CN112712501A - 一种基于人工智能的后视镜组装生产方法 - Google Patents

Abstract

本发明提供了一种基于人工智能的后视镜组装生产方法，包括：获取后视镜零件图像，并基于人工智能技术对所述后视镜零件图像进行特征提取并分析；基于分析结果，将后视镜零件进行分类；根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获取对应的老化值；基于分类结果以及老化值结果，控制工业机器人获取合格零件，对所述后视镜零件进行柔性组装。通过人工智能对获取到的后视镜图像进行处理，并通过工业机器人对后视镜进行柔性组装，实现对后视镜组装的灵活变换，且监测后视镜组装过程中用到的每个零件的的老化值，便于及时采取解决措施，克服传统后视镜组装的缺陷。

Description

一种基于人工智能的后视镜组装生产方法

技术领域

本发明涉及汽车零部件生产设备及生产工艺技术技术领域，特别涉及一一种基于人工智能的后视镜组装生产方法。

背景技术

目前，后视镜是驾驶员坐在驾驶室座位上直接获取汽车后方、侧方和下方等外部信息的工具。后视镜组装生产线是指将产品的若干个零部件通过紧配、卡扣、螺纹连接、粘合、铆合、焊接等方式组合到一起得到符合预定的尺寸精度及功能的成品(半成品)的机械设备。

现有的后视镜组装生产线存在以下问题：传统的后视镜组装方法是固定的，不能做到根据需要对后视镜的组装方案进行灵活切换，降低了后视镜组装的效率，并且在组装过程中不能及时监测后视镜组装过程中用到的每个零件的老化程度值，使得组装成功后的后视镜存在一定安全隐患，因此本发明提供了一种基于人工智能的后视镜组装生产方法。

发明内容

本发明提供一种基于人工智能的后视镜组装生产方法，用以解决通过人工智能及工业机器人对后视镜进行柔性组装，并实时监控后视镜组装过程中用到的每个零件的老化值，对后视镜的安全性进行严格把控，克服传统后视镜组装的缺陷。

本发明提供一种基于人工智能的后视镜组装生产方法，包括：

步骤1：获取后视镜零件图像，并基于人工智能技术对所述后视镜零件图像进行特征提取并分析；

步骤2：基于分析结果，将后视镜零件进行分类；

步骤3：基于分类结果，根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获取对应的老化值；

步骤4：控制工业机器人基于监测结果，对所述后视镜零件进行柔性组装。

优选的，一种基于人工智能的后视镜组装生产方法，步骤1中，获取后视镜零件图像，包括：

对后视镜零件进行拍摄，得到待获取图像；

在待获取图像的预览区域中确定目标区域；

基于目标区域面积与预览区域面积的当前比例，确定所述目标区域的缩放倍数；

对所述目标区域进行补光，并确定补光程度；

基于所述补光程度，并按照所述缩放倍数对所述目标区域进行缩放，并获取所述目标区域中所述后视镜零件图像。

优选的，一种基于人工智能的后视镜组装生产方法，步骤1种，对所述后视镜零件图像进行特征提取并分析的过程包括：

获取所述后视镜零件图像，并对所述后视镜零件图像进行配准，获得配准后的图像；

将所述配准后的图像划分为多个结构化子图像，并通过预设的特征模型提取每个结构化子图像的视觉特征；

同时，获取所述视觉特征的分布，得到对应所述结构化子图像的空间分布特征；

对每个结构化子图像中的空间分布特征进行结构化融合，得到结构化特征，并通过预设结构化模型对所述结构化特征进行特征提取，得到目标数据；

判断所述目标数据是否存在异常数据；

若存在，接收数据校验请求，并根据所述数据校验请求，来获取预设校验算法以及与所述预设校验算法相对应的一组或多组校验数据；

基于所述预设校验算法以及校验数据对所述异常数据进行校验，进而实现对所述目标数据的校验；

根据预设正确性检测规则对校验后的目标数据进行检测，获得有效特征数据和无效特征数据，并将所述无效特征数据剔除；

分析所述有效特征数据的数据类型，并获取相关的有效类别属性，具体过程包括；

从预设数据库中调取与数据类型相关的训练样本；

提取所述训练样本的训练特征数据以及训练类别属性，并基于机器学习模型对数据类型、对应的训练特征数据以及训练类别属性进行学习训练，得到类别学习模型；

基于所述类别学习模型，识别所述有效特征数据的有效类别属性。

优选的，一种基于人工智能的后视镜组装生产方法，步骤2中，基于分析结果，将后视镜零件进行分类，包括：

获取分析结果，并提取所述分析结果中有效特征数据的有效类别属性；

基于所述有效类别属性控制工业机器人将所述后视镜零件进行分类，同时，对同类的后视镜零件进行标识，获得类别标识。

优选的，一种基于人工智能的后视镜组装生产方法，步骤4中，控制工业机器人获取合格零件，对所述后视镜零件进行柔性组装，包括：

获取已组装好的后视镜对应的组装方案；

确定与已组装好的后视镜的同批次中需要组装的后视镜的组装优先顺序；

所述组装优先顺序按照递减规律进行排列；

基于排列结果，提取每个已组装好的后视镜对应的组装方案中的关键词，并根据预设关键词匹配规则，将每个已组装好的后视镜对应的组装方案中的关键词与对应已组装好的后视镜的零件的有效类别属性进行匹配，获得匹配列表；

其中，组装方案中的关键词至少为一个，且每个关键词匹配一个后视镜的零件的有效类别属性，且已组装好的后视镜为多种后视镜零件的组合；

接收组装指令，来基于所述匹配列表获取最佳组装方案，并控制工业机器人对需要组装的后视镜进行组装。

优选的，一种基于人工智能的后视镜组装生产方法，步骤3中，根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，包括：

设定预设监测时间间隔；

基于所述预设监测时间间隔，并根据所述在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获得监测数据；

将所述监测数据进行老化值综合评估，获得评估老化值；

将所述评估老化值与预设老化值进行比较；

若所述评估老化值大于所述预设老化值，判定所述后视镜组装过程中用到的零件发生老化；

否则，判定所述后视镜组装过程中用到的零件未发生老化，并将对应的零件判定为合格零件。

优选的，一种基于人工智能的后视镜组装生产方法，判定所述后视镜组装过程中用到的零件发生老化后，将判定结果传输至工业机器人，包括：

判定所述后视镜组装过程中用到的零件发生老化后，获取数据传输请求；

基于所述数据传输请求，从规则数据库中，获取数据传输规则；

基于所述数据传输规则，将所述后视镜组装过程中用到的零件发生老化的判定结果发送至所述工业机器人；

基于判定结果，通过所述工业机器人对所述后视镜组装过程中用到的每个零件中发生老化的零件进行剔除，并采用新零件进行替换。

优选的，一种基于人工智能的后视镜组装生产方法，步骤3中，根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获取对应的老化值之后，还包括：

根据所述老化值计算所述后视镜组装过程中用到的每个零件的剩余使用寿命，具体过程包括：

根据如下公式计算所述后视镜组装过程中用到的每个零件的老化值：

其中，α表示所述后视镜组装过程中用到的每个零件的老化值；ε表示所述后视镜组装过程中用到的每个零件的老化系数；μ表示所述后视镜组装过程中用到的每个零件的抗摩擦系数；G表示所述后视镜组装过程中用到的每个零件的磨损程度值；Q表示所述后视镜组装过程中用到的每个零件所处环境的温度值；B表示所述后视镜组装过程中用到的每个零件所能承受的挤压力；

根据如下公式计算所述后视镜组装过程中用到的每个零件的剩余使用寿命：

其中，δ表示所述后视镜组装过程中用到的每个零件的剩余使用寿命；α表示所述后视镜组装过程中用到的每个零件的老化值；I表示所述后视镜组装过程中用到的每个零件所处环境的温度值；S表示所述后视镜组装过程中用到的每个零件的受力面积值；P表示后视镜组装过程中用到的零件所处的大气压强值；T表示所述后视镜组装过程中用到的每个零件的理想使用时间值；t表示所述后视镜组装过程中用到的每个零件已经使用的时间值；B表示所述后视镜组装过程中用到的每个零件所能承受的挤压力；U表示所述后视镜组装过程中用到的每个零件的疲劳系数；R表示所述后视镜组装过程中用到的每个零件的材料系数；

将计算得到的剩余使用寿命与预设使用寿命进行比较；

若所述剩余使用寿命小于所述预设使用寿命，判定所述后视镜组装过程中用到的零件严重老化，并将严重老化的零件进行剔除并采用新零件进行替换；

否则，判定所述后视镜组装过程中用到的零件未老化，并定义为合格零件。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于人工智能及工业机器人的后视镜组装生产线的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1：

本实施例提供了一种基于人工智能的后视镜组装生产方法，如图1所示，包括：

步骤1：获取后视镜零件图像，并基于人工智能技术对所述后视镜零件图像进行特征提取并分析；

步骤2：基于分析结果，将后视镜零件进行分类；

步骤3：根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获取对应的老化值；

步骤4：基于分类结果以及老化值结果，控制工业机器人获取合格零件，对所述后视镜零件进行柔性组装。

该实施例中，特征指的是能够代表后视镜型号、材料等的图像属性，其中，由于后视镜的零件上会粘贴有自身的型号、材料等纸质标签，因此，通过对其进行拍照，便于有效获取其的特征。

该实施例中，柔性组装指的是能够根据需要，改变后视镜的组装方法或者尺寸等，能够重组。

该实施例中，在线老化状态智能识别技术是预先设定好的，能够通过获取后视镜组装时监测到的零件数据判断后视镜组装时用到的零件是否发生老化；

其中，老化指的是发生老化的仪器零件的性能与合格的零件相比有所下降。

上述技术方案的有益效果是：通过人工智能对获取到的后视镜图像进行处理，并通过工业机器人对后视镜进行柔性组装，实现对后视镜组装的灵活变换，且监测后视镜组装过程中用到的每个零件的的老化值，便于及时采取解决措施，克服传统后视镜组装的缺陷。

实施例2：

在上述实施例1的基础上，本实施例提供了一种基于人工智能的后视镜组装生产方法，步骤1中，获取后视镜零件图像，包括：

对后视镜零件进行拍摄，得到待获取图像；

在待获取图像的预览区域中确定目标区域；

基于目标区域面积与预览区域面积的当前比例，确定所述目标区域的缩放倍数；

对所述目标区域进行补光，并确定补光程度；

基于所述补光程度，并按照所述缩放倍数对所述目标区域进行缩放，并获取所述目标区域中所述后视镜零件图像。

该实施例中，预览区域指的是捕捉到的呈现后视镜图像的区域。

该实施例中，目标区域指的是预览区域中的中心区域，能够将后视镜图像进行完整的成像区域。

该实施例中，缩放倍数指的是通过人工智能对获得到的后视镜零件图像进行缩放，根据需要对图像进行放大或缩小，便于观察图像的细节特征。

上述技术方案的有益效果是：通过获取后视镜零件图像，便于根据图像确定后视镜零件的型号、尺寸等，便于实现根据用于需要对后视镜进行柔性组装，提高对后视镜的组装灵活性。

实施例3：

在上述实施例1的基础上，本实施例提供了一种基于人工智能的后视镜组装生产方法，步骤1中，对所述后视镜零件图像进行特征提取并分析的过程，包括：

获取所述后视镜零件图像，并对所述后视镜零件图像进行配准，获得配准后的图像；

将所述配准后的图像划分为多个结构化子图像，并通过预设的特征模型提取每个结构化子图像的视觉特征；

同时，获取所述视觉特征的分布，得到对应所述结构化子图像的空间分布特征；

对每个结构化子图像中的空间分布特征进行结构化融合，得到结构化特征，并通过预设结构化模型对所述结构化特征进行特征提取，得到目标数据；

判断所述目标数据是否存在异常数据；

若存在，接收数据校验请求，并根据所述数据校验请求，来获取预设校验算法以及与所述预设校验算法相对应的一组或多组校验数据；

基于所述预设校验算法以及校验数据对所述异常数据进行校验，进而实现对所述目标数据的校验；

根据预设正确性检测规则对校验后的目标数据进行检测，获得有效特征数据和无效特征数据，并将所述无效特征数据剔除；

分析所述有效特征数据的数据类型，并获取相关的有效类别属性，具体过程包括；

从预设数据库中调取与数据类型相关的训练样本；

提取所述训练样本的训练特征数据以及训练类别属性，并基于机器学习模型对数据类型、对应的训练特征数据以及训练类别属性进行学习训练，得到类别学习模型；

基于所述类别学习模型，识别所述有效特征数据的有效类别属性。

该实施例中，配准指同一区域内以不同成像手段所获得的后视镜不同角度图像图形的匹配，包括几何纠正、投影变换与统一比例尺三方面的处理。

该实施例中，结构化子图像指的是将后视镜零件图像进行划分，且对对一个子图像内部的特征进行整理。

该实施例中，视觉特征指的是能够通过人眼清楚的看到后视镜零件图像上的区别点。

该实施例中，空间分布特征又称几何特征或定位特征,用来表示后视镜图像中具有显著特征的局部图像在后视镜图像中的分布情况。

该实施例中，结构化特征数据指的是后视镜图像特征对应的数据形式。

该实施例中，预设校验算法是预先设定好的，用来通过一定的计算或者手段对待校验数据进行校验计算。

该实施例中，校验数据是用来作为一种校验工具，和后视镜特征数据中的异常数据进行比较，从而实现对后视镜特征数据中异常数据的校准。

该实施例中，异常数据指的是特征数据中影响特征数据的表达效果或影响特征数据的排列结果的数据。

该实施例中，预设的数据类型提取算法是预先设定好的。

该实施例中，有效类别属性指的是能够代表后视镜零件图像中提取到的有效特征数据类别的属性值。

上述技术方案的有益效果是：通过人工智能对获取的后视镜零件的图像进行特征提取，并转换为相应的特征数据，从而根据数据判断后视镜零件的类别信息，确保通过人工智能准确的对后视镜零件的类别进行判定，为根据用户需要对后视镜进行柔性组装时提供了便利，从而提高了后视镜组装时的组装效率，克服传统后视镜组装的缺陷。

实施例4：

在上述实施例1的基础上，本实施例提供了一种基于人工智能的后视镜组装生产方法，步骤2中，基于分析结果，将后视镜零件进行分类，包括：

获取分析结果，并提取所述分析结果中有效特征数据的有效类别属性；

基于所述有效类别属性控制工业机器人将所述后视镜零件进行分类，同时，对同类的后视镜零件进行标识，获得类别标识。

该实施例中，有效的特征数据指的是能够代表后视镜的形状、材料、型号等的一些数据，并且该数据中没有异常数据；

其中，异常数据指的是会对后视镜型号产生误判的数据。

上述技术方案的有益效果是：通过确定后视镜类别属性信息，对不同型号的后视镜进行分组并标识，便于在对后视镜进行组装时，快速查找到像对应的后视镜零件型号组，实现快速对后视镜进行柔性组装。

实施例5：

在上述实施例1的基础上，本实施例提供了一种基于人工智能的后视镜组装生产方法，其特征在于，步骤4中，控制工业机器人获取合格零件，对所述后视镜零件进行柔性组装，包括：

获取已组装好的后视镜对应的组装方案；

确定与已组装好的后视镜的同批次中需要组装的后视镜的组装优先顺序；

所述组装优先顺序按照递减规律进行排列；

基于排列结果，提取每个已组装好的后视镜对应的组装方案中的关键词，并根据预设关键词匹配规则，将每个已组装好的后视镜对应的组装方案中的关键词与对应已组装好的后视镜的零件的有效类别属性进行匹配，获得匹配列表；

其中，组装方案中的关键词至少为一个，且每个关键词匹配一个后视镜的零件的有效类别属性，且已组装好的后视镜为多种后视镜零件的组合；

接收组装指令，来基于所述匹配列表获取最佳组装方案，并控制工业机器人对需要组装的后视镜进行组装。

该实施例中，后视镜组装方案指的是对后视镜的组装形状或者尺寸做出相应的设计或者规划。

该实施例中，每一种后视镜组装方案对应的已组装好的后视镜数量指的是预先设定好的，计划组装后视镜的数量，例如是10000个。

该实施例中，关键词指的是能够代表后视镜组装方案中需要的的零件型号的数据。

该实施例中，预设关键词匹配规则是预先设定的，可以是一对一，也可以是一对多。

上述技术方案的有益效果是：通过接收组装指令，并根据组装指令相对应的组装方案对后视镜进行组装，便于快速实现不同方案之间的组装切换，提高了后视镜组装时切换的灵活性，实现了对后视镜的柔性组装。

实施例6：

在上述实施例1的基础上，本实施例提供了一种基于人工智能的后视镜组装生产方法，步骤3中，根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，包括：

设定预设监测时间间隔；

基于所述预设监测时间间隔，并根据所述在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获得监测数据；

将所述监测数据进行老化值综合评估，获得评估老化值；

将所述评估老化值与预设老化值进行比较；

若所述评估老化值大于所述预设老化值，判定所述后视镜组装过程中用到的零件发生老化；

否则，判定所述后视镜组装过程中用到的零件未发生老化，并将对应的零件判定为合格零件。

该实施例中，预设监测时间间隔是预先设定好的，可以是5分钟、10分钟。

该实施例中，在线老化状态智能识别技术是一种通过一定手段或者规则能够检测后视镜组装过程中用到的零件老化程度的一种方法。

该实施例中，监测数据指的是表示后视镜组装过程中用到的每一个零件的状态信息。

上述技术方案的有益效果是：通过在线老化状态智能识别技术对后视镜组装过程中用到的零件进行监测，并获取监测数据，通过对数据进行计算获得后视镜组装过程中用到的零件的老化值，便于根据计算的老化值对后视镜组装过程中用到的每一个零件进行监控，提高后视镜组装的安全系数。

实施例7：

在上述实施例6的基础上，本实施例提供了一种基于人工智能的后视镜组装生产方法，判定所述后视镜组装过程中用到的零件发生老化后，将判定结果传输至工业机器人，包括：

判定所述后视镜组装过程中用到的零件发生老化后，获取数据传输请求；

基于所述数据传输请求，从规则数据库中，获取数据传输规则；

基于所述数据传输规则，将所述后视镜组装过程中用到的零件发生老化的判定结果发送至所述工业机器人；

基于判定结果，通过所述工业机器人对所述后视镜组装过程中用到的每个零件中发生老化的零件进行剔除，并采用新零件进行替换。

该实施例中，数据传输规则指的是用来规范后视镜判定结果在传输时的一种方法，实现判定结果无失真传输。

上述技术方案的有益效果是：通过获取数据传输需要的传输规则，实现对数据的安全传输，并在工业机器人接收数据后实现对后视镜组装过程中的老化零件进行剔除，提高了后视镜组装时的安全系数，实现对后视镜组装安全的严格把控。

实施例8：

在上述实施例1的基础上，本实施例提供了一种基于人工智能的后视镜组装生产方法，步骤3中，根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获取对应的老化值之后，还包括：

根据所述老化值计算所述后视镜组装过程中用到的每个零件的剩余使用寿命，具体过程包括：

根据如下公式计算所述后视镜组装过程中用到的每个零件的老化值：

其中，α表示所述后视镜组装过程中用到的每个零件的老化值；ε表示所述后视镜组装过程中用到的每个零件的老化系数；μ表示所述后视镜组装过程中用到的每个零件的抗摩擦系数；G表示所述后视镜组装过程中用到的每个零件的磨损程度值；Q表示所述后视镜组装过程中用到的每个零件所处环境的温度值；B表示所述后视镜组装过程中用到的每个零件所能承受的挤压力；

根据如下公式计算所述后视镜组装过程中用到的每个零件的剩余使用寿命：

其中，δ表示所述后视镜组装过程中用到的每个零件的剩余使用寿命；α表示所述后视镜组装过程中用到的每个零件的老化值；I表示所述后视镜组装过程中用到的每个零件所处环境的温度值；S表示所述后视镜组装过程中用到的每个零件的受力面积值；P表示后视镜组装过程中用到的零件所处的大气压强值；T表示所述后视镜组装过程中用到的每个零件的理想使用时间值；t表示所述后视镜组装过程中用到的每个零件已经使用的时间值；B表示所述后视镜组装过程中用到的每个零件所能承受的挤压力；U表示所述后视镜组装过程中用到的每个零件的疲劳系数；R表示所述后视镜组装过程中用到的每个零件的材料系数；

将计算得到的剩余使用寿命与预设使用寿命进行比较；

若所述剩余使用寿命小于所述预设使用寿命，判定所述后视镜组装过程中用到的零件严重老化，并将严重老化的零件进行剔除，并采用新零件进行替换；

否则，判定所述后视镜组装过程中用到的零件未老化，并定义为合格零件。

该实施例中，老化系数的取值范围为(0.2，0.6)。

该实施例中，抗摩擦系数的取值范围为[0.3,0.5]。

该实施例中，疲劳系数的取值范围为(0.3，0.5)。

该实施例中，预设使用寿命是提前设定好的，指的是生产线在自然老化下所能使用的时间长度。

上述技术方案的有益效果是：通过计算所述后视镜组装过程中用到的每个零件的老化值，并根据所述老化值计算所述后视镜组装过程中用到的每个零件的剩余使用寿命。在计算老化值时，涉及后视镜组装过程中所需零件的使用时间、抗摩擦系数以及生产线所处的环境影响因素值等，确保在计算老化值时涉及到影响零件老化的多种因素，使得计算结果更加准确可靠，在计算剩余使用寿命时，涉及后视镜组装过程中用到的零件的理想使用时间，已经使用的时间以及在工作过程中所承受的挤压力、疲劳系数等，从外界、内部因素，综合计算后视镜组装过程中用到的零件的剩余使用寿命，使得计算结果准确有效，此方案确保了对后视镜组装过程中用到的零件的老化值的准确计算，并根据老化值实现对后视镜组装过程中用到的零件剩余使用寿命进行计算，比便于用户根据计算结果及时采取相应措施，确保后视镜能够安全组装，提高了后视镜使用时的安全系数。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于人工智能的后视镜组装生产方法，其特征在于，包括：

步骤1：获取后视镜零件图像，并基于人工智能技术对所述后视镜零件图像进行特征提取并分析；

步骤2：基于分析结果，将后视镜零件进行分类；

步骤3：根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获取对应的老化值；

步骤4：基于分类结果以及老化值结果，控制工业机器人获取合格零件，对所述后视镜零件进行柔性组装。

2.如权利要求1所述的一种基于人工智能的后视镜组装生产方法，其特征在于，步骤1中，获取后视镜零件图像，包括：

对后视镜零件进行拍摄，得到待获取图像；

在待获取图像的预览区域中确定目标区域；

基于目标区域面积与预览区域面积的当前比例，确定所述目标区域的缩放倍数；

对所述目标区域进行补光，并确定补光程度；

基于所述补光程度，并按照所述缩放倍数对所述目标区域进行缩放，并获取所述目标区域中所述后视镜零件图像。

3.如权利要求1所述的一种基于人工智能的后视镜组装生产方法，其特征在于，步骤1中，对所述后视镜零件图像进行特征提取并分析的过程，包括：

获取所述后视镜零件图像，并对所述后视镜零件图像进行配准，获得配准后的图像；

将所述配准后的图像划分为多个结构化子图像，并通过预设的特征模型提取每个结构化子图像的视觉特征；

同时，获取所述视觉特征的分布，得到对应所述结构化子图像的空间分布特征；

对每个结构化子图像中的空间分布特征进行结构化融合，得到结构化特征，并通过预设结构化模型对所述结构化特征进行特征提取，得到目标数据；

判断所述目标数据是否存在异常数据；

若存在，接收数据校验请求，并根据所述数据校验请求，来获取预设校验算法以及与所述预设校验算法相对应的一组或多组校验数据；

基于所述预设校验算法以及校验数据对所述异常数据进行校验，进而实现对所述目标数据的校验；

根据预设正确性检测规则对校验后的目标数据进行检测，获得有效特征数据和无效特征数据，并将所述无效特征数据剔除；

分析所述有效特征数据的数据类型，并获取相关的有效类别属性，具体过程包括；

从预设数据库中调取与数据类型相关的训练样本；

提取所述训练样本的训练特征数据以及训练类别属性，并基于机器学习模型对数据类型、对应的训练特征数据以及训练类别属性进行学习训练，得到类别学习模型；

基于所述类别学习模型，识别所述有效特征数据的有效类别属性。

4.如权利要求1所述的一种基于人工智能的后视镜组装生产方法，其特征在于，步骤2中，基于分析结果，将后视镜零件进行分类，包括：

获取分析结果，并提取所述分析结果中有效特征数据的有效类别属性；

基于所述有效类别属性控制工业机器人将所述后视镜零件进行分类，同时，对同类的后视镜零件进行标识，获得类别标识。

5.如权利要求1所述的一种基于人工智能的后视镜组装生产方法，其特征在于，步骤4中，控制工业机器人获取合格零件，对所述后视镜零件进行柔性组装，包括：

获取已组装好的后视镜对应的组装方案；

确定与已组装好的后视镜的同批次中需要组装的后视镜的组装优先顺序；

所述组装优先顺序按照递减规律进行排列；

基于排列结果，提取每个已组装好的后视镜对应的组装方案中的关键词，并根据预设关键词匹配规则，将每个已组装好的后视镜对应的组装方案中的关键词与对应已组装好的后视镜的零件的有效类别属性进行匹配，获得匹配列表；

其中，组装方案中的关键词至少为一个，且每个关键词匹配一个后视镜的零件的有效类别属性，且已组装好的后视镜为多种后视镜零件的组合；

接收组装指令，来基于所述匹配列表获取最佳组装方案，并控制工业机器人对需要组装的后视镜进行组装。

6.如权利要求1所述的一种基于人工智能的后视镜组装生产方法，其特征在于，步骤3中，根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，包括：

设定预设监测时间间隔；

基于所述预设监测时间间隔，并根据所述在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获得监测数据；

将所述监测数据进行老化综合评估，获得评估老化值；

将所述评估老化值与预设老化值进行比较；

若所述评估老化值大于所述预设老化值，判定所述后视镜组装过程中用到的零件发生老化；

否则，判定所述后视镜组装过程中用到的零件未发生老化，并将对应的零件判定为合格零件。

7.如权利要求6所述的一种基于人工智能的后视镜组装生产方法，其特征在于，判定所述后视镜组装过程中用到的零件发生老化后，将判定结果传输至工业机器人，包括：

判定所述后视镜组装过程中用到的零件发生老化后，获取数据传输请求；

基于所述数据传输请求，从规则数据库中，获取数据传输规则；

基于所述数据传输规则，将所述后视镜组装过程中用到的零件发生老化的判定结果发送至所述工业机器人；

基于判定结果，通过所述工业机器人对所述后视镜组装过程中用到的每个零件中发生老化的零件进行剔除，并采用新零件进行替换。

8.如权利要求1所述的一种基于人工智能的后视镜组装生产方法，其特征在于，步骤3中，根据在线老化状态智能识别技术对后视镜组装过程中用到的每个零件进行监测，并获取对应的老化值之后，还包括：

根据所述老化值计算所述后视镜组装过程中用到的每个零件的剩余使用寿命，具体过程包括：

根据如下公式计算所述后视镜组装过程中用到的每个零件的老化值：

其中，α表示所述后视镜组装过程中用到的每个零件的老化值；ε表示所述后视镜组装过程中用到的每个零件的老化系数；μ表示所述后视镜组装过程中用到的每个零件的抗摩擦系数；G表示所述后视镜组装过程中用到的每个零件的磨损程度值；Q表示所述后视镜组装过程中用到的每个零件所处环境的温度值；B表示所述后视镜组装过程中用到的每个零件所能承受的挤压力；

根据如下公式计算所述后视镜组装过程中用到的每个零件的剩余使用寿命：

其中，δ表示所述后视镜组装过程中用到的每个零件的剩余使用寿命；α表示所述后视镜组装过程中用到的每个零件的老化值；I表示所述后视镜组装过程中用到的每个零件所处环境的温度值；S表示所述后视镜组装过程中用到的每个零件的受力面积值；P表示后视镜组装过程中用到的零件所处的大气压强值；T表示所述后视镜组装过程中用到的每个零件的理想使用时间值；t表示所述后视镜组装过程中用到的每个零件已经使用的时间值；B表示所述后视镜组装过程中用到的每个零件所能承受的挤压力；U表示所述后视镜组装过程中用到的每个零件的疲劳系数；R表示所述后视镜组装过程中用到的每个零件的材料系数；

将计算得到的剩余使用寿命与预设使用寿命进行比较；

若所述剩余使用寿命小于所述预设使用寿命，判定所述后视镜组装过程中用到的零件老化，并将老化的零件进行剔除，并采用新零件进行替换；

否则，判定所述后视镜组装过程中用到的零件未老化，并定义为合格零件。

Images