基于机器学习的激光除锈方法及装置制造方法及图纸

本公开涉及除锈技术领域，具体涉及一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端。所述方法包括：获取第一原始图像；对所述第一原始图像进行预处理以获取第一预处理图像；利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；根据所述激光处理参数控制激光器进行除锈。本公开能够利用预先训练的机器学习模型计算每一张图像中锈蚀区域对应的激光处理参数，从而可以根据该激光控制参数控制激光器进行除锈。有效的保证除锈效果。

Laser Rust Removal Method and Device Based on Machine Learning

The present disclosure relates to the field of rust removal technology, in particular to a laser rust removal method based on machine learning, a laser rust removal device based on machine learning, a storage medium and an electronic terminal. The method includes acquiring the first original image, preprocessing the first original image to obtain the first preprocessed image, analyzing the first preprocessed image with the trained parameter calculation model to obtain the laser processing parameters, and controlling the laser to de-rust according to the laser processing parameters. The present disclosure is capable of calculating laser processing parameters corresponding to the corroded area in each image using a pre-trained machine learning model, thereby controlling the laser for de-rusting according to the laser control parameters. Effective rust removal effect is guaranteed.

【技术实现步骤摘要】
基于机器学习的激光除锈方法及装置
本公开涉及除锈
，具体涉及一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端。
技术介绍
激光作为一种加工工具，能实现金属表面锈蚀层的快速清洗。与传统加工方法不同的是，激光具有高亮度、高单色性等优点，能实现远距离非接触式清洗，因此能利用激光对远距离除锈，比如高压带电装置、核装置等。但现有的激光除锈装置对应的激光控制方法大多流程复杂，且控制激光除锈的精准度不高。尤其对于野外环境下的设备，例如轨道，由于环境情况复杂、恶劣，导致金属轨道各部分锈蚀情况差异较大。且由于对除锈结果要求较高，不能损伤金属结构，导致现有的激光除锈装置并不能具有良好的除锈结果。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提供一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的第一方面，提供一种基于机器学习的激光除锈方法，包括：获取第一原始图像；对所述第一原始图像进行预处理以获取第一预处理图像；利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；根据所述激光处理参数控制激光器进行除锈。在本公开的一种示例性实施例中，在根据所述激光处理参数控制激光器进行除锈后，所述方法还包括：获取第二当前图像；对所述第二当前图像进行预处理以获取第二预处理图像；对比所述第一预处理图像和第二预处理图像以获取除锈结果。在本公开的一种示例性实施例中，所述方法还包括：判断所述除锈结果是否满足预设条件；在判断所述除锈结果满足所述预设条件时，结束除锈操作；或者在判断所述除锈结果不满足所述预设条件时，利用所述已训练的参数计算模块对所述第二预处理图像进行分析以获取激光处理参数，以便于根据所述激光处理参数控制所述激光器进行除锈。在本公开的一种示例性实施例中，训练所述参数计算模型，包括：获取待处理锈蚀图像集合；以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。在本公开的一种示例性实施例中，所述对所述待处理图像进行预处理以获取第一预处理图像包括：对所述第一预处理图像进行灰度处理以得到第一预处理图像。根据本公开的第二方面，提供一种基于机器学习的激光除锈装置，包括：图像采集模块，用于获取第一原始图像；图像处理模块，用于对所述第一原始图像进行预处理以获取第一预处理图像；参数计算模块，用于利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；操作执行模块，用于根据所述激光处理参数控制激光器进行除锈。在本公开的一种示例性实施例中，所述装置还包括：结果判断模块，用于判断所述除锈结果是否满足预设条件。在本公开的一种示例性实施例中，所述装置还包括：模型训练模块，用于获取待处理锈蚀图像集合，并以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。根据本公开的第三方面，提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于机器学习的激光除锈方法。根据本公开的第四方面，提供一种电子终端，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行实现上述的基于机器学习的激光除锈方法本公开的实施例所提供的激光除锈方法中，通过利用预先训练的机器学习模型计算每一张图像中锈蚀区域对应的激光处理参数，从而可以根据该激光控制参数控制激光器进行除锈。有效的保证除锈效果。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种基于机器学习的激光除锈方法示意图；图2示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置组成示意图；图3示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置的另一种示意图；图4示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置的再一种示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。本示例实施方式中首先提供了一种基于机器学习的激光除锈方法，可以应用于对对不同场景下的除锈，尤其对于铁轨上的锈蚀痕迹。参考图1中所示，上述的基于机器学习的激光除锈方法可以包括以下步骤：步骤S1，获取第一原始图像；步骤S2，对所述第一原始图像进行预处理以获取第一预处理图像；步骤S3，利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数。步骤S4，根据所述激光处理参数控制激光器进行除锈。下面，将结合附图及实施例对本示例实施方式中的医疗数据标准化处理方法中各个步骤进行更详细的说明。步骤S1，获取第一原始图像。本示例实施方式中，可以通过摄像头等硬件设备采集需要进行除锈处理的设备的原始图像。其中，待除锈设备可以是例如轨道、车体、防护罩等装置的表面。此外，上述的第一原始图像可以为彩色图像，且图像中可以包含至少一个锈蚀区域。步骤S2，对所述第一原始图像进行预处理以获取第一预处理图像。本示例实施方式中，上述的预处理可以灰度处理。在获取第一原始图像后，便可以对其进行灰度处理，从而获得第一预处理图像。对于对图像进行灰度处理这一过程可以采用常规的技术手段。例如，将获得到的彩色图像每个像素点的RGB(R，G，B)值根据加权平均算法转化为对应的灰度值。本公开在此不再详述，也不做特殊限定。步骤S3，利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数。本示例实施方式中，可以利用已训练的参数计算模型对第一预处理图像进行分析，获取图像中的锈蚀区域，并计算锈蚀区域UI对应的激光处理参数。此外，还可以预先利用锈蚀图像来训练无监督模型。在获取训练后的无监督模型，即参数计算模型，之后便可以将预处理图像输入至该参数计算模型中，从而获取该预处理图像的激光处理参数。具体来说，对于模型的训练过程可以包括以下步骤：步骤S31，获取待处理锈蚀图像集合；步骤S32，以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。上述的待处理锈蚀图像结合可以包括多张图像，各图像中均至少包含一个锈蚀区域。此外，各锈蚀区域的具体情况可能不同，例如锈蚀程度、锈蚀范围的边界形状等均不相同。可以将上述的待处理锈蚀图像集合作为输入数据或样本数据，将其输入至无监督模型，使无监督模型根据该本文档来自技高网...

【技术保护点】
1.一种基于机器学习的激光除锈方法，其特征在于，包括：获取第一原始图像；对所述第一原始图像进行预处理以获取第一预处理图像；利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；根据所述激光处理参数控制激光器进行除锈。

【技术特征摘要】
1.一种基于机器学习的激光除锈方法，其特征在于，包括：获取第一原始图像；对所述第一原始图像进行预处理以获取第一预处理图像；利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；根据所述激光处理参数控制激光器进行除锈。2.根据权利要求1所述的基于机器学习的激光除锈方法，其特征在于，在根据所述激光处理参数控制激光器进行除锈后，所述方法还包括：获取第二当前图像；对所述第二当前图像进行预处理以获取第二预处理图像；对比所述第一预处理图像和第二预处理图像以获取除锈结果。3.根据权利要求2所述的基于机器学习的激光除锈方法，其特征在于，所述方法还包括：判断所述除锈结果是否满足预设条件；在判断所述除锈结果满足所述预设条件时，结束除锈操作；或者在判断所述除锈结果不满足所述预设条件时，利用所述已训练的参数计算模块对所述第二预处理图像进行分析以获取激光处理参数，以便于根据所述激光处理参数控制所述激光器进行除锈。4.根据权利要求1所述的基于机器学习的激光除锈方法，其特征在于，训练所述参数计算模型，包括：获取待处理锈蚀图像集合；以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。5.根据权利要求1所述的基于机器学习的激光除锈方法，其特征在于...

【专利技术属性】
技术研发人员：李婷，孙汉英，李本涖，钟翊铭，钟李朵，郑列文，吕鑫，
申请(专利权)人：西安云鑫电子科技有限公司，
类型：发明
国别省市：陕西,61