CN117875671A - 基于人工智能的遮阳篷生产分析方法、系统及存储介质 - Google Patents
基于人工智能的遮阳篷生产分析方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117875671A CN117875671A CN202410204148.0A CN202410204148A CN117875671A CN 117875671 A CN117875671 A CN 117875671A CN 202410204148 A CN202410204148 A CN 202410204148A CN 117875671 A CN117875671 A CN 117875671A
- Authority
- CN
- China
- Prior art keywords
- performance
- information
- analysis
- processing
- raw material
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 208
- 238000004458 analytical method Methods 0.000 title claims abstract description 141
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 171
- 239000002994 raw material Substances 0.000 claims description 153
- 238000009826 distribution Methods 0.000 claims description 120
- 238000012360 testing method Methods 0.000 claims description 94
- 238000011156 evaluation Methods 0.000 claims description 40
- 238000005520 cutting process Methods 0.000 claims description 34
- 238000011056 performance test Methods 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 238000003913 materials processing Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的遮阳篷生产分析方法、系统及存储介质，通过对遮阳篷原材料的性能测定，得到不同原材料区域内的性能分布信息，基于生产需求信息，对原材料进行最优区域分析，结合性能分布信息，得到优选区域，通过机器视觉技术，结合预设机器学习模型，分析生产前后的遮阳篷形变特征与性能变化特征，进一步分析出遮阳篷最优生产方案。通过本发明，能够实现遮阳篷生产质量的精准把控与生产预警分析，提高生产过程中的信息化分析水平。
Description
技术领域
本发明涉及生产加工数据分析领域，更具体的，涉及基于人工智能的遮阳篷生产分析方法、系统及存储介质。
背景技术
随着科技的发展，人们对遮阳篷的需求越来越大，对遮阳篷的质量和生产效率、质量要求也越来越高。然而，传统的遮阳篷生产过程中，存在着生产效率低下、产品质量不稳定、材料浪费严重等问题，且现有技术缺少对遮阳篷原材料的生产加工优化分析，缺少如何对原材料进行合理的裁剪区域优化分析。因此，如何通过智能化手段提高遮阳篷的生产效率和产品质量，减少材料浪费，成为当前亟待解决的问题。
发明内容
本发明克服了现有技术的缺陷，提出了基于人工智能的遮阳篷生产分析方法、系统及存储介质。
本发明第一方面提供了一种基于人工智能的遮阳篷生产分析方法，包括：
获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域；
对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域；
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息；
获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息；
基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划。
本方案中，所述获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域，具体为：
获取遮阳篷裁剪工序前的原材料加工区域，基于预设最小区域，将原材料加工区域划分成多个子区域；
每个子区域面积均大于或等于预设最小区域。
本方案中，所述对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域，具体为：
基于所述子区域，对原材料进行遮阳性能测试，测试包括遮阳率、防水性、紫外线透过率，并得到每个子区域的综合性能评估值；
基于所述每个子区域的综合性能评估值对整个原材料加工区域进行性能分布分析，得到性能分布信息；
获取原材料加工区域图像数据，根据子区域对所述加工区域图像数据进行图像分割，形成多个子图像；
将所述子图像进行图像平滑、增强预处理，并基于色彩维度提取相应特征，得到色彩特征数据；
以每个子区域的综合性能评估值与色彩特征数据作为聚类样品数据，基于DBSCAN聚类算法进行聚类分组，在聚类过程中，数据样品之间的相似度分析采用综合性能评估值与色彩特征数据的加权相似度评估；
所述加权相似度具体计算方式为：基于两个子区域的综合性能评估值的差值倒数与色彩特征数据的相似度进行加权平均得到，所述色彩特征数据的相似度计算基于标准欧氏距离计算法；
聚类过程完成后，得到M个聚类区域；
基于性能分布信息，对每个聚类区域进行遮阳性能分析，所述性能分析为基于每个子区域中的综合性能评估值进行评估，并基于评估结果将M个聚类区域进行性能排序，基于预定阈值筛选出N个优选区域。
本方案中，所述基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，加工测试随机选取一个预选区域，获取在测试加工前后的原材料图像数据，并分别标记为遮阳篷第一图像数据与遮阳篷第二图像数据；
根据特征点匹配算法，对所述第一图像数据与第二图像数据进行基于SIFT的特征点提取与轮廓描述，分别形成第一轮廓特征数据与第二轮廓特征数据；
将所述第一轮廓特征数据与第二轮廓特征数据进行轮廓特征匹配与多方向的形变分析，得到各个方向的形变特征数据。
本方案中，所述对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
基于测试加工后的遮阳篷进行遮阳性能的二次测试，得到测试结果；
通过性能分布信息，获取测试加工中预选区域的性能数据；
将所述测试结果与性能数据进行数据对比，并生成性能偏差信息。
本方案中，所述获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息，具体为：
获取原材料加工需求信息，所述原材料加工需求信息包括加工尺寸需求、加工性能需求信息；
基于所述形变特征数据与性能偏差信息，对加工需求信息进行形变需求补偿与性能需求补偿分析，并生成第二加工需求信息。
本方案中，所述基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划，具体为：
基于所述第二加工需求信息生成尺寸要求信息与性能要求信息；
基于所述尺寸要求信息与性能要求信息，从N个优选区域进行原材料的生产任务规划分析，分析过程结合性能分布信息，并生成最优生产计划。
本发明第二方面还提供了一种基于人工智能的遮阳篷生产分析系统，该系统包括：存储器、处理器，所述存储器中包括基于人工智能的遮阳篷生产分析程序，所述基于人工智能的遮阳篷生产分析程序被所述处理器执行时实现如下步骤：
获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域；
对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域；
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息；
获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息；
基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划。
本方案中，所述获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息，具体为：
获取原材料加工需求信息，所述原材料加工需求信息包括加工尺寸需求、加工性能需求信息；
基于所述形变特征数据与性能偏差信息，对加工需求信息进行形变需求补偿与性能需求补偿分析，并生成第二加工需求信息。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于人工智能的遮阳篷生产分析程序，所述基于人工智能的遮阳篷生产分析程序被处理器执行时，实现如上述任一项所述的基于人工智能的遮阳篷生产分析方法的步骤。
本发明公开了基于人工智能的遮阳篷生产分析方法、系统及存储介质，通过对遮阳篷原材料的性能测定，得到不同原材料区域内的性能分布信息，基于生产需求信息，对原材料进行最优区域分析，结合性能分布信息，得到优选区域，通过机器视觉技术，结合预设机器学习模型，分析生产前后的遮阳篷形变特征与性能变化特征，进一步分析出遮阳篷最优生产方案。通过本发明，能够实现遮阳篷生产质量的精准把控与生产预警分析，提高生产过程中的信息化分析水平。
附图说明
图1示出了本发明一种基于人工智能的遮阳篷生产分析方法的流程图；
图2示出了本发明形变特征数据获取流程图；
图3示出了本发明一种基于人工智能的遮阳篷生产分析系统的框图。
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。
图1示出了本发明一种基于人工智能的遮阳篷生产分析方法的流程图。
如图1所示，本发明第一方面提供了一种基于人工智能的遮阳篷生产分析方法，包括：
S102，获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域；
S104，对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域；
S106，基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息；
S108，获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息；
S110，基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划。
根据本发明实施例，所述获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域，具体为：
获取遮阳篷裁剪工序前的原材料加工区域，基于预设最小区域，将原材料加工区域划分成多个子区域；
每个子区域面积均大于或等于预设最小区域。
需要说明的是，遮阳篷在进行生产加工中，存在多道工序，其中，裁剪与定制完成为最重要的一环。所述原材料一般为原布质材料，在进行遮阳篷生产前，一般从一个较大块的原材料中进行相应需求大小的区域裁剪切割，并定制成产品，如遮阳篷、汽车顶篷等产品生产。
根据本发明实施例，所述对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域，具体为：
基于所述子区域，对原材料进行遮阳性能测试，测试包括遮阳率、防水性、紫外线透过率，并得到每个子区域的综合性能评估值；
基于所述每个子区域的综合性能评估值对整个原材料加工区域进行性能分布分析，得到性能分布信息；
获取原材料加工区域图像数据，根据子区域对所述加工区域图像数据进行图像分割，形成多个子图像；
将所述子图像进行图像平滑、增强预处理，并基于色彩维度提取相应特征，得到色彩特征数据；
以每个子区域的综合性能评估值与色彩特征数据作为聚类样品数据，基于DBSCAN聚类算法进行聚类分组，在聚类过程中，数据样品之间的相似度分析采用综合性能评估值与色彩特征数据的加权相似度评估；
所述加权相似度具体计算方式为：基于两个子区域的综合性能评估值的差值倒数与色彩特征数据的相似度进行加权平均得到，所述色彩特征数据的相似度计算基于标准欧氏距离计算法；
聚类过程完成后，得到M个聚类区域；
基于性能分布信息，对每个聚类区域进行遮阳性能分析，所述性能分析为基于每个子区域中的综合性能评估值进行评估，并基于评估结果将M个聚类区域进行性能排序，基于预定阈值筛选出N个优选区域。
需要说明的是，所述性能分布信息为一种对原加工材料整个区域进行综合评估的信息，基于性能分布信息能够通过预设终端设备进行原材料性能分布的可视化。每个子区域均包括对应色彩特征数据与综合性能评估值。所述M个聚类区域中，每个聚类区域包括至少一个子区域。在所述性能分析为基于每个子区域中的综合性能评估值进行评估中，可采用聚类区域中全部子区域的均值化性能值作为整个聚类区域的性能评估标准。
所述加权相似度计算公式为：
S=[K1×（1/Q1）+K2×Q2]÷2
其中，S为加权相似度，Q1为两个子区域的综合性能评估值的差值，1/Q1为差值倒数，Q2为色彩特征数据的相似度，K1、K2分别两个预设权值。
在本发明中，在对原材料进行子区域聚类分析过程中，具体为基于色彩与性能两种数据进行区域聚类，从而对能够对生产特征相似的区域进行聚类分析，并在后续筛选出质量较高的优选区域进行加工生产，进一步地，基于生产需求，能够基于优选区域与非优选区域进行不同层次遮阳篷产品的优先级生产分析，进一步提高生产合理性与效率。
图2示出了本发明形变特征数据获取流程图。
根据本发明实施例，所述基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
S202，基于预选原材料区域进行遮阳篷的裁剪生产加工测试，加工测试随机选取一个预选区域，获取在测试加工前后的原材料图像数据，并分别标记为遮阳篷第一图像数据与遮阳篷第二图像数据；
S204，根据特征点匹配算法，对所述第一图像数据与第二图像数据进行基于SIFT的特征点提取与轮廓描述，分别形成第一轮廓特征数据与第二轮廓特征数据；
S206，将所述第一轮廓特征数据与第二轮廓特征数据进行轮廓特征匹配与多方向的形变分析，得到各个方向的形变特征数据。
需要说明的是，所述得到各个方向的形变特征数据一般为上下左右四个方向的形变分析。
值得一提的是，在进行遮阳篷原材料欧裁剪生产定制过程中，由于受生产工艺、制作流程、原材料质量的影响，在生产前后的遮阳篷材料可能会出现形变与性能变化的影响，例如，在裁剪出预选区域的原材料后，对原材料进行定位、拉伸、折叠等生产操作，导致其出现一定的形变与遮阳性能下降。在本发明中，通过选定原材料的预选区域进行测试，测试基于图像分析与性能分析，本别对应形变与性能的生产差异性分析，并得到测试结果（性能偏差信息、形变特征数据），基于测试结果能够针对于当前的生产原材料进行形变补偿与性能补偿，并基于当前生产需求进行调整，生成优化需求信息，基于优化需求与优选区域进行原材料的遮阳篷生产计划分析，得到适合当前原材料的遮阳篷分析计算。
加工测试前的图像数据为基于测试需求裁剪预选区域的原材料并基于机器视觉技术获取的对应图像数据，用于判断分析测试前原材料的形状，测试加工后的原材料图像数据（第二图像数据），即测试生产得到遮阳篷成品后的图像数据，用于与第一图像数据进行对比分析。
根据本发明实施例，所述对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
基于测试加工后的遮阳篷进行遮阳性能的二次测试，得到测试结果；
通过性能分布信息，获取测试加工中预选区域的性能数据；
将所述测试结果与性能数据进行数据对比，并生成性能偏差信息。
需要说明的是，所述加工测试后的遮阳篷为预选原材料的某一选定区域（预选区域）进行裁剪加工得到，其加工前的性能可以通过第一次测试得到的性能分布信息获取。
根据本发明实施例，所述获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息，具体为：
获取原材料加工需求信息，所述原材料加工需求信息包括加工尺寸需求、加工性能需求信息；
基于所述形变特征数据与性能偏差信息，对加工需求信息进行形变需求补偿与性能需求补偿分析，并生成第二加工需求信息。
值得一提的是，通过本发明的形变特征数据与性能偏差信息，能够掌握遮阳篷原材料存在的生产缺陷与偏差，基于所述偏差进一步对需求数据进行偏差补偿，从而在后续生产过程中，利用新的需求信息进行生产计划，从而有效提高生产质量。例如，在生产过程中，受遮阳篷制作工艺的影响，成品与原材料可能存在横向方向的形变，此时，通过形变补偿，生成新的尺寸需求（如增加横向尺寸），在后续进行原材料的裁剪时，能够基于新的需求进行优化生产规划分析；又如性能补偿，通过测试进行性能变化分析，并基于原有需要生成新的性能需求，通过新的性能需求进行生产能够更加符合产品的成品预期，从而能够基于新的需求进行优化生产规划分析。
根据本发明实施例，所述基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划，具体为：
基于所述第二加工需求信息生成尺寸要求信息与性能要求信息；
基于所述尺寸要求信息与性能要求信息，从N个优选区域进行原材料的生产任务规划分析，分析过程结合性能分布信息，并生成最优生产计划。
需要说明的是，所述第二加工需求信息包括优化后的尺寸要求与性能要求，通过第二加工需求信息对相应优选区域进行遮阳篷的生产规划，能够有效提高生产效率与产品生产质量。
根据本发明实施例，还包括：
基于所述最优生产计划进行遮阳篷产品生产并实时监测生产过程；
实时统计生产后的遮阳篷产品，当产品数达到预设阈值时，将已生产的遮阳篷产品进行编号标记，得到待测试遮阳篷产品，并标记此时的生产时间节点；
获取所述待测试遮阳篷产品在原材料加工区域的分布位置；
将原材料加工区域的性能分布信息标记为对比性能分布信息；
对待测试遮阳篷产品进行遮阳性能测试，并得到当前的实时性能分布信息；
基于实时性能分布信息与对比性能分布信息进行性能分布差异分析，并得到分布差异度；
在下一个生产时间节点时，获取对应的下一次实时性能分布信息，基于所述下一次实时性能分布信息与当前的实时性能分布信息进行数据整合，形成新的实时性能分布信息；
以新的实时性能分布信息作为基准数据与对比性能分布信息进行性能分布差异分析，并得到下一个生产时间节点时的分布差异度；
基于每个生产时间节点，将得到的分布差异度基于时间维度进行统计描述，通过线性回归分析法得到分布差异曲线图；
通过分布差异曲线图，实时分析当前生产节点的性能分布差异趋势，若出现上升趋势且增长速率大于预期，则判定当前出现生产异常，并基于当前生产时间节点与当前生产设备运行参数生成生产预警信息，将所述生产预警信息发送至预设终端设备。
需要说明的是，每个生产时间节点均对应一次产品数达到预设阈值的时间段，在分析完一次待测试遮阳篷产品，将统计产品数重置并继续统计生产产品数直至达到下一次生产时间节点。值得一提的是，在正常生产情况下，在每个时间节点得到产品过程中，产品的总体性能应该为接近已经测定的原材料性能分布信息。在本发明中，通过实时统计已生产的产品性能，并在每个周期下（即每个生产时间节点）获取对应的已生产的产品性能分布信息，将性能分布信息与已经测定的原材料性能分布信息进行差异分析，差异分析为基于性能值的比较，通过差异分析能够掌握当前已生产批次的产品与预期分布的差异，并通过周期性的差异分析得到分布差异曲线图，以信息化手段监测实时生产的产品，在随着产品数量的增加，其总体性能趋势是否接近预定趋势。需要注意的是，在初期生产线中，由于统计产品数量较少，分析得到的实时性能分布信息的数据量较少，难以反映整体趋势水平，因此，在初期生产时得到的分布差异度一般较大，随着生产的增加，原材料的消耗，实时性能分布信息的进一步更新，能够逐步反映总体的生产质量趋势，并通过分布差异曲线图，能够进一步实现遮阳篷生产的精准把控与生产预警分析，提高生产过程中的信息化分析水平。
图3示出了本发明一种基于人工智能的遮阳篷生产分析系统的框图。
本发明第二方面还提供了一种基于人工智能的遮阳篷生产分析系统3，该系统包括：存储器31、处理器32，所述存储器中包括基于人工智能的遮阳篷生产分析程序，所述基于人工智能的遮阳篷生产分析程序被所述处理器执行时实现如下步骤：
获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域；
对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域；
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息；
获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息；
基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划。
根据本发明实施例，所述获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域，具体为：
获取遮阳篷裁剪工序前的原材料加工区域，基于预设最小区域，将原材料加工区域划分成多个子区域；
每个子区域面积均大于或等于预设最小区域。
需要说明的是，遮阳篷在进行生产加工中，存在多道工序，其中，裁剪与定制完成为最重要的一环。所述原材料一般为原布质材料，在进行遮阳篷生产前，一般从一个较大块的原材料中进行相应需求大小的区域裁剪切割，并定制成产品，如遮阳篷、汽车顶篷等产品生产。
根据本发明实施例，所述对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域，具体为：
基于所述子区域，对原材料进行遮阳性能测试，测试包括遮阳率、防水性、紫外线透过率，并得到每个子区域的综合性能评估值；
基于所述每个子区域的综合性能评估值对整个原材料加工区域进行性能分布分析，得到性能分布信息；
获取原材料加工区域图像数据，根据子区域对所述加工区域图像数据进行图像分割，形成多个子图像；
将所述子图像进行图像平滑、增强预处理，并基于色彩维度提取相应特征，得到色彩特征数据；
以每个子区域的综合性能评估值与色彩特征数据作为聚类样品数据，基于DBSCAN聚类算法进行聚类分组，在聚类过程中，数据样品之间的相似度分析采用综合性能评估值与色彩特征数据的加权相似度评估；
所述加权相似度具体计算方式为：基于两个子区域的综合性能评估值的差值倒数与色彩特征数据的相似度进行加权平均得到，所述色彩特征数据的相似度计算基于标准欧氏距离计算法；
聚类过程完成后，得到M个聚类区域；
基于性能分布信息，对每个聚类区域进行遮阳性能分析，所述性能分析为基于每个子区域中的综合性能评估值进行评估，并基于评估结果将M个聚类区域进行性能排序，基于预定阈值筛选出N个优选区域。
需要说明的是，所述性能分布信息为一种对原加工材料整个区域进行综合评估的信息，基于性能分布信息能够通过预设终端设备进行原材料性能分布的可视化。每个子区域均包括对应色彩特征数据与综合性能评估值。所述M个聚类区域中，每个聚类区域包括至少一个子区域。在所述性能分析为基于每个子区域中的综合性能评估值进行评估中，可采用聚类区域中全部子区域的均值化性能值作为整个聚类区域的性能评估标准。
所述加权相似度计算公式为：
S=[K1×（1/Q1）+K2×Q2]÷2
其中，S为加权相似度，Q1为两个子区域的综合性能评估值的差值，1/Q1为差值倒数，Q2为色彩特征数据的相似度，K1、K2分别两个预设权值。
在本发明中，在对原材料进行子区域聚类分析过程中，具体为基于色彩与性能两种数据进行区域聚类，从而对能够对生产特征相似的区域进行聚类分析，并在后续筛选出质量较高的优选区域进行加工生产，进一步地，基于生产需求，能够基于优选区域与非优选区域进行不同层次遮阳篷产品的优先级生产分析，进一步提高生产合理性与效率。
根据本发明实施例，所述基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，加工测试随机选取一个预选区域，获取在测试加工前后的原材料图像数据，并分别标记为遮阳篷第一图像数据与遮阳篷第二图像数据；
根据特征点匹配算法，对所述第一图像数据与第二图像数据进行基于SIFT的特征点提取与轮廓描述，分别形成第一轮廓特征数据与第二轮廓特征数据；
将所述第一轮廓特征数据与第二轮廓特征数据进行轮廓特征匹配与多方向的形变分析，得到各个方向的形变特征数据。
需要说明的是，所述得到各个方向的形变特征数据一般为上下左右四个方向的形变分析。
值得一提的是，在进行遮阳篷原材料欧裁剪生产定制过程中，由于受生产工艺、制作流程、原材料质量的影响，在生产前后的遮阳篷材料可能会出现形变与性能变化的影响，例如，在裁剪出预选区域的原材料后，对原材料进行定位、拉伸、折叠等生产操作，导致其出现一定的形变与遮阳性能下降。在本发明中，通过选定原材料的预选区域进行测试，测试基于图像分析与性能分析，本别对应形变与性能的生产差异性分析，并得到测试结果（性能偏差信息、形变特征数据），基于测试结果能够针对于当前的生产原材料进行形变补偿与性能补偿，并基于当前生产需求进行调整，生成优化需求信息，基于优化需求与优选区域进行原材料的遮阳篷生产计划分析，得到适合当前原材料的遮阳篷分析计算。
加工测试前的图像数据为基于测试需求裁剪预选区域的原材料并基于机器视觉技术获取的对应图像数据，用于判断分析测试前原材料的形状，测试加工后的原材料图像数据（第二图像数据），即测试生产得到遮阳篷成品后的图像数据，用于与第一图像数据进行对比分析。
根据本发明实施例，所述对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
基于测试加工后的遮阳篷进行遮阳性能的二次测试，得到测试结果；
通过性能分布信息，获取测试加工中预选区域的性能数据；
将所述测试结果与性能数据进行数据对比，并生成性能偏差信息。
需要说明的是，所述加工测试后的遮阳篷为预选原材料的某一选定区域（预选区域）进行裁剪加工得到，其加工前的性能可以通过第一次测试得到的性能分布信息获取。
根据本发明实施例，所述获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息，具体为：
获取原材料加工需求信息，所述原材料加工需求信息包括加工尺寸需求、加工性能需求信息；
基于所述形变特征数据与性能偏差信息，对加工需求信息进行形变需求补偿与性能需求补偿分析，并生成第二加工需求信息。
值得一提的是，通过本发明的形变特征数据与性能偏差信息，能够掌握遮阳篷原材料存在的生产缺陷与偏差，基于所述偏差进一步对需求数据进行偏差补偿，从而在后续生产过程中，利用新的需求信息进行生产计划，从而有效提高生产质量。例如，在生产过程中，受遮阳篷制作工艺的影响，成品与原材料可能存在横向方向的形变，此时，通过形变补偿，生成新的尺寸需求（如增加横向尺寸），在后续进行原材料的裁剪时，能够基于新的需求进行优化生产规划分析；又如性能补偿，通过测试进行性能变化分析，并基于原有需要生成新的性能需求，通过新的性能需求进行生产能够更加符合产品的成品预期，从而能够基于新的需求进行优化生产规划分析。
根据本发明实施例，所述基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划，具体为：
基于所述第二加工需求信息生成尺寸要求信息与性能要求信息；
基于所述尺寸要求信息与性能要求信息，从N个优选区域进行原材料的生产任务规划分析，分析过程结合性能分布信息，并生成最优生产计划。
需要说明的是，所述第二加工需求信息包括优化后的尺寸要求与性能要求，通过第二加工需求信息对相应优选区域进行遮阳篷的生产规划，能够有效提高生产效率与产品生产质量。
根据本发明实施例，还包括：
基于所述最优生产计划进行遮阳篷产品生产并实时监测生产过程；
实时统计生产后的遮阳篷产品，当产品数达到预设阈值时，将已生产的遮阳篷产品进行编号标记，得到待测试遮阳篷产品，并标记此时的生产时间节点；
获取所述待测试遮阳篷产品在原材料加工区域的分布位置；
将原材料加工区域的性能分布信息标记为对比性能分布信息；
对待测试遮阳篷产品进行遮阳性能测试，并得到当前的实时性能分布信息；
基于实时性能分布信息与对比性能分布信息进行性能分布差异分析，并得到分布差异度；
在下一个生产时间节点时，获取对应的下一次实时性能分布信息，基于所述下一次实时性能分布信息与当前的实时性能分布信息进行数据整合，形成新的实时性能分布信息；
以新的实时性能分布信息作为基准数据与对比性能分布信息进行性能分布差异分析，并得到下一个生产时间节点时的分布差异度；
基于每个生产时间节点，将得到的分布差异度基于时间维度进行统计描述，通过线性回归分析法得到分布差异曲线图；
通过分布差异曲线图，实时分析当前生产节点的性能分布差异趋势，若出现上升趋势且增长速率大于预期，则判定当前出现生产异常，并基于当前生产时间节点与当前生产设备运行参数生成生产预警信息，将所述生产预警信息发送至预设终端设备。
需要说明的是，每个生产时间节点均对应一次产品数达到预设阈值的时间段，在分析完一次待测试遮阳篷产品，将统计产品数重置并继续统计生产产品数直至达到下一次生产时间节点。值得一提的是，在正常生产情况下，在每个时间节点得到产品过程中，产品的总体性能应该为接近已经测定的原材料性能分布信息。在本发明中，通过实时统计已生产的产品性能，并在每个周期下（即每个生产时间节点）获取对应的已生产的产品性能分布信息，将性能分布信息与已经测定的原材料性能分布信息进行差异分析，差异分析为基于性能值的比较，通过差异分析能够掌握当前已生产批次的产品与预期分布的差异，并通过周期性的差异分析得到分布差异曲线图，以信息化手段监测实时生产的产品，在随着产品数量的增加，其总体性能趋势是否接近预定趋势。需要注意的是，在初期生产线中，由于统计产品数量较少，分析得到的实时性能分布信息的数据量较少，难以反映整体趋势水平，因此，在初期生产时得到的分布差异度一般较大，随着生产的增加，原材料的消耗，实时性能分布信息的进一步更新，能够逐步反映总体的生产质量趋势，并通过分布差异曲线图，能够进一步实现遮阳篷生产的精准把控与生产预警分析，提高生产过程中的信息化分析水平。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于人工智能的遮阳篷生产分析程序，所述基于人工智能的遮阳篷生产分析程序被处理器执行时，实现如上述任一项所述的基于人工智能的遮阳篷生产分析方法的步骤。
本发明公开了基于人工智能的遮阳篷生产分析方法、系统及存储介质，通过对遮阳篷原材料的性能测定，得到不同原材料区域内的性能分布信息，基于生产需求信息，对原材料进行最优区域分析，结合性能分布信息，得到优选区域，通过机器视觉技术，结合预设机器学习模型，分析生产前后的遮阳篷形变特征与性能变化特征，进一步分析出遮阳篷最优生产方案。通过本发明，能够实现遮阳篷生产质量的精准把控与生产预警分析，提高生产过程中的信息化分析水平。
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所述方法的全部或部分。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。
以上所述，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所述权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的遮阳篷生产分析方法，其特征在于，包括：
获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域；
对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域；
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息；
获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息；
基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划。
2.根据权利要求1所述的一种基于人工智能的遮阳篷生产分析方法，其特征在于，所述获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域，具体为：
获取遮阳篷裁剪工序前的原材料加工区域，基于预设最小区域，将原材料加工区域划分成多个子区域；
每个子区域面积均大于或等于预设最小区域。
3.根据权利要求1所述的一种基于人工智能的遮阳篷生产分析方法，其特征在于，所述对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域，具体为：
基于所述子区域，对原材料进行遮阳性能测试，测试包括遮阳率、防水性、紫外线透过率，并得到每个子区域的综合性能评估值；
基于所述每个子区域的综合性能评估值对整个原材料加工区域进行性能分布分析，得到性能分布信息；
获取原材料加工区域图像数据，根据子区域对所述加工区域图像数据进行图像分割，形成多个子图像；
将所述子图像进行图像平滑、增强预处理，并基于色彩维度提取相应特征，得到色彩特征数据；
以每个子区域的综合性能评估值与色彩特征数据作为聚类样品数据，基于DBSCAN聚类算法进行聚类分组，在聚类过程中，数据样品之间的相似度分析采用综合性能评估值与色彩特征数据的加权相似度评估；
所述加权相似度具体计算方式为：基于两个子区域的综合性能评估值的差值倒数与色彩特征数据的相似度进行加权平均得到，所述色彩特征数据的相似度计算基于标准欧氏距离计算法；
聚类过程完成后，得到M个聚类区域；
基于性能分布信息，对每个聚类区域进行遮阳性能分析，所述性能分析为基于每个子区域中的综合性能评估值进行评估，并基于评估结果将M个聚类区域进行性能排序，基于预定阈值筛选出N个优选区域。
4.根据权利要求3所述的一种基于人工智能的遮阳篷生产分析方法，其特征在于，所述基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，加工测试随机选取一个预选区域，获取在测试加工前后的原材料图像数据，并分别标记为遮阳篷第一图像数据与遮阳篷第二图像数据；
根据特征点匹配算法，对所述第一图像数据与第二图像数据进行基于SIFT的特征点提取与轮廓描述，分别形成第一轮廓特征数据与第二轮廓特征数据；
将所述第一轮廓特征数据与第二轮廓特征数据进行轮廓特征匹配与多方向的形变分析，得到各个方向的形变特征数据。
5.根据权利要求4所述的一种基于人工智能的遮阳篷生产分析方法，其特征在于，所述对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息，具体为：
基于测试加工后的遮阳篷进行遮阳性能的二次测试，得到测试结果；
通过性能分布信息，获取测试加工中预选区域的性能数据；
将所述测试结果与性能数据进行数据对比，并生成性能偏差信息。
6.根据权利要求5所述的一种基于人工智能的遮阳篷生产分析方法，其特征在于，所述获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息，具体为：
获取原材料加工需求信息，所述原材料加工需求信息包括加工尺寸需求、加工性能需求信息；
基于所述形变特征数据与性能偏差信息，对加工需求信息进行形变需求补偿与性能需求补偿分析，并生成第二加工需求信息。
7.根据权利要求6所述的一种基于人工智能的遮阳篷生产分析方法，其特征在于，所述基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划，具体为：
基于所述第二加工需求信息生成尺寸要求信息与性能要求信息；
基于所述尺寸要求信息与性能要求信息，从N个优选区域进行原材料的生产任务规划分析，分析过程结合性能分布信息，并生成最优生产计划。
8.一种基于人工智能的遮阳篷生产分析系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于人工智能的遮阳篷生产分析程序，所述基于人工智能的遮阳篷生产分析程序被所述处理器执行时实现如下步骤：
获取遮阳篷裁剪工序前的原材料加工区域，在所述原材料加工区域中进行区域划分，形成多个子区域；
对所述子区域进行遮阳性能测试分析，并得到性能分布信息，基于所述性能分布信息，对所述子区域进行基于遮阳性能与图像特征的区域聚类分析，并得到N个优选区域；
基于预选原材料区域进行遮阳篷的裁剪生产加工测试，并获取生产前后的原材料图像数据，基于所述原材料图像数据进行基于特征点匹配算法的形变分析，得到各个方向的形变特征数据，对生产测试后的成品材料进行遮阳性能测试，将测试结果与性能分布信息进行对比，得到性能偏差信息；
获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息；
基于所述第二加工需求信息，从N个优选区域中进行遮阳篷生产任务计划分析，生成最优生产计划。
9.根据权利要求8所述的一种基于人工智能的遮阳篷生产分析系统，其特征在于，所述获取原材料加工需求信息，基于形变特征数据与性能偏差信息对加工需求信息进行形变需求补偿与性能需求补偿，得到第二加工需求信息，具体为：
获取原材料加工需求信息，所述原材料加工需求信息包括加工尺寸需求、加工性能需求信息；
基于所述形变特征数据与性能偏差信息，对加工需求信息进行形变需求补偿与性能需求补偿分析，并生成第二加工需求信息。
10.一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中包括基于人工智能的遮阳篷生产分析程序，所述基于人工智能的遮阳篷生产分析程序被处理器执行时，实现如权利要求1至7中任一项所述的基于人工智能的遮阳篷生产分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204148.0A CN117875671B (zh) | 2024-02-23 | 2024-02-23 | 基于人工智能的遮阳篷生产分析方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204148.0A CN117875671B (zh) | 2024-02-23 | 2024-02-23 | 基于人工智能的遮阳篷生产分析方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117875671A true CN117875671A (zh) | 2024-04-12 |
| CN117875671B CN117875671B (zh) | 2024-09-03 |
Family
ID=90583104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410204148.0A Active CN117875671B (zh) | 2024-02-23 | 2024-02-23 | 基于人工智能的遮阳篷生产分析方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875671B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005017008A1 (en) * | 2003-08-07 | 2005-02-24 | E.I. Dupont De Nemours And Company | Alkyl acrylate copolymer modified oriented polypropylene films, tapes, fibers and woven and nonwoven textiles |
| US20110133510A1 (en) * | 2009-12-07 | 2011-06-09 | Gm Global Technology Operations, Inc. | Saturation-based shade-line detection |
| CN107253384A (zh) * | 2016-11-11 | 2017-10-17 | 成都杰雷遮阳工程有限公司 | 一种防渗吸收紫外线的遮阳棚材料 |
| DE102018010197A1 (de) * | 2018-12-18 | 2020-06-18 | GRID INVENT gGmbH | Elektronisches Element und elektrisch angesteuertes Anzeigeelement |
| CN111527467A (zh) * | 2017-11-02 | 2020-08-11 | 航空解决方案股份有限公司 | 使用机器学习、图像分析和/或计算机视觉自动限定计算机辅助设计文件的方法和装置 |
| CN113771599A (zh) * | 2021-09-23 | 2021-12-10 | 吴万荣 | 一种汽车遮阳帘及其加工方法 |
| DE202022101612U1 (de) * | 2022-03-28 | 2022-05-04 | Somashekhar Ganigere Channappa | Ein System zur Identifizierung des Verbrennungsbereichs durch Segmentierung der verbrannten Bilder für die Haut |
| CN114998695A (zh) * | 2022-07-18 | 2022-09-02 | 深圳市前海泽金产融科技有限公司 | 一种提高图像识别速度的方法及系统 |
| KR20220132844A (ko) * | 2021-03-24 | 2022-10-04 | 한국에너지기술연구원 | 머신 러닝 모델을 이용하여 일사 손실률을 예측하기 위한 장치 및 그 방법 |
| CN115795635A (zh) * | 2023-02-08 | 2023-03-14 | 佛山电力设计院有限公司 | 变电站建筑物的遮阳设置方法、装置、设备及存储介质 |
| CN116993227A (zh) * | 2023-09-22 | 2023-11-03 | 北明天时能源科技(北京)有限公司 | 一种基于人工智能的供热分析评估方法、系统及存储介质 |
| CN117314919A (zh) * | 2023-11-29 | 2023-12-29 | 嘉利胶袋制品(深圳)有限公司 | 基于机器视觉的包装袋生产分析方法、系统及存储介质 |
-
2024
- 2024-02-23 CN CN202410204148.0A patent/CN117875671B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005017008A1 (en) * | 2003-08-07 | 2005-02-24 | E.I. Dupont De Nemours And Company | Alkyl acrylate copolymer modified oriented polypropylene films, tapes, fibers and woven and nonwoven textiles |
| US20110133510A1 (en) * | 2009-12-07 | 2011-06-09 | Gm Global Technology Operations, Inc. | Saturation-based shade-line detection |
| CN107253384A (zh) * | 2016-11-11 | 2017-10-17 | 成都杰雷遮阳工程有限公司 | 一种防渗吸收紫外线的遮阳棚材料 |
| CN111527467A (zh) * | 2017-11-02 | 2020-08-11 | 航空解决方案股份有限公司 | 使用机器学习、图像分析和/或计算机视觉自动限定计算机辅助设计文件的方法和装置 |
| DE102018010197A1 (de) * | 2018-12-18 | 2020-06-18 | GRID INVENT gGmbH | Elektronisches Element und elektrisch angesteuertes Anzeigeelement |
| KR20220132844A (ko) * | 2021-03-24 | 2022-10-04 | 한국에너지기술연구원 | 머신 러닝 모델을 이용하여 일사 손실률을 예측하기 위한 장치 및 그 방법 |
| CN113771599A (zh) * | 2021-09-23 | 2021-12-10 | 吴万荣 | 一种汽车遮阳帘及其加工方法 |
| DE202022101612U1 (de) * | 2022-03-28 | 2022-05-04 | Somashekhar Ganigere Channappa | Ein System zur Identifizierung des Verbrennungsbereichs durch Segmentierung der verbrannten Bilder für die Haut |
| CN114998695A (zh) * | 2022-07-18 | 2022-09-02 | 深圳市前海泽金产融科技有限公司 | 一种提高图像识别速度的方法及系统 |
| CN115795635A (zh) * | 2023-02-08 | 2023-03-14 | 佛山电力设计院有限公司 | 变电站建筑物的遮阳设置方法、装置、设备及存储介质 |
| CN116993227A (zh) * | 2023-09-22 | 2023-11-03 | 北明天时能源科技(北京)有限公司 | 一种基于人工智能的供热分析评估方法、系统及存储介质 |
| CN117314919A (zh) * | 2023-11-29 | 2023-12-29 | 嘉利胶袋制品(深圳)有限公司 | 基于机器视觉的包装袋生产分析方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 林秋红;张骞;贾文文;邱慧;王馨玉;蔡建国;: "大型空间薄膜遮阳罩折展构型设计与分析", 机械工程学报, vol. 56, no. 05, 31 March 2020 (2020-03-31), pages 13 - 30 * |
| 牛微: "遮阳与建筑一体化设计策略与构造技术研究", 中国优秀硕士学位论文全文数据库, 15 August 2016 (2016-08-15), pages 038 - 202 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117875671B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
| Hennig et al. | Package ‘fpc’ | |
| CN117392072B (zh) | 检查方案的自动优化 | |
| CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
| CN116385863B (zh) | 一种基于深度学习的水体中微塑料识别方法及系统 | |
| CN116862913B (zh) | 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统 | |
| CN114581473A (zh) | 一种适用于多种场景的点云降采样方法及装置 | |
| CN112883797A (zh) | 一种基于Yolo V3模型的烟丝杂物检测方法 | |
| CN117875671B (zh) | 基于人工智能的遮阳篷生产分析方法、系统及存储介质 | |
| CN114565607A (zh) | 基于神经网络的织物缺陷图像分割方法 | |
| CN116664335B (zh) | 基于智能监控的半导体生产系统运行分析方法及系统 | |
| CN107666403A (zh) | 一种指标数据的获取方法及装置 | |
| CN118314145B (zh) | 一种基于机器视觉的触摸屏缺陷检测方法及系统 | |
| CN111080150A (zh) | 生产数据分析方法、装置、设备及介质 | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
| CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 | |
| CN117197036B (zh) | 图像检测方法及装置 | |
| CN113344918B (zh) | 一种热成型模具检测方法、系统和可读存储介质 | |
| CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
| CN114648527B (zh) | 尿路上皮细胞玻片图像分类方法、装置、设备和介质 | |
| CN118608914A (zh) | 一种病理图像上三级淋巴结构的识别方法、装置、计算机设备及可读存储介质 | |
| CN116881700A (zh) | 一种基于随机游走和机器学习的故障诊断方法 | |
| CN117274911A (zh) | 纺织面料生产用的智能裁剪系统及方法 | |
| CN118115811A (zh) | 一种变更图斑识别方法、装置、设备及存储介质 | |
| CN116818767A (zh) | 显示面板聚集性缺陷的检测方法及检测装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |