CN116385384A - 一种加工异常检测方法、装置、设备和存储介质 - Google Patents
一种加工异常检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116385384A CN116385384A CN202310303865.4A CN202310303865A CN116385384A CN 116385384 A CN116385384 A CN 116385384A CN 202310303865 A CN202310303865 A CN 202310303865A CN 116385384 A CN116385384 A CN 116385384A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- value
- image
- characteristic value
- region
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 276
- 238000000034 method Methods 0.000 claims abstract description 99
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims description 65
- 238000003754 machining Methods 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- 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
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Facsimiles In General (AREA)
- Image Processing (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种加工异常检测方法、装置、设备和存储介质。该加工异常检测方法包括获取加工数据图像,其中,加工数据图像基于加工过程的数值幅值生成;从加工数据图像中提取数值幅值大于预设幅值阈值对应的异常区域;计算异常区域对应的图像特征值,将图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。通过上述实施方式,利用数值幅值生成加工数据图像,然后再对加工数据图像进行异常区域提取以及异常区域的图像特征值计算,并将图像特征值与预设阈值进行比较,确定加工过程是否异常,从而将一维数据转化为二维的图像数据进行加工异常检测,提高加工异常检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种加工异常检测方法、装置、设备和存储介质。
背景技术
机械领域加工过程中常常会出现各种形式的异常状态,包括机床(主轴异常、进给轴异常等)、工件(来料不均、夹具受力不均等)、刀具(刀具断裂、刀具磨损、刀具崩刃等)、工艺(转速、进给速度等设置不合理)等不同方面。这些加工过程中的异常状态可以通过采集高频数据(如振动、电流、声音等),进行信号处理和分析,从而用一种或多种信号计算的方式来区别出正常加工信号和异常加工信号。
传统方法为时域上取特征值,观察异常加工的数值有无较正常加工大或小;后来演变为在频域上寻找单个目标频带或多个目标频带的组合,如转频或某个故障频率附近,也不能很好的区分异常加工,在某些应用场景误报警漏报警频繁发生。
发明内容
为了解决现有技术中存在的上述技术问题,本申请提供了一种加工异常检测方法、装置、设备和存储介质。
为解决上述问题,本申请提供了一种加工异常检测方法,加工异常检测方法包括:获取加工数据图像,其中,所述加工数据图像基于加工过程的数值幅值生成;从所述加工数据图像中提取所述数值幅值大于预设幅值阈值对应的异常区域;计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。
在一实施例中,所述异常区域为多个,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:计算每个所述异常区域对应的图像特征值;基于每个所述异常区域对应的区域权重和每个所述异常区域对应的所述图像特征值,确定所述异常区域的融合特征值;将所述融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
在一实施例中,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:计算所述异常区域中每种特征值类型对应的图像特征值;基于每种所述特征值类型对应的特征值权重和每种所述特征值类型对应的所述图像特征值,确定所述异常区域的融合特征值;将所述融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
在一实施例中,所述异常区域为多个,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:计算每个所述异常区域中每种特征值类型对应的图像特征值;基于每个所述异常区域对应的区域权重、每种所述特征值类型对应的特征值权重和每种所述特征值类型对应的所述图像特征值,确定所述异常区域的融合特征值;将所述融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
在一实施例中,所述加工异常检测方法包括:获取多张加工数据图像,其中,所述多个加工数据图像包括至少一张正常加工过程对应的正常加工数据图像和至少一张异常加工过程对应的异常加工数据图像;从所述异常加工数据图像中提取所述数值幅值大于预设幅值阈值对应异常区域,将所述异常加工数据图像中的异常区域映射在所述正常加工数据图像,提取所述正常加工数据图像中的目标区域;计算所述异常加工数据图像的异常区域对应的图像特征值,计算所述正常加工数据图像的目标区域对应的图像特征值;基于所述正常加工数据图像的图像特征值得到第一融合特征阈值,以及基于所述异常加工数据图像的图像特征值得到第二融合特征阈值,从所述第一融合特征阈值和所述第二融合特征阈值所组成的区间范围中选取所述预设特征值阈值。
在一实施例中,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:计算所述异常区域中每种特征值类型对应的图像特征值;将每种所述特征值类型对应的特征值权重与每种所述特征值类型对应的所述图像特征值相乘,得到包括多个特征值的特征值组;将所述特征值组中的多个特征值与正常加工数据图像中对应的图像特征值组进行相似度计算,得到相似度值;将所述相似度值与预设相似度阈值进行比较,基于比较结果确定加工过程是否异常。
在一实施例中,所述异常区域为多个,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:计算每个所述异常区域对应的图像特征值;将每个所述异常区域对应的区域权重与每个所述异常区域对应的图像特征值相乘,得到包括多个特征值的特征值组;将所述特征值组中的多个特征值与正常加工数据图像中对应的图像特征值组中的多个特征值进行相似度计算,得到相似度值;将所述相似度值与预设相似度阈值进行比较,基于比较结果确定加工过程是否异常。
在一实施例中,所述加工异常检测方法包括:获取多张加工数据图像和标准数据图像,其中多张加工数据图像包括至少一张正常加工过程对应的正常加工数据图像和至少一张异常加工过程对应的异常加工数据图像;从所述异常加工数据图像中提取所述数值幅值大于预设幅值阈值对应异常区域,将所述异常加工数据图像中的异常区域映射在所述正常加工数据图像和所述标准数据图像中,提取所述正常加工数据图像中的目标区域和所述标准加工数据图像中的标准区域;提取所述异常加工数据图像中的异常区域的特征值组、所述目标区域的特征值组和所述标准区域的特征值组;计算所述异常加工数据图像中的异常区域的特征值组与所述标准区域的特征值组之间的第一相似度值,以及计算所述目标区域的特征值组和所述标准区域的特征值组之间的第二相似度值;从所述第一相似度值和所述第二相似度值所组成的区间范围中选取所述预设相似度阈值。
为解决上述问题,本申请提供了一种加工异常检测装置,加工异常检测装置包括:获取模块、提取模块以及确定模块;所述获取模块用于获取加工数据图像,其中,所述加工数据图像基于加工过程的数值幅值生成;所述提取模块用于从所述加工数据图像中提取所述数值幅值大于预设幅值阈值对应的异常区域;所述确定模块用于计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。
为解决上述问题,本申请提供了一种加工异常检测设备,加工异常检测设备包括:处理器和存储器,所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现上述的方法。
为解决上述问题,本申请提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令被处理器执行时实现上述的方法。
与现有技术相比,本申请的加工异常检测方法包括获取加工数据图像,其中,加工数据图像基于加工过程的数值幅值生成;从加工数据图像中提取数值幅值大于预设幅值阈值对应的异常区域;计算异常区域对应的图像特征值,将图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。通过上述实施方式,利用数值幅值生成加工数据图像,然后再对加工数据图像进行异常区域提取以及异常区域的图像特征值计算,并将图像特征值与预设阈值进行比较,确定加工过程是否异常,从而将一维数据转化为二维的图像数据进行加工异常检测,提高加工异常检测的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的加工异常检测方法的一实施例流程示意图;
图2是本申请提供的加工数据图像的一实施例示意图;
图3是图1中步骤S103的第一实施例流程示意图;
图4是图1中步骤S103的第二实施例流程示意图;
图5是图1中步骤S103的第三实施例流程示意图;
图6是图1中步骤S103的第四实施例流程示意图;
图7是图1中步骤S103的第五实施例流程示意图;
图8是本申请提供的加工异常检测装置一实施例结构示意图;
图9是本申请提供的加工异常检测设备一实施例的结构示意图;
图10是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面结合附图和实施例,对本申请作进一步的详细描述。特别指出的是,以下实施例仅用于说明本申请,但不对本申请的范围进行限定。同样的,以下实施例仅为本申请的部分实施例而非全部实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
本申请的描述中,需要说明的是,除非另外明确的规定和限定,术语“安装”、“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,可以是可拆卸连接,或一体地连接;可以是机械来能接,也可以是电连接;可以是直接相连,也可以通过中间媒介间隔相连。对于本领域的普通技术人员而言,可以具体情况连接上述属于在本申请的具体含义。
机械领域加工过程中常常会出现各种形式的异常状态,包括机床(主轴异常、进给轴异常等)、工件(来料不均、夹具受力不均等)、刀具(刀具断裂、刀具磨损、刀具崩刃等)、工艺(转速、进给速度等设置不合理)等不同方面。这些加工过程中的异常状态可以通过采集高频数据(如振动、电流、声音等),进行信号处理和分析,从而用一种或多种信号计算的方式来区别出正常加工信号和异常加工信号。
传统方法为时域上取特征值,观察异常加工的数值有无较正常加工大或小;后来演变为在频域上寻找单个目标频带或多个目标频带的组合,如转频或某个故障频率附近,也不能很好的区分异常加工,在某些应用场景误报警漏报警频繁发生。
为解决上述存在的技术问题,本申请提供了一种加工异常检测方法,参见图1,图1是本申请提供的加工异常检测方法的一实施例流程示意图,具体而言,包括如下步骤S101~步骤S103。
步骤S101:获取加工数据图像,其中,加工数据图像基于加工过程的数值幅值生成。
加工数据图像中可以通过获取加工的频率、加工的时间以及加工过程中的数值幅值生成,具体地,在加工过程中,可实时获取加工频率、加工时间以及数值幅值,然后通过滑窗和快速傅里叶变换(fast Fourier transform,FFT)将加工频率、加工时间以及数值幅值转换为体现在加工数据图像中,如图2所示,图2所示的加工数据图像的横轴为频率,纵轴为时间,覆盖在加工数据图像中的内容为数值幅值,数值幅值较小即对应微弱信号,数值幅值较大时即对应强烈信号,由此数值幅值可通过颜色体现在加工数据图像中,例如数值幅值较小时,对应的颜色为冷色系,数值幅值较大时,对应的颜色为暖色系。在图2所示的加工数据图像中,当数值幅值为0.001时,所对应的颜色可以为冷色系,数值幅值逐渐变大的过程中,数值幅值所对应的颜色可由冷色系逐渐变为暖色系。在其他实施例中,数值幅值与颜色的对应关系可根据实际情况设定,在此不做具体限定。
需要说明的是,图2所示的加工数据图像为灰度图,但实际的加工数据图可以为彩色图,示例性地,加工数据图像可以包括RGB不同的通道,例如加工数据图像可以仅包括红色通道、蓝色通道或者绿色通道,加工数据图像还可以包括红色通道、蓝色通道和绿色通道中两两结合所形成的通道,加工数据图像还可以包括红色通道、蓝色通道和绿色通道结合所形成的通道。
步骤S102:从加工数据图像中提取数值幅值大于预设幅值阈值对应的异常区域。
加工数据图像中不同的数值幅值对应有不同的颜色区域,当数值幅值过大时,可认为此时加工处于异常状态,也即对应数值幅值大于预设数值幅值阈值的地方,应当需要重点关注,在本实施例中,可在加工数据图像中提取数值幅值大于预设幅值阈值对应的异常区域,以进行后续加工异常的判断,其中,异常区域可以为一个区域或者多个区域,在本实施例中不做具体限定。如图2所示,异常区域为两个,分别为加工数据图像中的两个虚线框内的区域。其中,提取异常区域的方式可通过图像纹理的变化、区域的边缘像素之间的差异度等等方式进行提取,在本实施例中,不对提取异常区域的手段做具体限定。具体地,在一些实施例中,可按照加工数据图像中的图像纹理的梯度变化情况,从加工数据图像中提取数值幅值大于预设幅值阈值对应的若干区域;计算每个区域的区域面积,将区域面积大于或等于第一预设面积阈值的区域作为异常区域。在一些实施例中,还可从区域面积大于第二预设面积阈值的区域中提取至少一个区域面积大于等于第一预设阈值且小于第二预设面积阈值的区域,作为异常区域。
在提取异常区域之前,还可以对加工数据图像进行预处理,例如按照预设加工情况将加工数据图像进行部分删除,例如对加工数据图像进行去噪处理,其中,去噪的方法可包括二值化和灰度分层、膨胀腐蚀、开闭运算、模糊混合、滤波等。
步骤S103:计算异常区域对应的图像特征值,将图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。
图像特征值可是通过提取异常区域的图像特征,计算图像特征值,再通过比较图像特征值与预设阈值之间的大小关系,确定加工过程是否异常。预设阈值可根据实际情况设定,或者预设阈值可根据不同的加工环境,获取多张图像进行计算得到。图像特征值可以属于最小值、最大值、均值、标准差、方差、内限差、四分位数等特征值类型中的一种或多种。例如在其中一种实施例中,图像特征值可以是最小值的特征值类型对应的图像特征值,然后将图像特征值与预设阈值进行比较,从而确定加工过程是否异常。例如在另一实施例中,图像特征值可以包括最小值的特征值类型对应的图像特征值和最大值的特征值类型对应的图像特征值,然后将两个图像特征值进行融合处理得到用来与预设阈值进行比较的图像特征值,从而确定加工过程是否异常,或者分别将两个图像特征值与预设阈值进行比较,从而确定加工过程是否异常。
通过上述实施方式,利用数值幅值生成加工数据图像,然后再对加工数据图像进行异常区域提取以及异常区域的图像特征值计算,并将图像特征值与预设阈值进行比较,确定加工过程是否异常,从而将一维数据转化为二维的图像数据进行加工异常检测,提高加工异常检测的准确性。
参见图3,图3是图1中步骤S103的第一实施例流程示意图,具体而言,包括如下步骤S301~步骤S303。
步骤S301:计算每个异常区域对应的图像特征值。
在本实施例中,异常区域为多个,例如异常区域为两个、三个、四个等等。特征值类型可包括最小值、最大值、均值、标准差、方差、内限差、四分位数等特征值类型。示例性地,异常区域包括两个,每个区域设定需要计算一个特征值类型,例如需要计算的特征值类型包括最小值,由此,可得到第一个异常区域的最小值对应的图像特征值,和第二个异常区域的最小值对应的图像特征值,共计得到两个图像特征值。
步骤S302:基于每个异常区域对应的区域权重和每个异常区域对应的图像特征值,确定异常区域的融合特征值。
可为每个异常区域设定一个区域权重,然后将图像特征值乘以对应的区域权重,得到每个图像特征值乘以权重后的数值,再将所有数值相加得到融合特征值。示例性地,以异常区域包括两个,并且第一个异常区域的区域权重为a1,第二个异常区域的区域权重为a2,第一个区域的图像特征值为x1,第二个区域的图像特征值为x2,由此可以计算融合特征值为a1*x1+a2*x2。
步骤S303:将融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
预设特征值阈值可根据实际情况设定或者根据较多的数据进行推测得到,预设特征值阈值可以是一个具体的数值,在本实施例中,可将融合特征值与预设特征值阈值进行大小比较,在融合特征值大于或等于预设特征值阈值时,可确定加工过程出现异常;在融合特征值小于预设特征值阈值时,可确定加工过程正常。
参见图4,图4是图1中步骤S103的第二实施例流程示意图,具体而言,包括如下步骤S401~步骤S403。
步骤S401:计算异常区域中每种特征值类型对应的图像特征值。
特征值类型可包括最小值、最大值、均值、标准差、方差、内限差、四分位数等特征值类型。示例性地,每个区域设定需要计算两个特征值类型,分别包括最小值和均值,由此,可得到异常区域的最小值和均值两个图像特征值。当异常区域的数量为多个时,可得到每个异常区域中特征值类型的图像特征值。
步骤S402:基于每种特征值类型对应的特征值权重和每种特征值类型对应的图像特征值,确定异常区域的融合特征值。
可为每种特征值类型设定一个特征值权重,然后将图像特征值乘以对应的特征值权重,得到每个图像特征值乘以权重后的数值,再将每个区域中的数值相加得到融合特征值。示例性地,以异常区域包括一个,每个区域设定需要计算两个特征值类型,分别包括最小值和均值,并且最小值的特征值权重为b1,均值的特征值权重为b2,异常区域的最小值为x1,异常区域的均值为y1,由此可以计算融合特征值为b1*x1+b2*y1。当异常区域为多个时,可以按照上述方式得到每个区域的融合特征值。
步骤S403:将融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
预设特征值阈值可根据实际情况设定或者根据较多的数据进行推测得到,预设特征值阈值可以是一个具体的数值,在本实施例中,可将融合特征值与预设特征值阈值进行大小比较,在融合特征值大于或等于预设特征值阈值时,可确定加工过程出现异常;在融合特征值小于预设特征值阈值时,可确定加工过程正常。在其他实施例中,当异常区域为多个时,可将每个异常区域的融合特征值分别与预设特征值阈值进行比较,当其中的一个融合特征值阈值大于或等于预设特征值阈值时,即可确定加工过程出现异常;当所有融合特征值均小于预设特征值阈值时,可确定加工过程正常。
参见图5,图5是图1中步骤S103的第三实施例流程示意图,具体而言,包括如下步骤S501~步骤S503。
步骤S501:计算每个异常区域中每种特征值类型对应的图像特征值。
在本实施例中,异常区域为多个,例如异常区域为两个、三个、四个等等。特征值类型可包括最小值、最大值、均值、标准差、方差、内限差、四分位数等特征值类型。示例性地,异常区域包括两个,每个区域设定需要计算两个特征值类型,分别包括最小值和均值,由此,可得到第一个异常区域的最小值和均值两个图像特征值,以及得到第二个异常区域的最小值和均值两个图像特征值,共计得到四个图像特征值。
步骤S502:基于每个异常区域对应的区域权重、每种特征值类型对应的特征值权重和每种特征值类型对应的图像特征值,确定异常区域的融合特征值。
可为每个异常区域设定一个区域权重,每种特征值类型设定一个特征值权重,然后将图像特征值乘以对应的区域权重以及对应的特征值权重,得到每个图像特征值乘以权重后的数值,再将所有数值相加得到融合特征值。示例性地,以异常区域包括两个,每个区域设定需要计算两个特征值类型,分别包括最小值和均值,并且第一个异常区域的区域权重为a1,第二个异常区域的区域权重为a2,最小值的特征值权重为b1,均值的特征值权重为b2,第一个区域的最小值为x1,第一个区域的均值为y1,第二个区域的最小值为x2,第二个区域的均值为y2,由此可以计算融合特征值为a1*b1*x1+a1*b2*y1+a2*b1*x1+a2*b2*y2。
步骤S503:将融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
预设特征值阈值可根据实际情况设定或者根据较多的数据进行推测得到,预设特征值阈值可以是一个具体的数值,在本实施例中,可将融合特征值与预设特征值阈值进行大小比较,在融合特征值大于或等于预设特征值阈值时,可确定加工过程出现异常;在融合特征值小于预设特征值阈值时,可确定加工过程正常。
在一实施例中,预设特征值阈值还可通过以下方式确定,具体地,加工异常检测方法还包括:获取多张加工数据图像,其中,多个加工数据图像包括至少一张正常加工过程对应的正常加工数据图像和至少一张异常加工过程对应的异常加工数据图像,从异常加工数据图像中提取数值幅值大于预设幅值阈值对应异常区域,将异常加工数据图像中的异常区域映射在正常加工数据图像,提取正常加工数据图像中的目标区域,计算异常加工数据图像的异常区域对应的图像特征值,计算正常加工数据图像的目标区域对应的图像特征值,基于正常加工数据图像的图像特征值得到第一融合特征阈值,以及基于异常加工数据图像的图像特征值得到第二融合特征阈值,从第一融合特征阈值和第二融合特征阈值所组成的区间范围中选取预设特征值阈值。
具体地,本实施例中确定的预设特征值阈值可应用于图3-图5所示的实施例中。其中,正常加工数据图像和异常加工数据图像均是在加工设备执行相同的工作流程时获取得到。正常加工图像可认为是加工设备的加工过程为正常时所生成的加工数据图像,也即正常加工数据图像所对应的加工出来的工件品质为合格;异常加工图像可认为是加工设备的加工过程为异常时,所生成的加工数据图像,也即正常加工数据图像所对应的加工出来的工件品质为不合格。在本实施例中,确定预设特征值阈值可以是在运用预设特征值阈值与图像特征值进行比较之前实施。例如,确定预设特征值阈值可以是在步骤S103之前、步骤S102之前或者步骤S101之前执行进行均可。在本实施例中,可采用从加工数据图像中提取异常区域的相同或相似的方式从异常加工数据图像中提取异常区域。在确定异常区域后,可将异常区域映射在正常加工数据图像中,从而得到正常加工数据图像中的目标区域。在确定异常区域和目标区域之后,可采用与上述实施例中相同或相似的方式分别计算异常区域和目标区域所对应的图像特征值。从而得到第一融合特征阈值和第二融合特征阈值,由于第一融合特征值和第二融合特征值的数值大小不同,即可由第一融合特征值和第二融合特征值组成一个区间范围,例如第一融合特征值为c,第二融合特征值为d,且c大于d,此时的区间范围为c至d,然后在从区间范围中选取数值作为预设特征值阈值。在一些实施例中,正常加工数据图像和异常加工数据图像的数量可以为多个,由此可计算出多个第一融合特征值和多个第二融合特征值,并可从多个第一融合特征值中选取一个最大的第一融合特征值,以及从多个第二融合特征值中选取一个最小的第二融合特征值来组成区间范围。
参见图6,参见图6,图6是图1中步骤S103的第四实施例流程示意图,具体而言,包括如下步骤S601~步骤S604。
步骤S601:计算异常区域中每种特征值类型对应的图像特征值。
特征值类型可包括最小值、最大值、均值、标准差、方差、内限差、四分位数等特征值类型。示例性地,每个区域设定需要计算两个特征值类型,分别包括最小值和均值,由此,可得到异常区域的最小值和均值两个图像特征值。当异常区域的数量为多个时,可得到每个异常区域中特征值类型的图像特征值。
步骤S602:将每种特征值类型对应的特征值权重与每种特征值类型对应的图像特征值相乘,得到包括多个特征值的特征值组。
可为每种特征值类型设定一个特征值权重,然后将图像特征值乘以对应的特征值权重,得到每个图像特征值乘以权重后的数值,多个数值即可共同组成特征值组。示例性地,以异常区域包括一个,每个区域设定需要计算两个特征值类型,分别包括最小值和均值,并且最小值的特征值权重为b1,均值的特征值权重为b2,异常区域的最小值为x1,异常区域的均值为y1,由此可以得到两个特征值,分别为b1*x1和b2*y1。当异常区域为多个时,即可按照上述方式得到每个区域的特征值组。
步骤S603:将特征值组中的多个特征值与正常加工数据图像中对应的图像特征值组进行相似度计算,得到相似度值。
正常加工图像可认为是加工设备的加工过程为正常时所生成的加工数据图像,也即正常加工数据图像可以是工件在理想状态下加工所生成的加工数据图像。当在加工异常图像中确定异常区域之后,可将异常区域映射在正常加工数据图像中,由此,可在正常加工数据图像中提取出异常区域对应的区域,然后按照与得到异常区域中特征值组相同的方式得到对应区域的特征值组。然后可通过相似度计算方式计算加工数据图像的特征值组与正常加工数据图像中对应的特征值组之间的相似度,得到一个相似度值。其中计算方式可包括计算欧氏距离、马氏距离、余弦距离等等。
步骤S604:将相似度值与预设相似度阈值进行比较,基于比较结果确定加工过程是否异常。
预设相似度阈值可根据实际情况设定或者根据较多的数据进行推测得到,预设相似度阈值可以是一个具体的数值,在本实施例中,可将相似度值与预设相似度阈值进行大小比较,在相似度值小于预设特征值阈值时,可确定加工过程出现异常;在融合特征值大于或等于预设特征值阈值时,可确定加工过程正常。
参见图7,参见图7,图7是图1中步骤S103的第五实施例流程示意图,具体而言,包括如下步骤S701~步骤S704。
步骤S701:计算每个异常区域对应的图像特征值。
在本实施例中,异常区域为多个,例如异常区域为两个、三个、四个等等。特征值类型可包括最小值、最大值、均值、标准差、方差、内限差、四分位数等特征值类型。示例性地,异常区域包括两个,每个区域设定需要计算一个特征值类型,例如需要计算的特征值类型包括最小值,由此,可得到第一个异常区域的最小值对应的图像特征值,和第二个异常区域的最小值对应的图像特征值,共计得到两个图像特征值。
步骤S702:将每个异常区域对应的区域权重与每个异常区域对应的图像特征值相乘,得到包括多个特征值的特征值组。
可为每个异常区域设定一个区域权重,然后将图像特征值乘以对应的区域权重,得到每个图像特征值乘以权重后的数值。示例性地,以异常区域包括两个,并且第一个异常区域的区域权重为a1,第二个异常区域的区域权重为a2,第一个区域的图像特征值为x1,第二个区域的图像特征值为x2,由此可以计算得到两个特征值包括:a1*x1和a2*x2。
步骤S703:将特征值组中的多个特征值与正常加工数据图像中对应的图像特征值组中的多个特征值进行相似度计算,得到相似度值。
正常加工图像可认为是加工设备的加工过程为正常时所生成的加工数据图像,也即正常加工数据图像可以是工件在理想状态下加工所生成的加工数据图像。当在加工异常图像中确定异常区域之后,可将异常区域映射在正常加工数据图像中,由此,可在正常加工数据图像中提取出异常区域对应的区域,然后按照与得到异常区域中特征值组相同的方式得到对应区域的特征值组,再可通过相似度计算方式计算加工数据图像的特征值组与正常加工数据图像中对应的特征值组之间的相似度,得到一个相似度值。其中计算方式可包括计算欧氏距离、马氏距离、余弦距离等等。
步骤S704:将相似度值与预设相似度阈值进行比较,基于比较结果确定加工过程是否异常。
预设相似度阈值可根据实际情况设定或者根据较多的数据进行推测得到,预设相似度阈值可以是一个具体的数值,在本实施例中,可将相似度值与预设相似度阈值进行大小比较,在相似度值小于预设特征值阈值时,可确定加工过程出现异常;在融合特征值大于或等于预设特征值阈值时,可确定加工过程正常。
在一实施例中,预设相似度阈值还可通过以下方式确定,具体地,加工异常检测方法还包括:获取多张加工数据图像和标准数据图像,其中多张加工数据图像包括至少一张正常加工过程对应的正常加工数据图像和至少一张异常加工过程对应的异常加工数据图像;从异常加工数据图像中提取数值幅值大于预设幅值阈值对应异常区域,将异常加工数据图像中的异常区域映射在正常加工数据图像和标准数据图像中,提取正常加工数据图像中的目标区域和标准加工数据图像中的标准区域;提取异常加工数据图像中的异常区域的特征值组、目标区域的特征值组和标准区域的特征值组;计算异常加工数据图像中的异常区域的特征值组与标准区域的特征值组之间的第一相似度值,以及计算目标区域的特征值组和标准区域的特征值组之间的第二相似度值;从第一相似度值和第二相似度值所组成的区间范围中选取预设相似度阈值。
具体地,本实施例中确定的预设特征值阈值可应用于图6-图7所示的实施例中。其中,正常加工数据图像和异常加工数据图像均是在加工设备执行相同的工作流程时获取得到。标准数据图像可以是按照加工设备设定的规则,所生成的理想状态的图像,也即标准数据图像所对应的加工出来的工件品质为质量较优。正常加工图像可认为是加工设备的加工过程为正常时所生成的加工数据图像,也即正常加工数据图像所对应的加工出来的工件品质为合格;异常加工图像可认为是加工设备的加工过程为异常时,所生成的加工数据图像,也即正常加工数据图像所对应的加工出来的工件品质为合格。在本实施例中,确定预设相似度阈值可以是在运用预设相似度阈值与相似度值进行比较之前实施。例如,确定预设相似度阈值可以是在步骤S103之前、步骤S102之前或者步骤S101之前执行进行均可。在本实施例中,可采用从加工数据图像中提取异常区域的相同或相似的方式从异常加工数据图像中提取异常区域。在确定异常区域后,可将异常区域映射在正常加工数据图像和标准加工数据图像中,从而得到正常加工数据图像中的目标区域和标准加工数据图像中的标准区域。在确定异常区域、目标区域和标准区域之后,可采用与上述实施例中相同或相似的方式分别计算异常区域、目标区域和标准区域所对应的特征值组。然后计算异常加工数据图像中的异常区域的特征值组与标准区域的特征值组之间的第一相似度值,以及计算目标区域的特征值组和标准区域的特征值组之间的第二相似度值。由于第一相似度值和第二相似度值的数值大小不同,即可由第一相似度值和第二相似度值组成一个区间范围,例如第一相似度值为c,第二相似度值为d,且c小于d,此时的区间范围为d至c,然后在从区间范围中选取数值作为预设相似度阈值。在一些实施例中,正常加工数据图像和异常加工数据图像的数量可以为多个,由此可计算出多个第一相似度值和多个第二相似度值,并可从多个第一相似度值中选取一个最小的第一相似度值,以及从多个第二相似度值中选取一个最大的第二相似度值来组成区间范围。
通过上述实施方式,利用数值幅值生成加工数据图像,然后再对加工数据图像进行异常区域提取以及异常区域的图像特征值计算,并将图像特征值与预设阈值进行比较,确定加工过程是否异常,从而将一维数据转化为二维的图像数据进行加工异常检测,提高加工异常检测的准确性。
进一步地,上述服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,例如用来提供分布式服务器的软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
为实现上述实施例的加工异常检测方法,本申请提供了一种加工异常检测装置。参见图8,图8是本申请提供的加工异常检测装置一实施例结构示意图。
具体地,加工异常检测装置80可以包括:获取模块81、提取模块82以及确定模块83。
获取模块81用于获取加工数据图像,其中,加工数据图像基于加工过程的数值幅值生成。
提取模块82用于从加工数据图像中提取数值幅值大于预设幅值阈值对应的异常区域。
确定模块83用于计算异常区域对应的图像特征值,将图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。
其中,在本申请的一个实施例,图8所示的加工异常检测装置80中的各个模块可以分别或全部合并为一个或若干个单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个子单元,可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的,在实际应用中,一个模块的功能也可以由多个单元来实现,或者多个模块的功能由一个单元实现。在本申请的其它实施例中,加工异常检测装置80也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
上述方法应用于加工异常检测设备中。具体请参阅图9,图9是本申请提供的加工异常检测设备一实施例的结构示意图,本实施例加工异常检测设备90包括处理器91和存储器92。其中,存储器92中存储有计算机程序,处理器91用于执行计算机程序以实现上述加工异常检测方法。
其中,处理器91可以是一种集成电路芯片,具有信号的处理能力。处理器91还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
对于上述实施例的加工异常检测方法,其可以计算机程序的形式呈现,本申请提出一种承载计算机程序的计算机存储介质,请参阅图10,图10是本申请提供的计算机存储介质一实施例的结构示意图,本实施例计算机存储介质100包括计算机程序110,其可被执行以实现上述加工异常检测方法。
本实施例计算机存储介质100可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储程序指令的介质,或者也可以为存储有该程序指令的服务器,该服务器可将存储的程序指令发送给其他设备运行,或者也可以自运行该存储的程序指令。
另外,上述功能如果以软件功能的形式实现并作为独立产品销售或使用时,可存储在一个移动终端可读取存储介质中,即,本申请还提供一种存储有程序数据的存储装置,所述程序数据能够被执行以实现上述实施例的方法,该存储装置可以为如U盘、光盘、服务器等。也就是说,本申请可以以软件产品的形式体现出来,其包括若干指令用以使得一台智能终端执行各个实施例所述方法的全部或部分步骤。
在本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(可以是个人计算机,服务器,网络设备或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种加工异常检测方法,其特征在于,所述加工异常检测方法包括:
获取加工数据图像,其中,所述加工数据图像基于加工过程的数值幅值生成;
从所述加工数据图像中提取所述数值幅值大于预设幅值阈值对应的异常区域;
计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。
2.根据权利要求1所述的加工异常检测方法,其特征在于,所述异常区域为多个,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:
计算每个所述异常区域对应的图像特征值;
基于每个所述异常区域对应的区域权重和每个所述异常区域对应的所述图像特征值,确定所述异常区域的融合特征值;
将所述融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
3.根据权利要求1所述的加工异常检测方法,其特征在于,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:
计算所述异常区域中每种特征值类型对应的图像特征值;
基于每种所述特征值类型对应的特征值权重和每种所述特征值类型对应的所述图像特征值,确定所述异常区域的融合特征值;
将所述融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
4.根据权利要求1所述的加工异常检测方法,其特征在于,所述异常区域为多个,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:
计算每个所述异常区域中每种特征值类型对应的图像特征值;
基于每个所述异常区域对应的区域权重、每种所述特征值类型对应的特征值权重和每种所述特征值类型对应的所述图像特征值,确定所述异常区域的融合特征值;
将所述融合特征值与预设特征值阈值进行比较,基于比较结果确定加工过程是否异常。
5.根据权利要求2-4任意一项所述的加工异常检测方法,其特征在于,所述加工异常检测方法包括:
获取多张加工数据图像,其中,所述多个加工数据图像包括至少一张正常加工过程对应的正常加工数据图像和至少一张异常加工过程对应的异常加工数据图像;
从所述异常加工数据图像中提取所述数值幅值大于预设幅值阈值对应异常区域,将所述异常加工数据图像中的异常区域映射在所述正常加工数据图像,提取所述正常加工数据图像中的目标区域;
计算所述异常加工数据图像的异常区域对应的图像特征值,计算所述正常加工数据图像的目标区域对应的图像特征值;
基于所述正常加工数据图像的图像特征值得到第一融合特征阈值,以及基于所述异常加工数据图像的图像特征值得到第二融合特征阈值,从所述第一融合特征阈值和所述第二融合特征阈值所组成的区间范围中选取所述预设特征值阈值。
6.根据权利要求1所述的加工异常检测方法,其特征在于,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:
计算所述异常区域中每种特征值类型对应的图像特征值;
将每种所述特征值类型对应的特征值权重与每种所述特征值类型对应的所述图像特征值相乘,得到包括多个特征值的特征值组;
将所述特征值组中的多个特征值与正常加工数据图像中对应的图像特征值组进行相似度计算,得到相似度值;
将所述相似度值与预设相似度阈值进行比较,基于比较结果确定加工过程是否异常。
7.根据权利要求1所述的加工异常检测方法,其特征在于,所述异常区域为多个,所述计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常,包括:
计算每个所述异常区域对应的图像特征值;
将每个所述异常区域对应的区域权重与每个所述异常区域对应的图像特征值相乘,得到包括多个特征值的特征值组;
将所述特征值组中的多个特征值与正常加工数据图像中对应的图像特征值组中的多个特征值进行相似度计算,得到相似度值;
将所述相似度值与预设相似度阈值进行比较,基于比较结果确定加工过程是否异常。
8.根据权利要求6或7所述的加工异常检测方法,其特征在于,所述加工异常检测方法包括:
获取多张加工数据图像和标准数据图像,其中多张加工数据图像包括至少一张正常加工过程对应的正常加工数据图像和至少一张异常加工过程对应的异常加工数据图像;
从所述异常加工数据图像中提取所述数值幅值大于预设幅值阈值对应异常区域,将所述异常加工数据图像中的异常区域映射在所述正常加工数据图像和所述标准数据图像中,提取所述正常加工数据图像中的目标区域和所述标准加工数据图像中的标准区域;
提取所述异常加工数据图像中的异常区域的特征值组、所述目标区域的特征值组和所述标准区域的特征值组;
计算所述异常加工数据图像中的异常区域的特征值组与所述标准区域的特征值组之间的第一相似度值,以及计算所述目标区域的特征值组和所述标准区域的特征值组之间的第二相似度值;
从所述第一相似度值和所述第二相似度值所组成的区间范围中选取所述预设相似度阈值。
9.一种加工异常检测装置,其特征在于,包括:获取模块、提取模块以及确定模块;
所述获取模块用于获取加工数据图像,其中,所述加工数据图像基于加工过程的数值幅值生成;
所述提取模块用于从所述加工数据图像中提取所述数值幅值大于预设幅值阈值对应的异常区域;
所述确定模块用于计算所述异常区域对应的图像特征值,将所述图像特征值与预设阈值进行比较,基于比较结果确定加工过程是否异常。
10.一种加工异常检测设备,其特征在于,包括:处理器和存储器,所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现权利要求1至9中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303865.4A CN116385384A (zh) | 2023-03-20 | 2023-03-20 | 一种加工异常检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303865.4A CN116385384A (zh) | 2023-03-20 | 2023-03-20 | 一种加工异常检测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385384A true CN116385384A (zh) | 2023-07-04 |
Family
ID=86964085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310303865.4A Pending CN116385384A (zh) | 2023-03-20 | 2023-03-20 | 一种加工异常检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385384A (zh) |
-
2023
- 2023-03-20 CN CN202310303865.4A patent/CN116385384A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2754091B1 (en) | Measurement of belt wear through edge detection of a raster image | |
US9947164B2 (en) | Automatic fault diagnosis method and device for sorting machine | |
CN104504120A (zh) | 一种相似图片检测方法及装置 | |
CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
CN111221996B (zh) | 仪表屏幕视觉检测方法和系统 | |
KR102163155B1 (ko) | 중첩 산점도를 이용한 데이터 변환 방법 및 장치 | |
CN113256608B (zh) | 工件缺陷检测方法和装置 | |
CN114610553A (zh) | 一种智能设备检测系统及其检测方法 | |
CN116385384A (zh) | 一种加工异常检测方法、装置、设备和存储介质 | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
US20230008435A1 (en) | Tool Wear Monitoring Device, Tool Wear Monitoring System, and Program | |
CN113382348B (zh) | 耳机的检测方法、装置、系统及计算机可读存储介质 | |
US20040008892A1 (en) | Apparatus and method for characterizing digital images | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN104570934A (zh) | 产品加工部位检测方法及系统 | |
CN110675369B (zh) | 联轴器失配检测方法及相关设备 | |
CN116416226A (zh) | 一种加工异常检测方法、装置、设备和存储介质 | |
CN110533644B (zh) | 一种基于图像识别的绝缘子检测方法 | |
CN108090430B (zh) | 人脸检测的方法及其装置 | |
JP2020173547A (ja) | 画像検査システム、画像検査装置及び画像検査プログラム | |
CN111222495A (zh) | 基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法 | |
CN117152447B (zh) | 一种冲切模具智能管理方法及系统 | |
CN113239944B (zh) | 一种图像特征提取方法、装置、电子设备及介质 | |
US20210310899A1 (en) | Device for monitoring an equipment |
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 |