基于人工智能的晃动处理隔离板放置方法和系统与流程

本发明涉及属于密封设备气密性检测领域，具体涉及一种基于人工智能的晃动处理隔离板放置方法和控制系统。

背景技术：

目前，气密性检测仪主要用于食品、医疗器械等行业的包装袋、瓶、管、罐、盒等的密封试验。同时，为了让气密性检测仪的检测更加准确，气密性测试设备需要能够判断气密检测仪是否泄漏。

浸水法是比较常用的气密性检测方法，即将密封设备浸没在水中，当密封设备存在泄漏时，便会在水中产生一系列的气泡，检测人员根据气泡便可确定密封设备漏气的位置。

在采用浸水法对密封设备的气密性进行检测时需要将密封设备放置在水池中，采集水池的图像，通过图像中的气泡判断密封设备的密封性。为了保证检测的效率，通常在水池中放置有多个待测的密封设备。

当水池的水体发生晃动时会造成影响检测的准确性，为了减少这种影响，需要在被测的密封设备周围放置隔离板，使其与周围的水体隔离。现有技术中放置隔离板的方法是由检测人员控制的，即当检测人员判断出水体晃动时将隔离板放置在密封设备的周围。但是这种方法可靠性差且效率低，如当水体的晃动程度不影响检测结果时，放置隔离板会造成额外的工作负担。

技术实现要素：

本发明的目的是提供一种基于人工智能的晃动处理隔离板放置方法和控制系统，以解决现有技术中在放置隔离板时存在的可靠性差、工作效率低的问题。

为实现上述目的，本发明采用如下技术方案：

基于人工智能的晃动处理隔离板放置方法，包括如下步骤：

步骤一：获取气密性检测池的俯视图，识别其中的水体部分；

步骤二：对气密性检测池的俯视图进行目标识别，得到其中被测密封设备包围框的中心点坐标、宽度和高度；

步骤三：得到以被测密封设备包围框的中心为圆心的圆形区域，所述被测密封设备的包围框在该圆形区域内，将该圆形区域与水体部分之间的交集其作为检测区域；

步骤四：对检测区域进行灰度处理，计算检测区域内各像素点的晃动程度，并根据各像素点的晃动程度得到检测区域的晃动程度评价等级；

像素点的晃动程度计算模型为：

其中n为第n帧检测区域的图像，gn为第n帧检测区域图像经过灰度处理后其中一个像素点的灰度值，n为检测区域图像的帧数，α为像素点晃动程度；

步骤五：判断检测区域的晃动程度评价等级是否大于设定晃动程度评价等级，如果大于，则将隔离板放置在所述检测区域的最小外接矩形框处。

进一步的，所述步骤一中通过语义分割得到气密性检测池俯视图中的水体部分。

进一步的，根据检测区域内各像素点的晃动程度计算模型得到检测区晃动程度的评价等级的方法为：

当像素点的晃动程度α∈[0，m1]时，判断该像素点的为晃动程度评价等级为一级；当像素点的晃动程度α∈(m1，m2]时，判断该像素点的为晃动程度评价等级为二级；当像素点的晃动程度α∈(m2，m3]时，判断该像素点的为晃动程度评价等级为三级；当像素点的晃动程度α∈(m3，m4]时，判断该像素点的为晃动程度评价等级为四级；当像素点的晃动程度α∈(m4，+∞)时，判断该像素点的为晃动程度评价等级为五级；

统计各晃动程度评价等级像素点的数量；得到像素点数量最多的晃动程度评价等级l1和像素点数量仅次于晃动程度评价等级l1的晃动程度评价等级l2；

判断l1和l2之差的绝对值是否大于2；

如果不大于，则判断检测区域的晃动程度评价等级为l2；

如果大于，则计算晃动程度评价等级l1的像素点与晃动程度评价等级l2的像素点数量之差是否大于设定差值；

如果大于，则判断检测区域的晃动程度评价等级为l2；

如果不大于，则比较l1和l2；

如果l1大于l2，判断检测区域的晃动程度评价等级为l1-1；

如果l1小于l2，判断检测区域的晃动程度评价等级为l1+1。

进一步的，所述步骤四中，在计算出晃动程度评价等级后，对检测区域进行校正，得到校正后的检测区域；然后根据校正后检测区域计算晃动程度；

设水位高度为h，则校正后半径长度为

r′＝r+h×tanθ

θ＝grade×10°

grade为检测区域的晃动程度评价等级，r为校正前圆形区域的半径；

以气密性工件的包围框的中心为原点，以校正后的半径长度为半径的圆形区域，将该区域与被测密封设备区域之间的交集其作为校正后的检测区域；

所述步骤五中，当校正后检测区域的晃动程度大于设定晃动程度时，将隔离板放置在校正后的检测区域的最小外接矩形框处。

进一步的，所述步骤二中，对气密性检测池的俯视图进行目标识别的方法包括如下步骤：

建立工件检测数据训练集；

工件检测数据训练集包括多张等大的气密性检测池局部区域的rgb图像，且图像中包含无被测密封设备、单个被测密封设备或多个被测密封设备；

对工件检测数据训练集中各图像中的各被测密封设备进行特征点标注，被测密封设备的特征点包括其包围矩形框的中心点坐标以及包围框的宽和高；

建立工件识别神经网络模型，采用工件检测数据训练集对其进行训练，得到训练后的工件识别神经网络模型；

在对工件识别神经网络模型进行训练时，以标注后的工件检测数据训练集中的图像为输入，以对应图像中被测密封设备包围框的中心点坐标以及包围框的宽和高为输出，并且采用均方差函数作为损失函数；

将采集到的气密性检测池的俯视图输入到训练后的工件识别神经网络模型中，得到气密性检测池的俯视图中各被测密封设备包围框的中心点坐标以及其宽度和高度。

基于人工智能的晃动处理隔离板放置系统，包括处理器和存储器，存储器上存储有用于在所述处理器上执行的计算机程序；所述处理器执行所述计算机程序时，实现晃动处理隔离板的人工智能放置控制方法，该方法包括如下步骤：

步骤一：获取气密性检测池的俯视图，识别其中的水体部分；

步骤二：对气密性检测池的俯视图进行目标识别，得到其中被测密封设备包围框的中心点坐标、宽度和高度；

步骤三：得到以被测密封设备包围框的中心为圆心的圆形区域，所述被测密封设备的包围框在该圆形区域内，将该圆形区域与水体部分之间的交集其作为检测区域；

步骤四：对检测区域进行灰度处理，计算检测区域内各像素点的晃动程度，并根据各像素点的晃动程度得到检测区域的晃动程度评价等级：

其中n为第n帧检测区域的图像，gn为第n帧检测区域图像经过灰度处理后其中一个像素点的灰度值，n为检测区域图像的帧数，α为像素点晃动程度；

步骤五：判断检测区域的晃动程度评价等级是否大于设定晃动程度评价等级，如果大于，则将隔离板放置在所述检测区域的最小外接矩形框处。

进一步的，所述步骤一中通过语义分割得到气密性检测池俯视图中的水体部分。

进一步的，根据检测区域内各像素点的晃动程度计算模型得到检测区晃动程度的评价等级的方法为：

当像素点的晃动程度α∈[0，m1]时，判断该像素点的为晃动程度评价等级为一级；当像素点的晃动程度α∈(m1，m2]时，判断该像素点的为晃动程度评价等级为二级；当像素点的晃动程度α∈(m2，m3]时，判断该像素点的为晃动程度评价等级为三级；当像素点的晃动程度α∈(m3，m4]时，判断该像素点的为晃动程度评价等级为四级；当像素点的晃动程度α∈(m4，+∞)时，判断该像素点的为晃动程度评价等级为五级；

统计各晃动程度评价等级像素点的数量；得到像素点数量最多的晃动程度评价等级l1和像素点数量仅次于晃动程度评价等级l1的晃动程度评价等级l2；

判断l1和l2之差的绝对值是否大于2；

如果不大于，则判断检测区域的晃动程度评价等级为l2；

如果大于，则计算晃动程度评价等级l1的像素点与晃动程度评价等级l2的像素点数量之差是否大于设定差值；

如果大于，则判断检测区域的晃动程度评价等级为l2；

如果不大于，则比较l1和l2；

如果l1大于l2，判断检测区域的晃动程度评价等级为l1-1；

如果l1小于l2，判断检测区域的晃动程度评价等级为l1+1。

进一步的，所述步骤四中，在计算出晃动程度评价等级后，对检测区域进行校正，得到校正后的检测区域；然后根据校正后检测区域计算晃动程度；

设水位高度为h，则校正后半径长度为

r′＝r+h×tanθ

θ＝grade×10°

grade为检测区域的晃动程度评价等级，r为校正前圆形区域的半径；

以气密性工件的包围框的中心为原点，以校正后的半径长度为半径的圆形区域，将该区域与被测密封设备区域之间的交集其作为校正后的检测区域；

所述步骤五中，当校正后检测区域的晃动程度大于设定晃动程度时，将隔离板放置在校正后的检测区域的最小外接矩形框处。

进一步的，所述步骤二中，对气密性检测池的俯视图进行目标识别的方法包括如下步骤：

建立工件检测数据训练集；

工件检测数据训练集包括多张等大的气密性检测池局部区域的rgb图像，且图像中包含无被测密封设备、单个被测密封设备或多个被测密封设备；

对工件检测数据训练集中各图像中的各被测密封设备进行特征点标注，被测密封设备的特征点包括其包围矩形框的中心点坐标以及包围框的宽和高；

建立工件识别神经网络模型，采用工件检测数据训练集对其进行训练，得到训练后的工件识别神经网络模型；

在对工件识别神经网络模型进行训练时，以标注后的工件检测数据训练集中的图像为输入，以对应图像中被测密封设备包围框的中心点坐标以及包围框的宽和高为输出，并且采用均方差函数作为损失函数；

将采集到的气密性检测池的俯视图输入到训练后的工件识别神经网络模型中，得到气密性检测池的俯视图中各被测密封设备包围框的中心点坐标以及其宽度和高度。

本发明的有益效果：本发明所提供的技术方案，能够根据气密性检测池的俯视图判断其晃动程度的评价等级，并在其晃动程度评价等级达到程度等级时放置隔离板。由于本发明所提供的技术方案不需要人工参与就能够在被测密封设备晃动时放置隔离板，所以不仅能够保证气密性检测的可靠性，还能够减少工作人员的工作量，解决现有技术中在放置隔离板时存在的可靠性差、工作效率低的问题。

附图说明

图1是本发明方法实施例中基于人工智能的晃动处理隔离板放置方法的流程图；

图2是本发明方法实施例中识别被测密封设备的方法的流程图；

图3是本发明方法实施例中将气密性检测水池区域从俯视图中分割的方法的流程图。

具体实施方式

本发明的目的是提供一种基于人工智能的晃动处理隔离板放置方法和控制系统，以解决现有技术中在放置隔离板时存在的可靠性差、工作效率低的问题。

方法实施例：

本实施例提供一种基于人工智能的晃动处理隔离板放置方法，其流程如图1所示，包括如下步骤：

步骤一：采集气密性检测池的俯视图，并识别其中的水体部分。

本实施例中采用鱼眼镜头采集气密性检测池水体的俯视图，所获得的俯视图是rgb图像。

步骤二：对气密性检测池水体的俯视图进行目标检测，识别出其中的被测密封设备，并得到被测密封设备的包围框。

该步骤的目的是为了获取被测密封设备位置，以用于后续隔离板放置位置的判断以及检测区域的划分。

对气密性检测池水体俯视图进行目标检测，以得到其中被测密封设备，其方法的流程如图2所示，包括如下步骤：

步骤2.1：建立工件检测数据训练集。

本是实施例中的工件检测数据训练集，其中包括多张等大的气密性检测池的rgb图像，且图像中包含无被测密封设备、单个被测密封设备或多个被测密封设备。

步骤2.2：对工件检测数据训练集中各图像中的各被测密封设备进行特征点标注，被测密封设备的特征点包括被测密封设备包围矩形框的中心点坐标以及包围框的宽和高，采用标注工具labelme对目标检测数据训练集中的各被测密封设备进行特征点标注。

步骤2.3：建立工件识别神经网络模型，采用工件检测数据训练集对其进行训练，得到训练后的工件识别神经网络模型。

在对工件识别神经网络模型进行训练时，以标注后的工件检测数据训练集中的图像为输入，以对应图像中被测密封设备包围框的中心点坐标以及包围框的宽和高为输出，并且采用均方差函数作为损失函数。

步骤2.4：将得到的气密性检测池的俯视图输入到训练后的工件识别神经网络模型中，训练后的工件识别神经网络模型先通过编码器进行卷积操作提取特征，输出特征图，特征图经flatten操作后输入全连接层fc，输出气密性检测池的俯视图中各被测密封设备包围框的中心点坐标以及其宽度和高度。

步骤三：识别气密性检测池俯视图中的水体部分，并根据气密性检测池的俯视图中被测密封设备中心点的坐标确定检测区域。

该步骤的目的为得到检测区域，以用于后续进行被测密封设备附近水体晃动情况的评价，该步骤的实施方法为：

在气密性检测池的俯视图中，得到以被测密封设备包围框中心点为圆心、r为半径的圆形区域，r的值根据被测密封设备包围框的大小进行选取，使被测密封设备的包围框在该圆形区域内；

获取圆形区域与图像中水体部分之间的交集，将该交集作为检测区域。

步骤四：对检测区域进行帧差处理，结合晃动程度计算模型得到水体的晃动程度，并根据水体的晃动程度得到其晃动程度等级。

该步骤的目的主要为确定被测密封设备附近水体的晃动情况，以用于判断是否需要放置隔离板，实施方法为：

获取连续多帧气密性检测池中检测区域的图像，对其进行灰度化处理，并采用晃动程度计算模型计算检测区域各像素点的晃动程度，并根据各像素点的晃动程度得到检测区域的晃动程度等级。

本实施例中的晃动程度计算模型为：

式中，n为第n帧检测区域图像，gn为第n帧检测区域图像经过灰度处理后其中一个像素点的灰度，n为检测区域图像的帧数，α为该像素点晃动程度的计算模型。

当像素点的晃动程度α∈[0，m1]时，判断该像素点的为晃动程度评价等级为一级；当像素点的晃动程度α∈(m1，m2]时，判断该像素点的为晃动程度评价等级为二级；当像素点的晃动程度α∈(m2，m3]时，判断该像素点的为晃动程度评价等级为三级；当像素点的晃动程度α∈(m3，m4]时，判断该像素点的为晃动程度评价等级为四级；当像素点的晃动程度α∈(m4，+∞)时，判断该像素点的为晃动程度评价等级为五级；

m1、m2、m3、m4为经验阈值，根据气密性检测水池的实际光照强度、检测池底色设置，其值均与气密性检测水池的光照强度、检测池底色像素成正相关，其具体值通过标定试验获得，即在试验工况下，得到各种水池的光照强度、检测池底色像素时m1、m2、m3、m4的值。本实施例中经验阈值m1、m2、m3、m4的取值分别为10、30、80、150。

上述晃动程度计算模型仅能够计算单个像素点的晃动程度，对于整个检测区域，首先计算检测区域内各像素点的晃动程度，然后根据各像素点的晃动程度得到整个检测区域的晃动程度评价等级。

步骤五：判断检测区域的晃动评价等级是否大于等于3，如果是，则判断为需要放置隔离板；如果不是，则判断为不需要放置隔离板。

在判断出需要放置隔离板时，首先获取检测区域的最小外接矩形框的侧边位置，然后将隔离板放置在该位置。

在对气密性检测池进行拍摄时，由于拍摄的图像范围较广，可能还会拍摄到气密性检测池以外的区域，而这些区域可能对判断结果造成影响，因此需要将气密性检测水池的水体部分从图像中分割出来。将水体部分从气密性检测水池区域从俯视图中分割出来的方法流程如图3所示，包括如下步骤：

步骤1.1：建立检测池数据训练集。

本实施例中的检测池数据训练集包括多张以俯视角度采集的气密性检测池图像，图像中应包含检测池及池内水体信息；

步骤1.2：对检测池数据训练集中的图像进行标注，该标注为像素级标注，即对每个像素均标注一个类别，在本实施例中将检测池数据训练集中图像的像素分为两类，将其中不是水体部分的索引设置为0，将其中水体部分的索引设置为1。本实施例中采用标注工具labelme对检测池数据训练集中的气密性检测池图像进行标注。

步骤1.3：建立语义分割神经网络模型，采用标注后的检测池数据训练集中的图像对其进行训练，得到训练后的语义分割神经网络模型。

在对语义分割神经网络模型进行训练时，以标注后的检测池数据训练集中的图像为输入，以相应图像中的气密性检测池的水体部分为输出，采用交叉熵损失函数作为其损失函数。

步骤1.4：将检测到的气密性检测池图像输入到语义分割神经网络模型中，得到语义分割后的气密性检测池图像。

作为其他实施方式，在步骤四中，计算出检测区域各像素点的晃动程度后，统计各晃动程度评价等级像素点的数量；得到像素点数量最多的晃动程度评价等级l1和像素点数量仅次于晃动程度评价等级l1的晃动程度评价等级l2；

设晃动程度评价等级为l1的像素点数量为n1，晃动程度评价等级为l2的像素点数量为n2；

判断l1和l2之差的绝对值是否大于2；

如果不大于，则判断检测区域的晃动程度评价等级为l2；

如果大于，则计算晃动程度评价等级l1的像素点与动程度评价等级l2的像素点数量之差是否大于设定差值；

如果大于，则判断检测区域的晃动程度评价等级为l2；

如果不大于，则比较l1和l2的大小；

如果l1大于l2，判断水体检测区域的晃动程度评价等级为l1-1；

如果l1小于l2，判断检测区域的晃动程度评价等级为l1+1。

判断出处于各评价等级的像素点的数量，

在本实施例中的设定差值为100，实施者可根据相机成像尺寸等自行调节，

作为其他实施方式，还包括根据得到的晃动程度选择对应的半径，对检测区域进行校正的步骤。该步骤的目的为根据水体晃动程度校正检测区域的大小，以避免隔离板放置时，触碰到工件，同时，在第二检测区域内再次检测水体晃动程度作为最终隔离板放置与否的标准，实施方式为：

假设水位高度为h，则修正后半径为

r′＝r+h×tanθ

θ＝grade×10°

grade为检测区域的晃动程度评价等级。

得到以被测密封设备的中心为原点，以修正后的半径圆形区域，该区域为第二检测区域。

作为其他实时方式，将各像素点的晃动程度评价等级的平均值作为检测区域的晃动程度评价等级。

系统实施例：

本实施例提供一种基于人工智能的晃动处理隔离板放置系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；处理器执行该计算机程序时，实现如上述方法实施例中所提供的基于人工智能的晃动处理隔离板放置方法。

以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。