一种基于人工智能的模具车间数字化管理方法及系统与流程

本
技术实现要素：
属于智能制造，特别地，涉及一种模具车间数字化管理系统。

背景技术：

1、工业4.0的大环境下,工业互联网、人工智能技术快速发展,大机器生产成为趋势,车间规模增大，传统工业人员管理方式弊端不断显现,这都对现代工厂生产和管理提出了更高的要求。传统生产车间的电子标签打卡等方式不能满足现代车间管理需要。

2、模具车间管理的主要内容涉及对车间内各零件、零件组等模具的使用管理。其中，对模具的领用管理是其中的重要工序。由于车间庞大，人员众多，模具种类众多，经常发生对应模具的误领误用问题，增加了生产的风险，影响了产品质量。而委派专人对模具领取进行核验，又增加了生产制造环节、消耗大量人力成本，降低了生产效率。

3、现有技术中也提出了采用图像识别、跟踪的方式来协助模具的管理，但这些方法大多基于传统的图像处理或视频处理方法，算法复杂效率低，不仅对硬件有较高要求，且实际管理准确性难以达到生产的需要。也有人提出使用神经网络模型的方式，但目前均是使用通用神经网络模型识别物体，并没有针对模具车间的具体环境、操作对象进行专门的模型设计、优化。因此，识别效果依然有限。

4、因此，如何针对模具车间的特殊场景和需求，高效、智能、准确、低成本地进行模具的管理是目前智能制造领域亟待解决的问题。

技术实现思路

1、为了降低模具车间的管理成本，利用数字化技术提高模具车间的管理效率和效果，本发明提出一种模具车间数字化管理系统，利用人工智能、无线网络技术对车间内的模具进行数字化管理，降低模具误领取的风险，并节省了人力成本。

2、一种基于人工智能的模具车间数字化管理方法，利用摄像机在模具车间工况下采集图像和/或视频，

3、步骤1：以工作人员工作服的颜色作为识别个体的有效约束条件，利用模板匹配法对采集图像中的个体进行提取，获得一组匹配子图；

4、对于每一个子图，定义颜色深度表示为：

5、

6、其中，符号表示反余弦函数，%符号表示取余运算，分别表示子图像的三个颜色分量；

7、定义图像的颜色边界向量：

8、

9、

10、式2中表示图像坐标为处的颜色深度。

11、当颜色边界向量满足其l2范数小于阈值 r，且其方向角满足绝对值小于45度时，称该向量所在位置为颜色边界：

12、

13、分别计算当前匹配子图与原个体模板图像的颜色边界图像，并计算二者的l1范数距离：

14、

15、其中，表示个体模板图像对应的颜色边界图像，表示匹配子图对应的颜色边界图像；当l1范数距离小于阈值 y时，则认为匹配到一个个体目标；

16、步骤2：跟踪每个个体目标在视频中随时间变化的位置，如果两者重心的距离小于 g：

17、

18、为工作人员对象在图像中的重心，为模具对象在图像中的重心；则将工作人员与模具所在子图范围的外切矩形随时间变化形成的视频作为输入样本；

19、上述输入样本视频中，每一帧包含原始视频图像的灰度映射、根据式（1）计算得到的原始视频图像的颜色深度映射、根据式（2）、（3）计算得到的原始视频图像的颜色边界映射，

20、将上述一帧中的三个图像作为神经网络模型输入进行工作人员操作模具行为的判别，并输出判别结果。

21、当判别发生非法操作动作时，在当场发出告警。

22、将发生非法情形的相应模具类型、人员的照片等发送至服务器并告警。

23、收集不同类型模具的合法操作动作与非法操作动作作为样本，采用bp算法求解神经网络的收敛参数。

24、神经网络模型的激励函数为

25、

26、其中表示自然指数函数，为调节系数。

27、一种基于人工智能的模具车间数字化管理系统，实施所述的方法。

28、包括服务器、通讯装置、多个摄像机、报警装置。

29、摄像机用于采集模具车间图像；

30、通讯装置用于将采集的图像或视频数据发送至服务器中。

31、报警装置用于根据服务器信号对误操作的行为进行报警提醒。

32、本发明的发明点及技术效果：

33、1、在复杂的模具车间环境中优化了目标识别的方法，保证了识别分割的准确性，能够在模具车间复杂环境下有效识别工作人员个体的位置，减轻了后续神经网络模型判断的负担，保证了模具车间管理的高效、准确。

34、2、本发明提出一种对车间中个体对象拾取模具的行为识别及管理方法，判别是否存在对模具的误领取情形。提出一种行为双方对象综合识别模型，将工作人员目标、模具目标与二者间行为联合建模，从而提高对工作人员领取模具行为的识别准确率。

35、3、优化了神经网络模型结构，使其与识别结果相互配合，保证了行为的识别准确率，提升了模具车间管理的效率和效果。

技术特征：

1.一种基于人工智能的模具车间数字化管理方法，利用摄像机在模具车间工况下采集图像和/或视频，其特征在于：

2.如权利要求1所述的方法，其特征在于：当判别发生非法操作动作时，在当场发出告警。

3.如权利要求2所述的方法，其特征在于：将发生非法情形的相应模具类型、人员的照片等发送至服务器并告警。

4.如权利要求3所述的方法，其特征在于：收集不同类型模具的合法操作动作与非法操作动作作为样本，采用bp算法求解神经网络的收敛参数。

5.如权利要求3所述的方法，其特征在于：神经网络模型的激励函数为

6.一种基于人工智能的模具车间数字化管理系统，其特征在于：实施如权利要求1-5所述的方法。

7.如权利要求6所述的系统，其特征在于：包括服务器、通讯装置、多个摄像机、报警装置。

8.如权利要求6所述的系统，其特征在于：摄像机用于采集模具车间图像。

9.如权利要求6所述的系统，其特征在于：通讯装置用于将采集的图像或视频数据发送至服务器中。

10.如权利要求6所述的系统，其特征在于：报警装置用于根据服务器信号对误操作的行为进行报警提醒。

技术总结
本发明提出一种基于人工智能的模具车间数字化管理方法及系统，利用图像识别与神经网络模型有机结合，对车间内的模具操作行为进行智能化的判别，降低模具误操作的风险，并节省了人力成本，在智能制造领域有效的实现了模具车间的数字化高效精准管理。

技术研发人员：罗勇,任伟安,刘双喜
受保护的技术使用者：深圳市捷超行模具有限公司
技术研发日：
技术公布日：2024/1/15