CN117740811B - 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 - Google Patents
一种新能源汽车遮阳篷性能检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117740811B CN117740811B CN202410186247.0A CN202410186247A CN117740811B CN 117740811 B CN117740811 B CN 117740811B CN 202410186247 A CN202410186247 A CN 202410186247A CN 117740811 B CN117740811 B CN 117740811B
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- awning
- optical characteristic
- target
- actual
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 125
- 238000003860 storage Methods 0.000 title claims abstract description 50
- 230000003287 optical effect Effects 0.000 claims abstract description 221
- 230000002159 abnormal effect Effects 0.000 claims abstract description 101
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 230000002950 deficient Effects 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims description 103
- 238000000034 method Methods 0.000 claims description 46
- 230000008439 repair process Effects 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 24
- 238000002834 transmittance Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 16
- 238000005507 spraying Methods 0.000 description 9
- 239000011248 coating agent Substances 0.000 description 5
- 238000000576 coating method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005498 polishing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遮阳篷检测技术领域,特别是一种新能源汽车遮阳篷性能检测方法、系统及存储介质。基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,若检测结果为第二检测结果,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵;将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息。能够有效提高检测效率和准确性,有助于提升遮阳篷的生产质量。
Description
技术领域
本发明涉及遮阳篷检测技术领域,特别是一种新能源汽车遮阳篷性能检测方法、系统及存储介质。
背景技术
新能源汽车遮阳篷是安装在新能源汽车车顶上的一种装置,用于遮挡或部分遮挡外部阳光和热量,提供舒适的车内环境和遮蔽驾驶员和乘客的视线。在新能源汽车遮阳篷出厂之前,需要对其光学性能进行一系列检测以确保其质量和功能满足相关标准和要求,以确保其具备良好的遮光、透光、热隔离和耐候等性能。尽管现有的新能源汽车遮阳篷性能检测方法在提供一定的准确性和可靠性方面取得了一定的进展,但仍存在一些技术缺陷需要克服,一方面是,现有方法中的一些检测过程耗时较长,需要配备复杂的检测算法进行检测,导致检测效率较低,因此,需要更高效的方法来加快检测过程,提高效率;另一方面是,现有方法对于遮阳篷性能检测的数据处理和分析精度较低,光学检测设备所采集到的光学特征数据中往往会存在噪声数据,而现有方法中无法对这些噪声数据进行有效精准的识别与筛除,造成检测结果的可靠性较低,容易出现误判现象。
发明内容
本发明克服了现有技术中检测效率与检测可靠性低的不足,提供了一种新能源汽车遮阳篷性能检测方法、系统及存储介质。
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新能源汽车遮阳篷性能检测方法,包括以下步骤:
通过光学检测设备依次采集目标遮阳篷中各个预设位置节点的各种光学特性数据,构建若干个存储空间,并将各个预设位置节点中相同类型的光学特性数据分别存储在相应的存储空间内;
采集完毕后,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集;其中,所述光学特性数据包括遮光率、透光率、光反射率以及紫外线透过率;
基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵;
将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息。
进一步地,本发明的一个较佳实施例中,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集,具体为:
将所述存储空间内的各光学特性数据均视为独立的样本,在所述存储空间内随机选择一个样本作为根节点;
在剩余的样本中随机选择一个样本,并提取选择中的样本的样本特征信息,根据样本特征信确定出切割特征,根据所述切割特征对所述根节点进行切割分裂,得到一个叶节点;重复本步骤,直至每个样本都成为了叶节点,得到初始树模型;其中,样本特征信息包括数值特征与时间特征;
引入余弦相似度算法,基于余弦相似度算法计算所述初始树模型中每对叶节点之间的相似度;将每对叶节点之间的相似度与预设相似度进行比较;
若存在某一对叶节点之间的相似度大于预设相似度的情况,则将该对叶节点中的任一叶节点进行裁切处理,完成对初始树模型的剪枝操作,得到最终树模型;
重复以上步骤,直至对各个存储空间内的光学特性数据均处理完毕,得到若干棵最终树模型;
对于各棵最终树模型,计算各棵最终树模型中各个样本的路径长度,根据所述路径长度确定出各个样本的孤立得分;其中,路径长度是指从根节点到叶节点经过的边的数量;
判断各棵最终树模型中各个样本的孤立得分是否大于预设阈值,并将孤立得分大于预设阈值的样本剔除;
获取各棵最终树模型中的剩余样本,并根据各棵最终树模型中的剩余样本得到目标遮阳篷的各项实际光学特性数据集。
进一步地,本发明的一个较佳实施例中,基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,得到第一检测结果或第二检测结果,具体为:
获取目标遮阳篷的生产订单信息,根据所述生产订单要求信息提取出目标遮阳篷的性能要求信息,根据所述性能要求信息得到目标遮阳篷中各个预设位置节点的标准光学特性数据,并将各个预设位置节点中相同类型的标准光学特性数据进行汇聚,得到目标遮阳篷的各项标准光学特性数据集;
通过哈希算法计算各项实际光学特性数据集与相应标准光学特性数据集之间的哈希值,根据所述哈希值确定出各项实际光学特性数据集与相应标准光学特性数据集之间的重合度;
判断各项实际光学特性数据集与相应标准光学特性数据集之间的重合度是否大于预设重合度;
若各项实际光学特性数据集与相应标准光学特性数据集之间的重合度均大于预设重合度,则生成第一检测结果,并将目标遮阳篷标记为合格品。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
若存在一项或多项实际光学特性数据集与相应标准光学特性数据集之间的重合度不大于预设重合度的情况,则提取重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集;
根据目标遮阳篷中各个预设位置节点标定横坐标刻度点,并根据光学特性数据的数据范围标定纵坐标刻度点,根据所述横坐标刻度点与纵坐标刻度点构建平面直角坐标系;
根据重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集在所述平面直角坐标系中生成实际光学特性数据散点图与标准光学特性数据散点图;
在所述平面直角坐标系中计算位于同一横坐标刻度点中的实际光学特性数据散点与标准光学特性数据散点之间的欧氏距离,将欧氏距离大于预设欧氏距离的实际光学特性数据散点与标准光学特性数据散点对应的横坐标刻度点标记为奇异刻度点;
获取目标遮阳篷中与各奇异刻度点相对应的预设位置节点,并将目标遮阳篷中与各奇异刻度点相对应的预设位置节点标记为目标遮阳篷的异常位置节点,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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵,具体为:
若检测结果为第二检测结果,则获取目标遮阳篷的异常位置节点,并通过检测相机获取目标遮阳篷中异常位置节点的区域图像信息;
将所述区域图像信息中每个像素的红、绿、蓝分量按照预设比例加权求和,以对所述区域图像信息进行灰度化处理;将灰度化处理后的区域图像中像素的灰度值划分为若干个等级,以对区域图像进行量化处理;
构建空白矩阵,设定像素对之间的距离和方向,遍历量化处理后的区域图像中每个像素,对于每个像素,找到与该像素在设定的距离和方向上的像素,并记录这两个像素的灰度值,并将这两个像素的灰度值填入空白矩阵,得到目标遮阳篷中异常位置节点的实际灰度共生矩阵;
其中,在实际灰度共生矩阵中,行表示区域图像中某一像素的灰度值,列表示与该像素在设定距离和方向上的像素的灰度值,矩阵中的每个元素表示对应的像素值对同时出现在区域图像中的次数。
进一步地,本发明的一个较佳实施例中,将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息,具体为:
通过大数据网络获取大量的遮阳篷缺陷工况图像样本,并获取各缺陷工况图像样本对应的特征灰度共生矩阵;
构建数据库,并将各缺陷工况图像样本对应的特征灰度共生矩阵导入所述数据库中,得到缺陷工况特征数据库;并定期对所述缺陷工况特征数据库进行更新;
计算所述实际灰度共生矩阵与缺陷工况特征数据库中各特征共生灰度矩阵之间的Jaccard相似系数;将计算得到的各个Jaccard相似系数与预设系数进行比较;
获取Jaccard相似系数大于预设系数对应的特征共生灰度矩阵,根据Jaccard相似系数大于预设系数对应的特征共生灰度矩阵生成配对标签,根据所述配对标签在所述缺陷工况特征数据库中配对得到目标遮阳篷中异常位置节点的实际缺陷工况类型;
判断目标遮阳篷中异常位置节点的实际缺陷工况类型是否为预设缺陷工况类型;
若目标遮阳篷中异常位置节点的实际缺陷工况类型是预设缺陷工况类型,则生成报废信息,并对目标遮阳篷进行报废处理。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
在修复设备的运行日志中获取得到对历史遮阳篷的各种缺陷工况进行修复的历史修复方案;并获取通过各历史修复方案对各种缺陷工况的历史遮阳篷进行修复后的修复成功率;
构建排序表,将通过各历史修复方案对各种缺陷工况的历史遮阳篷进行修复后的修复成功率导入所述排序表中进行排序,得到最高修复成功率对应的历史修复方案;并将最高修复成功率对应的历史修复方案标定为相应缺陷工况的最佳修复方案;得到与各种缺陷工况对应的最佳修复方案;
构建知识图谱,并将与各种缺陷工况对应的最佳修复方案导入所述知识图谱中,并定期更新所述知识图谱;
若目标遮阳篷中异常位置节点的实际缺陷工况类型不是预设缺陷工况类型,则根据目标遮阳篷中异常位置节点的实际缺陷工况类型在所述知识图谱中检索得到相应的最佳修复方案,并根据所述最佳修复方案生成修复推荐信息,将所述修复推荐信息发生至预设终端上显示。
本发明第二方面公开了一种新能源汽车遮阳篷性能检测系统,所述遮阳篷性能检测系统包括存储器与处理器,所述存储器中存储有遮阳篷性能检测方法程序,当所述遮阳篷性能检测方法程序被所述处理器执行时,实现如下步骤:
通过光学检测设备依次采集目标遮阳篷中各个预设位置节点的各种光学特性数据,构建若干个存储空间,并将各个预设位置节点中相同类型的光学特性数据分别存储在相应的存储空间内;
采集完毕后,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集;其中,所述光学特性数据包括遮光率、透光率、光反射率以及紫外线透过率;
基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵;
将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质包括遮阳篷性能检测方法程序,所述遮阳篷性能检测方法程序被处理器执行时,实现任一项所述的遮阳篷性能检测方法的步骤。
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:本新能源汽车遮阳篷性能检测方法能够有效提高检测效率和准确性,实现无损检测;结合先进算法对遮阳篷进行检测分析,能够准确分析出遮阳篷缺陷位置与类型,能够生产商提供更直观的检测报告,便于生产商优化生产工艺,有助于提升遮阳篷的生产质量。
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为一种新能源汽车遮阳篷性能检测方法的整体方法流程图;
图2为一种新能源汽车遮阳篷性能检测方法的部分方法流程图;
图3为一种新能源汽车遮阳篷性能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新能源汽车遮阳篷性能检测方法,包括以下步骤:
S102:通过光学检测设备依次采集目标遮阳篷中各个预设位置节点的各种光学特性数据,构建若干个存储空间,并将各个预设位置节点中相同类型的光学特性数据分别存储在相应的存储空间内;
S104:采集完毕后,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集;其中,所述光学特性数据包括遮光率、透光率、光反射率以及紫外线透过率;
S106:基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵;
S110:将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息。
需要说明的是,光学检测设备包括光谱辐射计、光度计、红外热像仪、成像光谱仪等。目标遮阳篷即是待检测的遮阳篷。缺陷工况包括但不限于裂纹缺陷工况、表面污点缺陷工况、穿孔裂纹缺陷工况等。
进一步地,本发明的一个较佳实施例中,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集,具体为:
将所述存储空间内的各光学特性数据均视为独立的样本,在所述存储空间内随机选择一个样本作为根节点;
在剩余的样本中随机选择一个样本,并提取选择中的样本的样本特征信息,根据样本特征信确定出切割特征,根据所述切割特征对所述根节点进行切割分裂,得到一个叶节点;重复本步骤,直至每个样本都成为了叶节点,得到初始树模型;其中,样本特征信息包括数值特征与时间特征;
引入余弦相似度算法,基于余弦相似度算法计算所述初始树模型中每对叶节点之间的相似度;将每对叶节点之间的相似度与预设相似度进行比较;
若存在某一对叶节点之间的相似度大于预设相似度的情况,则将该对叶节点中的任一叶节点进行裁切处理,完成对初始树模型的剪枝操作,得到最终树模型;
重复以上步骤,直至对各个存储空间内的光学特性数据均处理完毕,得到若干棵最终树模型;
对于各棵最终树模型,计算各棵最终树模型中各个样本的路径长度,根据所述路径长度确定出各个样本的孤立得分;其中,路径长度是指从根节点到叶节点经过的边的数量;
判断各棵最终树模型中各个样本的孤立得分是否大于预设阈值,并将孤立得分大于预设阈值的样本剔除;
获取各棵最终树模型中的剩余样本,并根据各棵最终树模型中的剩余样本得到目标遮阳篷的各项实际光学特性数据集。
需要说明的是,通过光学检测设备对新能源汽车遮阳篷进行检测后,所采集到的一部分数据可能为噪声数据,这是由于光学检测设备可能存在自身的噪声,包括电子噪声和传感器噪声等。这些噪声来自于设备的电路和信号处理系统,在数据采集过程中引入了不确定性。并且环境中可能存在光源的波动、照明不均匀等因素,这些因素可能导致测量系统接收到的光信号受到干扰。因此,在发明中通过结合孤立森林算法和余弦相似度算法对噪声数据进行处理,以提高数据的准确性和可靠性,提高检测结果精度,避免出现误判现象。其中,在通过孤立森林算法筛选处理噪声数据的过程中,如果树模型深度过大或者分支过多,就容易过度拟合,过拟合的模型对未知数据的泛化能力较差,无法良好适应新数据,并且很容易得到错误的结果,因此在本发明中通过引入余弦相似度算法对树模型进行剪枝操作,从而得到精度更高以及可靠性更好的最终树模型,进一步提高数据处理精度。
如图2所示,进一步地,本发明的一个较佳实施例中,基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,得到第一检测结果或第二检测结果,具体为:
S202:获取目标遮阳篷的生产订单信息,根据所述生产订单要求信息提取出目标遮阳篷的性能要求信息,根据所述性能要求信息得到目标遮阳篷中各个预设位置节点的标准光学特性数据,并将各个预设位置节点中相同类型的标准光学特性数据进行汇聚,得到目标遮阳篷的各项标准光学特性数据集;
S204:通过哈希算法计算各项实际光学特性数据集与相应标准光学特性数据集之间的哈希值,根据所述哈希值确定出各项实际光学特性数据集与相应标准光学特性数据集之间的重合度;
S206:判断各项实际光学特性数据集与相应标准光学特性数据集之间的重合度是否大于预设重合度;
S208:若各项实际光学特性数据集与相应标准光学特性数据集之间的重合度均大于预设重合度,则生成第一检测结果,并将目标遮阳篷标记为合格品。
需要说明的是,生产订单要求信息提取出目标遮阳篷的性能要求信息,如目标遮阳篷的遮光率、透光率、光反射率以及紫外线透过率等数据范围要求,预设位置节点由技术人员提前规划设定得到,预设位置节点可以根据如光学检测设备的单次检测范围等参数进行确定。若各项实际光学特性数据集与相应标准光学特性数据集之间的重合度均大于预设重合度,说明该目标遮阳篷的各项参数指标均达标,则生成第一检测结果,并将目标遮阳篷标记为合格品。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
若存在一项或多项实际光学特性数据集与相应标准光学特性数据集之间的重合度不大于预设重合度的情况,则提取重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集;
根据目标遮阳篷中各个预设位置节点标定横坐标刻度点,并根据光学特性数据的数据范围标定纵坐标刻度点,根据所述横坐标刻度点与纵坐标刻度点构建平面直角坐标系;
根据重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集在所述平面直角坐标系中生成实际光学特性数据散点图与标准光学特性数据散点图;
在所述平面直角坐标系中计算位于同一横坐标刻度点中的实际光学特性数据散点与标准光学特性数据散点之间的欧氏距离,将欧氏距离大于预设欧氏距离的实际光学特性数据散点与标准光学特性数据散点对应的横坐标刻度点标记为奇异刻度点;
获取目标遮阳篷中与各奇异刻度点相对应的预设位置节点,并将目标遮阳篷中与各奇异刻度点相对应的预设位置节点标记为目标遮阳篷的异常位置节点,并生成第二检测结果。
需要说明的是,若存在一项或多项实际光学特性数据集与相应标准光学特性数据集之间的重合度不大于预设重合度的情况,说明该目标遮阳篷的某一项或多项参数指标不达标,此时需要进一步分析出目标遮阳篷中不达标的位置区域。具体来说,根据目标遮阳篷中各个预设位置节点标定横坐标刻度点,如通过对据目标遮阳篷中各个预设位置节点进行按顺序标号,然后将标号为1的预设位置节点标定为横坐标的第一个刻度点,标号为2的预设位置节点标定为横坐标的第二个刻度点,依次类推,从而绘制好横坐标轴;纵坐标为光学特性数据的数据范围,如若为遮阳篷的透光率时,纵坐标刻度为0至100%。通过此方式构建出平面直角坐标系,并且重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集在所述平面直角坐标系中生成实际光学特性数据散点图与标准光学特性数据散点图,即根据实际光学特性数据集与相应标准光学特性数据集中各光学特性数据对应的采集位置节点以及对应的数值生成实际光学特性数据散点图与标准光学特性数据散点图。然后在所述平面直角坐标系中计算位于同一横坐标刻度点中的实际光学特性数据散点与标准光学特性数据散点之间的欧氏距离,若某一横坐标刻度点中的实际光学特性数据散点与标准光学特性数据散点之间的欧氏距离大于预设欧氏距离,则说明目标遮阳篷中在相应预设位置节点上实际光学特性数据与标准光学特性数据偏差较大,即该位置为异常位置节点,说明该位置节点存在如裂纹、涂层不均匀、污点等缺陷。
综上所述,通过以上步骤对目标遮阳篷的光学性能进行快速检测,算法简单易于实现,能够有效提高检测效率,并且检测结果可靠性高,能够有效避免出现误判情况。
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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵,具体为:
若检测结果为第二检测结果,则获取目标遮阳篷的异常位置节点,并通过检测相机获取目标遮阳篷中异常位置节点的区域图像信息;
将所述区域图像信息中每个像素的红、绿、蓝分量按照预设比例加权求和,以对所述区域图像信息进行灰度化处理;将灰度化处理后的区域图像中像素的灰度值划分为若干个等级,以对区域图像进行量化处理;
构建空白矩阵,设定像素对之间的距离和方向,遍历量化处理后的区域图像中每个像素,对于每个像素,找到与该像素在设定的距离和方向上的像素,并记录这两个像素的灰度值,并将这两个像素的灰度值填入空白矩阵,得到目标遮阳篷中异常位置节点的实际灰度共生矩阵;
其中,在实际灰度共生矩阵中,行表示区域图像中某一像素的灰度值,列表示与该像素在设定距离和方向上的像素的灰度值,矩阵中的每个元素表示对应的像素值对同时出现在区域图像中的次数。
需要说明的是,当通过上述步骤分析出目标遮阳篷的异常位置节点后,需要进一步分析出异常位置节点的缺陷类型,以进一步分析出是需要对目标遮阳篷进行报废处理还是修复处理。具体而言,若检测结果为第二检测结果,则获取目标遮阳篷的异常位置节点,并通过检测相机获取目标遮阳篷中异常位置节点的区域图像信息,然后将图像进行灰值化以及量化处理,从而得到目标遮阳篷中异常位置节点的实际灰度共生矩阵。灰度共生矩阵是一种用于分析图像纹理特征的方法。通过灰度共生矩阵可以获取图像中像素灰度级别之间的空间关系信息,进而进行纹理特征的提取和分析。在遮阳篷中存在如裂纹、污点等缺陷时,这些缺陷会改变遮阳篷表面的纹理特征和灰度分布,通过灰度共生矩阵分析可以捕捉到这些纹理特征的变化,从而判断遮阳篷中是否存在这些缺陷。具体地,通过灰度共生矩阵分析可以计算出一系列的纹理特征,如对比度、相关性、能量和熵等,这些纹理特征可以反映出图像的细节变化和灰度级别的相关性。
进一步地,本发明的一个较佳实施例中,将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息,具体为:
通过大数据网络获取大量的遮阳篷缺陷工况图像样本,并获取各缺陷工况图像样本对应的特征灰度共生矩阵;
构建数据库,并将各缺陷工况图像样本对应的特征灰度共生矩阵导入所述数据库中,得到缺陷工况特征数据库;并定期对所述缺陷工况特征数据库进行更新;
计算所述实际灰度共生矩阵与缺陷工况特征数据库中各特征共生灰度矩阵之间的Jaccard相似系数;将计算得到的各个Jaccard相似系数与预设系数进行比较;
获取Jaccard相似系数大于预设系数对应的特征共生灰度矩阵,根据Jaccard相似系数大于预设系数对应的特征共生灰度矩阵生成配对标签,根据所述配对标签在所述缺陷工况特征数据库中配对得到目标遮阳篷中异常位置节点的实际缺陷工况类型;
判断目标遮阳篷中异常位置节点的实际缺陷工况类型是否为预设缺陷工况类型;
若目标遮阳篷中异常位置节点的实际缺陷工况类型是预设缺陷工况类型,则生成报废信息,并对目标遮阳篷进行报废处理。
其中,预设缺陷工况类型即是如穿孔、裂纹等实质性的缺陷,即难以或者不可以通过额外的工艺步骤进行修复的缺陷工况;反之,非预设缺陷工况类型即是如表面污点、轻微皱褶、涂层不均匀等可以通过额外工艺步骤进行修复的缺陷工况。
需要说明的是,提取通过大数据网络获取大量的遮阳篷缺陷工况图像样本,如各种裂纹缺陷工况图像样本、各种表面污点缺陷工况图像样本,并对各缺陷工况图像样本进行灰值化与量化处理后得到对应的特征灰度共生矩阵,从而构建缺陷工况特征数据库。接着通过计算所述实际灰度共生矩阵与缺陷工况特征数据库中各特征共生灰度矩阵之间的Jaccard相似系数,并获取Jaccard相似系数大于预设系数对应的特征共生灰度矩阵,从而在所述缺陷工况特征数据库中配对得到目标遮阳篷中异常位置节点的实际缺陷工况类型,若目标遮阳篷中异常位置节点的实际缺陷工况类型是预设缺陷工况类型,则说明目标遮阳篷中存在如穿孔、裂纹等实质性的缺陷,即该目标遮阳篷不能够修复处理,则生成报废信息,并对目标遮阳篷进行报废处理。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
在修复设备的运行日志中获取得到对历史遮阳篷的各种缺陷工况进行修复的历史修复方案;并获取通过各历史修复方案对各种缺陷工况的历史遮阳篷进行修复后的修复成功率;
构建排序表,将通过各历史修复方案对各种缺陷工况的历史遮阳篷进行修复后的修复成功率导入所述排序表中进行排序,得到最高修复成功率对应的历史修复方案;并将最高修复成功率对应的历史修复方案标定为相应缺陷工况的最佳修复方案;得到与各种缺陷工况对应的最佳修复方案;
构建知识图谱,并将与各种缺陷工况对应的最佳修复方案导入所述知识图谱中,并定期更新所述知识图谱;
若目标遮阳篷中异常位置节点的实际缺陷工况类型不是预设缺陷工况类型,则根据目标遮阳篷中异常位置节点的实际缺陷工况类型在所述知识图谱中检索得到相应的最佳修复方案,并根据所述最佳修复方案生成修复推荐信息,将所述修复推荐信息发生至预设终端上显示。
需要说明的是,若目标遮阳篷中异常位置节点的实际缺陷工况类型不是预设缺陷工况类型,则说明目标遮阳篷中不存在如穿孔、裂纹等实质性的缺陷,即该目标遮阳篷能够修复处理,则在提前构建好的知识图谱中,结合目标遮阳篷中异常位置节点的实际缺陷工况类型,配对得到相应的最佳修复方案,并根据所述最佳修复方案生成修复推荐信息,将所述修复推荐信息发生至预设终端上显示。如存在涂层不均匀缺陷时,根据修复设备的运行日志获取得到修复该中涂层不均匀缺陷工况所对应的最佳涂抹修复参数,并将最佳涂抹修复参数进行推荐,以供技术人员参考,实现了智能化检测,省去了后续修复工站中相关技术人员对缺陷工况分析判断,然后再确定修复方案的过程,提高工作效率。
综上所述,本新能源汽车遮阳篷性能检测方法能够有效提高检测效率和准确性,实现无损检测;结合先进算法对遮阳篷进行检测分析,能够准确分析出遮阳篷缺陷位置与类型,能够生产商提供更直观的检测报告,便于生产商优化生产工艺,有助于提升遮阳篷的生产质量。
此外,本方法还包括以下步骤:
获取目标遮阳篷中异常位置节点,以及获取该异常位置节点的实际缺陷工况类型;根据所述目标遮阳篷中异常位置节点与实际缺陷工况类型生成关联性文本信息;
获取目标遮阳篷的生产工艺信息,根据所述生产工艺信息提取出对目标遮阳篷进行加工生产的加工设备,并获取各加工设备的功能特征信息;
通过局部注意力机制计算所述关联性文本信息与各加工设备的功能特征信息之间的注意力分数,得到多个注意力分数;并将多个注意力分数与预设值进行比较;
获取注意力分数大于预设值对应的加工设备,并将注意力分数大于预设值对应的加工设备标定为可疑加工设备;
获取各可疑加工设备的实时工作参数信息,将各可疑加工设备的实时工作参数信息导入贝叶斯网络模型中进行故障推演预测,得到各可疑加工设备的故障概率;
将故障概率大于预设概率的可疑加工设备标定为故障设备,并控制故障设备停机生产,并根据所述故障设备生成故障检修报告,将所述故障检测报告发生至预设终端上。
其中,功能特征信息即是设备的功能信息,如喷涂设备用于喷涂。
需要说明的是,若目标遮阳篷中某一位置出现缺陷,则可以根据缺陷位置与类型进一步分析追溯出有可能引发该位置发生相应类型缺陷的加工设备,如若涂层喷涂不均匀,则追溯出喷涂工艺中的喷涂设备,并且基于物联网方式获取喷涂设备的实时喷涂参数,然后结合贝叶斯网络模型推测出喷涂设备是否发生了故障,若发生了故障,则基于物联网的方式立即控制喷涂设备停机生产,避免生产出大批量不合格产品的情况,并且生成故障检测报告,知会技术人员对设备及时检修,减少设备停机时间,提高产出效率。
此外,本方法还包括以下步骤:
获取目标遮阳篷的装配区域图像信息,根据所述装配区域图像信息构建装配区域实际三维模型图;并获取目标遮阳篷在后续装配工艺步骤中的工程图纸信息,根据所述工程图纸信息得到目标遮阳篷的装配区域标准三维模型图;
通过ICP算法计算所述装配区域实际三维模型图与装配区域标准三维模型图之间的重叠度,并将所述重叠度与预设重叠度进行比较;
若所述重叠度大于预设重叠度,则将目标遮阳篷判定为装配区域合格品;
若所述重叠度不大于预设重叠度,则构建网格空间坐标系,并将所述装配区域实际三维模型图与装配区域标准三维模型图导入所述网格空间坐标系中进行配对处理;
配对完成后,将实际三维模型图与装配区域标准三维模型图相重合的模型区域剔除,保留不相重合的模型区域,得到装配区域偏差模型图;根据所述装配区域偏差模型图生成打磨修复方案,并将所述打磨修复方案推送至预设平台上显示。
需要说明的是,通过本方法能够快速分析出目标遮阳篷的装配位置区域的尺寸是否不合格,若不合格,则生成装配区域偏差模型图进行推送,使得在打磨修复工作站中的技术人员能够根据装配区域偏差模型图快速确定出对目标遮阳篷进行打磨修复的参数,提高生产效率。
如图3所示,本发明第二方面公开了一种新能源汽车遮阳篷性能检测系统,所述遮阳篷性能检测系统包括存储器20与处理器21,所述存储器20中存储有遮阳篷性能检测方法程序,当所述遮阳篷性能检测方法程序被所述处理器21执行时,实现如下步骤:
通过光学检测设备依次采集目标遮阳篷中各个预设位置节点的各种光学特性数据,构建若干个存储空间,并将各个预设位置节点中相同类型的光学特性数据分别存储在相应的存储空间内;
采集完毕后,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集;其中,所述光学特性数据包括遮光率、透光率、光反射率以及紫外线透过率;
基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵;
将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质包括遮阳篷性能检测方法程序,所述遮阳篷性能检测方法程序被处理器执行时,实现任一项所述的遮阳篷性能检测方法的步骤。
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 (6)
1.一种新能源汽车遮阳篷性能检测方法,其特征在于,包括以下步骤:
通过光学检测设备依次采集目标遮阳篷中各个预设位置节点的各种光学特性数据,构建若干个存储空间,并将各个预设位置节点中相同类型的光学特性数据分别存储在相应的存储空间内;
采集完毕后,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集;其中,所述光学特性数据包括遮光率、透光率、光反射率以及紫外线透过率;
基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵;
将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息;
其中,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集,具体为:
将所述存储空间内的各光学特性数据均视为独立的样本,在所述存储空间内随机选择一个样本作为根节点;
在剩余的样本中随机选择一个样本,并提取选择中的样本的样本特征信息,根据样本特征信息确定出切割特征,根据所述切割特征对所述根节点进行切割分裂,得到一个叶节点;重复本步骤,直至每个样本都成为了叶节点,得到初始树模型;其中,样本特征信息包括数值特征与时间特征;
引入余弦相似度算法,基于余弦相似度算法计算所述初始树模型中每对叶节点之间的相似度;将每对叶节点之间的相似度与预设相似度进行比较;
若存在某一对叶节点之间的相似度大于预设相似度的情况,则将该对叶节点中的任一叶节点进行裁切处理,完成对初始树模型的剪枝操作,得到最终树模型;
重复以上步骤,直至对各个存储空间内的光学特性数据均处理完毕,得到若干棵最终树模型;
对于各棵最终树模型,计算各棵最终树模型中各个样本的路径长度,根据所述路径长度确定出各个样本的孤立得分;其中,路径长度是指从根节点到叶节点经过的边的数量;
判断各棵最终树模型中各个样本的孤立得分是否大于预设阈值,并将孤立得分大于预设阈值的样本剔除;
获取各棵最终树模型中的剩余样本,并根据各棵最终树模型中的剩余样本得到目标遮阳篷的各项实际光学特性数据集;
其中,基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,得到第一检测结果或第二检测结果,具体为:
获取目标遮阳篷的生产订单信息,根据所述生产订单要求信息提取出目标遮阳篷的性能要求信息,根据所述性能要求信息得到目标遮阳篷中各个预设位置节点的标准光学特性数据,并将各个预设位置节点中相同类型的标准光学特性数据进行汇聚,得到目标遮阳篷的各项标准光学特性数据集;
通过哈希算法计算各项实际光学特性数据集与相应标准光学特性数据集之间的哈希值,根据所述哈希值确定出各项实际光学特性数据集与相应标准光学特性数据集之间的重合度;
判断各项实际光学特性数据集与相应标准光学特性数据集之间的重合度是否大于预设重合度;
若各项实际光学特性数据集与相应标准光学特性数据集之间的重合度均大于预设重合度,则生成第一检测结果,并将目标遮阳篷标记为合格品;
还包括以下步骤:
若存在一项或多项实际光学特性数据集与相应标准光学特性数据集之间的重合度不大于预设重合度的情况,则提取重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集;
根据目标遮阳篷中各个预设位置节点标定横坐标刻度点,并根据光学特性数据的数据范围标定纵坐标刻度点,根据所述横坐标刻度点与纵坐标刻度点构建平面直角坐标系;
根据重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集在所述平面直角坐标系中生成实际光学特性数据散点图与标准光学特性数据散点图;
在所述平面直角坐标系中计算位于同一横坐标刻度点中的实际光学特性数据散点与标准光学特性数据散点之间的欧氏距离,将欧氏距离大于预设欧氏距离的实际光学特性数据散点与标准光学特性数据散点对应的横坐标刻度点标记为奇异刻度点;
获取目标遮阳篷中与各奇异刻度点相对应的预设位置节点,并将目标遮阳篷中与各奇异刻度点相对应的预设位置节点标记为目标遮阳篷的异常位置节点,并生成第二检测结果。
2.根据权利要求1所述的一种新能源汽车遮阳篷性能检测方法,其特征在于,若检测结果为第二检测结果,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵,具体为:
若检测结果为第二检测结果,则获取目标遮阳篷的异常位置节点,并通过检测相机获取目标遮阳篷中异常位置节点的区域图像信息;
将所述区域图像信息中每个像素的红、绿、蓝分量按照预设比例加权求和,以对所述区域图像信息进行灰度化处理;将灰度化处理后的区域图像中像素的灰度值划分为若干个等级,以对区域图像进行量化处理;
构建空白矩阵,设定像素对之间的距离和方向,遍历量化处理后的区域图像中每个像素,对于每个像素,找到与该像素在设定的距离和方向上的像素,并记录这两个像素的灰度值,并将这两个像素的灰度值填入空白矩阵,得到目标遮阳篷中异常位置节点的实际灰度共生矩阵;
其中,在实际灰度共生矩阵中,行表示区域图像中某一像素的灰度值,列表示与该像素在设定距离和方向上的像素的灰度值,矩阵中的每个元素表示对应的像素值对同时出现在区域图像中的次数。
3.根据权利要求1所述的一种新能源汽车遮阳篷性能检测方法,其特征在于,将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息,具体为:
通过大数据网络获取大量的遮阳篷缺陷工况图像样本,并获取各缺陷工况图像样本对应的特征灰度共生矩阵;
构建数据库,并将各缺陷工况图像样本对应的特征灰度共生矩阵导入所述数据库中,得到缺陷工况特征数据库;并定期对所述缺陷工况特征数据库进行更新;
计算所述实际灰度共生矩阵与缺陷工况特征数据库中各特征共生灰度矩阵之间的Jaccard相似系数;将计算得到的各个Jaccard相似系数与预设系数进行比较;
获取Jaccard相似系数大于预设系数对应的特征共生灰度矩阵,根据Jaccard相似系数大于预设系数对应的特征共生灰度矩阵生成配对标签,根据所述配对标签在所述缺陷工况特征数据库中配对得到目标遮阳篷中异常位置节点的实际缺陷工况类型;
判断目标遮阳篷中异常位置节点的实际缺陷工况类型是否为预设缺陷工况类型;
若目标遮阳篷中异常位置节点的实际缺陷工况类型是预设缺陷工况类型,则生成报废信息,并对目标遮阳篷进行报废处理。
4.根据权利要求3所述的一种新能源汽车遮阳篷性能检测方法,其特征在于,还包括以下步骤:
在修复设备的运行日志中获取得到对历史遮阳篷的各种缺陷工况进行修复的历史修复方案;并获取通过各历史修复方案对各种缺陷工况的历史遮阳篷进行修复后的修复成功率;
构建排序表,将通过各历史修复方案对各种缺陷工况的历史遮阳篷进行修复后的修复成功率导入所述排序表中进行排序,得到最高修复成功率对应的历史修复方案;并将最高修复成功率对应的历史修复方案标定为相应缺陷工况的最佳修复方案;得到与各种缺陷工况对应的最佳修复方案;
构建知识图谱,并将与各种缺陷工况对应的最佳修复方案导入所述知识图谱中,并定期更新所述知识图谱;
若目标遮阳篷中异常位置节点的实际缺陷工况类型不是预设缺陷工况类型,则根据目标遮阳篷中异常位置节点的实际缺陷工况类型在所述知识图谱中检索得到相应的最佳修复方案,并根据所述最佳修复方案生成修复推荐信息,将所述修复推荐信息发生至预设终端上显示。
5.一种新能源汽车遮阳篷性能检测系统,其特征在于,所述遮阳篷性能检测系统包括存储器与处理器,所述存储器中存储有遮阳篷性能检测方法程序,当所述遮阳篷性能检测方法程序被所述处理器执行时,实现如下步骤:
通过光学检测设备依次采集目标遮阳篷中各个预设位置节点的各种光学特性数据,构建若干个存储空间,并将各个预设位置节点中相同类型的光学特性数据分别存储在相应的存储空间内;
采集完毕后,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集;其中,所述光学特性数据包括遮光率、透光率、光反射率以及紫外线透过率;
基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,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,则获取目标遮阳篷中异常位置节点的区域图像信息,并根据区域图像信息生成目标遮阳篷中异常位置节点的实际灰度共生矩阵;
将目标遮阳篷中异常位置节点的实际灰度共生矩阵与各缺陷工况对应的特征灰度共生矩阵进行比较分析,得到目标遮阳篷中异常位置节点的异常工况类型,根据异常工况类型生成报废信息或修复推荐信息;
其中,结合孤立森林算法与余弦相似度算法对各个存储空间内的光学特性数据进行处理,得到目标遮阳篷的各项实际光学特性数据集,具体为:
将所述存储空间内的各光学特性数据均视为独立的样本,在所述存储空间内随机选择一个样本作为根节点;
在剩余的样本中随机选择一个样本,并提取选择中的样本的样本特征信息,根据样本特征信息确定出切割特征,根据所述切割特征对所述根节点进行切割分裂,得到一个叶节点;重复本步骤,直至每个样本都成为了叶节点,得到初始树模型;其中,样本特征信息包括数值特征与时间特征;
引入余弦相似度算法,基于余弦相似度算法计算所述初始树模型中每对叶节点之间的相似度;将每对叶节点之间的相似度与预设相似度进行比较;
若存在某一对叶节点之间的相似度大于预设相似度的情况,则将该对叶节点中的任一叶节点进行裁切处理,完成对初始树模型的剪枝操作,得到最终树模型;
重复以上步骤,直至对各个存储空间内的光学特性数据均处理完毕,得到若干棵最终树模型;
对于各棵最终树模型,计算各棵最终树模型中各个样本的路径长度,根据所述路径长度确定出各个样本的孤立得分;其中,路径长度是指从根节点到叶节点经过的边的数量;
判断各棵最终树模型中各个样本的孤立得分是否大于预设阈值,并将孤立得分大于预设阈值的样本剔除;
获取各棵最终树模型中的剩余样本,并根据各棵最终树模型中的剩余样本得到目标遮阳篷的各项实际光学特性数据集;
其中,基于生产订单信息获取目标遮阳篷的各项标准光学特性数据集,将各项实际光学特性数据集分别与标准光学特性数据集进行分析,得到第一检测结果或第二检测结果,具体为:
获取目标遮阳篷的生产订单信息,根据所述生产订单要求信息提取出目标遮阳篷的性能要求信息,根据所述性能要求信息得到目标遮阳篷中各个预设位置节点的标准光学特性数据,并将各个预设位置节点中相同类型的标准光学特性数据进行汇聚,得到目标遮阳篷的各项标准光学特性数据集;
通过哈希算法计算各项实际光学特性数据集与相应标准光学特性数据集之间的哈希值,根据所述哈希值确定出各项实际光学特性数据集与相应标准光学特性数据集之间的重合度;
判断各项实际光学特性数据集与相应标准光学特性数据集之间的重合度是否大于预设重合度;
若各项实际光学特性数据集与相应标准光学特性数据集之间的重合度均大于预设重合度,则生成第一检测结果,并将目标遮阳篷标记为合格品;
还包括以下步骤:
若存在一项或多项实际光学特性数据集与相应标准光学特性数据集之间的重合度不大于预设重合度的情况,则提取重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集;
根据目标遮阳篷中各个预设位置节点标定横坐标刻度点,并根据光学特性数据的数据范围标定纵坐标刻度点,根据所述横坐标刻度点与纵坐标刻度点构建平面直角坐标系;
根据重合度不大于预设重合度的实际光学特性数据集与相应标准光学特性数据集在所述平面直角坐标系中生成实际光学特性数据散点图与标准光学特性数据散点图;
在所述平面直角坐标系中计算位于同一横坐标刻度点中的实际光学特性数据散点与标准光学特性数据散点之间的欧氏距离,将欧氏距离大于预设欧氏距离的实际光学特性数据散点与标准光学特性数据散点对应的横坐标刻度点标记为奇异刻度点;
获取目标遮阳篷中与各奇异刻度点相对应的预设位置节点,并将目标遮阳篷中与各奇异刻度点相对应的预设位置节点标记为目标遮阳篷的异常位置节点,并生成第二检测结果。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括遮阳篷性能检测方法程序,所述遮阳篷性能检测方法程序被处理器执行时,实现如权利要求1-4任一项所述的遮阳篷性能检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186247.0A CN117740811B (zh) | 2024-02-20 | 2024-02-20 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186247.0A CN117740811B (zh) | 2024-02-20 | 2024-02-20 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117740811A CN117740811A (zh) | 2024-03-22 |
CN117740811B true CN117740811B (zh) | 2024-04-30 |
Family
ID=90283608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410186247.0A Active CN117740811B (zh) | 2024-02-20 | 2024-02-20 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117740811B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1504742A (zh) * | 2002-11-28 | 2004-06-16 | 威光机械工程股份有限公司 | 印刷电路板上瑕疵组件的自动光学检测系统 |
EP3611705A1 (de) * | 2018-08-15 | 2020-02-19 | FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. | System und verfahren zum überwachen einer plane |
CN113112374A (zh) * | 2020-12-21 | 2021-07-13 | 中国计量大学 | 一种基于机器学习算法的空巢用户用电异常检测方法 |
CN116087057A (zh) * | 2022-12-29 | 2023-05-09 | 江苏增强新材料科技有限公司 | 一种帐篷布物理性能检测设备 |
CN116977266A (zh) * | 2023-04-13 | 2023-10-31 | 浙江易时科技股份有限公司 | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 |
CN117251798A (zh) * | 2023-09-12 | 2023-12-19 | 西北工业大学 | 一种基于两层渐进式的气象设备异常检测方法 |
CN117491895A (zh) * | 2023-11-02 | 2024-02-02 | 合肥国轩高科动力能源有限公司 | 电池衰老异常检测方法、装置及存储介质 |
-
2024
- 2024-02-20 CN CN202410186247.0A patent/CN117740811B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1504742A (zh) * | 2002-11-28 | 2004-06-16 | 威光机械工程股份有限公司 | 印刷电路板上瑕疵组件的自动光学检测系统 |
EP3611705A1 (de) * | 2018-08-15 | 2020-02-19 | FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. | System und verfahren zum überwachen einer plane |
CN113112374A (zh) * | 2020-12-21 | 2021-07-13 | 中国计量大学 | 一种基于机器学习算法的空巢用户用电异常检测方法 |
CN116087057A (zh) * | 2022-12-29 | 2023-05-09 | 江苏增强新材料科技有限公司 | 一种帐篷布物理性能检测设备 |
CN116977266A (zh) * | 2023-04-13 | 2023-10-31 | 浙江易时科技股份有限公司 | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 |
CN117251798A (zh) * | 2023-09-12 | 2023-12-19 | 西北工业大学 | 一种基于两层渐进式的气象设备异常检测方法 |
CN117491895A (zh) * | 2023-11-02 | 2024-02-02 | 合肥国轩高科动力能源有限公司 | 电池衰老异常检测方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
利用局部敏感哈希提高隔离森林算法效率;侯博文 等;指挥信息系统与技术;20200630;第11卷(第03期);第22-28页 * |
基于随机森林算法的CAM模板自动提取研究;龚冰雪 等;模具工业;20170731;第43卷(第07期);第14-19、24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117740811A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798672B (zh) | 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器 | |
CN110619620B (zh) | 导致表面缺陷的异常定位方法、装置、系统及电子设备 | |
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 | |
US11521120B2 (en) | Inspection apparatus and machine learning method | |
CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
CN114119535A (zh) | 基于视觉检测的激光清洗效果在线监测方法 | |
CN117608259B (zh) | 一种储存芯片生产设备的控制方法及系统 | |
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 | |
CN117455917A (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
CN114612682A (zh) | 基于视频的建筑物状态监测方法及系统 | |
CN117607019B (zh) | 电力金具表面智能检测方法和检测系统 | |
CN117273980B (zh) | 基于数据分析的智慧工厂管理方法、系统及存储介质 | |
CN113344918B (zh) | 一种热成型模具检测方法、系统和可读存储介质 | |
CN117764993B (zh) | 一种基于图像分析的水质在线监测系统及方法 | |
CN117437230B (zh) | 基于图像修复的光伏电站功率预测方法及系统 | |
CN117037128B (zh) | 一种蔬菜种子智能识别方法及系统 | |
CN116787022B (zh) | 基于多源数据的散热铜底板焊接质量检测方法及系统 | |
CN117350984B (zh) | 一种单晶硅放肩开叉的检测方法及装置 | |
CN112053357A (zh) | 一种基于fpn的钢材表面瑕疵检测方法 | |
CN117629304A (zh) | 架空输电线路导线覆冰的监测方法、装置、设备和介质 | |
CN116935227A (zh) | 基于卫星遥感影像的农作物产量分析方法、系统和介质 | |
CN118095971A (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
CN117607019A (zh) | 电力金具表面智能检测方法和检测系统 |
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 |