形成轨道检测模型的方法、检测轨道磨损的方法技术

本申请提供了一种形成轨道检测模型的方法、检测轨道磨损的方法。该形成轨道检测模型的方法包括：接收沿轨道行进的拍摄装置获取的原始图片，其中原始图片包括轨道图像；对原始图片进行数据增广，得到多张增广图片；对多张增广图片中的轨道图像的正常区域和破损区域进行区分标注，得到多张标注图片；以及利用多张标注图片训练深度神经网络，以形成轨道检测模型。模型。模型。

【技术实现步骤摘要】
形成轨道检测模型的方法、检测轨道磨损的方法


[0001]本申请涉及图像识别
，更具体的，涉及一种形成轨道检测模型的方法、介质，一种检测轨道磨损的方法、装置、介质和系统。

技术介绍

[0002]随着先进制造技术的不断发展，工厂的自动化水平不断提高。例如半导体生产工厂中，人机一体化系统(AHMS)应用越来越多。尤其是在新建立生产线时，经常追求更高起点的自动化水平。
[0003]在建设半导体生产工厂时，通常会建设沿着轨道运行并通过轨道获取电力的天车。在AHMS的控制下，天车可将物料运输到指定的机台处。轨道有可能发生破损，由于轨道的破损处电阻变大，因此可导致天车获取电力故障、天车无法正常运行。

技术实现思路

[0004]本申请的实施例提供了一种形成轨道检测模型的方法，该形成轨道检测模型的方法包括：接收沿轨道行进的拍摄装置获取的原始图片，其中原始图片包括轨道图像；对原始图片进行数据增广，得到多张增广图片；对多张增广图片中的轨道图像的正常区域和破损区域进行区分标注，得到多张标注图片；以及利用多张标注图片训练深度神经网络，以形成轨道检测模型。
[0005]在一个实施方式中，方法还包括：从增广图片中获取包括部分轨道图像的图块；其中，对多张增广图片进行区分标注的步骤包括：对多个图块中的轨道图像的正常区域和破损区域进行区分标注。
[0006]在一个实施方式中，获取图块的步骤包括：获取增广图片中满足预设光照条件和预设聚焦条件的区域作为图块。
[0007]在一个实施方式中，接收原始图片的步骤包括：接收包括轨道图像的视频；以及从视频中提取包括轨道图像的原始图片。
[0008]在一个实施方式中，区分标注的步骤包括：对正常区域和破损区域的每一个像素点进行标注。
[0009]在一个实施方式中，对原始图片进行数据增广，得到多张增广图片包括：对每个原始图片进行旋转、反转、缩放和颜色搅动中的至少一种处理以获得多张增广图片。
[0010]在一个实施方式中，深度神经网络是自编码深度神经网络，用于预测原始图片中的正常区域。
[0011]第二方面，本申请的实施例提供了一种检测轨道磨损的方法，该方法包括：接收沿轨道行进的拍摄装置获取的包含轨道图像的待检测图片；以及通过轨道检测模型对待检测图片进行检测以区分轨道图像的正常区域和破损区域，其中，轨道检测模型根据前述的形成轨道检测模型的方法形成。
[0012]在一个实施方式中，方法还包括：获取待检测图片的位置信息；以及输出具有破损
区域的待检测图片的位置信息。
[0013]在一个实施方式中，方法，其中，还包括：设置包括标注图片的标识库；在待检测图片中将轨道图像的正常区域和破损区域区分标注，得到累计标注图片；以及将累计标注图片输入标识库，以用于重复训练轨道检测模型。
[0014]本申请提供一种形成轨道检测模型的装置，该装置包括：接收单元，被配置为接收沿轨道行进的拍摄装置获取的原始图片，其中原始图片包括轨道图像；增广单元，被配置为对原始图片进行数据增广，以得到多个增广图片；标注单元，对多张增广图片中的轨道图像的正常区域和破损区域进行区分标注，得到多张标注图片；以及训练单元，被配置为利用多张标注图片训练深度神经网络，以形成轨道检测模型。
[0015]在一个实施方式中，接收单元进一步被配置成：从增广图片中获取包括部分轨道图像的图块；以及标注单元被进一步配置成：对多个图块中的轨道图像的正常区域和破损区域进行区分标注。
[0016]在一个实施方式中，接收单元进一步被配置成：获取增广图片中满足预设光照条件和预设聚焦条件的区域作为图块。
[0017]在一个实施方式中，接收单元进一步被配置成：接收包括轨道图像的视频；以及从视频中提取包括轨道图像的原始图片。
[0018]在一个实施方式中，标注单元进一步被配置成：对正常区域和破损区域的每一个像素点进行标注。
[0019]在一个实施方式中，增广单元被配置为对每个原始图片进行旋转、反转、缩放和颜色搅动中的至少一种处理以获得多张增广图片。
[0020]本申请的另一方面提供一种检测轨道磨损的装置，其特征在于，包括：接收单元，被配置为接收沿轨道行进的拍摄装置获取的包含轨道图像的待检测图片；以及磨损检测单元，被配置为通过轨道检测模型对待检测图片进行检测，其中，轨道检测模型根据前述的形成轨道检测模型的方法形成。
[0021]在一个实施方式中，装置还包括：位置检测单元，被配置为：获取待检测图片的位置信息；以及输出具有破损区域的待检测图片的位置信息。
[0022]在一个实施方式中，装置还包括：寄存单元，被配置为存储有包括标注图片的标识库；标注单元，被配置为在待检测图片中将轨道图像的正常区域和破损区域区分标注，得到累计标注图片；以及训练单元，被配置为将累计标注图片输入标识库，以用于重复训练轨道检测模型。
[0023]本申请提供一种用于形成轨道检测模型的系统，该系统包括：存储器，存储可执行指令及原始图片，其中，待检测图片包括拍摄装置沿轨道行进而拍摄的轨道图像；以及一个或多个处理器，与存储器通信以执行可执行指令从而实现形成轨道检测模型的方法。
[0024]本申请的另一方面提供一种用于检测轨道磨损的系统，其特征在于，包括：存储器，存储可执行指令及待检测图片，其中，待检测图片包括拍摄装置沿轨道行进而拍摄的轨道图像；以及一个或多个处理器，与存储器通信以执行可执行指令，以通过轨道检测模型对待检测图片进行检测，其中，轨道检测模型根据前述的形成方法形成。
[0025]在一个实施方式中，该系统还包括适于沿轨道行进并拍摄轨道图像的拍摄装置。
[0026]在一个实施方式中，该系统还包括通信装置，与拍摄装置及存储器通信，以向存储
旨在指代示例或举例说明。
[0045]除非另外限定，否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
[0046]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。另外，除非明确限定或与上下文相矛盾，否则本申请所记载的方法中包含的具体步骤不必限于所记载的顺序，而可以任意顺序执行或并行地执行。下面将参考附图并结合实施例来详细说明本申请。
[0047]参考图1，其中示出了根据本申请实施方式的自动化工厂的示意性结构图。该自动化工厂100可包括：处理系统101、生产管控系统(MES)102、模拟量控制系统(MCS)103和自动化物料搬运系统(AMHS)104。
[0048]处理系统101可以与生产管控系统102和自动化物料搬运系统104通信连接，具体的连接类型可以是有线、无线通信链路或者光纤电缆等。例如用户可以通过处理系统101监控自动化物料搬运系统104本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种形成轨道检测模型的方法，其特征在于，包括：接收沿轨道行进的拍摄装置获取的原始图片，其中所述原始图片包括轨道图像；对所述原始图片进行数据增广，得到多张增广图片；对多张所述增广图片中的轨道图像的正常区域和破损区域进行区分标注，得到多张标注图片；以及利用所述多张标注图片训练深度神经网络，以形成所述轨道检测模型。2.根据权利要求1所述的方法，其中，所述方法还包括：从所述增广图片中获取包括部分所述轨道图像的图块；其中，对所述多张增广图片进行区分标注的步骤包括：对多个所述图块中的轨道图像的正常区域和破损区域进行区分标注。3.根据权利要求2所述的方法，其中，获取所述图块的步骤包括：获取所述增广图片中满足预设光照条件和预设聚焦条件的区域作为所述图块。4.根据权利要求1所述的方法，其中，接收原始图片的步骤包括：接收包括轨道图像的视频；以及从所述视频中提取包括所述轨道图像的原始图片。5.根据权利要求1所述的方法，其中，所述区分标注的步骤包括：对所述正常区域和所述破损区域的每一个像素点进行标注。6.根据权利要求1所述的方法，其中，对所述原始图片进行数据增广，得到多张增广图片包括：对每个所述原始图片进行旋转、反转、缩放和颜色搅动中的至少一种处理以获得多张增广图片。7.根据权利要求1所述的方法，其中，所述深度神经网络是自编码深度神经网络，用于预测所述原始图片中的正常区域。8.一种检测轨道磨损的方法，其特征在于，包括：接收沿轨道行进的拍摄装置获取的包含轨道图像的待检测图片；以及通过轨道检测模型对所述待检测图片进行检测以区分所述轨道图像的正常区域和破损区域，其中，所述轨道检测模型根据权利要求1至7中任一项所述的方法形成。9.根据权利要求8所述的方法，其中，还包括：获取所述待检测图片的位置信息；以及输出具有所述破损区域的待检测图片的所述位置信息。10.根据权利要求8所述的方法，其中，还包括：设置包括所述标注图片的标识库；在所述待检测图片中将所述轨道图像的正常区域和破损区域区分标注，得到累计标注图片；以...

【专利技术属性】
技术研发人员：郑先意，
申请(专利权)人：长江存储科技有限责任公司，
类型：发明
国别省市：