脱模剂喷淋堵塞的智能自动诊断方法及装置

本发明涉及图像处理与机器视觉，具体涉及一种脱模剂喷淋堵塞的智能自动诊断方法及装置。

背景技术：

1、脱模剂喷淋系统在压铸工艺中扮演着重要的角色，它有助于确保铸件顺利脱模，提高生产效率和产品质量。然而，由于多种原因，如脱模剂不稳定、管路菌皮脱落等，喷淋系统可能会出现堵塞问题。这一问题可能导致生产停滞、产品质量下降和维修成本的增加。为了解决这一问题，智能自动诊断技术被引入到压铸行业中，用以监测和诊断脱模剂喷淋系统的状态。

2、这一技术的应用得益于图像处理、机器视觉和人工智能等技术的发展。通过使用高分辨率的摄像头和传感器，系统可以实时监测喷淋系统的运行状态，自动识别和判断是否存在堵塞问题。一旦检测到堵塞，系统可以立即给出预警，提示操作人员进行清理或维修，从而避免生产中断和产品质量问题。

3、随着技术的不断进步和应用需求的增长，智能自动诊断技术在压铸行业的应用前景广阔。首先，它可以提高生产效率，减少维修停机时间，降低生产成本。其次，它可以提高产品质量，减少废品率，从而增加企业的竞争力。此外，通过实时监测和预警，智能自动诊断技术还可以帮助企业预防潜在问题的发生，减少意外停机事故。

4、然而，现有的图像识别分类方法，在对图像进行处理过程中，采集的数据集划分训练集和测试集均通过人为划分，无法从图像中获取较为准确的数据，而且图像在采集时容易受到环境、温度等参数的影响，并且对于压铸脱模剂喷淋行业，厂区环境较为复杂，脱模剂喷洒在摄像头周围，在图像采集时会影响图像实际的信息，导致后期图像分类不准确的问题；另外传统的特征提取方法从图像特征中提取一些关键信息用于分类，但是在压铸脱模剂喷淋领域，对喷头是否堵塞的判断是通过喷出的脱模剂形成的图像进行判断的，传统特征提取方法无法有效的进行图像特征提取，因此需要进一步提高系统的准确性和稳定性，以减少误报和漏报。

5、总的来说，压铸行业脱模剂喷淋堵塞的智能自动诊断技术具有巨大的发展潜力和市场前景。随着技术的进步和应用需求的增长，我们有理由相信这一技术将在未来的压铸行业中发挥更加重要的作用。

技术实现思路

1、发明目的：针对背景技术中指出的问题，本发明公开了一种脱模剂喷淋堵塞的智能自动诊断方法及装置，在图像降噪过程中采用高斯滤波，对噪声有效去除，并利用relieff特征提取算法对图像数据进行特征提取，提高特征值提取速度，增加分类准确率。

2、技术方案：本发明公开一种脱模剂喷淋堵塞的智能自动诊断方法，包括如下步骤：

3、步骤1：利用多角度工业相机采集脱模剂喷淋的产品图像数据；

4、步骤2：对采集的图像数据采用高斯滤波进行图像降噪增强处理；

5、步骤3：对降噪后的图像数据采用kennard-stone算法进行样本划分，划分为训练集和测试集；

6、步骤4：采用relieff特征提取算法对图像数据进行特征提取，确定特征值及其对应的喷淋效果；

7、步骤5：将划分好的训练集与测试集以及提取好的特征值输入给svm分类模型，对svm分类模型进行训练，得到训练后的svm分类模型；

8、步骤6：对待处理图像数据进行降噪特征提取后利用训练后的svm分类模型对代理处图像数据进行分类，区分不同的喷淋效果图像，以判断喷淋口是否堵塞。

9、进一步地，所述步骤2在降噪处理过程中，采用高斯滤波通过对像素点及其领域内的点进行加权平均，得到滤波后的像素值，高斯滤波函数如下式所示：

10、

11、其中，在二维平面空间里，(x,y)为图片中每一个像素点的坐标，σ是标准差。

12、进一步地，所述步骤3中，训练集和测试集的划分过程中，采用kennard-stone算法进行样本划分，把所有样本都看作训练集候选样本，依次从中挑选样本进行训练，选择欧式距离进行筛选，欧式距离计算公式如下所示；

13、

14、式中：xp,xq表示两个不同的样本，n代表样本的光谱波点数量，将划分出的训练集输入svm分类模型进行分类训练，将测试集作为svm分类模型的准确率验证。

15、进一步地，所述步骤4中，在特征值提取过程中，采用relieff特征提取算法，具体过程如下：

16、步骤1：先对样本集的二维进行标准化,如下式所示：

17、

18、式中：是样本均值，x1，x2分别表示图像的颜色均匀性、图像边缘大小；

19、步骤2：将样本随机排序：根据标签将不同类的样本分到各类别下的样本集中，所述标签用于标识图像的特定属性，颜色均匀性和图像边缘大小；x1表示所有属于l1颜色均匀性类的样本组成的样本集，i∈{1，2，...，r}；x2表示所有属于l2图像边缘大小类的样本组成的样本集，i∈{1，2，...，r}；从样本x中随机选择m个样本{x’1，x′2，...，x’m}，用于特征选择；

20、步骤3：计算距离：假设其中某个样本及其标签lx’i，采用欧几里得距离，公式如下所示：

21、

22、计算图像颜色均匀性x1’i与在{x′1，x′2，…，x’m}中的同类样本的距离大小，并取出距离最小的前k个样本，即取出的样本k为：

23、

24、式中，表示{x’1，x’2，…，x’m}中与x’s有相同标签的样本中与x’i的欧式距离第k小的距离值；

25、计算图像边缘大小x2’i与在{x’1，x’2，…，x’m}中的同类样本的距离大小，并取出距离最小的前k个样本，即取出的样本q为：

26、

27、式中，表示{x’1，x’2，…，x’m}中与x’s有相同标签的样本中与x’i的欧式距离第k小的距离值；

28、步骤4：特征距离和的类概率加权和的标准化结果：

29、对样本k，q中的样本取其某一的特征，即上述样本集中第j个特征，如下所示：

30、

31、

32、使用1范数计算两个样本在第j个特征上距离，如下所示：

33、

34、

35、式中：wi为样本赋权，通常参数δ默认值为+∞，即每个样本的权重均为可以通过调节δ对权重分配进行调整，得到颜色均匀性和图像边缘大小的权重；

36、步骤5：计算x’i的第j个特征在{x’1，x’2，…，x’m}范围内的类外k近邻距离和，如下式所示：

37、

38、式中：表示标签的样本占{x’1，x’2，…，x’m}的比例，该式表达x’i的第j个特征在{x’1，x’2，…，x’m}范围内，与各种其他类别的k近邻样本在第j个特征上的距离加权的类概率加权和的标准化结果；

39、步骤6：计算颜色均匀性，图像边缘大小的重要性得分：x1’i颜色均匀性所提供的第j个特征的重要性得分score1(i，j)为其类外k近邻距离和与类内k近邻距离和之差，如下所示：

40、

41、x2’i图像边缘大小所提供的第j个特征的重要性得分score2(i，j)为其类外k近邻距离和与类内k近邻距离和之差，如下所示：

42、

43、步骤7：遍历每一个样本，加总每一维度特征的重要性得分，得到最终重要性得分：整个x1’2颜色均匀性样本集反映的第j个特征的重要性得分scorej1，x2’2图像边缘大小样本集反映的第j个特征的重要性得分scorej2，通过比较各维度特征的得分，根据得分评分标准：每种非同类的k个最近邻样本在该维上的距离越大、同类的k个最近邻样本在该维上距离越小，则这样的特征越好。

44、进一步地，所述步骤5中svm分类模型采用svm支持向量机分类算法，具体如下：

45、步骤1：核函数的选择：其公式如下所示；

46、

47、式中，xi为图像颜色均匀性的输入向量，yi为图像轮廓性的输入向量，xj，yj分别为xi，yi的中心向量，||xi-xj||，||yi-yj||表示它们之间的欧式距离，σ是单调函数当||xi-xj||，||yi-yj||取值很小时，该σ取值很小；

48、步骤2：计算二维平面内点到超平面的距离，对于点到二维超平面的距离r，用以下公式计算：

49、

50、式中：(wtx(i)+b)是超平面的表达式；

51、步骤3：间隔最大化，最大化间隔距离公式如下所示：

52、maxw，b(γ)

53、

54、式中：γ为阈值，表示颜色均匀性，图像边缘大小的临界值；

55、应用拉格朗日乘数法，构造拉格朗日算子：

56、

57、式中：拉格朗日乘子αi≥0，将拉格朗日算子带入，将问题转化为如下式所示：

58、

59、

60、步骤4：加入约束条件，如下所示：

61、

62、式中：w1，w2分别表示颜色均匀性和图像边缘大小的三个临界值集合；

63、步骤5：确定颜色均匀性分界边界α1i的选择，计算如下所示：

64、

65、将看作是α1的第i个元素α1i变为αi+εγ(i)，第j个元素αj变为αj-εγ(i)(ε>0)，其他元素不变，利用梯度则有：

66、步骤6：确定与颜色均匀性α1i配对的图像边缘大小分界边界α2j，满足同时寻找的j一定满足如下所示公式：

67、

68、因此，在确定αi的情况下寻找：

69、

70、至此，求解出最佳的颜色均匀性ai分解边界和图像边缘大小aj分界边界；

71、步骤7：判断收敛，根据之前确定颜色均匀性αi时所满足的条件：

72、

73、当时，不再寻找下一次迭代ai；

74、步骤8：将测试集输入到训练好的svm分类模型中，进行判断是否满足要求；

75、步骤9：将满足要求的svm分类模型对样本集进行分类。

76、进一步地，采集到的图像分类为：喷淋效果均匀、存在较少缺失、存在大量缺失这三类结果。

77、本发明还公开一种上述脱模剂喷淋堵塞的智能自动诊断方法的装置，包括：图像采集模块、图像处理模块、建模预测模块、预警通知平台；

78、图像采集模块，包括设置在脱模剂喷淋设备上的多角度工业相机，多角度采集脱模剂喷淋的产品图像数据；

79、图像处理模块，用于对采集的图像数据采用高斯滤波进行图像降噪增强处理，对降噪后的图像数据采用kennard-stone算法进行样本划分，划分为训练集和测试集；采用relieff特征提取算法对图像数据进行特征提取，确定特征值及其对应的喷淋效果；

80、建模预测模块，用于将划分好的训练集与测试集以及提取好的特征值输入给svm分类模型，对svm分类模型进行训练，得到训练后的svm分类模型；

81、预警通知平台，用于将预测分类的堵塞喷淋口编号进行警报提示，同时将采集的图像、分类结果显示于云平台上，便于实时了解喷淋口工作情况。

82、有益效果：

83、1、本发明智能自动诊断技术能够及时发现潜在的喷淋堵塞问题，避免小问题变成大故障，从而减少维修成本。同时能够提高生产效益，通过实时监测和预警，企业可以快速响应问题，减少因设备故障导致的生产停滞，提高整体生产效益。在生产质量方面，智能诊断技术可以确保喷淋系统的稳定运行，为铸件提供均匀的脱模剂，从而提高铸件质量。在预防缺陷方面，通过实时监测和预警，企业可以及时发现潜在的喷淋问题，避免因喷淋不均导致的铸件缺陷，提高产品合格率，稳定的喷淋系统可以提高铸件合格率，减少废品和次品的产生。在环境方面，能够减少因设备故障导致的脱模剂浪费，降低环境污染，同时稳定的喷淋系统可以减少不必要的能源消耗，符合绿色制造和节能减排的要求，更加合理地利用资源，减少浪费，提高资源利用效率。

84、2、本发明在对喷淋产品的图像数据利用高斯滤波进行降噪，先通过高斯滤波对图像进行降噪处理，减少干扰因素，提高分类准确性以及分类速度。

85、3、本发明在特征值提取过程中，采用了relieff特征提取算法，直接对降噪后的图像的颜色均匀性，图像边缘大小样本集进行选择，搜索当前样本的各种近邻，然后综合计算，权重小于某个阈值的特征将被移除。提取有效特征量，将样本集数量降低，提高分类准确率和速度。在实际应用中，提高了模具喷淋的效率，增加产品数量，同时，提高了分类的准确率，及时发现堵塞的喷淋口。

86、4、本发明在svm分类模型中，采用了svm支持向量机算法，对relieff特征提取算法提取的特征值进行学习，通过识别判断图像的颜色均匀性，图像边缘大小等特征，来对图像进行判别分类，根据分类的图像来判断喷淋口是否堵塞，实现了脱模剂喷淋堵塞的智能识别。