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

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

一种适用于油气模块制造过程的钢结构信息提取方法

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；k_iA表示第一包围盒第i边斜率。k_iB表示第二包围盒第i边斜率。b_iA表示第一包围盒第i边截距，b_iB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＝k_ix+b_i

易知k_i＝k_iA或k_iB，b_i＝b_iA或b_iB。

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。

Images