CN116681675A - 一种基于大数据分析的自动化控制系统及方法 - Google Patents
一种基于大数据分析的自动化控制系统及方法 Download PDFInfo
- Publication number
- CN116681675A CN116681675A CN202310669573.2A CN202310669573A CN116681675A CN 116681675 A CN116681675 A CN 116681675A CN 202310669573 A CN202310669573 A CN 202310669573A CN 116681675 A CN116681675 A CN 116681675A
- Authority
- CN
- China
- Prior art keywords
- shaped groove
- data
- image
- optical fiber
- detection
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013307 optical fiber Substances 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 48
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 31
- 238000003780 insertion Methods 0.000 claims description 17
- 230000037431 insertion Effects 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000011958 production data acquisition Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000000605 extraction Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 230000009347 mechanical transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
- G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Electromagnetism (AREA)
- Mechanical Coupling Of Light Guides (AREA)
Abstract
本发明公开了一种基于大数据分析的自动化控制系统及方法,涉及大数据分析技术领域,包括:S1:对光纤V型槽进行采集,对采集到的光纤V型槽图像进行预处理,根据预处理后的图像特征,使用计算机视觉技术进行特征提取和识别;S2:根据第一图像数据中V型槽的位置信息确定图像采集位置,以检测V型槽的相关数据;S3:将检测的光纤V型槽与标准样本或预设参数进行比较,判定当前检测的V型槽是否满足插接要求;S4:当检测到不合格的光纤V型槽时,对其进行报警提示,并记录检测结果和相关数据。通过机器视觉对V型槽的图像进行分析,并判别当前的V型槽是否满足插接要求,进而根据分析结果对插接生产进行自动化控制。
Description
技术领域
本发明涉及大数据分析技术领域,具体为一种基于大数据分析的自动化控制系统及方法。
背景技术
随着物联网的兴起,物联网技术使得各类设备之间可以实现数据的共享、互联,从而为大数据分析提供了大量的数据来源和应用场景,进一步拓展了自动化控制的应用范围。大数据分析和自动化控制技术在工业、交通、医疗、金融等领域的应用越来越广泛,逐渐成为数字化工业转型和智能化产业升级的重要手段和前提条件。
光纤阵列是一种基于光学原理的图像采集和传输技术,光纤阵列技术可以通过将光纤阵列相机与计算机连接,实现图像的快速采集、处理和分析。具有高分辨率、高灵敏度、高速度等特点,并且可以实现对大面积、复杂形状的物体进行快速测量,提高了检测和测量的效率和准确性。另外,由于光纤阵列相机本身具有较小的体积和重量,因此可以方便地嵌入到生产线上,进行在线检测和测量。在制造业领域,光纤阵列技术被用于对产品的尺寸进行测量和自动化的检测。在制造精密零部件和3D打印行业,光纤阵列可用于检测加工或成型后零件的尺寸精度,提高产能和品质。
光纤阵列利用V形槽基片,把一束光纤或一条光纤带按照规定间隔安装在基片上,构成阵列。在实现光纤阵列的自动化加工时,由于其组成因素的自身特性,使用传统的数据采集方式可能会采集大量的无关数据,占用有限资源,导致工作效率降低。
因此,为了解决上述问题或部分问题,本发明提供了一种基于物联网的可视化信息数据处理系统及方法。
发明内容
本发明的目的在于提供一种基于物联网的可视化信息数据处理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据分析的自动化控制方法,包括以下步骤:
S1:对光纤V型槽进行采集,并将采集到的第一图像数据输入到计算机视觉系统中;对采集到的光纤V型槽图像进行预处理,如图像增强、滤波、二值化等操作,以便后续的特征提取和识别处理;根据预处理后的图像特征,使用计算机视觉技术进行特征提取和识别,如直线拟合、边缘检测、轮廓匹配等操作;
S2:根据第一图像数据中V型槽的位置信息确定图像采集位置,以检测V型槽的相关数据;
S3:将检测的光纤V型槽与标准样本或预设参数进行比较,判定当前检测的V型槽是否满足插接要求;
S4:当检测到不合格的光纤V型槽时,对其进行报警提示,并记录检测结果和相关数据,以便日后的管理和追溯;
进一步的,所述S1包括:
步骤S1-1:将光电传感器或相机设备安装在生产线上,设置触发点,通过开始线和结束线的扫描,对生产线上的V型槽进行图像采集,并将采集到的第一图像数据转换为数字化数据存储至计算机视觉系统中;所述第一图像数据包括V型槽在生产线上的位置信息和朝向信息;
步骤S1-2:通过计算机对光纤V型槽图像数据进行预处理,包括图像增强、滤波、二值化等操作,以提高后续的特征提取和识别精度;提取出物体的区域,并计算出该区域的面积;根据物体区域的轮廓信息,计算出物体区域的中点坐标(x1,y1),作为物体的参考点;根据以下公式对中点坐标(x1,y1)进行计算:
其中,M为物体的像素点数目,xi和yi分别为物体中第i个像素点的x坐标和y坐标;
步骤S1-3:使用计算机视觉技术对预处理后的图像数据进行识别,如直线拟合、边缘检测、轮廓匹配等操作,提取得到光纤V型槽的形状;通过光纤V型槽图像的宽度w和高度h,通过以下公式:
x2=w/2;
y2=h/2;
计算出图像中心点的坐标(x2,y2),根据物体中点坐标和图像中心点的坐标,计算出V型槽的朝向偏移角度β;具体计算公式为:
β=arctan((y1-y2)/(x1-x2))-α;
其中arctan为反正切函数,α表示基准角度,由相关技术人员预先设置;计算结果为弧度值,可以使用数学库中的函数进行角度转换;将物体与基准角度的差值作为最终的偏转角度,可以更加方便地表示物体的朝向。
进一步的,所述S2包括:
步骤S2-1:根据第一图像数据中得到的V型槽的朝向偏移角度,调节相机角度,将相机镜头朝向偏转角度β的相反方向,使V型槽正对相机镜头,使得相机能够正向拍摄V型槽的凹槽图像;拍摄距离和角度应调整到最佳状态,以保证图像分辨率和细节的清晰度;
步骤S2-2:调节相机镜头后,对V型槽的第二图像数据进行采集;对第二图像数据进行处理,利用计算机视觉技术,对拍摄得到的图像进行处理和分析,提取得到所需的V型槽各参数信息;
步骤S2-3:根据采集的各V型槽的第一图像数据中显示的朝向偏移角度,对连续且随机变化的朝向偏移角度k进行统计,k的取值范围为[a,b],通过函数f(k)分析偏移角度的变化规律:
f(k)=λe-λk,k>0;
其中,e是自然对数的底数;λ>0,是根据实际情况生成的正实数,表示单位时间内发生事件的次数;
根据函数fk(x)分析偏移角度k大于任一特定值k’的概率函数F(k):
根据概率函数F(k)分析随机变量朝向偏移角度的变化周期T,T表示发生相同两次偏移角度之间的时间间隔;
T=-ln[1-F(k)]/λ;
通过挖掘V型槽的朝向偏移角度的变化规律,对变化周期T内的角度偏移情况进行整合,以此分析生产线中的加工机械或加工工艺可能存在的问题,提高机械传动的精度和稳定性。
优选的,还可以基于历史数据建立预测模型,如时间序列分析、回归分析等,通过这些模型来预测未来偏移角度的变化趋势和可能的范围。
在实际应用中,还需要对统计和分析结果进行充分的验证和确认,以确保其能够反映实际情况,并提供有效的参考依据。
进一步的,所述S3包括:
步骤S3-1:根据生产要求,收集符合标准的V型槽样本或者预设参数;将采集得到的V型槽各参数信息与标准参数进行比较;如V型槽长度、凹槽倾斜角度、槽距宽度等参数,以确定当前V型槽是否符合质量要求。
步骤S3-2:在将插入件插入V型槽之前,对插入件的相关数据进行确认;可以通过测量、标记等方法来确定插入点,从而确保插入件被正确地插入到V型槽中;确定插入点,监测插入件和V型槽的插接进程,将相机相关数据根据插入件与V型槽的插接进程进行调节;保持相机与V型槽的水平视角,结合插入件的推进进度,将相机的视野进行自动化调节;
可通过插接进程的速率和插接完成后的组合件图像数据来判断当前插接是否存在异常;其中,可通过动态追踪算法来监测插入件的位置信息,并通过机器视觉分析插入件的姿态信息是否满足插接要求;
步骤S3-3:根据上述步骤的比较和分析结果,判定当前检测的V型槽是否合格;若该V型槽合格,则进行下一工艺环节;若该V型槽不合格,则执行步骤S4。
光纤阵列的加工过程,将除去光纤涂层的裸露光纤部分置于V形槽中,由被加压器部件所加压,并由粘合剂所粘合,最后研磨表面并抛光至所需精度。
进一步的,在步骤S4包括:
S4-1:当检测到不合格的V型槽时,在检测软件或设备屏幕上显示报警信息或报错码,将检测结果信息直观地呈现给操作人员,通过声音或光线报警等方式来提醒操作人员处理异常情况;方便相关工作人员进行生产管理;
S4-2:通过具有数据记录功能的检测软件或设备,自动记录每一个经过检测的V型槽的图像、结果和相关数据,包括检测时间、位置、质量参数等,为后续分析和评估提供依据,提高生产效率和质量稳定性。
在定义检测规则和参数时,应根据实际需求和标准要求进行设定,并进行严格的验收和测试,以便于保证检测结果的准确度和可靠性。同时,还需要进行系统维护和定期检测,以便及时修复设备故障。
一种基于大数据分析的自动化控制系统,所述系统包括:生产数据采集模块、图像数据分析模块和检测数据反馈模块;
所述生产数据采集模块用于对光纤V型槽在加工生产过程中的实时数据进行采集;
所述图像数据分析模块用于对采集的V型槽图像数据进行分析,判断图像采集设备的相关参数是否需要调整,并对光纤V型槽的相关数据进行检测,判断当前生产的V型槽是否符合生产要求;
所述检测数据反馈模块用于对光纤V型槽检测结果进行反馈,并将检测相关数据存储记录。
进一步的,所述生产数据采集模块包括位置数据采集单元、V型槽数据采集单元和设备数据获取单元;
所述位置数据采集单元用于对光纤V型槽在生产线上的位置信息进行采集,包括V型槽在生产线上所处工艺环节的实际位置和V型槽在生产线上的朝向信息;
所述V型槽数据采集单元用于对生产线上V型槽的几何形态和尺寸信息,如长度、宽度、深度和间距等参数;
所述设备数据获取单元用于对安装在生产线上的图像数据采集设备的实时参数信息进行获取,包括相机设置参数数据和相机的位置和角度数据。
进一步的,所述图像数据分析模块包括图像处理单元、图像识别单元和数据转换单元;
所述图像处理单元用于对原始图像进行预处理和滤波;它可以对输入的图像进行去噪、增强、滤波、二值化等处理,以提高后续的图像识别的准确率。
所述图像识别单元用于对处理后的图像进行特征提取和识别;
所述数据转换单元用于将图像识别结果转化为可供其他模块使用的数据格式;它可以将图像识别结果转化为数字、文本、图表等形式,以便于后续的数据分析或决策;
进一步的,所述检测数据反馈模块包括检测数据判别单元、判别结果反馈单元和数据存储单元;
所述检测数据判别单元用于对检测数据进行分析,判断检测数据是否符合预设的标准和要求;
所述判别结果反馈单元用于将检测数据判别单元的判别结果反馈给相关人员;它可以将检测数据的判别结果通过报警、显示、声音等方式反馈给操作员或其他相关人员,以便及时采取相应的措施。
所述数据存储单元用于将检测数据保存到数据库或其他数据存储介质中,对检测数据进行存储和管理;以便后续的数据分析和查询;同时,数据存储单元还可以对数据进行备份和恢复,以保证数据的安全性和可靠性。
与现有技术相比,本发明所达到的有益效果是:
本发明通过生产数据采集模块对光纤V型槽在加工生产过程中的实时数据进行采集;通过图像数据分析模块用于对采集的V型槽图像数据进行分析,判断图像采集设备的相关参数是否需要调整,并对光纤V型槽的相关数据进行检测,判断当前生产的V型槽是否符合生产要求;通过检测数据反馈模块用于对光纤V型槽检测结果进行反馈,并将检测相关数据存储记录。通过减少所需采集的数据量,使用机器视觉对V型槽的图像进行分析,并判别当前的V型槽是否满足插接要求,进而根据分析结果对插接生产进行自动化控制。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据分析的自动化控制系统的模块结构示意图;
图2是本发明一种基于大数据分析的自动化控制方法的流程示意图。
具体实施方式
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,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,本领域普通技术人员在没有做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、图2和具体实施例对本发明作进一步的说明。
实施例1:如图1所示,本实施例提供了一种基于大数据分析的自动化控制系统,系统包括:生产数据采集模块、图像数据分析模块和检测数据反馈模块;
生产数据采集模块,用于对光纤V型槽在加工生产过程中的实时数据进行采集;生产数据采集模块包括位置数据采集单元、V型槽数据采集单元和设备数据获取单元;
位置数据采集单元用于对光纤V型槽在生产线上的位置信息进行采集,包括V型槽在生产线上所处工艺环节的实际位置和V型槽在生产线上的朝向信息;
V型槽数据采集单元用于对生产线上V型槽的几何形态和尺寸信息,如长度、宽度、深度和间距等参数;
设备数据获取单元用于对安装在生产线上的图像数据采集设备的实时参数信息进行获取,包括相机设置参数数据和相机的位置和角度数据。
图像数据分析模块,用于对采集的V型槽图像数据进行分析,判断图像采集设备的相关参数是否需要调整,并对光纤V型槽的相关数据进行检测,判断当前生产的V型槽是否符合生产要求;图像数据分析模块包括图像处理单元、图像识别单元和数据转换单元;
图像处理单元用于对原始图像进行预处理和滤波;它可以对输入的图像进行去噪、增强、滤波、二值化等处理,以提高后续的图像识别的准确率。常用的图像处理技术包括卷积神经网络(CNN)、图像分割、边缘检测等。
图像识别单元用于对处理后的图像进行特征提取和识别;
数据转换单元用于将图像识别结果转化为可供其他模块使用的数据格式;它可以将图像识别结果转化为数字、文本、图表等形式,以便于后续的数据分析或决策;常用的数据转换格式包括JSON、XML等。
检测数据反馈模块,用于对光纤V型槽检测结果进行反馈,并将检测相关数据存储记录。
检测数据反馈模块包括检测数据判别单元、判别结果反馈单元和数据存储单元;
检测数据判别单元用于对检测数据进行分析,判断检测数据是否符合预设的标准和要求;常用的判别方法包括规则匹配、统计分析和机器学习等。
判别结果反馈单元用于将检测数据判别单元的判别结果反馈给相关人员;它可以将检测数据的判别结果通过报警、显示、声音等方式反馈给操作员或其他相关人员,以便及时采取相应的措施。
数据存储单元用于将检测数据保存到数据库或其他数据存储介质中,对检测数据进行存储和管理;以便后续的数据分析和查询;同时,数据存储单元还可以对数据进行备份和恢复,以保证数据的安全性和可靠性。常用的数据存储介质包括关系型数据库、NoSQL数据库和文件系统等。提供方便的数据查询功能,以便用户通过特定条件查找光纤V型槽的检测结果和统计信息等。
实施例2:如图2所示,本实施例提供了一种基于大数据分析的自动化控制方法,其基于实施例中的一种基于大数据分析的自动化控制系统实现,具体包括以下步骤:
S1:对光纤V型槽进行采集,并将采集到的第一图像数据输入到计算机视觉系统中;对采集到的光纤V型槽图像进行预处理,如图像增强、滤波、二值化等操作,以便后续的特征提取和识别处理;根据预处理后的图像特征,使用计算机视觉技术进行特征提取和识别,如直线拟合、边缘检测、轮廓匹配等操作;
其中,S1包括:
步骤S1-1:将光电传感器或相机设备安装在生产线上,设置触发点,通过开始线和结束线的扫描,对生产线上的V型槽进行图像采集,并将采集到的第一图像数据转换为数字化数据存储至计算机视觉系统中;所述第一图像数据包括V型槽在生产线上的位置信息和朝向信息;
步骤S1-2:通过计算机对光纤V型槽图像数据进行预处理,包括图像增强、滤波、二值化等操作,以提高后续的特征提取和识别精度;提取出物体的区域,并计算出该区域的面积;根据物体区域的轮廓信息,计算出物体区域的中点坐标(x1,y1),作为物体的参考点;根据以下公式对中点坐标(x1,y1)进行计算:
其中,M为物体的像素点数目,xi和yi分别为物体中第i个像素点的x坐标和y坐标;
步骤S1-3:使用计算机视觉技术对预处理后的图像数据进行识别,如直线拟合、边缘检测、轮廓匹配等操作,提取得到光纤V型槽的形状;通过光纤V型槽图像的宽度w和高度h,通过以下公式:
x2=w/2;
y2=h/2;
计算出图像中心点的坐标(x2,y2),根据物体中点坐标和图像中心点的坐标,计算出V型槽的朝向偏移角度β;具体计算公式为:
β=arctan((y1-y2)/(x1-x2))-α;
其中arctan为反正切函数,α表示基准角度,由相关技术人员预先设置;计算结果为弧度值,可以使用数学库中的函数进行角度转换;将物体与基准角度的差值作为最终的偏转角度,可以更加方便地表示物体的朝向。
例如,如果基准角度为水平方向,α=0度,则当物体的较长边与水平方向保持一致时,其偏转角度为0度,而当物体的较长边与水平方向成一定角度时,其偏转角度即为该角度值。
S2:根据第一图像数据中V型槽的位置信息确定图像采集位置,以检测V型槽的相关数据;
其中,S2包括:
步骤S2-1:根据第一图像数据中得到的V型槽的朝向偏移角度,调节相机角度,将相机镜头朝向偏转角度β的相反方向,使V型槽正对相机镜头,使得相机能够正向拍摄V型槽的凹槽图像;例如,如果一个物体被顺时针旋转了10度,那么偏转角度的相反方向就是逆时针旋转10度;
拍摄距离和角度应调整到最佳状态,以保证图像分辨率和细节的清晰度;通常情况下,应选择足够近的距离以保证细节的清晰度,但也要注意不要过于接近或局部失焦;同时,应选择合适的拍摄角度,避免产生倾斜或失真影响。
步骤S2-2:调节相机镜头后,对V型槽的第二图像数据进行采集;对第二图像数据进行处理,利用计算机视觉技术,对拍摄得到的图像进行处理和分析,提取得到所需的V型槽各参数信息;
步骤S2-3:根据采集的各V型槽的第一图像数据中显示的朝向偏移角度,对连续且随机变化的朝向偏移角度k进行统计,k的取值范围为[a,b],通过函数f(k)分析偏移角度的变化规律:
f(k)=λe-λk,k>0;
其中,e是自然对数的底数;λ>0,是根据实际情况生成的正实数,表示单位时间内发生事件的次数;
根据函数fk(x)分析偏移角度k大于任一特定值k’的概率函数F(k):
根据概率函数F(k)分析随机变量朝向偏移角度的变化周期T,T表示发生相同两次偏移角度之间的时间间隔;
T=-ln[1-F(k)]/λ;
通过挖掘V型槽的朝向偏移角度的变化规律,对变化周期T内的角度偏移情况进行整合,以此分析生产线中的加工机械或加工工艺可能存在的问题,提高机械传动的精度和稳定性。
在实际应用中,还需要对统计和分析结果进行充分的验证和确认,以确保其能够反映实际情况,并提供有效的参考依据。
S3:将检测的光纤V型槽与标准样本或预设参数进行比较,判定当前检测的V型槽是否满足插接要求;
其中,S3包括:
步骤S3-1:根据生产要求,收集符合标准的V型槽样本或者预设参数;将采集得到的V型槽各参数信息与标准参数进行比较;如V型槽长度、凹槽倾斜角度、槽距宽度等参数,以确定当前V型槽是否符合质量要求。
步骤S3-2:在将插入件插入V型槽之前,对插入件的相关数据进行确认;可以通过测量、标记等方法来确定插入点,从而确保插入件被正确地插入到V型槽中;确定插入点,监测插入件和V型槽的插接进程,将相机相关数据根据插入件与V型槽的插接进程进行调节;保持相机与V型槽的水平视角,结合插入件的推进进度,将相机的视野进行自动化调节;
可通过插接进程的速率和插接完成后的组合件图像数据来判断当前插接是否存在异常;其中,可通过动态追踪算法来监测插入件的位置信息,并通过机器视觉分析插入件的姿态信息是否满足插接要求;
步骤S3-3:根据上述步骤的比较和分析结果,判定当前检测的V型槽是否合格;若该V型槽合格,则进行下一工艺环节;若该V型槽不合格,则执行步骤S4。
光纤阵列的加工过程,将除去光纤涂层的裸露光纤部分置于V形槽中,由被加压器部件所加压,并由粘合剂所粘合,最后研磨表面并抛光至所需精度。
S4:当检测到不合格的光纤V型槽时,对其进行报警提示,并记录检测结果和相关数据,以便日后的管理和追溯;
其中,S4包括:
S4-1:当检测到不合格的V型槽时,在检测软件或设备屏幕上显示报警信息或报错码,将检测结果信息直观地呈现给操作人员,通过声音或光线报警等方式来提醒操作人员处理异常情况;方便相关工作人员进行生产管理;
S4-2:通过具有数据记录功能的检测软件或设备,自动记录每一个经过检测的V型槽的图像、结果和相关数据,包括检测时间、位置、质量参数等,为后续分析和评估提供依据;可以通过与生产流程集成的自动化系统,实现检测结果的自动筛选和处理,例如发出报警信号、自动停机等,提高生产效率和质量稳定性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据分析的自动化控制方法,其特征在于:包括以下步骤:
S1:对光纤V型槽进行采集,并将采集到的第一图像数据输入到计算机视觉系统中;对采集到的光纤V型槽图像进行预处理,根据预处理后的图像特征,使用计算机视觉技术进行特征提取和识别;
S2:根据第一图像数据中V型槽的位置信息确定图像采集位置,检测V型槽的相关数据,并对V型槽的朝向偏移角度变化情况进行分析;
S3:将检测的光纤V型槽与标准样本或预设参数进行比较,判定当前检测的V型槽是否满足插接要求;
S4:当检测到不合格的光纤V型槽时,对其进行报警提示,并记录检测结果和相关数据。
2.根据权利要求1所述的一种基于大数据分析的自动化控制方法,其特征在于:所述S1包括:
步骤S1-1:将光电传感器或相机设备安装在生产线上,设置触发点,通过开始线和结束线的扫描,对生产线上的V型槽进行图像采集,并将采集到的第一图像数据转换为数字化数据存储至计算机视觉系统中;所述第一图像数据包括V型槽在生产线上的位置信息和朝向信息;
步骤S1-2:通过计算机对光纤V型槽图像数据进行预处理,提取出物体的区域,并计算出该区域的面积;根据物体区域的轮廓信息,计算出物体区域的中点坐标(x1,y1),作为物体的参考点;根据以下公式对中点坐标(x1,y1)进行计算:
其中,M为物体的像素点数目,xi和yi分别为物体中第i个像素点的x坐标和y坐标;
步骤S1-3:使用计算机视觉技术对预处理后的图像数据进行识别,提取得到光纤V型槽的形状;通过光纤V型槽图像的宽度w和高度h,通过以下公式:
x2=w/2;
y2=h/2;
计算出图像中心点的坐标(x2,y2),根据物体中点坐标和图像中心点的坐标,计算出V型槽的朝向偏移角度β;具体计算公式为:
β=arctan((y1-y2)/(x1-x2))-α;
其中arctan为反正切函数,α表示基准角度,由相关技术人员预先设置。
3.根据权利要求1所述的一种基于大数据分析的自动化控制方法,其特征在于:所述S2包括:
步骤S2-1:根据第一图像数据中得到的V型槽的朝向偏移角度,调节相机角度,将相机镜头朝向偏转角度β的相反方向,使V型槽正对相机镜头,使得相机能够正向拍摄V型槽的凹槽图像;
步骤S2-2:调节相机镜头后,对V型槽的第二图像数据进行采集;对第二图像数据进行处理,利用计算机视觉技术,对拍摄得到的图像进行处理和分析,提取得到所需的V型槽各参数信息;
步骤S2-3:根据采集的各V型槽的第一图像数据中显示的朝向偏移角度,对连续且随机变化的朝向偏移角度k进行统计,k的取值范围为[a,b],通过函数f(k)分析偏移角度的变化规律:
f(k)=λe-λk,k>0;
其中,e是自然对数的底数;λ>0,是根据实际情况生成的正实数,表示单位时间内发生事件的次数;
根据函数fk(x)分析偏移角度k大于任一特定值k’的概率函数F(k):
根据概率函数F(k)分析随机变量朝向偏移角度的变化周期T,T表示发生相同两次偏移角度之间的时间间隔;
T=-ln[1-F(k)]/λ。
4.根据权利要求1所述的一种基于大数据分析的自动化控制方法,其特征在于:所述S3包括:
步骤S3-1:根据生产要求,收集符合标准的V型槽样本或者预设参数;将采集得到的V型槽各参数信息与标准参数进行比较;
步骤S3-2:在将插入件插入V型槽之前,对插入件的相关数据进行确认;确定插入点,监测插入件和V型槽的插接进程,将相机相关数据根据插入件与V型槽的插接进程进行调节;保持相机与V型槽的水平视角,结合插入件的推进进度,将相机的视野进行自动化调节;
步骤S3-3:根据上述步骤的比较和分析结果,判定当前检测的V型槽是否合格;若该V型槽合格,则进行下一工艺环节;若该V型槽不合格,则执行步骤S4。
5.根据权利要求1所述的一种基于大数据分析的自动化控制方法,其特征在于:所述S4包括:
S4-1:当检测到不合格的V型槽时,在检测软件或设备屏幕上显示报警信息或报错码,通过声音或光线报警来提醒操作人员处理异常情况;
S4-2:通过具有数据记录功能的检测软件或设备,自动记录每一个经过检测的V型槽的图像、结果和相关数据。
6.一种基于大数据分析的自动化控制系统,其特征在于:所述系统包括:生产数据采集模块、图像数据分析模块和检测数据反馈模块;
所述生产数据采集模块用于对光纤V型槽在加工生产过程中的实时数据进行采集;
所述图像数据分析模块用于对采集的V型槽图像数据进行分析,判断图像采集设备的相关参数是否需要调整,并对光纤V型槽的相关数据进行检测,判断当前生产的V型槽是否符合生产要求;
所述检测数据反馈模块用于对光纤V型槽检测结果进行反馈,并将检测相关数据存储记录。
7.根据权利要求6所述的一种基于大数据分析的自动化控制系统,其特征在于:所述生产数据采集模块包括位置数据采集单元、V型槽数据采集单元和设备数据获取单元;
所述位置数据采集单元用于对光纤V型槽在生产线上的位置信息进行采集,包括V型槽在生产线上所处工艺环节的实际位置和V型槽在生产线上的朝向信息;
所述V型槽数据采集单元用于对生产线上V型槽的几何形态和尺寸信息;
所述设备数据获取单元用于对安装在生产线上的图像数据采集设备的实时参数信息进行获取,包括相机设置参数数据和相机的位置和角度数据。
8.根据权利要求6所述的一种基于大数据分析的自动化控制系统,其特征在于:所述图像数据分析模块包括图像处理单元、图像识别单元和数据转换单元;
所述图像处理单元用于对原始图像进行预处理和滤波;
所述图像识别单元用于对处理后的图像进行特征提取和识别;
所述数据转换单元用于将图像识别结果转化为可供其他模块使用的数据格式。
9.根据权利要求6所述的一种基于大数据分析的自动化控制系统,其特征在于:所述检测数据反馈模块包括检测数据判别单元、判别结果反馈单元和数据存储单元;
所述检测数据判别单元用于对检测数据进行分析,判断检测数据是否符合预设的标准和要求;
所述判别结果反馈单元用于将检测数据判别单元的判别结果反馈给相关人员;
所述数据存储单元用于将检测数据保存到数据库或其他数据存储介质中,对检测数据进行存储和管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669573.2A CN116681675A (zh) | 2023-06-07 | 2023-06-07 | 一种基于大数据分析的自动化控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669573.2A CN116681675A (zh) | 2023-06-07 | 2023-06-07 | 一种基于大数据分析的自动化控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681675A true CN116681675A (zh) | 2023-09-01 |
Family
ID=87788677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310669573.2A Pending CN116681675A (zh) | 2023-06-07 | 2023-06-07 | 一种基于大数据分析的自动化控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681675A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056020A (zh) * | 2016-06-01 | 2016-10-26 | 东莞理工学院 | 一种基于机器视觉系统的条码检测识别方法及系统 |
CN110517317A (zh) * | 2019-08-28 | 2019-11-29 | 武汉西尔塔信息技术有限公司 | 一种基于机器视觉相机图像处理的钢坯定位方法及应用 |
CN112990262A (zh) * | 2021-02-08 | 2021-06-18 | 内蒙古大学 | 一种草原生态数据监测与智能决策一体化解决系统 |
CN113870217A (zh) * | 2021-09-27 | 2021-12-31 | 菲特(天津)检测技术有限公司 | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 |
CN115825103A (zh) * | 2023-02-08 | 2023-03-21 | 中山市美速光电技术有限公司 | 一种基于图像技术的用于带角度端口光纤阵列的检端系统 |
CN115880296A (zh) * | 2023-02-28 | 2023-03-31 | 中国建筑第五工程局有限公司 | 基于机器视觉的预制构件质量检测方法及装置 |
-
2023
- 2023-06-07 CN CN202310669573.2A patent/CN116681675A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056020A (zh) * | 2016-06-01 | 2016-10-26 | 东莞理工学院 | 一种基于机器视觉系统的条码检测识别方法及系统 |
CN110517317A (zh) * | 2019-08-28 | 2019-11-29 | 武汉西尔塔信息技术有限公司 | 一种基于机器视觉相机图像处理的钢坯定位方法及应用 |
CN112990262A (zh) * | 2021-02-08 | 2021-06-18 | 内蒙古大学 | 一种草原生态数据监测与智能决策一体化解决系统 |
CN113870217A (zh) * | 2021-09-27 | 2021-12-31 | 菲特(天津)检测技术有限公司 | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 |
CN115825103A (zh) * | 2023-02-08 | 2023-03-21 | 中山市美速光电技术有限公司 | 一种基于图像技术的用于带角度端口光纤阵列的检端系统 |
CN115880296A (zh) * | 2023-02-28 | 2023-03-31 | 中国建筑第五工程局有限公司 | 基于机器视觉的预制构件质量检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
张广坤 等: "基于计算机视觉的旋转构件动态参数检测方法", 《机械工程师》, pages 27 - 29 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7495758B2 (en) | Apparatus and methods for two-dimensional and three-dimensional inspection of a workpiece | |
US11132787B2 (en) | Method for monitoring manufacture of assembly units | |
US6191850B1 (en) | System and method for inspecting an object using structured illumination | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
US20100063612A1 (en) | System and method for the on-machine 2-d contour measurement | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测系统与方法 | |
CN110118777A (zh) | 一种控制系统系统集成智能检验台 | |
CN110252674A (zh) | 一种基于机器视觉的包装盒质量检测的方法及系统 | |
CN114519696B (zh) | 基于光学智能化的pvc热收缩膜检测方法及系统 | |
WO2015191906A1 (en) | Automatic recipe stability monitoring and reporting | |
CN113723325A (zh) | 一种装配式预制构件的工装缺陷检测系统 | |
CN117649404A (zh) | 一种基于图像数据分析的药品包装盒质量检测方法及系统 | |
CN216525503U (zh) | 一种基于机器视觉的碳纤维预浸料表面缺陷在线检测装置 | |
CN116681675A (zh) | 一种基于大数据分析的自动化控制系统及方法 | |
CN116840240A (zh) | 电源分配器视觉检测系统 | |
CN114549403B (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 | |
CN114392940B (zh) | 一种异型元器件的针脚检测方法及装置 | |
CN113727022B (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
Sun et al. | Precision work-piece detection and measurement combining top-down and bottom-up saliency | |
CN115100110A (zh) | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 | |
CN117817211B (zh) | 基于机器视觉的焊接自动化控制方法及系统 | |
CN218723949U (zh) | 一种基于机器视觉的工件平面度测量系统 | |
KR102658479B1 (ko) | 품질 검사 서버 및 이의 실행 방법 |
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 |