CN116460931A - 机器人智能钻孔方法、终端及板材生产线 - Google Patents
机器人智能钻孔方法、终端及板材生产线 Download PDFInfo
- Publication number
- CN116460931A CN116460931A CN202310453966.XA CN202310453966A CN116460931A CN 116460931 A CN116460931 A CN 116460931A CN 202310453966 A CN202310453966 A CN 202310453966A CN 116460931 A CN116460931 A CN 116460931A
- Authority
- CN
- China
- Prior art keywords
- drilling
- information
- robot
- plate
- control system
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 433
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 108
- 238000013145 classification model Methods 0.000 claims description 70
- 238000003860 storage Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 27
- 239000000463 material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 21
- 239000000523 sample Substances 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229920000877 Melamine resin Polymers 0.000 description 1
- 230000006750 UV protection Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 229920000122 acrylonitrile butadiene styrene Polymers 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- JDSHMPZPIAZGSV-UHFFFAOYSA-N melamine Chemical compound NC1=NC(N)=NC(N)=N1 JDSHMPZPIAZGSV-UHFFFAOYSA-N 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 1
- 239000004926 polymethyl methacrylate Substances 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000004224 protection Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B27—WORKING OR PRESERVING WOOD OR SIMILAR MATERIAL; NAILING OR STAPLING MACHINES IN GENERAL
- B27C—PLANING, DRILLING, MILLING, TURNING OR UNIVERSAL MACHINES FOR WOOD OR SIMILAR MATERIAL
- B27C3/00—Drilling machines or drilling devices; Equipment therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B27—WORKING OR PRESERVING WOOD OR SIMILAR MATERIAL; NAILING OR STAPLING MACHINES IN GENERAL
- B27M—WORKING OF WOOD NOT PROVIDED FOR IN SUBCLASSES B27B - B27L; MANUFACTURE OF SPECIFIC WOODEN ARTICLES
- B27M3/00—Manufacture or reconditioning of specific semi-finished or finished articles
- B27M3/18—Manufacture or reconditioning of specific semi-finished or finished articles of furniture or of doors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1413—1D bar codes
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Wood Science & Technology (AREA)
- Forests & Forestry (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Toxicology (AREA)
- Electromagnetism (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了一种机器人智能钻孔方法、终端及板材生产线,所述机器人智能钻孔方法包括:扫描器扫描粘贴在板材上的条形码以获取板材的条形码信息,并将条形码信息发送给控制系统,控制系统根据条形码信息查询得到板材的钻孔信息及钻孔条件;控制系统获取板材生产线上的钻孔机器人的机器人信息,将机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足钻孔条件的匹配信息,将目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的目标钻孔工艺对板材进行钻孔,以通过人工智能算法自动匹配满足要求的目标钻孔机器人,提高生产效率和准确性。
Description
技术领域
本发明涉及板材钻孔技术领域,尤其涉及一种机器人智能钻孔方法、终端及板材生产线。
背景技术
定制家具是板式家具的一个种类,板式家具是指以人造板为主要基材、以板件为基本结构的拆装组合式家具。按生产模式的不同,板式家具可以分为:手工家具,机械化、规模化生产的成品家具和定制家具。定制家具的兴起,最初主要集中在定制橱柜、定制衣柜等领域,主要由于国外流行的整体厨房、壁柜移门的传入,以及厨房、衣柜对房屋空间利用的要求相对严格等原因形成的,随着家具企业生产技术的提高和我国居民对家具消费理念的成熟,定制家具逐步拓展到卧室、书房、客厅、餐厅以及厨房等全屋家具领域。
对消费者来说,定制家具具有个性化设计、尺寸贴切、空间利用率高、款式新颖美观等特点。对企业来说,定制家具以销定产,可以避免产能过剩的问题,大幅降低库存资金占用,存货周转快,提高了企业的盈利能力和抗风险能力;同时减少木材浪费、有利于环境保护,具有良好的社会效益。
而随着工业化进程的加快,越来越多的生产过程得到了自动化的实现。板材加工行业中,钻孔是一个不可避免的工序之一,而传统的钻孔方式往往需要大量的人力和时间的投入,而且精度不够高,效率也不够高。
在申请号为CN 202210434879 .5的技术方案中,虽然其也实现了整个钻孔过程不需要人工操作,自动化程度得到了提高,但其加工的对象是电路板,与家具板材的加工过程具有较大差异。
发明内容
本发明提供一种机器人智能钻孔方法、终端及板材生产线,以通过智能化技术,优化板材生产线上的钻孔过程,提高生产效率和准确性。
为解决上述问题,本发明采用如下技术方案:
本发明提供一种机器人智能钻孔方法,应用于板材生产线,所述板材生产线包括扫描器、钻孔机器人及控制系统,所述扫描器及钻孔机器人分别与所述控制系统电性连接,所述钻孔机器人用于按照所述控制系统下发的钻孔程序对板材进行钻孔,其中,所述机器人智能钻孔方法包括:
当封边后的板材经过所述扫描器后,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息,并将所述条形码信息发送给所述控制系统;
所述控制系统根据所述条形码信息查询得到所述板材的钻孔信息及钻孔条件;其中,所述钻孔信息包括钻孔数量、孔型、孔径、孔位及孔深,所述钻孔条件包括所述板材的最大钻孔时长及钻孔精度;
所述控制系统获取所述板材生产线上的钻孔机器人的机器人信息;其中,所述机器人信息包括所述钻孔机器人的工作状态、各类工作状态的钻孔机器人数量、各钻孔机器人的刀具类型及各钻孔机器人的钻孔工艺,所述钻孔机器人的工作状态包括繁忙状态、空闲状态及故障状态;
所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息;其中,所述匹配信息包括所述板材需要调用的目标钻孔机器人、目标钻孔顺序及在各所述目标钻孔机器人的目标钻孔工艺,所述目标钻孔机器人的工作状态为空闲状态,所述板材匹配模型为卷积神经网络模型,用于根据机器人信息、板材的钻孔信息及钻孔条件输出相应的匹配信息;
所述控制系统将所述目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据所述目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材。
优选地,所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息的步骤,包括:
所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件进行标准化及向量化处理,得到特征向量;
将所述特征向量输入预先训练好的板材匹配模型中的输入层,并通过所述板材匹配模型中的各个隐藏层的加权计算,在所述板材匹配模型的输出层输出多个概率值;其中,所述概率值用以评估所述板材与钻孔机器人的匹配情况;
调用sigmoid函数对所述输出层的概率值进行处理,得到处理结果,根据所述处理结果确定满足所述钻孔条件的匹配信息。
优选地,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息的步骤,包括:
所述扫描器扫描粘贴在所述板材上的条形码,得到所述条形码上的黑条和白条,并通过内置的传感器将读取的黑条和白条转换为数字信息;
所述扫描器的处理器将所述数字信息转换为二进制码,并判断所述二进制码是否符合条形码格式,若判定所述二进制码不符合条形码格式,所述扫描器则发出警告声;
若判定所述二进制码符合条形码格式,所述处理器则将所述二进制码转换为十进制码,作为所述板材的条形码信息。
优选地,所述各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材的步骤之后,还包括:
所述控制系统调用所述板材生产线上的摄像装置拍摄所述目标板材,得到第一板材图像;
对所述第一板材图像进行图像预处理后,得到第二板材图像;其中,所述图像预处理包括图像去噪、二值化处理及形态学处理;
利用Hough变换算法从所述第二板材图像中提取出圆形的孔洞特征;其中,所述孔洞特征包括钻孔位置、孔径及孔深;
计算所述板材的孔洞特征与相应的钻孔信息的误差值;
根据所述误差值及预先为所述孔洞特征设定的第一权重计算所述板材的第一评估值;
判断所述板材的第一评估值是否低于第一预设评估值;
若是,则判定所述板材钻孔质量不合格;
若否,则对所述第二板材图像进行边缘检测以确定所述板材的毛刺特征,并计算所述毛刺特征的数量和大小;
根据所述毛刺特征的数量、大小以及预先为所述毛刺特征设定的第二权重计算所述板材的第二评估值;
判断所述板材的第二评估值是否低于第二预设评估值;
若是,则判定所述板材钻孔质量不合格;
若否,则调用所述板材生产线上的超声波发射装置将高频声波传递到所述目标板材上,并接收到超声波传回的回声信号,通过超声波信号处理技术提取所述回声信号的信号特征;其中,所述超声波信号处理技术包括傅里叶变换、小波变换、包络分析及共振频率测量,所述信号特征包括波形、频谱及能量;
根据所述回声信号的信号特征判断所述板材的孔洞状态是否合格;
若否,则判定所述板材钻孔质量不合格;
若是,则判定所述板材钻孔质量合格。
进一步地,所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息的步骤之前,还包括:
获取训练数据;其中,所述训练数据包括多个训练样本,每个训练样本都包括一组标准机器人信息、标准钻孔信息、标准钻孔条件及相应的标准匹配信息;
从所述训练数据中随机选取K组训练集;其中,每组训练集都包括多个训练样本,且每组训练集的训练样本的数量相同但不重复;
基于决策树算法对所述K组训练集进行训练,得到K个训练后的分类模型;
判断所述K个训练后的分类模型的训练结果是否都满足要求;
若是,则将所述K个训练后的分类模型进行组合,得到板材匹配模型;其中,所述板材匹配模型为完成训练的卷积神经网络模型。
优选地,所述判断所述K个训练后的分类模型的训练结果是否都满足要求的步骤,包括:
利用预设的损失函数分别计算训练后的每个分类模型的损失值;
判断所述每个训练后的分类模型的损失值是否都低于预设损失值;
若是,则判定所述K个训练后的分类模型的训练结果都满足要求;
若否,则筛选出训练结果不满足要求的分类模型,得到第一分类模型,调整所述第一分类模型的相关参数,随机选取一组训练集对调整参数后的所述第一分类模型进行再次训练,直至所述第一分类模型的损失值低于预设损失值时停止训练,得到训练结果满足要求的分类模型;
其中,所述预设的损失函数包括:
;
其中,n是训练样本的数量,是第a个训练样本的标准匹配信息对应的真实标签值,/>是第a个训练样本的模型预测值。
进一步地,所述控制系统获取所述板材生产线上的钻孔机器人的机器人信息之后,还包括:
所述控制系统对所述机器人信息进行属性分析,确定各类机器人信息所属的数据属性,按照所述数据属性对机器人信息进行筛选,筛选出隐私性强的机器人信息作为隐私数据;
所述控制系统获取所述隐私数据所属钻孔机器人的标识信息;其中,所述标识信息包括机器人编号;
所述控制系统将所属同一标识信息的所述隐私数据存储至同一个存储设备中,将所属不同标识信息的所述隐私数据存储至不同的存储设备中,且在同一个存储设备中,将具有相同数据类型的所述隐私数据存储至同一片存储空间,将具有不同数据类型的所述隐私数据存储至不同片存储空间;其中,所述数据类型包括整数型、浮点型、字符型及布尔型;
所述控制系统接收用户手机所发起的查询指令,并获取所述手机的摄像头拍摄得到的所述用户的人脸信息,对所述用户的人脸信息进行校验,在校验通过后,从所述查询指令中获取所述用户的用户账号;
按照所述用户账号从左到右的顺序,将每相邻的两个数字的平均数进行拼接后,得到一条字符串;其中,所述用户账号是由多个0到9的数字随机组成,所述用户账号中的数字数量是所述标识信息的字符数量的两倍;
判断所述字符串与所需查询的存储设备的标识信息是否相匹配,若是,则从相匹配的存储设备中获取隐私数据,得到目标隐私数据;
将所述目标隐私数据返回给所述用户。
优选地,所述控制系统对所述机器人信息进行属性分析,确定各类机器人信息所属的数据属性的步骤,包括:
所述控制系统将所述机器人信息与参考隐私信息进行比对,确定所述机器人信息中含有的隐私字符;
计算所述机器人信息中隐私字符的隐私比例;
判断所述隐私比例是否大于预设隐私比例;
当判定所述隐私比例大于预设隐私比例时,则将所述机器人信息的数据属性确定为隐私性强的机器人信息;
当判定所述隐私比例不大于预设隐私比例时,则将所述机器人信息的数据属性确定为非隐私性强的机器人信息。
本发明提供一种终端,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上任一项所述的机器人智能钻孔方法的步骤。
本发明提供一种板材生产线,包括扫描器、钻孔机器人及控制系统,所述扫描器及钻孔机器人分别与所述控制系统电性连接,所述钻孔机器人用于按照所述控制系统下发的钻孔程序对板材进行钻孔,所述板材生产线用于执行如上任一项所述的机器人智能钻孔方法的步骤。
相对于现有技术,本发明的技术方案至少具备如下优点:
本发明提供的机器人智能钻孔方法、终端及板材生产线,当封边后的板材经过扫描器后,扫描器扫描粘贴在板材上的条形码以自动获取板材的条形码信息,并将条形码信息发送给控制系统,控制系统根据条形码信息查询得到板材的钻孔信息及钻孔条件,以快速获取得到板材的相关信息;控制系统获取板材生产线上的钻孔机器人的机器人信息,将机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息,将目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的目标钻孔工艺对板材进行钻孔,得到目标板材,从而根据板材信息及钻孔要求,通过人工智能算法自动匹配满足要求的目标钻孔机器人,并根据目标钻孔顺序合理调用各目标钻孔机器人,以优化板材生产线上的钻孔过程,提高生产效率和准确性。
附图说明
图1为本发明机器人智能钻孔方法一种实施例流程框图;
图2为本发明机器人智能钻孔装置一种实施例模块框图;
图3为本发明一个实施例中终端的内部结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S11、S12等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域普通技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种机器人智能钻孔方法,应用于板材生产线,所述板材生产线包括扫描器、钻孔机器人及控制系统,所述扫描器及钻孔机器人分别与所述控制系统电性连接,所述钻孔机器人用于按照所述控制系统下发的钻孔程序对板材进行钻孔,其中,所述机器人智能钻孔方法包括:
S11、当封边后的板材经过所述扫描器后,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息,并将所述条形码信息发送给所述控制系统;
S12、所述控制系统根据所述条形码信息查询得到所述板材的钻孔信息及钻孔条件;其中,所述钻孔信息包括钻孔数量、孔型、孔径、孔位及孔深,所述钻孔条件包括所述板材的最大钻孔时长及钻孔精度;
S13、所述控制系统获取所述板材生产线上的钻孔机器人的机器人信息;其中,所述机器人信息包括所述钻孔机器人的工作状态、各类工作状态的钻孔机器人数量、各钻孔机器人的刀具类型及各钻孔机器人的钻孔工艺,所述钻孔机器人的工作状态包括繁忙状态、空闲状态及故障状态;
S14、所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息;其中,所述匹配信息包括所述板材需要调用的目标钻孔机器人、目标钻孔顺序及在各所述目标钻孔机器人的目标钻孔工艺,所述目标钻孔机器人的工作状态为空闲状态,所述板材匹配模型为卷积神经网络模型,用于根据机器人信息、板材的钻孔信息及钻孔条件输出相应的匹配信息;
S15、所述控制系统将所述目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据所述目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材。
如上述步骤S11所述,板材封边是指对板材的四周边缘进行加工处理,使其变得光滑,美观,并且可以增强其抗水、抗潮、抗污染、抗紫外线等性能。在实际生产中,封边主要是通过将PVC、ABS、PMMA、三聚氰胺等材料按照一定的规格加工压贴在板材的四周边缘上,并进行一定的割边、角度修整、打磨和抛光等处理工序,从而使板材达到封边的效果。
每块板材都粘贴有条形码,该条形码为板材的身份标识,具有唯一性,条形码是一种用于标识物品信息的编码标识符,通常由黑白条纹组成,可以被读取和解码。条形码可以携带各种信息,如标识产品的名称、型号、规格、颜色、质量等信息、标识产品的生产日期、批号等信息。在扫描条形码时,通过特定的扫描器,可以将条形码信息转换成数字或文字等可读的信息。这种方式快捷高效,被广泛应用于商品管理、物流配送、库存管理、采购等领域。因此能通过扫描器扫描粘贴在板材上的条形码,以获取所述板材的条形码信息,并将条形码信息发送给控制系统,该控制系统可以是服务器或计算机设备。
如上述步骤S12-S13所述,控制系统根据条形码信息从数据库中查询得到该板材的钻孔信息及钻孔条件,该钻孔信息可以包括钻孔数量、孔型(方孔、圆孔、异型孔)、孔径(大孔、中孔、小孔)、孔位(中心孔、斜孔、端孔)及孔深,该钻孔条件包括板材的最大钻孔时长及钻孔精度,该最大钻孔时长用以限定板材的钻孔时长,以确保钻孔效率,该钻孔精度用以限定板材的钻孔误差,以确保钻孔精度。此外,控制系统同时还获取板材生产线上的钻孔机器人的机器人信息,该机器人信息包括钻孔机器人的工作状态、各类工作状态的钻孔机器人数量、各钻孔机器人的刀具类型及各钻孔机器人的钻孔工艺,钻孔机器人的工作状态包括繁忙状态、空闲状态及故障状态,从而通过机器人信息了解当前能调用的、合适的钻孔机器人。
我们需要采用多种不同类型、不同工作状态的钻孔机器人,以满足不同孔型、不同孔径的钻孔需求。该钻孔机器人可以包括如下几种:
桥式数控铣床:主要用于加工板件较大、形状较复杂的孔型。
数控钻孔机:主要用于加工孔径较小、孔深较浅的孔型。
高速钻床:主要用于加工孔径较大、孔深较深的孔型。
如上述步骤S14-S15所述,板材匹配模型为预先训练好的卷积神经网络模型,用于根据机器人信息、板材的钻孔信息及钻孔条件输出相应的匹配信息,实现板材的自动匹配。本实施例将机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足钻孔条件的匹配信息,该匹配信息包括板材需要调用的目标钻孔机器人、目标钻孔顺序及在各所述目标钻孔机器人的目标钻孔工艺,目标钻孔机器人的工作状态为空闲状态。
例如,首先根据钻孔材料的硬度,选择硬度匹配的钻头,其次,根据钻孔的深度和直径,选择合适的钻孔机器人,最后根据实际钻孔效果,进行反馈和调整,以达到最优的钻孔效果和效率。其中,钻孔材料的硬度、钻孔深度和直径等信息可以通过机器视觉和传感器等智能设备获取。
控制系统将目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的目标钻孔工艺对所述板材进行钻孔,且在钻孔过程中实时监控不同钻孔机器人的钻孔情况,对钻孔机器人的数据进行分析和处理,优化钻孔机器人的任务分配,以提高钻孔效率和钻孔质量,以提高生产效率和质量,最终得到目标板材。例如,假设需要调用的目标钻孔机器人为A、B、C,各目标钻孔机器人下发的钻孔工艺对应为a、b、c,钻孔顺序依次为钻孔机器人B-钻孔机器人C-钻孔机器人A,则先调用钻孔机器人B按照下发的钻孔工艺b对板材进行钻孔,然后调用钻孔机器人C按照下发的钻孔工艺c对板材进行钻孔,最后调用钻孔机器人A按照下发的钻孔工艺a对板材进行钻孔,从而根据目标钻孔顺序合理调用各目标钻孔机器人,以提升钻孔智能化、自动化和数字化水平,优化板材生产线上的钻孔过程,提高生产效率和钻孔精度。
本发明提供的机器人智能钻孔方法,当封边后的板材经过扫描器后,扫描器扫描粘贴在板材上的条形码以自动获取板材的条形码信息,并将条形码信息发送给控制系统,控制系统根据条形码信息查询得到板材的钻孔信息及钻孔条件,以快速获取得到板材的相关信息;控制系统获取板材生产线上的钻孔机器人的机器人信息,将机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息,将目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的目标钻孔工艺对板材进行钻孔,得到目标板材,从而根据板材信息及钻孔要求,通过人工智能算法自动匹配满足要求的目标钻孔机器人,并根据目标钻孔顺序合理调用各目标钻孔机器人,以优化板材生产线上的钻孔过程,提高生产效率和准确性。
在一实施例中,所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息的步骤,可具体包括:
所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件进行标准化及向量化处理,得到特征向量;
将所述特征向量输入预先训练好的板材匹配模型中的输入层,并通过所述板材匹配模型中的各个隐藏层的加权计算,在所述板材匹配模型的输出层输出多个概率值;其中,所述概率值用以评估所述板材与钻孔机器人的匹配情况;
调用sigmoid函数对所述输出层的概率值进行处理,得到处理结果,根据所述处理结果确定满足所述钻孔条件的匹配信息。
在本实施例中,控制系统将机器人信息、板材的钻孔信息及钻孔条件进行标准化及向量化处理,得到特征向量,输入特征向量向板材匹配模型的输入层,通过各个隐藏层进行一系列的计算和加权,最终到达输出层,输出多个概率值,通过激活函数(sigmoid函数)对输出层的概率值进行处理,比较各个输出值和阈值,根据预设的阈值大小,将答案输出为对应的钻孔机器人类型的标签作为匹配信息。
例如,假设我们的板材匹配模型已经训练好,针对一个新的钻孔任务,我们需要将其分派给一台合适的钻孔机器人。首先,我们需要将这个钻孔任务的各项参数(机器人信息、板材的钻孔信息及钻孔条件)进行向量化并标准化,如深度、直径、位置、角度、材质等信息。接着,将这些参数输入到训练好的板材匹配模型中进行处理和计算,模型输出多个概率值。比方说,模型输出的概率值为[0.1, 0.4, 0.5],其中第1个和第2个概率都较低,第3个概率最高。接下来对这个概率向量进行处理,例如通过sigmoid函数进行标准化。标准化后的结果可能是[0.14, 0.24, 0.62]。如果我们按照概率向量中具有最高概率的位置来选择答案,那么我们会输出标签为"类型3"的答案,找到“类型3”对应的钻孔机器人作为目标钻孔机器人。
标准化是指将数据的每个特征都缩放到0均值和1标准差的范围内。在这个过程中,我们需要计算每个特征的均值和标准差。具体方法为:对于每个特征,减去该特征的均值,然后除以该特征的标准差。例如,我们有一个1000行、10列的数据集,我们对其中的每个特征进行标准化,该处理过程如下:
1、统计每个特征的均值和标准差;
2、对于第1个特征,将每个取值减去其均值,得到新的值;
3、对于第1个特征的新值,除以标准差,得到标准化后的值;
4、重复步骤2-3,对所有特征进行处理。
此外,还可以 Min-Max 标准化处理,Min-Max 标准化是指将数据的每个特征缩放到一个特定范围内。例如,将所有特征缩放到[0,1]或[-1,1]之间的范围内。具体方法为:对于每个特征,减去该特征的最小值,然后除以该特征的最大值和最小值之差。例如,我们有一个1000行、10列的数据集,我们对其中的每个特征进行Min-Max标准化,该处理过程如下:
1、统计每个特征的最小值和最大值;
2、对于第1个特征,将每个取值减去其最小值,得到新的值;
3、对于第1个特征的新值,除以最大值和最小值之差,得到标准化后的值;
4、重复步骤2-3,对所有特征进行处理。
举个例子,如果我们有一组钻孔任务的参数数据如下:
深度:50毫米,直径:1.5厘米,位置:纬度36.5度,经度118度,角度:30度,材质:岩石;
我们可以对这些钻孔任务的各项参数进行向量化,拼接成一个特征向量,如下:
[50, 1.5, 36.5, 118, 30, "岩石"];
然后,我们可以对这个特征向量进行标准化处理,例如对其中的深度和直径进行Min-Max标准化,对纬度和经度进行标准化,对角度进行Min-Max标准化,对材质进行独热编码,得到标准化后的特征向量,如下:
[0.5, 0.3, 0.8, 0.6, 0.2, 1, 0, 0, 0, 0];
在这个标准化后的特征向量中,第1和第2个特征已经被Min-Max标准化到[0, 1]之间,第3和第4个特征被标准化到[-1, 1]之间,第5个特征被Min-Max标准化到[0, 1]之间,材质则被独热编码成了10维的向量。
在一实施例中,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息的步骤,可具体包括:
所述扫描器扫描粘贴在所述板材上的条形码,得到所述条形码上的黑条和白条,并通过内置的传感器将读取的黑条和白条转换为数字信息;
所述扫描器的处理器将所述数字信息转换为二进制码,并判断所述二进制码是否符合条形码格式,若判定所述二进制码不符合条形码格式,所述扫描器则发出警告声;
若判定所述二进制码符合条形码格式,所述处理器则将所述二进制码转换为十进制码,作为所述板材的条形码信息。
在本实施例中,当扫描器扫描到一张条形码时,它首先会读取条形码上的黑条和白条,扫描器内置的传感器将读取的黑条和白条转换为数字信息,然后将结果发送给处理器,处理器会将数字信息转换为二进制码,扫描器会检查二进制码是否符合条形码格式。如果不符合,扫描器会发出警告声,如果符合,处理器会将二进制码转换为十进制码并作为所述板材的条形码信息。
此外,处理器将条形码信息与已存储的条形码数据库进行比对,以确定读取的条形码是否已存在于数据库中,如果读取的条形码已存在于数据库中,处理器会将已存储的信息返回给扫描器,并在扫描器的显示屏上显示相应的条形码信息。如果读取的条形码信息不存在于数据库中,处理器会将新的条形码信息存储在数据库中,并将信息返回给扫描器,以在显示屏上显示相应的条形码信息,扫描器会发出“扫描完成”信号,以告知用户读取的条形码已成功处理。
本实施例通过扫描器内置的传感器、处理器和数据库的协同工作,从而实现快速而准确地读取、比对和存储条形码信息,为用户带来便利的用户体验。
在一实施例中,所述各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材的步骤之后,还可包括:
所述控制系统调用所述板材生产线上的摄像装置拍摄所述目标板材,得到第一板材图像;
对所述第一板材图像进行图像预处理后,得到第二板材图像;其中,所述图像预处理包括图像去噪、二值化处理及形态学处理;
利用Hough变换算法从所述第二板材图像中提取出圆形的孔洞特征;其中,所述孔洞特征包括钻孔位置、孔径及孔深;
计算所述板材的孔洞特征与相应的钻孔信息的误差值;
根据所述误差值及预先为所述孔洞特征设定的第一权重计算所述板材的第一评估值;
判断所述板材的第一评估值是否低于第一预设评估值;
若是,则判定所述板材钻孔质量不合格;
若否,则对所述第二板材图像进行边缘检测以确定所述板材的毛刺特征,并计算所述毛刺特征的数量和大小;
根据所述毛刺特征的数量、大小以及预先为所述毛刺特征设定的第二权重计算所述板材的第二评估值;
判断所述板材的第二评估值是否低于第二预设评估值;
若是,则判定所述板材钻孔质量不合格;
若否,则调用所述板材生产线上的超声波发射装置将高频声波传递到所述目标板材上,并接收到超声波传回的回声信号,通过超声波信号处理技术提取所述回声信号的信号特征;其中,所述超声波信号处理技术包括傅里叶变换、小波变换、包络分析及共振频率测量,所述信号特征包括波形、频谱及能量;
根据所述回声信号的信号特征判断所述板材的孔洞状态是否合格;
若否,则判定所述板材钻孔质量不合格;
若是,则判定所述板材钻孔质量合格。
在本实施例中,对钻孔后的板材进行质量评估是机械加工中的一项重要工作,主要是为了保证板材的质量和完整性,以满足下一步工艺的需要。本实施例通过目标板材的板材图像对板材的孔洞特征进行初次评估,再评估通过后,进一步对毛刺特征进行评估,最后对孔洞状态进行评估,以全方位评估目标板材的钻孔质量。
具体的,控制系统对第一板材图像进行去噪、二值化处理、形态学处理、边缘增强、去除阴影等图像预处理后,得到第二板材图像,利用Hough变换算法从第二板材图像中提取出圆形的孔洞特征。具体先需要对第一板材图像进行边缘检测,以获得图像中物体的边缘信息。常用的边缘检测算法包括Canny算法、Sobel算法等,然后将边缘信息的边缘像素点在极坐标空间进行变换,得到极坐标参数空间的累加结果。对于对称的圆形孔洞,一般使用霍夫圆变换;对于非圆形孔洞,一般使用霍夫直线变换或椭圆变换。对于霍夫圆变换得到的极坐标参数空间,进行峰值检测,根据检测结果确定钻孔位置和孔径等孔洞特征。对于霍夫直线变换或椭圆变换得到的极坐标参数空间,需要进行非极大值抑制和峰值检测,以找到最佳的直线或椭圆拟合,根据拟合结果确定钻孔位置和孔径等孔洞特征。
需要注意的是,霍夫变换算法对于噪声比较敏感,因此需要对图像进行适当的预处理和滤波。同时,在实际应用中,对于不同的图像和钻孔形状,需要根据具体情况进行参数调节和算法优化,以获得更好的识别效果。
其中,Hough变换是一种用于图像分析的算法,可以用于检测图像中的直线、圆和其他形状等特定模式。Hough变换算法基于图像中特定模式的几何特征,将模式的参数空间投影到另一个空间中,在该空间中对应的参数点表示一个特定模式。通过在投影空间中的峰值检测和其他方法,可以确定图像中所表示的特定模式及其参数。
以检测直线为例,Hough变换算法首先将图像中的边缘点转换为直线方程的参数空间,即将直线的坐标系和极坐标系进行转换,得到一组参数,通常为直线的斜率和截距。然后在参数空间中进行峰值检测,在检测到的峰值处生成一条直线,表示在原始图像中存在一条直线。
Hough变换算法的优点是可以检测不完整的、断裂的、有噪声的图形模式,并且对图形的旋转和缩放有一定的不变性。
本实施例将板材的孔洞特征与相应的钻孔信息进行比对,计算所述板材的孔洞特征与相应的钻孔信息的误差值,根据误差值及预先为孔洞特征设定的第一权重计算板材的第一评估值,如将误差值的倒数乘以第一权重并进行标准化处理后,得到板材的第一评估值。然后判断板材的第一评估值是否低于第一预设评估值,若是,则判定板材钻孔质量不合格;若否,则需要对处理后的图像提取特征。根据需要检测的缺陷类型,可以提取针对性的特征,例如平整度、裂纹、毛刺等。对于表面平整度的检测,可以使用边缘检测算法,如Canny算法来检测表面的平整程度;对于缺陷的检测,可以使用一些经典的算法如形态学处理、运动检测、金字塔算法等进行缺陷的检测和分割。本实施例对第二板材图像进行边缘检测以确定板材的毛刺特征,并计算所述毛刺特征的数量和大小,根据所述毛刺特征的数量、大小以及预先为毛刺特征设定的第二权重计算所述板材的第二评估值,如根据毛刺特征的数量、大小查询相对应的基础值,将基础值乘以第二权重后计算得到所述板材的第二评估值。
最后判断所述板材的第二评估值是否低于第二预设评估值;若是,则判定所述板材钻孔质量不合格;若否,则调用所述板材生产线上的超声波发射装置将高频声波传递到所述目标板材上,并接收到超声波传回的回声信号,通过超声波信号处理技术提取所述回声信号的信号特征;其中,所述超声波信号处理技术包括傅里叶变换、小波变换、包络分析及共振频率测量,所述信号特征包括波形、频谱及能量,根据所述回声信号的信号特征判断所述板材的孔洞状态是否合格;若否,则判定所述板材钻孔质量不合格;若是,则判定所述板材钻孔质量合格。
本实施例利用声波传播的特性进行超声波检测,是一种无损检测技术。首先通过超声波发射装置将高频声波传递到被检测的板材上,而后,再经过另一端接收到超声波传回的信号。这里关键是超声波的发射和接收要精确对准,以保证声波能够尽量穿透到被检测材料的深层,同时准确地接收反弹回来的信号。声波在被检测材料中的传播过程中,会被材料内部的缺陷、孔洞等结构反射或散射,从而产生不同的回声信号。通过检测这些回声信号的强度、时延、频率等信息,就可以了解到被检测物体内部的结构和缺陷信息。
在超声波检测中,孔洞状态的自动识别可以通过以下步骤实现:
通过对孔洞状态不同的板材进行检测,建立不同状态下的声波信号参考值和标准曲线,以作为后续孔洞状态的判断依据。
在自动检测时,利用超声波检测系统采集到的信号,通过声学信号处理技术进行处理和分析,提取出重要的信号特征,如波形、频谱、能量等,以进一步判断孔洞的状态。
根据前期建立的标准曲线,将分析出来的声波信号特征进行比较,以判断孔洞状态是合格还是不合格。例如,若超声波检测发现孔洞内壁具有裂纹,则认为该孔洞状态不合格,如果孔洞内壁较为平整,则认为该孔洞状态合格。
例如,对于一张钢板,设定检测孔洞的最小内径为3毫米,最小表面长度为5毫米。通过超声波检测系统采用针阵探头对钢板进行检测,并将采集到的声波信号进行分析处理。对于检测到的每个孔洞,在声波的传播和反射中读取不同的数据,并根据前期建立的标准曲线判断孔洞状态。如果孔洞的内壁出现裂纹,则自动认为该孔洞状态不合格;如果孔壁表面平整无缺陷,则自动认为该孔洞状态符合要求。如此循环检测,最终可以自动识别所有孔壁状态,并记录在数据记录表中,方便后续生产流程进行相应处理。
其中,超声波信号处理技术有以下几种:
傅里叶变换(FFT):将时域信号转换为频域信号,得到频率特征和能量分布。
小波变换:通过对信号的多次小波分解,得到时间序列在时频域中的分布情况,以及信号的瞬时频率和瞬时振幅变化规律。
幅值比率(AR):用于比较检测信号中的前背景噪声水平和缺陷信号强度,从而帮助确定信号的峰值位置和幅度,并提高信噪比。
包络分析:通过提取信号包络线来确定信号的特征,如峰值、半高宽、上升时间和下降时间等。
共振频率(RF)测量:对于金属材料,可以检测到弹性常数发生变化的共振频率,通过测量和比较不同频率下的反射信号强度,识别不同材料类型或结构的区别。
对于超声波检测来说,通过以上技术来分析处理声波信号,可以更加准确地判断被检测物体内部的缺陷和结构特征,从而实现更加精准的质量检测和监控。
在一实施例中,所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息的步骤之前,还可包括:
获取训练数据;其中,所述训练数据包括多个训练样本,每个训练样本都包括一组标准机器人信息、标准钻孔信息、标准钻孔条件及相应的标准匹配信息;
从所述训练数据中随机选取K组训练集;其中,每组训练集都包括多个训练样本,且每组训练集的训练样本的数量相同但不重复;
基于决策树算法对所述K组训练集进行训练,得到K个训练后的分类模型;
判断所述K个训练后的分类模型的训练结果是否都满足要求;
若是,则将所述K个训练后的分类模型进行组合,得到板材匹配模型;其中,所述板材匹配模型为完成训练的卷积神经网络模型。
本实施例从训练数据中随机选取K组训练集,每组训练集都包括多个训练样本,且每组训练集的训练样本的数量相同但不重复,例如随机选取3组训练集,每组训练集都包括2个训练样本,对于第一组训练集,可以包括训练样本a1、a2,对于第二组训练集,可以包括训练样本a3、a4,对于第三组训练集,可以包括训练样本a5、a6,每组训练集的训练样本的数量相同,但每组训练集不存在相同的训练样本,以提高分类模型的训练效果。
本实施例可以基于决策树算法对K组训练集进行训练,得到K个训练后的分类模型。其中,决策树算法是一种分类和回归分析方法,它是一种基于树结构来进行决策的机器学习算法。决策树算法是一个基于训练数据构建决策树模型的过程,模型可以通过树形结构来描述,从而在测试时对新样本进行分类或回归。
其中,选取K组训练集时,可以将时间节点相近的训练样本放置在同一组训练集中,如将同一个月内的训练样本放置在同一组训练集中,以基于决策树算法对训练集进行训练时,得到的每个训练后的分类模型都可以实现机器学习模型的一种或多种功能。
此外,还可将K个训练后的分类模型进行随机组合,得到训练好的板材匹配模型。例如,本实施例可以选取K个训练后的分类模型中的任意至少两个组合成为板材匹配模型,从而使利用单独训练好的分类模型组合得到的板材匹配模型具有更佳的训练结果。
在一实施例中,所述判断所述K个训练后的分类模型的训练结果是否都满足要求的步骤,可具体包括:
利用预设的损失函数分别计算训练后的每个分类模型的损失值;
判断所述每个训练后的分类模型的损失值是否都低于预设损失值;
若是,则判定所述K个训练后的分类模型的训练结果都满足要求;
若否,则筛选出训练结果不满足要求的分类模型,得到第一分类模型,调整所述第一分类模型的相关参数,随机选取一组训练集对调整参数后的所述第一分类模型进行再次训练,直至所述第一分类模型的损失值低于预设损失值时停止训练,得到训练结果满足要求的分类模型;
其中,所述预设的损失函数包括:
;
其中,n是训练样本的数量,是第a个训练样本的标准匹配信息对应的真实标签值,/>是第a个训练样本的模型预测值。
在本实施例中,对于任一个分类模型,在分类模型每次训练后,可利用损失函数计算分类模型训练完成后的损失值,并在损失值小于预设损失值时,即满足要求,则表明该分类模型达到训练要求,完成所述分类模型的训练,当所有分类模型都完成训练时,可将所有分类模型进行组合,得到板材匹配模型。当所述损失值不小于预设损失值时,可根据损失值在分类模型的神经网络结构中进行前向传递,调整分类模型的相关参数,随机选取一组训练集对调整后的第一分类模型进行重新训练,直至第一分类模型的损失值小于预设损失值为止,至此分类模型训练结束。
在一实施例中,通过决策树算法训练得到的多个决策树(分类模型)称为“森林”(Random Forest)。
多棵决策树可以通过组合来得到一个目标模型。具体来说,可以通过投票方式(majority voting)或平均预测(average prediction)的方式,将多个决策树的预测结果综合起来,从而得到一个更加准确和稳定的预测结果。具体的组合方式包括:
投票方式:将每个决策树的预测结果综合起来,并选择预测结果最多的作为目标模型的输出结果。这种方式适用于分类问题,可以使用多数表决来对不同决策树的结果进行投票。
平均预测:将每个决策树的预测结果取平均值作为目标模型的输出结果。这种方式适用于回归问题,可以计算所有决策树的预测结果的平均值或加权平均值。
此外,本实施例还可以根据损失函数对训练后的分类模型进行组合,如筛选出损失函数最小的几个分类模型作为目标分类模型,将所述目标分类模型进行组合得到板材匹配模型;或筛选出分类速度最快的第一分类模型、分类精度最高的第二分类模型作为目标分类模型,将所述目标分类模型进行组合得到板材匹配模型。其中,可以将输出结果时长最短的分类模型作为分类速度最快的第一分类模型,可以将损失值最小的分类模型作为分类精度最高的第二分类模型。
在一实施例中,所述控制系统获取所述板材生产线上的钻孔机器人的机器人信息之后,还可包括:
所述控制系统对所述机器人信息进行属性分析,确定各类机器人信息所属的数据属性,按照所述数据属性对机器人信息进行筛选,筛选出隐私性强的机器人信息作为隐私数据;
所述控制系统获取所述隐私数据所属钻孔机器人的标识信息;其中,所述标识信息包括机器人编号;
所述控制系统将所属同一标识信息的所述隐私数据存储至同一个存储设备中,将所属不同标识信息的所述隐私数据存储至不同的存储设备中,且在同一个存储设备中,将具有相同数据类型的所述隐私数据存储至同一片存储空间,将具有不同数据类型的所述隐私数据存储至不同片存储空间;其中,所述数据类型包括整数型、浮点型、字符型及布尔型。
本实施例的控制系统对机器人信息进行属性分析,确定各类机器人信息所属的数据属性,该数据属性包括隐私数据和非隐私数据,按照数据属性对机器人信息进行筛选,筛选出隐私性强的机器人信息作为隐私数据,如钻孔机器人的钻孔工艺。控制系统获取隐私数据所属钻孔机器人的标识信息,该标识信息包括机器人编号,然后将所属同一标识信息的隐私数据存储至同一个存储设备中,将所属不同标识信息的隐私数据存储至不同的存储设备中,以方便用户查找隐私数据;同时对隐私数据的数据类型进行识别,在同一个存储设备中,将具有相同数据类型的隐私数据存储至同一片存储空间,将具有不同数据类型的隐私数据存储至不同片存储空间,以便数据的存储管理。
在一实施例中,所述控制系统将所属同一标识信息的所述隐私数据存储至同一个存储设备中,将所属不同标识信息的所述隐私数据存储至不同的存储设备中,且在同一个存储设备中的步骤之前,还可以进一步对隐私数据进行加密。具体的,首先利用哈希算法对隐私数据进行加密,并生成所述隐私数据的哈希值,然后使用非对称加密算法加密哈希算法后的哈希值,以实现对隐私数据的加密处理,这样即保证了加密后数据的安全性,也提高了哈希值的安全性。
其中,哈希算法是一种将任意长度的消息映射为固定长度散列值(Hash值)的函数,通常用于确保数据的完整性和验证数据的唯一性。哈希算法的特点是快速且输出的散列值固定长度,且不同的消息通常会生成不同的哈希值。假如一份数据被篡改了,那么它所生成的哈希值也会随之改变,这样就可以通过比较哈希值来检查数据是否被篡改。此外,哈希算法可以用于密码存储,例如通过将用户的密码哈希后,将哈希值存储在数据库中,从而确保即使数据库泄露也不会泄露用户的真实密码。
非对称加密算法是一种加密通信的方式,其特点是使用不同的密钥进行加解密操作,这两个密钥分别称为公钥和私钥。公钥可以公开,而私钥需要保密。在非对称加密算法中,发送方使用接收方的公钥对数据进行加密,接收方使用自己的私钥对接收到的密文进行解密,这样可以确保数据传输的安全性。
在一实施例中,所述控制系统对所述机器人信息进行属性分析,确定各类机器人信息所属的数据属性的步骤,可具体包括:
所述控制系统将所述机器人信息与参考隐私信息进行比对,确定所述机器人信息中含有的隐私字符;
计算所述机器人信息中隐私字符的隐私比例;
判断所述隐私比例是否大于预设隐私比例;
当判定所述隐私比例大于预设隐私比例时,则将所述机器人信息的数据属性确定为隐私性强的机器人信息;
当判定所述隐私比例不大于预设隐私比例时,则将所述机器人信息的数据属性确定为非隐私性强的机器人信息。
本实施例可将机器人信息与参考隐私信息进行比对,以确定机器人信息中含有的隐私字符,计算机器人信息中隐私字符的数量和字符的总数量,根据隐私字符的数量和字符的总数量计算隐私比例,然后判断所述隐私比例是否大于预设隐私比例,当判定所述隐私比例大于预设隐私比例时,则将所述机器人信息的数据属性确定为隐私性强的隐私数据,当判定所述隐私比例不大于预设隐私比例时,则将所述机器人信息的数据属性确定为非隐私性强的非隐私数据,从而有效识别出重要性高的机器人信息。
在一实施例中,所述将具有不同数据类型的所述隐私数据存储至不同片存储空间的步骤之后,还可包括:
所述控制系统接收用户手机所发起的查询指令,并获取所述手机的摄像头拍摄得到的所述用户的人脸信息,对所述用户的人脸信息进行校验,在校验通过后,从所述查询指令中获取所述用户的用户账号;
按照所述用户账号从左到右的顺序,将每相邻的两个数字的平均数进行拼接后,得到一条字符串;其中,所述用户账号是由多个0到9的数字随机组成,所述用户账号中的数字数量是所述标识信息的字符数量的两倍;
判断所述字符串与所需查询的存储设备的标识信息是否相匹配,若是,则从相匹配的存储设备中获取隐私数据,得到目标隐私数据;
将所述目标隐私数据返回给所述用户。
本实施例在数据查询时,需要对用户进行人脸识别,以避免数据泄露,然后按照用户账号从左到右的顺序,将每相邻的两个数字的平均数进行拼接后,得到一条字符串,判断字符串与所需查询的存储设备的标识信息是否部分匹配或完全匹配,若是,则从相匹配的存储设备中获取隐私数据,得到目标隐私数据,将所述目标隐私数据返回给所述用户,从而避免不法分子非法获取他人的隐私数据。例如,当用户账号为24688888时,则对应的字符串为3788,若某个存储设备的机器人编号也为3788,则从该存储设备中获取隐私数据。
需要说明的是,在计算每相邻的两个数字的平均数时,若平均数为小数,则只保留整数位。
请参考图2,本发明的实施例还提供一种机器人智能钻孔装置,可具体包括:
扫描模块11,用于当封边后的板材经过所述扫描器后,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息,并将所述条形码信息发送给所述控制系统;
查询模块12,用于根据所述条形码信息查询得到所述板材的钻孔信息及钻孔条件;其中,所述钻孔信息包括钻孔数量、孔型、孔径、孔位及孔深,所述钻孔条件包括所述板材的最大钻孔时长及钻孔精度;
获取模块13,用于获取所述板材生产线上的钻孔机器人的机器人信息;其中,所述机器人信息包括所述钻孔机器人的工作状态、各类工作状态的钻孔机器人数量、各钻孔机器人的刀具类型及各钻孔机器人的钻孔工艺,所述钻孔机器人的工作状态包括繁忙状态、空闲状态及故障状态;
输入模块14,用于将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息;其中,所述匹配信息包括所述板材需要调用的目标钻孔机器人、目标钻孔顺序及在各所述目标钻孔机器人的目标钻孔工艺,所述目标钻孔机器人的工作状态为空闲状态,所述板材匹配模型为卷积神经网络模型,用于根据机器人信息、板材的钻孔信息及钻孔条件输出相应的匹配信息;
下发模块15,用于将所述目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据所述目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明提供的一种终端,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上任一项所述的机器人智能钻孔方法的步骤。
在一实施例中,本申请一实施例中提供的终端,参照图3,该终端可以是计算机设备,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储机器人智能钻孔方法的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现以上实施例所述的机器人智能钻孔方法。
在一个实施例中,本发明还提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述机器人智能钻孔方法。其中,所述存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种板材生产线,包括扫描器、钻孔机器人及控制系统,所述扫描器及钻孔机器人分别与所述控制系统电性连接,所述钻孔机器人用于按照所述控制系统下发的钻孔程序对板材进行钻孔,所述板材生产线用于执行如上任一项所述的机器人智能钻孔方法的步骤。其中,所述机器人智能钻孔方法可包括如下步骤:
当封边后的板材经过所述扫描器后,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息,并将所述条形码信息发送给所述控制系统;
所述控制系统根据所述条形码信息查询得到所述板材的钻孔信息及钻孔条件;其中,所述钻孔信息包括钻孔数量、孔型、孔径、孔位及孔深,所述钻孔条件包括所述板材的最大钻孔时长及钻孔精度;
所述控制系统获取所述板材生产线上的钻孔机器人的机器人信息;其中,所述机器人信息包括所述钻孔机器人的工作状态、各类工作状态的钻孔机器人数量、各钻孔机器人的刀具类型及各钻孔机器人的钻孔工艺,所述钻孔机器人的工作状态包括繁忙状态、空闲状态及故障状态;
所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息;其中,所述匹配信息包括所述板材需要调用的目标钻孔机器人、目标钻孔顺序及在各所述目标钻孔机器人的目标钻孔工艺,所述目标钻孔机器人的工作状态为空闲状态,所述板材匹配模型为卷积神经网络模型,用于根据机器人信息、板材的钻孔信息及钻孔条件输出相应的匹配信息;
所述控制系统将所述目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据所述目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(RandomAccess Memory,RAM)等。
综合上述实施例可知,本发明最大的有益效果在于:
本发明提供的机器人智能钻孔方法、终端及板材生产线,当封边后的板材经过扫描器后,扫描器扫描粘贴在板材上的条形码以自动获取板材的条形码信息,并将条形码信息发送给控制系统,控制系统根据条形码信息查询得到板材的钻孔信息及钻孔条件,以快速获取得到板材的相关信息;控制系统获取板材生产线上的钻孔机器人的机器人信息,将机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息,将目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的目标钻孔工艺对板材进行钻孔,得到目标板材,从而根据板材信息及钻孔要求,通过人工智能算法自动匹配满足要求的目标钻孔机器人,并根据目标钻孔顺序合理调用各目标钻孔机器人,以优化板材生产线上的钻孔过程,提高生产效率和准确性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种机器人智能钻孔方法,应用于板材生产线,所述板材生产线包括扫描器、钻孔机器人及控制系统,所述扫描器及钻孔机器人分别与所述控制系统电性连接,所述钻孔机器人用于按照所述控制系统下发的钻孔程序对板材进行钻孔,其特征在于,所述机器人智能钻孔方法包括:
当封边后的板材经过所述扫描器后,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息,并将所述条形码信息发送给所述控制系统;
所述控制系统根据所述条形码信息查询得到所述板材的钻孔信息及钻孔条件;其中,所述钻孔信息包括钻孔数量、孔型、孔径、孔位及孔深,所述钻孔条件包括所述板材的最大钻孔时长及钻孔精度;
所述控制系统获取所述板材生产线上的钻孔机器人的机器人信息;其中,所述机器人信息包括所述钻孔机器人的工作状态、各类工作状态的钻孔机器人数量、各钻孔机器人的刀具类型及各钻孔机器人的钻孔工艺,所述钻孔机器人的工作状态包括繁忙状态、空闲状态及故障状态;
所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息;其中,所述匹配信息包括所述板材需要调用的目标钻孔机器人、目标钻孔顺序及在各所述目标钻孔机器人的目标钻孔工艺,所述目标钻孔机器人的工作状态为空闲状态,所述板材匹配模型为卷积神经网络模型,用于根据机器人信息、板材的钻孔信息及钻孔条件输出相应的匹配信息;
所述控制系统将所述目标钻孔工艺依次下发给相应的目标钻孔机器人,并根据所述目标钻孔顺序依次调用各目标钻孔机器人,各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材。
2.根据权利要求1所述的机器人智能钻孔方法,其特征在于,所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息的步骤,包括:
所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件进行标准化及向量化处理,得到特征向量;
将所述特征向量输入预先训练好的板材匹配模型中的输入层,并通过所述板材匹配模型中的各个隐藏层的加权计算,在所述板材匹配模型的输出层输出多个概率值;其中,所述概率值用以评估所述板材与钻孔机器人的匹配情况;
调用sigmoid函数对所述输出层的概率值进行处理,得到处理结果,根据所述处理结果确定满足所述钻孔条件的匹配信息。
3.根据权利要求1所述的机器人智能钻孔方法,其特征在于,所述扫描器扫描粘贴在所述板材上的条形码以获取所述板材的条形码信息的步骤,包括:
所述扫描器扫描粘贴在所述板材上的条形码,得到所述条形码上的黑条和白条,并通过内置的传感器将读取的黑条和白条转换为数字信息;
所述扫描器的处理器将所述数字信息转换为二进制码,并判断所述二进制码是否符合条形码格式,若判定所述二进制码不符合条形码格式,所述扫描器则发出警告声;
若判定所述二进制码符合条形码格式,所述处理器则将所述二进制码转换为十进制码,作为所述板材的条形码信息。
4.根据权利要求1所述的机器人智能钻孔方法,其特征在于,所述各目标钻孔机器人根据下发的所述目标钻孔工艺对所述板材进行钻孔,得到目标板材的步骤之后,还包括:
所述控制系统调用所述板材生产线上的摄像装置拍摄所述目标板材,得到第一板材图像;
对所述第一板材图像进行图像预处理后,得到第二板材图像;其中,所述图像预处理包括图像去噪、二值化处理及形态学处理;
利用Hough变换算法从所述第二板材图像中提取出圆形的孔洞特征;其中,所述孔洞特征包括钻孔位置、孔径及孔深;
计算所述板材的孔洞特征与相应的钻孔信息的误差值;
根据所述误差值及预先为所述孔洞特征设定的第一权重计算所述板材的第一评估值;
判断所述板材的第一评估值是否低于第一预设评估值;
若是,则判定所述板材钻孔质量不合格;
若否,则对所述第二板材图像进行边缘检测以确定所述板材的毛刺特征,并计算所述毛刺特征的数量和大小;
根据所述毛刺特征的数量、大小以及预先为所述毛刺特征设定的第二权重计算所述板材的第二评估值;
判断所述板材的第二评估值是否低于第二预设评估值;
若是,则判定所述板材钻孔质量不合格;
若否,则调用所述板材生产线上的超声波发射装置将高频声波传递到所述目标板材上,并接收到超声波传回的回声信号,通过超声波信号处理技术提取所述回声信号的信号特征;其中,所述超声波信号处理技术包括傅里叶变换、小波变换、包络分析及共振频率测量,所述信号特征包括波形、频谱及能量;
根据所述回声信号的信号特征判断所述板材的孔洞状态是否合格;
若否,则判定所述板材钻孔质量不合格;
若是,则判定所述板材钻孔质量合格。
5.根据权利要求1所述的机器人智能钻孔方法,其特征在于,所述控制系统将所述机器人信息、板材的钻孔信息及钻孔条件输入预先训练好的板材匹配模型中,得到满足所述钻孔条件的匹配信息的步骤之前,还包括:
获取训练数据;其中,所述训练数据包括多个训练样本,每个训练样本都包括一组标准机器人信息、标准钻孔信息、标准钻孔条件及相应的标准匹配信息;
从所述训练数据中随机选取K组训练集;其中,每组训练集都包括多个训练样本,且每组训练集的训练样本的数量相同但不重复;
基于决策树算法对所述K组训练集进行训练,得到K个训练后的分类模型;
判断所述K个训练后的分类模型的训练结果是否都满足要求;
若是,则将所述K个训练后的分类模型进行组合,得到板材匹配模型;其中,所述板材匹配模型为完成训练的卷积神经网络模型。
6.根据权利要求5所述的机器人智能钻孔方法,其特征在于,所述判断所述K个训练后的分类模型的训练结果是否都满足要求的步骤,包括:
利用预设的损失函数分别计算训练后的每个分类模型的损失值;
判断所述每个训练后的分类模型的损失值是否都低于预设损失值;
若是,则判定所述K个训练后的分类模型的训练结果都满足要求;
若否,则筛选出训练结果不满足要求的分类模型,得到第一分类模型,调整所述第一分类模型的相关参数,随机选取一组训练集对调整参数后的所述第一分类模型进行再次训练,直至所述第一分类模型的损失值低于预设损失值时停止训练,得到训练结果满足要求的分类模型;
其中,所述预设的损失函数包括:
;
其中,n是训练样本的数量,是第a个训练样本的标准匹配信息对应的真实标签值,/>是第a个训练样本的模型预测值。
7.根据权利要求1所述的机器人智能钻孔方法,其特征在于,所述控制系统获取所述板材生产线上的钻孔机器人的机器人信息之后,还包括:
所述控制系统对所述机器人信息进行属性分析,确定各类机器人信息所属的数据属性,按照所述数据属性对机器人信息进行筛选,筛选出隐私性强的机器人信息作为隐私数据;
所述控制系统获取所述隐私数据所属钻孔机器人的标识信息;其中,所述标识信息包括机器人编号;
所述控制系统将所属同一标识信息的所述隐私数据存储至同一个存储设备中,将所属不同标识信息的所述隐私数据存储至不同的存储设备中,且在同一个存储设备中,将具有相同数据类型的所述隐私数据存储至同一片存储空间,将具有不同数据类型的所述隐私数据存储至不同片存储空间;其中,所述数据类型包括整数型、浮点型、字符型及布尔型;
所述控制系统接收用户手机所发起的查询指令,并获取所述手机的摄像头拍摄得到的所述用户的人脸信息,对所述用户的人脸信息进行校验,在校验通过后,从所述查询指令中获取所述用户的用户账号;
按照所述用户账号从左到右的顺序,将每相邻的两个数字的平均数进行拼接后,得到一条字符串;其中,所述用户账号是由多个0到9的数字随机组成,所述用户账号中的数字数量是所述标识信息的字符数量的两倍;
判断所述字符串与所需查询的存储设备的标识信息是否相匹配,若是,则从相匹配的存储设备中获取隐私数据,得到目标隐私数据;
将所述目标隐私数据返回给所述用户。
8.根据权利要求7所述的机器人智能钻孔方法,其特征在于,所述控制系统对所述机器人信息进行属性分析,确定各类机器人信息所属的数据属性的步骤,包括:
所述控制系统将所述机器人信息与参考隐私信息进行比对,确定所述机器人信息中含有的隐私字符;
计算所述机器人信息中隐私字符的隐私比例;
判断所述隐私比例是否大于预设隐私比例;
当判定所述隐私比例大于预设隐私比例时,则将所述机器人信息的数据属性确定为隐私性强的机器人信息;
当判定所述隐私比例不大于预设隐私比例时,则将所述机器人信息的数据属性确定为非隐私性强的机器人信息。
9.一种终端,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述的机器人智能钻孔方法的步骤。
10.一种板材生产线,其特征在于,包括扫描器、钻孔机器人及控制系统,所述扫描器及钻孔机器人分别与所述控制系统电性连接,所述钻孔机器人用于按照所述控制系统下发的钻孔程序对板材进行钻孔,所述板材生产线用于执行如权利要求1至8中任一项所述的机器人智能钻孔方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310453966.XA CN116460931B (zh) | 2023-04-25 | 2023-04-25 | 机器人智能钻孔方法、终端及板材生产线 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310453966.XA CN116460931B (zh) | 2023-04-25 | 2023-04-25 | 机器人智能钻孔方法、终端及板材生产线 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116460931A true CN116460931A (zh) | 2023-07-21 |
CN116460931B CN116460931B (zh) | 2023-09-05 |
Family
ID=87176868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310453966.XA Active CN116460931B (zh) | 2023-04-25 | 2023-04-25 | 机器人智能钻孔方法、终端及板材生产线 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116460931B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117583281A (zh) * | 2023-11-29 | 2024-02-23 | 广州赛志系统科技有限公司 | 板件机器人分拣码垛优化方法、控制系统及分拣生产线 |
CN118114170A (zh) * | 2023-12-08 | 2024-05-31 | 广州赛志系统科技有限公司 | 板件生产线智能运维管控方法、控制系统及板件生产线 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201500135A (zh) * | 2013-06-21 | 2015-01-01 | qing-ling Liu | 在金屬殼體上形成孔的方法 |
CN106513774A (zh) * | 2016-11-24 | 2017-03-22 | 沙桂萍 | 一种智能钻孔机器人及智能钻孔机器人系统 |
CN114293909A (zh) * | 2021-12-29 | 2022-04-08 | 中建安装集团有限公司 | 基于隧道轨行式钻孔机器人的智能化钻孔管理系统及方法 |
CN114445734A (zh) * | 2021-12-24 | 2022-05-06 | 广东三维家信息科技有限公司 | 工件封边方法、装置、电子设备及存储介质 |
CN114789364A (zh) * | 2022-04-18 | 2022-07-26 | 清华大学 | 多指标钻孔质量控制方法及其装置、设备 |
CN115284380A (zh) * | 2022-04-24 | 2022-11-04 | 深圳市大族数控科技股份有限公司 | 钻孔加工方法及钻孔加工系统 |
CN115338983A (zh) * | 2021-05-14 | 2022-11-15 | 景福工程有限公司 | 用于在建筑物表面上钻孔的系统 |
-
2023
- 2023-04-25 CN CN202310453966.XA patent/CN116460931B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201500135A (zh) * | 2013-06-21 | 2015-01-01 | qing-ling Liu | 在金屬殼體上形成孔的方法 |
CN106513774A (zh) * | 2016-11-24 | 2017-03-22 | 沙桂萍 | 一种智能钻孔机器人及智能钻孔机器人系统 |
CN115338983A (zh) * | 2021-05-14 | 2022-11-15 | 景福工程有限公司 | 用于在建筑物表面上钻孔的系统 |
CN114445734A (zh) * | 2021-12-24 | 2022-05-06 | 广东三维家信息科技有限公司 | 工件封边方法、装置、电子设备及存储介质 |
CN114293909A (zh) * | 2021-12-29 | 2022-04-08 | 中建安装集团有限公司 | 基于隧道轨行式钻孔机器人的智能化钻孔管理系统及方法 |
CN114789364A (zh) * | 2022-04-18 | 2022-07-26 | 清华大学 | 多指标钻孔质量控制方法及其装置、设备 |
CN115284380A (zh) * | 2022-04-24 | 2022-11-04 | 深圳市大族数控科技股份有限公司 | 钻孔加工方法及钻孔加工系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117583281A (zh) * | 2023-11-29 | 2024-02-23 | 广州赛志系统科技有限公司 | 板件机器人分拣码垛优化方法、控制系统及分拣生产线 |
CN117583281B (zh) * | 2023-11-29 | 2024-04-19 | 广州赛志系统科技有限公司 | 板件机器人分拣码垛优化方法、控制系统及分拣生产线 |
CN118114170A (zh) * | 2023-12-08 | 2024-05-31 | 广州赛志系统科技有限公司 | 板件生产线智能运维管控方法、控制系统及板件生产线 |
Also Published As
Publication number | Publication date |
---|---|
CN116460931B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116460931B (zh) | 机器人智能钻孔方法、终端及板材生产线 | |
CN101814135B (zh) | 学习设备、学习方法、识别设备、识别方法和程序 | |
US8131074B2 (en) | Specific emitter identification using histogram of oriented gradient features | |
CN110493262B (zh) | 一种改进分类的网络攻击检测方法及系统 | |
CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
Le et al. | An improved algorithm for digital image authentication and forgery localization using demosaicing artifacts | |
CN113052577A (zh) | 一种区块链数字货币虚拟地址的类别推测方法及系统 | |
Tueller et al. | Target detection using features for sonar images | |
CN115277189B (zh) | 基于生成式对抗网络的无监督式入侵流量检测识别方法 | |
Wang et al. | A novel underground pipeline surveillance system based on hybrid acoustic features | |
CN105138886B (zh) | 机器人生物体征识别系统 | |
CN110850420B (zh) | 基于弹球损失的FisherSVM声纳信号判别方法 | |
Frasier et al. | Automated identification and clustering of subunits within delphinid vocalizations | |
CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
CN110598794A (zh) | 一种分类对抗的网络攻击检测方法及系统 | |
CN117197591B (zh) | 一种基于机器学习的数据分类方法 | |
CN113269134A (zh) | 一种异常广播识别模型及其构建方法和使用方法 | |
CN116174342B (zh) | 板材分拣打包方法、终端及板材生产线 | |
CN116486177A (zh) | 一种基于深度学习的水下目标识别分类方法 | |
Grimes et al. | Explanation of unintended radiated emission classification via lime | |
Szymkowski et al. | A novel approach to fingerprint identification using method of sectorization | |
Yamini et al. | Image steganalysis: real-time adaptive colour image segmentation for hidden message retrieval and Matthew's correlation coefficient calculation | |
Binder et al. | Applying automatic aural classification to cetacean vocalizations | |
CN112532562B (zh) | 一种对抗性网络的恶意数据流检测方法及系统 | |
Tan et al. | Artificial speech detection using image-based features and random forest classifier |
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 |