本发明涉及冲压监测,具体是一种汽车配件冲压加工视觉检测方法及系统。
背景技术:
1、汽车冲压件,顾名思义,就是构成汽车零部件的金属冲压件。在汽车冲压件中,一部分经冲压后直接成为汽车零部件,另一部分经冲压后还需经过焊接、或机械加工、或油漆等工艺加工后才能成为汽车零部件。
2、随着智能化车间的普及,冲压过程逐渐标准化及智能化,采用同一冲压设备,可以不断的重复相同的冲压工作,快速地对原料进行冲压,在这一过程中,工作人员只需要远程监控即可;现有的智能设备的稳定性很高,工作人员的大部分监控时间都是“无效的”,也即,观察到问题的机率极低,但是监控过程又是不可或缺的,因此,相关的工作人员的工作重要且枯燥。
3、为解决这一问题,现有技术中增设了智能检测设备,但是,现有的智能检测设备的精度是固定的,对所有阶段均采用同一精度的监控,监控资源消耗量大,资源利用率不高;如何在进一步优化现有的视觉检测系统是本发明技术方案想要解决的技术问题。
技术实现思路
1、本发明的目的在于提供一种汽车配件冲压加工视觉检测方法及系统,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种汽车配件冲压加工视觉检测方法,所述方法包括:
4、根据预设的高速相机获取预设数量的冲压周期内的冲压图像组;
5、对所述冲压图像组中的冲压图像进行频域转换,比对频域转换结果,建立样本集;其中,所述样本集含有精度标签;
6、根据所述样本集训练得到含有精度标签的神经网络识别模型;
7、实时采集音频信息,根据所述音频信息确定识别精度,基于识别精度选取训练好的神经网络识别模型,对当前冲压流程进行识别。
8、作为本发明进一步的方案:所述对所述冲压图像组中的冲压图像进行频域转换,比对频域转换结果,建立样本集的步骤包括:
9、根据冲压周期的时间顺序对冲压图像组进行排序,并确定各冲压图像的时域对应关系;所述时域对应关系用于表征在各冲压周期内同一相对时刻的各个图像间的对应关系;
10、依次计算同一时域对应关系下不同冲压图像的相似度,得到相似度矩阵;
11、根据所述相似度矩阵确定各个时域对应关系下的标准图像;
12、根据时域对应关系的时间顺序统计标准图像,建立样本集。
13、作为本发明进一步的方案:所述依次计算同一时域对应关系下不同冲压图像的相似度,得到相似度矩阵的步骤包括:
14、根据时间顺序依次选取时域对应关系;
15、基于所述时域对应关系在各个冲压图像组中选取冲压图像;
16、对所述冲压图像进行颜色空间转换,对颜色空间转换后的冲压图像进行单元切分;
17、将单元切分后的子图像输入预设的变换公式,得到转换矩阵;
18、以所述转换矩阵的左上角为基点,根据预设的递增尺寸在所述转换矩阵中截取目标子块;所述递增尺寸与所述精度标签存在映射关系;
19、比对所述目标子块,得到任意两个冲压图像的相似度;
20、统计所有冲压图像之间的相似度,得到相似度矩阵。
21、作为本发明进一步的方案:所述对所述冲压图像进行颜色空间转换的过程为:
22、;
23、式中,r、g、b分别为冲压图像中的rgb值,y用于表征冲压图像的明视度、亮度和灰度,u用于表征色调,v用于表征饱合度;
24、所述变换公式为:
25、;
26、式中,为点(x,y)的参数,包括y、u和v;为转换后的点(x,y)对应的值;
27、其中,;
28、;
29、。
30、作为本发明进一步的方案:所述根据所述相似度矩阵确定各个时域对应关系下的标准图像的步骤包括:
31、依次在相似度矩阵中提取冲压图像与其他冲压图像之间的相似度数组;所述相似度数组为相似度矩阵的行向量;
32、计算相似度数组的均值、标准差和预设数量的极值,将所述均值、标准差和预设数量的极值输入预设的评分公式,得到价值分;
33、根据所述价值分选取标准图像。
34、作为本发明进一步的方案:所述实时采集音频信息,根据所述音频信息确定识别精度,基于识别精度选取训练好的神经网络识别模型,对当前冲压流程进行识别的步骤包括:
35、实时采集音频信息,将采集到的音频信息与预设的标准音频进行比对,实时确定异常值;
36、根据所述异常值选取不同精度的神经网络识别模型;
37、基于选取到的神经网络识别模型对当前冲压图像进行识别。
38、本发明技术方案还提供了一种汽车配件冲压加工视觉检测系统,所述系统包括:
39、图像组采集模块,用于根据预设的高速相机获取预设数量的冲压周期内的冲压图像组;
40、样本集建立模块,用于对所述冲压图像组中的冲压图像进行频域转换,比对频域转换结果,建立样本集;其中,所述样本集含有精度标签;
41、模型训练模块,用于根据所述样本集训练得到含有精度标签的神经网络识别模型;
42、识别执行模块,用于实时采集音频信息,根据所述音频信息确定识别精度,基于识别精度选取训练好的神经网络识别模型,对当前冲压流程进行识别。
43、作为本发明进一步的方案:所述样本集建立模块包括:
44、对应关系确定单元,用于根据冲压周期的时间顺序对冲压图像组进行排序,并确定各冲压图像的时域对应关系;所述时域对应关系用于表征在各冲压周期内同一相对时刻的各个图像间的对应关系;
45、相似度计算单元,用于依次计算同一时域对应关系下不同冲压图像的相似度,得到相似度矩阵;
46、标准图像确定单元,用于根据所述相似度矩阵确定各个时域对应关系下的标准图像;
47、标准图像统计单元,用于根据时域对应关系的时间顺序统计标准图像,建立样本集。
48、作为本发明进一步的方案:所述相似度计算单元包括:
49、第一选取子单元,用于根据时间顺序依次选取时域对应关系;
50、第二选取子单元,用于基于所述时域对应关系在各个冲压图像组中选取冲压图像;
51、转换切分子单元,用于对所述冲压图像进行颜色空间转换,对颜色空间转换后的冲压图像进行单元切分;
52、图像变换子单元,用于将单元切分后的子图像输入预设的变换公式,得到转换矩阵;
53、截取子单元,用于以所述转换矩阵的左上角为基点,根据预设的递增尺寸在所述转换矩阵中截取目标子块;所述递增尺寸与所述精度标签存在映射关系;
54、比对子单元,用于比对所述目标子块,得到任意两个冲压图像的相似度;
55、矩阵生成子单元,用于统计所有冲压图像之间的相似度,得到相似度矩阵。
56、作为本发明进一步的方案:所述识别执行模块包括:
57、异常判定单元,用于实时采集音频信息,将采集到的音频信息与预设的标准音频进行比对,实时确定异常值;
58、异常应用单元,用于根据所述异常值选取不同精度的神经网络识别模型;
59、模型应用单元,用于基于选取到的神经网络识别模型对当前冲压图像进行识别。
60、与现有技术相比,本发明的有益效果是:本发明根据高速相机预先采集冲压样本图像,对冲压样本图像进行dct变换,按顺序提取冲压样本图像中的重要信息,然后,根据不同的截取尺寸,截取重要信息,训练神经网络模型,得到不同精度的识别模型,在实际应用中,根据音频异常与否,选取不同精度的识别模型,极大地降低了识别资源消耗量,提高了资源利用率。