所述第二偏差阈值，根据所述第二偏差阈值对所述初始灌胶量进行调整，生成灌胶量决策结果。
具体而言，若第一参数偏差不满足，即大于第一偏差阈值时，需要根据第一偏差阈值对初始灌胶路径进行调整，得到与灌胶规划路径偏差值在第一偏差阈值之内的灌胶路径决策结果；若第二参数偏差不满足，即大于第二偏差阈值时，需要根据第二偏差阈值对初始灌胶量进行调整，生成与灌胶量匹配结果偏差值在第二偏差阈值之内的灌胶量决策结果。通过灌胶路径决策结果和灌胶量决策结果中的一个或多个进行后步的灌胶操作，可保障灌胶精密性。
综上所述，本申请实施例所提供的一种基于机器视觉的精密灌胶评估方法及系统具有如下技术效果：
1. 由于采用了通过显示终端输入主观设定的灌胶基本参数，包括初始灌胶路径和初始灌胶量；再使用图像采集装置对待灌胶产品进行图像采集提取待灌胶区域；对待灌胶区域进行特征处理，生成灌胶量匹配结果和灌胶规划路径；将初始灌胶路径和初始灌胶量，与灌胶量匹配结果和灌胶规划路径进行比对，若是初始灌胶路径和初始灌胶量符合灌胶量匹配结果和灌胶规划路径，则设定参数合格，可进行后步灌胶作业的技术方案，通过设定算法对待灌胶区域的特征处理，得到客观性较强的灌胶量匹配结果和灌胶规划路径，进而对主观设定的初始灌胶路径和初始灌胶量进行比对评估，达到了提高机器施胶的控制参数客观性和准确性的技术效果。
实施例二
基于与前述实施例中一种基于机器视觉的精密灌胶评估方法相同的发明构思，如图3所示，本申请实施例提供了一种基于机器视觉的精密灌胶评估系统，其中，所述系统包括显示终端001，所述系统和图像采集装置002通信连接，包括：
基本信息采集模块11，用于通过显示终端输入灌胶基本信息，其中，所述灌胶基本信息包括初始灌胶路径和初始灌胶量；
图像采集模块12，用于当待灌胶产品输送至作业区域时，通过图像采集装置对所述待灌胶产品图像采集，生成图像采集结果；
区域标识模块13，用于根据所述图像采集结果对所述待灌胶产品进行区域标识，生成待灌胶区域；
第一特征处理模块14，用于对所述待灌胶区域进行特征处理，生成灌胶量匹配结果；
第二特征处理模块15，用于根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径；
参数比对模块16，用于将所述灌胶规划路径和所述初始灌胶路径进行比对，生成第一参数偏差；将所述初始灌胶量和所述灌胶量匹配结果进行比对，生成第二参数偏差；
指令生成模块17，用于当所述第一参数偏差满足第一偏差阈值，且所述第二参数偏差满足第二偏差阈值，生成评估合格指令。
进一步的，还包括参数调整模块18，所述参数调整模块18执行步骤包括：
当所述第一参数偏差不满足所述第一偏差阈值，根据所述第一偏差阈值对所述初始灌胶路径进行调整，生成灌胶路径决策结果；
当所述第二参数偏差不满足所述第二偏差阈值，根据所述第二偏差阈值对所述初始灌胶量进行调整，生成灌胶量决策结果。
进一步的，所述第一特征处理模块14执行步骤包括：
对所述待灌胶区域进行特征提取，生成待灌胶空间形貌特征；
根据所述待灌胶空间形貌特征对所述待灌胶区域进行聚类分析，生成灌胶空间划分结果；
遍历所述灌胶空间划分结果，生成灌胶覆盖面积集合和灌胶覆盖深度集合；
遍历所述灌胶覆盖面积集合和所述灌胶覆盖深度集合，生成所述灌胶量匹配结果。
进一步的，所述第二特征处理模块15执行步骤包括：
对所述待灌胶区域，构建路径标识坐标系；
获取待规划路径参数，其中，所述待规划路径参数包括路径宽度参数、路径弧度参数和路径深度参数；
根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数，构建路径规划向量空间；
将所述初始灌胶路径输入所述路径标识坐标系，获取初始路径宽度序列数据，初始路径弧度序列数据和初始路径深度序列数据；
根据所述路径规划向量空间，对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行优化，生成所述灌胶规划路径。
进一步的，所述第二特征处理模块15执行步骤还包括：
根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数对所述待灌胶区域进行特征提取，生成路径宽度约束序列数据，路径弧度约束序列数据和路径深度约束序列数据；
构建适应度评估模型；
根据所述路径宽度约束序列数据，所述路径弧度约束序列数据和所述路径深度约束序列数据，构建路径规划约束条件；
根据所述路径规划约束条件和所述适应度评估模型，构建所述路径规划向量空间。
进一步的，所述第二特征处理模块15执行步骤还包括：
根据所述待灌胶产品，匹配灌胶路径-灌胶参数-灌胶覆盖率记录数据；
根据灌胶路径记录数据和灌胶参数记录数据对所述适应度评估模型进行输入数据分布，根据灌胶覆盖率记录数据对所述适应度评估模型进行输出数据分布，构建所述适应度评估模型。
进一步的，所述第二特征处理模块15执行步骤还包括：
根据所述路径规划向量空间对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行随机调整，获得第k灌胶规划路径；
将所述第k灌胶规划路径和预设灌胶参数输入所述适应度评估模型，生成第k灌胶覆盖率；
判断所述第k灌胶覆盖率是否等于预设灌胶覆盖率；
若不等于，将所述第k灌胶规划路径添加进淘汰数据组，基于所述路径规划向量空间继续迭代；
若等于，将所述第k灌胶规划路径设为所述灌胶规划路径。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。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 (8)
1.一种基于机器视觉的精密灌胶评估方法，其特征在于，所述方法应用于一基于机器视觉的精密灌胶评估系统，所述系统包括显示终端，所述系统和图像采集装置通信连接，所述方法包括：
通过显示终端输入灌胶基本信息，其中，所述灌胶基本信息包括初始灌胶路径和初始灌胶量；
当待灌胶产品输送至作业区域时，通过图像采集装置对所述待灌胶产品图像采集，生成图像采集结果；
根据所述图像采集结果对所述待灌胶产品进行区域标识，生成待灌胶区域；
对所述待灌胶区域进行特征处理，生成灌胶量匹配结果；
根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径；
将所述灌胶规划路径和所述初始灌胶路径进行比对，生成第一参数偏差；将所述初始灌胶量和所述灌胶量匹配结果进行比对，生成第二参数偏差；
当所述第一参数偏差满足第一偏差阈值，且所述第二参数偏差满足第二偏差阈值，生成评估合格指令。
2.如权利要求1所述的方法，其特征在于，还包括：
当所述第一参数偏差不满足所述第一偏差阈值，根据所述第一偏差阈值对所述初始灌胶路径进行调整，生成灌胶路径决策结果；
当所述第二参数偏差不满足所述第二偏差阈值，根据所述第二偏差阈值对所述初始灌胶量进行调整，生成灌胶量决策结果。
3.如权利要求1所述的方法，其特征在于，对所述待灌胶区域进行特征处理，生成灌胶量匹配结果，包括：
对所述待灌胶区域进行特征提取，生成待灌胶空间形貌特征；
根据所述待灌胶空间形貌特征对所述待灌胶区域进行聚类分析，生成灌胶空间划分结果；
遍历所述灌胶空间划分结果，生成灌胶覆盖面积集合和灌胶覆盖深度集合；
遍历所述灌胶覆盖面积集合和所述灌胶覆盖深度集合，生成所述灌胶量匹配结果。
4.如权利要求1所述的方法，其特征在于，所述根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径，包括：
对所述待灌胶区域，构建路径标识坐标系；
获取待规划路径参数，其中，所述待规划路径参数包括路径宽度参数、路径弧度参数和路径深度参数；
根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数，构建路径规划向量空间；
将所述初始灌胶路径输入所述路径标识坐标系，获取初始路径宽度序列数据，初始路径弧度序列数据和初始路径深度序列数据；
根据所述路径规划向量空间，对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行优化，生成所述灌胶规划路径。
5.如权利要求4所述的方法，其特征在于，所述根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数，构建路径规划向量空间，包括：
根据所述路径宽度参数、所述路径弧度参数和所述路径深度参数对所述待灌胶区域进行特征提取，生成路径宽度约束序列数据，路径弧度约束序列数据和路径深度约束序列数据；
构建适应度评估模型；
根据所述路径宽度约束序列数据，所述路径弧度约束序列数据和所述路径深度约束序列数据，构建路径规划约束条件；
根据所述路径规划约束条件和所述适应度评估模型，构建所述路径规划向量空间。
6.如权利要求5所述的方法，其特征在于，所述构建适应度评估模型，包括：
根据所述待灌胶产品，匹配灌胶路径-灌胶参数-灌胶覆盖率记录数据；
根据灌胶路径记录数据和灌胶参数记录数据对所述适应度评估模型进行输入数据分布，根据灌胶覆盖率记录数据对所述适应度评估模型进行输出数据分布，构建所述适应度评估模型。
7.如权利要求6所述的方法，其特征在于，所述根据所述路径规划向量空间，对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行优化，生成所述灌胶规划路径，包括：
根据所述路径规划向量空间对所述初始路径宽度序列数据，所述初始路径弧度序列数据和所述初始路径深度序列数据进行随机调整，获得第k灌胶规划路径；
将所述第k灌胶规划路径和预设灌胶参数输入所述适应度评估模型，生成第k灌胶覆盖率；
判断所述第k灌胶覆盖率是否等于预设灌胶覆盖率；
若不等于，将所述第k灌胶规划路径添加进淘汰数据组，基于所述路径规划向量空间继续迭代；
若等于，将所述第k灌胶规划路径设为所述灌胶规划路径。
8.一种基于机器视觉的精密灌胶评估系统，其特征在于，所述系统包括显示终端，所述系统和图像采集装置通信连接，包括：
基本信息采集模块，用于通过显示终端输入灌胶基本信息，其中，所述灌胶基本信息包括初始灌胶路径和初始灌胶量；
图像采集模块，用于当待灌胶产品输送至作业区域时，通过图像采集装置对所述待灌胶产品图像采集，生成图像采集结果；
区域标识模块，用于根据所述图像采集结果对所述待灌胶产品进行区域标识，生成待灌胶区域；
第一特征处理模块，用于对所述待灌胶区域进行特征处理，生成灌胶量匹配结果；
第二特征处理模块，用于根据路径规划算法对所述待灌胶区域进行特征处理，生成灌胶规划路径；
参数比对模块，用于将所述灌胶规划路径和所述初始灌胶路径进行比对，生成第一参数偏差；将所述初始灌胶量和所述灌胶量匹配结果进行比对，生成第二参数偏差；
指令生成模块，用于当所述第一参数偏差满足第一偏差阈值，且所述第二参数偏差满足第二偏差阈值，生成评估合格指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211146542.0A CN115311452B (zh) | 2022-09-20 | 2022-09-20 | 一种基于机器视觉的精密灌胶评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211146542.0A CN115311452B (zh) | 2022-09-20 | 2022-09-20 | 一种基于机器视觉的精密灌胶评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115311452A true CN115311452A (zh) | 2022-11-08 |
| CN115311452B CN115311452B (zh) | 2024-08-09 |
Family
ID=83867217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211146542.0A Active CN115311452B (zh) | 2022-09-20 | 2022-09-20 | 一种基于机器视觉的精密灌胶评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115311452B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117193226A (zh) * | 2023-11-08 | 2023-12-08 | 深圳市艾姆克斯科技有限公司 | 一种多功能智能工业控制系统及控制方法 |
| CN117389235A (zh) * | 2023-12-06 | 2024-01-12 | 深圳市鑫路远电子设备有限公司 | 一种胶水流量的监测控制方法及系统 |
| CN118314522A (zh) * | 2024-05-31 | 2024-07-09 | 深圳市维象智能科技有限公司 | 基于视觉识别的灌胶自动识别方法及装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150121632A1 (en) * | 2013-11-07 | 2015-05-07 | Li-Lin Kuo | Automatic gumming system |
| US20150121633A1 (en) * | 2013-11-07 | 2015-05-07 | Li-Lin Kuo | Method for Automatically Gumming Shoe |
| JP2016215177A (ja) * | 2015-05-26 | 2016-12-22 | アルファーデザイン株式会社 | 液体吐出装置、スプレーパス設定方法、プログラム |
| JP2017042928A (ja) * | 2015-08-24 | 2017-03-02 | キヤノン株式会社 | インクジェット記録装置およびインクジェット記録方法 |
| CN107008619A (zh) * | 2017-05-19 | 2017-08-04 | 合肥荣事达电子电器集团有限公司 | 一种光伏接线盒自动灌胶系统及灌胶方法 |
| CN110152938A (zh) * | 2019-04-02 | 2019-08-23 | 华中科技大学 | 一种元器件点胶轨迹提取方法及自动控制机器人系统 |
| CN111097664A (zh) * | 2019-12-20 | 2020-05-05 | 广西柳州联耕科技有限公司 | 基于机器人涂胶的实时纠偏方法 |
| CN111122581A (zh) * | 2019-12-25 | 2020-05-08 | 北京中远通科技有限公司 | 双目视觉检测系统、方法及喷胶装置 |
| CN112634203A (zh) * | 2020-12-02 | 2021-04-09 | 富泰华精密电子（郑州）有限公司 | 图像检测方法、电子设备及计算机可读存储介质 |
| CN112871587A (zh) * | 2021-01-08 | 2021-06-01 | 昂纳工业技术(深圳)有限公司 | 一种基于3d视觉引导的涂胶路径规划方法和涂胶系统 |
| WO2021232592A1 (zh) * | 2020-05-22 | 2021-11-25 | 梅卡曼德（北京）机器人科技有限公司 | 涂胶轨迹的获取方法及涂胶方法、装置和涂胶轨迹生成系统 |
| CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及系统 |
| CN114054302A (zh) * | 2022-01-17 | 2022-02-18 | 南通西屋智能科技有限公司 | 一种点胶机的精准定位控制方法及系统 |
| CN114833038A (zh) * | 2022-04-15 | 2022-08-02 | 苏州鸿优嘉智能科技有限公司 | 一种涂胶路径规划方法及其系统 |
-
2022
- 2022-09-20 CN CN202211146542.0A patent/CN115311452B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150121632A1 (en) * | 2013-11-07 | 2015-05-07 | Li-Lin Kuo | Automatic gumming system |
| US20150121633A1 (en) * | 2013-11-07 | 2015-05-07 | Li-Lin Kuo | Method for Automatically Gumming Shoe |
| JP2016215177A (ja) * | 2015-05-26 | 2016-12-22 | アルファーデザイン株式会社 | 液体吐出装置、スプレーパス設定方法、プログラム |
| JP2017042928A (ja) * | 2015-08-24 | 2017-03-02 | キヤノン株式会社 | インクジェット記録装置およびインクジェット記録方法 |
| CN107008619A (zh) * | 2017-05-19 | 2017-08-04 | 合肥荣事达电子电器集团有限公司 | 一种光伏接线盒自动灌胶系统及灌胶方法 |
| CN110152938A (zh) * | 2019-04-02 | 2019-08-23 | 华中科技大学 | 一种元器件点胶轨迹提取方法及自动控制机器人系统 |
| CN111097664A (zh) * | 2019-12-20 | 2020-05-05 | 广西柳州联耕科技有限公司 | 基于机器人涂胶的实时纠偏方法 |
| CN111122581A (zh) * | 2019-12-25 | 2020-05-08 | 北京中远通科技有限公司 | 双目视觉检测系统、方法及喷胶装置 |
| WO2021232592A1 (zh) * | 2020-05-22 | 2021-11-25 | 梅卡曼德（北京）机器人科技有限公司 | 涂胶轨迹的获取方法及涂胶方法、装置和涂胶轨迹生成系统 |
| CN112634203A (zh) * | 2020-12-02 | 2021-04-09 | 富泰华精密电子（郑州）有限公司 | 图像检测方法、电子设备及计算机可读存储介质 |
| CN112871587A (zh) * | 2021-01-08 | 2021-06-01 | 昂纳工业技术(深圳)有限公司 | 一种基于3d视觉引导的涂胶路径规划方法和涂胶系统 |
| CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及系统 |
| CN114054302A (zh) * | 2022-01-17 | 2022-02-18 | 南通西屋智能科技有限公司 | 一种点胶机的精准定位控制方法及系统 |
| CN114833038A (zh) * | 2022-04-15 | 2022-08-02 | 苏州鸿优嘉智能科技有限公司 | 一种涂胶路径规划方法及其系统 |
Non-Patent Citations (4)
| Title |
|---|
| STEFANO PAGANO, ET.AL: "A vision guided robot for gluing operations", 《TRANSACTIONS ON ENGINEERING TECHNOLOGIES》, 25 October 2020 (2020-10-25), pages 15 - 28 * |
| TERESA ZIELINSKA, ET.AL: "Path planning for robotized mobile supports", 《MECHANISM AND MACHINE THEORY》, vol. 78, 31 August 2014 (2014-08-31), pages 51 - 64, XP029023714, DOI: 10.1016/j.mechmachtheory.2014.03.004 * |
| 王一等: "基于组合线结构光的涂胶质量检测系统设计", 《激光与红外》, vol. 51, no. 10, 31 October 2021 (2021-10-31), pages 1371 - 1377 * |
| 胡庄稳: "基于机器视觉的自动涂胶智能检测系统研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 4, 15 April 2021 (2021-04-15), pages 035 - 258 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117193226A (zh) * | 2023-11-08 | 2023-12-08 | 深圳市艾姆克斯科技有限公司 | 一种多功能智能工业控制系统及控制方法 |
| CN117193226B (zh) * | 2023-11-08 | 2024-01-26 | 深圳市艾姆克斯科技有限公司 | 一种多功能智能工业控制系统及控制方法 |
| CN117389235A (zh) * | 2023-12-06 | 2024-01-12 | 深圳市鑫路远电子设备有限公司 | 一种胶水流量的监测控制方法及系统 |
| CN117389235B (zh) * | 2023-12-06 | 2024-04-02 | 深圳市鑫路远电子设备有限公司 | 一种胶水流量的监测控制方法及系统 |
| CN118314522A (zh) * | 2024-05-31 | 2024-07-09 | 深圳市维象智能科技有限公司 | 基于视觉识别的灌胶自动识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115311452B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115311452A (zh) | 一种基于机器视觉的精密灌胶评估方法及系统 | |
| WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN106096810B (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及系统 | |
| Wilson et al. | How to generate a thousand master plans: A framework for computational urban design | |
| CN109558902A (zh) | 一种快速目标检测方法 | |
| CN110187647A (zh) | 模型训练方法及系统 | |
| CN112054943A (zh) | 一种移动网络基站流量预测方法 | |
| CN109189762A (zh) | 一种工业物联网数据分析方法、系统及相关设备 | |
| CN110135227A (zh) | 一种基于机器学习的激光点云室外场景自动分割方法 | |
| CN114971433B (zh) | 基于工业互联网的质量管控方法、装置、设备及存储介质 | |
| WO2023206954A1 (zh) | 一种基于目标检测网络的寄生参数提取方法 | |
| CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
| CN112464339A (zh) | 一种最大化建筑群太阳能利用潜力的建筑布局确定方法 | |
| CN110956010B (zh) | 基于梯度提升树的大规模新能源接入电网稳定性辨识方法 | |
| CN112182794A (zh) | 一种基于样条曲线的拓扑优化后几何模型建模方法 | |
| CN108197381A (zh) | 基于寻优空间形态分析的参数辨识方法 | |
| CN117421972A (zh) | 一种综合负荷模型参数的辨识方法及终端 | |
| CN115564180B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
| CN110047509A (zh) | 一种两级子空间划分方法及装置 | |
| CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
| CN116090349A (zh) | 一种光学薄膜生产工艺优化方法、设备及存储介质 | |
| CN115136799A (zh) | 一种粮食存储智能管理系统 | |
| CN108280775A (zh) | 电力信息物理系统的分层分布混成计算架构体系及方法 | |
| CN113505637A (zh) | 一种用于直播流的实时虚拟主播动作捕捉方法及系统 | |
| CN110533636A (zh) | 一种图像分析装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |