【技术实现步骤摘要】
本专利技术涉及视觉检测，尤其涉及基于工件生产的人工智能视觉检测方法、系统及装置。
技术介绍
1、随着计算机视觉技术的发展，基于图像处理的检测方法逐渐被引入。这些方法通过使用摄像机采集工件图像，并利用图像处理算法进行边缘检测、轮廓提取和形状匹配等分析，从而实现对工件尺寸、形状和表面缺陷的检测。然而，传统的图像处理算法在处理复杂背景和光照变化时效果有限，无法满足高精度、高速度的检测需求。进入21世纪，人工智能和深度学习技术的兴起为视觉检测带来了新的机遇。深度学习尤其在卷积神经网络(cnn)的推动下，显著提升了图像特征提取和分类的能力。基于深度学习的视觉检测系统可以通过大量的标注数据进行训练，自动学习工件的特征，并且能够处理复杂的检测任务，如细小缺陷的识别和复杂背景下的检测。尤其是在缺陷检测和质量控制领域，深度学习模型展现出了超越传统方法的性能，然而目前传统视觉检测方法对于缺陷定位常常不够精确，特别是在工件清洗和烘干阶段，同时对于工件移动阶段，传统检测方法难以实时追踪和检测动态异常，进而导致视觉检测的精度和可靠性较低。
技术实现思路
1、基于此，有必要提供一种基于工件生产的人工智能视觉检测方法、系统及装置，以解决至少一个上述技术问题。
2、为实现上述目的，一种基于工件生产的人工智能视觉检测方法，所述方法包括以下步骤：
3、步骤s1：获取工件生产数据；对对工件生产数据进行工件生产阶段划分，生成工件生产阶段数据，其中工件生产阶段划分包括工件上料阶段、工件清洗阶段、工件
4、步骤s2：对工件生产阶段图像集中的工件上料阶段图像和预设的工件标准形状模板进行非重合区域分割，生成工件模板匹配非重合区域图像；对工件模板匹配非重合区域图像进行异常工件上料区域标注，生成异常工件上料阶段区域图像；对工件生产阶段图像集中的工件清洗阶段图像进行异常清洗视觉检测，生成异常工件清洗阶段区域图像；
5、步骤s3：对工件生产阶段图像集中的工件烘干阶段图像进行灰度转换，生成工件烘干阶段灰度图像；对工件烘干阶段灰度图像进行局部过热区域和局部冷却区域进行区域图像分割，生成烘干阶段局部过热区域图像和烘干阶段局部冷却区域图像；对烘干阶段局部过热区域图像和烘干阶段局部冷却区域图像进行异常区域温度分布映射并标注，从而生成异常工件烘干阶段区域图像；对工件生产阶段图像集中的工件移动阶段图像进行异常移动视觉检测，生成异常工件移动阶段图像；
6、步骤s4：将异常工件上料阶段区域图像、异常工件清洗阶段区域图像、异常工件烘干阶段区域图像和异常工件移动阶段图像整合为工件阶段异常图像集；对工件阶段异常图像集进行智能缺陷区域图像标记，生成工件智能缺陷检测图，以执行工件生产人工智能视觉检测作业。
7、本专利技术通过对工件生产数据进行阶段划分，并生成阶段数据和图像集，确保了对工件生产全过程的详细监控，使得后续的检测工作能够涵盖所有关键生产环节，从而提高检测的全面性和准确性。通过对工件上料阶段图像进行非重合区域分割和异常区域标注，以及对清洗阶段图像进行异常检测，能够精准识别和标记出在这些阶段出现的缺陷，提升了对工件生产过程中的异常情况的检测能力和准确性。通过对工件烘干阶段图像进行灰度转换和区域图像分割，并进行温度分布映射，能够检测出局部过热和冷却区域的异常，同时对移动阶段图像进行异常检测，确保了对生产过程中关键阶段的缺陷识别更加精确和详细。将各阶段的异常图像整合为工件阶段异常图像集，并进行智能缺陷区域标记，生成工件智能缺陷检测图，从而实现了对工件生产全过程中的缺陷信息的系统整合和智能化处理，优化了检测流程，提高了整体检测效率和准确性。因此，本专利技术通过细化生产阶段检测、精确模板匹配、准确缺陷定位、增强动态检测能力和系统整合缺陷信息，提高了工件生产视觉检测的精度和可靠性。
8、优选的，步骤s1包括以下步骤：
9、步骤s11：获取工件生产数据；
10、步骤s12：对工件生产数据进行数据预处理，生成标准工件生产数据，其中数据预处理包括数据清洗、数据去噪、数据缺失值填充和数据标准化；
11、步骤s13：对标准工件生产数据进行工件生产阶段划分，生成工件生产阶段数据，其中工件生产阶段划分包括工件上料阶段、工件清洗阶段、工件烘干阶段以及工件移动阶段；
12、步骤s14：基于工件生产阶段数据进行阶段图像采集，得到工件生产阶段图像集。
13、本专利技术通过数据预处理和标准化，确保了工件生产数据的完整性和准确性，为后续分析提供可靠的基础。通过阶段图像采集，生成了工件生产过程的图像数据，方便对生产过程进行可视化监控和分析。标准化和阶段划分的数据为工件生产过程中的质量控制和工艺优化提供了详细的信息支持，有助于提高生产效率和产品质量。详细的生产阶段数据和图像数据可以用于检测生产过程中的异常情况，及时采取措施预防故障，减少生产损失。
14、优选的，基于工件生产阶段数据进行阶段图像采集包括：
15、对工件生产阶段数据中的工件上料阶段进行rgb摄像头拍摄，得到工件上料阶段图像；
16、对工件生产阶段数据中的工件清洗阶段进行热成像摄像头拍摄，生成工件清洗阶段图像；
17、对工件生产阶段数据中的工件烘干阶段进行红外摄像头拍摄，生成工件烘干阶段图像；
18、对工件生产阶段数据中的工件移动阶段进行深度摄像头拍摄，生成工件移动阶段图像；将工件上料阶段图像、工件清洗阶段图像、工件烘干阶段图像和工件移动阶段图像进行图像整合，从而生成工件生产阶段图像集。
19、本专利技术通过对不同阶段使用不同类型的摄像头进行图像采集，实现了对工件生产过程的全面监控。rgb摄像头、热成像摄像头、红外摄像头和深度摄像头的结合，提供了多维度、多角度的生产数据。各阶段图像的细致采集和整合，有助于检测和分析生产过程中出现的问题，如清洗不彻底、烘干不均匀、上料不正确和移动不顺畅等，从而提高质量控制的效率和准确性。通过分析工件在各个阶段的图像数据，可以发现和优化生产流程中的瓶颈和不足，提升生产效率。深度图像数据特别有助于优化工件的移动路径和减少停滞时间。不同类型的图像数据能够及早发现生产过程中潜在的故障和异常情况。例如，热成像和红外图像可以检测出温度异常，深度图像可以发现工件位置偏移等问题，提供及时的预警和维护信息。将各阶段的图像数据进行整合，生成完整的生产阶段图像集，有助于建立数据驱动的生产分析体系。通过对整合图像集的分析，可以生成详细的生产报告和优化建议，进一步提升生产管理水平。
20、优选的，步骤s2包括以下步骤：
21、步骤s21：对工件生产阶段图像集中的工件上料阶段图像进行工件轮廓分割，生成工件轮廓分割区域图像；
22、步骤s22：将工件轮廓分割区域图像和预设的工件标准形状模板进行图像模板匹配，生成工件模板匹配图像；对工件模板匹配图像进本文档来自技高网...
【技术保护点】
1.一种基于工件生产的人工智能视觉检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，基于工件生产阶段数据进行阶段图像采集包括：
4.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤S2包括以下步骤：
5.根据权利要求4所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤S25包括以下步骤：
6.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤S3包括以下步骤：
7.根据权利要求6所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤S34包括以下步骤：
8.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤S4包括以下步骤：
9.一种基于工件生产的人工智能视觉检测系统，其特征在于，用于执行如权利要求1所述的基于工件生产的人工智能视觉检测方法，该基于工件生
10.一种人工智能视觉检测装置，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，用于执行如权利要求1-8中任意一项所述的基于工件生产的人工智能视觉检测方法。
...【技术特征摘要】
1.一种基于工件生产的人工智能视觉检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，基于工件生产阶段数据进行阶段图像采集包括：
4.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤s2包括以下步骤：
5.根据权利要求4所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤s25包括以下步骤：
6.根据权利要求1所述的基于工件生产的人工智能视觉检测方法，其特征在于，步骤s...
【专利技术属性】
技术研发人员：刘全胜，刘俊宇，宋辉，徐进，刘召杰，
申请(专利权)人：无锡职业技术学院，
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。