CN116896645B - 基于云计算的锂电池极耳模具生产在线监测系统 - Google Patents
基于云计算的锂电池极耳模具生产在线监测系统 Download PDFInfo
- Publication number
- CN116896645B CN116896645B CN202311161135.1A CN202311161135A CN116896645B CN 116896645 B CN116896645 B CN 116896645B CN 202311161135 A CN202311161135 A CN 202311161135A CN 116896645 B CN116896645 B CN 116896645B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- symbiotic
- target
- pixel
- point pair
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 71
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 71
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000008901 benefit Effects 0.000 claims abstract description 40
- 238000007906 compression Methods 0.000 claims abstract description 26
- 230000006835 compression Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000013144 data compression Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 15
- 238000000034 method Methods 0.000 abstract description 9
- 230000009471 action Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据压缩技术领域,具体涉及基于云计算的锂电池极耳模具生产在线监测系统,包括:采集锂电池极耳模具图像;得到全部共生像素点对的平均出现频次,根据全部共生像素点对的平均出现频次得到目标共生像素点对;得到每个目标共生像素点对的优益度;得到最终图像像素点值序列;对最终图像像素点值序列进行算术编码,完成基于云计算的锂电池极耳模具生产的在线监测。本发明基于锂电池极耳模具图像的灰度共生矩阵计算目标共生像素点对的优益度,基于优益度改变图像像素点值序列元素,缩短了像素点值序列长度,获取了效果更佳的编码压缩结果,更好地完成对锂电池极耳模具生产的在线监测。
Description
技术领域
本发明涉及数据加密技术领域,具体涉及基于云计算的锂电池极耳模具生产在线监测系统。
背景技术
工业上常用锂电池极耳模具生产监测系统在线监测锂电池极耳模具生产过程,通过采集生产过程中的图像,对其进行分析获取模具生产时的各项参数和数据,以提高生产效率,保证产品质量,同时降低生产过程中的风险和损失,提高制造效益。在工业生产线上通过设置的摄像机获取生产的极耳模具图像,压缩图像时,可采用算术编码这种高效的无损数据压缩方法,但算术编码以一种通用模式对锂电池极耳模具图像进行压缩,没有考虑到极耳模具的金属特性,导致编码算法针对性不强,图像压缩效果不够理想。
发明内容
本发明提供基于云计算的锂电池极耳模具生产在线监测系统,以解决现有的问题。
本发明的基于云计算的锂电池极耳模具生产在线监测系统采用如下技术方案:
本发明一个实施例提供了基于云计算的锂电池极耳模具生产在线监测系统,该系统包括:
数据采集模块,用于在锂电池极耳模具生产线正上方设置摄像机,进行拍摄并对拍摄到的图像进行预处理得到锂电池极耳模具图像,将锂电池极耳模具图像转换为一维压缩序列;
数据压缩模块,用于对锂电池极耳模具图像进行共生像素点对分析得到全部共生像素点对的平均出现频次,根据全部共生像素点对的平均出现频次得到目标共生像素点对;根据目标共生像素点对得到一次合并序列,并根据一维压缩序列和一次合并序列得到每个目标共生像素点对的优益度;根据每个目标共生像素点对的优益度得到最终编码结果;
数据处理模块,用于将最终编码结果传输至生产监测系统并进行解压得到解压结果,对解压结果进行分析,完成基于云计算的锂电池极耳模具生产的在线监测。
优选的,所述将锂电池极耳模具图像转换为一维压缩序列,包括的具体步骤如下:
根据锂电池极耳模具图像统计灰度直方图,统计锂电池极耳模具图像中各像素点的灰度值的出现频次,将锂电池极耳模具图像中所有像素点的灰度值按照先水平后竖直、从左到右以及从上到下的顺序进行展开排列,得到一维压缩序列。
优选的,所述对锂电池极耳模具图像进行共生像素点对分析得到全部共生像素点对的平均出现频次,根据全部共生像素点对的平均出现频次得到目标共生像素点对,包括的具体步骤如下:
以一个像素点为偏移距离,得到图像水平方向上的锂电池极耳模具图像的灰度共生矩阵,统计灰度共生矩阵中全部共生像素点对以及每个共生像素点对的出现频次,计算全部共生像素点对的平均出现频次;比较第个共生像素点对的出现频次与全部共生像素点对的平均出现频次的大小,若第/>个共生像素点对的出现频次大于等于全部共生像素点对的平均出现频次,则将第/>个共生像素点对记为目标共生像素点对,否则记为非目标共生像素点对。
优选的,所述计算全部共生像素点对的平均出现频次的具体计算公式如下:
其中,表示全部共生像素点对的平均出现频次,/>表示第/>个共生像素点对的出现频次,/>表示灰度共生矩阵中所有共生像素点对的数量,且有/>。
优选的,所述得到每个目标共生像素点对的优益度,包括的具体步骤如下:
获取每个目标共生像素点对的一次合并序列,在每个目标共生像素点对的一次合并序列中统计每个目标共生像素点对的合并优选频次,分别获得每个目标共生像素点对中每个像素点的原频次和合并后频次,根据合并优选频次、每个像素点的原频次和合并后频次计算得到每个目标共生像素点对的优益度。
优选的,所述获取每个目标共生像素点对的一次合并序列,包括的具体步骤如下:
对于任意一个目标共生像素点对,将该目标共生像素点对包含的两个灰度值,在一维压缩序列中相邻出现时的两个元素作为一个合并元素,得到一个新的序列,作为该目标共生像素点对的一次合并序列。
优选的,所述在每个目标共生像素点对的一次合并序列中统计每个目标共生像素点对的合并优选频次,分别获得每个目标共生像素点对中每个像素点的原频次和合并后频次,包括的具体步骤如下:
统计每个合并元素在每个目标共生像素点对的一次合并序列的出现频次,记为每个目标共生像素点对的合并优选频次;对每个目标共生像素点对,统计其中每个像素点的灰度值在一维压缩序列和每个目标共生像素点对的一次合并序列中的出现频次,分别记为每个目标共生像素点对中每个像素点的原频次和合并后频次。
优选的,所述根据合并优选频次、每个像素点的原频次和合并后频次计算得到每个目标共生像素点对的优益度的具体计算公式如下:
其中,表示第/>个目标共生像素点对的优益度,/>和/>分别表示第/>个目标共生像素点对中第1个像素点和第2个像素点的原频次,/>和/>分别表示第/>个目标共生像素点对第1个像素点和第2个像素点的合并后频次,/>表示第/>个目标共生像素点对的合并优选频次,/>表示一维压缩序列中元素的个数,/>表示第/>个目标共生像素点对的一次合并序列中元素的个数,/>表示双曲正切函数。
优选的,所述根据每个目标共生像素点对的优益度得到最终编码结果,包括的具体步骤如下:
根据每个目标共生像素点对的优益度进行遍历,对锂电池极耳模具图像中的所有目标共生像素点对进行合并得到最终图像像素点值序列;对最终图像像素点值序列进行算术编码,获取最终目标区间,在目标区间中获取编码小数,将编码小数作为最终编码结果。
优选的,所述根据每个目标共生像素点对的优益度进行遍历,对锂电池极耳模具图像中的所有目标共生像素点对进行合并得到最终图像像素点值序列,包括的具体步骤如下:
将优益度最大的目标共生像素点对记为操作点对,从操作点对开始,比较操作点对的优益度和标准值的大小,若操作点对的优益度大于等于标准值,则将操作点对进行合并得到操作点对的一次合并序列,在操作点对的一次合并序列上统计一维压缩序列中与操作点对不同的剩余的所有目标共生像素点对,重新将剩余的且优益度最大的目标共生像素点记为新的操作点对,计算一次合并序列中新的操作点对的优益度,比较新的操作点对的优益度与标准值的大小,判断是否对新的操作点对进行合并得到操作点对的二次合并序列,…,以此类推,直至得到新的操作点对的若干次合并序列后,若干次合并序列中统计不到能进行合并的目标共生像素点对,将若干次合并序列记为最终图像像素点值序列。
本发明的技术方案的有益效果是:基于锂电池极耳模具图像像素点值的局部相似性,计算图像的灰度共生矩阵以寻找共生像素点对,获取目标共生像素点对,计算目标共生像素点对的优益度,基于优益度改变图像像素点值序列元素,缩短了像素点值序列长度,改变了各像素点值在[0,1]区间内的概率分布,再递进编码,根据像素点值序列不断对新目标区间进行概率占比划分,直至获取最终目标区间,进而获取编码小数,获取二进制编码结果,实现图像的压缩编码。共生像素点对的使用,改变了各像素点(对)在[0,1]区间的概率分布,使得算术编码获取的最终目标区间范围增大,缩短了二进制编码结果,获取了效果更佳的编码压缩结果,节约了压缩图像的传输时间和空间成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于云计算的锂电池极耳模具生产在线监测系统的结构组成图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于云计算的锂电池极耳模具生产在线监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于云计算的锂电池极耳模具生产在线监测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于云计算的锂电池极耳模具生产在线监测系统的结构组成图,该系统包括:
数据采集模块,用于获取锂电池极耳模具图像。
具体的,在锂电池极耳模具生产线正上方设置摄像机,进行拍摄并对拍摄到的图像进行灰度化处理得到锂电池极耳模具图像。
至此,得到了锂电池极耳模具图像。
数据压缩模块,用于对锂电池极耳模具图像进行共生像素点对分析得到全部共生像素点对的平均出现频次,根据全部共生像素点对的平均出现频次得到目标共生像素点对;获取一维压缩序列,根据目标共生像素点对得到一次合并序列,并根据一维压缩序列和一次合并序列序列得到每个目标共生像素点对的优益度;根据每个目标共生像素点对的优益度进行遍历,对锂电池极耳模具图像中的所有目标共生像素点对进行合并得到最终图像像素点值序列;对最终图像像素点值序列进行算术编码,获取最终目标区间,在目标区间中获取合适的值作为编码小数,获得编码小数对应的二进制数作为最终编码结果。
需要说明的是,算术编码基于数据在[0,1]区间上的概率分布对数据进行递进压缩,不断获取新的目标区间,直至将全部数据纳入,获得最终目标区间,在区间中选择合适的编码小数,求取编码结果作为数据压缩最终结果。最终目标区间范围越大,获取的编码小数精确度越高,则压缩效果越好。本实施例基于锂电池极耳模具图像的局部相似性,由于极耳模具为金属材料,则图像中存在多处相似的像素点,即有多个像素点与和其值相近的像素点成对同时出现,利用这一特性,本发明通过计算图像灰度共生矩阵获取多个目标共生像素点对,同时计算出各目标共生像素点对的优益度,基于优益度确定在图像进行算术编码时将目标共生像素点对作为单独编码对象,改变图像各像素点值在[0,1]区间上的概率分布,缩短了图像像素点值序列,调整了各像素点值的概率分布,在进行递进压缩后,获取的最终目标区间范围扩大了,进而使获取到的编码小数精确度变高,进一步获得更好的编码结果,获得了更好的图像压缩结果。而锂电池极耳模具是金属材质,因此极耳模具图像存在大量相似像素点,据经验可知存在多个像素点与和其值相似的像素点成对同时出现,可通过计算灰度共生矩阵获取共生像素点对及其出现频次,由于计算出的灰度共生矩阵中存在多个共生像素点对,为方便后续计算,选取高频次的共生像素点对进行有针对性的分析。
具体的,本实施例将偏移距离设置为1,得到图像水平方向上的锂电池极耳模具图像的灰度共生矩阵,统计灰度共生矩阵中全部共生像素点对以及每个共生像素点对的出现频次,计算全部共生像素点对的平均出现频次,具体的计算公式如下:
其中,表示全部共生像素点对的平均出现频次,/>表示第/>个共生像素点对的出现频次,/>表示灰度共生矩阵中所有共生像素点对的数量,且有/>。由于计算出的灰度共生矩阵中存在大量共生像素点对,且这些共生像素点对的出现频次高低不同,为了便于后续计算,需要选取出现频次较高的共生像素点对。全部共生像素点对的平均出现频次代表了灰度共生矩阵中各共生像素点对出现频次的平均水平,以此为标准,将出现频次超出图像平均水平的共生像素点对认定为高频次像素点对并作为目标共生像素点对。
进一步,比较第个共生像素点对的出现频次与全部共生像素点对的平均出现频次的大小,若第/>个共生像素点对的出现频次大于等于全部共生像素点对的平均出现频次,则将第/>个共生像素点对记为目标共生像素点对,否则记为非目标共生像素点对。
需要说明的是,算术编码是将整个数据流看作一个符号串,并将每个符号的概率映射到区间[0,1]的某个子区间上,根据符号串中符号选择对应的子区间,通过对选择的子区间不断进行迭代划分,得到最终的子区间,将最终的子区间中任意一个小数作为压缩结果,实现数据的压缩。将目标共生像素点作为一个单独的编码对象时,对应的图像像素点值序列改变,图像像素点值序列的长度缩短,同时图像像素点值序列中每个元素出现频次发生变化,图像像素点值序列中元素的概率分布发生变化,若某些元素对应的概率变大,则最终目标区间范围变大,能够获取较短的小数从而使编码更加精准。由于目标共生像素点对的对应元素像素点值出现频次大于等于目标共生像素点对的出现频次,使用目标共生像素点对作用后得到的新的图像像素点值序列中元素对应的概率不一定变大,新的图像像素点值序列的编码效果与原图像像素点值序列的编码效果相比无法确定哪个更佳,因此计算目标共生像素点对的优益度来判断是否将其作为一个单独的编码对象。
具体的,根据锂电池极耳模具图像统计灰度直方图,统计锂电池极耳模具图像中各像素点的灰度值的出现频次,将锂电池极耳模具图像中所有像素点的灰度值按照先水平后竖直、从左到右以及从上到下的顺序进行展开排列,得到一维压缩序列;对于任意一个目标共生像素点对,将该目标共生像素点对包含的两个灰度值,在一维压缩序列中相邻出现时的两个元素作为一个合并元素,得到一个新的序列,作为该目标共生像素点对的一次合并序列,例如,当一维压缩序列为{148,165,168,148,165,148,188}时,目标共生像素点对(148,165)的一次合并序列为{“148-165”,168,“148-165”,148,188},其中“148-165”视为一个合并字符串。
进一步,统计每个合并元素在每个目标共生像素点对的一次合并序列的出现频次,记为每个目标共生像素点对的合并优选频次;对每个目标共生像素点对,统计其中每个像素点的灰度值在一维压缩序列和每个目标共生像素点对的一次合并序列中的出现频次,分别记为每个目标共生像素点对中每个像素点的原频次和合并后频次,例如:目标共生像素点对(148,165)中148在一维压缩序列为{148,165,168,148,165,148,188}中的出现频次为3/7,即目标共生像素点对(148,165)中的第1个像素点的原频次为3/7;148在一次合并序列{“148-165”,168,“148-165”,148,188}中的出现频次为1/5,即目标共生像素点对(148,165)中第1个像素点的合并后频次为1/5,其中合并字符串“148-165”中的“148”不参与合并后频次的统计。
进一步,计算每个目标共生像素点对的优益度,具体的计算公式如下:
其中,表示第/>个目标共生像素点对的优益度,/>和/>分别表示第/>个目标共生像素点对中第1个像素点和第2个像素点的原频次,/>和/>分别表示第/>个目标共生像素点对第1个像素点和第2个像素点的合并后频次,/>表示第/>个目标共生像素点对的合并优选频次,/>表示一维压缩序列中元素的个数,/>表示第/>个目标共生像素点对的一次合并序列中元素的个数,/>表示双曲正切函数。表示第/>个目标共生像素点对作为一个单独编码对象前后图像进行算术编码获取到的最终目标区间的长度变化值,对其进行双曲正切归一化后便可根据其作为判断最终目标区间是否合理的条件,且当优益度越大的目标共生像素点对被合并时,对图像的压缩效果越好。
需要进一步说明的是,由于算术编码对图像各像素点值而言,概率越小的像素点值,需要用更多的空间去表示,这反映到概率区间上就是,概率小的像素点值所对应的区间也小,利用该区间内任意一个小数作为压缩数据时,对应的小数的精确度需要非常高,即需要更多的0之后的位数去表示它,则获取的编码小数位数多,编码结果越精确。若某一目标共生像素点对作用前后获取的图像算术编码的最终目标区间长度变化值大于0,对应的目标共生像素点对的优益度大于0,说明使用该目标共生像素点对对图像作用后获取的最终目标区间范围扩大,且最终目标区间长度变化值越大,最终目标区间扩大程度越大,则获取的编码小数位数越少,说明该共生像素点对的作用效果越好,目标共生像素点对的优益度随着长度变换值的增大而增大。若某一共生像素点对作用前后最终目标区间长度变化值小于等于0,说明使用该目标共生像素点对对图像作用后获取的最终目标区间范围缩小或不变,即该共生像素点对的使用对图像算术编码有消极影响或者无效果,则该目标共生像素点对的优益度小于等于0。同时可以基于各目标共生像素点对的优益度判断各共生像素点对的作用效果:若某一共生像素点对的优益度大于等于标准值,可认为该目标共生像素点对对图像算术编码的作用效果较好,即该目标共生像素点对作用后对算术编码的改进程度与目标共生像素点对发生作用这一操作成本相比,后者是可接受的,将该目标共生像素点对作为一个单独的编码对象,并根据其出现频次,改变图像像素点值序列。若某一目标共生像素点对的优益度小于标准值,可认为该目标像素点对对图像算术编码的作用效果不够理想,即该目标共生像素点作用后对算术编码的改进程度与目标共生像素点对发生作用这一操作成本相比,前者不能够抵消后者,则不使用该目标像素点对,不改变图像像素点值序列。
预设一个标准值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中标准值/>可根据具体实施情况而定。
进一步,将优益度最大的目标共生像素点对记为操作点对,从操作点对开始,比较操作点对的优益度和标准值的大小,若操作点对的优益度大于等于标准值,则将操作点对进行合并得到操作点对的一次合并序列,在操作点对的一次合并序列上统计一维压缩序列中与操作点对不同的剩余的所有目标共生像素点对,重新将剩余的且优益度最大的目标共生像素点记为新的操作点对,计算一次合并序列中新的操作点对的优益度,比较新的操作点对的优益度与标准值的大小,判断是否对新的操作点对进行合并得到操作点对的二次合并序列,…,以此类推,直至得到新的操作点对的次合并序列后,/>次合并序列中统计不到能进行合并的目标共生像素点对,将/>次合并序列记为最终图像像素点值序列。
进一步,对最终图像像素点值序列进行算术编码,获取最终目标区间,在目标区间中获取编码小数,将编码小数作为最终编码结果。其中通过算术编码技术获取最终目标区间并得到编码小数的过程为现有公知技术手段,本实施例不在此进行赘述。
至此,得到了最终编码结果。
数据处理模块,用于将最终编码结果传输至生产监测系统进行后处理,完成基于云计算的锂电池极耳模具生产的在线监测。
需要说明的是,获取到锂电池极耳模具图像的压缩数据即最终编码结果后,对其进行后续处理即可实现对锂电池极耳模具生产的在线检测的完善,获取了效果更佳的编码压缩结果,节约了压缩图像的传输时间和空间成本。
具体的,将最终编码结果传输至生产监测系统并进行解压得到解压结果,对解压结果进行分析;利用云计算获取图片中极耳模具尺寸等参数,判断极耳模具是否符合标准,以此对生产的极耳模具进行质量评估,若不符合标准,则立刻提示相关人员及时处理。
至此,完成了基于云计算的锂电池极耳模具生产在线监测系统。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (10)
1.一种基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,该系统包括:
数据采集模块,用于在锂电池极耳模具生产线正上方设置摄像机,进行拍摄并对拍摄到的图像进行预处理得到锂电池极耳模具图像,将锂电池极耳模具图像转换为一维压缩序列;
数据压缩模块,用于对锂电池极耳模具图像进行共生像素点对分析得到全部共生像素点对的平均出现频次,根据全部共生像素点对的平均出现频次得到目标共生像素点对;根据目标共生像素点对得到一次合并序列,并根据一维压缩序列和一次合并序列得到每个目标共生像素点对的优益度;根据每个目标共生像素点对的优益度得到最终编码结果;
数据处理模块,用于将最终编码结果传输至生产监测系统并进行解压得到解压结果,对解压结果进行分析,完成基于云计算的锂电池极耳模具生产的在线监测。
2.根据权利要求1所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述将锂电池极耳模具图像转换为一维压缩序列,包括的具体步骤如下:
根据锂电池极耳模具图像统计灰度直方图,统计锂电池极耳模具图像中各像素点的灰度值的出现频次,将锂电池极耳模具图像中所有像素点的灰度值按照先水平后竖直、从左到右以及从上到下的顺序进行展开排列,得到一维压缩序列。
3.根据权利要求1所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述对锂电池极耳模具图像进行共生像素点对分析得到全部共生像素点对的平均出现频次,根据全部共生像素点对的平均出现频次得到目标共生像素点对,包括的具体步骤如下:
以一个像素点为偏移距离,得到图像水平方向上的锂电池极耳模具图像的灰度共生矩阵,统计灰度共生矩阵中全部共生像素点对以及每个共生像素点对的出现频次,计算全部共生像素点对的平均出现频次;比较第个共生像素点对的出现频次与全部共生像素点对的平均出现频次的大小,若第/>个共生像素点对的出现频次大于等于全部共生像素点对的平均出现频次,则将第/>个共生像素点对记为目标共生像素点对,否则记为非目标共生像素点对。
4.根据权利要求3所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述计算全部共生像素点对的平均出现频次的具体计算公式如下:
其中,表示全部共生像素点对的平均出现频次,/>表示第/>个共生像素点对的出现频次,/>表示灰度共生矩阵中所有共生像素点对的数量,且有/>。
5.根据权利要求1所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述得到每个目标共生像素点对的优益度,包括的具体步骤如下:
获取每个目标共生像素点对的一次合并序列,在每个目标共生像素点对的一次合并序列中统计每个目标共生像素点对的合并优选频次,分别获得每个目标共生像素点对中每个像素点的原频次和合并后频次,根据合并优选频次、每个像素点的原频次和合并后频次计算得到每个目标共生像素点对的优益度。
6.根据权利要求5所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述获取每个目标共生像素点对的一次合并序列,包括的具体步骤如下:
对于任意一个目标共生像素点对,将该目标共生像素点对包含的两个灰度值,在一维压缩序列中相邻出现时的两个元素作为一个合并元素,得到一个新的序列,作为该目标共生像素点对的一次合并序列。
7.根据权利要求5所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述在每个目标共生像素点对的一次合并序列中统计每个目标共生像素点对的合并优选频次,分别获得每个目标共生像素点对中每个像素点的原频次和合并后频次,包括的具体步骤如下:
统计每个合并元素在每个目标共生像素点对的一次合并序列的出现频次,记为每个目标共生像素点对的合并优选频次;对每个目标共生像素点对,统计其中每个像素点的灰度值在一维压缩序列和每个目标共生像素点对的一次合并序列中的出现频次,分别记为每个目标共生像素点对中每个像素点的原频次和合并后频次。
8.根据权利要求5所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述根据合并优选频次、每个像素点的原频次和合并后频次计算得到每个目标共生像素点对的优益度的具体计算公式如下:
其中,表示第/>个目标共生像素点对的优益度,/>和/>分别表示第/>个目标共生像素点对中第1个像素点和第2个像素点的原频次,/>和/>分别表示第/>个目标共生像素点对第1个像素点和第2个像素点的合并后频次,/>表示第/>个目标共生像素点对的合并优选频次,/>表示一维压缩序列中元素的个数,/>表示第/>个目标共生像素点对的一次合并序列中元素的个数,/>表示双曲正切函数。
9.根据权利要求1所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述根据每个目标共生像素点对的优益度得到最终编码结果,包括的具体步骤如下:
根据每个目标共生像素点对的优益度进行遍历,对锂电池极耳模具图像中的所有目标共生像素点对进行合并得到最终图像像素点值序列;对最终图像像素点值序列进行算术编码,获取最终目标区间,在目标区间中获取编码小数,将编码小数作为最终编码结果。
10.根据权利要求9所述基于云计算的锂电池极耳模具生产在线监测系统,其特征在于,所述根据每个目标共生像素点对的优益度进行遍历,对锂电池极耳模具图像中的所有目标共生像素点对进行合并得到最终图像像素点值序列,包括的具体步骤如下:
将优益度最大的目标共生像素点对记为操作点对,从操作点对开始,比较操作点对的优益度和标准值的大小,若操作点对的优益度大于等于标准值,则将操作点对进行合并得到操作点对的一次合并序列,在操作点对的一次合并序列上统计一维压缩序列中与操作点对不同的剩余的所有目标共生像素点对,重新将剩余的且优益度最大的目标共生像素点记为新的操作点对,计算一次合并序列中新的操作点对的优益度,比较新的操作点对的优益度与标准值的大小,判断是否对新的操作点对进行合并得到操作点对的二次合并序列,…,以此类推,直至得到新的操作点对的若干次合并序列后,若干次合并序列中统计不到能进行合并的目标共生像素点对,将若干次合并序列记为最终图像像素点值序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161135.1A CN116896645B (zh) | 2023-09-11 | 2023-09-11 | 基于云计算的锂电池极耳模具生产在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311161135.1A CN116896645B (zh) | 2023-09-11 | 2023-09-11 | 基于云计算的锂电池极耳模具生产在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116896645A CN116896645A (zh) | 2023-10-17 |
CN116896645B true CN116896645B (zh) | 2024-01-12 |
Family
ID=88312446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311161135.1A Active CN116896645B (zh) | 2023-09-11 | 2023-09-11 | 基于云计算的锂电池极耳模具生产在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116896645B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005086740A (ja) * | 2003-09-11 | 2005-03-31 | Victor Co Of Japan Ltd | 監視画像の記録方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
CN114022479A (zh) * | 2022-01-05 | 2022-02-08 | 高视科技(苏州)有限公司 | 电池极耳外观缺陷检测方法 |
RU2021129564A (ru) * | 2019-04-16 | 2023-05-16 | Панасоник Интеллекчуал Проперти Корпорэйшн оф Америка | Кодер, декодер, способ кодирования, способ декодирования |
CN116193136A (zh) * | 2023-04-26 | 2023-05-30 | 北京康冠方舟医疗科技有限公司 | 一种核磁共振影像网络通信方法及系统 |
CN116577345A (zh) * | 2023-07-14 | 2023-08-11 | 广州市易鸿智能装备有限公司 | 一种锂电池极耳数量检测方法及系统 |
CN116681677A (zh) * | 2023-06-07 | 2023-09-01 | 广州工业智能研究院 | 一种锂电池缺陷检测方法、装置及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6722995B2 (ja) * | 2015-10-23 | 2020-07-15 | キヤノン株式会社 | 符号化方法及び符号化装置、撮像装置及びプログラム |
-
2023
- 2023-09-11 CN CN202311161135.1A patent/CN116896645B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005086740A (ja) * | 2003-09-11 | 2005-03-31 | Victor Co Of Japan Ltd | 監視画像の記録方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
RU2021129564A (ru) * | 2019-04-16 | 2023-05-16 | Панасоник Интеллекчуал Проперти Корпорэйшн оф Америка | Кодер, декодер, способ кодирования, способ декодирования |
CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
CN114022479A (zh) * | 2022-01-05 | 2022-02-08 | 高视科技(苏州)有限公司 | 电池极耳外观缺陷检测方法 |
CN116193136A (zh) * | 2023-04-26 | 2023-05-30 | 北京康冠方舟医疗科技有限公司 | 一种核磁共振影像网络通信方法及系统 |
CN116681677A (zh) * | 2023-06-07 | 2023-09-01 | 广州工业智能研究院 | 一种锂电池缺陷检测方法、装置及系统 |
CN116577345A (zh) * | 2023-07-14 | 2023-08-11 | 广州市易鸿智能装备有限公司 | 一种锂电池极耳数量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116896645A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115834895B (zh) | 用于无人机的数据高效压缩存储方法 | |
CN104881676B (zh) | 一种人脸图像凸凹模式纹理特征提取及识别方法 | |
CN116600132B (zh) | 一种煤矿视频数据自适应压缩方法 | |
CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
Gao et al. | Image quality assessment: From mean opinion score to opinion score distribution | |
CN112257855B (zh) | 一种神经网络的训练方法及装置、电子设备及存储介质 | |
CN105512175A (zh) | 一种基于颜色特征和纹理特征的快速图像检索方法 | |
CN107609105A (zh) | 大数据加速结构的构建方法 | |
CN116188808A (zh) | 图像特征提取方法和系统、存储介质及电子设备 | |
CN116896645B (zh) | 基于云计算的锂电池极耳模具生产在线监测系统 | |
CN109359530B (zh) | 一种智能视频监控方法及装置 | |
Tavakolian et al. | Awsd: Adaptive weighted spatiotemporal distillation for video representation | |
Khmelevsky et al. | Method for quantitative criterion based transformation of the video information alphabet | |
CN114187463A (zh) | 电子档案生成方法、装置、终端设备及存储介质 | |
CN112770116B (zh) | 用视频压缩编码信息提取视频关键帧的方法 | |
CN116861271A (zh) | 基于大数据的数据分析处理方法 | |
CN105139422B (zh) | 一种自解释目标跟踪方法及装置 | |
Deguerre et al. | Object detection in the DCT domain: Is luminance the solution? | |
CN116543414A (zh) | 多模型融合的舌质颜色分类及舌质红度和紫度量化方法 | |
CN115987730A (zh) | 基于树状感知融合卷积网络的信号调制识别方法 | |
CN115187969A (zh) | 一种基于视觉识别的铅酸电池回收系统和方法 | |
CN114399635A (zh) | 基于特征定义和深度学习的图像二分类集成学习方法 | |
WO2014187408A1 (zh) | 视觉搜索方法、系统以及移动终端 | |
CN104881646A (zh) | Wce视频分段提取显著特征信息的方法 | |
CN111291602A (zh) | 视频检测方法、装置、电子设备及计算机可读存储介质 |
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 |