无人实验室智能管理方法及系统技术方案

公开了一种无人实验室智能管理方法及系统

【技术实现步骤摘要】
无人实验室智能管理方法及系统


[0001]本申请涉及智能管理领域，且更为具体地，涉及一种无人实验室智能管理方法及系统
。

技术介绍

[0002]无人实验室是指利用自动化和智能化技术，通过无人值守或少人值守的方式进行实验室管理和操作的一种新型实验室模式
。
无人实验室可以提高实验的效率
、
减少人力成本，并且可以在无人值守的情况下进行长时间
、
连续的实验操作
。
[0003]在无人实验室中，对于物料的质量检测是一个重要的环节，特别是对于物料进行表面质量检测，如电子元件
、
食品包装等
。
在物料入库前，需要将物料放置储料盘上来进行表面质量检测，这样可以及早发现物料的表面缺陷
、
污染或损坏等问题，从而确保入库物料的质量符合要求，避免将质量不合格的物料用于后续实验过程以带来问题和损失
。
[0004]然而，在无人实验室中，传统的质检方案通常是通过摄像头采集物料表面图像，并依靠人工进行检测，由于不同操作员可能有不同的判断标准和主观偏差，导致结果的不一致性和可靠性下降
。
此外，由于人工操作的限制，无法实现对大批量物料的快速检测，导致生产效率受限
。
现有一些方案通过全自动化的方式来进行物料表面质量检测，但这种方式无法实现对物料表面缺陷
、
污染等细微问题进行高精度地检测和分析
。
[0005]因此，期望一种优化的无人实验室智能管理方案
。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种无人实验室智能管理方法及系统
。
其可以避免操作员介入引起的低效率和地精准度的问题，从而能够及早发现物料的表面缺陷
、
污染或损坏等问题，以确保入库物料的表面质量符合要求，避免将质量不合格的物料用于后续实验过程，保证实验产品的质量稳定性和一致性
。
[0007]根据本申请的一个方面，提供了一种无人实验室智能管理方法，其包括：通过摄像头采集待入库物料的外观图像；对所述待入库物料的外观图像进行图像特征提取以得到外观轮廓图像特征；以及基于所述外观轮廓图像特征，确定待入库物料是否存在表面缺陷
。
[0008]根据本申请的另一个方面，提供了一种无人实验室智能管理系统，其包括：图像采集模块，用于通过摄像头采集待入库物料的外观图像；图像特征提取模块，用于对所述待入库物料的外观图像进行图像特征提取以得到外观轮廓图像特征；以及表面缺陷确认模块，用于基于所述外观轮廓图像特征，确定待入库物料是否存在表面缺陷
。
[0009]与现有技术相比，本申请提供的无人实验室智能管理方法及系统，其首先通过摄像头采集待入库物料的外观图像，接着，对所述待入库物料的外观图像进行图像特征提取
以得到外观轮廓图像特征，然后，基于所述外观轮廓图像特征，确定待入库物料是否存在表面缺陷
。
这样，可以避免操作员介入引起的低效率和地精准度的问题，从而能够及早发现物料的表面缺陷
、
污染或损坏等问题，以确保入库物料的表面质量符合要求，避免将质量不合格的物料用于后续实验过程，保证实验产品的质量稳定性和一致性
。
[0010]附图说明
[0011]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨
。
[0012]图1为根据本申请实施例的无人实验室智能管理方法的流程图
。
[0013]图2为根据本申请实施例的无人实验室智能管理方法的架构示意图
。
[0014]图3为根据本申请实施例的无人实验室智能管理方法的子步骤
S120
的流程图
。
[0015]图4为根据本申请实施例的无人实验室智能管理方法的子步骤
S123
的流程图
。
[0016]图5为根据本申请实施例的无人实验室智能管理系统的框图
。
[0017]图6为根据本申请实施例的无人实验室智能管理方法的应用场景图
。
[0018]图7为根据本申请实施例的
AGV
复合机器人
。
[0019]图8为根据本申请实施例的实验架子
。
具体实施方式
[0020]下面将结合附图对本申请实施例中的技术方案进行清楚
、
完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例
。
基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围
。
[0021]如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和
/
或“该”等词并非特指单数，也可包括复数
。
一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素
。
[0022]虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和
/
或服务器上
。
所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块
。
[0023]本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作
。
应当理解的是，前面或下面操作不一定按照顺序来精确地执行
。
相反，根据需要，可以按照倒序或同时处理各种步骤
。
同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作
。
[0024]下面，将参考附图详细地描述根据本申请的示例实施例
。
显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制
。
[0025]针对上述技术问题，本申请的技术构思为在物料入库前，将物料放置于储物盘上，
并通过摄像头采集待入库物料的外观图像，然后，在后端引入图像处理和机器学习算法来进行物料表面质量的自动化检测，以提高检测的准确性和效率
。
通过这样的方式，能够避免操作员介入引起的低效率和地精准度的问题，从而能够及早发现物料的表面缺陷
、
污染或损坏等问题，以确保入库物料的表面质量符合要求，避免将质量不合格的物料用于后续实验过程，保证实验产品的质量稳定性和一致性
。
[0026]图1为根据本申请实施例的无人实验室智能管理方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种无人实验室智能管理方法，其特征在于，包括：通过摄像头采集待入库物料的外观图像；对所述待入库物料的外观图像进行图像特征提取以得到外观轮廓图像特征；以及基于所述外观轮廓图像特征，确定待入库物料是否存在表面缺陷
。2.
根据权利要求1所述的无人实验室智能管理方法，其特征在于，对所述待入库物料的外观图像进行图像特征提取以得到外观轮廓图像特征，包括：计算所述待入库物料的外观图像的轮廓点分布直方图；通过基于第一深度神经网络模型的图像局部特征提取器对所述轮廓点分布直方图进行特征提取以得到外观轮廓图像局部特征图；通过基于第二深度神经网络模型的图像全局特征提取器对所述外观轮廓图像局部特征图进行全局特征提取以得到外观轮廓图像全局特征图；以及融合所述外观轮廓图像局部特征图和所述外观轮廓图像全局特征图以得到多尺度外观轮廓图像特征图作为所述外观轮廓图像特征
。3.
根据权利要求2所述的无人实验室智能管理方法，其特征在于，所述第一深度神经网络模型为卷积神经网络模型，所述第二深度神经网络模型为非局部神经网络模型
。4.
根据权利要求3所述的无人实验室智能管理方法，其特征在于，通过基于第一深度神经网络模型的图像局部特征提取器对所述轮廓点分布直方图进行特征提取以得到外观轮廓图像局部特征图，包括：使用所述基于第一深度神经网络模型的图像局部特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理
、
均值池化处理和非线性激活处理以由所述基于第一深度神经网络模型的图像局部特征提取器的最后一层输出所述外观轮廓图像局部特征图，其中，所述基于第一深度神经网络模型的图像局部特征提取器的第一层的输入为所述轮廓点分布直方图
。5.
根据权利要求4所述的无人实验室智能管理方法，其特征在于，通过基于第二深度神经网络模型的图像全局特征提取器对所述外观轮廓图像局部特征图进行全局特征提取以得到外观轮廓图像全局特征图，包括：将所述外观轮廓图像局部特征图分别输入所述基于第二深度神经网络模型的图像全局特征提取器的第一点卷积层
、
第二点卷积层和第三点卷积层以得到第一特征图
、
第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入
Softmax
函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的...

【专利技术属性】
技术研发人员：童华光，陈超，冯泳，
申请(专利权)人：台州道致科技股份有限公司，
类型：发明
国别省市：