CN116518868B - 基于人工智能的变形测量方法、装置、设备及存储介质 - Google Patents
基于人工智能的变形测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116518868B CN116518868B CN202310814790.6A CN202310814790A CN116518868B CN 116518868 B CN116518868 B CN 116518868B CN 202310814790 A CN202310814790 A CN 202310814790A CN 116518868 B CN116518868 B CN 116518868B
- Authority
- CN
- China
- Prior art keywords
- bending process
- target workpiece
- target
- workpiece
- strain
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 55
- 238000000691 measurement method Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 267
- 238000005452 bending Methods 0.000 claims abstract description 261
- 230000008569 process Effects 0.000 claims abstract description 240
- 238000009826 distribution Methods 0.000 claims abstract description 113
- 238000011156 evaluation Methods 0.000 claims abstract description 113
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000006073 displacement reaction Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 10
- 108091026890 Coding region Proteins 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 239000002184 metal Substances 0.000 description 12
- 239000000284 extract Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于人工智能的变形测量方法、装置、设备及存储介质,用于实现人工智能的方式进行工件变形测量并且提高工件变形测量的准确率。方法包括:通过视觉显微应变策略系统,分别对每个目标工件进行图像采集,得到序列图像数据;进行应变信息提取,得到应变分布信息;根据应变分布信息计算每个目标工件的变形参数集合;进行参数编码,得到每个目标工件的参数编码集合;将每个目标工件的参数编码集合输入折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的变形测量方法、装置、设备及存储介质。
背景技术
在制造业领域,折弯工艺是一种常见的金属板材加工方法,广泛应用于航空航天、汽车制造、电子设备等领域。然而,折弯过程中工件的变形是一个普遍存在的问题,会导致工件尺寸偏差、形状不精确等质量问题,进而影响产品的功能和性能。因此,准确测量和分析工件的变形参数,选择最佳的折弯工艺方案,对于提高生产效率和产品质量至关重要。
传统测量方法的局限性:传统的工件变形测量方法通常依赖于接触式传感器或光学测量仪器,这些方法存在接触干扰、测量精度有限以及对特定工件形状的适应性较差等问题。目前的折弯工艺分析主要依赖于经验规则和专家知识,对于复杂的工件和折弯过程,难以提供准确且一致的评估结果。缺乏自动化和智能化水平:传统的变形测量和分析方法缺乏自动化和智能化的特性,无法快速处理大量数据、自动提取关键特征和进行准确的工艺评价。
发明内容
本发明提供了一种基于人工智能的变形测量方法、装置、设备及存储介质,用于实现人工智能的方式进行工件变形测量并且提高工件变形测量的准确率。
本发明第一方面提供了一种基于人工智能的变形测量方法,所述基于人工智能的变形测量方法包括:
基于预置的多个第一折弯工艺方案分别对多个原始工件进行折弯处理,得到每个折弯工艺方案对应的目标工件;
通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集,得到每个目标工件的序列图像数据;
对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息;
根据每个目标工件的应变分布信息计算每个目标工件的变形参数集合;
对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合;
将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;
根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
结合第一方面,在本发明第一方面的第一实施方式中,所述通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集,得到每个目标工件的序列图像数据,包括:
通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行视频采集,得到每个目标工件的显微视频数据;
对每个目标工件的显微视频数据进行图像分割,得到多个显微视频图像;
对所述多个显微视频图像进行变化率计算,得到变化率数据;
根据所述变化率数据对所述多个显微视频图像进行动态调整,得到多个第一视频图像;
通过预置的EDSR模型分别对每个第一视频图像进行分辨率处理,得到多个第二视频图像;
对多个第二视频图像进行包含关系计算,得到图像包含关系;
基于所述图像包含关系对所述多个第二视频图像进行去重,得到每个目标工件的序列图像数据。
结合第一方面,在本发明第一方面的第二实施方式中,所述对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息,包括:
对每个目标工件的序列图像数据进行图像配准,得到多个目标配准图像;
对所述多个目标配准图像进行边缘特征提取,得到每个目标配准图像的边缘特征信息;
根据每个目标配准图像的边缘特征信息,对每个目标配准图像进行应变分布位移计算,得到每个目标配准图像的应变分布位移;
基于每个目标配准图像的应变分布位移生成每个目标工件的应变分布图,并通过所述应变分布图生成每个目标工件的应变分布信息。
结合第一方面,在本发明第一方面的第三实施方式中,所述根据每个目标工件的应变分布信息计算每个目标工件的变形参数集合,包括:
根据每个目标工件的应变分布信息计算每个目标工件的最大应变值,并对每个目标工件的应变分布信息进行平均应变值计算,得到每个目标工件的平均应变值;
提取每个目标工件的应变分布信息所对应的多个目标分布点,并计算相邻两个目标分布点之间的应变变化率,得到应变梯度;
分别对所述最大应变值、所述平均应变值以及所述应变梯度进行归一化处理以及集合转换,生成每个目标工件的变形参数集合。
结合第一方面,在本发明第一方面的第四实施方式中,所述对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合,包括:
构建每个目标工件的变形参数集合所对应的编码规则,其中,所述编码规则包括编码位数、编码顺序以及编码映射关系;
对每个目标工件的变形参数集合进行二进制参数编码,得到多个参数编码值;
对所述多个参数编码值进行编码融合,得到每个目标工件的参数编码集合。
结合第一方面,在本发明第一方面的第五实施方式中,所述将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标,包括:
将每个目标工件的参数编码集合输入预置的折弯工艺分析模型,其中,所述折弯工艺分析模型包括:两层双向长短时记忆网络以及两层全连接层;
通过所述两层双向长短时记忆网络对所述参数编码集合进行特征提取,得到参数编码特征向量;
将所述参数编码特征向量输入所述两层全连接层进行工件折弯工艺指标计算,得到每个目标工件的折弯工艺评价指标。
结合第一方面,在本发明第一方面的第六实施方式中,所述根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案,包括:
基于预设的指标权重,对每个目标工件的折弯工艺评价指标进行加权归一化计算,得到每个目标工件的综合评价指标;
对所述综合评价指标进行比较,得到目标比较结果;
根据所述目标比较结果,从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
本发明第二方面提供了一种基于人工智能的变形测量装置,所述基于人工智能的变形测量装置包括:
处理模块,用于基于预置的多个第一折弯工艺方案分别对多个原始工件进行折弯处理,得到每个折弯工艺方案对应的目标工件;
采集模块,用于通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集,得到每个目标工件的序列图像数据;
提取模块,用于对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息;
计算模块,用于根据每个目标工件的应变分布信息计算每个目标工件的变形参数集合;
编码模块,用于对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合;
分析模块,用于将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;
选取模块,用于根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
本发明第三方面提供了一种基于人工智能的变形测量设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的变形测量设备执行上述的基于人工智能的变形测量方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于人工智能的变形测量方法。
本发明提供的技术方案中,通过视觉显微应变策略系统,分别对每个目标工件进行图像采集,得到序列图像数据;进行应变信息提取,得到应变分布信息;根据应变分布信息计算每个目标工件的变形参数集合;进行参数编码,得到每个目标工件的参数编码集合;将每个目标工件的参数编码集合输入折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案,本发明通过使用视觉显微应变策略系统,结合人工智能算法,可以实现对工件变形的高精度测量。相比传统测量方法,可以提供更准确的变形参数信息,帮助准确评估工件的变形程度。基于人工智能的方法能够自动采集和处理大量的序列图像数据,并自动提取应变信息和计算变形参数。这样可以大大减少人力投入和处理时间,提高工作效率。通过建立基于数据的折弯工艺分析模型,可以客观评价不同折弯工艺方案的优劣。不再依赖主观经验和直觉,减少人为因素对结果的影响,提供更可靠的工艺评价结果。基于人工智能的方法可以根据变形参数集合和评价指标,进行工艺优化。通过分析不同折弯工艺方案的评价指标,选取最佳方案,从而减少工件的变形,提高工艺质量和一致性。
附图说明
图1为本发明实施例中基于人工智能的变形测量方法的一个实施例示意图;
图2为本发明实施例中应变信息提取的流程图;
图3为本发明实施例中计算变形参数集合的流程图;
图4为本发明实施例中工件折弯工艺分析的流程图;
图5为本发明实施例中基于人工智能的变形测量装置的一个实施例示意图;
图6为本发明实施例中基于人工智能的变形测量设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的变形测量方法、装置、设备及存储介质,用于实现人工智能的方式进行工件变形测量并且提高工件变形测量的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于人工智能的变形测量方法的一个实施例包括:
S101、基于预置的多个第一折弯工艺方案分别对多个原始工件进行折弯处理,得到每个折弯工艺方案对应的目标工件;
可以理解的是,本发明的执行主体可以为基于人工智能的变形测量装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器首先,服务器需要设计和预置多个不同的折弯工艺方案。这些方案涉及工件的初始形状、折弯角度、折弯顺序以及使用的工具和夹具等信息。例如,服务器可以设计三个不同的折弯工艺方案:A、B和C。在方案A中,服务器决定先进行一次90度的折弯,然后再进行一次45度的折弯。方案B则是先进行两次45度的折弯。而在方案C中,服务器可能采用不同的工具和夹具,进行一次60度的折弯。接下来,服务器选择多个原始工件进行折弯处理。这些原始工件可以是相同的或不同的,具体取决于需要加工的零件。例如,服务器选择了五个相同形状的金属板材作为原始工件。将选定的原始工件放置在数控折弯机上,并设置好机器的参数,例如加工速度和力度。然后,根据预置的第一折弯工艺方案,对每个原始工件进行折弯加工。数控折弯机会自动根据预设的折弯角度和顺序,调整工具的位置和角度,实现折弯处理。这样,服务器就得到了每个折弯工艺方案对应的目标工件。例如,假设服务器采用方案A、B和C对五个金属板材进行折弯加工。对于方案A,首先进行一次90度的折弯,然后再进行一次45度的折弯。通过数控折弯机的自动控制,服务器得到五个目标工件,它们都符合方案A的折弯要求。对于方案B,服务器先进行两次45度的折弯。同样地,通过数控折弯机的加工,服务器得到五个符合方案B的目标工件。而对于方案C,服务器采用不同的工具和夹具,进行一次60度的折弯。再次通过数控折弯机的加工,服务器得到五个符合方案C的目标工件。
S102、通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集,得到每个目标工件的序列图像数据;
具体的,服务器首先,服务器预先设置一个视觉显微应变策略系统,该系统用于采集工件的图像数据。该系统可以包括一个显微镜摄像头和相关的图像采集设备。对于每个折弯工艺方案和对应的目标工件,服务器利用预置的视觉显微应变策略系统进行视频采集。通过显微镜摄像头,系统可以实时记录目标工件在折弯过程中的变形情况,并生成显微视频数据。接下来,服务器对每个目标工件的显微视频数据进行图像分割,将连续的视频分割成多个显微视频图像。这可以通过计算机视觉技术和图像处理算法来实现。在图像分割后,服务器可以对所得到的多个显微视频图像进行变化率计算。通过比较连续图像之间的差异,例如像素的亮度和颜色变化,可以得到变化率数据。这些数据反映了目标工件在折弯过程中的变形情况。根据变化率数据,服务器可以对显微视频图像进行动态调整。通过调整帧率、持续时间或其他参数,可以生成多个第一视频图像,以更好地展示目标工件的变形过程。接下来,服务器利用预置的EDSR(Enhanced Deep Super-Resolution)模型对每个第一视频图像进行分辨率处理。这种处理可以提高图像的清晰度和细节,以更好地观察目标工件的变形情况。对于多个经过分辨率处理的第二视频图像,服务器进行图像包含关系的计算。通过比较图像之间的相似度、形状匹配等指标,可以确定它们之间的包含关系。这些关系可以帮助服务器理解目标工件的变形特征。最后,基于图像包含关系,服务器对多个第二视频图像进行去重。通过筛选和去除重复的图像,服务器得到每个目标工件的序列图像数据,其中每个图像都呈现了不同阶段的变形情况。例如,假设服务器有一个金属板材进行折弯处理,使用三种不同的折弯工艺方案:A、B和C。服务器利用预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集。对于工艺方案A,服务器使用视觉显微应变策略系统对目标工件进行视频采集。系统捕捉到了目标工件在折弯过程中的变形情况,并生成了一段显微视频数据。接下来,服务器对这段显微视频数据进行图像分割,将其分割成多个显微视频图像。然后,服务器计算这些图像之间的变化率,以获取关于工件变形的数据。基于变化率数据,服务器可以对显微视频图像进行动态调整,以展示工件的变形过程。通过调整帧率或时间间隔,服务器得到了一系列第一视频图像,每个图像都呈现了工件在不同折弯阶段的变形情况。接下来,服务器使用预置的EDSR模型对每个第一视频图像进行分辨率处理。这个模型能够提高图像的清晰度和细节,使服务器能够更准确地观察工件的变形特征。然后,服务器对这些经过分辨率处理的第二视频图像进行包含关系计算。通过比较图像之间的相似性和形状匹配,服务器确定它们之间的包含关系。最后,根据图像的包含关系,服务器对这些第二视频图像进行去重。通过筛选和去除重复的图像,服务器得到了工件的序列图像数据,每个图像都展示了工件在折弯过程中的不同变形阶段。
S103、对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息;
需要说明的是,首先,服务器需要对每个目标工件的序列图像数据进行图像配准。这是为了确保在不同图像之间进行准确的像素对应关系。通过使用图像配准算法,服务器可以将序列图像数据进行对齐,使得相应的特征点在不同图像中具有一致的位置。接下来,对于经过配准的每个目标图像,服务器可以进行边缘特征提取。边缘特征提取可以通过使用边缘检测算法,如Canny边缘检测算法,来捕捉图像中的边缘信息。这些边缘特征可以帮助服务器识别目标工件的形状和变形情况。基于提取的边缘特征信息,服务器可以计算每个目标配准图像的应变分布位移。通过比较每个配准图像中的边缘特征与参考图像的对应边缘特征,可以计算出每个像素的位移量。这样,服务器可以得到每个目标配准图像的应变分布位移图。进一步地,基于每个目标配准图像的应变分布位移图,服务器可以生成每个目标工件的应变分布图。这可以通过将位移图与初始参考图像进行叠加来实现。通过观察应变分布图,服务器可以获得目标工件在不同区域的应变程度和分布情况。最后,通过分析应变分布图,服务器可以得到每个目标工件的应变分布信息。这些信息可以包括应变的最大值、最小值、平均值等,以及应变的分布模式和梯度。例如,考虑一个金属板材的折弯过程。服务器对该金属板材进行连续图像采集,并得到了序列图像数据。通过图像配准,服务器将这些序列图像进行对齐,得到了多个配准图像。对于每个配准图像,服务器进行边缘特征提取,识别出金属板材的边缘。然后,通过比较每个配准图像中的边缘特征与参考图像的对应边缘特征,服务器计算出每个像素的位移量,得到了应变分布位移图。接下来,将应变分布位移图与参考图像叠加,服务器生成了金属板材的应变分布图。通过观察该图像,服务器可以看到不同区域的应变分布情况,如局部应变集中的区域或者均匀分布的区域。最后,通过分析应变分布图,服务器可以提取金属板材的应变分布信息,例如最大应变值、最小应变值以及应变的分布模式。这些信息对于评估金属板材的变形程度和性能非常重要,可以帮助服务器优化折弯工艺并改进产品质量。
S104、根据每个目标工件的应变分布信息计算每个目标工件的变形参数集合;
具体的,首先,根据每个目标工件的应变分布信息,服务器可以计算每个目标工件的最大应变值。通过分析应变分布图,找到应变值最大的区域,并记录其对应的应变值。这个最大应变值可以作为一个关键指标,用于评估目标工件的变形程度。同时,服务器还可以对每个目标工件的应变分布信息进行平均应变值的计算。通过将应变分布图中的所有应变值求平均,服务器可以得到每个目标工件的平均应变值。这个平均应变值可以提供关于整体变形程度的信息。另外,服务器可以提取每个目标工件的应变分布信息所对应的多个目标分布点。这些目标分布点可以是应变分布图中的特定位置,如边缘点或关键区域。然后,服务器计算相邻两个目标分布点之间的应变变化率,即应变梯度。应变梯度表示了应变在不同区域之间的变化速率,提供了更详细的变形信息。接下来,服务器对最大应变值、平均应变值以及应变梯度进行归一化处理和集合转换,生成每个目标工件的变形参数集合。归一化处理可以将不同尺度和范围的数据统一到相同的数值范围内,方便进行比较和分析。集合转换则将变形参数转换为特定的表示形式,便于后续处理和应用。例如,考虑一个汽车车身件的变形测量。服务器通过应变分布图分析车身件在受力情况下的变形情况。根据应变分布信息,服务器找到应变值最大的区域,并记录下最大应变值作为变形的重要指标。假设最大应变值为0.15。同时,服务器计算应变分布图中所有应变值的平均值,得到平均应变值,例如0.08。这个平均应变值可以帮助服务器了解整体变形情况。然后,服务器选择几个关键的目标分布点,如车身件的边缘点和特定结构的位置点。服务器计算相邻两个目标分布点之间的应变变化率,得到应变梯度。例如,两个边缘点之间的应变变化率为0.02。接下来,服务器对最大应变值、平均应变值和应变梯度进行归一化处理和集合转换。假设归一化处理后的最大应变值为1.0,归一化后的平均应变值为0.5,应变梯度集合转换后为[0.2,0.4,0.6]。这些归一化和集合转换后的数值构成了目标工件的变形参数集合。
S105、对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合;
具体的,首先,需要构建每个目标工件的变形参数集合所对应的编码规则。编码规则定义了参数的编码位数、编码顺序以及编码映射关系。例如,可以选择将每个参数编码为固定长度的二进制数,其中每个参数的编码位数由问题的需求和参数的取值范围决定。编码顺序可以根据参数的重要性或优先级来确定,例如按照最大应变值、平均应变值和应变梯度的顺序进行编码。编码映射关系将参数的实际取值与二进制编码之间建立对应关系,以便后续解码和分析。接下来,对每个目标工件的变形参数集合进行二进制参数编码。根据编码规则,将每个参数转换为对应长度的二进制数。例如,假设最大应变值的编码位数为8位,平均应变值的编码位数为6位,应变梯度的编码位数为4位,根据参数的取值范围进行编码转换,得到每个参数的二进制编码值。然后,对所述多个参数编码值进行编码融合。编码融合的目的是将多个参数的编码值合并为一个整体的参数编码集合。可以将每个参数的二进制编码按照编码顺序进行拼接或组合,得到每个目标工件的参数编码集合。例如,将最大应变值的8位编码值、平均应变值的6位编码值和应变梯度的4位编码值按顺序拼接为一个18位的参数编码集合。通过这种方式,每个目标工件的变形参数集合被转换为二进制的参数编码集合,以便进行后续的处理和分析。编码后的参数集合可以方便地存储、传输和处理,同时保留了原始参数的信息。此外,编码规则的设计可以根据具体需求进行灵活调整,以适应不同的变形测量场景和参数特征。例如,考虑一个金属零件的变形测量。假设服务器选择的变形参数集合包括最大应变值、平均应变值和应变梯度。根据编码规则,最大应变值的编码位数为8位,平均应变值的编码位数为6位,应变梯度的编码位数为4位。假设某个目标工件的最大应变值编码为00110100,平均应变值编码为110010,应变梯度编码为1011,将它们按照编码顺序拼接为一个18位的参数编码集合,即001101001100101011。通过参数编码,服务器将目标工件的变形参数集合转换为了一个二进制编码值,便于后续的存储、传输和处理。同时,由于编码规则的设计,服务器可以根据编码集合恢复出原始的变形参数值,以进行进一步的分析和评估。
S106、将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;
具体的,首先,构建一个预置的折弯工艺分析模型,该模型包括两层双向长短时记忆网络(Bi-LSTM)和两层全连接层。Bi-LSTM用于提取参数编码集合的特征,全连接层用于计算工件的折弯工艺评价指标。这个模型可以在训练阶段使用已知的折弯工艺数据进行参数训练,以学习特征提取和指标计算的模式。接下来,将每个目标工件的参数编码集合输入到折弯工艺分析模型中。首先,通过两层双向LSTM网络对参数编码集合进行特征提取。Bi-LSTM网络可以同时考虑前向和后向的上下文信息,有效地捕捉参数编码集合中的序列特征。该网络会输出参数编码集合的特征向量,其中每个维度代表了特定的折弯工艺特征。然后,将参数编码特征向量输入到两层全连接层中进行工件折弯工艺指标的计算。全连接层可以根据参数编码特征向量的输入,通过一系列的权重和激活函数操作,生成目标工件的折弯工艺评价指标。这些指标可以是诸如工件弯曲角度、弯曲位置、应变分布等方面的评价指标。通过这种方式,服务器可以利用预置的折弯工艺分析模型对每个目标工件的参数编码集合进行分析,从而得到工件的折弯工艺评价指标。这样可以帮助工程师和制造人员更好地理解每个目标工件的变形情况,评估工件的可行性,并做出相应的决策。例如,假设服务器有一个预置的折弯工艺分析模型,输入的参数编码集合是一个长度为20的二进制编码,表示了工件的最大应变值、平均应变值和应变梯度等参数。服务器将这个编码集合输入到模型中进行分析。首先,通过两层双向LSTM网络,模型会提取参数编码集合的特征。每个时间步的Bi-LSTM会考虑前后时间步的上下文信息,然后输出一个特征向量,其中每个维度代表了特定的折弯工艺特征。假设得到的特征向量是一个长度为10的向量。接下来,将这个特征向量输入到两层全连接层中进行工件折弯工艺指标的计算。全连接层会通过一系列的权重和激活函数操作,生成工件的折弯工艺评价指标。假设最终输出的评价指标是工件的弯曲角度和弯曲位置。通过这个预置的折弯工艺分析模型,服务器可以将参数编码集合输入进去,得到工件的折弯工艺评价指标,例如弯曲角度为30度,弯曲位置在工件的中心位置。这样,通过折弯工艺分析模型的计算,服务器可以利用参数编码集合来评估每个目标工件的折弯工艺情况,并得到相应的评价指标,帮助决策者做出合适的工艺调整和改进措施。
S107、根据每个目标工件的折弯工艺评价指标从多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
具体的,服务器首先,为每个目标工件的折弯工艺评价指标分配预设的权重。这些权重可以根据具体的需求和工艺要求进行设定,用于反映不同指标对于工件质量的重要程度。例如,对于某些工件来说,弯曲角度可能更为重要,而对于其他工件来说,弯曲位置可能是关键指标。根据这些权重,对每个目标工件的折弯工艺评价指标进行加权归一化计算,得到每个目标工件的综合评价指标。接下来,对综合评价指标进行比较,以确定目标工件之间的相对优劣关系。这可以通过将综合评价指标进行排序或者设置阈值来实现。比较的结果可以是一个排序列表,其中包含了每个目标工件的相对评价指标,从最高到最低。最后,根据目标比较结果,从多个第一折弯工艺方案中选择具有最高评价指标的方案作为第二折弯工艺方案。根据综合评价指标的排名或者阈值设定,可以直接选择评价指标最高的方案,或者在评价指标符合一定条件的方案中进行进一步的筛选。例如,假设有三个目标工件,每个工件都有不同的折弯工艺评价指标,包括弯曲角度、弯曲位置和弯曲平滑度。服务器预设弯曲角度的权重为0.4,弯曲位置的权重为0.3,弯曲平滑度的权重为0.3。根据这些权重,对每个工件的评价指标进行加权归一化计算,得到每个工件的综合评价指标。工件A:综合评价指标为0.75;工件B:综合评价指标为0.85工件C:综合评价指标为0.80。然后,对综合评价指标进行比较。假设服务器按照评价指标的大小进行排序,得到以下结果:工件B>工件C>工件A。根据目标比较结果,服务器选择评价指标最高的工件B所对应的第一折弯工艺方案作为第二折弯工艺方案。通过此流程,服务器可以根据每个目标工件的折弯工艺评价指标从多个第一折弯工艺方案中选取评价指标最高的第二折弯工艺方案,以确保工件的质量和性能得到最优化的保障。
本发明实施例中,通过视觉显微应变策略系统,分别对每个目标工件进行图像采集,得到序列图像数据;进行应变信息提取,得到应变分布信息;根据应变分布信息计算每个目标工件的变形参数集合;进行参数编码,得到每个目标工件的参数编码集合;将每个目标工件的参数编码集合输入折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;根据每个目标工件的折弯工艺评价指标从多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案,本发明通过使用视觉显微应变策略系统,结合人工智能算法,可以实现对工件变形的高精度测量。相比传统测量方法,可以提供更准确的变形参数信息,帮助准确评估工件的变形程度。基于人工智能的方法能够自动采集和处理大量的序列图像数据,并自动提取应变信息和计算变形参数。这样可以大大减少人力投入和处理时间,提高工作效率。通过建立基于数据的折弯工艺分析模型,可以客观评价不同折弯工艺方案的优劣。不再依赖主观经验和直觉,减少人为因素对结果的影响,提供更可靠的工艺评价结果。基于人工智能的方法可以根据变形参数集合和评价指标,进行工艺优化。通过分析不同折弯工艺方案的评价指标,选取最佳方案,从而减少工件的变形,提高工艺质量和一致性。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行视频采集,得到每个目标工件的显微视频数据;
(2)对每个目标工件的显微视频数据进行图像分割,得到多个显微视频图像;
(3)对多个显微视频图像进行变化率计算,得到变化率数据;
(4)根据变化率数据对多个显微视频图像进行动态调整,得到多个第一视频图像;
(5)通过预置的EDSR模型分别对每个第一视频图像进行分辨率处理,得到多个第二视频图像;
(6)对多个第二视频图像进行包含关系计算,得到图像包含关系;
(7)基于图像包含关系对多个第二视频图像进行去重,得到每个目标工件的序列图像数据。
具体的,服务器首先,利用预置的视觉显微应变策略系统对每个折弯工艺方案对应的目标工件进行视频采集,以获取每个目标工件的显微视频数据。这个系统可以包括显微镜、摄像机等设备,用于捕捉工件在折弯过程中的细微变形信息。接下来,对每个目标工件的显微视频数据进行图像分割,将每个视频分割成多个显微视频图像。图像分割技术可以根据工件的特征和需要提取的信息来选择,例如使用边缘检测、阈值分割等算法来分割图像。对多个显微视频图像进行变化率计算,以得到工件在折弯过程中的变形程度。这可以通过比较不同图像之间的像素值差异或者运动跟踪算法来实现,得到变化率数据。根据变化率数据对多个显微视频图像进行动态调整,以获取多个第一视频图像。根据变化率的大小和趋势,可以调整图像的亮度、对比度等参数,以更好地展示工件的变形情况。接下来,使用预置的EDSR模型对每个第一视频图像进行分辨率处理,以提高图像的清晰度和细节。EDSR模型是一种超分辨率算法,能够将低分辨率图像提升到高分辨率,从而更好地展现工件的细微变形。对多个第二视频图像进行包含关系计算,以确定它们之间的关系和顺序。包含关系计算可以根据图像中的特征点、轮廓等信息进行,以确定图像的层次结构和变形过程中的前后关系。最后,基于图像包含关系对多个第二视频图像进行去重,以获取每个目标工件的序列图像数据。去重过程可以根据图像的相似度、重叠度等指标进行,以确保每个图像都能够代表工件在折弯过程中的不同阶段和变形状态。例如,假设有一个金属工件进行折弯加工,经过显微摄像机采集到的显微视频数据包括10个图像。通过图像分割和变化率计算,得到变化率数据,表明工件在第4个图像发生较大的变形。根据这个变化率信息,对第4个图像进行动态调整,使其更好地展示工件的变形情况。然后,利用EDSR模型对调整后的第4个图像进行分辨率处理,增强图像的清晰度。接着,根据图像包含关系计算,确定其他图像与第4个图像的顺序和关系。最后,根据包含关系去除重复图像,得到每个目标工件的序列图像数据,这些图像能够展示工件在折弯过程中的不同阶段和变形状态。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、对每个目标工件的序列图像数据进行图像配准,得到多个目标配准图像;
S202、对多个目标配准图像进行边缘特征提取,得到每个目标配准图像的边缘特征信息;
S203、根据每个目标配准图像的边缘特征信息,对每个目标配准图像进行应变分布位移计算,得到每个目标配准图像的应变分布位移;
S204、基于每个目标配准图像的应变分布位移生成每个目标工件的应变分布图,并通过应变分布图生成每个目标工件的应变分布信息。
具体的,服务器首先,对每个目标工件的序列图像数据进行图像配准,以确保它们具有相同的尺寸和几何形状。图像配准可以使用各种配准算法,如特征点匹配、相位相关等方法,以使每个图像在空间上对齐。接下来,对多个目标配准图像进行边缘特征提取,以提取图像中的边缘信息。边缘特征可以通过应用边缘检测算法,如Canny算子、Sobel算子等,来识别和提取图像中的边缘。根据每个目标配准图像的边缘特征信息,进行应变分布位移计算,以分析工件在不同图像中的变形情况。这可以通过比较不同图像之间的边缘特征的位置和形状变化来实现,从而计算得到每个目标配准图像的应变分布位移。基于每个目标配准图像的应变分布位移,生成每个目标工件的应变分布图。应变分布图展示了工件在折弯过程中的应变分布情况,可以通过对每个配准图像进行位移叠加和插值来生成。然后,根据应变分布图,进一步生成每个目标工件的应变分布信息,如最大应变值、平均应变值等。例如,假设有一个目标工件的序列图像数据包括10张图像。首先,对这些图像进行配准,确保它们对齐且具有相同的尺寸。接下来,对配准后的图像进行边缘特征提取,提取每个图像中的边缘信息。然后,根据边缘特征信息计算每个图像的应变分布位移,分析工件的变形情况。基于位移计算结果,生成每个图像的应变分布图,展示工件在不同图像中的应变分布。最后,根据应变分布图,计算出每个目标工件的应变分布信息,如最大应变值、平均应变值等,从而提供工件的变形特征和变形程度的定量描述。本实施例中,服务器能够对每个目标工件的序列图像数据进行图像配准、边缘特征提取、应变分布位移计算、应变分布图生成和应变分布信息提取等操作。这些过程有助于分析工件的变形情况、变形分布以及应变程度,为工艺优化、质量控制和结构设计等提供重要参考。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、根据每个目标工件的应变分布信息计算每个目标工件的最大应变值,并对每个目标工件的应变分布信息进行平均应变值计算,得到每个目标工件的平均应变值;
S302、提取每个目标工件的应变分布信息所对应的多个目标分布点,并计算相邻两个目标分布点之间的应变变化率,得到应变梯度;
S303、分别对最大应变值、平均应变值以及应变梯度进行归一化处理以及集合转换,生成每个目标工件的变形参数集合。
具体的,服务器首先,根据每个目标工件的应变分布信息计算其最大应变值。这可以通过在应变分布图中找到最大应变值所对应的位置或像素进行计算得到。接下来,对每个目标工件的应变分布信息进行平均应变值的计算。这可以通过对应变分布图中的所有像素值进行平均得到。然后,提取每个目标工件应变分布信息所对应的多个目标分布点。这些目标分布点可以是在应变分布图中选择的关键位置,代表工件的重要变形区域。接着,计算相邻两个目标分布点之间的应变变化率,以获得应变梯度。应变梯度可以通过计算两个目标分布点之间的差异,并除以它们之间的距离来得到。对最大应变值、平均应变值以及应变梯度进行归一化处理和集合转换,生成每个目标工件的变形参数集合。归一化可以将参数值映射到特定范围内,确保不同参数具有相同的尺度。集合转换可以将这些参数组合在一起,形成每个目标工件的变形参数集合。例如,假设服务器有两个目标工件,分别为工件A和工件B。根据每个工件的应变分布信息,服务器计算出工件A的最大应变值为0.15,平均应变值为0.08;工件B的最大应变值为0.12,平均应变值为0.06。然后,服务器选择工件A的应变分布图中的三个目标分布点,计算相邻两点之间的应变变化率。假设这些变化率分别为0.03、0.02和0.04。接下来,对最大应变值、平均应变值和应变梯度进行归一化处理和集合转换。归一化后,工件A的最大应变值归一化为1.0,平均应变值归一化为0.6,应变梯度归一化为0.7;工件B的最大应变值归一化为0.8,平均应变值归一化为0.4,应变梯度归一化为0.5。最后,将这些归一化的参数值组合在一起,形成每个目标工件的变形参数集合。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)构建每个目标工件的变形参数集合所对应的编码规则,其中,编码规则包括编码位数、编码顺序以及编码映射关系;
(2)对每个目标工件的变形参数集合进行二进制参数编码,得到多个参数编码值;
(3)对多个参数编码值进行编码融合,得到每个目标工件的参数编码集合。
具体的,首先,构建每个目标工件的变形参数集合所对应的编码规则。编码规则包括编码位数、编码顺序以及编码映射关系。编码位数是指每个参数在二进制编码中所占用的位数,位数的选择应根据参数范围和精度进行确定。编码顺序指的是对参数进行编码时的顺序,可以根据参数的重要性或先后顺序进行确定。编码映射关系定义了二进制编码与实际参数值之间的对应关系,它可以是线性映射、对数映射或其他适合的映射方式。接下来,对每个目标工件的变形参数集合进行二进制参数编码。对于每个参数,根据编码规则中定义的位数和映射关系,将其转换为对应的二进制编码。例如,假设某个参数的取值范围为0-10,编码规则中规定使用4位二进制编码,并采用线性映射关系。如果该参数的实际值为6.5,则将其转换为对应的二进制编码0101。最后,对多个参数编码值进行编码融合。编码融合的目的是将每个参数的二进制编码值组合在一起,形成每个目标工件的参数编码集合。具体的融合方式可以是简单地将各个参数的二进制编码值拼接在一起,形成一个较长的二进制串,或者采用其他编码方式,如使用位操作将各个参数的编码值进行组合。例如,假设有两个目标工件,分别具有三个变形参数:长度、宽度和高度。根据编码规则,长度参数使用5位二进制编码,宽度参数使用4位二进制编码,高度参数使用3位二进制编码。假设长度参数的实际值为8.2,宽度参数的实际值为5.7,高度参数的实际值为2.9。根据编码规则中的映射关系,长度参数的二进制编码为10010,宽度参数的二进制编码为0111,高度参数的二进制编码为101。然后,将这些参数的二进制编码按照编码顺序进行融合,形成目标工件的参数编码集合。假设编码顺序为长度-宽度-高度,那么融合后的参数编码集合为100100111101。本实施例中,服务器能够根据编码规则将每个目标工件的变形参数集合进行二进制参数编码,并将多个参数编码值进行编码融合,得到每个目标工件的参数编码集合。这样的编码方式可以用于后续的数据处理和分析,例如应用遗传算法进行参数优化、进行参数之间的关联分析等。
在一具体实施例中,如图4所示,执行步骤S106的过程可以具体包括如下步骤:
S401、将每个目标工件的参数编码集合输入预置的折弯工艺分析模型,其中,折弯工艺分析模型包括:两层双向长短时记忆网络以及两层全连接层;
S402、通过两层双向长短时记忆网络对参数编码集合进行特征提取,得到参数编码特征向量;
S403、将参数编码特征向量输入两层全连接层进行工件折弯工艺指标计算,得到每个目标工件的折弯工艺评价指标。
具体的,服务器首先,构建折弯工艺分析模型,该模型包括两层双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)和两层全连接层。BiLSTM是一种循环神经网络(Recurrent Neural Network,RNN)的变体,具有记忆和顺序建模能力。全连接层用于处理输入和输出之间的连接。接下来,将每个目标工件的参数编码集合输入到折弯工艺分析模型中。参数编码集合可以表示为一个向量,其中每个元素对应一个参数的编码值。将参数编码集合输入到两层双向LSTM中,这将对参数编码集合进行特征提取。双向LSTM能够同时考虑参数序列的前向和后向信息,从而捕捉参数之间的时序依赖关系。通过双向LSTM的计算,得到参数编码特征向量,它可以看作是参数编码集合在特征空间中的表示。将参数编码特征向量输入到两层全连接层中进行工件折弯工艺指标计算。全连接层将参数编码特征向量映射到最终的折弯工艺评价指标。全连接层中的每个神经元对应一个折弯工艺指标,例如折弯角度、折弯力等。通过全连接层的计算,得到每个目标工件的折弯工艺评价指标。例如,假设有一个折弯工艺分析模型,其中包括两层双向LSTM和两层全连接层。对于一个目标工件,它的参数编码集合表示为[0.1,0.5,0.8],每个参数的编码值在0-1范围内。首先,将参数编码集合输入到双向LSTM中进行特征提取,得到参数编码特征向量。假设双向LSTM提取的特征向量为[0.3,0.7,0.2]。然后,将特征向量输入到两层全连接层中进行工件折弯工艺指标计算,得到折弯工艺评价指标。假设全连接层计算得到的评价指标为[0.6,0.8,0.4]。这些指标可以表示折弯工艺的质量、稳定性或其他相关度量。
在一具体实施例中,执行步骤S107的过程可以具体包括如下步骤:
(1)基于预设的指标权重,对每个目标工件的折弯工艺评价指标进行加权归一化计算,得到每个目标工件的综合评价指标;
(2)对综合评价指标进行比较,得到目标比较结果;
(3)根据目标比较结果,从多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
具体的,首先,定义每个折弯工艺评价指标的权重,包括折弯角度、折弯力和平均应变。这些权重可以根据具体需求和工艺要求来确定,以反映不同指标在综合评价中的相对重要性。接下来,对于每个目标工件,将其折弯工艺评价指标与对应的权重进行乘法运算,得到加权指标值。然后,对加权指标值进行归一化处理,使其在0到1之间,可以采用线性缩放等方法进行归一化。通过加权归一化计算,得到每个目标工件的综合评价指标。在对综合评价指标进行比较时,可以将指标值进行比较,找出具有最高评价指标的目标工件。根据目标比较结果,从多个第一折弯工艺方案中选择与该目标工件相关的折弯工艺评价指标最高的方案作为第二折弯工艺方案。例如,假设有三个目标工件A、B和C,它们的折弯工艺评价指标及其对应的权重如下:工件A:折弯角度=80°(权重0.4)、折弯力=1200N(权重0.3)、平均应变=0.2(权重0.3);工件B:折弯角度=90°(权重0.4)、折弯力=1100N(权重0.3)、平均应变=0.15(权重0.3);工件C:折弯角度=85°(权重0.4)、折弯力=1000N(权重0.3)、平均应变=0.18(权重0.3)。根据权重和加权归一化计算,服务器可以计算每个工件的综合评价指标:工件A的综合评价指标=(0.4*80°+0.3*1200N+0.3*0.2)/(0.4+0.3+0.3);工件B的综合评价指标=(0.4*90°+0.3*1100N+0.3*0.15)/(0.4+0.3+0.3);工件C的综合评价指标=(0.4*85°+0.3*1000N+0.3*0.18)/(0.4+0.3+0.3)。通过比较综合评价指标的数值,服务器可以确定具有最高评价指标的目标工件。假设工件B的综合评价指标最高,那么从多个第一折弯工艺方案中,服务器将选择与工件B相关的折弯工艺评价指标最高的方案作为第二折弯工艺方案。这样,通过加权归一化计算和综合评价指标的比较,服务器能够得到目标工件的综合评价结果,并选择最佳的折弯工艺方案作为第二折弯工艺方案。
上面对本发明实施例中基于人工智能的变形测量方法进行了描述,下面对本发明实施例中基于人工智能的变形测量装置进行描述,请参阅图5,本发明实施例中基于人工智能的变形测量装置一个实施例包括:
处理模块501,用于基于预置的多个第一折弯工艺方案分别对多个原始工件进行折弯处理,得到每个折弯工艺方案对应的目标工件;
采集模块502,用于通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集,得到每个目标工件的序列图像数据;
提取模块503,用于对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息;
计算模块504,用于根据每个目标工件的应变分布信息计算每个目标工件的变形参数集合;
编码模块505,用于对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合;
分析模块506,用于将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;
选取模块507,用于根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
通过上述各个组成部分的协同合作,通过视觉显微应变策略系统,分别对每个目标工件进行图像采集,得到序列图像数据;进行应变信息提取,得到应变分布信息;根据应变分布信息计算每个目标工件的变形参数集合;进行参数编码,得到每个目标工件的参数编码集合;将每个目标工件的参数编码集合输入折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案,本发明通过使用视觉显微应变策略系统,结合人工智能算法,可以实现对工件变形的高精度测量。相比传统测量方法,可以提供更准确的变形参数信息,帮助准确评估工件的变形程度。基于人工智能的方法能够自动采集和处理大量的序列图像数据,并自动提取应变信息和计算变形参数。这样可以大大减少人力投入和处理时间,提高工作效率。通过建立基于数据的折弯工艺分析模型,可以客观评价不同折弯工艺方案的优劣。不再依赖主观经验和直觉,减少人为因素对结果的影响,提供更可靠的工艺评价结果。基于人工智能的方法可以根据变形参数集合和评价指标,进行工艺优化。通过分析不同折弯工艺方案的评价指标,选取最佳方案,从而减少工件的变形,提高工艺质量和一致性。
上面图5从模块化功能实体的角度对本发明实施例中的基于人工智能的变形测量装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于人工智能的变形测量设备进行详细描述。
图6是本发明实施例提供的一种基于人工智能的变形测量设备的结构示意图,该基于人工智能的变形测量设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于人工智能的变形测量设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于人工智能的变形测量设备600上执行存储介质630中的一系列指令操作。
基于人工智能的变形测量设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于人工智能的变形测量设备结构并不构成对基于人工智能的变形测量设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于人工智能的变形测量设备,所述基于人工智能的变形测量设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于人工智能的变形测量方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于人工智能的变形测量方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于人工智能的变形测量方法,其特征在于,所述基于人工智能的变形测量方法包括:
基于预置的多个第一折弯工艺方案分别对多个原始工件进行折弯处理,得到每个折弯工艺方案对应的目标工件;
通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集,得到每个目标工件的序列图像数据,具体包括:通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行视频采集,得到每个目标工件的显微视频数据;对每个目标工件的显微视频数据进行图像分割,得到多个显微视频图像;对所述多个显微视频图像进行变化率计算,得到变化率数据;根据所述变化率数据对所述多个显微视频图像进行动态调整,得到多个第一视频图像;通过预置的EDSR模型分别对每个第一视频图像进行分辨率处理,得到多个第二视频图像;对多个第二视频图像进行包含关系计算,得到图像包含关系;基于所述图像包含关系对所述多个第二视频图像进行去重,得到每个目标工件的序列图像数据;
对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息;
根据每个目标工件的应变分布信息计算每个目标工件的变形参数集合,具体包括:根据每个目标工件的应变分布信息计算每个目标工件的最大应变值,并对每个目标工件的应变分布信息进行平均应变值计算,得到每个目标工件的平均应变值;提取每个目标工件的应变分布信息所对应的多个目标分布点,并计算相邻两个目标分布点之间的应变变化率,得到应变梯度;分别对所述最大应变值、所述平均应变值以及所述应变梯度进行归一化处理以及集合转换,生成每个目标工件的变形参数集合;
对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合;
将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;
根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
2.根据权利要求1所述的基于人工智能的变形测量方法,其特征在于,所述对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息,包括:
对每个目标工件的序列图像数据进行图像配准,得到多个目标配准图像;
对所述多个目标配准图像进行边缘特征提取,得到每个目标配准图像的边缘特征信息;
根据每个目标配准图像的边缘特征信息,对每个目标配准图像进行应变分布位移计算,得到每个目标配准图像的应变分布位移;
基于每个目标配准图像的应变分布位移生成每个目标工件的应变分布图,并通过所述应变分布图生成每个目标工件的应变分布信息。
3.根据权利要求1所述的基于人工智能的变形测量方法,其特征在于,所述对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合,包括:
构建每个目标工件的变形参数集合所对应的编码规则,其中,所述编码规则包括编码位数、编码顺序以及编码映射关系;
对每个目标工件的变形参数集合进行二进制参数编码,得到多个参数编码值;
对所述多个参数编码值进行编码融合,得到每个目标工件的参数编码集合。
4.根据权利要求1所述的基于人工智能的变形测量方法,其特征在于,所述将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标,包括:
将每个目标工件的参数编码集合输入预置的折弯工艺分析模型,其中,所述折弯工艺分析模型包括:两层双向长短时记忆网络以及两层全连接层;
通过所述两层双向长短时记忆网络对所述参数编码集合进行特征提取,得到参数编码特征向量;
将所述参数编码特征向量输入所述两层全连接层进行工件折弯工艺指标计算,得到每个目标工件的折弯工艺评价指标。
5.根据权利要求1所述的基于人工智能的变形测量方法,其特征在于,所述根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案,包括:
基于预设的指标权重,对每个目标工件的折弯工艺评价指标进行加权归一化计算,得到每个目标工件的综合评价指标;
对所述综合评价指标进行比较,得到目标比较结果;
根据所述目标比较结果,从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
6.一种基于人工智能的变形测量装置,其特征在于,所述基于人工智能的变形测量装置包括:
处理模块,用于基于预置的多个第一折弯工艺方案分别对多个原始工件进行折弯处理,得到每个折弯工艺方案对应的目标工件;
采集模块,用于通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行图像采集,得到每个目标工件的序列图像数据,具体包括:通过预置的视觉显微应变策略系统,分别对每个折弯工艺方案对应的目标工件进行视频采集,得到每个目标工件的显微视频数据;对每个目标工件的显微视频数据进行图像分割,得到多个显微视频图像;对所述多个显微视频图像进行变化率计算,得到变化率数据;根据所述变化率数据对所述多个显微视频图像进行动态调整,得到多个第一视频图像;通过预置的EDSR模型分别对每个第一视频图像进行分辨率处理,得到多个第二视频图像;对多个第二视频图像进行包含关系计算,得到图像包含关系;基于所述图像包含关系对所述多个第二视频图像进行去重,得到每个目标工件的序列图像数据;
提取模块,用于对每个目标工件的序列图像数据进行应变信息提取,得到每个目标工件的应变分布信息;
计算模块,用于根据每个目标工件的应变分布信息计算每个目标工件的变形参数集合,具体包括:根据每个目标工件的应变分布信息计算每个目标工件的最大应变值,并对每个目标工件的应变分布信息进行平均应变值计算,得到每个目标工件的平均应变值;提取每个目标工件的应变分布信息所对应的多个目标分布点,并计算相邻两个目标分布点之间的应变变化率,得到应变梯度;分别对所述最大应变值、所述平均应变值以及所述应变梯度进行归一化处理以及集合转换,生成每个目标工件的变形参数集合;
编码模块,用于对每个目标工件的变形参数集合进行参数编码,得到每个目标工件的参数编码集合;
分析模块,用于将每个目标工件的参数编码集合输入预置的折弯工艺分析模型进行工件折弯工艺分析,得到每个目标工件的折弯工艺评价指标;
选取模块,用于根据每个目标工件的折弯工艺评价指标从所述多个第一折弯工艺方案中选取折弯工艺评价指标最高的作为第二折弯工艺方案。
7.一种基于人工智能的变形测量设备,其特征在于,所述基于人工智能的变形测量设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的变形测量设备执行如权利要求1-5中任一项所述的基于人工智能的变形测量方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于人工智能的变形测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814790.6A CN116518868B (zh) | 2023-07-05 | 2023-07-05 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814790.6A CN116518868B (zh) | 2023-07-05 | 2023-07-05 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116518868A CN116518868A (zh) | 2023-08-01 |
CN116518868B true CN116518868B (zh) | 2023-08-25 |
Family
ID=87401605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814790.6A Active CN116518868B (zh) | 2023-07-05 | 2023-07-05 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116518868B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117439995B (zh) * | 2023-12-19 | 2024-03-15 | 广东博思信息技术股份有限公司 | 信息发布方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651917A (zh) * | 2016-12-30 | 2017-05-10 | 天津大学 | 基于神经网络的图像目标跟踪算法 |
CN111739035A (zh) * | 2020-06-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置、设备及存储介质 |
CN113095157A (zh) * | 2021-03-23 | 2021-07-09 | 深圳市创乐慧科技有限公司 | 一种基于人工智能的图像拍摄方法、装置及相关产品 |
CN114396877A (zh) * | 2021-11-19 | 2022-04-26 | 重庆邮电大学 | 面向材料力学性能的智能三维位移场及应变场测量方法 |
KR20220068880A (ko) * | 2020-11-19 | 2022-05-26 | 네이버 주식회사 | 인공지능 모델을 이용한 동영상 인코딩 최적화 방법, 시스템, 및 컴퓨터 프로그램 |
CN114627121A (zh) * | 2022-05-16 | 2022-06-14 | 湖南大学 | 一种结构构件应力检测方法、装置、设备及介质 |
CN115143895A (zh) * | 2022-06-21 | 2022-10-04 | 深圳市海塞姆科技有限公司 | 形变视觉测量方法、装置、设备、介质和双轴测量引伸计 |
CN115187553A (zh) * | 2022-07-13 | 2022-10-14 | 华侨大学 | 基于显示散斑图像的dic应变检测装置及方法 |
CN115578315A (zh) * | 2022-09-07 | 2023-01-06 | 中铁建投山西高速公路有限公司 | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
CN115586749A (zh) * | 2022-12-12 | 2023-01-10 | 深圳市捷牛智能装备有限公司 | 基于机器视觉的工件加工轨迹控制方法及相关装置 |
CN116259379A (zh) * | 2023-01-03 | 2023-06-13 | 天铁热轧板有限公司 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
CN116309725A (zh) * | 2023-03-30 | 2023-06-23 | 中国矿业大学 | 基于多尺度可形变注意力机制的多目标跟踪方法 |
-
2023
- 2023-07-05 CN CN202310814790.6A patent/CN116518868B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651917A (zh) * | 2016-12-30 | 2017-05-10 | 天津大学 | 基于神经网络的图像目标跟踪算法 |
CN111739035A (zh) * | 2020-06-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置、设备及存储介质 |
KR20220068880A (ko) * | 2020-11-19 | 2022-05-26 | 네이버 주식회사 | 인공지능 모델을 이용한 동영상 인코딩 최적화 방법, 시스템, 및 컴퓨터 프로그램 |
CN113095157A (zh) * | 2021-03-23 | 2021-07-09 | 深圳市创乐慧科技有限公司 | 一种基于人工智能的图像拍摄方法、装置及相关产品 |
CN114396877A (zh) * | 2021-11-19 | 2022-04-26 | 重庆邮电大学 | 面向材料力学性能的智能三维位移场及应变场测量方法 |
CN114627121A (zh) * | 2022-05-16 | 2022-06-14 | 湖南大学 | 一种结构构件应力检测方法、装置、设备及介质 |
CN115143895A (zh) * | 2022-06-21 | 2022-10-04 | 深圳市海塞姆科技有限公司 | 形变视觉测量方法、装置、设备、介质和双轴测量引伸计 |
CN115187553A (zh) * | 2022-07-13 | 2022-10-14 | 华侨大学 | 基于显示散斑图像的dic应变检测装置及方法 |
CN115578315A (zh) * | 2022-09-07 | 2023-01-06 | 中铁建投山西高速公路有限公司 | 一种基于无人机图像的桥梁应变近景摄影测量方法 |
CN115586749A (zh) * | 2022-12-12 | 2023-01-10 | 深圳市捷牛智能装备有限公司 | 基于机器视觉的工件加工轨迹控制方法及相关装置 |
CN116259379A (zh) * | 2023-01-03 | 2023-06-13 | 天铁热轧板有限公司 | 一种热轧带钢形变性能的在线智能预测方法及预测系统 |
CN116309725A (zh) * | 2023-03-30 | 2023-06-23 | 中国矿业大学 | 基于多尺度可形变注意力机制的多目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
工程结构运维多场景的敏感服役指标智能识别;刘宇飞等;《建筑结构学报》;第43卷(第10期);第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116518868A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288706B (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN116518868B (zh) | 基于人工智能的变形测量方法、装置、设备及存储介质 | |
CN114081471B (zh) | 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法 | |
CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
CN111223133A (zh) | 一种异源图像的配准方法 | |
CN113870230B (zh) | 一种基于混合监督学习的表面异常检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN110766095A (zh) | 基于图像灰度特征的缺陷检测方法 | |
CN114299324B (zh) | 一种基于多尺度域对抗网络的病理图像分类方法及系统 | |
Shi et al. | Circular grid pattern based surface strain measurement system for sheet metal forming | |
CN114863129A (zh) | 仪表数值分析方法、装置、设备及存储介质 | |
CN116167968A (zh) | H型钢表面缺陷检测方法及系统 | |
CN105224941A (zh) | 对象辨识与定位方法 | |
Rieger et al. | Curvature of n-dimensional space curves in grey-value images | |
CN116071348B (zh) | 基于视觉检测的工件表面检测方法及相关装置 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN117095199A (zh) | 一种基于单纯形扩散模型的工业视觉异常检测系统 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN113591875B (zh) | 一种高精度指针式仪表识别方法 | |
CN113033469B (zh) | 工器具损坏识别方法、装置、设备、系统及可读存储介质 | |
KR20220059691A (ko) | 제조업 시계열 데이터 딥러닝 분석을 위한 공간 충전 곡선 변환 방법 및 시스템 | |
JPH07121713A (ja) | パターン認識方法 | |
JP3754575B2 (ja) | 形状解析装置及び方法 | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 |
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 |