【技术实现步骤摘要】
本申请涉及图像处理，具体涉及一种基于深度学习的注塑集成工作站智能视觉监测系统。
技术介绍
1、注塑成型是将热塑性塑料利用成型模具制成各种形状塑料制品的制造工艺。注塑集成工作站通过机械手实现对不同角度、不同高度的、不同距离远近物料以及塑料成品的转移，提高注塑成型的生产效率和塑料成品的质量。
2、在注塑集成工作站的运行过程中，为保证生产设备的正常运行以及生产人员的安全，行业内通常采用红外相机对注塑集成工作站中机械手的工作区域进行监测，并在有生产人员误入时进行报警。注塑成型过程中，高温熔融材料导致注塑集成工作站的背景温度较高。受复杂红外背景条件的干扰，红外图像的模糊度较大，传统的hog（histogram oforiented gradient）特征提取算法构建方向梯度直方图，对模糊区域的特征信息提取能力较弱，造成红外图像中的生产人员与工作站背景的特征区分度较小，导致对误入监测区域的生产人员的识别准确率降低。
技术实现思路
1、为了解决上述技术问题，提供一种基于深度学习的注塑集成工作站智能视觉监测系统，以解决现有的问题。
2、本申请解决技术问题的方案是提供一种基于深度学习的注塑集成工作站智能视觉监测系统，所述系统包括：
3、图像采集模块，用于在注塑集成工作站运行过程中，获取每帧红外监测图像；
4、特征提取模块，用于提取红外监测图像的hog特征，包括：
5、（1）将每帧红外监测图像划分为多个图像块；根据每帧红外监测图像中每个图像块
6、（2）根据每帧红外监测图像中每个图像块与其局部邻域内图像块之间的距离关系和灰度差异情况，确定每帧红外监测图像中每个图像块的局部差异系数，结合所述灰度分布离散度，确定每帧红外监测图像中每个图像块的相对清晰度；
7、（3）分析每帧红外监测图像中每个图像块在不同梯度方向上的像素点的分布情况，以及不同梯度方向上像素点的梯度方向的偏差情况，结合像素点的梯度幅值和所述相对清晰度，确定每帧红外监测图像中每个图像块在每个方向区间的直方图统计量，提取每帧红外监测图像的hog特征；
8、监测预警模块，基于红外监测图像的hog特征，结合分类模型，得到模型预测结果，对注塑集成工作站进行监测。
9、优选的，所述每帧红外监测图像中每个图像块的灰度分布离散度，包括：
10、采用阈值分割算法，获得每帧红外监测图像中每个图像块的所有像素点的分割阈值，将各图像块中灰度值大于所述分割阈值的像素点，记为目标像素点；
11、计算每帧红外监测图像中每个图像块的图像熵；
12、分析每个目标像素点邻域内的像素点与其目标像素点之间的灰度差异程度，确定每帧红外监测图像中每个图像块的灰度变化系数；
13、分析每帧红外监测图像与其前一帧红外监测图像之间对应图像块内像素点数量差异情况，确定每帧红外监测图像中每个图像块的像素数量差异；
14、将所述灰度变化系数、所述图像熵以及所述像素数量差异进行融合，确定为每帧红外监测图像中每个图像块的灰度分布离散度。
15、优选的，所述确定每帧红外监测图像中每个图像块的灰度变化系数，包括：
16、将每个目标像素点与其邻域内的多个像素点之间灰度值的差异的和，作为每个目标像素点的局部灰度差；
17、将每帧红外监测图像中每个图像块的所有目标像素点的局部灰度差的均值，作为每帧红外监测图像中每个图像块的灰度变化系数。
18、优选的，所述每帧红外监测图像中每个图像块的像素数量差异，包括：
19、将每帧红外监测图像中每个图像块与其前一帧红外监测图像中对应图像块之间目标像素点数量的差值，记为第一差值；
20、将以自然常数为底数，以所述第一差值的相反数为指数的指数函数的计算结果，作为每帧红外监测图像中每个图像块的像素数量差异。
21、优选的，所述确定每帧红外监测图像中每个图像块的局部差异系数，包括：
22、以每个图像块为中心图像块，设置预设尺寸的局部窗口；
23、分析局部窗口内各图像块与中心图像块的灰度差异，获取局部窗口内各高温图像块；
24、将局部窗口内各高温图像块与其中心图像块之间平均灰度的差异，作为局部窗口内各高温图像块的相对灰度差异；
25、计算局部窗口内各高温图像块的中心像素点与其中心图像块的中心像素点之间的距离；
26、将所述距离与所述相对灰度差异之间的比值，记为局部窗口内各高温图像块的第一比值；
27、将局部窗口内所有高温图像块的所述第一比值的和，作为每帧红外监测图像中每个图像块的局部差异系数。
28、优选的，所述局部窗口内各高温图像块的获取方法为：
29、计算每帧红外监测图像中每个图像块的所有像素点的灰度值的均值，记为每个图像块的平均灰度；
30、将局部窗口内平均灰度大于等于中心图像块的所有图像块，记为高温图像块。
31、优选的，所述每帧红外监测图像中每个图像块的相对清晰度为所述灰度分布离散度与所述局部差异系数的融合结果。
32、优选的，所述确定每帧红外监测图像中每个图像块在每个方向区间的直方图统计量，包括：
33、计算每帧红外监测图像中每个图像块内各像素点的梯度幅值和梯度方向值；
34、将梯度方向的取值范围平均划分为多个方向区间；基于每个图像块内各像素点的梯度方向值，统计每个方向区间的像素点；
35、计算每个方向区间的中心值；
36、分析每个图像块在每个方向区间内各像素点的梯度方向值与其所述中心值之间的偏差程度，结合所述相对清晰度，确定每个图像块在每个方向区间内各像素点的特征权重；
37、将每个图像块在每个方向区间内各像素点的梯度幅值与所述特征权重的比值，作为每个图像块在每个方向区间内各像素点的贡献系数；
38、将每个图像块在每个方向区间内所有像素点的所述贡献系数的和，作为每帧红外监测图像中每个图像块在每个方向区间的直方图统计量。
39、优选的，所述确定每个图像块在每个方向区间内各像素点的特征权重，包括：
40、将每个图像块在每个方向区间内各像素点的梯度方向值与对应方向区间的中心值之间的差异，作为每个图像块在每个方向区间内各像素点的方向偏差；
41、将各像素点的所述方向偏差与所述相对清晰度的和，作为每个图像块在每个方向区间内各像素点的特征权重。
42、优选的，所述提取每帧红外监测图像的hog特征，包括：
43、基于每帧红外监测图像中每个图像块在所有方向区间的直方图统计量，构建方向梯度直方图；
44、采用hog特征提取算法，对每帧红外监测图像中所有图像本文档来自技高网...
【技术保护点】
1.一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述系统包括：
2.如权利要求1所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述每帧红外监测图像中每个图像块的灰度分布离散度，包括：
3.如权利要求2所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述确定每帧红外监测图像中每个图像块的灰度变化系数，包括：
4.如权利要求2所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述每帧红外监测图像中每个图像块的像素数量差异，包括：
5.如权利要求1所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述确定每帧红外监测图像中每个图像块的局部差异系数，包括：
6.如权利要求5所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述局部窗口内各高温图像块的获取方法为：
7.如权利要求1所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述每帧红外监测图像中每个图像块的相对清晰度为所述灰度分布离
8.如权利要求1所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述确定每帧红外监测图像中每个图像块在每个方向区间的直方图统计量，包括：
9.如权利要求8所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述确定每个图像块在每个方向区间内各像素点的特征权重，包括：
10.如权利要求1所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述提取每帧红外监测图像的HOG特征，包括：
...【技术特征摘要】
1.一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述系统包括：
2.如权利要求1所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述每帧红外监测图像中每个图像块的灰度分布离散度，包括：
3.如权利要求2所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述确定每帧红外监测图像中每个图像块的灰度变化系数，包括：
4.如权利要求2所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述每帧红外监测图像中每个图像块的像素数量差异，包括：
5.如权利要求1所述的一种基于深度学习的注塑集成工作站智能视觉监测系统，其特征在于，所述确定每帧红外监测图像中每个图像块的局部差异系数，包括：
6.如权利要求5所述的一种基于深度学习...
【专利技术属性】
技术研发人员：林立仁，汪勇，林海，施允盛，
申请(专利权)人：东莞市艾尔发自动化科技有限公司，
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。