【技术实现步骤摘要】
一种管道生产智慧车间的产品定位方法及系统
[0001]本专利技术涉及定位技术,尤其涉及一种管道生产智慧车间的产品定位方法及系统
。
技术介绍
[0002]在大数据
、
机器学习等人工智能技术的驱动下,制造过程正向智能化
、
无人化转变
。
现阶段针对管道制造车间的物料追踪定位,传统方式是工人按照记录物料位置的手册或者人眼寻找识别,来准确定位物料位置,由于大型构件物料位置具有随机性,较为先进的制造工厂能够将车间的每个物料贴上
RIFD
或
UWB
标签作为唯一标识,利用无线射频识别
(RIFD)
和超宽带技术
(UWB)
进行检测识别和获取位置凹,传输到物料系统记录物料名称和相应的存放位置
。
[0003]但是该技术存在价格昂贵以及窜读
、
漏读等问题,且依旧无法完全脱离人为干预
。
标签的粘贴
、
加工过程的掉落,和加工完成后的回收是一个难以避免的问题,无法做到工厂物料识别和定位的无人化
、
智能化,同样也很难应对物料位置临时改变而信息系统没有记录的问题
。
技术实现思路
[0004]本专利技术实施例提供一种管道生产智慧车间的产品定位方法及系统,能够对管道生产车间中的产品进行精准识别和无人化实时定位
。
[0005]本专利技术实施例的第一方面,提供一种管道生产智慧车间的产品定位方法 ...
【技术保护点】
【技术特征摘要】
1.
一种管道生产智慧车间的产品定位方法,其特征在于,包括:实时获取生产区域中监控摄像头的监控视频,判断所述监控视频中是否存在目标产品,若存在,则基于目标检测模型确定所述监控视频中每一帧视频信息的目标产品对应的目标候选框;从所述监控视频中每一帧视频信息提取所述目标产品对应的图像特征,结合所述监控摄像头所对应的空间坐标系对所述图像特征进行空间变换,确定所述目标产品的定位信息;若不存在,则进一步判断所述监控视频中目标产品是否为障碍物遮挡,若是,则结合预先构建的生产区域地图信息以及重定位算法对所述目标产品进行重定位,其中,所述重定位算法基于改进的粒子群算法构建而成
。2.
根据权利要求1所述的方法,其特征在于,所述方法还包括训练所述目标检测模型:通过所述目标检测模型的卷积层提取预先获取的训练数据集的训练特征,根据所述目标检测模型的池化层设置滑动窗口,滑动选择所述训练特征,应用非极大值抑制确定滑动窗口内训练特征对应的锚框得分;基于锚框得分靠前的训练特征,通过所述目标检测模型的分类损失函数和回归损失函数确定所述训练特征的分类损失值和回归损失值;通过反向传播算法结合自适应学习率迭代优化所述分类损失函数和所述回归损失函数,直至所述分类损失值与所述回归损失值的损失值之和最小化
。3.
根据权利要求2所述的方法,其特征在于,通过反向传播算法结合自适应学习率迭代优化所述分类损失函数和所述回归损失函数,直至所述分类损失值与所述回归损失值的损失值之和最小化包括:;;;其中,
L
表示所述分类损失值与所述回归损失值的损失值之和,
S
表示学习率,
r
表示损失权重系数,
g
t
表示
t
时刻的模型梯度,
θ
表示目标检测模型的模型参数,
m
t
表示
t
时刻的一阶矩估计;
L
cls
表示所述分类损失函数对应的分类损失,
N
表示训练数据集的样本数,
y
i
、p
i
分别表示训练数据集的第
i
个样本对应的实际标签,以及训练数据集的第
i
个样本对应的标签预测概率,
L
reg
表示所述回归损失函数对应的回归损失,
T
i
表示训练数据集的第
i
个样本对应的实际回归目标,
smooth()
表示平滑损失函数
。4.
根据权利要求1所述的方法,其特征在于,结合所述监控摄像头所对应的空间坐标系对所述图像特征进行空间变换,确定所述目标产品的定位信息包括:对所述监控摄像头进行标定,确定所述监控摄像头的内参矩阵和外参矩阵,其中,所述内参矩阵用于指示所述监控摄像头的焦距
、
主点坐标以及畸变系数中至少一种,所述外参
矩阵用于指示所述监控摄像头在世界坐标系的位置信息
、
朝向信息中至少一种;基于所述监控摄像头的内参矩阵和外参矩阵,构建所述监控...
【专利技术属性】
技术研发人员:徐笃军,刘同军,何洪伟,宁靖华,王建,高敏,焦富涛,梁伟,
申请(专利权)人:中国电建集团山东电力管道工程有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。