CN117474929A - 基于机器视觉的托盘外形尺寸检测方法及系统 - Google Patents
基于机器视觉的托盘外形尺寸检测方法及系统 Download PDFInfo
- Publication number
- CN117474929A CN117474929A CN202311834270.8A CN202311834270A CN117474929A CN 117474929 A CN117474929 A CN 117474929A CN 202311834270 A CN202311834270 A CN 202311834270A CN 117474929 A CN117474929 A CN 117474929A
- Authority
- CN
- China
- Prior art keywords
- tray
- target
- analysis
- parameter
- quality
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 238000004458 analytical method Methods 0.000 claims abstract description 198
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 87
- 238000005259 measurement Methods 0.000 claims description 75
- 230000007547 defect Effects 0.000 claims description 42
- 238000005299 abrasion Methods 0.000 claims description 34
- 238000010219 correlation analysis Methods 0.000 claims description 22
- 238000012098 association analyses Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000013441 quality evaluation Methods 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 239000003550 marker Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004075 alteration Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/50—Measurement of colour; Colour measuring devices, e.g. colorimeters using electric radiation detectors
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理的技术领域,公开了一种基于机器视觉的托盘外形尺寸检测方法及系统。所述基于机器视觉的托盘外形尺寸检测方法包括:通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像。本发明利用CCD相机和机器视觉技术,可以自动而准确地识别和测量托盘的几乎所有表面和尺寸。实现了托盘的自动化、高精度的外形尺寸检测,并且能够对托盘进行全面的质量和性能评估,生成了详细的检测报告。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种基于机器视觉的托盘外形尺寸检测方法及系统。
背景技术
托盘是各种物流、制造和仓储应用中的核心设备之一。托盘的外形尺寸对于其使用的稳定性、各种操作的准确性和整体工作效率有重要影响。因此,托盘外形尺寸检测成为了一个重要的问题。
现有的技术主要依赖人工进行托盘外形尺寸的检测,效率低下且容易出错。另一方面,虽然有一些使用机器视觉技术的系统,但是它们在处理数据时存在一些局限性,如不能有效利用点云数据生成高质量的三维模型,对外形尺寸的解析并不深入,不能详细分析托盘形状和尺寸参数等等。另外,现有的技术在将检测结果进行呈现和解析时也存在不足,往往不能进行详细的参数关联分析和质量分析,而且缺乏对最终检测结果的综合性能评分和详细报告生成。
因此,亟需一种新的技术解决方案,能基于机器视觉进行托盘的外形尺寸检测,并确保结果的详细解析和全面呈现。
发明内容
本发明提供了一种基于机器视觉的托盘外形尺寸检测方法及系统,用于解决如何实现高精度和高效率地对托盘的外形尺寸进行检测的技术问题。
本发明第一方面提供了一种基于机器视觉的托盘外形尺寸检测方法,所述基于机器视觉的托盘外形尺寸检测方法包括:
通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;
基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像;
基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合;其中,所述尺寸测量参数集合至少包括目标托盘的长宽参数、角度参数、圆弧参数;
基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果;其中,所述参数关联分析结果至少用于表示目标托盘的表面质量和尺寸属性的关联程度;
基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果;其中,所述质量分析结果至少包括目标托盘的表面磨损参数以及目标托盘的表面色差参数;
将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告;将参数关联分析结果中的各个参数输入训练后的托盘外形分析模型进行外形分析,得到外形分析报告;
基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分;根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。
可选的,在本发明第一方面的第一种实现方式中,所述质量缺陷检测模型的训练过程,包括:
获取样本托盘的质量分析图像数据,并将所述质量分析图像数据输入到预训练的质量评估深度网络模型中;其中,所述预训练的质量评估深度网络模型包含一个外形形态分析模型、一个结构稳定性预测模型、一个表面磨损度分析模型、一个表面色差分析模型;
基于外形形态分析模型,解析所述质量分析图像数据,提取样本托盘的实际尺寸,并与预设的尺寸标准值对比,得到样本托盘的形态偏差值;
基于结构稳定性预测模型,解析所述质量分析图像数据,提取样本托盘的内部结构特征,并输出样本托盘的结构稳定性指数;
基于表面磨损度分析模型,解析所述质量分析图像数据,提取样本托盘的表面磨损特征,输出样本托盘的表面磨损度指标;
基于表面色差分析模型,解析所述质量分析图像数据,提取样本托盘的表面色差特征,输出样本托盘的表面色差偏差值;
获取所述质量分析图像数据中的预先标定的实际标准值;其中,所述实际标准值包括实际的形态偏差值、实际的结构稳定性指数、实际的表面磨损度指标、实际的表面色差偏差值;
计算预测的形态偏差值与实际的形态偏差值的相似值,作为第一损失值;计算预测的表面磨损度指标与实际的表面磨损度指标的相似值,作为第二损失值;计算预测的表面色差偏差值与实际的表面色差偏差值的相似值,作为第三损失值;计算预测的结构稳定性指数与实际的结构稳定性指数的相似值,作为第四损失值;
对预训练的质量评估深度网络模型的模型参数进行迭代调整,基于损失的优化策略,将所述第一损失值、第二损失值、第三损失值和第四损失值降至最小,训练得到所述质量缺陷检测模型。
可选的,在本发明第一方面的第二种实现方式中,所述基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果,包括:
从预设的算法库中提取特定的算法标记组合;每个算法标记组合包括独特的标记组合算法,每个标记组合算法含有多个特定标记;
记录当前的日期信息,根据所述日期信息,找到相应的编码指南;其中,所述编码指南是基于预设的标准编码指南,根据所述日期信息的年和月进行调整得到;
基于所述编码指南对每个标记组合算法中的特定标记进行解码,得到每个标记组合的解码字符组合;根据预设的数据库中的字符与尺寸测量参数的关联规则,得到每个解码字符组合相应的解码测量参数组合;
从所有的解码测量参数组合中筛选出一个包含尺寸测量参数集合所有要素的组合,作为目标解码测量参数组合;将与所述目标解码测量参数组合相对应的标记组合算法作为目标算法;其中,所述目标算法为标准化参数处理算法;
基于所得的目标算法,对目标解码测量参数组合进行质量分析,以及进行目标托盘的表面磨耗度和色差参数的质量评估,得到目标托盘的质量分析结果。
可选的,在本发明第一方面的第三种实现方式中,所述将所述目标托盘性能检测报告发送至预置的数据处理终端的步骤之前,包括:
获取产生所述目标托盘性能检测报告的目标设备的设备编号;
根据所述设备编号,获取目标设备的相关设备信息;其中,所述相关设备信息包含设备标识;
根据设备标识在管理数据库中匹配相应的字符选择策略;其中,所述管理数据库保存了相关设备信息与字符选择策略的映射关系;
基于所述设备信息,对标准编码表进行调整,生成对应的目标编码表;
获取目标托盘性能检测报告的关键信息,并获取关键信息对应的数字信息;利用所述目标编码表对数字信息进行编码,得到相应的编码值;其中,所述管理数据库保存了关键信息与数字信息的映射关系;
根据匹配的字符选择策略,从编码值中选取字符,并基于预设的字符组合规则,将选取的字符进行组合,生成加密密钥;
基于所述加密密钥,对目标托盘性能检测报告进行加密处理,得到加密后的目标托盘性能检测报告。
可选的,在本发明第一方面的第四种实现方式中,所述产生所述目标托盘性能检测报告的目标设备的设备编号至少包括目标设备的序列号、MAC地址、IMEI号码、特定标识符。
本发明第二方面提供了一种基于机器视觉的托盘外形尺寸检测系统,所述基于机器视觉的托盘外形尺寸检测系统包括:
转换模块,用于通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;
解析模块,用于基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像;
识别模块,用于基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合;其中,所述尺寸测量参数集合至少包括目标托盘的长宽参数、角度参数、圆弧参数;
第一分析模块,用于基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果;其中,所述参数关联分析结果至少用于表示目标托盘的表面质量和尺寸属性的关联程度;
第二分析模块,用于基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果;其中,所述质量分析结果至少包括目标托盘的表面磨损参数以及目标托盘的表面色差参数;
训练模块,用于将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告;将参数关联分析结果中的各个参数输入训练后的托盘外形分析模型进行外形分析,得到外形分析报告;
发送模块,用于基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分;根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。
本发明第三方面提供了一种基于机器视觉的托盘外形尺寸检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于机器视觉的托盘外形尺寸检测设备执行上述的基于机器视觉的托盘外形尺寸检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于机器视觉的托盘外形尺寸检测方法。
本发明提供的技术方案中,有益效果:本发明提供一种基于机器视觉的托盘外形尺寸检测方法及系统,通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像;基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合; 基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果; 基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果;将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告;将参数关联分析结果中的各个参数输入训练后的托盘外形分析模型进行外形分析,得到外形分析报告;基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分;根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。本发明利用CCD相机和机器视觉技术,可以自动而准确地识别和测量托盘的几乎所有表面和尺寸。提高了检测的效率和精度。通过三维模型重建和深度解析,可以获取到托盘各个表面的详细信息和关联参数。更准确地了解托盘的实际状态。通过参数关联分析和质量缺陷检测模型,对托盘进行全面的性能和质量评估。能够及时发现并准确定位到托盘的潜在问题。最后,通过自动生成详细的性能检测报告,并将报告传输到预设的数据处理终端。减少了人工操作的需求,提高了工作效率。
附图说明
图1为本发明实施例中基于机器视觉的托盘外形尺寸检测方法的一个实施例示意图;
图2为本发明实施例中基于机器视觉的托盘外形尺寸检测系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于机器视觉的托盘外形尺寸检测方法及系统。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于机器视觉的托盘外形尺寸检测方法的一个实施例包括:
步骤101、通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;
可以理解的是,本发明的执行主体可以为基于机器视觉的托盘外形尺寸检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,方法步骤101基于预置的CCD相机来对目标托盘的各个表面进行识别并获取相应图像序列数据。在这个过程中,CCD相机使用光学传感器来捕捉目标托盘上的光线反射情况。通过调整CCD相机的参数和设置,如曝光时间、焦距等,使其能够正确地获取目标托盘的表面信息。
一旦得到目标托盘的图像序列数据,接下来需要将这些图像序列数据转换为点云数据。点云数据是由大量的三维点构成的,每个点都具有其在空间中的坐标位置。这种点云数据的表示方式可以更全面地描述目标托盘的形状和细节信息。
主要步骤包括以下几个方面:
图像预处理:对于每一帧的图像序列数据,首先需要进行预处理。这包括去噪、滤波、光照校正等操作,以提高后续处理的准确性和稳定性。
特征提取:在每一帧的图像序列数据中,需要从中提取出目标托盘的相关特征。这些特征可以是边界线、角点、纹理等。通过机器视觉算法,如边缘检测、角点检测、特征描述等,从图像序列数据中提取出这些特征。
特征匹配:将每一帧的图像序列数据中提取出的特征进行匹配。这可以使用特征点匹配算法来实现,如SIFT(尺度不变特征变换)或SURF(加速稳健特征)算法。匹配的目的是找到在多个图像序列中具有相同位置和形状的特征点。
三维重建:在获得特征点的匹配后,可以利用相机标定参数和特征点的空间位置信息进行三维重建。通过三角化方法,将特征点在不同视角下的二维投影位置转换为三维空间中的点坐标。这些点坐标就构成了点云数据。
步骤102、基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像;
具体的,方法步骤102基于点云数据对目标托盘进行三维模型重建,并对其进行深度解析以得到各个表面的解析区域图像。以下是实现该步骤的具体方法:
点云处理:对点云数据进行预处理,如去噪、滤波和重采样等操作。这些操作可以去除噪声、平滑点云数据,并使点云数据的密度均匀化,以便后续处理。
点云配准:如果所获得的点云数据包含多个视角的数据,需要将这些点云数据进行配准,以获得全局一致的点云模型。配准可以通过ICP(迭代最近点)算法或特征匹配算法来实现。配准的结果是将多个视角的点云数据对齐成一个全局的点云模型。
三维重建:利用配准后的点云数据,可以使用三维重建算法来生成目标托盘的三维模型。这些算法可以基于点云数据进行体素化、网格化或曲面重建等操作。例如,Marching Cubes算法可以将点云数据转换为表面网格模型,而Poisson重建算法可以通过点云数据生成光滑的曲面模型。
深度解析:在获得目标托盘的三维模型后,对其进行深度解析以得到各个表面的解析区域图像。这可以通过表面投影方法来实现。即通过将三维模型投影到二维平面上,并对投影结果进行分割,得到各个表面的解析区域图像。例如,对于圆柱形的目标托盘,可以将其投影到平面上,并根据圆柱形的几何特征,分析得到圆形的解析区域图像。
步骤103、基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合;其中,所述尺寸测量参数集合至少包括目标托盘的长宽参数、角度参数、圆弧参数;
具体的,方法步骤103基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合。以下是实现该步骤的具体方法:
形状和尺寸标准定义:事先定义目标托盘的形状和尺寸标准,并以此为基准进行尺寸测量。例如,定义目标托盘为矩形形状,标准尺寸为长宽分别为L和W。形状和尺寸标准可以根据实际需求和应用场景进行定义。
图像处理:对每个解析区域图像进行预处理,以便更好地进行尺寸定位和识别。这包括图像增强、边缘检测、二值化和去除噪声等操作。通过这些处理,可以提高图像的清晰度、准确度和稳定性。
特征提取:从处理后的解析区域图像中提取出相关的特征,以便进行尺寸定位和识别。这些特征可以是目标托盘的边界线、角点、圆弧等。可以使用计算机视觉算法,如边缘检测、角点检测和圆弧拟合等方法来提取这些特征。
尺寸定位和识别:通过对特征进行定位和识别,获取目标托盘的尺寸测量参数集合。对于矩形形状的目标托盘,可以通过边界线和角点的位置信息来确定长宽参数。而对于圆形的目标托盘,可以通过圆弧的半径来确定参数。
参数测量:根据所得到的尺寸测量参数集合,可以进行具体的尺寸测量。例如,根据长宽参数的测量结果,可以计算目标托盘的面积。根据圆弧参数的测量结果,可以计算目标托盘的弧长。
步骤104、基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果;其中,所述参数关联分析结果至少用于表示目标托盘的表面质量和尺寸属性的关联程度;
具体的,方法步骤104基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果。以下是实现该步骤的具体方法:
图像参数处理算法定义:事先定义预设的图像参数处理算法,用于对尺寸测量参数集合进行处理和分析。这些算法可以是统计学方法、机器学习算法或相关性分析算法等。通过这些算法,可以从参数集合中提取关联信息。
参数互相关性分析:对尺寸测量参数集合进行参数互相关性分析,以探究参数之间的关联关系。这可以通过计算参数之间的相关系数来实现,例如皮尔逊相关系数或斯皮尔曼等级相关系数。相关系数的值介于-1到1之间,代表着参数之间的线性相关程度。
参数关联分析结果:根据参数互相关性分析的结果,得到参数关联分析结果。这些结果用于表示目标托盘的表面质量和尺寸属性的关联程度。例如,如果两个参数间的相关系数接近于1,则表示它们之间存在正相关关系;如果相关系数接近于-1,则表示存在负相关关系;而接近于0的相关系数表示两个参数间基本上没有相关性。
步骤105、基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果;其中,所述质量分析结果至少包括目标托盘的表面磨损参数以及目标托盘的表面色差参数;
具体的,方法步骤105基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果。以下是实现该步骤的具体方法:
标准化参数处理算法定义:事先定义预设的标准化参数处理算法,用于对尺寸测量参数集合进行处理和分析。这些算法可以基于国际标准、行业规范或质检要求等。通过这些算法,可以将参数集合与标准进行比较,以判断目标托盘的质量情况。
表面磨损参数分析:对尺寸测量参数集合中的参数进行分析,以评估目标托盘的表面磨损情况。这可以通过比较实际测量值与标准化参数处理算法所定义的理论值之间的差异来实现。例如,对于目标托盘的边缘长度参数,如果实际测量值超过了允许范围内的理论值,就可以认定存在表面磨损现象。
表面色差参数分析:对尺寸测量参数集合中的参数进行分析,以评估目标托盘的表面色差情况。这可以通过比较实际测量值与预设的色差范围之间的差异来实现。例如,对于目标托盘的颜色参数,可以通过光谱分析等技术手段,与预设的色差阈值进行比较,以判断是否存在色差问题。
质量分析结果:基于标准化参数处理算法对尺寸测量参数集合进行分析后,得到质量分析结果。这些结果用于描述目标托盘的质量状况,至少包括表面磨损参数和表面色差参数。例如,质量分析结果可以表示目标托盘的磨损程度、颜色准确性以及与标准参数的偏差情况。
步骤106、将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告;将参数关联分析结果中的各个参数输入训练后的托盘外形分析模型进行外形分析,得到外形分析报告;
具体的,方法步骤106将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告。同时,将参数关联分析结果中的各个参数输入至训练后的托盘外形分析模型进行外形分析,得到外形分析报告。以下是实现该步骤的具体方法:
质量缺陷检测模型训练:利用已有的质量缺陷样本数据,采用机器学习或深度学习技术,训练出质量缺陷检测模型。该模型可以是基于图像处理的卷积神经网络(CNN)等。通过模型训练,使它能够从输入的参数中准确地检测出与质量缺陷相关的问题。
外形分析模型训练:利用已有的外形分析样本数据,采用机器学习或深度学习技术,训练出托盘外形分析模型。该模型可以是基于图像处理的神经网络,如卷积神经网络(CNN)或基于特征提取和分类的方法等。通过模型训练,使它能够从输入的参数中准确地分析托盘的外形情况。
质量检测报告生成:将质量分析结果中的各个参数输入到训练后的质量缺陷检测模型中。该模型将根据质量缺陷样本数据的训练结果,识别出目标托盘中的任何质量缺陷。根据检测结果,生成相应的质量检测报告,指明检测到的缺陷类型和位置等信息。
外形分析报告生成:将参数关联分析结果中的各个参数输入到训练后的托盘外形分析模型中。该模型将根据外形分析样本数据的训练结果,分析托盘的外形特征,如颜色、形状、表面纹理等。根据分析结果,生成相应的外形分析报告,提供关于托盘外形特征的详细信息。
步骤107、基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分;根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。
具体的,方法步骤107基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分。根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。以下是实现该步骤的具体方法:
综合性能评分定义:定义一套综合性能评分体系,用于综合考虑目标托盘的质量缺陷以及外形特征等多个性能方面的因素。该评分体系可以基于权重分配和规则定义的方式,将各个性能指标进行综合计算,得到最终的综合性能评分。
外形特征和质量缺陷权重设定:根据目标托盘的具体需求和应用场景,设定外形特征和质量缺陷的权重。这些权重反映了不同性能指标在综合性能评分中的重要程度。例如,如果目标托盘的外形要求较高,则在综合性能评分中给予外形特征更高的权重。
综合性能评分计算:根据外形分析报告和质量检测报告的结果,计算各个性能指标的得分。其中,外形特征得分可以根据外形分析报告中的详细信息进行计算,质量缺陷得分可以根据质量检测报告中的缺陷数量和严重程度进行计算。根据权重设定,将各个性能指标的得分进行加权求和,得到最终的综合性能评分。
目标托盘性能检测报告生成:基于最终评分,生成目标托盘性能检测报告。该报告可以包括综合性能评分及其解释、外形特征分析、质量缺陷分析等内容。报告中可以提供各个性能指标的得分明细,方便用户了解目标托盘的性能状况。
报告发送至数据处理终端:将生成的目标托盘性能检测报告发送至预置的数据处理终端。数据处理终端可以是一台计算机、服务器或者云平台等,用于存储和处理大量的检测报告数据。通过将报告发送至数据处理终端,可以实现统一的数据管理和后续处理,例如报告的存档、数据分析等。
本发明实施例中,有益效果:本发明实施例基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析。参数互相关性分析的结果用于表示目标托盘的表面质量和尺寸属性的关联程度,从而提供了关于参数之间关联程度的相关信息。这有助于进一步了解和评估目标托盘的尺寸特征,并为质量控制和生产优化等领域提供有价值的数据支持。并且基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析。质量分析的结果用于评估目标托盘的表面磨损特征和色差属性。这提供了关于目标托盘质量状况的定量分析,为质量控制和生产优化等领域提供了有价值的数据支持。将质量分析结果中的参数输入训练后的质量缺陷检测模型进行缺陷检测,同时将参数关联分析结果中的参数输入训练后的托盘外形分析模型进行外形分析。这样可以快速准确地检测出托盘的质量缺陷,并分析其外形特征,为质量控制和生产改进提供有力的决策依据。
本发明实施例中基于机器视觉的托盘外形尺寸检测方法的另一个实施例包括:
所述质量缺陷检测模型的训练过程,包括:
获取样本托盘的质量分析图像数据,并将所述质量分析图像数据输入到预训练的质量评估深度网络模型中;其中,所述预训练的质量评估深度网络模型包含一个外形形态分析模型、一个结构稳定性预测模型、一个表面磨损度分析模型、一个表面色差分析模型;
基于外形形态分析模型,解析所述质量分析图像数据,提取样本托盘的实际尺寸,并与预设的尺寸标准值对比,得到样本托盘的形态偏差值;
基于结构稳定性预测模型,解析所述质量分析图像数据,提取样本托盘的内部结构特征,并输出样本托盘的结构稳定性指数;
基于表面磨损度分析模型,解析所述质量分析图像数据,提取样本托盘的表面磨损特征,输出样本托盘的表面磨损度指标;
基于表面色差分析模型,解析所述质量分析图像数据,提取样本托盘的表面色差特征,输出样本托盘的表面色差偏差值;
获取所述质量分析图像数据中的预先标定的实际标准值;其中,所述实际标准值包括实际的形态偏差值、实际的结构稳定性指数、实际的表面磨损度指标、实际的表面色差偏差值;
计算预测的形态偏差值与实际的形态偏差值的相似值,作为第一损失值;计算预测的表面磨损度指标与实际的表面磨损度指标的相似值,作为第二损失值;计算预测的表面色差偏差值与实际的表面色差偏差值的相似值,作为第三损失值;计算预测的结构稳定性指数与实际的结构稳定性指数的相似值,作为第四损失值;
对预训练的质量评估深度网络模型的模型参数进行迭代调整,基于损失的优化策略,将所述第一损失值、第二损失值、第三损失值和第四损失值降至最小,训练得到所述质量缺陷检测模型。
具体的,数据收集:收集样本托盘的质量分析图像数据,包括外形形态、结构稳定性、表面磨损度和表面色差等方面的图像信息。
预训练深度网络模型:使用已经训练好的质量评估深度网络模型,包括外形形态分析模型、结构稳定性预测模型、表面磨损度分析模型和表面色差分析模型。这些模型已经通过大量数据的训练和调优得到,并具有较强的特征提取和预测能力。
外形形态分析:利用外形形态分析模型对质量分析图像数据进行解析,提取样本托盘的实际尺寸,并与预设的尺寸标准值进行对比,得到样本托盘的形态偏差值。
结构稳定性预测:利用结构稳定性预测模型对质量分析图像数据进行解析,提取样本托盘的内部结构特征,并输出样本托盘的结构稳定性指数。
表面磨损度分析:利用表面磨损度分析模型对质量分析图像数据进行解析,提取样本托盘的表面磨损特征,并输出样本托盘的表面磨损度指标。
表面色差分析:利用表面色差分析模型对质量分析图像数据进行解析,提取样本托盘的表面色差特征,并输出样本托盘的表面色差偏差值。
实际标准值获取:从质量分析图像数据中获取预先标定的实际标准值,包括形态偏差值、结构稳定性指数、表面磨损度指标和表面色差偏差值等。
损失计算:计算预测的形态偏差值与实际的形态偏差值的相似值,作为第一损失值;计算预测的表面磨损度指标与实际的表面磨损度指标的相似值,作为第二损失值;计算预测的表面色差偏差值与实际的表面色差偏差值的相似值,作为第三损失值;计算预测的结构稳定性指数与实际的结构稳定性指数的相似值,作为第四损失值。
模型参数优化:通过迭代调整预训练的质量评估深度网络模型的模型参数,使用损失的优化策略,将第一损失值、第二损失值、第三损失值和第四损失值降至最小,从而训练得到质量缺陷检测模型。
本发明实施例中基于机器视觉的托盘外形尺寸检测方法的另一个实施例包括:
具体的,所述基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果,包括:
从预设的算法库中提取特定的算法标记组合;每个算法标记组合包括独特的标记组合算法,每个标记组合算法含有多个特定标记;
记录当前的日期信息,根据所述日期信息,找到相应的编码指南;其中,所述编码指南是基于预设的标准编码指南,根据所述日期信息的年和月进行调整得到;
基于所述编码指南对每个标记组合算法中的特定标记进行解码,得到每个标记组合的解码字符组合;根据预设的数据库中的字符与尺寸测量参数的关联规则,得到每个解码字符组合相应的解码测量参数组合;
从所有的解码测量参数组合中筛选出一个包含尺寸测量参数集合所有要素的组合,作为目标解码测量参数组合;将与所述目标解码测量参数组合相对应的标记组合算法作为目标算法;其中,所述目标算法为标准化参数处理算法;
基于所得的目标算法,对目标解码测量参数组合进行质量分析,以及进行目标托盘的表面磨耗度和色差参数的质量评估,得到目标托盘的质量分析结果。
具体的,在一种基于预设的标准化参数处理算法实质上的实施例中,首先从一个预设的算法库中提取一种特定的算法标记组合。这种算法库是预先设定并存储在数据库中的,由一系列复杂的算法标记组合构成。每一个算法标记组合都包含一种独特的标记组合算法,这种整合了多个特定标记的独特算法被称为标记组合算法。这些特定标记可以是由数字、字符或者特殊符号构成的代码。
在记录当前的日期信息后,会利用这些数据来查找适用于当前日期的编码指南。编码指南是预先设定的一套编码规则,用于对特定标记进行解码。它是基于预设的标准编码指南生成的,唯一的不同在于它的生成是根据当前的日期信息进行调整的,特别是当前日期的年份和月份。
基于所选定的编码指南,对每个标记组合算法中的特定标记进行解码,得到每个标记组合的解码字符组合。接下来,会利用预设的数据库中的字符与尺寸测量参数的关联规则,把解码后的字符转换为相应的解码测量参数组合。
然后,从所有的解码测量参数组合中筛选出一个包含尺寸测量参数集合的所有要素的组合,我们将其称为目标解码测量参数组合。接着,选取与所述的目标解码测量参数组合相对应的标记组合算法作为目标算法。这种目标算法称为标准化参数处理算法,只有通过它处理后的参数是标准化的。
最后,通过应用目标算法对目标解码测量参数组合进行质量分析,并执行目标托盘的表面磨耗度和色差参数的质量评估。最终,得到目标托盘的质量分析结果。
其中,所述编码指南是基于预设的标准编码指南,根据所述日期信息的年和月进行调整得到;
具体包括以下步骤:
基于年份与标准编码指南的映射关系,在数据库匹配对应所述年份的标准编码表;其中,所述标准编码指南中包括两列,一列为序列数字,另一列为对应所述序列数字的编码字符;
获取所述月份对应数字的所有约数;其中,所述月份对应的数字被所述约数整除;
从所述序列数字中选择出对应所述约数的所有数字作为目标数字,选择出对应所述目标数字的编码字符作为目标编码字符,所述编码字符中除所述目标编码字符之外的所有字符作为剩余编码字符;
将所述剩余编码字符依序重新进行序列数字的分配;其中,所述剩余编码字符的顺序与标准编码表中的顺序相同;
在所有剩余编码字符重新分配序列数字之后,为所述目标编码字符依序分配序列数字;
将重新分配序列数字的剩余编码字符、目标编码字符以及分别对应的序列数字,组合得到所述编码指南。
本发明实施例中基于机器视觉的托盘外形尺寸检测方法的另一个实施例包括:
所述将所述目标托盘性能检测报告发送至预置的数据处理终端的步骤之前,包括:
获取产生所述目标托盘性能检测报告的目标设备的设备编号;
根据所述设备编号,获取目标设备的相关设备信息;其中,所述相关设备信息包含设备标识;
根据设备标识在管理数据库中匹配相应的字符选择策略;其中,所述管理数据库保存了相关设备信息与字符选择策略的映射关系;
基于所述设备信息,对标准编码表进行调整,生成对应的目标编码表;
获取目标托盘性能检测报告的关键信息,并获取关键信息对应的数字信息;利用所述目标编码表对数字信息进行编码,得到相应的编码值;其中,所述管理数据库保存了关键信息与数字信息的映射关系;
根据匹配的字符选择策略,从编码值中选取字符,并基于预设的字符组合规则,将选取的字符进行组合,生成加密密钥;
基于所述加密密钥,对目标托盘性能检测报告进行加密处理,得到加密后的目标托盘性能检测报告。
具体的,在一种为目标托盘性能检测报告加密处理的实施例中,首先获取了产生目标托盘性能检测报告的目标设备的设备编号。设备编号是用于标识特定设备的独特标识符,通常由数字、字母或者二者的组合构成。
然后,通过设备编号获取相关设备信息。这些信息包括但不限于设备的标识、设备的类型、设备的制造商、设备的生产日期等。设备标识是用于表示目标设备的特定符号。
接下来,根据设备标识在一个管理数据库中匹配相应的字符选择策略。管理数据库存储了相关设备信息与字符选择策略的映射关系。字符选择策略是一种用于指导如何从一组可能的字符中选择特定字符的方法。
进一步,基于相关设备信息,对标准编码表进行调整,生成对应的目标编码表。标准编码表是一种用于表示数字、字母和特殊字符的标准字符集。
接下来,获取目标托盘性能检测报告的关键信息,并获取关键信息对应的数字信息。利用目标编码表对数字信息进行编码,得到相应的编码值。这个编码值是根据目标编码表转换得来的。
然后,根据匹配的字符选择策略,从编码值中选取字符,并基于预设的字符组合规则,将选取的字符进行组合,生成加密密钥。这个加密密钥是用于对目标托盘性能检测报告进行加密处理的密钥。
最后,以加密密钥作为基础,对目标托盘性能检测报告进行加密处理,得到加密后的目标托盘性能检测报告。此报告是原始报告的加密版本,其内容只有在正确输入加密密钥后才能查看。这个过程可以显著提高数据的保密性,防止未经授权的访问。
本发明实施例中基于机器视觉的托盘外形尺寸检测方法的另一个实施例包括:
所述产生所述目标托盘性能检测报告的目标设备的设备编号至少包括目标设备的序列号、MAC地址、IMEI号码、特定标识符。
上面对本发明实施例中基于机器视觉的托盘外形尺寸检测方法进行了描述,下面对本发明实施例中基于机器视觉的托盘外形尺寸检测系统进行描述,请参阅图2,本发明实施例中基于机器视觉的托盘外形尺寸检测系统一个实施例包括:
转换模块,用于通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;
解析模块,用于基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像;
识别模块,用于基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合;其中,所述尺寸测量参数集合至少包括目标托盘的长宽参数、角度参数、圆弧参数;
第一分析模块,用于基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果;其中,所述参数关联分析结果至少用于表示目标托盘的表面质量和尺寸属性的关联程度;
第二分析模块,用于基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果;其中,所述质量分析结果至少包括目标托盘的表面磨损参数以及目标托盘的表面色差参数;
训练模块,用于将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告;将参数关联分析结果中的各个参数输入训练后的托盘外形分析模型进行外形分析,得到外形分析报告;
发送模块,用于基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分;根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于机器视觉的托盘外形尺寸检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,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,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于机器视觉的托盘外形尺寸检测方法,其特征在于,包括以下步骤:
通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;
基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像;
基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合;其中,所述尺寸测量参数集合至少包括目标托盘的长宽参数、角度参数、圆弧参数;
基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果;其中,所述参数关联分析结果至少用于表示目标托盘的表面质量和尺寸属性的关联程度;
基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果;其中,所述质量分析结果至少包括目标托盘的表面磨损参数以及目标托盘的表面色差参数;
将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告;将参数关联分析结果中的各个参数输入训练后的托盘外形分析模型进行外形分析,得到外形分析报告;
基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分;根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。
2.根据权利要求1所述的托盘外形尺寸检测方法,其特征在于,所述质量缺陷检测模型的训练过程,包括:
获取样本托盘的质量分析图像数据,并将所述质量分析图像数据输入到预训练的质量评估深度网络模型中;其中,所述预训练的质量评估深度网络模型包含一个外形形态分析模型、一个结构稳定性预测模型、一个表面磨损度分析模型、一个表面色差分析模型;
基于外形形态分析模型,解析所述质量分析图像数据,提取样本托盘的实际尺寸,并与预设的尺寸标准值对比,得到样本托盘的形态偏差值;
基于结构稳定性预测模型,解析所述质量分析图像数据,提取样本托盘的内部结构特征,并输出样本托盘的结构稳定性指数;
基于表面磨损度分析模型,解析所述质量分析图像数据,提取样本托盘的表面磨损特征,输出样本托盘的表面磨损度指标;
基于表面色差分析模型,解析所述质量分析图像数据,提取样本托盘的表面色差特征,输出样本托盘的表面色差偏差值;
获取所述质量分析图像数据中的预先标定的实际标准值;其中,所述实际标准值包括实际的形态偏差值、实际的结构稳定性指数、实际的表面磨损度指标、实际的表面色差偏差值;
计算预测的形态偏差值与实际的形态偏差值的相似值,作为第一损失值;计算预测的表面磨损度指标与实际的表面磨损度指标的相似值,作为第二损失值;计算预测的表面色差偏差值与实际的表面色差偏差值的相似值,作为第三损失值;计算预测的结构稳定性指数与实际的结构稳定性指数的相似值,作为第四损失值;
对预训练的质量评估深度网络模型的模型参数进行迭代调整,基于损失的优化策略,将所述第一损失值、第二损失值、第三损失值和第四损失值降至最小,训练得到所述质量缺陷检测模型。
3.根据权利要求1所述的托盘外形尺寸检测方法,其特征在于,所述基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果,包括:
从预设的算法库中提取特定的算法标记组合;每个算法标记组合包括独特的标记组合算法,每个标记组合算法含有多个特定标记;
记录当前的日期信息,根据所述日期信息,找到相应的编码指南;其中,所述编码指南是基于预设的标准编码指南,根据所述日期信息的年和月进行调整得到;
基于所述编码指南对每个标记组合算法中的特定标记进行解码,得到每个标记组合的解码字符组合;根据预设的数据库中的字符与尺寸测量参数的关联规则,得到每个解码字符组合相应的解码测量参数组合;
从所有的解码测量参数组合中筛选出一个包含尺寸测量参数集合所有要素的组合,作为目标解码测量参数组合;将与所述目标解码测量参数组合相对应的标记组合算法作为目标算法;其中,所述目标算法为标准化参数处理算法;
基于所得的目标算法,对目标解码测量参数组合进行质量分析,以及进行目标托盘的表面磨耗度和色差参数的质量评估,得到目标托盘的质量分析结果。
4.根据权利要求1所述的托盘外形尺寸检测方法,其特征在于,所述将所述目标托盘性能检测报告发送至预置的数据处理终端的步骤之前,包括:
获取产生所述目标托盘性能检测报告的目标设备的设备编号;
根据所述设备编号,获取目标设备的相关设备信息;其中,所述相关设备信息包含设备标识;
根据设备标识在管理数据库中匹配相应的字符选择策略;其中,所述管理数据库保存了相关设备信息与字符选择策略的映射关系;
基于所述设备信息,对标准编码表进行调整,生成对应的目标编码表;
获取目标托盘性能检测报告的关键信息,并获取关键信息对应的数字信息;利用所述目标编码表对数字信息进行编码,得到相应的编码值;其中,所述管理数据库保存了关键信息与数字信息的映射关系;
根据匹配的字符选择策略,从编码值中选取字符,并基于预设的字符组合规则,将选取的字符进行组合,生成加密密钥;
基于所述加密密钥,对目标托盘性能检测报告进行加密处理,得到加密后的目标托盘性能检测报告。
5.根据权利要求4所述的托盘外形尺寸检测方法,其特征在于,所述产生所述目标托盘性能检测报告的目标设备的设备编号至少包括目标设备的序列号、MAC地址、IMEI号码、特定标识符。
6.一种基于机器视觉的托盘外形尺寸检测系统,其特征在于,包括:
转换模块,用于通过预置的CCD相机对目标托盘的各个表面进行识别,得到目标托盘的图像序列数据,并将所述图像序列数据转换为点云数据;
解析模块,用于基于所述点云数据,对目标托盘进行三维模型重建,得到目标托盘的三维模型;对目标托盘的三维模型进行深度解析,得到目标托盘的各个表面的解析区域图像;
识别模块,用于基于预设的托盘形状和尺寸标准,对每个解析区域图像进行尺寸定位和识别,得到尺寸测量参数集合;其中,所述尺寸测量参数集合至少包括目标托盘的长宽参数、角度参数、圆弧参数;
第一分析模块,用于基于预设的图像参数处理算法,对尺寸测量参数集合进行参数互相关性分析,得到参数关联分析结果;其中,所述参数关联分析结果至少用于表示目标托盘的表面质量和尺寸属性的关联程度;
第二分析模块,用于基于预设的标准化参数处理算法,对尺寸测量参数集合进行质量分析,得到质量分析结果;其中,所述质量分析结果至少包括目标托盘的表面磨损参数以及目标托盘的表面色差参数;
训练模块,用于将质量分析结果中的各个参数输入至训练后的质量缺陷检测模型进行缺陷检测,得到质量检测报告;将参数关联分析结果中的各个参数输入训练后的托盘外形分析模型进行外形分析,得到外形分析报告;
发送模块,用于基于所述外形分析报告以及所述质量检测报告,对目标托盘进行综合性能评分,得到最终评分;根据所述最终评分,生成目标托盘性能检测报告,并将所述目标托盘性能检测报告发送至预置的数据处理终端。
7.一种基于机器视觉的托盘外形尺寸检测设备,其特征在于,所述基于机器视觉的托盘外形尺寸检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于机器视觉的托盘外形尺寸检测设备执行如权利要求1-5中任一项所述的基于机器视觉的托盘外形尺寸检测方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于机器视觉的托盘外形尺寸检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311834270.8A CN117474929A (zh) | 2023-12-28 | 2023-12-28 | 基于机器视觉的托盘外形尺寸检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311834270.8A CN117474929A (zh) | 2023-12-28 | 2023-12-28 | 基于机器视觉的托盘外形尺寸检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474929A true CN117474929A (zh) | 2024-01-30 |
Family
ID=89640158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311834270.8A Withdrawn CN117474929A (zh) | 2023-12-28 | 2023-12-28 | 基于机器视觉的托盘外形尺寸检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474929A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117722954A (zh) * | 2024-02-07 | 2024-03-19 | 上海强华实业股份有限公司 | 精烧产品形貌检测与尺寸分析系统及方法 |
CN117910930A (zh) * | 2024-03-15 | 2024-04-19 | 深圳市普拉托科技有限公司 | 基于智能仓储的托盘发货装载率测量方法及系统 |
-
2023
- 2023-12-28 CN CN202311834270.8A patent/CN117474929A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117722954A (zh) * | 2024-02-07 | 2024-03-19 | 上海强华实业股份有限公司 | 精烧产品形貌检测与尺寸分析系统及方法 |
CN117722954B (zh) * | 2024-02-07 | 2024-04-19 | 上海强华实业股份有限公司 | 精烧产品形貌检测与尺寸分析系统及方法 |
CN117910930A (zh) * | 2024-03-15 | 2024-04-19 | 深圳市普拉托科技有限公司 | 基于智能仓储的托盘发货装载率测量方法及系统 |
CN117910930B (zh) * | 2024-03-15 | 2024-05-28 | 深圳市普拉托科技有限公司 | 基于智能仓储的托盘发货装载率测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117474929A (zh) | 基于机器视觉的托盘外形尺寸检测方法及系统 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
US8086041B2 (en) | Pattern evaluation method, pattern matching method and computer readable medium | |
US10430687B2 (en) | Trademark graph element identification method, apparatus and system, and computer storage medium | |
CN113850749A (zh) | 训练缺陷侦测器的方法 | |
JP2011014152A (ja) | 異常領域検出装置および異常領域検出方法 | |
CN114037672A (zh) | 一种图像缺陷的检测方法、装置及计算机可读介质 | |
CN113239227A (zh) | 图像数据结构化方法、装置、电子设备及计算机可读介质 | |
CN115984662A (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN113793332B (zh) | 一种实验仪器缺陷识别分类方法及系统 | |
CN114863129A (zh) | 仪表数值分析方法、装置、设备及存储介质 | |
CN116757713B (zh) | 基于图像识别的作品估值方法、装置、设备及存储介质 | |
EP3611695A1 (en) | Generating annotation data of tissue images | |
CN116071348B (zh) | 基于视觉检测的工件表面检测方法及相关装置 | |
JP5298552B2 (ja) | 判別装置、判別方法及びプログラム | |
CN116091496B (zh) | 基于改进Faster-RCNN的缺陷检测方法及装置 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN115546139A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 | |
Sakarya et al. | Automated region segmentation on cartridge case base | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
CN103871048A (zh) | 一种基于直线基元的几何哈希法实时定位与匹配方法 | |
CN114677331A (zh) | 基于灰度图像和深度数据融合的管材缺陷检测方法及装置 | |
CN110826488A (zh) | 一种针对电子文档的图像识别方法、装置及存储设备 | |
Singh et al. | Text Region Extraction: A Morphological Based Image Analysis Using Genetic Algorithm | |
CN117315264B (zh) | 基于图像识别的托盘检测方法及相关装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240130 |