【技術實現步驟摘要】
本專利技術涉及視覺檢測，尤其涉及基于工件生產的人工智能視覺檢測方法、系統及裝置。
技術介紹
1、隨著計算機視覺技術的發展，基于圖像處理的檢測方法逐漸被引入。這些方法通過使用攝像機采集工件圖像，并利用圖像處理算法進行邊緣檢測、輪廓提取和形狀匹配等分析，從而實現對工件尺寸、形狀和表面缺陷的檢測。然而，傳統的圖像處理算法在處理復雜背景和光照變化時效果有限，無法滿足高精度、高速度的檢測需求。進入21世紀，人工智能和深度學習技術的興起為視覺檢測帶來了新的機遇。深度學習尤其在卷積神經網絡(cnn)的推動下，顯著提升了圖像特征提取和分類的能力。基于深度學習的視覺檢測系統可以通過大量的標注數據進行訓練，自動學習工件的特征，并且能夠處理復雜的檢測任務，如細小缺陷的識別和復雜背景下的檢測。尤其是在缺陷檢測和質量控制領域，深度學習模型展現出了超越傳統方法的性能，然而目前傳統視覺檢測方法對于缺陷定位常常不夠精確，特別是在工件清洗和烘干階段，同時對于工件移動階段，傳統檢測方法難以實時追蹤和檢測動態異常，進而導致視覺檢測的精度和可靠性較低。
技術實現思路
1、基于此，有必要提供一種基于工件生產的人工智能視覺檢測方法、系統及裝置，以解決至少一個上述技術問題。
2、為實現上述目的，一種基于工件生產的人工智能視覺檢測方法，所述方法包括以下步驟：
3、步驟s1：獲取工件生產數據；對對工件生產數據進行工件生產階段劃分，生成工件生產階段數據，其中工件生產階段劃分包括工件上料階段、工件清洗階段、工件
4、步驟s2：對工件生產階段圖像集中的工件上料階段圖像和預設的工件標準形狀模板進行非重合區域分割，生成工件模板匹配非重合區域圖像；對工件模板匹配非重合區域圖像進行異常工件上料區域標注，生成異常工件上料階段區域圖像；對工件生產階段圖像集中的工件清洗階段圖像進行異常清洗視覺檢測，生成異常工件清洗階段區域圖像；
5、步驟s3：對工件生產階段圖像集中的工件烘干階段圖像進行灰度轉換，生成工件烘干階段灰度圖像；對工件烘干階段灰度圖像進行局部過熱區域和局部冷卻區域進行區域圖像分割，生成烘干階段局部過熱區域圖像和烘干階段局部冷卻區域圖像；對烘干階段局部過熱區域圖像和烘干階段局部冷卻區域圖像進行異常區域溫度分布映射并標注，從而生成異常工件烘干階段區域圖像；對工件生產階段圖像集中的工件移動階段圖像進行異常移動視覺檢測，生成異常工件移動階段圖像；
6、步驟s4：將異常工件上料階段區域圖像、異常工件清洗階段區域圖像、異常工件烘干階段區域圖像和異常工件移動階段圖像整合為工件階段異常圖像集；對工件階段異常圖像集進行智能缺陷區域圖像標記，生成工件智能缺陷檢測圖，以執行工件生產人工智能視覺檢測作業。
7、本專利技術通過對工件生產數據進行階段劃分，并生成階段數據和圖像集，確保了對工件生產全過程的詳細監控，使得后續的檢測工作能夠涵蓋所有關鍵生產環節，從而提高檢測的全面性和準確性。通過對工件上料階段圖像進行非重合區域分割和異常區域標注，以及對清洗階段圖像進行異常檢測，能夠精準識別和標記出在這些階段出現的缺陷，提升了對工件生產過程中的異常情況的檢測能力和準確性。通過對工件烘干階段圖像進行灰度轉換和區域圖像分割，并進行溫度分布映射，能夠檢測出局部過熱和冷卻區域的異常，同時對移動階段圖像進行異常檢測，確保了對生產過程中關鍵階段的缺陷識別更加精確和詳細。將各階段的異常圖像整合為工件階段異常圖像集，并進行智能缺陷區域標記，生成工件智能缺陷檢測圖，從而實現了對工件生產全過程中的缺陷信息的系統整合和智能化處理，優化了檢測流程，提高了整體檢測效率和準確性。因此，本專利技術通過細化生產階段檢測、精確模板匹配、準確缺陷定位、增強動態檢測能力和系統整合缺陷信息，提高了工件生產視覺檢測的精度和可靠性。
8、優選的，步驟s1包括以下步驟：
9、步驟s11：獲取工件生產數據；
10、步驟s12：對工件生產數據進行數據預處理，生成標準工件生產數據，其中數據預處理包括數據清洗、數據去噪、數據缺失值填充和數據標準化；
11、步驟s13：對標準工件生產數據進行工件生產階段劃分，生成工件生產階段數據，其中工件生產階段劃分包括工件上料階段、工件清洗階段、工件烘干階段以及工件移動階段；
12、步驟s14：基于工件生產階段數據進行階段圖像采集，得到工件生產階段圖像集。
13、本專利技術通過數據預處理和標準化，確保了工件生產數據的完整性和準確性，為后續分析提供可靠的基礎。通過階段圖像采集，生成了工件生產過程的圖像數據，方便對生產過程進行可視化監控和分析。標準化和階段劃分的數據為工件生產過程中的質量控制和工藝優化提供了詳細的信息支持，有助于提高生產效率和產品質量。詳細的生產階段數據和圖像數據可以用于檢測生產過程中的異常情況，及時采取措施預防故障，減少生產損失。
14、優選的，基于工件生產階段數據進行階段圖像采集包括：
15、對工件生產階段數據中的工件上料階段進行rgb攝像頭拍攝，得到工件上料階段圖像；
16、對工件生產階段數據中的工件清洗階段進行熱成像攝像頭拍攝，生成工件清洗階段圖像；
17、對工件生產階段數據中的工件烘干階段進行紅外攝像頭拍攝，生成工件烘干階段圖像；
18、對工件生產階段數據中的工件移動階段進行深度攝像頭拍攝，生成工件移動階段圖像；將工件上料階段圖像、工件清洗階段圖像、工件烘干階段圖像和工件移動階段圖像進行圖像整合，從而生成工件生產階段圖像集。
19、本專利技術通過對不同階段使用不同類型的攝像頭進行圖像采集，實現了對工件生產過程的全面監控。rgb攝像頭、熱成像攝像頭、紅外攝像頭和深度攝像頭的結合，提供了多維度、多角度的生產數據。各階段圖像的細致采集和整合，有助于檢測和分析生產過程中出現的問題，如清洗不徹底、烘干不均勻、上料不正確和移動不順暢等，從而提高質量控制的效率和準確性。通過分析工件在各個階段的圖像數據，可以發現和優化生產流程中的瓶頸和不足，提升生產效率。深度圖像數據特別有助于優化工件的移動路徑和減少停滯時間。不同類型的圖像數據能夠及早發現生產過程中潛在的故障和異常情況。例如，熱成像和紅外圖像可以檢測出溫度異常，深度圖像可以發現工件位置偏移等問題，提供及時的預警和維護信息。將各階段的圖像數據進行整合，生成完整的生產階段圖像集，有助于建立數據驅動的生產分析體系。通過對整合圖像集的分析，可以生成詳細的生產報告和優化建議，進一步提升生產管理水平。
20、優選的，步驟s2包括以下步驟：
21、步驟s21：對工件生產階段圖像集中的工件上料階段圖像進行工件輪廓分割，生成工件輪廓分割區域圖像；
22、步驟s22：將工件輪廓分割區域圖像和預設的工件標準形狀模板進行圖像模板匹配，生成工件模板匹配圖像；對工件模板匹配圖像進本文檔來自技高網...
【技術保護點】
1.一種基于工件生產的人工智能視覺檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟S1包括以下步驟：
3.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，基于工件生產階段數據進行階段圖像采集包括：
4.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟S2包括以下步驟：
5.根據權利要求4所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟S25包括以下步驟：
6.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟S3包括以下步驟：
7.根據權利要求6所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟S34包括以下步驟：
8.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟S4包括以下步驟：
9.一種基于工件生產的人工智能視覺檢測系統，其特征在于，用于執行如權利要求1所述的基于工件生產的人工智能視覺檢測方法，該基于工件生
10.一種人工智能視覺檢測裝置，其特征在于，包括處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，用于執行如權利要求1-8中任意一項所述的基于工件生產的人工智能視覺檢測方法。
...【技術特征摘要】
1.一種基于工件生產的人工智能視覺檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟s1包括以下步驟：
3.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，基于工件生產階段數據進行階段圖像采集包括：
4.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟s2包括以下步驟：
5.根據權利要求4所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟s25包括以下步驟：
6.根據權利要求1所述的基于工件生產的人工智能視覺檢測方法，其特征在于，步驟s...
【專利技術屬性】
技術研發人員：劉全勝，劉俊宇，宋輝，徐進，劉召杰，
申請(專利權)人：無錫職業技術學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。