本发明涉及一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,属于工业视觉。
背景技术:
1、在玻璃切割行业中,切割工具的刀头寿命对生产效率和产品质量有重要影响。刀头磨损过度将导致切割效果不理想,从而影响产品质量,而频繁更换刀头则会导致生产成本增加。
2、因此,预测玻璃推刀刀头的剩余寿命,以便在适当的时候更换刀头,对提高生产效率和降低成本具有重要意义。
技术实现思路
1、为了解决上述问题,本发明公开了一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法。
2、本发明采取的技术方案如下:
3、一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特殊之处在于,包括以下步骤:
4、采集玻璃推刀的刀头图像n;
5、对刀头图像n进行预处理以获取刀头轮廓线及刀头轮廓线矩阵;
6、获取刀头所有可见齿及其对应的全齿高,得到1xn的全齿高矩阵;
7、将刀头图像n的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵;
8、将刀头图像n的组合矩阵与所述刀头图像n前两张刀头图像的组合矩阵水平合并为图像组合矩阵;
9、由预测模型对所述图像组合矩阵进行刀头剩余寿命的预测,以得出相应的预测结论。
10、进一步地,所述采集玻璃推刀的刀头图像n,是在玻璃推刀每次切割完成返回起始位置时,先由风机去除刀头残留的玻璃碎屑,再由配置在起始位置的工业相机对刀头进行图像采集。
11、进一步地,所述对刀头图像n进行预处理以获取刀头轮廓线及刀头轮廓线矩阵,具体包括:
12、利用索贝尔(sobel)边缘检测算子提取刀头图像n的刀头轮廓线,图像边缘检测的计算公式如下:
13、
14、;
15、其中,mx表示横向用索贝尔算子进行边缘检测完成的图像,my表示纵向用索贝尔算子进行边缘检测完成的图像,n为当前采集的刀头图像;
16、计算像素点的边缘梯度值m
17、;
18、将得到的梯度值m进行二值化处理,得到刀头图像n的刀头轮廓线矩阵。
19、进一步地,所述获取刀头所有可见齿及其对应的全齿高,得到1xn的全齿高矩阵的步骤中,所述全齿高为齿根到齿顶间的直线距离,单位为像素。
20、进一步地,所述由预测模型对所述图像组合矩阵进行刀头剩余寿命的预测,以得出相应的预测结论的步骤中,所述预测模型通过以下训练方法而得:
21、数据收集
22、将一定数量的玻璃推刀作为样本,采集每个玻璃推刀的刀头从开始使用至刀头损坏的全生命周期图像,得到一系列刀头图像;
23、数据处理
24、采用索贝尔边缘检测算子逐一对采集到的一系列刀头图像进行轮廓线提取,得到每张图像的轮廓线矩阵;
25、特征提取
26、根据每张图像中的刀头轮廓线获取刀头可见齿及其对应的全齿高,将每张图像的所有可见齿的全齿高组成1xn的全齿高矩阵;
27、将每张图像的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵,在全齿高矩阵列数不足时,自动补零;
28、将同一刀头的全生命周期图像中具有相邻关系的三张图像的组合矩阵进行水平合并,得到图像组合矩阵;
29、设置标签
30、根据刀头的实际剩余寿命,标注出每张图像的剩余寿命值;取每个图像组合中3张图像剩余寿命值的均值,标注为每个图像组合的剩余使用寿命;
31、玻璃推刀刀头的平均使用寿命为5000米左右,根据多次训练的准确度和实际使用的需要,设置5个标签对刀头的剩余寿命进行分类:3000米以上表示使用情况良好;2000-3000米表示使用正常;1000-2000米表明可正常使用,但需准备好替换刀头;500-1000米需注意切割状态;500米以下表示刀头损坏,停止使用该玻璃推刀刀头,并及时替换刀头;
32、模型训练
33、将图像组合矩阵以及与之相对应的图像组合剩余使用寿命标签输入resnet卷积神经网络模型进行训练,获得预测模型。
34、模型评估
35、采用resnet卷积神经网络模型进行训练的准确率如下表1所示:
36、表1:模型预测准率
37、。
38、本发明的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,与现有技术相比,有益效果在于:
39、1、通过实时采集刀头图像,能够实时监测刀头磨损程度并发现刀头异常情况,提高切割质量;
40、2、在拍摄的图片中,并不能完整的看到玻璃切割刀刀头的完整齿轮,本发明创新性的采用“三合一”图像组合的方式进行,大大提高的模型的准确率;
41、3、在特征提取过程中,将人的经验加入其中,提取了玻璃切割刀刀头齿轮的全齿高,将人的经验与卷积神经网络算法的经验相结合,进一步提高了预测的准确性。
1.一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,
3.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,
4.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,
5.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,