CN117237449A - 一种自动化测试设备的控制方法及系统 - Google Patents
一种自动化测试设备的控制方法及系统 Download PDFInfo
- Publication number
- CN117237449A CN117237449A CN202311055291.XA CN202311055291A CN117237449A CN 117237449 A CN117237449 A CN 117237449A CN 202311055291 A CN202311055291 A CN 202311055291A CN 117237449 A CN117237449 A CN 117237449A
- Authority
- CN
- China
- Prior art keywords
- clamping
- model diagram
- deviation
- dimensional model
- test equipment
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010586 diagram Methods 0.000 claims abstract description 268
- 238000004458 analytical method Methods 0.000 claims abstract description 93
- 238000012937 correction Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及测试设备控制技术领域,特别是一种自动化测试设备的控制方法及系统,对处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,实现了高精度的夹持和对准,大幅度提高了测试的准确性,降低了测试结果的误差。
Description
技术领域
本发明涉及测试设备控制技术领域,特别是一种自动化测试设备的控制方法及系统。
背景技术
在制造业中,为了确保产品质量和生产效率,常常需要进行各种测试和测量。自动化测试设备在这方面起到了至关重要的作用,可以实现高效、精确的测试过程。在某些测试中,被测物体的位置和姿态的准确性对测试结果的准确性有着重要影响。例如,在电子元件测试中,如果被测试的元件未能正确夹持和对准,可能导致测试结果出现误差,从而影响产品质量和可靠性。为了解决这一问题,传统上常常需要手动操作或者使用复杂的机械夹持装置来确保被测物体的准确夹持和对准。然而,这些方法存在着人力成本高、操作复杂、精度有限等问题,同时也可能引入人为误差。因此,需要一种更加智能化、自动化的控制方法来实现自动夹持和纠偏,以提高测试过程的效率和准确性。
发明内容
本发明克服了现有技术的不足,提供了一种自动化测试设备的控制方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种自动化测试设备的控制方法,包括以下步骤:
在预设时间节点获取自动化测试设备夹持区域的夹持图像信息,并对所述夹持图像信息进行处理,得到处理后的夹持图像信息;
对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;
预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;
对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序。
进一步地,本发明的一个较佳实施例中,对所述夹持图像信息进行处理,得到处理后的夹持图像信息,具体为:
对所述夹持图像信息进行灰度化、去噪处理,得到预处理后的夹持图像信息;并将所述预处理后的夹持图像信息进行小波分解,得到近似系数和细节系数;并基于所述近似系数和细节系数构建得到近似系数矩阵和细节系数矩阵;
将近似系数矩阵的值作为X坐标,将细节系数矩阵的值作为Y坐标,以及将细节系数矩阵中的预设位置的值作为Z坐标,并根据坐标系的设置,将近似系数的不同尺度信息与细节系数的特征结合起来,形成一个三维坐标系;
基于峰值检测算法对所述细节系数进行检索,以检索得到细节系数中的峰值;并将检索得到的峰值与预设阈值进行比较;将峰值不大于预设阈值的峰值过滤掉,将峰值大于预设阈值的峰值保留;以过滤掉弱峰值,保留明显的峰值;
通过非极大值抑制的方式对剩余的峰值进行进一步筛选,得到筛选后的峰值,根据所述筛选后的峰值确定出夹持图像信息中的角点;将所述角点导入所述三维坐标系中,得到角点的三维坐标值,根据所述三维坐标值生成角点的三维点云数据;基于所述角点的三维点云数据重构夹持图像信息,得到处理后的夹持图像信息。
进一步地,本发明的一个较佳实施例中,对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图,具体为:
通过ORB算法提取所述处理后的夹持图像信息的特征信息,得到若干个夹持图像信息中的轮廓关键点;
通过孤立森林算法计算各轮廓关键点的异常分数,基于所述异常分数确定出各轮廓关键点的离群值;将离群值大于预设离群值对应的轮廓关键点筛除,并将剩余的轮廓关键点输出,得到疏散轮廓关键点;
构建绝对坐标系,并将所述疏散轮廓关键点导入所述绝对坐标系中,在所述绝对坐标系中获取各疏散轮廓关键点的坐标位置;根据所述坐标位置计算得到各疏散轮廓关键点之间的闵可夫斯基距离;
将各疏散轮廓关键点之间的闵可夫斯基距离进行大小排序,得到排序结果,并在所述排序结果中提取出各疏散轮廓关键点与其余疏散轮廓关键点之间的最短闵可夫斯基距离;
将最短闵可夫斯基距离的两个疏散轮廓关键点进行两两配对,得到若干对疏散轮廓关键点对;并在所述绝对坐标系中获取各疏散轮廓关键点对之间的坐标中点,将各疏散轮廓关键点对之间的坐标中点所对应的位置点提取为新的轮廓关键点;
根据所述疏散轮廓关键点与新的轮廓关键点生成浓密轮廓关键点;并在所述绝对坐标系中获取各浓密轮廓关键点的实际坐标值,根据所述实际坐标值生成浓密轮廓关键点的坐标数集,基于所述坐标数集构建得到夹持区域的实时夹持状态三维模型图。
进一步地,本发明的一个较佳实施例中,预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图,具体为:
预制夹持区域在预设时间节点的标准夹持状态三维模型图,构建网格坐标系,并将所述标准夹持状态三维模型图导入所述网格坐标系中;
获取夹持区域预设时间节点的实时夹持状态三维模型图,将所述实时夹持状态三维模型图导入所述网格坐标系中,并使得所述标准夹持状态三维模型图与实时夹持状态三维模型图的定位基准相重合,以对所述标准夹持状态三维模型图与实时夹持状态三维模型图进行对齐处理;
对齐完成后,在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图相交合的模型区域剔除,并在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图不相交合的模型区域保留;
提取网格坐标系中所剩余的三维模型图,得到夹持偏差模型图。
进一步地,本发明的一个较佳实施例中,对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序,具体为:
基于三角形剖分算法对所述夹持偏差模型图进行剖分,得到若个三角形;对于每个三角形,构建一个连接三角形顶点与三角形的重心的四面体,从而构建得到若干个四面体;
计算各个四面体的体积值,基于四面体的体积值得到夹持偏差模型图的总体积值;将夹持偏差模型图的总体积值与预设体积值进行比较;
若夹持偏差模型图的总体积值不大于预设体积值,则生成第一分析结果,则控制自动化测试设备执行下一预设测试程序;若夹持偏差模型图的总体积值大于预设体积值,则生成第二分析结果。
进一步地,本发明的一个较佳实施例中,若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,具体为:
获取自动化测试设备发生各种夹持偏移状况对应的历史夹持偏移图像信息,并基于所述历史夹持偏移图像信息构建得到历史夹持偏移模型图;
获取自动化测试设备发生各种夹持偏移状况对应的历史纠偏参数,将发生各种夹持偏移状况对应的历史夹持偏移模型图与历史纠偏参数进行捆绑,得到若干个数据包;
构建数据库,并将若干个数据包导入所述数据库中,得到特性数据库;
若分析结果为第二分析结果,则将所述夹持偏差模型图导入所述特性数据库中,并通过欧几里德距离算法计算所述夹持偏差模型图与各历史夹持偏移模型图之间的欧几里德距离值;
根据所述欧几里德距离值确定出所述夹持偏差模型图与各历史夹持偏移模型图之间的重合度,得到多个重合度;构建排序表,将多个所述重合度导入所述排序表中进行大小排序,排序完毕后,提取出最大重合度;
获取与最大重合度对应的历史夹持偏移模型图,根据与最大重合度对应的历史夹持偏移模型图提取出对应数据包中的历史纠偏参数,并基于对应数据包中的历史纠偏参数对自动化测试设备的夹持位置进行纠偏;
纠偏完毕后,再控制自动化测试设备执行下一预设测试程序。
本发明第二方面公开了一种自动化测试设备的控制系统,所述控制系统包括存储器与处理器,所述存储器中存储有自动化测试设备的控制方法程序,当所述自动化测试设备的控制方法程序被所述处理器执行时,实现如下步骤:
在预设时间节点获取自动化测试设备夹持区域的夹持图像信息,并对所述夹持图像信息进行处理,得到处理后的夹持图像信息;
对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;
预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;
对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序。
进一步地,本发明的一个较佳实施例中,预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图,具体为:
预制夹持区域在预设时间节点的标准夹持状态三维模型图,构建网格坐标系,并将所述标准夹持状态三维模型图导入所述网格坐标系中;
获取夹持区域预设时间节点的实时夹持状态三维模型图,将所述实时夹持状态三维模型图导入所述网格坐标系中,并使得所述标准夹持状态三维模型图与实时夹持状态三维模型图的定位基准相重合,以对所述标准夹持状态三维模型图与实时夹持状态三维模型图进行对齐处理;
对齐完成后,在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图相交合的模型区域剔除,并在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图不相交合的模型区域保留;
提取网格坐标系中所剩余的三维模型图,得到夹持偏差模型图。
进一步地,本发明的一个较佳实施例中,对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序,具体为:
基于三角形剖分算法对所述夹持偏差模型图进行剖分,得到若个三角形;对于每个三角形,构建一个连接三角形顶点与三角形的重心的四面体,从而构建得到若干个四面体;
计算各个四面体的体积值,基于四面体的体积值得到夹持偏差模型图的总体积值;将夹持偏差模型图的总体积值与预设体积值进行比较;
若夹持偏差模型图的总体积值不大于预设体积值,则生成第一分析结果,则控制自动化测试设备执行下一预设测试程序;若夹持偏差模型图的总体积值大于预设体积值,则生成第二分析结果。
进一步地,本发明的一个较佳实施例中,若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,具体为:
获取自动化测试设备发生各种夹持偏移状况对应的历史夹持偏移图像信息,并基于所述历史夹持偏移图像信息构建得到历史夹持偏移模型图;
获取自动化测试设备发生各种夹持偏移状况对应的历史纠偏参数,将发生各种夹持偏移状况对应的历史夹持偏移模型图与历史纠偏参数进行捆绑,得到若干个数据包;
构建数据库,并将若干个数据包导入所述数据库中,得到特性数据库;
若分析结果为第二分析结果,则将所述夹持偏差模型图导入所述特性数据库中,并通过欧几里德距离算法计算所述夹持偏差模型图与各历史夹持偏移模型图之间的欧几里德距离值;
根据所述欧几里德距离值确定出所述夹持偏差模型图与各历史夹持偏移模型图之间的重合度,得到多个重合度;构建排序表,将多个所述重合度导入所述排序表中进行大小排序,排序完毕后,提取出最大重合度;
获取与最大重合度对应的历史夹持偏移模型图,根据与最大重合度对应的历史夹持偏移模型图提取出对应数据包中的历史纠偏参数,并基于对应数据包中的历史纠偏参数对自动化测试设备的夹持位置进行纠偏;
纠偏完毕后,再控制自动化测试设备执行下一预设测试程序。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:通过在预设时间节点获取自动化测试设备夹持区域的夹持图像信息,并对所述夹持图像信息进行处理,得到处理后的夹持图像信息;对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,本发明通过自动纠偏方法,结合图像处理算法,实现了高精度的夹持和对准,大幅度提高了测试的准确性,降低了测试结果的误差。
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实施例的附图。
图1为一种自动化测试设备的控制方法的第一方法流程图;
图2为一种自动化测试设备的控制方法的第二方法流程图;
图3为一种自动化测试设备的控制方法的第三方法流程图;
图4为一种自动化测试设备的控制系统的系统框图。
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。
如图1所示,本发明第一方面公开了一种自动化测试设备的控制方法,包括以下步骤:
S102:在预设时间节点获取自动化测试设备夹持区域的夹持图像信息,并对所述夹持图像信息进行处理,得到处理后的夹持图像信息;
S104:对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;
S106:预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;
S108:对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序。
需要说明的是,本发明通过自动纠偏方法,结合图像处理算法,实现了高精度的夹持和对准,大幅度提高了测试的准确性,降低了测试结果的误差;自动夹持纠偏方法使得测试过程不再需要人工干预,节省了人力成本和时间,同时,系统可以快速、精确地处理不同类型和尺寸的被测物体,提高了测试的吞吐量,从而增加了生产效率。
进一步地,本发明的一个较佳实施例中,对所述夹持图像信息进行处理,得到处理后的夹持图像信息,具体为:
对所述夹持图像信息进行灰度化、去噪处理,得到预处理后的夹持图像信息;并将所述预处理后的夹持图像信息进行小波分解,得到近似系数和细节系数;并基于所述近似系数和细节系数构建得到近似系数矩阵和细节系数矩阵;
将近似系数矩阵的值作为X坐标,将细节系数矩阵的值作为Y坐标,以及将细节系数矩阵中的预设位置的值作为Z坐标,并根据坐标系的设置,将近似系数的不同尺度信息与细节系数的特征结合起来,形成一个三维坐标系;
基于峰值检测算法对所述细节系数进行检索,以检索得到细节系数中的峰值;并将检索得到的峰值与预设阈值进行比较;将峰值不大于预设阈值的峰值过滤掉,将峰值大于预设阈值的峰值保留;以过滤掉弱峰值,保留明显的峰值;
通过非极大值抑制的方式对剩余的峰值进行进一步筛选,得到筛选后的峰值,根据所述筛选后的峰值确定出夹持图像信息中的角点;将所述角点导入所述三维坐标系中,得到角点的三维坐标值,根据所述三维坐标值生成角点的三维点云数据;基于所述角点的三维点云数据重构夹持图像信息,得到处理后的夹持图像信息。
需要说明的是,通过工业摄像机等摄像机构在预设时间节点获取自动化测试设备夹持区域的夹持图像信息。而由于拍摄环境、设备精度以及拍摄角度等因素的影响,所拍摄得到的夹持图像信息的冗余度往往较高,因此需要将该图像信息进行小波分解,以得到一系列的小波系数矩阵,如近似系数矩阵与细节系数矩阵。近似系数矩阵表示图像的低频部分,即图像中的整体特征,它对应于小波分解的最低尺度(最粗的分解层),捕捉图像的整体结构;细节系数矩阵对应于图像的高频部分,捕捉图像中的细节和纹理信息,小波分解通常在不同尺度上提取多个细节系数矩阵,每个矩阵对应一个特定的频段和方向。应用峰值检测算法,如基于阈值、局部极大值或其他统计特性的方法,来找到细节系数中的峰值。一种常用的峰值检测方法是使用阈值和局部极大值来确定峰值。你可以在细节系数图上滑动一个窗口,检查窗口内的值是否是局部极大值,并且大于设定的阈值。峰值检测的结果可以给出一组角点候选的位置,然后可以在原始图像中标记这些位置,或者根据需要进行进一步的处理(例如,非极大值抑制)以确定最终的角点位置。当得到角点的三维点云数据后,再以点云重构的方式对夹持图像信息进行重组降冗,得到处理后的夹持图像信息。通过本步骤能够对夹持图像进行修正处理,以降低夹持图像中的冗余度,提高图像质量。
进一步地,本发明的一个较佳实施例中,对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图,具体为:
通过ORB算法提取所述处理后的夹持图像信息的特征信息,得到若干个夹持图像信息中的轮廓关键点;
其中,ORB(Oriented FAST and Rotated BRIEF)算法是一种计算机视觉中用于特征检测和匹配的算法。它结合了FAST(Features from Accelerated Segment Test)关键点检测算法和BRIEF(Binary Robust Independent Elementary Features)描述子算法,并进行了一些改进,使其在不同环境下都能获得较好的性能;ORB算法在计算机视觉领域广泛应用于特征点检测、特征点描述和特征点匹配等任务;
通过孤立森林算法计算各轮廓关键点的异常分数,基于所述异常分数确定出各轮廓关键点的离群值;将离群值大于预设离群值对应的轮廓关键点筛除,并将剩余的轮廓关键点输出,得到疏散轮廓关键点;
其中,孤立森林(Isolation Forest)是一种用于异常检测的机器学习算法。它是一种基于树结构的算法,旨在识别数据集中的异常样本。孤立森林的核心思想是,正常样本在特征空间中应该相对集中,而异常样本则相对较为孤立。这意味着,异常样本可以更快地被随机选择的分割点(随机的树枝或分支)分离出来。对于每个样本,孤立森林可以通过观察其在森林中的多棵树中被分割的路径长度来计算一个异常分数。异常分数越小,表示样本越容易被分割出来,因此可能是异常样本;
构建绝对坐标系,并将所述疏散轮廓关键点导入所述绝对坐标系中,在所述绝对坐标系中获取各疏散轮廓关键点的坐标位置;根据所述坐标位置计算得到各疏散轮廓关键点之间的闵可夫斯基距离;
将各疏散轮廓关键点之间的闵可夫斯基距离进行大小排序,得到排序结果,并在所述排序结果中提取出各疏散轮廓关键点与其余疏散轮廓关键点之间的最短闵可夫斯基距离;
将最短闵可夫斯基距离的两个疏散轮廓关键点进行两两配对,得到若干对疏散轮廓关键点对;并在所述绝对坐标系中获取各疏散轮廓关键点对之间的坐标中点,将各疏散轮廓关键点对之间的坐标中点所对应的位置点提取为新的轮廓关键点;
根据所述疏散轮廓关键点与新的轮廓关键点生成浓密轮廓关键点;并在所述绝对坐标系中获取各浓密轮廓关键点的实际坐标值,根据所述实际坐标值生成浓密轮廓关键点的坐标数集,基于所述坐标数集构建得到夹持区域的实时夹持状态三维模型图。
需要说明的是,当通过ORB算法对处理后的夹持图像信息进行特征提取后,在提取过程中会存在一部分轮廓关键点提取错误,轮廓关键点提取漂移的异常现象,因此需要将离群值大于预设离群值对应的轮廓关键点筛除,得到疏散轮廓关键点。由于所提取到的轮廓关键点的数量有限,并且一部分为异常的轮廓关键点,因此真正有效的轮廓关键点的数量往往不足,为疏散轮廓关键点。因此为了获取得到更多的轮廓关键点,需要将最短闵可夫斯基距离的两个疏散轮廓关键点进行两两配对,得到若干对疏散轮廓关键点对,并将各疏散轮廓关键点对之间的坐标中点所对应的位置点提取为新的轮廓关键点;通过将所述疏散轮廓关键点与新的轮廓关键点进行汇聚,得到浓密轮廓关键点;然后再获取各浓密轮廓关键点的实际坐标值,根据所述实际坐标值生成浓密轮廓关键点的坐标数集,再将浓密轮廓关键点的坐标数集导入三维建模软件中从而生成实时夹持状态三维模型图。通过本步骤能够提取出足够数量的轮廓关键点,然后再根据轮廓关键点的信息重构得到实时夹持状态三维模型图,所得到的实时夹持状态三维模型图的模型精度高,避免出现模型缺失等异常现象。
如图2所示,进一步地,本发明的一个较佳实施例中,预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图,具体为:
S202:预制夹持区域在预设时间节点的标准夹持状态三维模型图,构建网格坐标系,并将所述标准夹持状态三维模型图导入所述网格坐标系中;
S204:获取夹持区域预设时间节点的实时夹持状态三维模型图,将所述实时夹持状态三维模型图导入所述网格坐标系中,并使得所述标准夹持状态三维模型图与实时夹持状态三维模型图的定位基准相重合,以对所述标准夹持状态三维模型图与实时夹持状态三维模型图进行对齐处理;
S206:对齐完成后,在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图相交合的模型区域剔除,并在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图不相交合的模型区域保留;
S208:提取网格坐标系中所剩余的三维模型图,得到夹持偏差模型图。
需要说明的是,标准夹持状态三维模型图由设计人员绘制设计得到,标准夹持状态三维模型图表征的是自动化测试设备夹持被测物体时,其处于标准夹持位置位置和标准夹持姿态时的状态模型图。通过如SolidWorks、UG等三维软件构建网格坐标系,然后将所述实时夹持状态三维模型图与标准夹持状态三维模型图导入网格坐标系中进行比较,得到夹持偏差模型图。
如图3所示,进一步地,本发明的一个较佳实施例中,对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序,具体为:
S302:基于三角形剖分算法对所述夹持偏差模型图进行剖分,得到若个三角形;对于每个三角形,构建一个连接三角形顶点与三角形的重心的四面体,从而构建得到若干个四面体;
S304:计算各个四面体的体积值,基于四面体的体积值得到夹持偏差模型图的总体积值;将夹持偏差模型图的总体积值与预设体积值进行比较;
S306:若夹持偏差模型图的总体积值不大于预设体积值,则生成第一分析结果,则控制自动化测试设备执行下一预设测试程序;若夹持偏差模型图的总体积值大于预设体积值,则生成第二分析结果。
需要说明的是,使用三角形剖分法计算夹持偏差模型图的体积值涉及将模型表面进行三角形剖分,然后计算剖分出的三角形所组成的四面体的体积,通过将夹持偏差模型图以计算机可识别的格式加载到三维软件环境中,例如使用STL、OBJ等格式,然后对模型的表面进行三角形剖分,如Delaunay三角剖分或其他适用的方法,剖分后,模型的表面将由一系列的三角形组成;对每个三角形,构建一个连接三角形顶点与一个内部点(可以是三角形的重心)的四面体,由于模型是不规则的,四面体可能会有交叉。在这种情况下,需要处理交叉的情况,确保每个四面体都是合法的。对每个四面体,计算其体积,可以使用解析方法或数值方法来计算四面体的体积,具体方法取决于模型的特性和复杂性,然后将所有四面体的体积累积起来,得到得到夹持偏差模型图的总体积值。若夹持偏差模型图的总体积值不大于预设体积值,说明自动化测试设备夹持被测物体时,其夹持位置并没有出现偏差,或其夹持偏差在允许的范围内,此时控制自动化测试设备执行下一预设测试程序即可。
进一步地,本发明的一个较佳实施例中,若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,具体为:
获取自动化测试设备发生各种夹持偏移状况对应的历史夹持偏移图像信息,并基于所述历史夹持偏移图像信息构建得到历史夹持偏移模型图;
获取自动化测试设备发生各种夹持偏移状况对应的历史纠偏参数,将发生各种夹持偏移状况对应的历史夹持偏移模型图与历史纠偏参数进行捆绑,得到若干个数据包;
构建数据库,并将若干个数据包导入所述数据库中,得到特性数据库;
若分析结果为第二分析结果,则将所述夹持偏差模型图导入所述特性数据库中,并通过欧几里德距离算法计算所述夹持偏差模型图与各历史夹持偏移模型图之间的欧几里德距离值;
根据所述欧几里德距离值确定出所述夹持偏差模型图与各历史夹持偏移模型图之间的重合度,得到多个重合度;构建排序表,将多个所述重合度导入所述排序表中进行大小排序,排序完毕后,提取出最大重合度;
其中,欧几里德距离算法是一种用于测量两个点之间的直线距离的方法。为了计算两个三维模型图之间的相似度,可以将模型图表示为一组点的集合。然后,针对每个点对,计算它们之间的欧几里德距离值,并将所有距离求和。重合度可以通过将求和后的距离标准化到一个合适的范围内来表示;
获取与最大重合度对应的历史夹持偏移模型图,根据与最大重合度对应的历史夹持偏移模型图提取出对应数据包中的历史纠偏参数,并基于对应数据包中的历史纠偏参数对自动化测试设备的夹持位置进行纠偏;
纠偏完毕后,再控制自动化测试设备执行下一预设测试程序。
需要说明的是,若夹持偏差模型图的总体积值大于预设体积值,说明自动化测试设备夹持被测物体时,其夹持位置发生较大偏差,此时需要对自动化测试设备的夹持位置进行修正。具体而言,首先获取自动化测试设备发生各种夹持偏移状况对应的历史夹持偏移模型图及对应的历史纠偏参数,将发生各种夹持偏移状况对应的历史夹持偏移模型图与历史纠偏参数进行捆绑,得到若干个数据包,从而构建得到特性数据库。然后将夹持偏差模型图导入所述特性数据库中,并通过欧几里德距离算法计算所述夹持偏差模型图与各历史夹持偏移模型图之间的重合度,然后获取与最大重合度对应的历史夹持偏移模型图,根据与最大重合度对应的历史夹持偏移模型图提取出对应数据包中的历史纠偏参数,并基于对应数据包中的历史纠偏参数对自动化测试设备的夹持位置进行纠偏。通过以上方法实现被测物体的自动纠偏,从而提高测试的准确性和效率。
此外,所述一种自动化测试设备的控制方法还包括以下步骤:
获取自动化测试设备在夹持不同类型产品时的历史运行参数,将自动化测试设备在夹持不同类型产品时的历史运行参数分为测试集与训练集;
基于深度学习网络建立参数预测模型,将所述训练集导入所述参数预测模型中;利用交叉熵损失函数对训练集进行反向传播训练,当训练误差收敛至预设值后,保存模型参数;
通过所述测试集对所述参数预测模型进行测试,若所述参数预测模型满足预设要求,则提取最终保存的模型参数,得到训练完成的参数预测模型;
获取自动化测试设备的当前夹持类型产品信息,将所述当前夹持类型产品信息导入所述训练完成的参数预测模型中,得到自动化测试设备在夹持当前夹持类型产品时的预测运行参数;
获取自动化测试设备在夹持当前夹持类型产品时的实际运行参数,通过灰色关联分析法计算所述实际运行参数与预测运行参数之间的关联度,并将所述关联度与预设关联度进行比较;
若所述关联度不大于预设关联度,则生成故障信息,并将所述故障信息输出。
需要说明的是,通过将自动化测试设备的历史运行参数与实际运行参数进行比较,从而判断出自动化测试设备在夹持不同产品时其运行参数是否正常,从而进一步判断出自动化测试设备是否发生了故障,实现了自动检测故障,以知会维修人员及时检修。
此外,所述一种自动化测试设备的控制方法还包括以下步骤:
获取自动化测试设备中各传动零件的磨损量,并将所述磨损量与预设磨损量进行比较;
若所述磨损量大于预设磨损量,则根据所述磨损量构建检索标签,基于所述检索标签对大数据进行检索,以检索得到传动零件在当前磨损量条件之下的最佳工作环境;
获取所述传动零件的实时工作环境,将所述实时工作环境与最佳工作环境进行比较,得到偏差率;
若所述偏差率大于预设偏差率,则将所述实时工作环境与磨损量导入马尔科夫模型中进行故障推演,得到传动零件的故障概率;
若所述故障概率大于预设故障概率,则将该传动零件标记为高危零件。
需要说明的是,传动零件包括旋转轴、轴承、齿轮等。传动零件属于磨损零件,当磨损到一定程度后,其便会失效。通过本方法能够及时发现磨损量与当前工作环境不匹配的零件,以知会工作人员及时更换零件或调整工作环境,避免在自动化测试设备夹持工作过程中因故障而发生碰撞事故,提高设备的可靠性。
如图4所示,本发明第二方面公开了一种自动化测试设备的控制系统,所述控制系统包括存储器41与处理器62,所述存储器41中存储有自动化测试设备的控制方法程序,当所述自动化测试设备的控制方法程序被所述处理器62执行时,实现如下步骤:
在预设时间节点获取自动化测试设备夹持区域的夹持图像信息,并对所述夹持图像信息进行处理,得到处理后的夹持图像信息;
对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;
预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;
对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序。
进一步地,本发明的一个较佳实施例中,预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图,具体为:
预制夹持区域在预设时间节点的标准夹持状态三维模型图,构建网格坐标系,并将所述标准夹持状态三维模型图导入所述网格坐标系中;
获取夹持区域预设时间节点的实时夹持状态三维模型图,将所述实时夹持状态三维模型图导入所述网格坐标系中,并使得所述标准夹持状态三维模型图与实时夹持状态三维模型图的定位基准相重合,以对所述标准夹持状态三维模型图与实时夹持状态三维模型图进行对齐处理;
对齐完成后,在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图相交合的模型区域剔除,并在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图不相交合的模型区域保留;
提取网格坐标系中所剩余的三维模型图,得到夹持偏差模型图。
进一步地,本发明的一个较佳实施例中,对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序,具体为:
基于三角形剖分算法对所述夹持偏差模型图进行剖分,得到若个三角形;对于每个三角形,构建一个连接三角形顶点与三角形的重心的四面体,从而构建得到若干个四面体;
计算各个四面体的体积值,基于四面体的体积值得到夹持偏差模型图的总体积值;将夹持偏差模型图的总体积值与预设体积值进行比较;
若夹持偏差模型图的总体积值不大于预设体积值,则生成第一分析结果,则控制自动化测试设备执行下一预设测试程序;若夹持偏差模型图的总体积值大于预设体积值,则生成第二分析结果。
进一步地,本发明的一个较佳实施例中,若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,具体为:
获取自动化测试设备发生各种夹持偏移状况对应的历史夹持偏移图像信息,并基于所述历史夹持偏移图像信息构建得到历史夹持偏移模型图;
获取自动化测试设备发生各种夹持偏移状况对应的历史纠偏参数,将发生各种夹持偏移状况对应的历史夹持偏移模型图与历史纠偏参数进行捆绑,得到若干个数据包;
构建数据库,并将若干个数据包导入所述数据库中,得到特性数据库;
若分析结果为第二分析结果,则将所述夹持偏差模型图导入所述特性数据库中,并通过欧几里德距离算法计算所述夹持偏差模型图与各历史夹持偏移模型图之间的欧几里德距离值;
根据所述欧几里德距离值确定出所述夹持偏差模型图与各历史夹持偏移模型图之间的重合度,得到多个重合度;构建排序表,将多个所述重合度导入所述排序表中进行大小排序,排序完毕后,提取出最大重合度;
获取与最大重合度对应的历史夹持偏移模型图,根据与最大重合度对应的历史夹持偏移模型图提取出对应数据包中的历史纠偏参数,并基于对应数据包中的历史纠偏参数对自动化测试设备的夹持位置进行纠偏;
纠偏完毕后,再控制自动化测试设备执行下一预设测试程序。
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。
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,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权利要求的保护范围为准。
Claims (10)
1.一种自动化测试设备的控制方法,其特征在于,包括以下步骤:
在预设时间节点获取自动化测试设备夹持区域的夹持图像信息,并对所述夹持图像信息进行处理,得到处理后的夹持图像信息;
对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;
预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;
对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序。
2.根据权利要求1所述的一种自动化测试设备的控制方法,其特征在于,对所述夹持图像信息进行处理,得到处理后的夹持图像信息,具体为:
对所述夹持图像信息进行灰度化、去噪处理,得到预处理后的夹持图像信息;并将所述预处理后的夹持图像信息进行小波分解,得到近似系数和细节系数;并基于所述近似系数和细节系数构建得到近似系数矩阵和细节系数矩阵;
将近似系数矩阵的值作为X坐标,将细节系数矩阵的值作为Y坐标,以及将细节系数矩阵中的预设位置的值作为Z坐标,并根据坐标系的设置,将近似系数的不同尺度信息与细节系数的特征结合起来,形成一个三维坐标系;
基于峰值检测算法对所述细节系数进行检索,以检索得到细节系数中的峰值;并将检索得到的峰值与预设阈值进行比较;将峰值不大于预设阈值的峰值过滤掉,将峰值大于预设阈值的峰值保留;以过滤掉弱峰值,保留明显的峰值;
通过非极大值抑制的方式对剩余的峰值进行进一步筛选,得到筛选后的峰值,根据所述筛选后的峰值确定出夹持图像信息中的角点;将所述角点导入所述三维坐标系中,得到角点的三维坐标值,根据所述三维坐标值生成角点的三维点云数据;基于所述角点的三维点云数据重构夹持图像信息,得到处理后的夹持图像信息。
3.根据权利要求1所述的一种自动化测试设备的控制方法,其特征在于,对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图,具体为:
通过ORB算法提取所述处理后的夹持图像信息的特征信息,得到若干个夹持图像信息中的轮廓关键点;
通过孤立森林算法计算各轮廓关键点的异常分数,基于所述异常分数确定出各轮廓关键点的离群值;将离群值大于预设离群值对应的轮廓关键点筛除,并将剩余的轮廓关键点输出,得到疏散轮廓关键点;
构建绝对坐标系,并将所述疏散轮廓关键点导入所述绝对坐标系中,在所述绝对坐标系中获取各疏散轮廓关键点的坐标位置;根据所述坐标位置计算得到各疏散轮廓关键点之间的闵可夫斯基距离;
将各疏散轮廓关键点之间的闵可夫斯基距离进行大小排序,得到排序结果,并在所述排序结果中提取出各疏散轮廓关键点与其余疏散轮廓关键点之间的最短闵可夫斯基距离;
将最短闵可夫斯基距离的两个疏散轮廓关键点进行两两配对,得到若干对疏散轮廓关键点对;并在所述绝对坐标系中获取各疏散轮廓关键点对之间的坐标中点,将各疏散轮廓关键点对之间的坐标中点所对应的位置点提取为新的轮廓关键点;
根据所述疏散轮廓关键点与新的轮廓关键点生成浓密轮廓关键点;并在所述绝对坐标系中获取各浓密轮廓关键点的实际坐标值,根据所述实际坐标值生成浓密轮廓关键点的坐标数集,基于所述坐标数集构建得到夹持区域的实时夹持状态三维模型图。
4.根据权利要求1所述的一种自动化测试设备的控制方法,其特征在于,预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图,具体为:
预制夹持区域在预设时间节点的标准夹持状态三维模型图,构建网格坐标系,并将所述标准夹持状态三维模型图导入所述网格坐标系中;
获取夹持区域预设时间节点的实时夹持状态三维模型图,将所述实时夹持状态三维模型图导入所述网格坐标系中,并使得所述标准夹持状态三维模型图与实时夹持状态三维模型图的定位基准相重合,以对所述标准夹持状态三维模型图与实时夹持状态三维模型图进行对齐处理;
对齐完成后,在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图相交合的模型区域剔除,并在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图不相交合的模型区域保留;
提取网格坐标系中所剩余的三维模型图,得到夹持偏差模型图。
5.根据权利要求1所述的一种自动化测试设备的控制方法,其特征在于,对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序,具体为:
基于三角形剖分算法对所述夹持偏差模型图进行剖分,得到若个三角形;对于每个三角形,构建一个连接三角形顶点与三角形的重心的四面体,从而构建得到若干个四面体;
计算各个四面体的体积值,基于四面体的体积值得到夹持偏差模型图的总体积值;将夹持偏差模型图的总体积值与预设体积值进行比较;
若夹持偏差模型图的总体积值不大于预设体积值,则生成第一分析结果,则控制自动化测试设备执行下一预设测试程序;若夹持偏差模型图的总体积值大于预设体积值,则生成第二分析结果。
6.根据权利要求5所述的一种自动化测试设备的控制方法,其特征在于,若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,具体为:
获取自动化测试设备发生各种夹持偏移状况对应的历史夹持偏移图像信息,并基于所述历史夹持偏移图像信息构建得到历史夹持偏移模型图;
获取自动化测试设备发生各种夹持偏移状况对应的历史纠偏参数,将发生各种夹持偏移状况对应的历史夹持偏移模型图与历史纠偏参数进行捆绑,得到若干个数据包;
构建数据库,并将若干个数据包导入所述数据库中,得到特性数据库;
若分析结果为第二分析结果,则将所述夹持偏差模型图导入所述特性数据库中,并通过欧几里德距离算法计算所述夹持偏差模型图与各历史夹持偏移模型图之间的欧几里德距离值;
根据所述欧几里德距离值确定出所述夹持偏差模型图与各历史夹持偏移模型图之间的重合度,得到多个重合度;构建排序表,将多个所述重合度导入所述排序表中进行大小排序,排序完毕后,提取出最大重合度;
获取与最大重合度对应的历史夹持偏移模型图,根据与最大重合度对应的历史夹持偏移模型图提取出对应数据包中的历史纠偏参数,并基于对应数据包中的历史纠偏参数对自动化测试设备的夹持位置进行纠偏;
纠偏完毕后,再控制自动化测试设备执行下一预设测试程序。
7.一种自动化测试设备的控制系统,其特征在于,所述控制系统包括存储器与处理器,所述存储器中存储有自动化测试设备的控制方法程序,当所述自动化测试设备的控制方法程序被所述处理器执行时,实现如下步骤:
在预设时间节点获取自动化测试设备夹持区域的夹持图像信息,并对所述夹持图像信息进行处理,得到处理后的夹持图像信息;
对所述处理后的夹持图像信息的进行特征提取,得到若干轮廓关键点,根据所述轮廓关键点生成夹持区域预设时间节点的实时夹持状态三维模型图;
预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图;
对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序;若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序。
8.根据权利要求7所述的一种自动化测试设备的控制系统,其特征在于,预制夹持区域在预设时间节点的标准夹持状态三维模型图,并将所述实时夹持状态三维模型图与标准夹持状态三维模型图进行比较,得到夹持偏差模型图,具体为:
预制夹持区域在预设时间节点的标准夹持状态三维模型图,构建网格坐标系,并将所述标准夹持状态三维模型图导入所述网格坐标系中;
获取夹持区域预设时间节点的实时夹持状态三维模型图,将所述实时夹持状态三维模型图导入所述网格坐标系中,并使得所述标准夹持状态三维模型图与实时夹持状态三维模型图的定位基准相重合,以对所述标准夹持状态三维模型图与实时夹持状态三维模型图进行对齐处理;
对齐完成后,在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图相交合的模型区域剔除,并在所述网格坐标系中将所述标准夹持状态三维模型图与实时夹持状态三维模型图不相交合的模型区域保留;
提取网格坐标系中所剩余的三维模型图,得到夹持偏差模型图。
9.根据权利要求7所述的一种自动化测试设备的控制系统,其特征在于,对所述夹持偏差模型图进行分析,得到分析结果;若分析结果为第一分析结果,则控制自动化测试设备执行下一预设测试程序,具体为:
基于三角形剖分算法对所述夹持偏差模型图进行剖分,得到若个三角形;对于每个三角形,构建一个连接三角形顶点与三角形的重心的四面体,从而构建得到若干个四面体;
计算各个四面体的体积值,基于四面体的体积值得到夹持偏差模型图的总体积值;将夹持偏差模型图的总体积值与预设体积值进行比较;
若夹持偏差模型图的总体积值不大于预设体积值,则生成第一分析结果,则控制自动化测试设备执行下一预设测试程序;若夹持偏差模型图的总体积值大于预设体积值,则生成第二分析结果。
10.根据权利要求9所述的一种自动化测试设备的控制系统,其特征在于,若分析结果为第二分析结果,则生成纠偏参数,并基于所述纠偏参数对自动化测试设备进行纠偏后再执行下一预设测试程序,具体为:
获取自动化测试设备发生各种夹持偏移状况对应的历史夹持偏移图像信息,并基于所述历史夹持偏移图像信息构建得到历史夹持偏移模型图;
获取自动化测试设备发生各种夹持偏移状况对应的历史纠偏参数,将发生各种夹持偏移状况对应的历史夹持偏移模型图与历史纠偏参数进行捆绑,得到若干个数据包;
构建数据库,并将若干个数据包导入所述数据库中,得到特性数据库;
若分析结果为第二分析结果,则将所述夹持偏差模型图导入所述特性数据库中,并通过欧几里德距离算法计算所述夹持偏差模型图与各历史夹持偏移模型图之间的欧几里德距离值;
根据所述欧几里德距离值确定出所述夹持偏差模型图与各历史夹持偏移模型图之间的重合度,得到多个重合度;构建排序表,将多个所述重合度导入所述排序表中进行大小排序,排序完毕后,提取出最大重合度;
获取与最大重合度对应的历史夹持偏移模型图,根据与最大重合度对应的历史夹持偏移模型图提取出对应数据包中的历史纠偏参数,并基于对应数据包中的历史纠偏参数对自动化测试设备的夹持位置进行纠偏;
纠偏完毕后,再控制自动化测试设备执行下一预设测试程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055291.XA CN117237449A (zh) | 2023-08-22 | 2023-08-22 | 一种自动化测试设备的控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055291.XA CN117237449A (zh) | 2023-08-22 | 2023-08-22 | 一种自动化测试设备的控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237449A true CN117237449A (zh) | 2023-12-15 |
Family
ID=89090144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055291.XA Pending CN117237449A (zh) | 2023-08-22 | 2023-08-22 | 一种自动化测试设备的控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237449A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071334A (zh) * | 2024-04-22 | 2024-05-24 | 靖边县天润农业科技有限公司 | 一种基于物联网的甘草片制备设备运维方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363920A (zh) * | 2012-04-09 | 2013-10-23 | 鸿富锦精密工业(深圳)有限公司 | 刀具检测系统及方法 |
CN108072323A (zh) * | 2016-11-15 | 2018-05-25 | 保时捷股份公司 | 用于检测零件夹持器的尺寸精确度的方法 |
CN109176305A (zh) * | 2018-09-29 | 2019-01-11 | 东莞市照亮智能装备科技有限公司 | 一种机器人三维纠偏定位设备及方法 |
CN110974305A (zh) * | 2019-12-13 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的远程心脏超声三维成像系统及方法 |
CN112882934A (zh) * | 2021-02-24 | 2021-06-01 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及系统 |
CN113125464A (zh) * | 2019-12-31 | 2021-07-16 | 苏州茵诺威智能设备有限公司 | 一种视觉检测方法 |
CN114800247A (zh) * | 2022-04-08 | 2022-07-29 | 东莞市鸿仁自动化设备科技有限公司 | 一种磨刷机控制方法、装置、计算机设备以及存储介质 |
CN114926507A (zh) * | 2022-07-18 | 2022-08-19 | 深圳新视智科技术有限公司 | 极片纠偏方法、装置、设备及可读存储介质 |
CN115187531A (zh) * | 2022-06-24 | 2022-10-14 | 青岛海信医疗设备股份有限公司 | 一种三维模型的配准方法、医疗终端及装置 |
US20230070008A1 (en) * | 2020-02-17 | 2023-03-09 | Snap Inc. | Generating three-dimensional object models from two-dimensional images |
CN116000942A (zh) * | 2023-03-22 | 2023-04-25 | 深圳市大族机器人有限公司 | 一种基于多轴协作机器人的半导体制造系统 |
WO2023098603A1 (zh) * | 2021-11-30 | 2023-06-08 | 广东利元亨智能装备股份有限公司 | 自动换型方法、装置、控制器以及存储介质 |
CN116277161A (zh) * | 2023-05-25 | 2023-06-23 | 山东中济鲁源机械有限公司 | 一种基于三维模型坐标的机械臂动态偏移监测系统 |
CN116502468A (zh) * | 2023-06-21 | 2023-07-28 | 查维斯机械制造(北京)有限公司 | 一种基于机器视觉的牛胴体分割机器人控制方法及系统 |
-
2023
- 2023-08-22 CN CN202311055291.XA patent/CN117237449A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363920A (zh) * | 2012-04-09 | 2013-10-23 | 鸿富锦精密工业(深圳)有限公司 | 刀具检测系统及方法 |
CN108072323A (zh) * | 2016-11-15 | 2018-05-25 | 保时捷股份公司 | 用于检测零件夹持器的尺寸精确度的方法 |
CN109176305A (zh) * | 2018-09-29 | 2019-01-11 | 东莞市照亮智能装备科技有限公司 | 一种机器人三维纠偏定位设备及方法 |
CN110974305A (zh) * | 2019-12-13 | 2020-04-10 | 山东大学齐鲁医院 | 基于深度学习的远程心脏超声三维成像系统及方法 |
CN113125464A (zh) * | 2019-12-31 | 2021-07-16 | 苏州茵诺威智能设备有限公司 | 一种视觉检测方法 |
US20230070008A1 (en) * | 2020-02-17 | 2023-03-09 | Snap Inc. | Generating three-dimensional object models from two-dimensional images |
CN112882934A (zh) * | 2021-02-24 | 2021-06-01 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及系统 |
WO2023098603A1 (zh) * | 2021-11-30 | 2023-06-08 | 广东利元亨智能装备股份有限公司 | 自动换型方法、装置、控制器以及存储介质 |
CN114800247A (zh) * | 2022-04-08 | 2022-07-29 | 东莞市鸿仁自动化设备科技有限公司 | 一种磨刷机控制方法、装置、计算机设备以及存储介质 |
CN115187531A (zh) * | 2022-06-24 | 2022-10-14 | 青岛海信医疗设备股份有限公司 | 一种三维模型的配准方法、医疗终端及装置 |
CN114926507A (zh) * | 2022-07-18 | 2022-08-19 | 深圳新视智科技术有限公司 | 极片纠偏方法、装置、设备及可读存储介质 |
CN116000942A (zh) * | 2023-03-22 | 2023-04-25 | 深圳市大族机器人有限公司 | 一种基于多轴协作机器人的半导体制造系统 |
CN116277161A (zh) * | 2023-05-25 | 2023-06-23 | 山东中济鲁源机械有限公司 | 一种基于三维模型坐标的机械臂动态偏移监测系统 |
CN116502468A (zh) * | 2023-06-21 | 2023-07-28 | 查维斯机械制造(北京)有限公司 | 一种基于机器视觉的牛胴体分割机器人控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
LI Y等: "Workpiece intelligent identification and positioning system based on binocular machine vision", 《2021 IEEE 9TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY (ICCSNT)》, 30 November 2021 (2021-11-30), pages 55 - 58 * |
庄鹏等: "激光扫描仪安装偏差测量及纠偏方法", 《设备管理与维修》, no. 13, 31 July 2022 (2022-07-31), pages 123 - 135 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071334A (zh) * | 2024-04-22 | 2024-05-24 | 靖边县天润农业科技有限公司 | 一种基于物联网的甘草片制备设备运维方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111331B (zh) | 基于机器视觉的蜂窝纸芯缺陷检测方法 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN111815601A (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN117237449A (zh) | 一种自动化测试设备的控制方法及系统 | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN111311576A (zh) | 基于点云信息的缺陷检测方法 | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN115131268A (zh) | 一种基于图像特征提取与三维模型匹配的自动化焊接系统 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
CN111879972A (zh) | 基于ssd网络模型的工件表面缺陷检测方法及系统 | |
CN112307827B (zh) | 对象识别装置,系统和方法 | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
CN117173177A (zh) | 一种基于图像的金属外壳光学尺寸检测方法及系统 | |
CN111760292A (zh) | 采样数据的检测方法、装置及电子设备 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN115631192B (zh) | 一种阀门试压机的控制方法、装置、设备及介质 | |
CN109544514B (zh) | 一种融合表观特征的锯材身份辨识方法、装置及设备 | |
CN115280334A (zh) | 错误原因的推定装置以及推定方法 | |
WO2022059135A1 (ja) | エラー要因の推定装置及び推定方法 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN115731390A (zh) | 一种灰岩隧道岩体结构面识别方法及设备 | |
CN115601293A (zh) | 对象检测方法、装置、电子设备及可读存储介质 |
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 |