CN114331973A - 一种适用于油气模块制造过程的钢结构信息提取方法 - Google Patents
一种适用于油气模块制造过程的钢结构信息提取方法 Download PDFInfo
- Publication number
- CN114331973A CN114331973A CN202111495100.2A CN202111495100A CN114331973A CN 114331973 A CN114331973 A CN 114331973A CN 202111495100 A CN202111495100 A CN 202111495100A CN 114331973 A CN114331973 A CN 114331973A
- Authority
- CN
- China
- Prior art keywords
- bounding box
- steel structure
- point
- serial number
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 71
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 49
- 239000010959 steel Substances 0.000 title claims abstract description 49
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010147 laser engraving Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于油气模块制造过程的钢结构信息提取方法,包括:激光刻印钢结构生产序号并存储在数据库中,CCD视觉相机拍摄钢结构表面生产序号,在python中导入滤波算法对图片进行降噪处理,在python中进行图像找正处理,使用MLP神经网络算法进行图像生产序号预测模型的训练,识别现场钢结构生产序号信息,通过网络将识别信息发送到服务端并将信息展示在显示屏上。本发明相较于传统方法,能够有效解决油气模块制造过程中信息查找工作繁琐、信息获取量少、信息完整性差等问题,是一种高效可靠、通用性强、适应性强的方法。
Description
技术领域
本发明涉及一种信息提取方法,尤其涉及一种适用于油气模块制造过程的钢结构信息提取方法。
背景技术
油气模块是由各类钢结构焊接而成,钢结构种类繁杂、数目众多,对每一个钢结构的信息进行准确的获取和对应十分困难。在许多制造领域都采用了条码、RFID标识等手段方便信息的查询,但在油气模块制造时通过伴随着强风气流、焊接高温等极端气候,普通的标签并不能适用于现场作业环境。目前油气模块的制造过程中,现场的工程师仍然采用纸质图纸的方式查找钢结构的信息,查找效率低下,查找信息有限,并不能完全满足实际工程需求,在油气模块制造过程中亟需一种高效稳定、便捷易行的信息提取方法。
发明内容
本发明的目的在于克服已有技术的缺点,提供一种可以提升钢结构基本信息提取速度、提高现场作业各类零部件信息准确性、保障油气模块制造过程顺利进行、适应复杂作业环境、通用性强、查找方式简单的适用于油气模块制造过程的钢结构信息提取方法。
本发明的一种适用于油气模块制造过程的钢结构信息提取方法,包括以下步骤:
步骤一、在油气模块各类钢结构建造时,利用激光在钢结构的表面刻印出唯一的生产序号,将生产序号与该钢结构的各类基本信息以键值对形式存储于服务器端的数据库中,其中生产序号为键,各类基本信息为值;
步骤二、利用CCD视觉相机对钢结构表面的生产序号进行拍照,拍照时使CCD视觉相机的镜头平面与钢结构表面平行,将拍摄的图片通过工业以太网传输至计算机中;
步骤三、在python编程环境中打开CCD视觉相机拍摄的照片,依次导入中值滤波算法、维纳滤波算法对照片进行降噪处理,得到降噪处理图像;
步骤四、在计算机中对降噪处理图像进行找正处理,具体过程如下:
第一步,在Python中导入numpy模块,对步骤二得到的降噪处理图像进行离散点坐标提取操作,获得所有离散点中横坐标最大的点A1、横坐标最小的点A2、纵坐标最大的点B1、纵坐标最小的点B2,根据四点创建第一包围盒和第二包围盒,两个包围盒均为矩形并建立每个包围盒的四条边的直线方程;其中第一包围盒第一条边和第二条边平行于直线A1A2,且第一条边穿过点B1、第二条边穿过点B2,第三条边穿过点A1、第四条边穿过点A2;第二包围盒第一条边和第二条边平行于直线B1B2,且第一条边穿过点A1,第二条边穿过点A2,第三条边穿过点B1,第四条边穿过B2
第二步,在Python中导入K-means模块,分别导入第一步得到的第一包围盒四条边方程以及第二包围盒四条边方程,并利用聚类算法计算得到第一包围盒中离散点数目n1、第二包围盒中离散点数目n2,比较n1和n2,选择包含离散点数目最多的包围盒作为序号包围盒并求取序号包围盒长边的斜率;
第三步,结合第一步和第二步计算得到序号包围盒倾斜角度θ并求取序号包围盒中心点坐标,θ指序号包围盒长边与x轴夹角;
第四步、将第一步用到的降噪处理图像绕序号包围盒中心点按照倾斜角度θ进行顺时针旋转,得到找正处理图像;
步骤五、利用MLP神经网络算法进行图像生产序号预测模型的训练,具体过程如下:
第一步,多次重复步骤二至步骤四获得大量的找正处理图像,作为图像样本,由人工确定每个图像样本对应的生产序号;
第二步,在python中导入神经网络模块,提取一个第一步得到的图像样本利用MPL神经网络算法进行生产序号识别,得到图像样本的识别结果;
第三步,判断识别结果是否与人工辨识的生产序号结果相匹配,如果匹配失败则返回第二步重新利用MPL神经网络算法对该图像样本进行生产序号识别;如果匹配成功则返回第二步提取下一个图像样本进行生产序号识别,直到所有图像样本都能成功识别,得到图像生产序号识别模型;
步骤六、在油气模块的实际作业中,选取一个钢结构体,依次经过步骤二、步骤三、步骤四过程,在python中对步骤四得到的找正处理图像利用步骤五得到的图像生产序号预测模型进行计算,得到该钢结构的生产序号;
步骤七、计算机通过网络向服务端发送请求,在服务器的数据库中找到与步骤六的生产序列相对应的钢结构并将该钢结构的基本信息通过网络传输展示在作业现场的展示屏上,方便现场作业。
本发明的优点:采用服务器远程数据库存储各类钢结构的基本信息,既保证了信息的完整性和全面性,也保证了在作业现场的多端使用;利用激光刻码的形式在钢结构上添加生产序号,能够使得生产序号耐受高温制造现场的环境,同时抵御服役期间的腐蚀和损坏;使用神经网络得到图像字符预测模型完成对生产序号的识别工作,能够大幅度提高识别效率和准确性;主要的计算和数据处理都集中在作业之前,信息查找时的计算量较少,提高信息查找的效率;能够有效解决油气模块制造过程中信息查找工作繁琐、信息获取量少、信息完整性差等问题,是一种高效可靠、通用性强、适应性强的方法。
附图说明
图1是一种适用于油气模块制造过程的钢结构信息提取方法流程图;
图2是一种适用于油气模块制造过程的钢结构信息提取方法数据传输示意图;
图3是一种适用于油气模块制造过程的钢结构信息提取方法包围盒设定示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细描述。
如附图所述的本发明的一种适用于油气模块制造过程的钢结构信息提取方法,包括以下步骤:
步骤一、在油气模块各类钢结构建造时,利用激光在钢结构的表面刻印出唯一的生产序号,将生产序号与该钢结构的各类基本信息(如长度信息)以键值对形式存储于服务器端的数据库中,其中生产序号为键,各类基本信息为值。
步骤二、利用CCD视觉相机对钢结构表面的生产序号进行拍照,拍照时使CCD视觉相机的镜头平面与钢结构表面平行,将拍摄的图片通过工业以太网传输至计算机中。
步骤三、在python编程环境中打开CCD视觉相机拍摄的照片,依次导入中值滤波算法、维纳滤波算法对照片进行降噪处理,得到降噪处理图像。
步骤四、在计算机中对降噪处理图像进行找正处理,具体过程如下:
第一步,在Python中导入numpy模块,对步骤二得到的降噪处理图像进行离散点坐标提取操作,获得所有离散点中横坐标最大的点A1、横坐标最小的点A2、纵坐标最大的点B1、纵坐标最小的点B2,根据四点创建第一包围盒和第二包围盒,两个包围盒均为矩形并建立每个包围盒的四条边的直线方程。其中第一包围盒第一条边和第二条边平行于直线A1A2,且第一条边穿过点B1、第二条边穿过点B2,第三条边穿过点A1、第四条边穿过点A2。第二包围盒第一条边和第二条边平行于直线B1B2,且第一条边穿过点A1,第二条边穿过点A2,第三条边穿过点B1,第四条边穿过B2。由此可知第一包围盒第一、二、三、四条边方程分别为:
第二包围盒第一、二、三、四条边方程分别为:
式中,x1、y1分别表示A1点横坐标、纵坐标,x2、y2分别表示A2点横坐标、纵坐标,x3、y3分别表示B1点横坐标、纵坐标,x4、y4分别表示B2点横坐标、纵坐标;kiA表示第一包围盒第i边斜率。kiB表示第二包围盒第i边斜率。biA表示第一包围盒第i边截距,biB表示第二包围盒第i边截距。
第二步,在Python中导入K-means模块,分别导入第一步得到的第一包围盒四条边方程以及第二包围盒四条边方程,并利用聚类算法计算得到第一包围盒中离散点数目n1、第二包围盒中离散点数目n2,比较n1和n2,选择包含离散点数目最多的包围盒作为序号包围盒并求取序号包围盒长边的斜率,过程如下:
记序号包围盒第i边的方程为
y=kix+bi
易知ki=kiA或kiB,bi=biA或biB。
设序号包围盒第一条边与第三条边的交点为C13,第一条边与第四条边的交点为C14,第二条边与第三条边的交点为C23。C13的坐标可由第一条边与第三条边方程联立求得,C14,C23同理可求。比较线段C13C23与线段C13C14的长短,记较长线段的斜率为k
第三步,结合第一步和第二步计算得到序号包围盒倾斜角度θ并求取序号包围盒中心点坐标,θ指序号包围盒长边与x轴夹角。
θ=arctank
设序号包围盒中心点坐标为(x0,y0),则有
式中,x14、y14表示点C14的横坐标、纵坐标,x23、y23表示点C23的横坐标、纵坐标;
第四步、将第一步用到的降噪处理图像绕序号包围盒中心点(x0,y0)按照倾斜角度θ进行顺时针旋转,得到找正处理图像。
步骤五、利用MLP神经网络算法进行图像生产序号预测模型的训练,具体过程如下:
第一步,多次重复步骤二至步骤四获得大量的找正处理图像,作为图像样本,由人工确定每个图像样本对应的生产序号。
第二步,在python中导入神经网络模块,提取一个第一步得到的图像样本利用MPL神经网络算法进行生产序号识别,得到图像样本的识别结果;
第三步,判断识别结果是否与人工辨识的生产序号结果相匹配,如果匹配失败则返回第二步重新利用MPL神经网络算法对该图像样本进行生产序号识别(神经网络训练过程中会自动强化模型,使下次识别更接近正确)。如果匹配成功则返回第二步提取下一个图像样本进行生产序号识别,直到所有图像样本都能成功识别,得到图像生产序号识别模型。
步骤六、在油气模块的实际作业中,选取一个钢结构体,依次经过步骤二、步骤三、步骤四过程,在python中对步骤四得到的找正处理图像利用步骤五得到的图像生产序号预测模型进行计算,得到该钢结构的生产序号。
步骤七、计算机通过网络向服务端发送请求,在服务器的数据库中找到与步骤六的生产序列相对应的钢结构并将该钢结构的基本信息通过网络传输展示在作业现场的展示屏上,方便现场作业。
Claims (1)
1.一种适用于油气模块制造过程的钢结构信息提取方法,其特征在于包括以下步骤:
步骤一、在油气模块各类钢结构建造时,利用激光在钢结构的表面刻印出唯一的生产序号,将生产序号与该钢结构的各类基本信息以键值对形式存储于服务器端的数据库中,其中生产序号为键,各类基本信息为值;
步骤二、利用CCD视觉相机对钢结构表面的生产序号进行拍照,拍照时使CCD视觉相机的镜头平面与钢结构表面平行,将拍摄的图片通过工业以太网传输至计算机中;
步骤三、在python编程环境中打开CCD视觉相机拍摄的照片,依次导入中值滤波算法、维纳滤波算法对照片进行降噪处理,得到降噪处理图像;
步骤四、在计算机中对降噪处理图像进行找正处理,具体过程如下:
第一步,在Python中导入numpy模块,对步骤二得到的降噪处理图像进行离散点坐标提取操作,获得所有离散点中横坐标最大的点A1、横坐标最小的点A2、纵坐标最大的点B1、纵坐标最小的点B2,根据四点创建第一包围盒和第二包围盒,两个包围盒均为矩形并建立每个包围盒的四条边的直线方程;其中第一包围盒第一条边和第二条边平行于直线A1A2,且第一条边穿过点B1、第二条边穿过点B2,第三条边穿过点A1、第四条边穿过点A2;第二包围盒第一条边和第二条边平行于直线B1B2,且第一条边穿过点A1,第二条边穿过点A2,第三条边穿过点B1,第四条边穿过B2
第二步,在Python中导入K-means模块,分别导入第一步得到的第一包围盒四条边方程以及第二包围盒四条边方程,并利用聚类算法计算得到第一包围盒中离散点数目n1、第二包围盒中离散点数目n2,比较n1和n2,选择包含离散点数目最多的包围盒作为序号包围盒并求取序号包围盒长边的斜率;
第三步,结合第一步和第二步计算得到序号包围盒倾斜角度θ并求取序号包围盒中心点坐标,θ指序号包围盒长边与x轴夹角;
第四步、将第一步用到的降噪处理图像绕序号包围盒中心点按照倾斜角度θ进行顺时针旋转,得到找正处理图像;
步骤五、利用MLP神经网络算法进行图像生产序号预测模型的训练,具体过程如下:
第一步,多次重复步骤二至步骤四获得大量的找正处理图像,作为图像样本,由人工确定每个图像样本对应的生产序号;
第二步,在python中导入神经网络模块,提取一个第一步得到的图像样本利用MPL神经网络算法进行生产序号识别,得到图像样本的识别结果;
第三步,判断识别结果是否与人工辨识的生产序号结果相匹配,如果匹配失败则返回第二步重新利用MPL神经网络算法对该图像样本进行生产序号识别;如果匹配成功则返回第二步提取下一个图像样本进行生产序号识别,直到所有图像样本都能成功识别,得到图像生产序号识别模型;
步骤六、在油气模块的实际作业中,选取一个钢结构体,依次经过步骤二、步骤三、步骤四过程,在python中对步骤四得到的找正处理图像利用步骤五得到的图像生产序号预测模型进行计算,得到该钢结构的生产序号;
步骤七、计算机通过网络向服务端发送请求,在服务器的数据库中找到与步骤六的生产序列相对应的钢结构并将该钢结构的基本信息通过网络传输展示在作业现场的展示屏上,方便现场作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111495100.2A CN114331973B (zh) | 2021-12-08 | 2021-12-08 | 一种适用于油气模块制造过程的钢结构信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111495100.2A CN114331973B (zh) | 2021-12-08 | 2021-12-08 | 一种适用于油气模块制造过程的钢结构信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114331973A true CN114331973A (zh) | 2022-04-12 |
CN114331973B CN114331973B (zh) | 2024-06-04 |
Family
ID=81051165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111495100.2A Active CN114331973B (zh) | 2021-12-08 | 2021-12-08 | 一种适用于油气模块制造过程的钢结构信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331973B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574502A (zh) * | 2014-12-22 | 2015-04-29 | 博迈科海洋工程股份有限公司 | 基于钢结构模型的激光断面特征识别方法 |
CN108416355A (zh) * | 2018-03-09 | 2018-08-17 | 浙江大学 | 一种基于机器视觉的工业现场生产数据的采集方法 |
CN112749502A (zh) * | 2021-01-27 | 2021-05-04 | 天津博迈科海洋工程有限公司 | 油气平台模块分区域虚拟化装配轻量化方法 |
US20210201472A1 (en) * | 2019-12-30 | 2021-07-01 | Korea Advanced Institute Of Science And Technology | Method of inspecting and evaluating coating state of steel structure and system therefor |
-
2021
- 2021-12-08 CN CN202111495100.2A patent/CN114331973B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574502A (zh) * | 2014-12-22 | 2015-04-29 | 博迈科海洋工程股份有限公司 | 基于钢结构模型的激光断面特征识别方法 |
CN108416355A (zh) * | 2018-03-09 | 2018-08-17 | 浙江大学 | 一种基于机器视觉的工业现场生产数据的采集方法 |
US20210201472A1 (en) * | 2019-12-30 | 2021-07-01 | Korea Advanced Institute Of Science And Technology | Method of inspecting and evaluating coating state of steel structure and system therefor |
CN112749502A (zh) * | 2021-01-27 | 2021-05-04 | 天津博迈科海洋工程有限公司 | 油气平台模块分区域虚拟化装配轻量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114331973B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106041937B (zh) | 一种基于双目立体视觉的机械手抓取控制***的控制方法 | |
CN105740899B (zh) | 一种机器视觉图像特征点检测与匹配复合的优化方法 | |
CN105261022B (zh) | 一种基于外轮廓的pcb板卡匹配方法及装置 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN107977656A (zh) | 一种行人重识别方法及*** | |
CN102075785B (zh) | 一种atm机广角摄像机镜头畸变校正方法 | |
CN111429423B (zh) | 基于四元数多自由度神经元的多光谱焊接图像识别方法 | |
CN111144401A (zh) | 一种电厂集控室深度学习和视觉伺服的触屏控制操作方法 | |
CN109034237B (zh) | 基于卷积神经元网络路标和序列搜索的回环检测方法 | |
CN108694716B (zh) | 一种工件检测方法、模型训练方法及设备 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
CN111167731B (zh) | 一种产品分拣方法、产品分拣***和智能分拣机器人 | |
CN116579992A (zh) | 一种用于无人机巡检的小目标螺栓缺陷检测方法 | |
CN114092478B (zh) | 一种异常检测方法 | |
CN114972421A (zh) | 车间物料识别追踪与定位方法、*** | |
CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和*** | |
CN111783672A (zh) | 一种提高桥梁动位移精度的图像特征辨识方法 | |
CN108121806A (zh) | 一种基于局部特征匹配的图像搜索方法及*** | |
CN114235815A (zh) | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 | |
CN114219753A (zh) | 一种基于深度学习的电力设备表面缺陷检测方法及终端 | |
CN114331973B (zh) | 一种适用于油气模块制造过程的钢结构信息提取方法 | |
CN117152727A (zh) | 一种用于巡检机器人的指针式仪表自动读数方法 | |
CN107193965A (zh) | 一种基于BoVW算法的快速室内定位方法 | |
US20230360262A1 (en) | Object pose recognition method based on triangulation and probability weighted ransac algorithm | |
CN101894154A (zh) | 一种图像文档关键图案的提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |