CN117309891B - 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 - Google Patents
一种基于智能反馈机制的玻璃钢化膜检测方法及系统 Download PDFInfo
- Publication number
- CN117309891B CN117309891B CN202311604802.9A CN202311604802A CN117309891B CN 117309891 B CN117309891 B CN 117309891B CN 202311604802 A CN202311604802 A CN 202311604802A CN 117309891 B CN117309891 B CN 117309891B
- Authority
- CN
- China
- Prior art keywords
- equipment
- preset
- sub
- glass tempering
- tempering film
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 164
- 238000005496 tempering Methods 0.000 title claims abstract description 154
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 230000008713 feedback mechanism Effects 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 151
- 238000004519 manufacturing process Methods 0.000 claims abstract description 60
- 230000007704 transition Effects 0.000 claims abstract description 58
- 230000033228 biological regulation Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011152 fibreglass Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920006255 plastic film Polymers 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及钢化膜检测技术领域，特别是一种基于智能反馈机制的玻璃钢化膜检测方法及系统，在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；根据修正后的数字矩阵对待检测玻璃钢化膜进行检测分析；若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上，利用先进的检测算法，实现对玻璃钢化膜的自动化、高效率和高精度检测。
Description
技术领域
本发明涉及钢化膜检测技术领域，特别是一种基于智能反馈机制的玻璃钢化膜检测方法及系统。
背景技术
在现代制造和工业领域，玻璃钢化膜广泛应用于各种产品，如液晶显示器、太阳能电池板等。然而，确保玻璃钢化膜的质量成为生产过程中的重要挑战之一。传统的机器视觉检测方法的自动性、精确性和适应性较差，通常需要经过复杂的算法对图像进行处理后才能进行有效检测，检测效率低下，并且智能化程度较低，无法根据玻璃钢化膜的异常区域位置对相应的子设备进行追踪监测，从而不能够及时、自动地对生产线中发生异常的子设备进行调控，缺乏自主反馈调节机制，往往容易出现大批量不合格品的情况，降低经济效益。
发明内容
本发明克服了现有技术的不足，提供了一种基于智能反馈机制的玻璃钢化膜检测方法及系统。
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基于智能反馈机制的玻璃钢化膜检测方法，包括以下步骤：
在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；
将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵；
根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果；
若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上。
进一步地，本发明的一个较佳实施例中，在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像，具体为：
在预设时间节点获取生产线中预设区域的区域图像信息，引入区域生长算法，并根据预设要求选择区域图像中一个或多个预设位置的种子点作为生长的起始点；
提前获取待检测玻璃钢化膜与背景之间色彩与像素点的区别特征，根据所述色彩与像素点的区别特征定义生长条件；
从种子点开始，检查其邻近的像素点是否满足生长条件；若满足，则将这个像素点添加到生长区域中，并将其作为新的种子点；重复这个过程，直到没有新的像素点可以添加到生长区域中；
直至对所有的种子点处理完毕，且没有新的像素点能够添加到生长区域中时，则停止迭代，并提取生长区域中的图像，输出只包含待检测玻璃钢化膜区域的矩形图像。
进一步地，本发明的一个较佳实施例中，将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵，具体为：
通过加权平均法将所述矩形图像的像素值转化为单一的灰度值，得到灰度化图像；将所述灰度化图像分割成若干个网格，在每个网格中进行采样，获取每个采样点的颜色值；
基于最优量化法将连续的颜色值转化为离散的颜色值，并根据离散的颜色值使得各个网格生成相应的数字，根据各个网格生成的数字构建数字矩阵；其中，数字矩阵中每个元素代表一个像素的灰度值或颜色值；
基于非负矩阵分解算法对所述数字矩阵进行，得到初始非负基向量和系数矩阵；通过交替最小化算法，迭代更新初始非负基向量和系数矩阵，并在更新过程中，对基向量和系数矩阵进行非负性约束，确保基向量和系数矩阵始终保持非负；更新完毕后，得到最终非负基向量和系数矩阵；
将最终非负基向量和系数矩阵相乘，得到重构矩阵，并对所述重构矩阵进行非负性约束处理，确保重构矩阵中的所有元素均为非负值，以满足非负矩阵分解的性质，得到最终重构矩阵；其中，最终重构矩阵即为修正后的数字矩阵，其中每个元素代表一个像素的灰度值或颜色值。
进一步地，本发明的一个较佳实施例中，根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果，具体为：
通过大数据网络获取不同类型玻璃钢化膜所对应的标准数字矩阵，构建知识图谱，并将不同类型玻璃钢化膜所对应的标准数字矩阵导入所述知识图谱中；
获取待检测玻璃钢化膜的类型信息，根据待检测玻璃钢化膜的类型信息生成检索标签，基于所述检索标签对所述知识图谱进行检索得到待检测玻璃钢化膜的标准数字矩阵；
分别计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵中所有元素的平均值以及标准差；根据所述平均值以及标准差计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间的皮尔逊相关系数；
根据所述皮尔逊相关系数确定出待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间重合度，并将所述重合度与预设重合度进行比较；
若所述重合度大于预设重合度，则将该玻璃钢化膜判定为合格品，并生成第一检测结果；若所述重合度不大于预设重合度，则将该玻璃钢化膜判定为不合格品，并生成第二检测结果。
进一步地，本发明的一个较佳实施例中，若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值，具体为：
若检测结果为第二检测结果，则构建虚拟空间，并将该玻璃钢化膜的修正后的数字矩阵与标准数字矩阵导入所述虚拟空间中进行对齐处理；
遍历两个矩阵的每个元素位置，逐个比较对应位置元素是否相等，若不相等，则将相应元素位置进行标记，得到该玻璃钢化膜的异常区域位置；
获取生产线中与所述异常区域位置具有生产关联关系的子设备，并获取所述子设备的实时运行参数；
构建马尔科夫模型，并提前对所述马尔科夫模型进行训练，得到训练好的马尔科夫模型，将所述子设备的实时运行参数导入所述训练好的马尔科夫模型中，得到所述子设备转移至预设状态的状态转移概率值。
进一步地，本发明的一个较佳实施例中，根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上，具体为：
若所述子设备转移至预设状态的状态转移概率值不大于预设阈值，则获取该子设备的预设运行参数，并将该子设备的预设运行参数与实时运行参数进行比较，得到运行参数偏差值；
若该子设备的运行参数偏差值大于预设偏差值，则说明该子设备的运行参数异常，则基于智能反馈设备将所述运行参数偏差值反馈至该子设备的控制终端上，使得该子设备的控制终端基于所述运行参数偏差值对其的实时运行参数进行调节；
若该子设备的运行参数偏差值不大于预设偏差值，则说明该子设备的运行参数正常，则生成预警信息，并基于所述预警信息持续对该子设备进行持续监测；
若所述子设备转移至预设状态的状态转移概率值大于预设阈值，则生成警报信息，并基于智能反馈设备将所述警报信息反馈至预设平台以及该子设备的控制终端上，使得该子设备的控制终端控制该子设备停止生产，以及知会检修人员对该子设备进行检修。
本发明第二方面公开了一种基于智能反馈机制的玻璃钢化膜检测系统，所述玻璃钢化膜检测系统包括存储器与处理器，所述存储器中存储有玻璃钢化膜检测方法程序，当所述玻璃钢化膜检测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生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；
将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵；
根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果；
若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上。
进一步地，本发明的一个较佳实施例中，在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像，具体为：
在预设时间节点获取生产线中预设区域的区域图像信息，引入区域生长算法，并根据预设要求选择区域图像中一个或多个预设位置的种子点作为生长的起始点；
提前获取待检测玻璃钢化膜与背景之间色彩与像素点的区别特征，根据所述色彩与像素点的区别特征定义生长条件；
从种子点开始，检查其邻近的像素点是否满足生长条件；若满足，则将这个像素点添加到生长区域中，并将其作为新的种子点；重复这个过程，直到没有新的像素点可以添加到生长区域中；
直至对所有的种子点处理完毕，且没有新的像素点能够添加到生长区域中时，则停止迭代，并提取生长区域中的图像，输出只包含待检测玻璃钢化膜区域的矩形图像。
进一步地，本发明的一个较佳实施例中，若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值，具体为：
若检测结果为第二检测结果，则构建虚拟空间，并将该玻璃钢化膜的修正后的数字矩阵与标准数字矩阵导入所述虚拟空间中进行对齐处理；
遍历两个矩阵的每个元素位置，逐个比较对应位置元素是否相等，若不相等，则将相应元素位置进行标记，得到该玻璃钢化膜的异常区域位置；
获取生产线中与所述异常区域位置具有生产关联关系的子设备，并获取所述子设备的实时运行参数；
构建马尔科夫模型，并提前对所述马尔科夫模型进行训练，得到训练好的马尔科夫模型，将所述子设备的实时运行参数导入所述训练好的马尔科夫模型中，得到所述子设备转移至预设状态的状态转移概率值。
进一步地，本发明的一个较佳实施例中，根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上，具体为：
若所述子设备转移至预设状态的状态转移概率值不大于预设阈值，则获取该子设备的预设运行参数，并将该子设备的预设运行参数与实时运行参数进行比较，得到运行参数偏差值；
若该子设备的运行参数偏差值大于预设偏差值，则说明该子设备的运行参数异常，则基于智能反馈设备将所述运行参数偏差值反馈至该子设备的控制终端上，使得该子设备的控制终端基于所述运行参数偏差值对其的实时运行参数进行调节；
若该子设备的运行参数偏差值不大于预设偏差值，则说明该子设备的运行参数正常，则生成预警信息，并基于所述预警信息持续对该子设备进行持续监测；
若所述子设备转移至预设状态的状态转移概率值大于预设阈值，则生成警报信息，并基于智能反馈设备将所述警报信息反馈至预设平台以及该子设备的控制终端上，使得该子设备的控制终端控制该子设备停止生产，以及知会检修人员对该子设备进行检修。
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：在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵；根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果；若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上。利用先进的检测算法，实现对玻璃钢化膜的自动化、高效率和高精度检测，并且能够根据检测结果对相应子设备进行智能调节，能够有效避免造成大批量不合格品情况，降低报废成本，提高经济效益。
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为一种基于智能反馈机制的玻璃钢化膜检测方法第一方法流程图；
图2为一种基于智能反馈机制的玻璃钢化膜检测方法第二方法流程图；
图3为一种基于智能反馈机制的玻璃钢化膜检测系统的系统框图。
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基于智能反馈机制的玻璃钢化膜检测方法，包括以下步骤：
S102：在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；
S104：将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵；
S106：根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果；
S108：若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上。
需要说明的是，利用先进的检测算法，实现对玻璃钢化膜的自动化、高效率和高精度检测，并且能够根据检测结果对相应子设备进行智能调节，能够有效避免造成大批量不合格品情况，降低报废成本，提高经济效益。
如图2所示，进一步地，本发明的一个较佳实施例中，在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像，具体为：
S202：在预设时间节点获取生产线中预设区域的区域图像信息，引入区域生长算法，并根据预设要求选择区域图像中一个或多个预设位置的种子点作为生长的起始点；
S204：提前获取待检测玻璃钢化膜与背景之间色彩与像素点的区别特征，根据所述色彩与像素点的区别特征定义生长条件；
S206：从种子点开始，检查其邻近的像素点是否满足生长条件；若满足，则将这个像素点添加到生长区域中，并将其作为新的种子点；重复这个过程，直到没有新的像素点可以添加到生长区域中；
S208：直至对所有的种子点处理完毕，且没有新的像素点能够添加到生长区域中时，则停止迭代，并提取生长区域中的图像，输出只包含待检测玻璃钢化膜区域的矩形图像。
需要说明的是，从种子点开始，通过将具有相似性质的相邻像素合并到同一区域，逐步生长形成分割区域，从而快速将通过摄像设备拍摄得到的检测区域中的背景区域与玻璃钢化膜区域进行分割。通过本方法能够有效地降低止噪声对分割结果的影响，提高分割图像质量，并且算法简单，能够有效提高检测效率，提高系统鲁棒性。
进一步地，本发明的一个较佳实施例中，将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵，具体为：
通过加权平均法将所述矩形图像的像素值转化为单一的灰度值，得到灰度化图像；将所述灰度化图像分割成若干个网格，在每个网格中进行采样，获取每个采样点的颜色值；
基于最优量化法将连续的颜色值转化为离散的颜色值，并根据离散的颜色值使得各个网格生成相应的数字，根据各个网格生成的数字构建数字矩阵；其中，数字矩阵中每个元素代表一个像素的灰度值或颜色值；
基于非负矩阵分解算法对所述数字矩阵进行，得到初始非负基向量和系数矩阵；通过交替最小化算法，迭代更新初始非负基向量和系数矩阵，并在更新过程中，对基向量和系数矩阵进行非负性约束，确保基向量和系数矩阵始终保持非负；更新完毕后，得到最终非负基向量和系数矩阵；
将最终非负基向量和系数矩阵相乘，得到重构矩阵，并对所述重构矩阵进行非负性约束处理，确保重构矩阵中的所有元素均为非负值，以满足非负矩阵分解的性质，得到最终重构矩阵；其中，最终重构矩阵即为修正后的数字矩阵，其中每个元素代表一个像素的灰度值或颜色值。
需要说明的是，通过将彩色图像转换为灰度图像，减少数据复杂性；对于每个像素，通过加权求和平均将RGB通道的值转换为单一的灰度值；对图像进行降采样，即减少图像的像素数量，通过采样降低图像的空间分辨率，减少数据量，将每隔一定的像素间隔选择一个像素，或者对图像进行平均池化；量化的目的是限制像素值的范围，以减少数据量，将像素值映射到有限的取值范围内；根据量化的结果，将图像中的每个像素的灰度值映射到数字矩阵中，这样，图像就被表示为一个数字矩阵，其中矩阵的每个元素对应于图像中相应位置的像素值。通过此方式从而快速将图像转化为数字矩阵，将图像转化为数字矩阵的目的是为了更方便地表示、存储和处理图像信息，从而能够有效降低后续检测运算难度，进而提高检测效率。
当获取得到数字矩阵后，进一步引入非负矩阵分解算法，从而对数字矩阵进行修正。通过对数字矩阵进行修正，能够选择适当的分解维度，去除数据中的噪声，提高数据的稳健性，同时，通过对非负矩阵的乘积进行逆变换，重建修正后的数字矩阵，从而减少噪声的影响，以更准确地反映数据的特性，如颜色特性，从而提高后续检测结果的可靠性。总体而言，通过对数字矩阵进行修正能够精准提取潜在的、有意义的特征，去除噪声，降低数据的维度，以便更好地理解和分析数据，提高检测精度。
进一步地，本发明的一个较佳实施例中，根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果，具体为：
通过大数据网络获取不同类型玻璃钢化膜所对应的标准数字矩阵，构建知识图谱，并将不同类型玻璃钢化膜所对应的标准数字矩阵导入所述知识图谱中；
获取待检测玻璃钢化膜的类型信息，根据待检测玻璃钢化膜的类型信息生成检索标签，基于所述检索标签对所述知识图谱进行检索得到待检测玻璃钢化膜的标准数字矩阵；
分别计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵中所有元素的平均值以及标准差；根据所述平均值以及标准差计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间的皮尔逊相关系数；
根据所述皮尔逊相关系数确定出待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间重合度，并将所述重合度与预设重合度进行比较；
若所述重合度大于预设重合度，则将该玻璃钢化膜判定为合格品，并生成第一检测结果；若所述重合度不大于预设重合度，则将该玻璃钢化膜判定为不合格品，并生成第二检测结果。
需要说明的是，不同类型玻璃钢化膜包括如不同用途的玻璃钢化膜、不同尺寸的玻璃钢化膜、不同生产工艺的玻璃钢化膜、不同工艺要求的玻璃钢化膜等。根据待检测玻璃钢化膜的类型信息确定出标准数字矩阵。皮尔逊相关系数是一种衡量两个变量之间线性关系强度和方向的统计量，皮尔逊相关系数的取值范围在-1到1之间，值越接近1表示两个矩阵之间的线性关系越强，值越接近-1表示两个矩阵之间的弱。若所述重合度大于预设重合度，说明将该玻璃钢化膜中各区域的颜色像素等要素均达标，不存在如污渍、色彩偏差等问题，则将该玻璃钢化膜判定为合格品，并生成第一检测结果。若所述重合度不大于预设重合度，说明将该玻璃钢化膜中存在要素不达标区域，如可能存在如污渍、色彩偏差等问题，则将该玻璃钢化膜判定为不合格品，并生成第二检测结果。通过本方法能够通过简单的算法快速判断出玻璃钢化膜是否达标，能够有效提高检测效率。
进一步地，本发明的一个较佳实施例中，若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值，具体为：
若检测结果为第二检测结果，则构建虚拟空间，并将该玻璃钢化膜的修正后的数字矩阵与标准数字矩阵导入所述虚拟空间中进行对齐处理；
遍历两个矩阵的每个元素位置，逐个比较对应位置元素是否相等，若不相等，则将相应元素位置进行标记，得到该玻璃钢化膜的异常区域位置；
获取生产线中与所述异常区域位置具有生产关联关系的子设备，并获取所述子设备的实时运行参数；
构建马尔科夫模型，并提前对所述马尔科夫模型进行训练，得到训练好的马尔科夫模型，将所述子设备的实时运行参数导入所述训练好的马尔科夫模型中，得到所述子设备转移至预设状态的状态转移概率值。
需要说明的是，若检测结果为第二检测结果，则需要通过遍历两个矩阵的每个元素位置，逐个比较对应位置元素是否相等，若不相等，则将相应元素位置进行标记，得到该玻璃钢化膜的异常区域位置。具有生产关联关系的子设备即使与玻璃钢化膜相应区域具有密切关联关系的设备，如玻璃钢化膜的边缘区域合格与否与切割子设备密切相关，玻璃钢化膜的顶面区域合格与否与涂布子设备、热处理子设备密切相关，若玻璃钢化膜的某一区域存在异常情况，则可以根据这一特性初步筛选出关联的子设备，然后再进一分析这些关联的子设备是否存在运行异常情况。具体而言，通过获取所述子设备的实时运行参数，并通过马尔科夫模型根据子设备的实时运行参数对该各子设备的转移至预设状态的状态转移概率值进行预测，所述预设状态即是故障状态，如涂布子设备的压力泵故障等。马尔科夫模型是一种描述随机过程的数学模型，其中状态之间的转移是基于马尔科夫性质，即未来的状态仅依赖于当前的状态，而不受过去状态的影响。子设备的运行参数包括温度、压力、振动等与设备运行状况相关的信息，通过建立一个马尔科夫链，其中系统的每个状态对应于设备可能的运行状态，状态之间的转移概率由当前状态和实时运行参数确定，利用实时监测到的运行参数，更新状态转移概率，根据当前状态和状态转移概率，预测设备在未来时间步骤内移至故障状态的概率。
进一步地，本发明的一个较佳实施例中，根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上，具体为：
若所述子设备转移至预设状态的状态转移概率值不大于预设阈值，则获取该子设备的预设运行参数，并将该子设备的预设运行参数与实时运行参数进行比较，得到运行参数偏差值；
若该子设备的运行参数偏差值大于预设偏差值，则说明该子设备的运行参数异常，则基于智能反馈设备将所述运行参数偏差值反馈至该子设备的控制终端上，使得该子设备的控制终端基于所述运行参数偏差值对其的实时运行参数进行调节；
若该子设备的运行参数偏差值不大于预设偏差值，则说明该子设备的运行参数正常，则生成预警信息，并基于所述预警信息持续对该子设备进行持续监测；
若所述子设备转移至预设状态的状态转移概率值大于预设阈值，则生成警报信息，并基于智能反馈设备将所述警报信息反馈至预设平台以及该子设备的控制终端上，使得该子设备的控制终端控制该子设备停止生产，以及知会检修人员对该子设备进行检修。
需要说明的是，若所述子设备转移至预设状态的状态转移概率值大于预设阈值，说明该子设备在未来短时间段内发生故障的概率极大，此时基于智能反馈设备立即将警报信息发送至该子设备的控制终端上，以及时停止生产，避免因发生故障而造成大批量不合格品的现象，同时将警报信息发送至预设平台上，以知会检修人员及时对该子设备进行检修，以快速恢复生产，确保产量；智能反馈设备包括无线信号传送设备、有线信号传送设备等。
若所述子设备转移至预设状态的状态转移概率值不大于预设阈值，说明该子设备在未来短时间段内发生故障的概率较低，此时需要进一步确定出造成该玻璃钢化膜不及格的原因。具体而言，若该子设备的运行参数偏差值大于预设偏差值，则说明该子设备的运行参数异常，则说明造成该玻璃钢化膜不及格的原因极有可能是子设备运行参数异常而引起的，此时则对其的实时运行参数进行调节，从而及时对运行参数异常的子设备进行调节，避免产生大批量不良品。反之，若该子设备的运行参数偏差值不大于预设偏差值，则说明该子设备的运行参数正常，则说明造成该玻璃钢化膜不及格的原因极有并不是子设备运行参数异常而引起的，属于偶然事件，此时则生成预警信息，并基于所述预警信息持续对该子设备进行持续监测。
此外，本方法还包括以下步骤：
获取在生产过程中异常玻璃钢化膜所对应的异常数字矩阵，并统计对不同情况异常玻璃钢化膜进行修复时对应的修复成功率；
将各异常玻璃钢化膜的异常数字矩阵与及其对应的修复成功率进行捆绑，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；并定时对特性数据库中的数据包进行更新；
获取当前检测结果为第二检测结果的玻璃钢化膜的修正后的数字矩阵，将当前检测结果为第二检测结果的玻璃钢化膜的修正后的数字矩阵导入所述特性数据库中，基于皮尔逊相关系数算法获取检测结果为第二检测结果的玻璃钢化膜的修正后的数字矩阵与数据库中各异常数字矩阵之间的相似度，得到多个相似度；
对多个所述相似度进行排序，得到排序结果，并在排序结果中提取出最大相似度，根据所述最大相似度在特性数据库中匹配出与检测结果为第二检测结果的玻璃钢化膜匹配度最高的异常玻璃钢化膜，并获取该异常玻璃钢化膜对应的修复成功率，将该异常玻璃钢化膜对应的修复成功率视为检测结果为第二检测结果的玻璃钢化膜的预测修复成功率；
若所述预测修复成功率大于预设成功率，则对该检测结果为第二检测结果的玻璃钢化膜进行修复处理；若所述预测修复成功率不大于预设成功率，则对该检测结果为第二检测结果的玻璃钢化膜进行报废处理。
需要说明的是，通过以上方法能够判断出能否对检测结果为不合格的钢化膜玻璃产品进行修复处理，以降低报废成本，同时能够有效提高产品的修复成功率。
此外，本方法还包括以下步骤：
基于待检测玻璃钢化膜区域的矩形图像构建待检测玻璃钢化膜的实际三维模型图，并将所述实际三维模型图与预设三维模型图进行比较，得到偏差模型图；
基于网格化法计算所述偏差模型图的模型体积值，并将所述模型体积值与预设体积值进行比较；
若所述模型体积值不大于预设体积值，则说明该玻璃钢化膜的尺寸参数合格；
若所述模型体积值大于预设体积值，则说明该玻璃钢化膜的尺寸参数不合格，则通过SURF算法获取所述偏差模型图的角点，并计算各角点之间的欧氏距离，根据各角点之间的欧氏距离生成若干个特征向量，并将所有特征向量汇集，得到特征向量合集；
对所述特征向量合集进行加权处理，得到偏差模型图的权向量；基于层次分析法对所述权向量进行评估，得到评估分数；
若所述评估分析大于预设评估分析，则将该玻璃钢化膜进行修复处理；若所述评估分析不大于预设评估分析，则将该玻璃钢化膜进行报废处理。
需要说明的是，若所述评估分析不大于预设评估分析，说明该玻璃钢化膜的尺寸偏差远大于标准值，对该玻璃钢化膜进行打磨修复所需的成本较高，此时直接将该玻璃钢化膜进行报废处理；反之，则说明玻璃钢化膜打磨修复的成本并不高，则可以对该玻璃钢化膜进行修复处理。通过本方法能够判断出能否对检测结果为不合格的钢化膜玻璃产品进行修复处理，以降低报废成本
如图3所示，本发明第二方面公开了一种基于智能反馈机制的玻璃钢化膜检测系统，所述玻璃钢化膜检测系统包括存储器20与处理器30，所述存储器20中存储有玻璃钢化膜检测方法程序，当所述玻璃钢化膜检测方法程序被所述处理器30执行时，实现如下步骤：
在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；
将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵；
根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果；
若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上。
进一步地，本发明的一个较佳实施例中，在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像，具体为：
在预设时间节点获取生产线中预设区域的区域图像信息，引入区域生长算法，并根据预设要求选择区域图像中一个或多个预设位置的种子点作为生长的起始点；
提前获取待检测玻璃钢化膜与背景之间色彩与像素点的区别特征，根据所述色彩与像素点的区别特征定义生长条件；
从种子点开始，检查其邻近的像素点是否满足生长条件；若满足，则将这个像素点添加到生长区域中，并将其作为新的种子点；重复这个过程，直到没有新的像素点可以添加到生长区域中；
直至对所有的种子点处理完毕，且没有新的像素点能够添加到生长区域中时，则停止迭代，并提取生长区域中的图像，输出只包含待检测玻璃钢化膜区域的矩形图像。
进一步地，本发明的一个较佳实施例中，若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值，具体为：
若检测结果为第二检测结果，则构建虚拟空间，并将该玻璃钢化膜的修正后的数字矩阵与标准数字矩阵导入所述虚拟空间中进行对齐处理；
遍历两个矩阵的每个元素位置，逐个比较对应位置元素是否相等，若不相等，则将相应元素位置进行标记，得到该玻璃钢化膜的异常区域位置；
获取生产线中与所述异常区域位置具有生产关联关系的子设备，并获取所述子设备的实时运行参数；
构建马尔科夫模型，并提前对所述马尔科夫模型进行训练，得到训练好的马尔科夫模型，将所述子设备的实时运行参数导入所述训练好的马尔科夫模型中，得到所述子设备转移至预设状态的状态转移概率值。
进一步地，本发明的一个较佳实施例中，根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上，具体为：
若所述子设备转移至预设状态的状态转移概率值不大于预设阈值，则获取该子设备的预设运行参数，并将该子设备的预设运行参数与实时运行参数进行比较，得到运行参数偏差值；
若该子设备的运行参数偏差值大于预设偏差值，则说明该子设备的运行参数异常，则基于智能反馈设备将所述运行参数偏差值反馈至该子设备的控制终端上，使得该子设备的控制终端基于所述运行参数偏差值对其的实时运行参数进行调节；
若该子设备的运行参数偏差值不大于预设偏差值，则说明该子设备的运行参数正常，则生成预警信息，并基于所述预警信息持续对该子设备进行持续监测；
若所述子设备转移至预设状态的状态转移概率值大于预设阈值，则生成警报信息，并基于智能反馈设备将所述警报信息反馈至预设平台以及该子设备的控制终端上，使得该子设备的控制终端控制该子设备停止生产，以及知会检修人员对该子设备进行检修。
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 (5)
1.一种基于智能反馈机制的玻璃钢化膜检测方法，其特征在于，包括以下步骤：
在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；
将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵；
根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果；
若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上；
其中，根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果，具体为：
通过大数据网络获取不同类型玻璃钢化膜所对应的标准数字矩阵，构建知识图谱，并将不同类型玻璃钢化膜所对应的标准数字矩阵导入所述知识图谱中；
获取待检测玻璃钢化膜的类型信息，根据待检测玻璃钢化膜的类型信息生成检索标签，基于所述检索标签对所述知识图谱进行检索得到待检测玻璃钢化膜的标准数字矩阵；
分别计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵中所有元素的平均值以及标准差；根据所述平均值以及标准差计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间的皮尔逊相关系数；
根据所述皮尔逊相关系数确定出待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间重合度，并将所述重合度与预设重合度进行比较；
若所述重合度大于预设重合度，则将该玻璃钢化膜判定为合格品，并生成第一检测结果；若所述重合度不大于预设重合度，则将该玻璃钢化膜判定为不合格品，并生成第二检测结果；
其中，若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值，具体为：
若检测结果为第二检测结果，则构建虚拟空间，并将该玻璃钢化膜的修正后的数字矩阵与标准数字矩阵导入所述虚拟空间中进行对齐处理；
遍历两个矩阵的每个元素位置，逐个比较对应位置元素是否相等，若不相等，则将相应元素位置进行标记，得到该玻璃钢化膜的异常区域位置；
获取生产线中与所述异常区域位置具有生产关联关系的子设备，并获取所述子设备的实时运行参数；
构建马尔科夫模型，并提前对所述马尔科夫模型进行训练，得到训练好的马尔科夫模型，将所述子设备的实时运行参数导入所述训练好的马尔科夫模型中，得到所述子设备转移至预设状态的状态转移概率值；
其中，根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上，具体为：
若所述子设备转移至预设状态的状态转移概率值不大于预设阈值，则获取该子设备的预设运行参数，并将该子设备的预设运行参数与实时运行参数进行比较，得到运行参数偏差值；
若该子设备的运行参数偏差值大于预设偏差值，则说明该子设备的运行参数异常，则基于智能反馈设备将所述运行参数偏差值反馈至该子设备的控制终端上，使得该子设备的控制终端基于所述运行参数偏差值对所述子设备的实时运行参数进行调节；
若该子设备的运行参数偏差值不大于预设偏差值，则说明该子设备的运行参数正常，则生成预警信息，并基于所述预警信息持续对该子设备进行持续监测；
若所述子设备转移至预设状态的状态转移概率值大于预设阈值，则生成警报信息，并基于智能反馈设备将所述警报信息反馈至预设平台以及该子设备的控制终端上，使得该子设备的控制终端控制该子设备停止生产，以及知会检修人员对该子设备进行检修。
2.根据权利要求1所述的一种基于智能反馈机制的玻璃钢化膜检测方法，其特征在于，在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像，具体为：
在预设时间节点获取生产线中预设区域的区域图像信息，引入区域生长算法，并根据预设要求选择区域图像中一个或多个预设位置的种子点作为生长的起始点；
提前获取待检测玻璃钢化膜与背景之间色彩与像素点的区别特征，根据所述色彩与像素点的区别特征定义生长条件；
从种子点开始，检查其邻近的像素点是否满足生长条件；若满足，则将这个像素点添加到生长区域中，并将其作为新的种子点；重复这个过程，直到没有新的像素点可以添加到生长区域中；
直至对所有的种子点处理完毕，且没有新的像素点能够添加到生长区域中时，则停止迭代，并提取生长区域中的图像，输出只包含待检测玻璃钢化膜区域的矩形图像。
3.根据权利要求1所述的一种基于智能反馈机制的玻璃钢化膜检测方法，其特征在于，将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵，具体为：
通过加权平均法将所述矩形图像的像素值转化为单一的灰度值，得到灰度化图像；将所述灰度化图像分割成若干个网格，在每个网格中进行采样，获取每个采样点的颜色值；
基于最优量化法将连续的颜色值转化为离散的颜色值，并根据离散的颜色值使得各个网格生成相应的数字，根据各个网格生成的数字构建数字矩阵；其中，数字矩阵中每个元素代表一个像素的灰度值或颜色值；
基于非负矩阵分解算法对所述数字矩阵进行分解处理，得到初始非负基向量和系数矩阵；通过交替最小化算法，迭代更新初始非负基向量和系数矩阵，并在更新过程中，对基向量和系数矩阵进行非负性约束，确保基向量和系数矩阵始终保持非负；更新完毕后，得到最终非负基向量和系数矩阵；
将最终非负基向量和系数矩阵相乘，得到重构矩阵，并对所述重构矩阵进行非负性约束处理，确保重构矩阵中的所有元素均为非负值，以满足非负矩阵分解的性质，得到最终重构矩阵；其中，最终重构矩阵即为修正后的数字矩阵，其中每个元素代表一个像素的灰度值或颜色值。
4.一种基于智能反馈机制的玻璃钢化膜检测系统，其特征在于，所述玻璃钢化膜检测系统包括存储器与处理器，所述存储器中存储有玻璃钢化膜检测方法程序，当所述玻璃钢化膜检测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生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像；
将所述矩形图像进行灰度化、采样、量化以及数字化处理，得到数字矩阵，并对所述数字矩阵进行修正处理，得到修正后的数字矩阵；
根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果；
若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值；根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上；
其中，根据所述修正后的数字矩阵对待检测玻璃钢化膜进行检测分析，得到第一检测结果或第二检测结果，具体为：
通过大数据网络获取不同类型玻璃钢化膜所对应的标准数字矩阵，构建知识图谱，并将不同类型玻璃钢化膜所对应的标准数字矩阵导入所述知识图谱中；
获取待检测玻璃钢化膜的类型信息，根据待检测玻璃钢化膜的类型信息生成检索标签，基于所述检索标签对所述知识图谱进行检索得到待检测玻璃钢化膜的标准数字矩阵；
分别计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵中所有元素的平均值以及标准差；根据所述平均值以及标准差计算待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间的皮尔逊相关系数；
根据所述皮尔逊相关系数确定出待检测玻璃钢化膜修正后的数字矩阵与标准数字矩阵之间重合度，并将所述重合度与预设重合度进行比较；
若所述重合度大于预设重合度，则将该玻璃钢化膜判定为合格品，并生成第一检测结果；若所述重合度不大于预设重合度，则将该玻璃钢化膜判定为不合格品，并生成第二检测结果；
其中，若检测结果为第二检测结果，则获取生产线中相应子设备转移至预设状态的状态转移概率值，具体为：
若检测结果为第二检测结果，则构建虚拟空间，并将该玻璃钢化膜的修正后的数字矩阵与标准数字矩阵导入所述虚拟空间中进行对齐处理；
遍历两个矩阵的每个元素位置，逐个比较对应位置元素是否相等，若不相等，则将相应元素位置进行标记，得到该玻璃钢化膜的异常区域位置；
获取生产线中与所述异常区域位置具有生产关联关系的子设备，并获取所述子设备的实时运行参数；
构建马尔科夫模型，并提前对所述马尔科夫模型进行训练，得到训练好的马尔科夫模型，将所述子设备的实时运行参数导入所述训练好的马尔科夫模型中，得到所述子设备转移至预设状态的状态转移概率值；
其中，根据相应子设备转移至预设状态的状态转移概率值生成相应的调控措施，并基于智能反馈设备将相应的调控措施反馈至预设终端上，具体为：
若所述子设备转移至预设状态的状态转移概率值不大于预设阈值，则获取该子设备的预设运行参数，并将该子设备的预设运行参数与实时运行参数进行比较，得到运行参数偏差值；
若该子设备的运行参数偏差值大于预设偏差值，则说明该子设备的运行参数异常，则基于智能反馈设备将所述运行参数偏差值反馈至该子设备的控制终端上，使得该子设备的控制终端基于所述运行参数偏差值对所述子设备的实时运行参数进行调节；
若该子设备的运行参数偏差值不大于预设偏差值，则说明该子设备的运行参数正常，则生成预警信息，并基于所述预警信息持续对该子设备进行持续监测；
若所述子设备转移至预设状态的状态转移概率值大于预设阈值，则生成警报信息，并基于智能反馈设备将所述警报信息反馈至预设平台以及该子设备的控制终端上，使得该子设备的控制终端控制该子设备停止生产，以及知会检修人员对该子设备进行检修。
5.根据权利要求4所述的一种基于智能反馈机制的玻璃钢化膜检测系统，其特征在于，在预设时间节点获取生产线中预设区域的区域图像信息，对所述区域图像信息进行预处理，得到只包含待检测玻璃钢化膜区域的矩形图像，具体为：
在预设时间节点获取生产线中预设区域的区域图像信息，引入区域生长算法，并根据预设要求选择区域图像中一个或多个预设位置的种子点作为生长的起始点；
提前获取待检测玻璃钢化膜与背景之间色彩与像素点的区别特征，根据所述色彩与像素点的区别特征定义生长条件；
从种子点开始，检查其邻近的像素点是否满足生长条件；若满足，则将这个像素点添加到生长区域中，并将其作为新的种子点；重复这个过程，直到没有新的像素点可以添加到生长区域中；
直至对所有的种子点处理完毕，且没有新的像素点能够添加到生长区域中时，则停止迭代，并提取生长区域中的图像，输出只包含待检测玻璃钢化膜区域的矩形图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604802.9A CN117309891B (zh) | 2023-11-29 | 2023-11-29 | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604802.9A CN117309891B (zh) | 2023-11-29 | 2023-11-29 | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117309891A CN117309891A (zh) | 2023-12-29 |
| CN117309891B true CN117309891B (zh) | 2024-02-06 |
Family
ID=89281484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311604802.9A Active CN117309891B (zh) | 2023-11-29 | 2023-11-29 | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117309891B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108362707A (zh) * | 2018-02-27 | 2018-08-03 | 永德利硅橡胶科技(深圳)有限公司 | 手机钢化弧面膜的检验方法及设备 |
| CN110187990A (zh) * | 2019-05-31 | 2019-08-30 | 东北大学 | 一种基于模式转移的虚拟机混合备用动态可靠性评估方法 |
| CN113418679A (zh) * | 2021-06-18 | 2021-09-21 | 深圳市唛壳科技有限公司 | 一种手机屏幕用钢化玻璃膜质量检测设备 |
| CN116429784A (zh) * | 2023-03-31 | 2023-07-14 | 深圳市辰卓科技有限公司 | 一种钢化膜缺陷检测设备 |
| WO2023137212A1 (en) * | 2022-01-16 | 2023-07-20 | Board Of Regents, The University Of Texas System | Anomaly detection in manufacturing processes using hidden markov model-based segmentation error correction of time-series sensor data |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8131107B2 (en) * | 2008-05-12 | 2012-03-06 | General Electric Company | Method and system for identifying defects in NDT image data |
-
2023
- 2023-11-29 CN CN202311604802.9A patent/CN117309891B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108362707A (zh) * | 2018-02-27 | 2018-08-03 | 永德利硅橡胶科技(深圳)有限公司 | 手机钢化弧面膜的检验方法及设备 |
| CN110187990A (zh) * | 2019-05-31 | 2019-08-30 | 东北大学 | 一种基于模式转移的虚拟机混合备用动态可靠性评估方法 |
| CN113418679A (zh) * | 2021-06-18 | 2021-09-21 | 深圳市唛壳科技有限公司 | 一种手机屏幕用钢化玻璃膜质量检测设备 |
| WO2023137212A1 (en) * | 2022-01-16 | 2023-07-20 | Board Of Regents, The University Of Texas System | Anomaly detection in manufacturing processes using hidden markov model-based segmentation error correction of time-series sensor data |
| CN116429784A (zh) * | 2023-03-31 | 2023-07-14 | 深圳市辰卓科技有限公司 | 一种钢化膜缺陷检测设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117309891A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3822905A1 (en) | Method and device for predicting thermal load of electrical system | |
| US7275018B2 (en) | Method of condition monitoring | |
| 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 | |
| CN113344133B (zh) | 一种时序行为异常波动检测方法及系统 | |
| CN116362630B (zh) | 基于物联网的锡膏印刷机管理方法、系统及介质 | |
| CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、系统及介质 | |
| CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN117309891B (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 | |
| CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN116433653A (zh) | 一种基于机器视觉的产品生产管理方法及系统 | |
| CN111198979A (zh) | 一种用于对输变电可靠性评估大数据进行清洗的方法及系统 | |
| CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
| CN117726322A (zh) | 一种探头测试设备智能管理方法及系统 | |
| CN112115876A (zh) | 一种基于3d卷积神经网络的水溶法实验过程识别方法 | |
| CN117734332B (zh) | 一种模内标签加工设备智能控制方法及系统 | |
| 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 | |
| CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检系统及方法 | |
| CN117372433B (zh) | 厚度参数的控制方法、装置、设备及存储介质 | |
| CN117740811B (zh) | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 | |
| CN117358615B (zh) | 一种自动喷码印刷缺陷检测方法及系统 | |
| CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
| CN117790086A (zh) | 一种双米标电线电缆切割计量标识的方法 | |
| CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
| CN117711295A (zh) | 基于人工智能的显示模组控制方法、装置、芯片及介质 |
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 |