CN117472015A - 一种基于机器视觉的工业加工控制方法 - Google Patents
一种基于机器视觉的工业加工控制方法 Download PDFInfo
- Publication number
- CN117472015A CN117472015A CN202311823882.7A CN202311823882A CN117472015A CN 117472015 A CN117472015 A CN 117472015A CN 202311823882 A CN202311823882 A CN 202311823882A CN 117472015 A CN117472015 A CN 117472015A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- information
- image
- efficiency
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012994 industrial processing Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 129
- 238000004519 manufacturing process Methods 0.000 claims abstract description 75
- 230000005540 biological transmission Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000009776 industrial production Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器视觉的工业加工控制方法,本发明涉及工业加工领域,包括加工控制平台,通过加工控制平台录入相关企业内的生产设备的信息并标记;采集对应生产设备对应产品传送装置的运行速度、图像数据和对应产品的位置信息;将所采集的图像信息进行降噪处理,获取对应的滤波图像,提取其中的产品信息;根据所录入的信息对卷积神经网络进行训练,将产品信息输入至完成训练的卷积神经网络中获得其综合匹配数据,设置分类区间,根据综合匹配数据所属分类区间判断其分类结果;根据分类结果和位置信息设置传输路径,并获取其处理效率,根据所获得效率数据对产品传输装置的运行速度进行调节;本发明避免了产品生产过程中产品堆积的问题。
Description
技术领域
本发明涉及工业加工领域,具体是一种基于机器视觉的工业加工控制方法。
背景技术
机器视觉利用光学传感器从环境中获取图像信息,并利用计算机模拟人的视觉功能对图像信息进行处理和理解,最终应用于工农业自动化生产的测量、检测和控制环节;机器视觉技术是工业互联网上非常重要的环节,目前机器视觉主要应用于物料抓取、摆放等工业生产的场景中,从而提高了生产效率;
CN115065708A“基于机器视觉检测的工业物联网及控制方法”通过设置传感网络总平台和传感网络分平台对工艺步骤的图像信息进行处理,获取不同工艺步骤对应的图像信息的差异,从而获取不同工艺步骤的加工情况,从而实现在不增加系统复杂度的情况下实现更精准的生产线参数调整,有效降低了工业物联网的开发成本;
CN115903704A“智能工业产品加工控制方法、系统、介质、设备及应用”通过设置多个不同的加工工序,适用于多规格产品的同步生产,利用变量参数直接控制参数化实体以及直接或间接控制加工程序,从而达到减少冗余工作,提高加工效率的效果;通过机器视觉对产品的外观质量进行检测,从而提高了工业生产的检测效率和标准;
综上所述,大部分工业生产过程中通过设置不同的参数对相关的物料在对应的步骤处对其过程进行管理,从而降低生产成本或提高生产效率;然而,由于工业生产过程中由于产品质量的不同,设备的传输速度不能根据其数据处理的速度进行实时调节的,导致产品堆积等问题;因此,如何根据机器视觉对相关产品生产过程中的效率进行调节,是我们需要解决的问题,为此,现提供一种基于机器视觉的工业加工控制方法。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于机器视觉的工业加工控制方法。
本发明的目的可以通过以下技术方案实现:一种基于机器视觉的工业加工控制方法,包括以下步骤:
步骤S1:设置加工控制平台,通过加工控制平台对企业内的生产设备进行录入并标记,根据标记结果对生产设备设置对应的数据采集装置、产品数据库、数据处理模块和智能控制模块;
步骤S2:将数据采集装置采集对应生产设备对应产品传送装置的运行速度、图像数据和对应产品的位置信息,将其发送至数据处理模块;
步骤S3:通过数据处理模块将所获得的图像数据进行降噪处理,完成降噪处理后将数据采集装置采集过程中的重叠区域进行图像融合,获取对应的滤波图像和融合图像,通过鉴别函数提取其中所包含的产品信息;
步骤S4:将产品数据库中所储存的产品数据设置为训练集和验证集,根据产品数据中的数据类型分别将输入至产品分类模型和卷积神经网络中进行训练,完成训练后获取所提取的产品信息对应数据类型的匹配度,根据综合匹配数据获取对应产品的分类结果;
步骤S5:通过智能控制模块根据对应产品的分类结果和其位置信息设置对应的传输路径,并获取对应类型产品数量和处理效率;根据所获得的效率数据对产品传送装置的运行速度进行调节。
进一步的,所述设置加工控制平台,通过加工控制平台对企业内的生产设备进行录入并标记,根据标记结果对生产设备设置对应的数据采集装置、产品数据库、数据处理模块和智能控制模块的过程包括:
设置加工控制平台,由企业内工作人员对企业内的生产设备依次进行录入,并在录入过程中设置对应生产设备的标号,将所录入的对应的产品信息储存至对应标号的产品数据库中进行储存,根据其生产需要设置产品传送装置,所述产品传送装置用于连接对应的生产设备,且在产品传输装置对应位置处安装有数据采集装置采集相关的数据信息;
所述加工控制平台中设置有数据处理模块和智能控制模块,所述数据处理模块与各个标号对应的生产设备相互对应,获取所采集的数据信息进行分析处理;所述智能控制模块用于根据所分析的结果对产品进行传输。
进一步的,所述将数据采集装置采集对应生产设备对应产品传送装置的运行速度、图像数据和对应产品的位置信息,将其发送至数据处理模块的过程包括:
所述数据采集装置包括速度采集装置、图像采集装置和实时监测装置,所述速度采集装置用于采集对应产品传送装置的运行速度,将对应标号生产设备对应产品传送装置所获得的运行速度上传至加工控制平台;所述实时监测装置用于实时监测产品传送装置上对应的产品数据的位置信息;
所述图像采集装置安装在对应标号的产品传送装置的对应位置处,其中设置有图像采集区域,所述加工控制平台根据对应产品传送装置的运行速度设置对应标号图像采集装置的图像采集周期,所述图像采集装置根据所设置的图像采集周期采集对应图像采集区域内的图像数据,将对应标号产品传送装置处所采集的图像数据上传至数据处理模块。
进一步的,所述通过数据处理模块将所获得的图像数据进行降噪处理,完成降噪处理后将数据采集装置采集过程中的重叠区域进行图像融合,获取对应的滤波图像和融合图像,通过鉴别函数提取其中所包含的产品信息的过程包括:
所述加工控制平台获取对应图像数据的标号,根据所获得的标号将所获得的图像数据依次发送至对应标号的数据处理模块中,所述数据处理模块获取对应标号的图像数据,根据对应图像数据所获得的时间依次对其进行排序并编号,将所获得的图像数据输入至高斯滤波器,对其进行降噪处理,获得对应编号的滤波图像,将所获得的滤波图像分别进行图像融合;
将相邻编号的滤波图像根据几何运动模型获取滤波图像之间的联系,将对应的滤波图像转换到统一的坐标系内,通过SIFT算法提取滤波图像的局部特征,实现图像配准,获取滤波图像的重叠区域,通过加权平均融合法将相邻滤波图像重叠区域的像素灰度值进行加权计算,对其进行叠加计算获得平均值,从而得到对应的融合图像;
将所获得的滤波图像和融合图像通过滑动窗口的过程输入至鉴别函数中,通过鉴别函数提取其中所包含的产品信息,并对所提取的各个产品信息进行编号,获取对应的产品信息。
进一步的,所述将产品数据库中所储存的产品数据设置为训练集和验证集,根据产品数据中的数据类型分别将输入至产品分类模型和卷积神经网络中进行训练的过程包括:
所述加工控制平台中设置对应标号生产设备对应的产品数据库;所述产品数据库中包括对应的生产设备所生产产品的数据信息,所述数据信息中包括形状信息、尺寸信息、色泽信息和特征信息;
根据产品数据库中的形状信息和尺寸信息以及色泽信息和特征信息分别设置对应产品的训练集和验证集,通过将形状信息和尺寸信息对应的训练集对产品分类模型进行训练,通过将色泽信息和特征信息对应的训练集卷积神经网络进行训练,对经过训练的产品分类模型和卷积神经网络通过对应的验证集对其进行验证,获取对应的验证结果,将对应的验证集和所输出的验证结果进行对比,获取验证误差,设置误差阈值,当验证误差小于误差阈值时,则完成训练,设置时间间隔周期,达到时间间隔周期后对产品分类模型和卷积神经网络进行更新训练,并将完成训练的产品分类模型和卷积神经网络储存在对应标号的数据处理模块中。
进一步的,所述完成训练后获取所提取的产品信息对应数据类型的匹配度,根据综合匹配数据获取对应产品的分类结果的过程包括:
将产品信息分别输入至产品分类模型和卷积神经网络中,获取对应的验证结果,所述验证结果中包括形状信息、尺寸信息、色泽信息和特征信息对产品数据库中对应的产品信息的匹配度;所述数据处理模块中设置有对应产品形状信息、尺寸信息、色泽信息和特征信息对应的匹配系数,将对应产品数据的匹配度与匹配系数相乘,将所获得的各个乘积相加,获得对应的编号产品的综合匹配数据,设置产品分类区间,根据综合匹配数据所属产品分类区间将产品分为标准产品、异常产品和严重异常产品,根据其分类结果对相应的编号进行关联。
进一步的,所述通过智能控制模块根据对应产品的分类结果和其位置信息设置对应的传输路径,并获取对应类型产品数量和处理效率的过程包括:
所述加工控制平台中根据对应标号的生产设备设置有对应的智能控制模块,所述智能控制模块与数据处理模块相互关联,获取对应产品的分类结果;所述产品传送装置中根据对应产品的分类结果设置有子传送装置,获取其分类结果,根据分类结果设置对应编号产品的传输路径;所述智能控制模块获取各个传输路径和其产品所在位置信息,根据传输路径中对应子传输装置的位置信息与其产品所在位置信息设置对应编号的传送优先级,两者距离越短传送优先级越高,根据传送优先级通过产品提取装置依次对产品提取至对应的子传送装置上,并对产品提取装置的运行速度进行监测;
所述智能控制模块获取实时监测装置所监测到的累积编号的总数量、数据处理模块完成处理的分类产品数量以及待传送数量,设置处理时间监测周期,获取处理时间监测周期内的生产效率、处理效率和传送效率。
进一步的,所述根据所获得的效率数据对产品传送装置的运行速度进行调节的过程包括:
所述智能控制模块获取处理效率分别与生产效率和传送效率之间的关系,当处理效率大于生产效率时,则提高产品传送装置的运行速度,直至两者相等,当处理效率小于生产效率时,则减慢产品传送装置的运行速度,直至两者相等;当处理效率大于传送效率时,则提高产品提取装置的运行速度,当处理效率小于传送效率时,则降低产品提取装置的运行速度,直至两者相等。
与现有技术相比,本发明的有益效果是:
1、根据产品传送装置的运行速度设置图像采集装置的时间采集周期,增加的数据采集装置采集过程中的灵活性,且在其运行速度上减少一定的时间,避免所采集的图像数据中存在产品信息采集不完整;
2、通过对所获取的图像数据进行滤波处理,对完成滤波处理后的图像数据,提取其中的产品信息,增强了产品信息的准确性,通过卷积神经网络对产品信息进行处理,获取产品的分类记过,提高了生产效率;
3、根据产品传送装置上的各个类型的产品的数量,获取对应效率,根据所获得的效率调节产品传送装置的运行效率,使得各个效率均相等,避免产品生产过程中的产品堆积或不足情况的发生。
附图说明
图1 为本发明的流程图。
具体实施方式
如图1所示,一种基于机器视觉的工业加工控制方法,包括以下步骤:
步骤S1:设置加工控制平台,通过加工控制平台对企业内的生产设备进行录入并标记,根据标记结果对生产设备设置对应的数据采集装置、产品数据库、数据处理模块和智能控制模块;
步骤S2:将数据采集装置采集对应生产设备对应产品传送装置的运行速度、图像数据和对应产品的位置信息,将其发送至数据处理模块;
步骤S3:通过数据处理模块将所获得的图像数据进行降噪处理,完成降噪处理后将数据采集装置采集过程中的重叠区域进行图像融合,获取对应的滤波图像和融合图像,通过鉴别函数提取其中所包含的产品信息;
步骤S4:将产品数据库中所储存的产品数据设置为训练集和验证集,根据产品数据中的数据类型分别将输入至产品分类模型和卷积神经网络中进行训练,完成训练后获取所提取的产品信息对应数据类型的匹配度,根据综合匹配数据获取对应产品的分类结果;
步骤S5:通过智能控制模块根据对应产品的分类结果和其位置信息设置对应的传输路径,并获取对应类型产品数量和处理效率;根据所获得的效率数据对产品传送装置的运行速度进行调节。
需要进一步说明的是,在具体实施过程中,所述设置加工控制平台,通过加工控制平台对企业内的生产设备进行录入并标记,根据标记结果对生产设备设置对应的数据采集装置、产品数据库、数据处理模块和智能控制模块的过程包括:
设置加工控制平台,由企业内工作人员对企业内的生产设备依次进行录入,并在录入过程中设置对应生产设备的标号,将所录入的对应的产品信息储存至对应标号的产品数据库中进行储存,根据其生产需要设置产品传送装置,所述产品传送装置用于连接对应的生产设备,且在产品传输装置对应位置处安装有数据采集装置采集相关的数据信息;
所述加工控制平台中设置有数据处理模块和智能控制模块,所述数据处理模块与各个标号对应的生产设备相互对应,获取所采集的数据信息进行分析处理;所述智能控制模块用于根据所分析的结果对产品进行传输。
需要进一步说明的是,在具体实施过程中,所述数据采集装置采集相关的数据信息,并将数据信息发送至加工控制平台的过程包括:
所述数据采集装置包括速度采集装置和图像采集装置,所述速度采集装置用于采集对应产品传送装置的运行速度,将所获得的运行速度上传至加工控制平台;
所述图像采集装置安装在对应标号的产品传送装置的对应位置处,其中设置有图像采集区域,所述加工控制平台根据对应产品传送装置的运行速度设置对应标号图像采集装置的图像采集周期,所述图像采集装置根据所设置的图像采集周期采集对应图像采集区域内的图像数据,将所采集的图像数据上传至加工控制平台。
此外需要进一步说明的是,所述图像采集区域固定不变,其与对应的产品传送装置向对应,获取图像采集区域眼产品传送装置传送产品方向的长度,将其记为CD;获取产品传送装置的运行速度,并将其记为V;所述加工控制平台中设置有对应的生产设备的所加工的产品的长度,并将其记为PC;设置采集装置误差值,并将其记为WC;将所述图像采集周期记为CT;所述图像采集周期设置的过程通过以下方式实现:
;
当成立时,则该图像采集装置对应设置的图像采集周期不存在异常;
当 不成立时,则该给图像采集装置对应设置的图像采集周期可能存在异常;发送运行速度至加工控制平台,由加工控制平台对相关的数据采集装置进行维修检查;图像采集周期对应的时间较少,能够避免图像采集过程中存在数据信息的遗漏。
需要进一步说明的是,在具体实施过程中,所述将数据采集装置采集对应生产设备对应产品传送装置的运行速度、图像数据和对应产品的位置信息,将其发送至数据处理模块的过程包括:
所述数据采集装置包括速度采集装置、图像采集装置和实时监测装置,所述速度采集装置用于采集对应产品传送装置的运行速度,将对应标号生产设备对应产品传送装置所获得的运行速度上传至加工控制平台;所述实时监测装置用于实时监测产品传送装置上对应的产品数据的位置信息;
所述图像采集装置安装在对应标号的产品传送装置的对应位置处,其中设置有图像采集区域,所述加工控制平台根据对应产品传送装置的运行速度设置对应标号图像采集装置的图像采集周期,所述图像采集装置根据所设置的图像采集周期采集对应图像采集区域内的图像数据,将对应标号产品传送装置处所采集的图像数据上传至数据处理模块。
所述加工控制平台获取对应图像数据的标号,根据所获得的标号将所获得的图像数据依次发送至对应标号的数据处理模块中,所述数据处理模块获取对应标号的图像数据,根据对应图像数据所获得的时间依次对其进行排序并编号,将所获得的图像数据输入至高斯滤波器,对其进行降噪处理,获得对应编号的滤波图像,将所获得的滤波图像分别进行图像融合;
需要进一步说明的是,对所获得的图像数据进行滤波处理的过程为,将图像数据对应像素点的值由目标像素灰度值和邻边像素灰度值经过加权平均得到,从而实现对应图像数据的降噪处理,在此方案中,采用二维高斯滤波函数来作为平滑滤波器,二维高斯滤波的基本计算方式为:
;其中表示方差,它决定了高斯函数的宽度;
将相邻编号的滤波图像根据几何运动模型获取滤波图像之间的联系,将对应的滤波图像转换到统一的坐标系内,通过SIFT算法提取滤波图像的局部特征,实现图像配准,获取滤波图像的重叠区域,通过加权平均融合法将相邻滤波图像重叠区域的像素灰度值进行加权计算,对其进行叠加计算获得平均值,从而得到对应的融合图像;
需要进一步说明的是,在具体实施过程中,将待融合的两幅图像分别记为和;将融合后的图像记为;则
;
其中,表示参考图像中没有和待配准图像重叠的区域;表示待匹配图像中没
有和参考图像重叠的区域;表示两幅图像重叠的区域;和则分别代表两幅图像在它
们重叠部分所对应像素的权值,并且+=1,0<<1,0<<1;其中参考区域为对应的
滤波图像统一转换的坐标内的参考图像;
将所获得的滤波图像和融合图像通过滑动窗口的过程输入至鉴别函数中,通过鉴别函数提取其中所包含的产品信息,并对所提取的各个产品信息进行编号,获取对应的产品信息。
需要进一步说明的是,在具体实施过程中,所述将产品数据库中所储存的产品数据设置为训练集和验证集,根据产品数据中的数据类型分别将输入至产品分类模型和卷积神经网络中进行训练的过程包括:
所述加工控制平台中设置对应标号生产设备对应的产品数据库;所述产品数据库中包括对应的生产设备所生产产品的数据信息,所述数据信息中包括形状信息、尺寸信息、色泽信息和特征信息;
根据产品数据库中的形状信息和尺寸信息以及色泽信息和特征信息分别设置对应产品的训练集和验证集,通过将形状信息和尺寸信息对应的训练集对产品分类模型进行训练,通过将色泽信息和特征信息对应的训练集卷积神经网络进行训练,对经过训练的产品分类模型和卷积神经网络通过对应的验证集对其进行验证,获取对应的验证结果,将对应的验证集和所输出的验证结果进行对比,获取验证误差,设置误差阈值,当验证误差小于误差阈值时,则完成训练,设置时间间隔周期,达到时间间隔周期后对产品分类模型和卷积神经网络进行更新训练,并将完成训练的产品分类模型和卷积神经网络储存在对应标号的数据处理模块中。
需要进一步说明的是,在具体实施过程中,所述完成训练后获取所提取的产品信息对应数据类型的匹配度,根据综合匹配数据获取对应产品的分类结果的过程包括:
将产品信息分别输入至产品分类模型和卷积神经网络中,获取对应的验证结果,所述验证结果中包括形状信息、尺寸信息、色泽信息和特征信息对产品数据库中对应的产品信息的匹配度;所述数据处理模块中设置有对应产品形状信息、尺寸信息、色泽信息和特征信息对应的匹配系数,将对应产品数据的匹配度与匹配系数相乘,将所获得的各个乘积相加,获得对应的编号产品的综合匹配数据,设置产品分类区间,根据综合匹配数据所属产品分类区间将产品分为标准产品、异常产品和严重异常产品,根据其分类结果对相应的编号进行关联;
此外,将对应的生产设备设置标准产品、异常产品和严重异常产品进行分类,将其进行区分,避免将存在异常的产品继续进行下一个步骤,导致资源浪费。
需要进一步说明的是,在具体实施过程中,所述通过智能控制模块根据对应产品的分类结果和其位置信息设置对应的传输路径,并获取对应类型产品数量和处理效率的过程包括:
所述加工控制平台中根据对应标号的生产设备设置有对应的智能控制模块,所述智能控制模块与数据处理模块相互关联,获取对应产品的分类结果;所述产品传送装置中根据对应产品的分类结果设置有子传送装置,获取其分类结果,根据分类结果设置对应编号产品的传输路径;所述智能控制模块获取各个传输路径和其产品所在位置信息,根据传输路径中对应子传输装置的位置信息与其产品所在位置信息设置对应编号的传送优先级,两者距离越短传送优先级越高,根据传送优先级通过产品提取装置依次对产品提取至对应的子传送装置上,并对产品提取装置的运行速度进行监测;
所述智能控制模块获取实时监测装置所监测到的累积编号的总数量、数据处理模块完成处理的分类产品数量以及待传送数量,设置处理时间监测周期,获取处理时间监测周期内的生产效率、处理效率和传送效率。
需要进一步说明的是,在具体实施过程中,所述根据所获得的效率数据对产品传送装置的运行速度进行调节的过程包括:
所述智能控制模块获取处理效率分别与生产效率和传送效率之间的关系,当处理效率大于生产效率时,则提高产品传送装置的运行速度,直至两者相等,当处理效率小于生产效率时,则减慢产品传送装置的运行速度,直至两者相等;当处理效率大于传送效率时,则提高产品提取装置的运行速度,当处理效率小于传送效率时,则降低产品提取装置的运行速度,直至两者相等。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于机器视觉的工业加工控制方法,其特征在于,包括以下步骤:
步骤S1:设置加工控制平台,通过加工控制平台对企业内的生产设备进行录入并标记,根据标记结果对生产设备设置对应的数据采集装置、产品数据库、数据处理模块和智能控制模块;
步骤S2:将数据采集装置采集对应生产设备对应产品传送装置的运行速度、图像数据和对应产品的位置信息,将其发送至数据处理模块;
步骤S3:通过数据处理模块将所获得的图像数据进行降噪处理,完成降噪处理后将数据采集装置采集过程中的重叠区域进行图像融合,获取对应的滤波图像和融合图像,通过鉴别函数提取其中所包含的产品信息;
步骤S4:将产品数据库中所储存的产品数据设置为训练集和验证集,根据产品数据中的数据类型分别将输入至产品分类模型和卷积神经网络中进行训练,完成训练后获取所提取的产品信息对应数据类型的匹配度,根据综合匹配数据获取对应产品的分类结果;
步骤S5:通过智能控制模块根据对应产品的分类结果和其位置信息设置对应的传输路径,并获取对应类型产品数量和处理效率;根据所获得的效率数据对产品传送装置的运行速度进行调节。
2.根据权利要求1所述的一种基于机器视觉的工业加工控制方法,其特征在于,所述设置加工控制平台,通过加工控制平台对企业内的生产设备进行录入并标记,根据标记结果对生产设备设置对应的数据采集装置、产品数据库、数据处理模块和智能控制模块的过程包括:
设置加工控制平台,由企业内工作人员对企业内的生产设备依次进行录入,并在录入过程中设置对应生产设备的标号,将所录入的对应的产品信息储存至对应标号的产品数据库中进行储存,根据其生产需要设置产品传送装置,所述产品传送装置用于连接对应的生产设备,且在产品传输装置对应位置处安装有数据采集装置采集相关的数据信息;
所述加工控制平台中设置有数据处理模块和智能控制模块,所述数据处理模块与各个标号对应的生产设备相互对应,获取所采集的数据信息进行分析处理;所述智能控制模块用于根据所分析的结果对产品进行传输。
3.根据权利要求2所述的一种基于机器视觉的工业加工控制方法,其特征在于,所述将数据采集装置采集对应生产设备对应产品传送装置的运行速度、图像数据和对应产品的位置信息,将其发送至数据处理模块的过程包括:
所述数据采集装置包括速度采集装置、图像采集装置和实时监测装置,所述速度采集装置用于采集对应产品传送装置的运行速度,将对应标号生产设备对应产品传送装置所获得的运行速度上传至加工控制平台;所述实时监测装置用于实时监测产品传送装置上对应的产品数据的位置信息;
所述图像采集装置安装在对应标号的产品传送装置的对应位置处,其中设置有图像采集区域,所述加工控制平台根据对应产品传送装置的运行速度设置对应标号图像采集装置的图像采集周期,所述图像采集装置根据所设置的图像采集周期采集对应图像采集区域内的图像数据,将对应标号产品传送装置处所采集的图像数据上传至数据处理模块。
4.根据权利要求3所述的一种基于机器视觉的工业加工控制方法,其特征在于,所述通过数据处理模块将所获得的图像数据进行降噪处理,完成降噪处理后将数据采集装置采集过程中的重叠区域进行图像融合,获取对应的滤波图像和融合图像,通过鉴别函数提取其中所包含的产品信息的过程包括:
所述加工控制平台获取对应图像数据的标号,根据所获得的标号将所获得的图像数据依次发送至对应标号的数据处理模块中,所述数据处理模块获取对应标号的图像数据,根据对应图像数据所获得的时间依次对其进行排序并编号,将所获得的图像数据输入至高斯滤波器,对其进行降噪处理,获得对应编号的滤波图像,将所获得的滤波图像分别进行图像融合;
将相邻编号的滤波图像根据几何运动模型获取滤波图像之间的联系,将对应的滤波图像转换到统一的坐标系内,通过SIFT算法提取滤波图像的局部特征,实现图像配准,获取滤波图像的重叠区域,通过加权平均融合法将相邻滤波图像重叠区域的像素灰度值进行加权计算,对其进行叠加计算获得平均值,从而得到对应的融合图像;
将所获得的滤波图像和融合图像通过滑动窗口的过程输入至鉴别函数中,通过鉴别函数提取其中所包含的产品信息,并对所提取的各个产品信息进行编号,获取对应的产品信息。
5.根据权利要求4所述的一种基于机器视觉的工业加工控制方法,其特征在于,所述将产品数据库中所储存的产品数据设置为训练集和验证集,根据产品数据中的数据类型分别将输入至产品分类模型和卷积神经网络中进行训练的过程包括:
所述加工控制平台中设置对应标号生产设备对应的产品数据库;所述产品数据库中包括对应的生产设备所生产产品的数据信息,所述数据信息中包括形状信息、尺寸信息、色泽信息和特征信息;
根据产品数据库中的形状信息和尺寸信息以及色泽信息和特征信息分别设置对应产品的训练集和验证集,通过将形状信息和尺寸信息对应的训练集对产品分类模型进行训练,通过将色泽信息和特征信息对应的训练集卷积神经网络进行训练,对经过训练的产品分类模型和卷积神经网络通过对应的验证集对其进行验证,获取对应的验证结果,将对应的验证集和所输出的验证结果进行对比,获取验证误差,设置误差阈值,当验证误差小于误差阈值时,则完成训练,设置时间间隔周期,达到时间间隔周期后对产品分类模型和卷积神经网络进行更新训练,并将完成训练的产品分类模型和卷积神经网络储存在对应标号的数据处理模块中。
6.根据权利要求5所述的一种基于机器视觉的工业加工控制方法,其特征在于,所述完成训练后获取所提取的产品信息对应数据类型的匹配度,根据综合匹配数据获取对应产品的分类结果的过程包括:
将产品信息分别输入至产品分类模型和卷积神经网络中,获取对应的验证结果,所述验证结果中包括形状信息、尺寸信息、色泽信息和特征信息对产品数据库中对应的产品信息的匹配度;所述数据处理模块中设置有对应产品形状信息、尺寸信息、色泽信息和特征信息对应的匹配系数,将对应产品数据的匹配度与匹配系数相乘,将所获得的各个乘积相加,获得对应的编号产品的综合匹配数据,设置产品分类区间,根据综合匹配数据所属产品分类区间将产品分为标准产品、异常产品和严重异常产品,根据其分类结果对相应的编号进行关联。
7.根据权利要求6所述的一种基于机器视觉的工业加工控制方法,其特征在于,所述通过智能控制模块根据对应产品的分类结果和其位置信息设置对应的传输路径,并获取对应类型产品数量和处理效率的过程包括:
所述加工控制平台中根据对应标号的生产设备设置有对应的智能控制模块,所述智能控制模块与数据处理模块相互关联,获取对应产品的分类结果;所述产品传送装置中根据对应产品的分类结果设置有子传送装置,获取其分类结果,根据分类结果设置对应编号产品的传输路径;所述智能控制模块获取各个传输路径和其产品所在位置信息,根据传输路径中对应子传输装置的位置信息与其产品所在位置信息设置对应编号的传送优先级,两者距离越短传送优先级越高,根据传送优先级通过产品提取装置依次对产品提取至对应的子传送装置上,并对产品提取装置的运行速度进行监测;
所述智能控制模块获取实时监测装置所监测到的累积编号的总数量、数据处理模块完成处理的分类产品数量以及待传送数量,设置处理时间监测周期,获取处理时间监测周期内的生产效率、处理效率和传送效率。
8.根据权利要求7所述的一种基于机器视觉的工业加工控制方法,其特征在于,所述根据所获得的效率数据对产品传送装置的运行速度进行调节的过程包括:
所述智能控制模块获取处理效率分别与生产效率和传送效率之间的关系,当处理效率大于生产效率时,则提高产品传送装置的运行速度,直至两者相等,当处理效率小于生产效率时,则减慢产品传送装置的运行速度,直至两者相等;当处理效率大于传送效率时,则提高产品提取装置的运行速度,当处理效率小于传送效率时,则降低产品提取装置的运行速度,直至两者相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823882.7A CN117472015B (zh) | 2023-12-28 | 2023-12-28 | 一种基于机器视觉的工业加工控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823882.7A CN117472015B (zh) | 2023-12-28 | 2023-12-28 | 一种基于机器视觉的工业加工控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117472015A true CN117472015A (zh) | 2024-01-30 |
CN117472015B CN117472015B (zh) | 2024-03-22 |
Family
ID=89640048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311823882.7A Active CN117472015B (zh) | 2023-12-28 | 2023-12-28 | 一种基于机器视觉的工业加工控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117472015B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847211A (zh) * | 2010-05-10 | 2010-09-29 | 蒋清晓 | 用于高清画面手写段落识别、自动追踪放大的方法及系统 |
US20110019877A1 (en) * | 2006-01-19 | 2011-01-27 | Martin Kasemann | Method and Apparatus For Monitoring a Production Line |
CN210052283U (zh) * | 2018-12-14 | 2020-02-11 | 陕西高速公路工程试验检测有限公司 | 一种检测装置 |
EP3838427A1 (en) * | 2019-12-20 | 2021-06-23 | IHP Systems A/S | A method for sorting objects travelling on a conveyor belt |
WO2022052480A1 (zh) * | 2020-09-11 | 2022-03-17 | 广东奥普特科技股份有限公司 | 锂电池极片瑕疵实时检测处理方法和系统 |
CN114345741A (zh) * | 2021-12-31 | 2022-04-15 | 科芃智能科技(苏州)有限公司 | 一种高效的视觉检测方法及系统 |
WO2022157257A1 (en) * | 2021-01-20 | 2022-07-28 | Jems, Energetska Družba, D.O.O. | Systems and methods for plant process optimisation |
CN114972117A (zh) * | 2022-06-30 | 2022-08-30 | 成都理工大学 | 一种轨道表面磨损识别分类方法及系统 |
CN115540755A (zh) * | 2022-09-30 | 2022-12-30 | 哈尔滨科锐同创机模制造有限公司 | 一种快速检测工件尺寸的自动化工作站、测量系统及方法 |
CN117235586A (zh) * | 2023-11-16 | 2023-12-15 | 青岛小帅智能科技股份有限公司 | 酒店客户画像构建方法、系统、电子设备及存储介质 |
CN117234165A (zh) * | 2023-11-02 | 2023-12-15 | 苏州助途科技有限公司 | 一种基于计算机视觉的自动化流水线控制系统和控制方法 |
-
2023
- 2023-12-28 CN CN202311823882.7A patent/CN117472015B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110019877A1 (en) * | 2006-01-19 | 2011-01-27 | Martin Kasemann | Method and Apparatus For Monitoring a Production Line |
CN101847211A (zh) * | 2010-05-10 | 2010-09-29 | 蒋清晓 | 用于高清画面手写段落识别、自动追踪放大的方法及系统 |
CN210052283U (zh) * | 2018-12-14 | 2020-02-11 | 陕西高速公路工程试验检测有限公司 | 一种检测装置 |
EP3838427A1 (en) * | 2019-12-20 | 2021-06-23 | IHP Systems A/S | A method for sorting objects travelling on a conveyor belt |
WO2022052480A1 (zh) * | 2020-09-11 | 2022-03-17 | 广东奥普特科技股份有限公司 | 锂电池极片瑕疵实时检测处理方法和系统 |
WO2022157257A1 (en) * | 2021-01-20 | 2022-07-28 | Jems, Energetska Družba, D.O.O. | Systems and methods for plant process optimisation |
CN114345741A (zh) * | 2021-12-31 | 2022-04-15 | 科芃智能科技(苏州)有限公司 | 一种高效的视觉检测方法及系统 |
CN114972117A (zh) * | 2022-06-30 | 2022-08-30 | 成都理工大学 | 一种轨道表面磨损识别分类方法及系统 |
CN115540755A (zh) * | 2022-09-30 | 2022-12-30 | 哈尔滨科锐同创机模制造有限公司 | 一种快速检测工件尺寸的自动化工作站、测量系统及方法 |
CN117234165A (zh) * | 2023-11-02 | 2023-12-15 | 苏州助途科技有限公司 | 一种基于计算机视觉的自动化流水线控制系统和控制方法 |
CN117235586A (zh) * | 2023-11-16 | 2023-12-15 | 青岛小帅智能科技股份有限公司 | 酒店客户画像构建方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117472015B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
CN110806736B (zh) | 一种模锻成形智能制造生产线锻件质量信息检测方法 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN109978835B (zh) | 一种在线装配缺陷识别系统及其方法 | |
CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
CN105701476A (zh) | 一种基于机器视觉的生产线产品自动化识别系统及方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN113820326B (zh) | 一种长码拉链的缺陷检测系统 | |
CN113569922A (zh) | 一种苹果智能无损分拣的方法 | |
CN111402249B (zh) | 基于深度学习的图像演化分析方法 | |
CN112801965A (zh) | 一种基于卷积神经网络的烧结皮带异物监测方法及系统 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN117472015B (zh) | 一种基于机器视觉的工业加工控制方法 | |
CN113319013A (zh) | 一种基于机器视觉的苹果智能分拣的方法 | |
CN116777375B (zh) | 一种基于机器视觉的工业互联网系统 | |
CN117392565A (zh) | 一种无人机电力巡检缺陷自动识别方法 | |
TW202326114A (zh) | 長碼拉鏈的缺陷或瑕疵檢測系統 | |
CN117409332B (zh) | 基于大数据处理的长材刨花外观数据检测系统及方法 | |
CN114463269A (zh) | 一种基于深度学习方法的芯片缺陷检测方法 | |
CN113283339A (zh) | 基于机器视觉的工业矿料运输皮带少料异常监测方法 | |
CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
CN220271166U (zh) | 一种基于近红外光谱的废弃塑料识别系统 | |
Mohamed et al. | Deep Learning-Based Approaches for Automated Plant Leaf Detection and Classification | |
TWI830549B (zh) | 物件自動化標記方法及其系統 | |
TWI811001B (zh) | 菇類太空包塞蓋缺陷檢出之菇籃不間斷輸送系統 |
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 |