一种薄片型陶瓷件视觉检测智能控制方法及系统与流程

本技术涉及智能控制技术相关领域，具体涉及一种薄片型陶瓷件视觉检测智能控制方法及系统。

背景技术：

1、在现代工业生产中，薄片型陶瓷件因其独特的物理和化学性质而被广泛应用于各种领域。随着技术的发展和市场需求的增加，对陶瓷件的质量要求也越来越高。传统的薄片型陶瓷件人工检测方法不仅效率低下，而且容易受到主观因素的影响，导致检测结果不稳定，并且难以对生产过程中的控制参数进行自动优化，导致薄片型陶瓷件生产质量难以提高。

2、因此，在现有技术中薄片型陶瓷件检测方法存在效率低检测结果不稳定，导致薄片型陶瓷件生产质量难以提高的技术问题。

技术实现思路

1、本技术通过提供一种薄片型陶瓷件视觉检测智能控制方法及系统，解决了现有技术中薄片型陶瓷件检测方法存在效率低检测结果不稳定，导致薄片型陶瓷件生产质量难以提高的技术问题。达到了基于视觉缺陷检测结果，完成对薄片型陶瓷件的生产工艺的优化，提高了薄片型陶瓷件的生产质量以及效率的技术效果。

2、本技术提供一种薄片型陶瓷件视觉检测智能控制方法，所述方法包括：在薄片型陶瓷件的生产过程中，对薄片型陶瓷件进行图像采集，获取薄片型陶瓷件图像，所述薄片型陶瓷件图像包括表面细节和基础特征；基于所述表面细节，通过下采样提取一步处理特征；将所述一步处理特征和基础特征输入至深度学习模型中进行识别，根据识别结果，输出薄片型陶瓷件的合格性判断，并给出相应的反馈控制指令；基于所述反馈控制指令，通过所述表面细节，以所述一步处理特征进行上采样提取，确定二步处理特征，所述二步处理特征包括m个处理特征；将所述一步处理特征、所述二步处理特征中的第一处理特征作为第一列中的第一项和第二项，将表面缺陷类别作为第二列中的每一项，将质量评分作为第三列中的每一项，进行分项矩阵化处理，得到m个单项矩阵，其中，所述m个单项矩阵中的每一个单项矩阵包括表面缺陷类别、质量评分；基于所述表面缺陷类别、质量评分，对所述m个单项矩阵进行深层次融合处理，定位识别薄片型陶瓷件上的细微缺陷；基于薄片型陶瓷件上的细微缺陷，自动更新和优化薄片型陶瓷件的质量控制阈值以及工艺参数。

3、在实现方式中，通过下采样提取一步处理特征，所述方法包括：分析所述薄片型陶瓷件图像的复杂度和特征分布，确定不同区域的采样需求；根据不同区域的采样需求，自动调整下采样率，对所述薄片型陶瓷件图像进行自适应下采样处理；提取下采样后的图像特征，将下采样后的图像特征作为所述一步处理特征。

4、在实现方式中，将所述一步处理特征和基础特征输入至深度学习模型中进行识别，所述方法包括：加载关联组件的关联基础特征；利用迁移学习技术，基于所述关联基础特征，使用所述关联组件对应的陶瓷件图像数据集对模型架构进行分级微调重构；将所述一步处理特征和基础特征输入分级微调重构完成的模型中进行识别。

5、在实现方式中，使用所述关联组件对应的陶瓷件图像数据集对模型架构进行分级微调重构，所述方法还包括：基于所述关联组件，进行关联组件分级，获取二级关联组件对应的陶瓷件图像数据集、三级关联组件对应的陶瓷件图像数据集、四级关联组件对应的陶瓷件图像数据集；基于所述二级关联组件对应的陶瓷件图像数据集、三级关联组件对应的陶瓷件图像数据集、四级关联组件对应的陶瓷件图像数据集对所述关联组件对应的陶瓷件图像数据集进行分级标记，在分级标记完成后，对模型架构进行分级微调重构。

6、在实现方式中，基于所述反馈控制指令，通过所述表面细节，以所述一步处理特征进行上采样提取，确定二步处理特征，所述方法包括：基于所述反馈控制指令，确定上采样处理区域；在所述上采样处理区域内，以所述一步处理特征为基础利用上采样算法进行深度恢复；从深度恢复后的图像中提取所述二步处理特征。

7、在实现方式中，定位识别薄片型陶瓷件上的细微缺陷及潜在质量信息，所述方法包括：基于所述m个单项矩阵中的表面缺陷类别和质量评分，识别所述薄片型陶瓷件上的一致性-差异性缺陷；针对所述一致性-差异性缺陷，利用定位算法，确定在二步处理特征对应的上采样处理区域中的细微缺陷位置。

8、在实现方式中，根据关联组件的缺陷频率，设置缺陷频率初级周期；将不满足所述缺陷频率初级周期的一致性-差异性缺陷划分至非周期性差异缺陷，所述薄片型陶瓷件上的一致性-差异性缺陷包括非周期性差异缺陷与周期性一致缺陷；基于所述一致性-差异性缺陷，对二级关联组件、三级关联组件和四级关联组件进行关联级数分析，并进行迁移学习叠加。

9、本技术还提供了一种薄片型陶瓷件视觉检测智能控制系统，包括：

10、特征获取模块，用于在薄片型陶瓷件的生产过程中，对薄片型陶瓷件进行图像采集，获取薄片型陶瓷件图像，所述薄片型陶瓷件图像包括表面细节和基础特征；

11、特征处理模块，用于基于所述表面细节，通过下采样提取一步处理特征；

12、控制指令获取模块，用于将所述一步处理特征和基础特征输入至深度学习模型中进行识别，根据识别结果，输出薄片型陶瓷件的合格性判断，并给出相应的反馈控制指令；

13、二步特征处理模块，用于基于所述反馈控制指令，通过所述表面细节，以所述一步处理特征进行上采样提取，确定二步处理特征，所述二步处理特征包括m个处理特征；

14、矩阵化处理模块，用于将所述一步处理特征、所述二步处理特征中的第一处理特征作为第一列中的第一项和第二项，将表面缺陷类别作为第二列中的每一项，将质量评分作为第三列中的每一项，进行分项矩阵化处理，得到m个单项矩阵，其中，所述m个单项矩阵中的每一个单项矩阵包括表面缺陷类别、质量评分；

15、定位模块，用于基于所述表面缺陷类别、质量评分，对所述m个单项矩阵进行深层次融合处理，定位识别薄片型陶瓷件上的细微缺陷；

16、优化控制模块，用于基于薄片型陶瓷件上的细微缺陷，自动更新和优化薄片型陶瓷件的质量控制阈值以及工艺参数。

17、拟通过本技术提出的一种薄片型陶瓷件视觉检测智能控制方法及系统，在薄片型陶瓷件的生产过程中，对薄片型陶瓷件进行图像采集，获取薄片型陶瓷件图像，所述薄片型陶瓷件图像包括表面细节和基础特征。基于所述表面细节，通过下采样提取一步处理特征。将所述一步处理特征和基础特征输入至深度学习模型中进行识别，根据识别结果，输出薄片型陶瓷件的合格性判断，并给出相应的反馈控制指令。基于所述反馈控制指令，通过所述表面细节，以所述一步处理特征进行上采样提取，确定二步处理特征，所述二步处理特征包括m个处理特征。将所述一步处理特征、所述二步处理特征中的第一处理特征作为第一列中的第一项和第二项，将表面缺陷类别作为第二列中的每一项，将质量评分作为第三列中的每一项，进行分项矩阵化处理，得到m个单项矩阵，其中，所述m个单项矩阵中的每一个单项矩阵包括表面缺陷类别、质量评分。基于所述表面缺陷类别、质量评分，对所述m个单项矩阵进行深层次融合处理，定位识别薄片型陶瓷件上的细微缺陷。基于薄片型陶瓷件上的细微缺陷，自动更新和优化薄片型陶瓷件的质量控制阈值以及工艺参数。解决了现有技术中薄片型陶瓷件检测方法存在效率低检测结果不稳定，导致薄片型陶瓷件生产质量难以提高的技术问题。达到了基于视觉缺陷检测结果，完成对薄片型陶瓷件的生产工艺的优化，提高了薄片型陶瓷件的生产质量以及效率的技术效果。