CN116994008B - 一种仿阳极铝合金镀膜加工纹理分析方法及系统 - Google Patents
一种仿阳极铝合金镀膜加工纹理分析方法及系统 Download PDFInfo
- Publication number
- CN116994008B CN116994008B CN202311271249.1A CN202311271249A CN116994008B CN 116994008 B CN116994008 B CN 116994008B CN 202311271249 A CN202311271249 A CN 202311271249A CN 116994008 B CN116994008 B CN 116994008B
- Authority
- CN
- China
- Prior art keywords
- aluminum alloy
- workpiece
- texture
- alloy coated
- coating
- 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
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 312
- 238000000576 coating method Methods 0.000 title claims abstract description 154
- 239000011248 coating agent Substances 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 107
- 238000012958 reprocessing Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000004737 colorimetric analysis Methods 0.000 claims abstract description 17
- 238000003754 machining Methods 0.000 claims abstract description 15
- 230000002950 deficient Effects 0.000 claims description 84
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 239000007788 liquid Substances 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 14
- 239000003086 colorant Substances 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000007747 plating Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 206010039509 Scab Diseases 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 17
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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
Abstract
本发明公开了一种仿阳极铝合金镀膜加工纹理分析方法及系统。该方法首先获取铝合金镀膜工件的图像数据。接着,利用机器学习算法构建铝合金纹理分析模型,并得到纹理特征。基于纹理特征进行工件分析,判断其是否达到加工标准,生成相应的分析结果,根据瑕疵类型提出再加工方案。对于合格品工件,通过色度分析法计算表面颜色差异信息,进而调整仿阳极镀膜工艺参数,生成镀膜工艺参数调整方案。本发明通过图像处理和机器学习相结合,实现了对仿阳极铝合金镀膜工件的纹理分析、瑕疵检测和工艺优化,提高了生产效率和产品质量,对仿阳极铝合金镀膜加工过程的自动化支持,降低了人力成本,提升了生产效率。
Description
技术领域
本发明涉及铝合金镀膜技术领域,特别涉及一种仿阳极铝合金镀膜加工纹理分析方法及系统。
背景技术
铝合金材料因其轻质、高强度以及良好的加工性能,在工业领域中得到广泛应用。其中,仿阳极铝合金镀膜是一种常见的表面处理方法,通过在铝合金表面形成一层氧化膜,不仅可以提升其耐腐蚀性能,还可以增加其外观质感和装饰效果。
传统的仿阳极铝合金镀膜加工过程主要依赖人工经验进行质量检测与调整,这种方法存在以下问题:首先,人工检测容易受主观因素影响,不同操作人员可能对铝合金镀膜的外观质量有不同的判断标准,导致质量评估的不一致性;其次,由于铝合金镀膜工艺参数的复杂性,人工调整工艺参数的过程耗时且不一定能够找到最优解,从而影响了生产效率和产品质量。
针对上述问题,近年来,随着机器学习技术的快速发展,通过对加工过程中产生的大量数据进行学习和分析,能够实现对工艺质量的自动检测和调整,减少人工干预,提高生产效率和产品质量。
然而,针对仿阳极铝合金镀膜工艺的质量分析与调整方法在现有技术中尚未得到很好的解决。现有技术中的一些方法虽然可以对铝合金表面进行纹理分析,但是缺乏对分析结果的合理判断和工艺参数调整方案的提供,无法满足生产过程中的实际需求。
因此,迫切需要提供一种基于机器学习算法的仿阳极铝合金镀膜加工纹理分析方法及系统,以实现对铝合金镀膜工艺质量的自动评估和调整,提高生产效率和产品质量。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种仿阳极铝合金镀膜加工纹理分析方法及系统。
本发明第一方面提供了一种仿阳极铝合金镀膜加工纹理分析方法,包括:
获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据;
基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征;
根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息;
根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案;
根据合格品信息获取合格品工件,基于色度分析法,计算铝合金镀膜工件表面颜色差异信息;
根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案。
本方案中,所述获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据,具体为:
在预设时间段内,周期性获取预设百分比加工完成的铝合金镀膜工件,并对每个铝合金镀膜工件标记获取时间;
通过高清摄像设备,对获取的铝合金镀膜工件进行图像拍摄,得到铝合金镀膜工件的初始图像数据;
根据初始图像数据获取每张铝合金镀膜工件图像每个像素的像素值,并计算像素平均值;
将铝合金镀膜工件图像从彩色空间转化为灰度空间,得到灰度图像,将灰度图像的像素值转化为二维矩阵;
将二维矩阵的每个元素减去像素平均值,得到中心化矩阵将中心化矩阵进行奇异值分解,得到分解矩阵;
设定降维维度,根据降维维度对分解矩阵进行重构,得到重构矩阵,将重构矩阵中的每个元素加上像素平均值,得到反中心化矩阵;
将反中心化矩阵转化为图像,得到降维铝合金镀膜工件的图像数据。
本方案中,所述基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征,具体为:
基于卷积神经网络算法构建铝合金纹理分析模型,并构建基于卷积神经网络的卷积层、池化层、全连接层;
将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,对铝合金镀膜工件的图像数据进行归一化处理,得到归一化图像数据;
基于卷积层和池化层对任意一张归一化图像数据进行卷积操作和池化操作,得到铝合金镀膜工件图像的特征图像;
将特征图像输入至全连接层中,对特征图像中的特征进行组合,得到高级表征数据;
选取预设百分比的铝合金镀膜工件的图像数据进行图像的边界框、像素、纹理标注,得到标注图像;
将标注图像导入铝合金纹理分析模型中进行训练,通过反向传播算法调整铝合金纹理分析模型的参数;
将未标注的铝合金镀膜工件的图像导入铝合金纹理分析模型中,得到铝合金镀膜工件的纹理特征,所述纹理特征包括纹理形状、纹理起伏、表面光泽度。
本方案中,所述根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息,具体为:
获取合格品铝合金镀膜工件,将合格品铝合金镀膜工件导入铝合金纹理分析模型中,得到合格品纹理特征;
将铝合金镀膜工件的纹理特征与合格品纹理特征进行对比,对铝合金镀膜工件的纹理特征进行异常点进行数字标注;
若异常点大于预设数量,判定该铝合金镀膜工件为次品,得到次品信息,所述次品信息包括次品数量、次品纹理特征异常点数量、异常点位置;
若异常点不大于预设数量,则判定该铝合金镀膜工件为合格品,得到合格品信息。
本方案中,所述根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案,具体为:
获取不同瑕疵类型的铝合金次品工件,将铝合金次品工件导入铝合金纹理分析模型中,得到瑕疵纹理特征;
对次品纹理特征与瑕疵纹理特征进行对比,识别铝合金次品工件的瑕疵类型,所述瑕疵类型包括气泡、结痂、裂纹、划痕、凹陷;
根据次品纹理特征异常点数量和瑕疵类型进行分析,判断次品工件是否能够进行再加工;
若能够进行再加工,根据瑕疵类型,生成再加工方案。
本方案中,所述根据合格品信息获取合格品工件,基于色度分析法,计算不同铝合金镀膜工件的表面颜色差异信息,具体为:
根据合格品信息获取合格品工件,并基于所标记的获取时间,将时间先后序列排在第一位的合格品工件作为基准工件,将时间先后序列排在最后一位的合格品工件作为差异对比工件;
将基准工件的图像和差异对比工件的图像转换为RGB颜色通道进行表示,得到RGB颜色通道值;
基于RGB颜色通道值计算亮度分量、红绿分量、黄蓝分量,得到CIELAB值;
计算基准工件和差异对比工件的亮度分量、红绿分量、黄蓝分量之间的欧几里德距离,得到基准工件与差异对比工件的表面颜色差异信息,所述欧几里德距离越大,颜色差异越大,欧几里德距离越小,颜色越相似。
本方案中,所述根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案,具体为:
设置铝合金镀膜工件的颜色差异阈值;
计算基准工件与差异对比工件的获取时间差,根据所述颜色差异信息和所述时间差,预测在铝合金镀膜加工过程中,后续加工完成工件与第一件加工完成工件的颜色差异到达颜色差异阈值的时长;
获取每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长;
根据到达颜色差异阈值的时长、每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长进行计算,得到仿阳极镀膜槽液的更新时间和加注量;
根据仿阳极镀膜槽液的更新时间和加注量,调整仿阳极镀膜工艺参数,形成镀膜工艺参数调整方案。
本发明第二方面还提供了一种仿阳极铝合金镀膜加工纹理分析系统,该系统包括:存储器、处理器,所述存储器中包括仿阳极铝合金镀膜加工纹理分析方法程序,所述仿阳极铝合金镀膜加工纹理分析方法程序被所述处理器执行时,实现如下步骤:
获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据;
基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征;
根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息;
根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案;
根据合格品信息获取合格品工件,基于色度分析法,计算铝合金镀膜工件表面颜色差异信息;
根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案。
本方案中,所述根据合格品信息获取合格品工件,基于色度分析法,计算不同铝合金镀膜工件的表面颜色差异信息,具体为:
根据合格品信息获取合格品工件,并基于所标记的获取时间,将时间先后序列排在第一位的合格品工件作为基准工件,将时间先后序列排在最后一位的合格品工件作为差异对比工件;
将基准工件的图像和差异对比工件的图像转换为RGB颜色通道进行表示,得到RGB颜色通道值;
基于RGB颜色通道值计算亮度分量、红绿分量、黄蓝分量,得到CIELAB值;
计算基准工件和差异对比工件的亮度分量、红绿分量、黄蓝分量之间的欧几里德距离,得到基准工件与差异对比工件的表面颜色差异信息,所述欧几里德距离越大,颜色差异越大,欧几里德距离越小,颜色越相似。
本方案中,所述根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案,具体为:
设置铝合金镀膜工件的颜色差异阈值;
计算基准工件与差异对比工件的获取时间差,根据所述颜色差异信息和所述时间差,预测在铝合金镀膜加工过程中,后续加工完成工件与第一件加工完成工件的颜色差异到达颜色差异阈值的时长;
获取每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长;
根据到达颜色差异阈值的时长、每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长进行计算,得到仿阳极镀膜槽液的更新时间和加注量;
根据仿阳极镀膜槽液的更新时间和加注量,调整仿阳极镀膜工艺参数,形成镀膜工艺参数调整方案。
本发明公开了一种仿阳极铝合金镀膜加工纹理分析方法及系统。该方法首先获取铝合金镀膜工件的图像数据。接着,利用机器学习算法构建铝合金纹理分析模型,并得到纹理特征。基于纹理特征进行工件分析,判断其是否达到加工标准,生成相应的分析结果,根据瑕疵类型提出再加工方案。对于合格品工件,通过色度分析法计算表面颜色差异信息,进而调整仿阳极镀膜工艺参数,生成镀膜工艺参数调整方案。本发明通过图像处理和机器学习相结合,实现了对仿阳极铝合金镀膜工件的纹理分析、瑕疵检测和工艺优化,提高了生产效率和产品质量,对仿阳极铝合金镀膜加工过程的自动化支持,降低了人力成本,提升了生产效率。
附图说明
图1示出了本发明一种仿阳极铝合金镀膜加工纹理分析方法的流程图;
图2示出了本发明计算不同铝合金镀膜工件的表面颜色差异信息的流程图;
图3示出了本发明得到镀膜工艺参数调整方案的流程图;
图4示出了本发明一种仿阳极铝合金镀膜加工纹理分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种仿阳极铝合金镀膜加工纹理分析方法的流程图。
如图1所示,本发明第一方面提供了一种仿阳极铝合金镀膜加工纹理分析方法,包括:
S102,获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据;
S104,基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征;
S106,根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息;
S108,根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案;
S110,根据合格品信息获取合格品工件,基于色度分析法,计算铝合金镀膜工件表面颜色差异信息;
S112,根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案。
需要说明的是,通过获取铝合金镀膜工件的图像数据进行分析,得到合格品与次品,进而将合格品和次品形成不同的后续处理方案,有效减少废品率,提升铝合金镀膜的质量;所述预设时间段内加工的预设百分比铝合金镀膜工件为在一定的时间段内加工完成的铝合金工件中,随机抽取预设百分比的铝合金工件。
根据本发明实施例,所述获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据,具体为:
在预设时间段内,周期性获取预设百分比加工完成的铝合金镀膜工件,并对每个铝合金镀膜工件标记获取时间;
通过高清摄像设备,对获取的铝合金镀膜工件进行图像拍摄,得到铝合金镀膜工件的初始图像数据;
根据初始图像数据获取每张铝合金镀膜工件图像每个像素的像素值,并计算像素平均值;
将铝合金镀膜工件图像从彩色空间转化为灰度空间,得到灰度图像,将灰度图像的像素值转化为二维矩阵;
将二维矩阵的每个元素减去像素平均值,得到中心化矩阵将中心化矩阵进行奇异值分解,得到分解矩阵;
设定降维维度,根据降维维度对分解矩阵进行重构,得到重构矩阵,将重构矩阵中的每个元素加上像素平均值,得到反中心化矩阵;
将反中心化矩阵转化为图像,得到降维铝合金镀膜工件的图像数据。
需要说明的是,由于获取的是铝合金高清图像,数据量较大,在本发明实施例中,通过奇异值分解算法对铝合金的高清图像数据进行降维处理,提高后续数据处理的效率,降维后的图像的铝合金纹理特征进一步加强,使后续能够精准提取铝合金的纹理特征;所述像素平均值为铝合金图像中每个像素的像素值进行累加取平均值得到的结果。
根据本发明实施例,所述基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征,具体为:
基于卷积神经网络算法构建铝合金纹理分析模型,并构建基于卷积神经网络的卷积层、池化层、全连接层;
将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,对铝合金镀膜工件的图像数据进行归一化处理,得到归一化图像数据;
基于卷积层和池化层对任意一张归一化图像数据进行卷积操作和池化操作,得到铝合金镀膜工件图像的特征图像;
将特征图像输入至全连接层中,对特征图像中的特征进行组合,得到高级表征数据;
选取预设百分比的铝合金镀膜工件的图像数据进行图像的边界框、像素、纹理标注,得到标注图像;
将标注图像导入铝合金纹理分析模型中进行训练,通过反向传播算法调整铝合金纹理分析模型的参数;
将未标注的铝合金镀膜工件的图像导入铝合金纹理分析模型中,得到铝合金镀膜工件的纹理特征,所述纹理特征包括纹理形状、纹理起伏、表面光泽度。
需要说明的是,卷积神经网络模型的构建以及图像数据的处理过程中,特别强调了归一化、卷积、池化和全连接等关键步骤,这些步骤共同协作,实现了对铝合金镀膜工件图像的纹理特征提取。通过在模型中引入标注数据,并使用反向传播算法进行训练,可以使得模型逐渐优化,更好地解释铝合金工件的纹理特征;实现了纹理分析模型的有效构建和训练,从而提高了工件纹理特征提取的准确性和表达能力。
根据本发明实施例,所述根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息,具体为:
获取合格品铝合金镀膜工件,将合格品铝合金镀膜工件导入铝合金纹理分析模型中,得到合格品纹理特征;
将铝合金镀膜工件的纹理特征与合格品纹理特征进行对比,对铝合金镀膜工件的纹理特征进行异常点进行数字标注;
若异常点大于预设数量,判定该铝合金镀膜工件为次品,得到次品信息,所述次品信息包括次品数量、次品纹理特征异常点数量、异常点位置;
若异常点不大于预设数量,则判定该铝合金镀膜工件为合格品,得到合格品信息。
根据本发明实施例,所述根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案,具体为:
获取不同瑕疵类型的铝合金次品工件,将铝合金次品工件导入铝合金纹理分析模型中,得到瑕疵纹理特征;
对次品纹理特征与瑕疵纹理特征进行对比,识别铝合金次品工件的瑕疵类型,所述瑕疵类型包括气泡、结痂、裂纹、划痕、凹陷;
根据次品纹理特征异常点数量和瑕疵类型进行分析,判断次品工件是否能够进行再加工;
若能够进行再加工,根据瑕疵类型,生成再加工方案。
需要说明的是,次品工件的再加工方案生成过程与纹理特征的识别和分析密切相关。通过将不同瑕疵类型的次品工件导入铝合金纹理分析模型,可以提取到次品工件在不同瑕疵情况下的纹理特征;通过对比和分析这些特征,可以识别出具体的瑕疵类型,判断工件的质量问题,并基于瑕疵类型生成相应的再加工方案,以提高工件的质量;通过再加工方案的生成,可以针对次品工件的不同问题,调整加工工艺,进一步提升工件质量,对次品工件的再加工,能够减少因瑕疵而导致的浪费,提高生产效率和资源利用率。
图2示出了本发明计算不同铝合金镀膜工件的表面颜色差异信息的流程图。
根据本发明实施例,所述根据合格品信息获取合格品工件,基于色度分析法,计算不同铝合金镀膜工件的表面颜色差异信息,具体为:
S202,根据合格品信息获取合格品工件,并基于所标记的获取时间,将时间先后序列排在第一位的合格品工件作为基准工件,将时间先后序列排在最后一位的合格品工件作为差异对比工件;
S204,将基准工件的图像和差异对比工件的图像转换为RGB颜色通道进行表示,得到RGB颜色通道值;
S206,基于RGB颜色通道值计算亮度分量、红绿分量、黄蓝分量,得到CIELAB值;
S208,计算基准工件和差异对比工件的亮度分量、红绿分量、黄蓝分量之间的欧几里德距离,得到基准工件与差异对比工件的表面颜色差异信息,所述欧几里德距离越大,颜色差异越大,欧几里德距离越小,颜色越相似。
需要说明的是,基于色度分析法进行铝合金镀膜工件的颜色差异分析,有助于了解工件表面颜色的变化情况;通过计算CIELAB值和欧几里德距离,可以定量地评估基准工件与差异对比工件之间的颜色差异程度,从而判断工件表面颜色的相似性或差异性,能够更客观地描述工件表面颜色的变化;所述CIELAB值为CIELAB颜色空间中亮度分量、红绿分量、黄蓝分量。
图3示出了本发明得到镀膜工艺参数调整方案的流程图。
根据本发明实施例,所述根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案,具体为:
S302,设置铝合金镀膜工件的颜色差异阈值;
S304,计算基准工件与差异对比工件的获取时间差,根据所述颜色差异信息和所述时间差,预测在铝合金镀膜加工过程中,后续加工完成工件与第一件加工完成工件的颜色差异到达颜色差异阈值的时长;
S306,获取每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长;
S308,根据到达颜色差异阈值的时长、每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长进行计算,得到仿阳极镀膜槽液的更新时间和加注量;
S310,根据仿阳极镀膜槽液的更新时间和加注量,调整仿阳极镀膜工艺参数,形成镀膜工艺参数调整方案。
需要说明的是,由于仿阳极镀膜槽液是由多种化学物质构成的氧化液,随着时间的推移,仿阳极镀膜槽液会慢慢发生氧化反应,进而使仿阳极镀膜槽液颜色发生变化,导致在不同生产的铝合金镀膜工件的颜色存在差异,根据颜色差异信息来调整仿阳极镀膜工艺参数,旨在确保铝合金镀膜工件的表面颜色稳定和一致;通过预测颜色差异达到阈值所需的时间,并结合工艺参数计算,可以优化工艺参数以适应仿阳极镀膜槽液颜色的变化;通过预测颜色变化时间和工艺参数计算,能够实现工艺参数的自动化调整,提高生产效率,可以避免过多的资源消耗,节约了槽液等用量。
图4示出了本发明一种仿阳极铝合金镀膜加工纹理分析系统的框图。
本发明第二方面还提供了一种仿阳极铝合金镀膜加工纹理分析系统4,该系统包括:存储器41、处理器42,所述存储器中包括仿阳极铝合金镀膜加工纹理分析方法程序,所述仿阳极铝合金镀膜加工纹理分析方法程序被所述处理器执行时,实现如下步骤:
获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据;
基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征;
根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息;
根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案;
根据合格品信息获取合格品工件,基于色度分析法,计算铝合金镀膜工件表面颜色差异信息;
根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案。
需要说明的是,通过获取铝合金镀膜工件的图像数据进行分析,得到合格品与次品,进而将合格品和次品形成不同的后续处理方案,有效减少废品率,提升铝合金镀膜的质量;所述预设时间段内加工的预设百分比铝合金镀膜工件为在一定的时间段内加工完成的铝合金工件中,随机抽取预设百分比的铝合金工件。
根据本发明实施例,所述获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据,具体为:
在预设时间段内,周期性获取预设百分比加工完成的铝合金镀膜工件,并对每个铝合金镀膜工件标记获取时间;
通过高清摄像设备,对获取的铝合金镀膜工件进行图像拍摄,得到铝合金镀膜工件的初始图像数据;
根据初始图像数据获取每张铝合金镀膜工件图像每个像素的像素值,并计算像素平均值;
将铝合金镀膜工件图像从彩色空间转化为灰度空间,得到灰度图像,将灰度图像的像素值转化为二维矩阵;
将二维矩阵的每个元素减去像素平均值,得到中心化矩阵将中心化矩阵进行奇异值分解,得到分解矩阵;
设定降维维度,根据降维维度对分解矩阵进行重构,得到重构矩阵,将重构矩阵中的每个元素加上像素平均值,得到反中心化矩阵;
将反中心化矩阵转化为图像,得到降维铝合金镀膜工件的图像数据。
需要说明的是,由于获取的是铝合金高清图像,数据量较大,在本发明实施例中,通过奇异值分解算法对铝合金的高清图像数据进行降维处理,提高后续数据处理的效率,降维后的图像的铝合金纹理特征进一步加强,使后续能够精准提取铝合金的纹理特征;所述像素平均值为铝合金图像中每个像素的像素值进行累加取平均值得到的结果。
根据本发明实施例,所述基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征,具体为:
基于卷积神经网络算法构建铝合金纹理分析模型,并构建基于卷积神经网络的卷积层、池化层、全连接层;
将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,对铝合金镀膜工件的图像数据进行归一化处理,得到归一化图像数据;
基于卷积层和池化层对任意一张归一化图像数据进行卷积操作和池化操作,得到铝合金镀膜工件图像的特征图像;
将特征图像输入至全连接层中,对特征图像中的特征进行组合,得到高级表征数据;
选取预设百分比的铝合金镀膜工件的图像数据进行图像的边界框、像素、纹理标注,得到标注图像;
将标注图像导入铝合金纹理分析模型中进行训练,通过反向传播算法调整铝合金纹理分析模型的参数;
将未标注的铝合金镀膜工件的图像导入铝合金纹理分析模型中,得到铝合金镀膜工件的纹理特征,所述纹理特征包括纹理形状、纹理起伏、表面光泽度。
需要说明的是,卷积神经网络模型的构建以及图像数据的处理过程中,特别强调了归一化、卷积、池化和全连接等关键步骤,这些步骤共同协作,实现了对铝合金镀膜工件图像的纹理特征提取。通过在模型中引入标注数据,并使用反向传播算法进行训练,可以使得模型逐渐优化,更好地解释铝合金工件的纹理特征;实现了纹理分析模型的有效构建和训练,从而提高了工件纹理特征提取的准确性和表达能力。
根据本发明实施例,所述根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息,具体为:
获取合格品铝合金镀膜工件,将合格品铝合金镀膜工件导入铝合金纹理分析模型中,得到合格品纹理特征;
将铝合金镀膜工件的纹理特征与合格品纹理特征进行对比,对铝合金镀膜工件的纹理特征进行异常点进行数字标注;
若异常点大于预设数量,判定该铝合金镀膜工件为次品,得到次品信息,所述次品信息包括次品数量、次品纹理特征异常点数量、异常点位置;
若异常点不大于预设数量,则判定该铝合金镀膜工件为合格品,得到合格品信息。
根据本发明实施例,所述根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案,具体为:
获取不同瑕疵类型的铝合金次品工件,将铝合金次品工件导入铝合金纹理分析模型中,得到瑕疵纹理特征;
对次品纹理特征与瑕疵纹理特征进行对比,识别铝合金次品工件的瑕疵类型,所述瑕疵类型包括气泡、结痂、裂纹、划痕、凹陷;
根据次品纹理特征异常点数量和瑕疵类型进行分析,判断次品工件是否能够进行再加工;
若能够进行再加工,根据瑕疵类型,生成再加工方案。
需要说明的是,次品工件的再加工方案生成过程与纹理特征的识别和分析密切相关。通过将不同瑕疵类型的次品工件导入铝合金纹理分析模型,可以提取到次品工件在不同瑕疵情况下的纹理特征;通过对比和分析这些特征,可以识别出具体的瑕疵类型,判断工件的质量问题,并基于瑕疵类型生成相应的再加工方案,以提高工件的质量;通过再加工方案的生成,可以针对次品工件的不同问题,调整加工工艺,进一步提升工件质量,对次品工件的再加工,能够减少因瑕疵而导致的浪费,提高生产效率和资源利用率。
根据本发明实施例,所述根据合格品信息获取合格品工件,基于色度分析法,计算不同铝合金镀膜工件的表面颜色差异信息,具体为:
根据合格品信息获取合格品工件,并基于所标记的获取时间,将时间先后序列排在第一位的合格品工件作为基准工件,将时间先后序列排在最后一位的合格品工件作为差异对比工件;
将基准工件的图像和差异对比工件的图像转换为RGB颜色通道进行表示,得到RGB颜色通道值;
基于RGB颜色通道值计算亮度分量、红绿分量、黄蓝分量,得到CIELAB值;
计算基准工件和差异对比工件的亮度分量、红绿分量、黄蓝分量之间的欧几里德距离,得到基准工件与差异对比工件的表面颜色差异信息,所述欧几里德距离越大,颜色差异越大,欧几里德距离越小,颜色越相似。
需要说明的是,基于色度分析法进行铝合金镀膜工件的颜色差异分析,有助于了解工件表面颜色的变化情况;通过计算CIELAB值和欧几里德距离,可以定量地评估基准工件与差异对比工件之间的颜色差异程度,从而判断工件表面颜色的相似性或差异性,能够更客观地描述工件表面颜色的变化;所述CIELAB值为CIELAB颜色空间中亮度分量、红绿分量、黄蓝分量。
根据本发明实施例,所述根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案,具体为:
设置铝合金镀膜工件的颜色差异阈值;
计算基准工件与差异对比工件的获取时间差,根据所述颜色差异信息和所述时间差,预测在铝合金镀膜加工过程中,后续加工完成工件与第一件加工完成工件的颜色差异到达颜色差异阈值的时长;
获取每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长;
根据到达颜色差异阈值的时长、每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长进行计算,得到仿阳极镀膜槽液的更新时间和加注量;
根据仿阳极镀膜槽液的更新时间和加注量,调整仿阳极镀膜工艺参数,形成镀膜工艺参数调整方案。
需要说明的是,由于仿阳极镀膜槽液是由多种化学物质构成的氧化液,随着时间的推移,仿阳极镀膜槽液会慢慢发生氧化反应,进而使仿阳极镀膜槽液颜色发生变化,导致在不同生产的铝合金镀膜工件的颜色存在差异,根据颜色差异信息来调整仿阳极镀膜工艺参数,旨在确保铝合金镀膜工件的表面颜色稳定和一致;通过预测颜色差异达到阈值所需的时间,并结合工艺参数计算,可以优化工艺参数以适应仿阳极镀膜槽液颜色的变化;通过预测颜色变化时间和工艺参数计算,能够实现工艺参数的自动化调整,提高生产效率,可以避免过多的资源消耗,节约了槽液等用量。
本发明公开了一种仿阳极铝合金镀膜加工纹理分析方法及系统。该方法首先获取铝合金镀膜工件的图像数据。接着,利用机器学习算法构建铝合金纹理分析模型,并得到纹理特征。基于纹理特征进行工件分析,判断其是否达到加工标准,生成相应的分析结果,根据瑕疵类型提出再加工方案。对于合格品工件,通过色度分析法计算表面颜色差异信息,进而调整仿阳极镀膜工艺参数,生成镀膜工艺参数调整方案。本发明通过图像处理和机器学习相结合,实现了对仿阳极铝合金镀膜工件的纹理分析、瑕疵检测和工艺优化,提高了生产效率和产品质量,对仿阳极铝合金镀膜加工过程的自动化支持,降低了人力成本,提升了生产效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括:移动存储设备、ROM、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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种仿阳极铝合金镀膜加工纹理分析方法,其特征在于,包括以下步骤:
获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据;
基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征;
根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息;
根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案;
根据合格品信息获取合格品工件,基于色度分析法,计算铝合金镀膜工件表面颜色差异信息;
根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案;
所述获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据,具体为:
在预设时间段内,周期性获取预设百分比加工完成的铝合金镀膜工件,并对每个铝合金镀膜工件标记获取时间;
通过高清摄像设备,对获取的铝合金镀膜工件进行图像拍摄,得到铝合金镀膜工件的初始图像数据;
根据初始图像数据获取每张铝合金镀膜工件图像每个像素的像素值,并计算像素平均值;
将铝合金镀膜工件图像从彩色空间转化为灰度空间,得到灰度图像,将灰度图像的像素值转化为二维矩阵;
将二维矩阵的每个元素减去像素平均值,得到中心化矩阵将中心化矩阵进行奇异值分解,得到分解矩阵;
设定降维维度,根据降维维度对分解矩阵进行重构,得到重构矩阵,将重构矩阵中的每个元素加上像素平均值,得到反中心化矩阵;
将反中心化矩阵转化为图像,得到降维铝合金镀膜工件的图像数据;
所述根据合格品信息获取合格品工件,基于色度分析法,计算不同铝合金镀膜工件的表面颜色差异信息,具体为:
根据合格品信息获取合格品工件,并基于所标记的获取时间,将时间先后序列排在第一位的合格品工件作为基准工件,将时间先后序列排在最后一位的合格品工件作为差异对比工件;
将基准工件的图像和差异对比工件的图像转换为RGB颜色通道进行表示,得到RGB颜色通道值;
基于RGB颜色通道值计算亮度分量、红绿分量、黄蓝分量,得到CIELAB值;
计算基准工件和差异对比工件的亮度分量、红绿分量、黄蓝分量之间的欧几里德距离,得到基准工件与差异对比工件的表面颜色差异信息,所述欧几里德距离越大,颜色差异越大,欧几里德距离越小,颜色越相似;
所述根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案,具体为:
设置铝合金镀膜工件的颜色差异阈值;
计算基准工件与差异对比工件的获取时间差,根据所述颜色差异信息和所述时间差,预测在铝合金镀膜加工过程中,后续加工完成工件与第一件加工完成工件的颜色差异到达颜色差异阈值的时长;
获取每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长;
根据到达颜色差异阈值的时长、每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长进行计算,得到仿阳极镀膜槽液的更新时间和加注量;
根据仿阳极镀膜槽液的更新时间和加注量,调整仿阳极镀膜工艺参数,形成镀膜工艺参数调整方案。
2.根据权利要求1所述的一种仿阳极铝合金镀膜加工纹理分析方法,其特征在于,所述基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征,具体为:
基于卷积神经网络算法构建铝合金纹理分析模型,并构建基于卷积神经网络的卷积层、池化层、全连接层;
将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,对铝合金镀膜工件的图像数据进行归一化处理,得到归一化图像数据;
基于卷积层和池化层对任意一张归一化图像数据进行卷积操作和池化操作,得到铝合金镀膜工件图像的特征图像;
将特征图像输入至全连接层中,对特征图像中的特征进行组合,得到高级表征数据;
选取预设百分比的铝合金镀膜工件的图像数据进行图像的边界框、像素、纹理标注,得到标注图像;
将标注图像导入铝合金纹理分析模型中进行训练,通过反向传播算法调整铝合金纹理分析模型的参数;
将未标注的铝合金镀膜工件的图像导入铝合金纹理分析模型中,得到铝合金镀膜工件的纹理特征,所述纹理特征包括纹理形状、纹理起伏、表面光泽度。
3.根据权利要求2所述的一种仿阳极铝合金镀膜加工纹理分析方法,其特征在于,所述根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息,具体为:
获取合格品铝合金镀膜工件,将合格品铝合金镀膜工件导入铝合金纹理分析模型中,得到合格品纹理特征;
将铝合金镀膜工件的纹理特征与合格品纹理特征进行对比,对铝合金镀膜工件的纹理特征进行异常点进行数字标注;
若异常点大于预设数量,判定该铝合金镀膜工件为次品,得到次品信息,所述次品信息包括次品数量、次品纹理特征异常点数量、异常点位置;
若异常点不大于预设数量,则判定该铝合金镀膜工件为合格品,得到合格品信息。
4.根据权利要求3所述的一种仿阳极铝合金镀膜加工纹理分析方法,其特征在于,所述根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案,具体为:
获取不同瑕疵类型的铝合金次品工件,将铝合金次品工件导入铝合金纹理分析模型中,得到瑕疵纹理特征;
对次品纹理特征与瑕疵纹理特征进行对比,识别铝合金次品工件的瑕疵类型,所述瑕疵类型包括气泡、结痂、裂纹、划痕、凹陷;
根据次品纹理特征异常点数量和瑕疵类型进行分析,判断次品工件是否能够进行再加工;
若能够进行再加工,根据瑕疵类型,生成再加工方案。
5.一种仿阳极铝合金镀膜加工纹理分析系统,其特征在于,所述仿阳极铝合金镀膜加工纹理分析系统包括储存器以及处理器,所述储存器包括仿阳极铝合金镀膜加工纹理分析方法程序,所述仿阳极铝合金镀膜加工纹理分析方法程序被所述处理器执行时,实现如下步骤:
获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据;
基于机器学习算法构建铝合金纹理分析模型,将铝合金镀膜工件的图像数据导入铝合金纹理分析模型中,得到纹理特征;
根据纹理特征进行分析,判断铝合金镀膜工件是否符合加工标准,得到分析结果,所述分析结果包括合格品信息、次品信息;
根据次品信息获取次品工件,判断铝合金次品工件的瑕疵类型,根据瑕疵类型对次品工件进行再加工,生成再加工方案;
根据合格品信息获取合格品工件,基于色度分析法,计算铝合金镀膜工件表面颜色差异信息;
根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案;
所述获取预设时间段内加工的预设百分比铝合金镀膜工件,获取所述铝合金镀膜工件的图像数据,具体为:
在预设时间段内,周期性获取预设百分比加工完成的铝合金镀膜工件,并对每个铝合金镀膜工件标记获取时间;
通过高清摄像设备,对获取的铝合金镀膜工件进行图像拍摄,得到铝合金镀膜工件的初始图像数据;
根据初始图像数据获取每张铝合金镀膜工件图像每个像素的像素值,并计算像素平均值;
将铝合金镀膜工件图像从彩色空间转化为灰度空间,得到灰度图像,将灰度图像的像素值转化为二维矩阵;
将二维矩阵的每个元素减去像素平均值,得到中心化矩阵将中心化矩阵进行奇异值分解,得到分解矩阵;
设定降维维度,根据降维维度对分解矩阵进行重构,得到重构矩阵,将重构矩阵中的每个元素加上像素平均值,得到反中心化矩阵;
将反中心化矩阵转化为图像,得到降维铝合金镀膜工件的图像数据;
所述根据合格品信息获取合格品工件,基于色度分析法,计算不同铝合金镀膜工件的表面颜色差异信息,具体为:
根据合格品信息获取合格品工件,并基于所标记的获取时间,将时间先后序列排在第一位的合格品工件作为基准工件,将时间先后序列排在最后一位的合格品工件作为差异对比工件;
将基准工件的图像和差异对比工件的图像转换为RGB颜色通道进行表示,得到RGB颜色通道值;
基于RGB颜色通道值计算亮度分量、红绿分量、黄蓝分量,得到CIELAB值;
计算基准工件和差异对比工件的亮度分量、红绿分量、黄蓝分量之间的欧几里德距离,得到基准工件与差异对比工件的表面颜色差异信息,所述欧几里德距离越大,颜色差异越大,欧几里德距离越小,颜色越相似;
所述根据所述颜色差异信息,调整仿阳极镀膜工艺参数,得到镀膜工艺参数调整方案,具体为:
设置铝合金镀膜工件的颜色差异阈值;
计算基准工件与差异对比工件的获取时间差,根据所述颜色差异信息和所述时间差,预测在铝合金镀膜加工过程中,后续加工完成工件与第一件加工完成工件的颜色差异到达颜色差异阈值的时长;
获取每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长;
根据到达颜色差异阈值的时长、每件铝合金镀膜工件镀膜所需的仿阳极镀膜槽液用量、镀膜时长进行计算,得到仿阳极镀膜槽液的更新时间和加注量;
根据仿阳极镀膜槽液的更新时间和加注量,调整仿阳极镀膜工艺参数,形成镀膜工艺参数调整方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271249.1A CN116994008B (zh) | 2023-09-28 | 2023-09-28 | 一种仿阳极铝合金镀膜加工纹理分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271249.1A CN116994008B (zh) | 2023-09-28 | 2023-09-28 | 一种仿阳极铝合金镀膜加工纹理分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994008A CN116994008A (zh) | 2023-11-03 |
CN116994008B true CN116994008B (zh) | 2024-02-06 |
Family
ID=88527020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311271249.1A Active CN116994008B (zh) | 2023-09-28 | 2023-09-28 | 一种仿阳极铝合金镀膜加工纹理分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994008B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932712A (zh) * | 2018-06-22 | 2018-12-04 | 东南大学 | 一种转子绕组质量检测系统及方法 |
CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 |
CN111766248A (zh) * | 2020-07-07 | 2020-10-13 | 四川中烟工业有限责任公司 | 一种基于彩色ccd的钢印在线检测系统及方法 |
CN115294638A (zh) * | 2022-06-30 | 2022-11-04 | 青岛熙正数字科技有限公司 | 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11574420B2 (en) * | 2019-12-31 | 2023-02-07 | Axalta Coating Systems Ip Co., Llc | Systems and methods for matching color and appearance of target coatings |
-
2023
- 2023-09-28 CN CN202311271249.1A patent/CN116994008B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932712A (zh) * | 2018-06-22 | 2018-12-04 | 东南大学 | 一种转子绕组质量检测系统及方法 |
CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 |
CN111766248A (zh) * | 2020-07-07 | 2020-10-13 | 四川中烟工业有限责任公司 | 一种基于彩色ccd的钢印在线检测系统及方法 |
CN115294638A (zh) * | 2022-06-30 | 2022-11-04 | 青岛熙正数字科技有限公司 | 基于fpga的虹膜识别系统部署方法、虹膜识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116994008A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628189B (zh) | 一种基于图像识别的快速带钢划痕缺陷检测方法 | |
CN114418899B (zh) | 一种自彩印的自适应修复方法、系统及可读存储介质 | |
CN116500086B (zh) | 一种基于深度学习的铜复铝散热底板生产评价方法及系统 | |
CN116563280B (zh) | 一种基于数据分析的复合铜散热底板加工检测方法及系统 | |
CN115457037B (zh) | 一种用于阿胶制品生产的原材料质检方法 | |
Chen et al. | Perceptual quality assessment of cartoon images | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN116362630A (zh) | 基于物联网的锡膏印刷机管理方法、系统及介质 | |
Afifi | Semantic white balance: Semantic color constancy using convolutional neural network | |
CN116994008B (zh) | 一种仿阳极铝合金镀膜加工纹理分析方法及系统 | |
CN109741315B (zh) | 一种基于深度强化学习的无参考图像质量客观评价方法 | |
Patil et al. | Image processing approach to automate feature measuring and process parameter optimizing of laser additive manufacturing process | |
CN113205482A (zh) | 一种基于视觉识别的钢铁除锈质量等级判定方法 | |
Wu et al. | Experimental analysis of image dehazing algorithms for pelletization process images | |
CN110632094B (zh) | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN116758044A (zh) | 一种基于ResNet网络的太赫兹图像质量评价方法 | |
CN114820597A (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
KR102242011B1 (ko) | 딥러닝 기반의 축산물 이미지 등급 분류 장치 | |
CN114841971A (zh) | 金属块凹坑缺陷检测方法、系统及装置 | |
Sun et al. | A digital image method for measuring and analyzing color characteristics of various color scores of beef | |
CN117314919B (zh) | 基于机器视觉的包装袋生产分析方法、系统及存储介质 | |
CN113092486B (zh) | 一种适于高光面产品表面水波纹检测的方法 |
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 |