一种模具全生命周期管理系统的制作方法
本发明涉及工业互联网和智能制造领域，特别是指一种模具全生命周期管理系统和模具安全库存评估方法。
背景技术：
模具被称为“工业之母”，在现代工业生产中占有极其重要的地位，在制造业生产过程中很多零部件都离不开模具。由于模具在生产过程中具有的重要作用，生产管理人员需随时、准确的掌握每个模具的使用次数、时间等信息，对模具库存进行有效评估和管理。
而传统模具库存评估和管理存在以下几个问题：对模具的检测需在停机的情况下以人工借助辅助设备的方式进行检测，无法实时监测，占用生产时间过长且效率低下，不适合大规模的生产环境；对模具寿命的预测仅依据模具使用次数进行静态统计，未考虑到模具生产过程中的非正常磨损对模具正常寿命的影响；对模具安全库存的评估缺乏从经济成本的角度来综合考虑最优补库量。
因此如何通过模具的全生命周期管理和模具安全库存评估方法提高企业生产管理效率、缩短产品生产排期、降低企业生产成本、提升企业形象是现阶段制造工业中的关键技术问题。
技术实现要素：
为了解决传统模具管理和模具库存评估存在的问题，本发明提出一种模具全生命周期管理系统。
本发明采用的具体方案如下：
一种模具全生命周期管理系统，至少包括：模具采购模块、模具故障检修模块和模具库存评估管理模块；其中：所述模具库存评估管理模块应用模具安全库存评估方法对模具库存寿命进行评估，所述模具库存评估管理模块从所述模具故障检修模块的所述异常检测单元和工业传感器获得相关特征数据输入，应用模具安全库存评估方法进行计算，输出模具库存安全预警和最优库存补库量，最后将最优库存补库量通知给所述模具采购模块。
进一步的，所述模具库存评估管理模块应用模具安全库存评估方法对模具库存寿命进行评估，具体是：首先基于网格划分的机器视觉算法对模具异常进行实时监测，鉴别异常模具和正常磨损模具；然后基于循环神经网络算法对磨损模具寿命进行动态预测，根据磨损模具寿命变化情况动态计算库存模具总寿命；最后，计算模具补库点，将库存模具总寿命与补库点进行对比，确定库存模具是否处于安全值，并计算补库情况下的最优补库量。
更进一步的，所述模具库存评估管理模块应用模具安全库存评估方法对模具库存寿命进行评估，包括以下步骤：
步骤1：对通过工业传感器获得的原始信号数据进行基于时域、频域和时频域分析的信号特征降维、特征筛选和特征提取的预处理；
步骤2：将预处理后的特征数据和模具故障检修模块的异常检测单元的输出数据作为输入数据x＝[xm1,xm2,xm3,…,xm7]t，包含m组7种影响模具寿命的参数类型，即加工振动特征数据、应力特征数据、温度特征数据、膨胀系数特征数据、压射速度特征数据、已加工次数和磨损面积特征数据；
步骤3:以模具第一次使用作为初始时间点，以输入数据x作为模型训练数据；
步骤4：确定模型参数及计算函数，定义t时刻模型输入xt和输出ut，t-1时刻的输出ut-1(初始状态下，ut-1＝0)，σ为sigmoid激活函数，取值在[0,1]之间，tanh为双曲正切函数，取值[-1,1]之间，更新门权值矩阵wb，重置门权值矩阵wq，⊙表示矩阵相乘，当前输入的隐含层权值矩阵w，重置门函数和更新门函数分别表达为(1)和(2)，当前输入的隐含层表达式为(3)
qt＝σ(wq·[ut-1,xt])(1)
bt＝σ(wb·[ut-1,xt])(2)
u′t＝tanh(w·[qt⊙ut-1,xt])(3)
将t时刻训练数据输入模型，根据qt计算出保留的历史记忆信息(初始状态下，qt＝0)，将qt和xt代入u′t计算得出当前时刻隐含层信息，根据u′t和bt通过以下更新公式计算得出当前时刻t的输出值ut；
ut＝(1-bt)⊙ut-1+bt⊙u′t
步骤5：重复步骤4，计算出所有时间点的输出值；
步骤6：根据ut反向计算每个时间点上的总误差值项，根据总误差值项对权值矩阵wb、wq、w求一阶偏导之和，得出权值矩阵梯度，完成一个时间步的反向传播计算；
步骤7：重复步骤6，直至求出最优权值矩阵，即权值矩阵梯度最优；
步骤8：将实时采集到的数据输入训练后的模型，得出最终模具最优输出值，即模具寿命减少量qw；
步骤9：库存模具总寿命计算；
在dt-1天，库存模具总寿命y，在dt天，通过异常监测模块检测出的报废模具总寿命qr,正常磨损模具总寿命减少量qw，已维修完成重新投入使用的模具总寿命qt，送维修的模具总寿命qu，则在dt天模具剩余总寿命p：
p＝y+qt-qr-qw-qu
步骤10：计算补库点r；
模具年使用个数d，单个模具制造时间lt，模具额定寿命l，安全预留量q*，则：
通过步骤9计算的模具库存总寿命p与补库点r进行比较，若库存剩余总寿命p小于r时，则提示需要补库；反之，则不用；
步骤11：计算最优补库量；
若库存需要进行模具补库，为了确保最优生产成本投入，需计算最优补库量；设模具制造单价u，单次生产个数q，单次生产额外成本k，年单位存储成本c,则：
对以上公式求q的一阶导数，得到最优单次生产个数q最优:
进一步的，所述模具故障检修模块包括：模具巡检单元、异常监测单元、故障申报单元、模具更换单元和模具维修单元；所述模具巡检单元用于对库存模具进行定期检测、记录巡检信息和创建试模任务；所述异常监测单元应用基于网格划分的机器视觉算法对异常模具进行监测；所述故障申报单元用于实现模具使用过程和存储过程的故障申报流程；所述模具更换单元用于实现模具使用过程中的模具替换和代用模具替换信息查询；所述模具维修单元用于提供模具维修过程档案信息记录、查询和统计分析。
更进一步的，所述异常监测单元应用基于网格划分的机器视觉算法对异常模具进行监测，包括以下步骤：
步骤1：通过工业摄像机实时采集待匹配模具图像；
步骤2：对采集的待匹配模具图像和无缺陷原始模具图像采用灰度化、均值滤波噪声和高斯平滑滤波噪声进行图像预处理，去除图像中的噪声，保留有效特征信息；
步骤3：对采集的待匹配模具图像和无缺陷原始模具图像进行网格划分，降低数据维度；定义网格尺度划分参数为
步骤4：每个子矩阵采用改进的特征点提取与匹配方法提取特征点并进行图像匹配；
步骤4.1：对图像上像素点q与其为中心的半径r＝3范围内的16个像素点进行绝对值之差计算，计算值为集合t＝{p1,p2,p3…p16}；
步骤4.2：将集合t中的每个值与阈值
步骤4.3：判断q与以q为中心5x5像素邻域空间内的其他点特征点pi的差值，若q值比其他特征点大，则保留q为最终特征点；
步骤4.4：重复步骤4.1～4.3，直至找出所有最终特征点；
步骤4.5：以特征点q为中心，通过5x5矩阵的灰度值像素点计算质心，将q和质心连线作为特征点坐标系，使特征点能够表达旋转方向性；
步骤4.6：基于步骤4.5得出的坐标系，对特征点q进行二进制特征描述；在以q为中心的5x5矩阵p内，比较任意2个像素x、y的大小关系，以此确定二进制的值g；
步骤4.7：将5x5矩阵p内所有的二进制特征描述值g连接起来，形成特征点q的二进制描述子编码f；
步骤4.8：将待检测图像矩阵特征点q和原始图像矩阵对应位置特征点的二进制编码对进行异或操作，得出特征点相似度百分比；
步骤4.9：将特征点的相似度百分比与阈值σ对比，若低于阈值σ，则认为该特征点为缺陷点，记录该特征点像素面积；
步骤4.10：重复步骤4.8和步骤4.9，完成子矩阵内所有特征点的检测，并记录特征点面积；
步骤5：将所有网格子矩阵的缺陷点面积相加得总和ns，若ns面积占总图像像素面积ts比例大于阈值σ*，则判定该模具出现异常，需报废或维修模具；若ns面积占总图像像素面积ts比例大于0但小于阈值σ*，则判定该模具出现正常磨损，同时，记录ns值作为模具库存评估管理模块进行模具寿命预测的输入数据，
进一步的，还包括基础建模模块、模具台账模块、模具设计加工模块、模具使用模块和模具装配模块。
进一步的，所述的基础建模模块用以提供包括用户管理、权限管理、运行日志、系统参数、系统监控、访问监控以及接口监控中的至少一项基础服务管理功能。
进一步的，所述模具台账模块提供统一的台账信息管理和台账信息溯源追踪功能。
进一步的，所述模具采购模块实现模具采购流程审批、跟踪和采购供应商评价。
进一步的，所述模具设计加工模块包括模具设计单元、模具加工单元、试模报告单元和模具改进单元；所述模具设计单元用于模具3d设计和2d图纸生成；所述模具加工单元用于模具生产加工过程中来料检验、制程检验和装配检验的任一环节的执行与管控；所述试模报告单元用于记录模具试模结果相关信息；所述模具改进单元用于改进不合格模具或无法匹配的模具。
进一步的，所述模具使用模块包括模具发放与回收单元、模具调拨单元、模具代用单元、模具保养与报废单元、模具呆滞单元和模具压制单元；所述模具发放与回收单元用于统一管理模具发放和回收记录信息；所述模具调拨单元用于管理厂间调拨和库位调拨信息；所述模具代用单元用于管理模具零部件代用关系信息，为模具零件代用提供数据查询支撑；所述模具保养与报废单元用于提供模具保养审批流程和模具报废审批流程，为保养和报废提供数据监测分析功能；所述模具呆滞单元用于监测出现使用错误和长时间不使用模具的信息并提供预警功能；所述模具压制单元用于实现包括模具信息、压制信息、订单信息、机床设备信息以及产品信息的任一信息绑定功能和生产模具压制分析报告。
进一步的，所述模具装配模块包括配件库存单元、模具bom单元和模具组装单元；所述配件库存单元用于配件库存查询、配件出入库管理和库存流水记录；所述模具bom单元用于建立统一的模具bom管理体系，确定模具完整组成结构，绑定相关模具零部件信息；所述模具组装单元用于提供模具及其组件的各种信息查询和模具组装流程管理。
进一步的，所述基础建模模块、模具台账模块、模具采购模块、模具设计加工模块、模具使用模块、模具装配模块、模具故障检修模块和模具库存评估管理模块部署在应用服务器上，且还包括数据服务器用以管理模具全生命周期数据；在应用服务器上的部署方式包括本地部署和/或云端部署两种部署模式，数据服务器中采用负载均衡、读写分离技术。
本发明采用如上技术方案，能够切实有效地解决制造业企业模具管理水平低下和模具库存评估存在的无实时监测、动态统计和计算最优补库量等问题，提高模具安全库存评估和全生命周期管理效率。
附图说明
图1所示为本发明模具异常监测算法的流程示意图。
图2所示为本发明模具安全库存评估算法的流程示意图。
图3所示为本发明模具全生命周期管理系统的结构示意图。
图4所示为本发明的模具安全库存评估方法功能模块关系图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本实施例以rt-imms模具全生命周期管理系统为原型，详细描述了本发明的实施方式。
本实施例提出的模具全生命周期管理系统，基于物联网、大数据和人工智能理论和科学研究研制开发而成，旨在有效提升企业模具管理水平。在模具信息化的基础上，采用改进的机器视觉和机器学习前沿算法模型对异常模具进行监测并预测模具寿命，有效解决模具库存管理问题，提升了模具管理智能化水平和企业生产效率。
参考图3所示，一种模具全生命周期管理系统包括基础建模模块100、模具台账模块200、模具采购模块300、模具设计加工管理模块400、模具使用模块500、模具装配模块600、模具故障检修模块700和模具库存评估管理模块800。上述所有管理模块均部署在应用服务器上，且系统还包括数据服务器用以管理模具全生命周期数据。
进一步的，所述的基础建模模块100用以提供用户管理、权限管理、运行日志、系统参数、系统监控、访问监控以及接口监控等基础服务管理功能。
进一步的，所述模具台账模块200提供统一的台账数据信息管理和台账信息溯源追踪。
进一步的，所述模具采购模块300实现模具采购流程审批、跟踪和采购供应商评价。
进一步的，所述模具设计加工模块400包括模具设计单元、模具加工单元、试模报告单元和模具改进单元；
所述模具设计单元用于模具3d设计和2d图纸生成；
所述模具加工单元用于模具生产加工过程中来料检验、制程检验和装配检验等环节的执行与管控；
所述试模报告单元用于记录模具试模结果相关信息；
所述模具改进单元用于改进不合格模具或无法匹配的模具。
进一步的，所述模具使用模块500包括模具发放与回收单元、模具调拨单元、模具代用单元、模具保养与报废单元、模具呆滞单元、模具压制单元；
所述模具发放与回收单元用于统一管理模具发放和回收记录信息；
所述模具调拨单元用于管理厂间调拨和库位调拨信息和模具调拨溯源追踪；
所述模具代用单元用于管理模具零部件代用关系信息，为模具零件代用提供数据查询支撑；
所述模具保养与报废单元用于提供模具保养审批流程和模具报废审批流程，为保养和报废提供数据监测分析功能；
所述模具呆滞单元用于监测出现使用错误和长时间不使用模具的信息并提供预警功能；
所述模具压制单元用于实现模具信息、压制信息、订单信息、机床设备信息以及产品信息等信息绑定功能和生产模具压制分析报告。
进一步的，所述模具装配模块600包括配件库存单元、模具bom单元和模具组装单元；
所述配件库存单元用于配件库存查询、配件出入库管理和库存流水记录；
所述模具bom单元用于建立统一的模具bom管理体系，确定模具完整组成结构，绑定相关模具零部件信息；
所述模具组装单元用于提供模具及其组件的各种信息查询和模具组装流程管理。
进一步的，所述模具故障检修模块700包括模具巡检单元、异常监测单元、故障申报单元、模具更换单元和模具维修单元；
所述模具巡检单元用于对库存模具进行定期检测、记录巡检信息和创建试模任务；
参考图1所示，所述异常监测单元应用基于网格划分的机器视觉算法对异常模具进行监测，具体步骤如下：
步骤1：通过工业摄像机实时采集待匹配模具图像g1；
步骤2：对采集的待匹配模具图像g1和无缺陷原始模具图像g0采用灰度化、均值滤波噪声和高斯平滑滤波噪声进行图像预处理，去除图像中的噪声，保留有效特征信息；
步骤3：对采集的待匹配模具图像g1和无缺陷原始模具图像g0进行网格划分，降低数据维度。定义网格尺度划分参数为9，将2幅图像分别划分为9个相同的子矩阵；
步骤4：每个子矩阵采用改进的特征点提取与匹配方法提取特征点并进行图像匹配；
步骤4.1：对图像上像素点q与其为中心的半径r＝3范围内的16个像素点进行绝对值之差计算，计算值为集合t＝{21,32,19，55，12，56，3，100，64，23，43，23，45，76，2，12}；
步骤4.2：将集合t中的每个值与阈值
步骤4.3：判断q与以q为中心5x5像素邻域空间内的其他点特征点pi的差值，若q值比其他特征点大，则保留q为最终特征点；
步骤4.4：重复步骤4.1～4.3，直至找出所有特征点；
步骤4.5：以特征点q为中心，通过5x5矩阵的灰度值像素点计算质心，将q和质心连线作为特征点坐标系，使特征点能够表达旋转方向性；
步骤4.6：基于步骤1.4.5得出的坐标系，对特征点q进行二进制特征描述。在以q为中心的5x5矩阵p内，比较任意2个像素x、y的大小关系，以此确定二进制的值g；
步骤4.7：将5x5矩阵p内所有的二进制特征描述值g连接起来，形成特征点q的二进制描述子编码f＝10010101…101,二进制编码长度300；
步骤4.8：将待检测图像矩阵特征点q二进制编码f1＝1010010…111和原始图像矩阵对应位置特征点的二进制编码f1＝0011110…101进行异或操作，得出特征点相似度百分比q*＝34％；
步骤4.9：将特征点的相似度百分比q*与阈值σ＝90％对比，若低于阈值σ，则认为该特征点为缺陷点，记录该特征点及其像素面积；
步骤4.10：重复步骤4.8和步骤4.9，完成子矩阵内所有特征点的检测，并记录缺陷点面积；
步骤5：将所有网格子矩阵的缺陷点面积相加得总和ns＝28，σ*取值5，若ns面积占总图像像素面积ts比例大于阈值σ*，则判定该模具出现异常，需更换模具；若ns面积占总图像像素面积ts比例大于0但小于阈值σ*，则判定该模具正常磨损，记录ns值作为模具库存评估管理模块800进行模具寿命预测的输入数据，
所述故障申报单元用于实现模具使用过程和存储过程的故障申报流程；
所述模具更换单元用于实现模具使用过程中的模具替换和代用模具替换信息查询；
所述模具维修单元用于提供模具维修过程档案信息记录、查询和统计分析。
进一步的，参考图2和图4所示，所述模具库存评估管理模块800应用模具安全库存评估方法对模具库存寿命进行评估。所述模具库存评估管理模块800从所述模具故障检修模块700的异常检测单元和工业传感器获得相关特征数据输入，应用模具安全库存评估方法进行计算，输出模具库存安全预警和最优库存补库量，最后将最优库存补库量通知给模具采购模块300。所述模具安全库存评估方法具体步骤如下：
步骤1：对通过各类工业传感器获得的原始信号数据进行基于时域、频域和时频域分析的信号特征降维、特征筛选、特征提取和归一化等预处理；
步骤2：将预处理后的特征数据和模具故障检修模块700的异常检测单元的输出数据汇总为输入数据
，包含7组7种影响模具寿命的参数类型；
步骤3:以模具第一次使用作为初始时间点，以输入数据x作为模型训练数据；
步骤4：确定模型参数及计算函数。定义t时刻模型输入xt和输出ut，t-1时刻的输出ut-1(初始状态下，ut-1＝0)，σ为sigmoid激活函数，取值在[0,1]之间，tanh为双曲正切函数，取值[-1,1]之间，更新门权值矩阵wb，重置门权值矩阵wq，⊙表示矩阵相乘，当前输入的隐含层权值矩阵w，重置门函数和更新门函数分别表达为(1)和(2)，当前输入的隐含层表达式为(3)
qt＝σ(wq·[ut-1,xt])(1)
bt＝σ(wb·[ut-1,xt])(2)
u′t＝tanh(w·[qt⊙ut-1,xt])(3)
将t时间训练数据输入模型，根据qt计算出保留的历史记忆信息(初始状态下，qt＝0)，将qt和xt代入u′t计算得出当前时刻隐含层信息，根据u′t和bt通过以下更新公式计算得出当前时刻t的输出值ut。
ut＝(1-bt)⊙ut-1+bt⊙u′t
步骤5：重复步骤4，计算出所有时间点的输出值；
步骤6：根据ut反向计算每个时间点上的总误差值项，根据总误差值项对权值矩阵wb、wq、w求一阶偏导之和，得出权值矩阵梯度，完成一个时间步的反向传播计算；
步骤7：重复步骤6，直至求出最优权值矩阵，即权值矩阵梯度最优，并代入模型公式；
步骤8：将实时采集到的数据输入训练后的模型，得出最终模具最优输出值，即模具寿命减少量342次；
步骤9：库存模具总寿命计算；
在dt-1天，库存模具总寿命5000次，在dt天，通过异常监测检测出的报废模具总寿命1200次，正常磨损模具寿命减少量342次，已维修完成重新投入使用的模具总寿命591次，送维修的模具总寿命700次，则在dt天模具剩余总寿命p：
p＝y+qt-qr-qw-qu＝3349次
步骤10：计算补库点r；
模具年使用个数d＝900，单个模具制造时间lt＝10，模具寿命l＝100，安全预留量q*＝100，则：
通过步骤9计算的库存剩余总寿命p＝3349次与补库点r＝3965次进行比较，库存余量小于r，提示需要补库。
步骤5：计算最优补库量；
为了确保最优生产成本投入，需计算最优补库量。模具年使用个数d＝900，模具制造单价u＝1000，单次生产个数q，单次生产额外成本k＝100，年单位存储成本c＝50,则：
对以上公式求q的一阶导数，得到最优单次生产个数q最优:
进一步的，所述基础建模模块100、模具台账模块200、模具采购模块300、模具设计加工管理模块400、模具使用模块500、模具装配模块600、模具故障检修模块700和模具库存评估管理模块800在应用服务器上的部署方式包括本地部署和云端部署两种部署模式，针对集团企业多工厂模式，系统还支持分布式部署；数据服务器中采用负载均衡、读写分离技术。
实施例二：
本实施例提出一种模具安全库存评估方法，用于对模具库存寿命进行评估，可以应用在模具全生命周期管理系统的模块中，包括以下步骤：
步骤1：对通过工业传感器获得的原始信号数据进行基于时域、频域和时频域分析的信号特征降维、特征筛选和特征提取的预处理；
步骤2：将预处理后的特征数据和磨损面积输出数据作为输入数据x＝[xm1,xm2,xm3,…,xm7]t，包含m组7种影响模具寿命的参数类型，即加工振动特征数据、应力特征数据、温度特征数据、膨胀系数特征数据、压射速度特征数据、已加工次数和磨损面积特征数据；其中，所述磨损面积输出数据通常获取于模具全生命周期管理系统中的模具故障检修模块的异常检测单元；
步骤3:以模具第一次使用作为初始时间点，以输入数据x作为模型训练数据；
步骤4：确定模型参数及计算函数，定义t时刻模型输入xt和输出ut，t-1时刻的输出ut-1(初始状态下，ut-1＝0)，σ为sigmoid激活函数，取值在[0,1]之间，tanh为双曲正切函数，取值[-1,1]之间，更新门权值矩阵wb，重置门权值矩阵wq，⊙表示矩阵相乘，当前输入的隐含层权值矩阵w，重置门函数和更新门函数分别表达为(1)和(2)，当前输入的隐含层表达式为(3)
qt＝σ(wq·[ut-1,xt])(1)
bt＝σ(wb·[ut-1,xt])(2)
u′t＝tanh(w·[qt⊙ut-1,xt])(3)
将t时间训练数据输入模型，根据qt计算出保留的历史记忆信息(初始状态下，qt＝0)，将qt和xt代入u′t计算得出当前时刻隐含层信息，根据u′t和bt通过以下更新公式计算得出当前时刻t的输出值ut；
ut＝(1-bt)⊙ut-1+bt⊙u′t
步骤5：重复步骤4，计算出所有时间点的输出值；
步骤6：根据ut反向计算每个时间点上的总误差值项，根据总误差值项对权值矩阵wb、wq、w求一阶偏导之和，得出权值矩阵梯度，完成一个时间步的反向传播计算；
步骤7：重复步骤6，直至求出最优权值矩阵，即权值矩阵梯度最优；
步骤8：将实时采集到的数据输入训练后的模型，得出最终模具最优输出值，即模具寿命减少量qw；
步骤9：库存模具总寿命计算；
在dt-1天，库存模具总寿命y，在dt天，通过异常监测模块检测出的报废模具总寿命qr，正常磨损模具寿命减少量qw，已维修完成重新投入使用的模具总寿命qt，送维修的模具总寿命qu，则在dt天模具剩余总寿命p：
p＝y+qt-qr-qw-qu
步骤10：计算补库点；
模具年使用个数d，单个模具制造时间lt，模具寿命l，安全预留量q*，则：
通过步骤9计算的模具库存总寿命p与补库点r进行比较，若库存剩余总寿命p小于r时，则提示需要补库；反之，则不用。
步骤11：计算最优补库量；
若库存需要进行模具补库，为了确保最优生产成本投入，需计算最优补库量；设模具制造单价u，单次生产个数q，单次生产额外成本k，年单位存储成本c,则：
对以上公式求q的一阶导数，得到最优单次生产个数q最优:
实施例三：
本实施例提出一种基于网格划分的机器视觉算法，用于对异常模具进行监测，可以应用在模具全生命周期管理系统的模块中，包括以下步骤：
步骤1：通过工业摄像机实时采集待匹配模具图像；
步骤2：对采集的待匹配模具图像和无缺陷原始模具图像采用灰度化、均值滤波噪声和高斯平滑滤波噪声进行图像预处理，去除图像中的噪声，保留有效特征信息；
步骤3：对采集的待匹配模具图像和无缺陷原始模具图像进行网格划分，降低数据维度；定义网格尺度划分参数为
步骤4：每个子矩阵采用改进的特征点提取与匹配方法提取特征点并进行图像匹配；
步骤4.1：对图像上像素点q与其为中心的半径r＝3范围内的16个像素点进行绝对值之差计算，计算值为集合t＝{p1,p2,p3…p16}；
步骤4.2：将集合t中的每个值与阈值
步骤4.3：判断q与以q为中心5x5像素邻域空间内的其他点特征点pi的差值，若q值比其他特征点大，则保留q为最终特征点；
步骤4.4：重复步骤4.1～4.3，直至找出所有最终特征点；
步骤4.5：以特征点q为中心，通过5x5矩阵的灰度值像素点计算质心，将q和质心连线作为特征点坐标系，使特征点能够表达旋转方向性；
步骤4.6：基于步骤4.5得出的坐标系，对特征点q进行二进制特征描述；在以q为中心的5x5矩阵p内，比较任意2个像素x、y的大小关系，以此确定二进制的值g；
步骤4.7：将5x5矩阵p内所有的二进制特征描述值g连接起来，形成特征点q的二进制描述子编码f；
步骤4.8：将待检测图像矩阵特征点q和原始图像矩阵对应位置特征点的二进制编码对进行异或操作，得出特征点相似度百分比；
步骤4.9：将特征点的相似度百分比与阈值σ对比，若低于阈值σ，则认为该特征点为缺陷点，记录该特征点像素面积；
步骤4.10：重复步骤4.8和步骤4.9，完成子矩阵内所有特征点的检测，并记录特征点面积；
步骤5：将所有网格子矩阵的缺陷点面积相加得总和ns，若ns面积占总图像像素面积ts比例大于阈值σ*，则判定该模具出现异常，需报废或维修模具；若ns面积占总图像像素面积ts比例大于0但小于阈值σ*，则判定该模具出现正常磨损，同时，记录ns值作为模具库存评估管理模块进行模具寿命预测的输入数据，
以上仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内，可轻易想到的变化或替换，都应该涵盖在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！