CN115393288A - 加工工艺管控系统及方法 - Google Patents
加工工艺管控系统及方法 Download PDFInfo
- Publication number
- CN115393288A CN115393288A CN202210934022.XA CN202210934022A CN115393288A CN 115393288 A CN115393288 A CN 115393288A CN 202210934022 A CN202210934022 A CN 202210934022A CN 115393288 A CN115393288 A CN 115393288A
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- product
- information
- control
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000003754 machining Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 description 42
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010008 shearing 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
- 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
- G06Q10/0633—Workflow analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种加工工艺管控系统及方法,包括:管理端,管理端用于管理加工工艺的编排和校准,存储编排后的加工任务信息;控制端,控制端能够解析新增编排任务信息和加工任务信息;执行端,执行端能够根据控制端的指令对产品进行加工且能够实时采集产品加工的图像,并将采集的产品加工的图像信息传送至控制端;AI端,AI端能够根据控制端的指令对产品加工的图像进行相应的检测,获得目标产品的特征检测信息,并将获得的特征检测信息传送至控制端。本发明通过AI视觉识别产品目标部件的位置及状态,按照编排顺序管控执行端进行加工并及时反馈加工质量,通过反馈做出对应操作,实时对生产进行管控,提高加工质量。
Description
技术领域
本发明涉及生产管控技术领域,尤其是指一种加工工艺管控系统及方法。
背景技术
在现有的生产加工过程,一般需要向系统内进行示教导入,工作人员或者自动化加工设备根据示教导入的内容,对产品进行加工。
然而,在实际的生产加工过程中,对于产品的质量无法把控,一方面,对于产品是否按照标准步骤操作,无法进行及时的监测和管理,当产品的加工未按照标准步骤进行时,会直接影响产品的成品质量;另一方面,对于产品的加工质量,往往需要整个产品加工完成后,由检验员检测,当出现不良品时,产品报废或者返工,费时费力。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中产品加工无法进行及时的监测和管理的技术缺陷。
为解决上述技术问题,本发明提供了一种加工工艺管控系统,其特征在于,包括:
管理端,所述管理端用于管理加工工艺的编排和校准,存储编排后的加工任务信息;
控制端,其与所述管理端连接,所述控制端能够解析新增编排任务信息和加工任务信息;
所述控制端发送编排任务信息至AI端并接收对应返回数据,所述控制端将返回数据传送至管理端;
所述控制端发送加工任务信息至AI端和执行端并接收对应返回数据,分析AI端返回的检测数据以实现实时质量检测;
执行端,其与控制端连接,所述执行端能够根据控制端的指令对产品进行加工且能够实时采集产品加工的图像,并将采集的产品加工的图像信息传送至控制端;
AI端,其与控制端连接,所述AI端能够根据控制端的指令对产品加工的图像进行相应的检测,获得目标产品的特征检测信息,并将获得的特征检测信息传送至控制端;
其中,所述管理端能够依据预设标准图像和生产MPI手册编排操作步骤及每个操作步骤完成状态,获得多个按照时间顺序依次进行的子任务信息,每个子任务信息对应预设操作步骤的加工参数及该步骤完成状态;
所述AI端根据子任务信息对当前操作步骤中目标产品图像进行对应检测,并与预设标准图像进行匹配以获得目标配件的特征检测信息;
所述控制端判断当前操作步骤中目标产品图像的特征检测信息与子任务信息中的步骤完成状态是否一致,若是,则所述控制端将下一步子任务信息更新为当前子任务信息,否则,则重新执行当前子任务信息。
作为优选的,还包括生产管理系统,所述生产管理系统与控制端连接,所述生产管理系统发送生产指令至控制端。
作为优选的,所述控制端定时从执行端获取产品加工的IoT数据并传送到管理端;
所述管理端保存产品加工的IoT数据,并记录产品加工的每个操作步骤的耗费时长及加工质量数据;
待产品加工结束,所述控制端从管理端获取产品加工的IoT数据,并传送到生产管理系统。
作为优选的,所述目标产品的特征检测信息包括位置、配件编号和状态信息,其中,产品中的每个配件对应不同的编号。
作为优选的,判断所述控制端将当前操作步骤中目标产品图像的特征检测信息与预设标准图像的特征检测信息是否匹配,包括:
获取当前操作步骤中目标产品图像与预设标准图像之间的坐标转换矩阵;
根据坐标转换矩阵获得当前操作步骤的目标配件在预设标准图像中对应的位置,将该位置和预设标准图像中对应配件的位置进行位置比较,获得当前操作步骤中目标配件的状态和编号;
若当前操作步骤的目标配件不在任何标准位置,则控制端发送指令给执行端重复当前操作步骤。
作为优选的,通过特征匹配算法或距离匹配算法获取当前操作步骤中目标产品图像与预设标准图像之间的坐标转换矩阵。
本发明公开了一种加工工艺管控方法,基于上述的加工工艺管控系统,包括以下步骤:
S1、所述管理端发送新增编排任务信息至控制端,所述编排任务信息包括检测任务指令,所述执行端根据控制端的检测任务指令获取产品标准加工完成图像;
S2、所述控制端获取执行端采集的产品标准加工完成图像,并将产品标准加工完成图像和检测任务指令发送至AI端,所述AI端根据检测任务指令对接收到的产品标准加工完成图像进行检测,并对产品标准加工完成图像的各个配件进行编号,获得预设标准图像;
S3、所述管理端依据预设标准图像和生产MPI手册编排操作步骤及每个操作步骤完成状态,获得编排后的任务信息;
S4、所述控制端依据编排后的任务信息控制执行端加工产品。
作为优选的,所述S2中对产品标准加工完成图像的各个配件进行编号,包括:
根据目标类别信息沿y方向对产品标准加工完成图像进行分组,获得多个y方向分组图像,再沿x方向对每个y方向分组图像进行分组,叠加y方向分组和x方向分组的组号,获得各个目标配件的编号。
作为优选的,所述S4之后还包括:
S5、所述执行端采集当前操作步骤中目标产品的图像并传送至控制端;
S6、所述控制端将当前操作步骤中目标产品的图像和当前操作步骤的检测任务信息发送至AI端;
S7、所述AI端根据检测任务信息对当前操作步骤中目标产品的图像进行检测,并与标准加工完成图像进行匹配,获得目标位置、编号及对应状态;
S8、所述控制端判断当前操作步骤中目标产品图像的特征检测信息与子任务信息中的步骤完成状态是否一致,若是,则所述控制端将下一步子任务信息更新为当前子任务信息,否则,则重新执行当前子任务信息。
作为优选的,所述S7与S8之间还包括:
所述AI端的数据经控制端传送至管理端,所述管理端显示实时加工画面及当前产品加工的目标位置及对应状态。
本发明的上述技术方案相比现有技术具有以下优点:
1、本发明基于AI视觉对加工步骤进行编排,制作一类产品的标准加工顺序和标准模板图,无需示教导入,由AI视觉通过识别产品目标部件的位置及状态,按照编排顺序管控执行端进行加工并及时反馈加工质量,通过反馈做出对应操作,实时对生产进行管控,提高加工质量。
2、本发明针对加工生产,加工过程中无法管控加工的顺序,及时管控加工质量。
3、本发明中通过控制端、管理端、AI端和执行端几个模块结合,能够实时管控加工顺序及加工质量,即可以辅助人工操作,也可以实现自动化操作,保证加工质量。
4、本发明能够及时监测产品是否按照标准步骤操作,进行监测和管理,便于指导产品的加工以使得其按照标准步骤进行时,提高产品的成品质量。
附图说明
图1为本发明加工工艺管控方法的流程图一;
图2为本发明加工工艺管控方法的流程图二;
图3为加工工艺管控系统的结构示意图;
图4为编排工艺和加工工艺的流程图;
图5为编排工艺中步骤1中获取的标准加工完成图片;
图6为编排工艺中步骤2中借助AI自动编码后,带有目标信息的标准图;
图7为加工工艺中步骤3获取的实时加工图片;
图8为加工工艺中步骤5获取的目标位置、编号及对应状态的图片。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明公开了一种加工工艺管控系统,包括管理端、控制端、执行端和AI端。
管理端用于管理加工工艺的编排和校准,存储编排后的加工任务信息;
控制端与管理端连接,控制端能够解析新增编排任务信息和加工任务信息;控制端发送编排任务信息至AI端并接收对应返回数据,控制端将返回数据传送至管理端;控制端发送加工任务信息至AI端和执行端并接收对应返回数据,分析AI端返回的检测数据以实现实时质量检测;
执行端与控制端连接,执行端能够根据控制端的指令对产品进行加工且能够实时采集产品加工的图像,并将采集的产品加工的图像信息传送至控制端。
AI端与控制端连接,AI端能够根据控制端的指令对产品加工的图像进行相应的检测,获得目标产品的特征检测信息,并将获得的特征检测信息传送至控制端;
其中,管理端能够依据预设标准图像和生产MPI手册编排操作步骤及每个操作步骤完成状态,获得多个按照时间顺序依次进行的子任务信息,每个子任务信息对应预设操作步骤的加工参数及该步骤完成状态;
AI端根据子任务信息对当前操作步骤中目标产品图像进行对应检测,并与预设标准图像进行匹配以获得目标配件的特征检测信息;
控制端判断当前操作步骤中目标产品图像的特征检测信息与子任务信息中的步骤完成状态是否一致,若是,则控制端将下一步子任务信息更新为当前子任务信息,否则,则重新执行当前子任务信息。
本发明还包括生产管理系统,生产管理系统与控制端连接,生产管理系统发送生产指令至控制端。
控制端定时从执行端获取产品加工的IoT数据并传送到管理端;管理端保存产品加工的IoT数据,并记录产品加工的每个操作步骤的耗费时长及加工质量数据;待产品加工结束,控制端从管理端获取产品加工的IoT数据,并传送到生产管理系统。
目标产品的特征检测信息包括位置、配件编号和状态信息,其中,产品中的每个配件对应不同的编号。
其中,判断控制端将当前操作步骤中目标产品图像的特征检测信息与预设标准图像的特征检测信息是否匹配,包括:
获取当前操作步骤中目标产品图像与预设标准图像之间的坐标转换矩阵;
根据坐标转换矩阵获得当前操作步骤的目标配件在预设标准图像中对应的位置,将该位置和预设标准图像中对应配件的位置进行位置比较,获得当前操作步骤中目标配件的状态和编号;
若当前操作步骤的目标配件不在任何标准位置,则控制端发送指令给执行端重复当前操作步骤。
本发明中,通过特征匹配算法或距离匹配算法获取当前操作步骤中目标产品图像与预设标准图像之间的坐标转换矩阵。
参照图1和图2,本发明还公开了一种加工工艺管控方法,基于上述的加工工艺管控系统,包括以下步骤:
步骤一、所述管理端发送新增编排任务信息至控制端,所述编排任务信息包括检测任务指令,所述执行端根据控制端的检测任务指令获取产品标准加工完成图像。
步骤二、所述控制端获取执行端采集的产品标准加工完成图像,并将产品标准加工完成图像和检测任务指令发送至AI端,所述AI端根据检测任务指令对接收到的产品标准加工完成图像进行检测,并对产品标准加工完成图像的各个配件进行编号,获得预设标准图像。
所述步骤二中对产品标准加工完成图像的各个配件进行编号,包括:根据目标类别信息沿y方向对产品标准加工完成图像进行分组,获得多个y方向分组图像,再沿x方向对每个y方向分组图像进行分组,叠加y方向分组和x方向分组的组号,获得各个目标配件的编号。
步骤三、所述管理端依据预设标准图像和生产MPI手册编排操作步骤及每个操作步骤完成状态,获得编排后的任务信息。
步骤四、所述控制端依据编排后的任务信息控制执行端加工产品。
步骤五、所述执行端采集当前操作步骤中目标产品的图像并传送至控制端。
步骤六、所述控制端将当前操作步骤中目标产品的图像和当前操作步骤的检测任务信息发送至AI端。
步骤七、所述AI端根据检测任务信息对当前操作步骤中目标产品的图像进行检测,并与标准加工完成图像进行匹配,获得目标位置、编号及对应状态。
步骤八、所述控制端判断当前操作步骤中目标产品图像的特征检测信息与子任务信息中的步骤完成状态是否一致,若是,则所述控制端将下一步子任务信息更新为当前子任务信息,否则,则重新执行当前子任务信息。
进一步的,所述步骤七与步骤八之间还包括:所述AI端的数据经控制端传送至管理端,所述管理端显示实时加工画面及当前产品加工的目标位置及对应状态。
下面,结合具体实施例对本发明的技术方案做进一步说明与解释。
如图3,本发明公开了一种工艺管控系统,主要由五个模块组成:控制端、AI端、管理端、执行端和生产管理系统比如MES。
参照图4所示,本发明的技术流程如下:
首先,进行编排操作,具体工艺如下:
步骤1:管理端发送新增编排任务信息至控制端,控制端从执行端中工业相机部分获取产品标准加工完成图片。
步骤2:控制端解析步骤一中编排任务信息中的目标类别。将步骤一中获取的图片和检测任务指令发送至AI端,检测任务指令中包含目标类别信息,AI端根据检测任务对接收到的图片进行相应检测,进行目标自动编码,并保存为标准图。
采用深度学习检测模型,根据场景、检测目标大小、实时性和准确率的要求选择合适的神经网络模型。根据编排任务信息中的目标类别信息,采集相应图片,筛选图片,标注图片生成数据集。使用数据集进行神经网络模型的训练,训练完成后保证准确度要求的前提下,进行模型剪切和量化,降低对硬件的要求,提高帧率,加速模型推理。
AI端使用推理模型对图片进行检测,并根据目标类别分别根据y方向分组,再每个小组中根据x方向排序,并叠加组号,得到每个目标的编号。并保存目标位置、类别和编号信息。
步骤3:参照步骤二获取的标准图和生产MPI手册,编排加工步骤及每个步骤完成状态,并保存。
根据标准图和生产MPI手册,在管理端编排加工步骤并设置每个步骤完成时对应部件的状态,管理端自动生成每个步骤的加工指令,并保存。
之后,进行加工操作,具体加工工艺如下:
步骤1:生产管理系统发送生产指令至控制端,控制端从管理端导入对应产品加工工艺信息。
生产管理系统发送生产指令,包含工单信息。控制端从工单信息中获取产品类型,并根据类型从管理端导入对应产品加工工艺信息。
步骤2:控制端发送指令至执行端,执行当前步骤,控制端定时从执行端获取IoT相关数据并传送到管理端。管理端保存IoT数据,并记录下每个步骤耗费时长并保存。
步骤3:控制端从执行端中工业相机部分获取实时加工图片。
步骤4:控制端将步骤3中获取的图片和当前步骤检测任务发送至AI端。
步骤5:AI端根据步骤4检测任务信息对图片进行对应检测,并与标准图进行匹配获取目标位置、编号及对应状态,并将这些数据返回给控制端。
AI端采用编排工艺步骤2中训练的模型对步骤4中获取的图片进行检测,根据加工类型选择使用特征匹配和距离匹配的算法得到当前图片与标准图片之间的坐标转换关系。
使用特征匹配时,使用ORB算法、SURF算法或其他特征提取算法提取标准图和实时加工图的特征点,根据特征欧式距离算法对两幅图特征点进行匹配,匹配完成后,使用匹配特征点对计算当前图片与标准图片的单应变换矩阵。使用单应变换矩阵计算当前图片中目标在标准图片中的位置。再与标准图中对应目标进行匹配,得到当前图片中各目标的编号和状态。
使用距离匹配时,根据AI检测的当前图片中的目标和标准图中的目标,分别计算两幅图片中两两目标对的距离,并选择距离差再阈值范围内的目标对,并保存目标对对应目标的编号和距离。从当前目标对的序号和距离中依次取出目标对的序号和距离,并在标准图的目标对中查找与当前目标对距离之差在阈值范围内的,计算平移旋转矩阵,调换当前目标对顺序计算得到另一个平移旋转矩阵。
利用该旋转平移矩阵的计算得到所有标准图上的目标转换到当前图片上目标对应的位置。将当前图片检测到的目标位置与计算得到的目标位置进行匹配。并通过当前图片上目标进行验证该旋转平移矩阵是否正确,不正确则回到目标对距离匹配,重新匹配计算。正确则可得到当前图片上目标编号、状态。
以上两种匹配方法都得到当前图片与标准图片之间的坐标转换矩阵,根据转换矩阵得到当前步骤的目标配件在标准图片中对应的位置,将该位置和标准图中保存的对应配件的位置进行位置比较得到当前目标的编号,AI端检测目标结果包含当前并更新对应编号配件的状态。如果当前目标不在任何标准位置,则会在界面显示出来,提示操作人员或在控制端进行处理。
步骤6:控制端对AI端返回的数据进行处理,并将处理后数据传送至管理端,管理端显示实时加工画面及当前加工目标位置及对应状态。
控制端对AI端返回的数据进行处理,并将处理后数据传送至管理端,管理端通过目标位置和图片,在当前图片上绘制出对应目标框,指导正在进行或下一步需要操作的目标位置。显示当前加工目标状态,及执行端实时操作参数。
步骤7:控制端判断步骤5中接收到的目标状态与步骤1中导入的步骤状态中当前步骤状态是否匹配,如果匹配则更新当前步骤为下一步骤,并回到步骤2,直到加工结束。不匹配则根据步骤6中控制端对AI端返回参数处理结果管控执行端,如果执行端为人工辅助操作时,可以起到防呆作用;执行端为全自动操作时,可以起到报警提醒作用,并回到步骤2。
步骤8:加工结束,控制端从管理端获取保存的IoT数据,并传送到生产管理系统。
结合本发明提供的技术方案中的编排工艺、加工工艺和实际操作配图进行说明,此说明以demo为例,但不限于此,其他设备和环境可参考此实施方式。
图5是编排工艺中步骤1中获取的标准加工完成图片。图6是编排工艺中步骤2中借助AI自动编码后,带有目标信息的标准图。图7是加工工艺中步骤3获取的实时加工图片。图8是加工工艺中步骤5获取的目标位置、编号及对应状态的图片。将产品旋转是表示生产中不固定位置也可以自行定位。
本发明基于AI视觉对加工步骤进行编排,制作一类产品的标准加工顺序和标准模板图,无需示教导入,由AI视觉通过识别产品目标部件的位置及状态,按照编排顺序管控执行端进行加工并及时反馈加工质量,通过反馈做出对应操作,实时对生产进行管控,提高加工质量。加工数据传送给生产管理系统,方便后期分析,提高生产工艺。
针对加工生产,加工过程中无法管控加工的顺序,及时管控加工质量。本发明中通过控制端、管理端、AI端、执行端和生产管理系统五大模块结合,能够实时管控加工顺序及加工质量。可以辅助人工,可以实现自动化,两种选择,都可以保证加工质量。采集实时数据,及时发现问题解决问题,与生产管理系统连接,保存数据,可用于追溯加工过程,分析优化加工工艺。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
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。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种加工工艺管控系统,其特征在于,包括:
管理端,所述管理端用于管理加工工艺的编排和校准,存储编排后的加工任务信息;
控制端,其与所述管理端连接,所述控制端能够解析新增编排任务信息和加工任务信息;
所述控制端发送编排任务信息至AI端并接收对应返回数据,所述控制端将返回数据传送至管理端;
所述控制端发送加工任务信息至AI端和执行端并接收对应返回数据,分析AI端返回的检测数据以实现实时质量检测;
执行端,其与控制端连接,所述执行端能够根据控制端的指令对产品进行加工且能够实时采集产品加工的图像,并将采集的产品加工的图像信息传送至控制端;
AI端,其与控制端连接,所述AI端能够根据控制端的指令对产品加工的图像进行相应的检测,获得目标产品的特征检测信息,并将获得的特征检测信息传送至控制端;
其中,所述管理端能够依据预设标准图像和生产MPI手册编排操作步骤及每个操作步骤完成状态,获得多个按照时间顺序依次进行的子任务信息,每个子任务信息对应预设操作步骤的加工参数及该步骤完成状态;
所述AI端根据子任务信息对当前操作步骤中目标产品图像进行对应检测,并与预设标准图像进行匹配以获得目标配件的特征检测信息;
所述控制端判断当前操作步骤中目标产品图像的特征检测信息与子任务信息中的步骤完成状态是否一致,若是,则所述控制端将下一步子任务信息更新为当前子任务信息,否则,则重新执行当前子任务信息。
2.根据权利要求1所述的加工工艺管控系统,其特征在于,还包括生产管理系统,所述生产管理系统与控制端连接,所述生产管理系统发送生产指令至控制端。
3.根据权利要求2所述的加工工艺管控系统,其特征在于,所述控制端定时从执行端获取产品加工的IoT数据并传送到管理端;
所述管理端保存产品加工的IoT数据,并记录产品加工的每个操作步骤的耗费时长及加工质量数据;
待产品加工结束,所述控制端从管理端获取产品加工的IoT数据,并传送到生产管理系统。
4.根据权利要求1所述的加工工艺管控系统,其特征在于,所述目标产品的特征检测信息包括位置、配件编号和状态信息,其中,产品中的每个配件对应不同的编号。
5.根据权利要求4所述的加工工艺管控系统,其特征在于,判断所述控制端将当前操作步骤中目标产品图像的特征检测信息与预设标准图像的特征检测信息是否匹配,包括:
获取当前操作步骤中目标产品图像与预设标准图像之间的坐标转换矩阵;
根据坐标转换矩阵获得当前操作步骤的目标配件在预设标准图像中对应的位置,将该位置和预设标准图像中对应配件的位置进行位置比较,获得当前操作步骤中目标配件的状态和编号;
若当前操作步骤的目标配件不在任何标准位置,则控制端发送指令给执行端重复当前操作步骤。
6.根据权利要求5所述的加工工艺管控系统,其特征在于,通过特征匹配算法或距离匹配算法获取当前操作步骤中目标产品图像与预设标准图像之间的坐标转换矩阵。
7.一种加工工艺管控方法,基于权利要求1-6任一项所述的加工工艺管控系统,其特征在于,包括以下步骤:
S1、所述管理端发送新增编排任务信息至控制端,所述编排任务信息包括检测任务指令,所述执行端根据控制端的检测任务指令获取产品标准加工完成图像;
S2、所述控制端获取执行端采集的产品标准加工完成图像,并将产品标准加工完成图像和检测任务指令发送至AI端,所述AI端根据检测任务指令对接收到的产品标准加工完成图像进行检测,并对产品标准加工完成图像的各个配件进行编号,获得预设标准图像;
S3、所述管理端依据预设标准图像和生产MPI手册编排操作步骤及每个操作步骤完成状态,获得编排后的任务信息;
S4、所述控制端依据编排后的任务信息控制执行端加工产品。
8.根据权利要求7所述的加工工艺管控方法,其特征在于,所述S2中对产品标准加工完成图像的各个配件进行编号,包括:
根据目标类别信息沿y方向对产品标准加工完成图像进行分组,获得多个y方向分组图像,再沿x方向对每个y方向分组图像进行分组,叠加y方向分组和x方向分组的组号,获得各个目标配件的编号。
9.根据权利要求7所述的加工工艺管控方法,其特征在于,所述S4之后还包括:
S5、所述执行端采集当前操作步骤中目标产品的图像并传送至控制端;
S6、所述控制端将当前操作步骤中目标产品的图像和当前操作步骤的检测任务信息发送至AI端;
S7、所述AI端根据检测任务信息对当前操作步骤中目标产品的图像进行检测,并与标准加工完成图像进行匹配,获得目标位置、编号及对应状态;
S8、所述控制端判断当前操作步骤中目标产品图像的特征检测信息与子任务信息中的步骤完成状态是否一致,若是,则所述控制端将下一步子任务信息更新为当前子任务信息,否则,则重新执行当前子任务信息。
10.根据权利要求9所述的加工工艺管控方法,其特征在于,所述S7与S8之间还包括:
所述AI端的数据经控制端传送至管理端,所述管理端显示实时加工画面及当前产品加工的目标位置及对应状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934022.XA CN115393288A (zh) | 2022-08-04 | 2022-08-04 | 加工工艺管控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934022.XA CN115393288A (zh) | 2022-08-04 | 2022-08-04 | 加工工艺管控系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115393288A true CN115393288A (zh) | 2022-11-25 |
Family
ID=84118212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210934022.XA Pending CN115393288A (zh) | 2022-08-04 | 2022-08-04 | 加工工艺管控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393288A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116909208A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市钧诚精密制造有限公司 | 基于人工智能的壳体加工路径优化方法及系统 |
-
2022
- 2022-08-04 CN CN202210934022.XA patent/CN115393288A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116909208A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市钧诚精密制造有限公司 | 基于人工智能的壳体加工路径优化方法及系统 |
CN116909208B (zh) * | 2023-09-12 | 2023-11-24 | 深圳市钧诚精密制造有限公司 | 基于人工智能的壳体加工路径优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110567974B (zh) | 一种基于云端人工智能表面缺陷检测系统 | |
CN105372581A (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
US20190118226A1 (en) | Sorting system | |
US10423669B2 (en) | Manufacturing process visualization apparatus and method | |
CN109816624A (zh) | 外观检查装置 | |
CN102262401A (zh) | 一种工业生产线监控系统 | |
US11157821B2 (en) | Traceability system and method for traceability | |
JP2019135638A (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
CN115331002A (zh) | 一种基于ar眼镜实现热力站故障远程处理方法 | |
CN115393288A (zh) | 加工工艺管控系统及方法 | |
CN108563204B (zh) | 控制方法、装置、电子设备及计算机可读存储介质 | |
CN114895634A (zh) | 一种基于机器视觉的产品生产线自动控制系统 | |
CN117077552B (zh) | 一种基于深度学习的发动机装配工艺合规监测方法 | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
CN113919794A (zh) | 一种对构件可吊装能力批量快速分析的方法 | |
CN117520184A (zh) | 一种计算机软件开发用测试系统 | |
CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
JP2021089653A (ja) | 予測システム、情報処理装置および情報処理プログラム | |
US20230068757A1 (en) | Work rate measurement device and work rate measurement method | |
CN113222449A (zh) | 标准化作业有效执行度评估方法及装置 | |
CN118311935B (zh) | 一种家居自动化生产控制系统及方法 | |
US20200202178A1 (en) | Automatic visual data generation for object training and evaluation | |
CN108417099B (zh) | 用于监管教学过程的方法、装置及系统 | |
CN113703396B (zh) | 一种基于智能终端的数控切割设备的智能升级方法 | |
US20240112466A1 (en) | System and method for analyzing periodic task |
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 |