一种再制造原料评估方法、装置、存储介质及电子设备制造方法及图纸

本申请公开了一种再制造原料评估方法、装置、存储介质及电子设备。所述方法包括：获取再制造原料的多角度图像信息；通过预设深度学习网络确定所述多角度图像信息中的显性损伤信息，其中所述预设深度学习网络的主干特征提取网络包括Mobilenet，所述预设深度学习网络的加强特征提取网络包括空间金字塔网络SPP，所述预设深度学习网络的路径融和网络包括PANet；通过激光超声检测法和/或电磁超声检测法确定所述再制造原料中的隐性损伤信息；根据所述显性损伤信息和所述隐性损伤信息，通过预设评价规则对所述再制造原料进行评估。提升了检测速度，识别效果更好，识别类型更多。识别类型更多。识别类型更多。

【技术实现步骤摘要】
一种再制造原料评估方法、装置、存储介质及电子设备


[0001]本申请涉及机器视觉及再制造
，特别地涉及一种再制造原料评估方法、装置、系统、存储介质及电子设备。

技术介绍

[0002]再制造作为循环经济的重要技术支撑的一部分，可通过合理利用先进技术工艺，快速恢复甚至提升废旧装备或产品的性能，使其质量性能不低于原型新品水平。另外，再制造在实现资源高效循环利用的同时，可最大限度的利用废旧装备及零部件的剩余价值，延长装备的全生命周期寿命。尤为重要的是，由于大幅缩短了产品的制造流程，相比新品制造，再制造可显著减少碳排放，从而达到资源循环利用和绿色节能减排的双重效果。
[0003]再制造原料数量庞大、种类繁杂，且损伤形式和程度具有多样性。由于受到识别准确率和识别速度的限制，当前识别的对象还仅限于形状规则、结构简单、特征明显且判定准则单一的目标。
[0004]因此，如何对废旧零部件进行智能识别，快速准确分类分流，已成为再制造生产中的难点问题；而且对废旧产品进行功能性升级是再制造的主流方向，但当前再制造流程设计大多依赖工艺试验摸索，时间周期长、设计定型成本高的问题亟待解决。

技术实现思路

[0005]针对上述问题，本申请提出一种再制造原料评估方法、装置、系统、存储介质及电子设备。通过使用单目机器视觉和双目机器视觉识别技术，识别对象基本信息，实现废旧零部件初步分类分流；智能识别零部件表面三维形貌，研究识别目标腐蚀、磨损、微变形等显性损伤的定性定量分析方法。建立零部件近表面损伤的声光电磁多物理参量映射模型，开发基于声光电磁多物理参量的智能无损检测技术，实现废旧电机零部件裂纹、疲劳等隐性损伤的智能识别。综合运用模糊综合评价、五元联系数评价等方法，研究故障率评估、老化风险评估和再制造价值评估等关键技术，建立再制造原料部件的可再制造性判据。解决了对再制造原料的检测评估过程中，过度依赖人工的问题。
[0006]本申请的第一个方面，提供了一种再制造原料评估方法，所述方法包括：
[0007]获取再制造原料的多角度图像信息；
[0008]通过预设深度学习网络确定所述多角度图像信息中的显性损伤信息，其中所述预设深度学习网络的主干特征提取网络包括Mobilenet，所述预设深度学习网络的加强特征提取网络包括空间金字塔网络SPP，所述预设深度学习网络的路径融和网络包括PANet；
[0009]通过激光超声检测法和/或电磁超声检测法确定所述再制造原料中的隐性损伤信息；
[0010]根据所述显性损伤信息和所述隐性损伤信息，通过预设评价规则对所述再制造原料进行评估。
[0011]进一步的，所述显性损伤信息包括：
[0012]第一显性损伤信息和第二显性损伤信息；其中，
[0013]所述第一显性损伤信息包括：锈迹信息和/或腐蚀信息；所述第二显性损伤信息包括：磨损信息和/或变形信息。
[0014]进一步的，所述隐性损伤信息包括：
[0015]裂纹信息和/或疲劳寿命信息。
[0016]进一步的，所述通过激光超声检测法和/或电磁超声检测法确定所述再制造原料中的隐性损伤信息，包括：
[0017]通过所述激光超声检测法对所述再制造原料进行探测处理，得到第一隐性损伤信息；
[0018]通过所述电磁超声检测法对所述再制造原料进行探测处理，得到第二隐性损伤信息；
[0019]将所述第一隐性损伤信息和所述第二隐性损伤信息作为所述隐性损伤信息。
[0020]进一步的，所述根据所述显性损伤信息和所述隐性损伤信息，通过预设评价规则对所述再制造原料进行评估，包括：
[0021]通过预设再制造性评价模型对所述显性损伤信息和所述隐性损伤信息进行判定；
[0022]在所述显性损伤信息满足第一预设条件或在所述隐性损伤信息满足第二预设条件的情况下，判定所述再制造原料不能用于再制造。
[0023]进一步的，所述获取再制造原料的多角度图像信息，包括：
[0024]获取通过单目摄像机和/或双目摄像机采集的所述再制造原料的多角度图像信息。
[0025]本申请的第二个方面，提供了一种再制造原料评估装置，所述装置包括：
[0026]获取模块，用于获取再制造原料的多角度图像信息；
[0027]第一确定模块，用于通过预设深度学习网络确定所述多角度图像信息中的显性损伤信息，其中所述预设深度学习网络的主干特征提取网络包括Mobilenet，所述预设深度学习网络的加强特征提取网络包括空间金字塔网络SPP，所述预设深度学习网络的路径融和网络包括PANet；
[0028]第二确定模块，用于通过激光超声检测法和/或电磁超声检测法确定所述再制造原料中的隐性损伤信息；
[0029]评估模块，用于根据所述显性损伤信息和所述隐性损伤信息，通过预设评价规则对所述再制造原料进行评估。
[0030]本申请的第三个方面，提供了一种再制造原料评估系统，所述系统包括：
[0031]一个或多个摄像机，与评估服务器通信连接，用于采集再制造原料的多角度图像信息并将所述多角度图像信息发送至所述评估服务器；
[0032]评估服务器，用于通过预设深度学习网络确定所述多角度图像信息中的显性损伤信息，并通过激光超声检测法和/或电磁超声检测法确定所述再制造原料中的隐性损伤信息，以及通过预设再制造性评价模型根据所述显性损伤信息和所述隐性损伤信息对所述再制造原料进行评估，其中所述预设深度学习网络的主干特征提取网络包括Mobilenet，所述预设深度学习网络的加强特征提取网络包括空间金字塔网络SPP，所述预设深度学习网络的路径融和网络包括PANet。
[0033]本申请的第四个方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储的计算机程序，可被一个或多个处理器执行，用以实现如上所述的方法。
[0034]本申请的第五个方面，提供了一种电子设备，包括存储器和一个或多个处理器，所述存储器上存储有计算机程序，所述存储器和所述一个或多个处理器之间互相通信连接，该计算机程序被所述一个或多个处理器执行时，实现如上所述的方法。
[0035]与现有技术相比，本申请的技术方案具有以下优点或有益效果：
[0036]1、深度学习网络所使用的主干特征提取网络节约了资源，避免了无效计算，可以快速进行有效的特征提取，其体积容量也小于其他主干特征提取网络，提升了检测速度；
[0037]2、深度学习网络中使用了加强特征提取的网络模块，对于数据集的特征学习可以得到有效加强，识别效果更好；
[0038]3、除了再制造原料的表面损伤信息之外，还利用了声光电磁多物理参量模型，公开了声光电磁多物理参量的智能无损检测方案，进行更深层次的隐性损伤识别，识别类型更多；
[0039]4、不同于常规的目标检测只能检测对象固有类型的限制，本申请建立了再制造性评价模型，从再制造经济可行性角度做出零部件的可再制造性评估决策。
附图说明...

【技术保护点】

【技术特征摘要】
1.一种再制造原料评估方法，其特征在于，所述方法包括：获取再制造原料的多角度图像信息；通过预设深度学习网络确定所述多角度图像信息中的显性损伤信息，其中所述预设深度学习网络的主干特征提取网络包括Mobilenet，所述预设深度学习网络的加强特征提取网络包括空间金字塔网络SPP，所述预设深度学习网络的路径融和网络包括PANet；通过激光超声检测法和/或电磁超声检测法确定所述再制造原料中的隐性损伤信息；根据所述显性损伤信息和所述隐性损伤信息，通过预设评价规则对所述再制造原料进行评估。2.根据权利要求1所述的再制造原料评估方法，其特征在于，所述显性损伤信息包括：第一显性损伤信息和第二显性损伤信息；其中，所述第一显性损伤信息包括：锈迹信息和/或腐蚀信息；所述第二显性损伤信息包括：磨损信息和/或变形信息。3.根据权利要求1所述的再制造原料评估方法，其特征在于，所述隐性损伤信息包括：裂纹信息和/或疲劳寿命信息。4.根据权利要求1所述的再制造原料评估方法，其特征在于，所述通过激光超声检测法和/或电磁超声检测法确定所述再制造原料中的隐性损伤信息，包括：通过所述激光超声检测法对所述再制造原料进行探测处理，得到第一隐性损伤信息；通过所述电磁超声检测法对所述再制造原料进行探测处理，得到第二隐性损伤信息；将所述第一隐性损伤信息和所述第二隐性损伤信息作为所述隐性损伤信息。5.根据权利要求1所述的再制造原料评估方法，其特征在于，所述根据所述显性损伤信息和所述隐性损伤信息，通过预设评价规则对所述再制造原料进行评估，包括：通过预设再制造性评价模型对所述显性损伤信息和所述隐性损伤信息进行判定；在所述显性损伤信息满足第一预设条件或在所述隐性损伤信息满足第二预设条件的情况下，判定所述再制造原料不能用于再制造。6.根据权利要求1所述的再制造原料评估方法，其特征在于，所述获取再制造原料的多角度图像信息，包括：获取...

【专利技术属性】
技术研发人员：张涛，侯欢欢，谢探阳，
申请(专利权)人：河北长立汽车配件有限公司，
类型：发明
国别省市：