CN117689276B - 基于机器视觉的高空作业车折叠臂生产质量分析方法 - Google Patents
基于机器视觉的高空作业车折叠臂生产质量分析方法 Download PDFInfo
- Publication number
- CN117689276B CN117689276B CN202410154016.1A CN202410154016A CN117689276B CN 117689276 B CN117689276 B CN 117689276B CN 202410154016 A CN202410154016 A CN 202410154016A CN 117689276 B CN117689276 B CN 117689276B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- experiment group
- simulation experiment
- point
- production 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 154
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 100
- 238000012544 monitoring process Methods 0.000 claims abstract description 248
- 238000004088 simulation Methods 0.000 claims abstract description 159
- 238000000547 structure data Methods 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 241001591024 Samea Species 0.000 claims description 3
- 230000001687 destabilization Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于设备生产质量分析技术领域，具体公开提供的基于机器视觉的高空作业车折叠臂生产质量分析方法，该方法包括：进行分析设备选样；设置目标设备的监测场景；提取目标设备的基本结构数据；设定各监测点，并在各监测点位置安置监测设备；设置各监测场景下的各模拟实验组，记录各模拟实验组中目标设备的伸展长度，并将各分析设备随机均匀分配至各模拟实验组中进行各监测场景模拟，同时记录模拟监测数据；进行目标设备生产质量分析，输出目标设备的生产质量吻合度，并进行反馈。本发明有效解决了当前高空作业车折叠臂负载能力监测模式较为单一的问题，为折叠臂生产质量分析的有效性和参考性提供了有力保障。
Description
技术领域
本发明属于设备生产质量分析技术领域，涉及基于机器视觉的高空作业车折叠臂生产质量分析方法。
背景技术
高空作业车折叠臂是一种用于高空作业的机械设备，在建筑施工、装修、清洁、维护等领域有广泛应用。然而，由于高空作业车折叠臂的结构和使用环境特殊，一旦出现质量问题就会对工人和周围环境造成严重的安全隐患。因此，对高空作业车折叠臂的生产质量进行分析和监控显得尤为重要。
目前对高空作业车折叠臂的生产质量分析主要侧重在折叠壁在各生产环节中的生产数据进行监测分析或者对折叠臂完成生产后的负载能力以及稳定性等进行监测分析，从而评估高空作业车折叠壁的生产质量，但是当前对折叠壁完成生产后的负载能力的监测分析还存在以下几个方面的不足：1、当前高空作业车折叠臂的负载能力监测监测模式单一，参考性不强，无法确保负载能力监测的覆盖面，也无法保障负载能力监测结果的代表性和可靠性，进而无法保障折叠臂生产质量分析的有效性和参考性。
2、当前高空作业车折叠臂负载能力监测忽略了实际环境对折叠臂实际应用的影响，导致高空作业车折叠臂负载能力监测存在一定的误差，不便于其实际使用场景中的稳定性和可靠性，也无法确保后续使用过程中的安全性。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出基于机器视觉的高空作业车折叠臂生产质量分析方法。
本发明的目的可以通过以下技术方案实现：本发明提供基于机器视觉的高空作业车折叠臂生产质量分析方法，该方法包括：S1、分析设备选样：将待监测高空作业车折叠臂记为目标设备，从当前生产批次生产的各目标设备中随机抽取个目标设备，作为各分析设备，对各分析设备进行编号。
S2、监测场景设置：设置目标设备的监测场景，包括监测场景A、监测场景B和监测场景C。
S3、设备数据提取：提取目标设备的基本结构数据，包括最大伸展长度、设定承重、许可承载风速和限定地面平整度。
S4、监测设备布设：用于设定各监测点，并在各监测点位置安置监测设备。
S5、监测场景模拟：基于目标设备的最大伸展长度，设置各监测场景下的各模拟实验组，记录各模拟实验组中目标设备的伸展长度，并将各分析设备随机均匀分配至各模拟实验组中进行各监测场景模拟，同时记录模拟监测数据。
S6、场景模拟数据分析：根据所述模拟监测数据，进行目标设备生产质量分析，输出目标设备的生产质量吻合度。
S7、分析结果反馈：将目标设备的生产质量吻合度反馈至目标设备的生产质量测试管理人员。
优选地，所述各监测点由各关节连接点和各支撑点组成。
优选地，所述监测场景A为未施加风速干扰和地面干扰，监测场景B为施加风速干扰且未施加地面干扰，监测场景C为施加风速干扰和地面干扰。
优选地，所述进行目标设备生产质量分析，包括：从监测场景A下各模拟实验组中各分析设备的模拟监测数据中提取各监测点的监测数据，统计监测场景A下目标分析设备的生产质量吻合度。
从监测场景B下各模拟实验组中各分析设备的模拟监测数据中提取监控模拟视频以及各监测点的监测数据，统计监测场景B下目标分析设备的生产质量吻合度。
根据取监测场景C下各模拟实验组中各分析设备的模拟监测数据，统计监测场景C下目标分析设备的生产质量吻合度。
将、/>、/>作为生产质量评估模型的输入，将生产质量吻合度作为生产质量评估模型的输出，生产质量模型具体表示如下：，/>表示目标设备的生产质量吻合度，/>表示当前生产批次生产的目标设备数目，/>分别为设定参照的未施加干扰下、施加风速干扰下、施加地面干扰下的参照生产质量吻合度，。
优选地，所述统计监测场景A下目标分析设备的生产质量吻合度，包括：从各监测点的数据中定位出各关节连接点监测的各振动频率、各水平位移值和各垂直位移值。
将各关节连接点监测的各振动频率进行均值计算，得到各关节连接点的平均振动频率，同时从各关节连接点监测的各水平位移值和各垂直位移值中筛选出最大水平位移值和最大垂直位移值，统计各模拟实验组中各分析设备对应各关节连接点的承重稳定度。
从各监测点的数据中定位出各支撑点对应各监测时间点的监测压力值，将各支撑点在同一监测时间点的监测压力值进行相互作差，将差值记为监测压力差，进而筛选出各监测时间点的最大监测压力差，统计各模拟实验组中各分析设备对应各支撑点的承重稳定度。
确认各模拟实验组中各分析设备的各负载能力评估指标，/>表示模拟实验组编号，/>，/>表示分析设备编号，/>，/>表示第/>个负载能力评估指标，/>。
统计监测场景A下目标分析设备的生产质量吻合度，，/>为设定的第/>个负载能力参照评定指标，/>表示向下取整符号，/>表示负载能力评估指标数目，/>表示分析设备数目，表示模拟实验组数。
优选地，所述确认各模拟实验组中各分析设备的各负载能力评估指标，包括：将承重稳定度大于设定参照承重稳定度的关节连接点记为稳定连接点，统计各模拟实验组中各分析设备对应的稳定连接点数目，并将稳定连接点数目与关节连接点数目的比值记为稳定连接比。
从各模拟实验组中各分析设备对应各关节连接点以及各支撑点的承重稳定度分别进行均值计算，得到各模拟实验组中各分析设备的平均关节连接承重稳定度和平均支撑承重稳定度。
将各模拟实验组中各分析设备的稳定连接比、平均关节连接承重稳定度和平均支撑承重稳定度组成其各负载能力评估指标。
优选地，所述统计监测场景B下目标分析设备的生产质量吻合度，包括：按照的确认方式同理确认得到监测场景B下各模拟实验组中各分析设备的各负载能力评估指标。
解析所述监控模拟视频，得到监测场景B下各模拟实验组中各分析设备的承重稳定偏离度。
统计监测场景B下目标分析设备的生产质量吻合度，，/>为设定的第/>个模拟实验组中的参照承重吻合度，/>以及/>分别为设定风速干扰下的第/>个负载能力参照评定指标以及参照承重稳定偏离度。
优选地，所述解析所述监控模拟视频，包括：使用目标检测算法识别各模拟实验组中各分析设备的监控视频，并在所述监控视频的不同帧中跟踪目标设备的各边缘特征点，提取各边缘特征点的位置。
将同一位置的边缘特征点在监控视频不同帧中的位置进行连线，生成各模拟实验组中各分析设备对应各边缘特征点的变化路径，据此设定各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子，/>表示边缘特征点编号，/>。
识别所述变化路径，得到各模拟实验组中各分析设备对应各边缘特征点的变化幅度和变化频率/>。
统计监测场景B下各模拟实验组中各分析设备的承重稳定偏离度，，/>分别为设定参照的安全变化幅度、安全变化频率，/>为边缘特征点数目。
优选地，所述设定各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子，包括：若某边缘特征点的变化路径为直线，将作为该边缘特征点的路径形状风险权重因子，若某边缘特征点的变化路径为曲线，将/>作为该边缘特征点的路径形状风险权重因子，以此得到各模拟实验组中各分析设备对应各边缘特征点的路径形状风险权重因子，/>取值为/>或者/>，/>。
若某边缘特征点对应变化路径的起点位置和终点位置相同，将作为该边缘特征点的失稳风险因子，反之将/>作为该边缘特征点的失稳风险因子，以此得到各模拟实验组中各分析设备对应各边缘特征点的失稳风险因子/>，/>取值为/>或者/>，/>。
将作为各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子/>。
优选地，所述统计监测场景C下目标分析设备的生产质量吻合度，包括：从监测场景C下各模拟实验组中各分析设备的模拟监测数据中提取监控视频和各监测点的监测数据，通过稳定评估模型评估得到监测场景C下各模拟实验组的综合承重稳定度。
基于目标设备的限定地面平整度和许可承重风速，从测试信息库中定位出目标设备在限定地面平整度和许可承载风速下各伸展长度对应的基准承重稳定度，并基于各模拟实验组中目标设备的伸展长度，筛选出各模拟实验组的基准承重稳定度。
将与/>进行差值计算，得到各模拟实验组的承重稳定度偏差，将承重稳定度偏差小于0的模拟实验组记为偏差实验组。
将各模拟实验组按照其伸展长度由小至大进行排序，得到各模拟实验组的排序，并通过判断规则判断得到监测场景C下目标分析设备的生产质量吻合度。
相较于现有技术，本发明的有益效果如下：（1）本发明通过设置目标设备的监测场景和各监测场景下的各模拟实验组，并根据所述模拟数据对不同监测场景下的载重稳定情况进行分析，进而进行生产质量分析，有效解决了当前高空作业车折叠臂负载能力监测模式较为单一的问题，提升了高空作业车折叠臂负载能力监测的参考性，确保了高空作业车折叠臂负载能力监测的覆盖面，进而确保了高空作业车折叠臂负载能力监测结果的代表性和可靠性，并为折叠臂生产质量分析的有效性和参考性提供了有力保障。
（2）本发明通过结合风速、地面平整度等环境影响因素进行生产质量分析，弥补了当前高空作业车折叠臂负载能力监测对实际环境影响的忽略，进可能的缩减了高空作业车折叠臂负载能力的监测误差提升了高空作业车折叠臂生产质量分析结果的真实性、精准性以及合理性，同时还为后续实际使用场景中的稳定性和可靠性提供了保障，进而提升了后续使用过程中的安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的附图。
图1为本发明方法实施步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提供了基于机器视觉的高空作业车折叠臂生产质量分析
方法，该方法包括：S1、分析设备选样：将待监测高空作业车折叠臂记为目标设备，从当前生
产批次生产的各目标设备中随机抽取个目标设备，作为各分析设备，并对各分析设备进
行编号。
S2、监测场景设置：设置目标设备的监测场景，包括监测场景A、监测场景B和监测场景C。
具体地，监测场景A为未施加风速干扰和地面干扰，监测场景B为施加风速干扰且未施加地面干扰，监测场景C为施加风速干扰和地面干扰。
S3、设备数据提取：提取目标设备的基本结构数据，包括最大伸展长度、设定承重、许可承载风速和限定地面平整度。
S4、监测设备布设：用于设定各监测点，并在各监测点位置安置监测设备，其中，各监测点由各关节连接点和各支撑点组成。
在一个具体实施例中，关节连接点位置安置的监测设备包括振动传感器和位移传感器，支撑点位置安置的监测设备为压力传感器。
S5、监测场景模拟：基于目标设备的最大伸展长度，设置各监测场景下的各模拟实验组，记录各模拟实验组中目标设备的伸展长度，并将各分析设备随机均匀分配至各模拟实验组中进行各监测场景模拟，同时记录模拟监测数据。
需要说明的是，设置各监测场景下的各模拟实验组，包括：从目标设备的基本结构数据中定位出最大伸展长度，据此将最大伸展长度划分为若干等分，将划分的数目作为模拟实验组数，记录划分的各伸展长度，并将限定承重和伸展长度各模拟实验组的实验条件，据此构建监测场景A下的各模拟实验组。
从目标设备的基本结构数据中提取许可承载风速，将限定承重、伸展长度以及许可承载风速作为各模拟实验组的实验条件，据此构建监测场景B下的各模拟实验组。
从目标设备的基本结构数据中提取限定地面平整度，将限定承重、伸展长度以及限定地面平整度作为各模拟实验组的实验条件，据此构建监测场景C下的各模拟实验组。
进一步地，模拟监测数据包括但不限于各监测点的监测数据和监控视频，其中，各监测点的监测数据由各关节连接点监测的各振动频率、各水平位移值和各垂直位移值以及各支撑点对应各监测时间点的监测压力值组成。
S6、场景模拟数据分析：根据所述模拟监测数据，进行目标设备生产质量分析，输出目标设备的生产质量吻合度。
示例性地，进行目标设备生产质量分析，包括：S61、从监测场景A下各模拟实验组中各分析设备的模拟监测数据中提取各监测点的监测数据，统计监测场景A下目标分析设备的生产质量吻合度。
可理解地，统计监测场景A下目标分析设备的生产质量吻合度，包括：E1、从各监测点的数据中定位出各关节连接点监测的各振动频率、各水平位移值和各垂直位移值。
E2、将各关节连接点监测的各振动频率进行均值计算，得到各关节连接点的平均振动频率，同时从各关节连接点监测的各水平位移值和各垂直位移值中筛选出最大水平位移值和最大垂直位移值，统计各模拟实验组中各分析设备对应各关节连接点的承重稳定度。
需要说明的是，统计各模拟实验组中各分析设备对应各关节连接点的承重稳定度包括：将各模拟实验组中各分析设备对应各关节连接点的平均振动频率、最大水平位移值、最大垂直位移值分别记为、/>和/>,/>表示模拟实验组编号，/>，/>表示分析设备编号，/>,/>表示关节连接点编号，/>。
统计各模拟实验组中各分析设备对应各关节连接点的承重稳定度，,/>分别为设定许可承载振动频率、水平位移值、垂直位移值。
E3、从各监测点的数据中定位出各支撑点对应各监测时间点的监测压力值，将各支撑点在同一监测时间点的监测压力值进行相互作差，将差值记为监测压力差，进而筛选出各监测时间点的最大监测压力差，统计各模拟实验组中各分析设备对应各支撑点的承重稳定度。
需要说明的是，统计各模拟实验组中各分析设备对应各支撑点的承重稳定度，包括：从各模拟实验组中各分析设备对应各监测时间点的最大监测压力差进行均值计算，得到各模拟实验组中各分析设备对应各支撑点的平均监测压力差，记为，/>表示支撑点编号，/>；
统计各模拟实验组中各分析设备对应各支撑点的承重稳定度，，/>为设定参照许可压力差。
E4、确认各模拟实验组中各分析设备的各负载能力评估指标，/>表示第/>个负载能力评估指标，/>。
可理解地，确认各模拟实验组中各分析设备的各负载能力评估指标，包括：将承重稳定度大于设定参照承重稳定度的关节连接点记为稳定连接点，统计各模拟实验组中各分析设备对应的稳定连接点数目，并将稳定连接点数目与关节连接点数目的比值记为稳定连接比。
从各模拟实验组中各分析设备对应各关节连接点以及各支撑点的承重稳定度分别进行均值计算，得到各模拟实验组中各分析设备的平均关节连接承重稳定度和平均支撑承重稳定度。
将各模拟实验组中各分析设备的稳定连接比、平均关节连接承重稳定度和平均支撑承重稳定度组成其各负载能力评估指标。
E5、统计监测场景A下目标分析设备的生产质量吻合度，，为设定的第个负载能力
参照评定指标，表示负载能力评估指标数目，表示分析设备数目，表示模拟实验组
数。
S62、从监测场景B下各模拟实验组中各分析设备的模拟监测数据中提取监控模拟视频以及各监测点的监测数据，统计监测场景B下目标分析设备的生产质量吻合度。
可理解地，统计监测场景B下目标分析设备的生产质量吻合度，包括：T1、按照的确认方式同理确认得到监测场景B下各模拟实验组中各分析设备的各负载能力评估指标。
T2、解析所述监控模拟视频，得到监测场景B下各模拟实验组中各分析设备的承重稳定偏离度。
其中，解析所述监控模拟视频，包括：T21、使用目标检测算法识别各模拟实验组中各分析设备的监控视频，并在所述监控视频的不同帧中跟踪目标设备的各边缘特征点，提取各边缘特征点的位置。
在一个具体实施例中，目标检测算法为现有算法，其具体可以采用YOLO算法或者FasterR-CNN算法等算法。
在另一个具体实施例中，边缘特征点可以为关节连接点。
T22、将同一位置的边缘特征点在监控视频不同帧中的位置进行连线，生成各模拟实验组中各分析设备对应各边缘特征点的变化路径，据此设定各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子，/>表示边缘特征点编号，/>。
进一步地，设定各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子，包括：G1、若某边缘特征点的变化路径为直线，将作为该边缘特征点的路径形状风险权重因子，若某边缘特征点的变化路径为曲线，将/>作为该边缘特征点的路径形状风险权重因子，以此得到各模拟实验组中各分析设备对应各边缘特征点的路径形状风险权重因子，/>取值为/>或者/>，/>。
G2、若某边缘特征点对应变化路径的起点位置和终点位置相同，将作为该边缘特征点的失稳风险因子，反之将/>作为该边缘特征点的失稳风险因子，以此得到各模拟实验组中各分析设备对应各边缘特征点的失稳风险因子/>，/>取值为/>或者/>，。
在一个具体实施例中，取值可以为0.5，/>取值可以为0.6，/>取值可以为0.3，可以为0.6。
G3、将作为各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子/>。
T23、识别所述变化路径，得到各模拟实验组中各分析设备对应各边缘特征点的变化幅度和变化频率/>。
需要说明的是，变化幅度指变化路径的长度，其中，变化频率的具体识别过程如下：Q1、将边缘特征点在监控视频不同帧中的位置在变化路径中进行标注，得到各标注点，并按照视频帧的先后顺序对各标注点进行排序，将排序第一位的标注点作为基准点。
Q2、若排序第二位的标注点与基准点在变化路径中不处于同一点，则将排序第二位的标注点记为变化点。
Q3、若排序第三位的标注点与排序第二位的标注点在变化路径中不处于同一点，则将该排序第三位的标注点记为变化点，进而按照此规律依次对剩余的各标注点进行遍历，输出各变化点。
Q4、统计变化点数目，作为变化次数，同时提取监控视频的时长，将变化次数与监控视频时长的比值作为变化频率。
T24、统计监测场景B下各模拟实验组中各分析设备的承重稳定偏离度，，/>分别为设定参照的安全变化幅度、安全变化频率，/>为边缘特征点数目。
T3、统计监测场景B下目标分析设备的生产质量吻合度，，/>为设定的第/>个模拟实验组中的参照承重吻合度，/>以及/>分别为设定风速干扰下的第/>个负载能力参照评定指标以及参照承重稳定偏离度。
S63、根据取监测场景C下各模拟实验组中各分析设备的模拟监测数据，统计监测场景C下目标分析设备的生产质量吻合度。
可理解地，统计监测场景C下目标分析设备的生产质量吻合度，包括：U1、从监测场景C下各模拟实验组中各分析设备的模拟监测数据中提取监控视频和各监测点的监测数据，通过稳定评估模型评估得到监测场景C下各模拟实验组的综合承重稳定度。
在一个具体实施例中，稳定评估模型的具体评估过程为：按照和/>的分析方式同理确认得到监测场景C下各模拟实验组中各分析设备的各负载能力评估指标/>以及承重稳定偏离度/>。
将和/>作为稳定评估模型的输入，将各模拟实验组的综合承重稳定度作为稳定评估模型的输出，其中，稳定评估模型具体表示公式如下：，/>以及/>分别为设定风速干扰和地面干扰下的第/>个负载能力参照评定指标以及参照承重稳定偏离度。
U2、基于目标设备的限定地面平整度和许可承重风速，从测试信息库中定位出目标设备在限定地面平整度和许可承载风速下各伸展长度对应的基准承重稳定度，并基于各模拟实验组中目标设备的伸展长度，筛选出各模拟实验组的基准承重稳定度。
U3、将与/>进行差值计算，得到各模拟实验组的承重稳定度偏差，将承重稳定度偏差小于0的模拟实验组记为偏差实验组。
U4、将各模拟实验组按照其伸展长度由小至大进行排序，得到各模拟实验组的排序，并通过判断规则判断得到监测场景C下目标分析设备的生产质量吻合度。
需要补充的是，判断规则的判断过程为：步骤1、统计偏差实验组数，若/>，将/>作为监测场景C下目标分析设备的生产质量吻合度。
步骤2、若且偏差实验组的排序均为中位之后，将/>作为监测场景C下目标分析设备的生产质量吻合度，若存在偏差实验组排序位于中位或者位于中位之前且非首位，将/>作为监测场景C下目标分析设备的生产质量吻合度，若存在偏差实验组排序为首位，将/>作为监测场景C下目标分析设备的生产质量吻合度，/>表示向上取整符号。
步骤3、若，将/>作为监测场景C下目标分析设备的生产质量吻合度。
在一个具体实施例中，为了便于理解，可以取值为0.9，/>取值可以为0.5，/>取值可以为0.3，/>取值可以为0，/>取值为小于0的任意实数，如-1。
S64、将、/>、/>作为生产质量评估模型的输入，将生产质量吻合度作为生产质量评估模型的输出，生产质量模型具体表示如下：，/>表示目标设备的生产质量吻合度，/>表示当前生产批次生产的目标设备数目，/>分别为设定参照的未施加干扰下、施加风速干扰下、施加地面干扰下的参照生产质量吻合度，。
本发明实施例通过结合风速、地面平整度等环境影响因素进行生产质量分析，弥补了当前高空作业车折叠臂负载能力监测对实际环境影响的忽略，进可能的缩减了高空作业车折叠臂负载能力的监测误差提升了高空作业车折叠臂生产质量分析结果的真实性、精准性以及合理性，同时还为后续实际使用场景中的稳定性和可靠性提供了保障，进而提升了后续使用过程中的安全性。
S7、分析结果反馈：将目标设备的生产质量吻合度反馈至目标设备的生产质量测试管理人员。
本发明实施例通过设置目标设备的监测场景和各监测场景下的各模拟实验组，并根据所述模拟数据对不同监测场景下的载重稳定情况进行分析，进而进行生产质量分析，有效解决了当前高空作业车折叠臂负载能力监测模式较为单一的问题，提升了高空作业车折叠臂负载能力监测的参考性，确保了高空作业车折叠臂负载能力监测的覆盖面，进而确保了高空作业车折叠臂负载能力监测结果的代表性和可靠性，并为折叠臂生产质量分析的有效性和参考性提供了有力保障。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (1)
1.基于机器视觉的高空作业车折叠臂生产质量分析方法，其特征在于：该方法包括：
S1、分析设备选样：将待监测高空作业车折叠臂记为目标设备，从当前生产批次生产的各目标设备中随机抽取个目标设备，作为各分析设备，对各分析设备进行编号；
S2、监测场景设置：设置目标设备的监测场景，包括监测场景A、监测场景B和监测场景C；
S3、设备数据提取：提取目标设备的基本结构数据，包括最大伸展长度、设定承重、许可承载风速和限定地面平整度；
S4、监测设备布设：用于设定各监测点，并在各监测点位置安置监测设备；
S5、监测场景模拟：基于目标设备的最大伸展长度，设置各监测场景下的各模拟实验组，记录各模拟实验组中目标设备的伸展长度，并将各分析设备随机均匀分配至各模拟实验组中进行各监测场景模拟，同时记录模拟监测数据；
S6、场景模拟数据分析：根据所述模拟监测数据，进行目标设备生产质量分析，输出目标设备的生产质量吻合度；
S7、分析结果反馈：将目标设备的生产质量吻合度反馈至目标设备的生产质量测试管理人员；
所述各监测点由各关节连接点和各支撑点组成；所述监测场景A为未施加风速干扰和地面干扰，监测场景B为施加风速干扰且未施加地面干扰，监测场景C为施加风速干扰和地面干扰；
所述进行目标设备生产质量分析，包括：
从监测场景A下各模拟实验组中各分析设备的模拟监测数据中提取各监测点的监测数据，统计监测场景A下目标分析设备的生产质量吻合度；
从监测场景B下各模拟实验组中各分析设备的模拟监测数据中提取监控模拟视频以及各监测点的监测数据，统计监测场景B下目标分析设备的生产质量吻合度；
根据取监测场景C下各模拟实验组中各分析设备的模拟监测数据，统计监测场景C下目标分析设备的生产质量吻合度；
将、/>、/>作为生产质量评估模型的输入，将生产质量吻合度作为生产质量评估模型的输出，生产质量模型具体表示如下：
，/>表示目标设备的生产质量吻合度，/>表示当前生产批次生产的目标设备数目，/>分别为设定参照的未施加干扰下、施加风速干扰下、施加地面干扰下的参照生产质量吻合度，；
所述统计监测场景A下目标分析设备的生产质量吻合度，包括：
从各监测点的数据中定位出各关节连接点监测的各振动频率、各水平位移值和各垂直位移值；
将各关节连接点监测的各振动频率进行均值计算，得到各关节连接点的平均振动频率，同时从各关节连接点监测的各水平位移值和各垂直位移值中筛选出最大水平位移值和最大垂直位移值，统计各模拟实验组中各分析设备对应各关节连接点的承重稳定度；
从各监测点的数据中定位出各支撑点对应各监测时间点的监测压力值，将各支撑点在同一监测时间点的监测压力值进行相互作差，将差值记为监测压力差，进而筛选出各监测时间点的最大监测压力差，统计各模拟实验组中各分析设备对应各支撑点的承重稳定度；
确认各模拟实验组中各分析设备的各负载能力评估指标，/>表示模拟实验组编号，/>，/>表示分析设备编号，/>，/>表示第/>个负载能力评估指标，/>；
统计监测场景A下目标分析设备的生产质量吻合度，，/>为设定的第/>个负载能力参照评定指标，/>表示向下取整符号，/>表示负载能力评估指标数目，/>表示分析设备数目，/>表示模拟实验组数；
所述确认各模拟实验组中各分析设备的各负载能力评估指标，包括：
将承重稳定度大于设定参照承重稳定度的关节连接点记为稳定连接点，统计各模拟实验组中各分析设备对应的稳定连接点数目，并将稳定连接点数目与关节连接点数目的比值记为稳定连接比；
从各模拟实验组中各分析设备对应各关节连接点以及各支撑点的承重稳定度分别进行均值计算，得到各模拟实验组中各分析设备的平均关节连接承重稳定度和平均支撑承重稳定度；
将各模拟实验组中各分析设备的稳定连接比、平均关节连接承重稳定度和平均支撑承重稳定度组成其各负载能力评估指标；
所述统计监测场景B下目标分析设备的生产质量吻合度，包括：
按照的确认方式同理确认得到监测场景B下各模拟实验组中各分析设备的各负载能力评估指标/>；
解析所述监控模拟视频，得到监测场景B下各模拟实验组中各分析设备的承重稳定偏离度；
统计监测场景B下目标分析设备的生产质量吻合度，，/>为设定的第/>个模拟实验组中的参照承重吻合度，/>以及/>分别为设定风速干扰下的第/>个负载能力参照评定指标以及参照承重稳定偏离度；
所述解析所述监控模拟视频，包括：
使用目标检测算法识别各模拟实验组中各分析设备的监控视频，并在所述监控视频的不同帧中跟踪目标设备的各边缘特征点，提取各边缘特征点的位置；
将同一位置的边缘特征点在监控视频不同帧中的位置进行连线，生成各模拟实验组中各分析设备对应各边缘特征点的变化路径，据此设定各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子，/>表示边缘特征点编号，/>；
识别所述变化路径，得到各模拟实验组中各分析设备对应各边缘特征点的变化幅度和变化频率/>；
统计监测场景B下各模拟实验组中各分析设备的承重稳定偏离度，，/>分别为设定参照的安全变化幅度、安全变化频率，/>为边缘特征点数目；
所述设定各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子，包括：
若某边缘特征点的变化路径为直线，将作为该边缘特征点的路径形状风险权重因子，若某边缘特征点的变化路径为曲线，将/>作为该边缘特征点的路径形状风险权重因子，以此得到各模拟实验组中各分析设备对应各边缘特征点的路径形状风险权重因子，/>取值为/>或者/>，/>；
若某边缘特征点对应变化路径的起点位置和终点位置相同，将作为该边缘特征点的失稳风险因子，反之将/>作为该边缘特征点的失稳风险因子，以此得到各模拟实验组中各分析设备对应各边缘特征点的失稳风险因子/>，/>取值为/>或者/>，/>；
将作为各模拟实验组中各分析设备对应各边缘特征点的变化风险权重因子/>；
所述统计监测场景C下目标分析设备的生产质量吻合度，包括：
从监测场景C下各模拟实验组中各分析设备的模拟监测数据中提取监控视频和各监测点的监测数据，通过稳定评估模型评估得到监测场景C下各模拟实验组的综合承重稳定度；
基于目标设备的限定地面平整度和许可承重风速，从测试信息库中定位出目标设备在限定地面平整度和许可承载风速下各伸展长度对应的基准承重稳定度，并基于各模拟实验组中目标设备的伸展长度，筛选出各模拟实验组的基准承重稳定度；
将与/>进行差值计算，得到各模拟实验组的承重稳定度偏差，将承重稳定度偏差小于0的模拟实验组记为偏差实验组；
将各模拟实验组按照其伸展长度由小至大进行排序，得到各模拟实验组的排序，并通过判断规则判断得到监测场景C下目标分析设备的生产质量吻合度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410154016.1A CN117689276B (zh) | 2024-02-04 | 2024-02-04 | 基于机器视觉的高空作业车折叠臂生产质量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410154016.1A CN117689276B (zh) | 2024-02-04 | 2024-02-04 | 基于机器视觉的高空作业车折叠臂生产质量分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689276A CN117689276A (zh) | 2024-03-12 |
| CN117689276B true CN117689276B (zh) | 2024-04-19 |
Family
ID=90135705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410154016.1A Active CN117689276B (zh) | 2024-02-04 | 2024-02-04 | 基于机器视觉的高空作业车折叠臂生产质量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689276B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005035776A (ja) * | 2003-07-18 | 2005-02-10 | East Japan Railway Co | 高所作業車、及びはつり作業装置 |
| CN202836835U (zh) * | 2012-09-28 | 2013-03-27 | 佛山市安尔康姆航拍科技有限公司 | 一种无人飞行器升力、扭力测试装置 |
| CN112131707A (zh) * | 2020-08-21 | 2020-12-25 | 山西航天清华装备有限责任公司 | 一种基于mockup的装配公差对臂架末端精度影响的仿真分析方法 |
| CN114529204A (zh) * | 2022-02-22 | 2022-05-24 | 刘昌先 | 一种组件化的生产过程控制管理方法及系统 |
| CN116007542A (zh) * | 2022-12-30 | 2023-04-25 | 深圳瑞捷工程咨询股份有限公司 | 一种基于bim的无人机智能检测系统 |
| CN116563293A (zh) * | 2023-07-11 | 2023-08-08 | 南通玖方新材料科技有限公司 | 一种基于机器视觉的光伏载具生产质量检测方法及系统 |
| CN117078661A (zh) * | 2023-10-12 | 2023-11-17 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
| CN117475381A (zh) * | 2023-12-22 | 2024-01-30 | 济宁久邦工程机械设备有限公司 | 一种高空作业平台运行状态实时监测系统 |
-
2024
- 2024-02-04 CN CN202410154016.1A patent/CN117689276B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005035776A (ja) * | 2003-07-18 | 2005-02-10 | East Japan Railway Co | 高所作業車、及びはつり作業装置 |
| CN202836835U (zh) * | 2012-09-28 | 2013-03-27 | 佛山市安尔康姆航拍科技有限公司 | 一种无人飞行器升力、扭力测试装置 |
| CN112131707A (zh) * | 2020-08-21 | 2020-12-25 | 山西航天清华装备有限责任公司 | 一种基于mockup的装配公差对臂架末端精度影响的仿真分析方法 |
| CN114529204A (zh) * | 2022-02-22 | 2022-05-24 | 刘昌先 | 一种组件化的生产过程控制管理方法及系统 |
| CN116007542A (zh) * | 2022-12-30 | 2023-04-25 | 深圳瑞捷工程咨询股份有限公司 | 一种基于bim的无人机智能检测系统 |
| CN116563293A (zh) * | 2023-07-11 | 2023-08-08 | 南通玖方新材料科技有限公司 | 一种基于机器视觉的光伏载具生产质量检测方法及系统 |
| CN117078661A (zh) * | 2023-10-12 | 2023-11-17 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
| CN117475381A (zh) * | 2023-12-22 | 2024-01-30 | 济宁久邦工程机械设备有限公司 | 一种高空作业平台运行状态实时监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于模糊层次分析法的电能质量综合评估与灵敏度分析;翟兴丽;文福拴;林振智;李育灵;;华北电力大学学报(自然科学版);20130930(第05期);全文 * |
| 浅谈复杂环境下桁架吊装工程施工技术与安全管理措施;曹永志;;建材与装饰;20160701(第27期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689276A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
| US7720647B2 (en) | System and method for filtering a point cloud | |
| CN111143932A (zh) | 一种桥梁健康状态的评估方法、装置、系统和设备 | |
| CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
| CN111510500B (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
| CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| CN108830417B (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
| CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| CN116363601A (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
| CN109146880A (zh) | 一种基于深度学习的电力设备检测方法 | |
| CN107423451A (zh) | 一种基于gis的10千伏线路管理系统及方法 | |
| CN112116160A (zh) | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 | |
| CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
| CN115858940B (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
| CN104112003B (zh) | 对游戏终端的性能进行检测的方法及系统 | |
| CN117689276B (zh) | 基于机器视觉的高空作业车折叠臂生产质量分析方法 | |
| CN116401879B (zh) | 一种溃决尾矿砂下游演进模拟方法 | |
| CN111161111A (zh) | 一种用于考试阅卷监测的动态分析数据处理系统及方法 | |
| CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
| CN115640694A (zh) | 消防数字孪生系统、消防预案的推演方法及相关设备 | |
| CN111898871B (zh) | 电网电源端数据质量评价方法、装置及系统 | |
| CN111859058A (zh) | 环境数据的获取方法、装置、存储介质及电子装置 | |
| CN113324998B (zh) | 一种用于钛合金棒材的生产质检监管系统 |
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 |