一种基于视觉识别的柔性上料盘的监测系统的制作方法

本发明属于柔性上料盘监测领域，涉及视觉识别技术，具体是一种基于视觉识别的柔性上料盘的监测系统。

背景技术：

1、柔性上料盘，也称为柔性震动盘、柔性振盘或柔性供料器，是一种自动化技术组装或全自动加工设备的辅助给料机器设备，较之常规的人工送料方式，相对提高了生产加工的效率。

2、现有技术(申请号为2023111532472的发明专利)公开了一种用于柔性震动盘供料机构运行监测系统，包括分布图像判定模块、振动分布评估模块和运行监测管理模块；分布图像判定模块对震动盘上的物料分布图像进行分析，分析出物料的分布覆盖均匀度以及物料方向偏离度；振动分布评估模块用于训练振动分布评估模型，并对各物料中心在震动盘所在坐标系下的位置坐标、震动盘上物料的分布覆盖均匀度以及物料方向偏离度导入振动分布评估模型，获得当前振动频率以及振动相位下的振动分布评估系数；并根据振动分布评估系数是否符合要求，对震动盘供料机构进行运行管理控制，该发明专利通过对送料效果进行监测，并根据振动参数的干扰损失程度对振动参数进行调控，提高了送料效果，实现供料机构运行的稳定性。但现有技术没有考虑到物料在上料前就存在缺陷，或是在运输过程中由于震动盘的振动导致物料与盘面之间产生剧烈摩擦，加速物料的磨损进而出现缺陷，从而直接影响产品质量、生产效率和生产成本。

3、因此，本发明提出一种基于视觉识别的柔性上料盘的监测系统，以解决上述问题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于视觉识别的柔性上料盘的监测系统，用于解决现有技术没有考虑到物料在上料前就存在缺陷，或是在运输过程中由于震动盘的振动导致物料与盘面之间产生剧烈摩擦，加速物料的磨损进而出现缺陷，从而直接影响产品质量、生产效率和生产成本的技术问题。

2、为实现上述目的，本发明的第一方面提供了一种基于视觉识别的柔性上料盘的监测系统，包括：数据采集模块、数据分析模块、缺陷识别模块和故障检测模块；

3、数据采集模块：用于获取目标区域物料的图像数据和柔性上料盘的运行数据；

4、数据分析模块：通过对历史图像数据进行处理，得到物料缺陷数据；

5、缺陷识别模块：基于历史图像数据和物料缺陷数据训练人工智能模型，得到物料缺陷识别模型；以及，

6、基于物料缺陷识别模型对图像数据进行识别，得到识别结果，并基于识别结果对物料进行处理；

7、故障检测模块：基于运行数据计算得到故障评估系数；基于故障评估系数与预设阈值判断是否对柔性上料盘设备进行预警；是，则发送预警信息至用户端；否，则持续检测判断；其中，用户端包括：手机或电脑。

8、优选的，所述数据分析模块分别与数据采集模块和缺陷识别模块通信和/或电气相连接；所述故障检测模块与数据采集模块通信和/或电气相连接。

9、优选的，所述获取目标区域物料的图像数据，包括：

10、通过图像采集设备实时采集目标区域的图像数据；其中，图像采集设备包括：相机或摄影机；目标区域是指柔性上料盘的盘面区域；图像数据是指盘面上物料的图像。

11、优选的，所述柔性上料盘的运行数据，包括：

12、通过数据采集设备采集柔性上料盘的运行数据；其中，运行数据包括：柔性上料盘设备的电机温度、上料盘的振动频率和上料盘的振动幅度。

13、优选的，所述通过对历史图像数据进行处理，得到物料缺陷数据，包括：

14、基于历史图像数据从数据库中匹配对应的物料缺陷种类；其中，数据库为现有储存各种物料缺陷种类的数据集；物料缺陷种类包括：形状不匹配、尺寸不匹配或物料表面损伤；

15、根据物料缺陷种类对历史图像数据进行分类，得到物料缺陷数据；其中，历史图像数据是采集目标区域物料图像数据的历史数据。

16、优选的，所述基于历史图像数据和物料缺陷数据训练人工智能模型，包括：

17、将历史图像数据整合为标准输入数据，历史图像数据对应的物料缺陷数据整合为标准输出数据；

18、基于标准输入数据和标准输出数据训练人工智能模型，得到物料缺陷识别模型。

19、优选的，所述基于物料缺陷识别模型对图像数据进行识别，得到识别结果，包括：

20、通过将实时采集目标区域的图像数据输入物料缺陷识别模型，得到由物料缺陷识别模型识别出的图像数据对应的物料缺陷种类。

21、需要说明的是，所述由物料缺陷识别模型识别出的图像数据对应的物料缺陷种类即为识别结果。

22、本发明通过获取目标区域物料的图像数据；以及，通过对历史图像数据进行处理，得到物料缺陷数据；基于历史图像数据和物料缺陷数据训练人工智能模型，得到物料缺陷识别模型；以及，基于物料缺陷识别模型对图像数据进行识别，得到识别结果，解决了现有技术没有考虑到物料在上料前就存在缺陷，或是在运输过程中由于震动盘的振动导致物料与盘面之间产生剧烈摩擦，加速物料的磨损进而出现缺陷，从而直接影响产品质量、生产效率和生产成本的技术问题。

23、优选的，所述基于识别结果对物料进行处理，包括：

24、s1：通过二值化方法将识别结果中物料缺陷种类对应的图像数据转换为黑白二值图像；其中，黑白二值图像中白色代表缺陷区域，黑色代表背景；二值化方法包括：全局阈值或自适应阈值；

25、s2：基于opencv通过对所有黑白二值图像进行连通组件分析，得到每个黑白二值图像的独立白色区域的连通组件；

26、s3：基于每个连通组件的像素数量计算连通组件的实际面积；具体计算公式如下：

27、aact＝(apix×dact×pmm^2)/(w×h)；

28、其中，aact是连通组件的实际面积，apix是像素面积；dact是已知的实际尺寸参考；pmm是像素分辨率，w×h是图像的总像素数；

29、s4：判断连通组件的实际面积是否大于预设面积阈值；是，则判定连通组件对应的物料是严重缺陷；否，则判定连通组件对应的物料是轻微缺陷；其中，预设面积阈值是根据实际物料的合格要求所设。

30、需要说明的是，所述连通组件是指在图像处理中，具有相同属性(像素值)并且在空间上相邻的一组像素点的集合；所述已知的实际尺寸参考是指已知图像中某已标定区域的实际宽度或高度，在拍摄图像前就已测量并记录其实际物理尺寸，比如在图像中放置一个已知大小的标准尺或参照物(如10cm×10cm的校准板)；所述像素面积即连通组件的像素数；所述像素分辨率是指每毫米包含的像素数；所述图像的总像素数即为图像的宽度乘以高度。

31、本发明通过二值化方法将识别结果中物料缺陷种类对应的图像数据转换为黑白二值图像，并计算白色缺陷区域的实际面积，基于缺陷区域的实际面积和预设面积阈值将物料的缺陷程度划分为严重缺陷和轻微缺陷，有利于根据不同的质量等级安排不同的处理流程，如轻微缺陷的物料可以进入修复流程，而严重缺陷的则直接报废处理，解决了现有技术没有对物料缺陷程度进行划分的问题。

32、优选的，所述基于运行数据计算得到故障评估系数，包括：

33、将电机温度标记为t，上料盘的振动频率标记为l，上料盘的振动幅度标记为f；

34、通过公式：p＝a×ln(t)×tanh(t)+b×(l-zl)^2+c×(f-zf)^2，计算得到故障评估系数；其中，a、b、c是比例系数，zl是柔性上料盘设备正常运行情况下的振动频率，zf是柔性上料盘设备正常运行情况下的振动幅度，ln(*)是以自然数e为底的对数函数，tanh(*)是双曲正切函数。

35、优选的，所述基于故障评估系数与预设阈值判断是否对柔性上料盘设备进行预警，包括：

36、判断故障评估系数是否大于预设阈值；是，则生成预警信息；否，则持续检测判断。

37、需要说明的是，所述预设阈值是根据实际柔性上料盘设备的正常运行参数所设。

38、与现有技术相比，本发明的有益效果是：

39、1.现有技术没有考虑到物料在上料前就存在缺陷，或是在运输过程中由于震动盘的振动导致物料与盘面之间产生剧烈摩擦，加速物料的磨损进而出现缺陷，从而直接影响产品质量、生产效率和生产成本；本发明通过获取目标区域物料的图像数据；以及，通过对历史图像数据进行处理，得到物料缺陷数据；基于历史图像数据和物料缺陷数据训练人工智能模型，得到物料缺陷识别模型；以及，基于物料缺陷识别模型对图像数据进行识别，得到识别结果，解决了上述问题。

40、2.本发明通过获取柔性上料盘的运行数据；基于运行数据计算得到故障评估系数；基于故障评估系数与预设阈值判断是否对柔性上料盘设备进行预警；是，则发送预警信息至用户端；否，则持续检测判断；解决了现有技术没有对柔性上料盘设备运行状况进行监测，导致设备故障从而造成上料效率的问题。

41、3.本发明通过二值化方法将识别结果中物料缺陷种类对应的图像数据转换为黑白二值图像；将白色标记为缺陷区域，并基于opencv通过对所有黑白二值图像进行连通组件分析，得到每个黑白二值图像的独立白色区域的连通组件；以及，基于每个连通组件的像素数量计算连通组件的实际尺寸面积，基于缺陷区域的实际面积和预设面积阈值将物料的缺陷程度划分为严重缺陷和轻微缺陷，有利于根据不同的质量等级安排不同的处理流程。