CN116188440B - 一种轴承保持架的生产分析优化方法、设备及介质 - Google Patents
一种轴承保持架的生产分析优化方法、设备及介质 Download PDFInfo
- Publication number
- CN116188440B CN116188440B CN202310207193.7A CN202310207193A CN116188440B CN 116188440 B CN116188440 B CN 116188440B CN 202310207193 A CN202310207193 A CN 202310207193A CN 116188440 B CN116188440 B CN 116188440B
- Authority
- CN
- China
- Prior art keywords
- production
- parameters
- product
- specified
- determining
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 368
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 100
- 230000008569 process Effects 0.000 claims abstract description 29
- 239000000047 product Substances 0.000 claims description 230
- 230000000875 corresponding effect Effects 0.000 claims description 74
- 230000008859 change Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000010191 image analysis Methods 0.000 claims description 16
- 239000002994 raw material Substances 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 10
- 239000012467 final product Substances 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000004080 punching Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种轴承保持架的生产分析优化方法、设备及介质,涉及监督或预测目的的数据处理***或方法领域,包括:确定不符合预设要求的指定产品参数;调取各生产设备对应的产品加工图像;确定指定产品参数对应的多个第一生产设备,获取分别对应的第一产品加工图像;提取得到多个具有生产次序的原始图像特征;得到标准图像特征;根据标准图像特征在生产次序下的变化值,对各第一生产设备的生产参数进行分析优化。通过对产品加工图像分析得到的图像特征,来确定究竟是哪些生产设备需要进行调整,不再需要人工优化,保证了生产参数优化过程中的准确性,也提高了生产工作效率。
Description
技术领域
本申请涉及监督或预测目的的数据处理***或方法领域,具体涉及一种轴承保持架的生产分析优化方法、设备及介质。
背景技术
轴承是当代机械设备中一种重要零部件。通常来说,轴承保持架生产线需要用到多种生产设备,比如,卷料机用于卷料,整平机用于整平,冲压机用于冲压得到中间件等。
现有的生产线中往往采用自动控制***,对包含多种生产设备进行自动控制生产,一旦生产出的产品不符合规范,则需要人工对生产参数进行优化,费时费力且优化效果难以尽如人意。
发明内容
为了解决上述问题,本申请提出了一种轴承保持架的生产分析优化方法,包括:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化。
另一方面,本申请还提出了一种轴承保持架的生产分析优化设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化。
另一方面,本申请还提出了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化。
通过本申请提出轴承保持架的生产分析优化方法能够带来如下
有益效果:
若最终生产得到的轴承保持架不符合预设要求,则可以通过自动化的方式获取相应的产品加工图像,并通过对产品加工图像分析得到的图像特征,来确定究竟是哪些生产设备需要进行调整,从而对该生产设备的生产参数进行优化,不再需要人工优化,保证了生产参数优化过程中的准确性,也提高了生产工作效率。
传统生产分析优化方法中,往往是基于人工经验进行优化,其不仅不具备通用性,且优化的精度较差。本说明书实施例中提出的生产分析优化中,通过分析图像特征来表示轴承保持架的各项产品参数,将产品参数与生产设备关联起来,从而能够针对最适配的生产设备,优化其生产参数,实现自动化、科学化的分析优化过程。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中轴承保持架的生产分析优化方法的流程示意图;
图2为本申请实施例中轴承保持架的生产分析优化设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供一种轴承保持架的生产分析优化方法,包括:
S101:当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数。
不符合预设要求可以包括,生产得到的轴承保持架的良品率不符合预设要求,或者,生产得到的轴承保持架的产品参数(比如,产品尺寸等)不符合预设要求,或者,某几个轴承保持架的产品参数与要求差距特别大。
生产设备可以包括:行车、卷料机、整平机、冲压机、减料机、切底机、冲孔机、传送装置等。行车用于将金属板吊至对应的加工位置,而卷料机和整平机则分别用于对金属板进行卷料和整平。冲压机用于对金属板进行冲压分离,得到碗装件,切底机对其进行切底,冲孔机进行冲孔,而减料机则对冲压分离后的余料进行剪切,传送装置则用于对金属板、余料、碗装件、成品等进行运输。
可以通过监测生产设备的运行参数来确定其工作状态,比如,监测生产设备的运行时长、运行频率、故障报警信息、设备老化程度等,若是工作状态未出现异常,则说明是由于生产参数的设置,导致最终得到的轴承保持架不符合预设要求。其中,该判断规律最常适用于上文中“产品参数(比如,产品尺寸等)不符合预设要求”的这种情况。
当不符合预设要求的指定轴承保持架为多个时,可以综合考虑采集所有指定产品参数进行综合分析,或者针对每个指定轴承保持架,分别采集指定产品参数进行单独分析。
S102:调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件。
产品件可以指代原材料的金属板、金属板的加工余料、加工半成品的中间件、最终加工成品件的轴承保持架等,在此统称为产品件。
在轴承保持架生产线中,每个生产设备周围都设置有图像采集装置(基于实际需求,可能设置有一个或多个),该图像采集装置可以对生产设备、进入生产设备之前的产品件、生产设备进行加工后的产品件进行监控,并进行图像采集。
S103:根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像。
映射关系为预先设置的,其能够体现出每个生产设备能够对哪些产品参数产生影响。比如,整平机在工作过程中,需要对原材料进行压平,此时会对金属板的厚度产生影响,当然,在后续的工作过程中,冲压机等设备也可能会对产品厚度产生影响,但是两者之间是相对独立的工作行为,且整平机对于产品厚度的影响更大,故而在映射关系中,可以包括如下内容:整平机、冲压机与产品厚度之间具有映射关系,且整平机相比于冲压机的影响程度更高。当指定产品参数为产品厚度时,选取出的第一生产设备至少包括整平机、冲压机。
通常来说,每个产品参数都是对应于多个生产设备,并且越往后的生产设备所关联的产品参数越多,故而通常是每个产品参数在映射关系中都关联有多个生产设备。
具体地,针对单个轴承保持架完整的生产过程,确定该轴承保持架的各项初始产品参数,并生成产品参数集合。比如,当产品参数包括产品外边缘尺寸、产品内边缘尺寸、产品厚度、产品侧壁角度、穿孔数量、穿孔尺寸时,产品参数集合A={0,0,H,0,0,0},其中,0表示产品还未单独分离,无法测得对应的数值,H为原材料板的厚度。
获取每个生产设备进行加工后的产品加工图像,并根据在每张产品加工图像中根据提取出的图像特征,将初始产品参数进行更新,并得到更新后的产品参数集合。比如,经过整平机对原材料板进行整平后,厚度由H降低至h,此时,可以基于整平机对应的产品加工图像,进行图像分析得到对应的h值,将产品参数集合A更新为:A={0,0,h,0,0,0}。在经过所有的生产设备最终加工完成品后,即可得到最终的产品参数集合A。
针对每个生产设备,通过其在不同轴承保持架对应的产品参数集合A,求均值得到该生产设备对应的最终产品参数集合,并根据该生产设备对应的最终产品参数集合,相比于生产次序中上一个生产设备对应的最终产品参数集合的增量,确定该生产设备与各产品参数之间的映射关系。由此即可得到对应的映射关系,来用于后续通过指定产品参数来确定第一生产设备。
进一步地,此时根据映射关系确定各生产设备与指定产品参数之间的影响程度,并选取影响程度最高的若干个生产设备,作为第一生产设备。其中,影响程度也是预先设置的,其可以基于产品参数集合A得到,产品参数集合A中某个产品参数的增量越多,表示影响程度越高。
其中,若选取出的生产设备的数量超过预设阈值,则在其中进行筛除,且在筛除过程中,若存在多个生产设备的关联程度之差低于预设阈值,说明这两个生产设备对指定生产参数的影响程度大致相当,而上文中已经说过,生产次序靠后的生产设备关联的产品参数越多,故而筛除生产次序靠后的生产设备,从而将只有较小影响的生产设备筛除。
S104:根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数。
图像分析过程中,对于不同拍摄参数(比如,拍摄角度、拍摄位置等)得到的产品加工图像也不同,然而对于同一个生产设备,其对应的产品加工图像是较为固定的,故而针对不同的生产设备,根据不同的指定产品参数进行图像分析时,所采用的方式是较为固定的,其可以通过SIFT算法、SURF算法、MESR算法、卷积神经网络模型等来进行图像分析,从而得到相应的图像特征。而图像特征也是基于生产设备的生产次序,具有相应的生产次序。
S105:根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征。
原始图像特征能够形容指定产品参数,但是可能由于没有统一的标准,故而导致不利于进行准确的分析。比如,在多个不同的生产设备中,分别从侧面、斜侧面设置有图像采集装置,其在对应于尺寸相关的原始图像特征时,分别分析得到相应的像素值作为原始图像特征。然而此时由于两者的采集方向不同,故而像素值之间如果直接拿来比较,是具有一定误差的,故而将其进行标准化处理,得到标准图像特征。比如,以某个方向为基准值,将原始图像特征按比例缩放即可得到对应的标准图像特征。
S106:根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化。
若最终生产得到的轴承保持架不符合预设要求,则可以通过自动化的方式获取相应的产品加工图像,并通过对产品加工图像分析得到的图像特征,来确定究竟是哪些生产设备需要进行调整,从而对该生产设备的生产参数进行优化,不再需要人工优化,保证了生产参数优化过程中的准确性,也提高了生产工作效率。
传统生产分析优化方法中,往往是基于人工经验进行优化,其不仅不具备通用性,且优化的精度较差。本说明书实施例中提出的生产分析优化中,通过分析图像特征来表示轴承保持架的各项产品参数,将产品参数与生产设备关联起来,从而能够针对最适配的生产设备,优化其生产参数,实现自动化、科学化的分析优化过程。
进一步地,由于第一生产设备并不一定是相邻的生产设备,除了第一生产设备之外的其他设备也可能会对指定加工参数产生一些影响,然而由于并没有分析其他设备,所以可能会将其带来的影响归在该第一生产设备中。
基于此,根据生产次序,确定位于第一生产设备之前相邻的,且不属于第一生产设备的第二生产设备,并根据第二生产设备的生产参数,对第一生产设备对应的标准图像特征进行修正。比如,第二生产设备的生产参数中,对于标准图像特征有正向的一定程度的影响,此时,按照该影响进行负向调节,即可完成修正。当然,若是该第一生产设备之前相邻的也是第一生产设备,或者相邻的第二生产设备的生产参数无影响,则无需进行修正。确定修正后的标准图像特征在生产次序下的变化值,并根据变化值确定不符合所述预设要求的原始图像特征。其中,根据变化值确定时,首先在变化值中,确定变化值最大的若干个指定变化值。变化值越大,表示图像特征的变化越明显。比如,若指定变化值高于预设阈值(表示该图像特征对应的产品参数在本次的变化幅度过大,已经超过异常临界值,导致产品不符合要求),或,对指定变化值以及其之前的所有变化值求和之后的值高于预设阈值(表示虽然本次的变化幅度未达到异常临界值,但是在前几次变化累计之后,产品仍然不符合要求),则确定指定变化值所对应的标准图像特征不符合预设要求。
此时,在修正过程中,需要首先根据各生产设备对应的生产工艺,确定第二生产设备对第一生产设备的工艺影响等级,该工艺影响等级指的是,当第二生产设备的生产参数发生变动时,可能会对第一生产设备的生产状态产生影响,比如,第二生产设备会冲压机,其生产参数发生变化后,冲压分离得到的中间件自然会发生变化,此时,对其后续的第一生产设备(比如冲孔机)的生产状态自然会产生影响,此时,虽然是第一生产设备对应的指定产品参数不符合要求,但是其很有可能是因为第二生产设备所带来的影响。因此,在得到标准图像特征进行判定时,需要将第二生产设备带来的影响消除,故而根据工艺影响等级,得到修正系数,并进行修正。其中,工艺影响等级越高,修正系数也就越大。
在一个实施例中,在轴承保持架生产线的生产加工过程中,随着设备的使用,可能会出现意外,比如,用于拍摄第一产品加工图像的图像获取装置,其在使用过程中出现异常,从而导致拍摄的第一产品加工图像出现异常,影响后续的图像分析。
通常的解决方法,可以通过人工检查图像,但是该方式耗时耗力且增加人力资源。或者,通过对图像获取装置的参数进行监控,但是有一些异常是难以在其运行参数上体现出来的,比如,外力影响的对焦失败等。
基于此,在获取了第一产品加工图像后,随机选取部分第一产品加工图像,然后对这部分图像进行异常分析。针对这部分图像中的每张第一产品加工图像,确定最能体现指定产品参数的拍摄参数,拍摄参数包括视图投影方向、拍摄距离、拍摄焦距等,其均为预先设置的,只要拉取映射关系即可得到。比如,针对碗装件的图像,最能体现其的拍摄参数应该包括两张,一张图像的投影方向为俯视图,拍摄距离、拍摄焦距可以基于图像获取装置的实际情况设定,由此得到碗装件的形状和直径,另一张图像的投影方向为侧视图,拍摄距离、拍摄焦距可以基于图像获取装置的实际情况设定,由此得到碗装件的深度。当然,可以将这两张图像作为一张图像的两部分,从而便于后续的分析。
根据生产次序,在之前的第一产品加工图像中,确定拍摄参数与该第一产品加工图像的拍摄参数最接近的其他第一产品加工图像(当然,此时可以再加个判定条件,比如,其他第一产品加工图像与该第一产品加工图像是相邻的生产设备对应的图像)。其中,投影方向的占比最大,只有在投影方向一致时,才考虑拍摄距离、拍摄焦距是否接近。
若接近程度超过预设程度(通常为拍摄参数完全一致时,才进行后续分析),则说明两者的拍摄参数基本一致,而拍摄参数是用于体现指定产品参数的,拍摄参数的一致,说明两者对应的指定产品参数相似,或者是至少属于同一投影方向的,也就是说,两者对应的生产设备在对轴承保持架进行生产加工时,加工工艺对应的产品参数也是相似的,也就是说,两者的加工工艺对产品参数中,除指定产品参数之外的其他产品参数的影响较小,其他产品参数的变化较小。
此时,根据其他产品参数,对两者(该第一产品加工图像与其他第一产品加工图像)进行图像分析,分别得到对应的第一图像特征和第二图像特征。若第一图像特征和第二图像特征之间的差值高于预设阈值,则说明两者之间,其他产品参数差距较大,与实际情况不符。此时,可能存在以下情况:两者对应的图像获取装置异常、两者对应的生产设备异常,然后无论是那种情况,均是两者对应的图像异常,此时可以通过人工进行排查。
在一个实施例中,在生产参数的优化过程中,采集针对指定第一生产设备的生产参数的历史优化记录。当然,对于不同的指定第一生产设备,可以分别进行采集。
根据历史优化记录生成多维向量,其中,多维向量中的第一维度、第二维度为离散变量,第一维度代表优化前的生产参数,第二维度代表本次的优化变量,第三维度为自然语言变量,代表本次的优化质量。
具体地,优化质量可以包括多个等级,比如,优秀、良好、一般、较差等。其中,优化质量与优化后的指定产品参数向预设要求的变化幅度呈正相关,该变化幅度越大,表示本次的优化变量调整越优秀。还与优化后的其他产品参数的变化幅度呈负相关,该变化幅度越大,说明对其他产品参数的影响越大。为此需要在两者之间选取最平衡的优化变量,并在综合所有的产品参数的优化变量后,实现对生产参数的优化。
根据多维向量进行深度训练,得到深度学习模型,比如,可以通过神经网络等深度学习方法,以用于对指定第一生产设备的生产参数进行优化。
如图2所示,本申请实施例还提供了一种轴承保持架的生产分析优化设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种轴承保持架的生产分析优化方法,其特征在于,包括:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,具体包括:
根据所述生产次序,确定位于所述第一生产设备之前相邻的,且不属于所述第一生产设备的第二生产设备;
根据所述第二生产设备的生产参数,对所述第一生产设备对应的标准图像特征进行修正;
确定修正后的标准图像特征在所述生产次序下的变化值;
根据所述变化值确定不符合所述预设要求的标准图像特征,以及该标准图像特征对应的原始图像特征,以及该原始图像特征对应的指定第一生产设备;
根据所述第二生产设备的生产参数,对所述第一生产设备对应的标准图像特征进行修正,具体包括:
根据各所述生产设备对应的生产工艺,确定所述第二生产设备对所述第一生产设备之间的工艺影响等级;
根据所述第二生产设备的生产参数,以及所述工艺影响等级,得到修正系数,并根据所述修正系数对所述第一生产设备对应的标准图像特征进行修正;
对其中的指定第一生产设备的生产参数进行优化,具体包括:
采集针对所述指定第一生产设备的生产参数的历史优化记录;
根据所述历史优化记录生成多维向量,所述多维向量中的第一维度、第二维度为离散变量,所述第一维度代表优化前的生产参数,所述第二维度代表历史优化记录中的优化变量,第三维度为自然语言变量,代表历史优化记录中的优化质量;其中,所述优化质量与优化后的指定产品参数向所述预设要求的变化幅度呈正相关,与优化后的其他产品参数的变化幅度呈负相关;
根据所述多维向量进行深度训练,得到深度学习模型,以用于对所述指定第一生产设备的生产参数进行优化,所述深度学习模型的输入为优化前的生产参数,输出为优化变量。
2.根据权利要求1所述的轴承保持架的生产分析优化方法,其特征在于,根据所述变化值确定不符合所述预设要求的标准图像特征,具体包括:
在所述变化值中,确定变化值最大的若干个指定变化值;
若所述指定变化值高于预设阈值,或,对所述指定变化值以及其之前的所有变化值求和之后的值高于预设阈值,则确定所述指定变化值所对应的标准图像特征不符合预设要求。
3.根据权利要求1所述的轴承保持架的生产分析优化方法,其特征在于,根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备之前,所述方法还包括:
针对单个轴承保持架,确定该轴承保持架的各项初始产品参数,并生成产品参数集合;
获取每个生产设备进行加工后的产品加工图像,并根据在每张产品加工图像中根据提取出的图像特征,将所述初始产品参数进行更新,得到更新后的产品参数集合;
针对每个生产设备在不同轴承保持架中对应的产品参数集合,求均值得到该生产设备对应的最终产品参数集合,并根据该生产设备对应的最终产品参数集合,相比于生产次序中上一个生产设备对应的最终产品参数集合的增量,确定该生产设备与各产品参数之间的影响程度,并根据所述影响程度建立生产设备与产品参数之间的映射关系。
4.根据权利要求3所述的轴承保持架的生产分析优化方法,其特征在于,根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,具体包括:
根据所述映射关系,确定各生产设备对所述指定产品参数的影响程度,并选取影响程度最高的多个生产设备,作为第一生产设备;
其中,若选取出的生产设备的数量超过预设阈值,则在其中进行筛除,且在筛除过程中,若存在多个生产设备的关联程度之差低于预设阈值,则筛除生产次序靠后的生产设备。
5.根据权利要求1所述的轴承保持架的生产分析优化方法,其特征在于,获取所述多个第一生产设备分别对应的第一产品加工图像之后,所述方法还包括:
随机选取部分第一产品加工图像,并对选取的部分第一产品加工图像进行异常分析;
其中,所述异常分析过程包括:
针对选取的部分第一产品加工图像中的每张第一产品加工图像,确定最能体现所述指定产品参数的拍摄参数,所述拍摄参数包括视图投影方向、拍摄距离、拍摄焦距中的至少一种;
根据生产次序,在该第一产品加工图像之前的第一产品加工图像中,确定拍摄参数与该第一产品加工图像的拍摄参数最接近,且接近程度超过预设程度的其他第一产品加工图像;
通过除所述指定产品参数之外的其他产品参数,对该第一产品加工图像与所述其他第一产品加工图像进行图像分析,得到用于形容所述其他产品参数的第一图像特征和第二图像特征;
若所述第一图像特征和所述第二图像特征之间中的差值高于预设阈值,则认为该第一产品加工图像和/或所述其他产品加工图像异常。
6.一种轴承保持架的生产分析优化设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,具体包括:
根据所述生产次序,确定位于所述第一生产设备之前相邻的,且不属于所述第一生产设备的第二生产设备;
根据所述第二生产设备的生产参数,对所述第一生产设备对应的标准图像特征进行修正;
确定修正后的标准图像特征在所述生产次序下的变化值;
根据所述变化值确定不符合所述预设要求的标准图像特征,以及该标准图像特征对应的原始图像特征,以及该原始图像特征对应的指定第一生产设备;
根据所述第二生产设备的生产参数,对所述第一生产设备对应的标准图像特征进行修正,具体包括:
根据各所述生产设备对应的生产工艺,确定所述第二生产设备对所述第一生产设备之间的工艺影响等级;
根据所述第二生产设备的生产参数,以及所述工艺影响等级,得到修正系数,并根据所述修正系数对所述第一生产设备对应的标准图像特征进行修正;
对其中的指定第一生产设备的生产参数进行优化,具体包括:
采集针对所述指定第一生产设备的生产参数的历史优化记录;
根据所述历史优化记录生成多维向量,所述多维向量中的第一维度、第二维度为离散变量,所述第一维度代表优化前的生产参数,所述第二维度代表历史优化记录中的优化变量,第三维度为自然语言变量,代表历史优化记录中的优化质量;其中,所述优化质量与优化后的指定产品参数向所述预设要求的变化幅度呈正相关,与优化后的其他产品参数的变化幅度呈负相关;
根据所述多维向量进行深度训练,得到深度学习模型,以用于对所述指定第一生产设备的生产参数进行优化,所述深度学习模型的输入为优化前的生产参数,输出为优化变量。
7.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
当轴承保持架生产线中包含的各生产设备的工作状态未出现异常时,若生产得到的指定轴承保持架不符合预设要求,则确定所述指定轴承保持架中不符合所述预设要求的指定产品参数;
调取所述指定轴承保持架在生产过程中,各生产设备对应的产品加工图像,所述产品加工图像包括各生产设备对产品件加工后的图像,所述产品件包括原材料、中间件、成品件;
根据预设的映射关系确定对所述指定产品参数影响最大的多个第一生产设备,并获取所述多个第一生产设备分别对应的第一产品加工图像;
根据所述指定产品参数,对多个所述第一产品加工图像依次进行图像分析,提取得到多个具有生产次序的原始图像特征,所述原始图像特征用于形容所述指定产品参数;
根据所述指定产品参数,对所述原始图像特征进行标准化处理,得到标准图像特征;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,以便于对其中的指定第一生产设备的生产参数进行优化;
根据所述标准图像特征在所述生产次序下的变化值,对各第一生产设备的生产参数进行分析,具体包括:
根据所述生产次序,确定位于所述第一生产设备之前相邻的,且不属于所述第一生产设备的第二生产设备;
根据所述第二生产设备的生产参数,对所述第一生产设备对应的标准图像特征进行修正;
确定修正后的标准图像特征在所述生产次序下的变化值;
根据所述变化值确定不符合所述预设要求的标准图像特征,以及该标准图像特征对应的原始图像特征,以及该原始图像特征对应的指定第一生产设备;
根据所述第二生产设备的生产参数,对所述第一生产设备对应的标准图像特征进行修正,具体包括:
根据各所述生产设备对应的生产工艺,确定所述第二生产设备对所述第一生产设备之间的工艺影响等级;
根据所述第二生产设备的生产参数,以及所述工艺影响等级,得到修正系数,并根据所述修正系数对所述第一生产设备对应的标准图像特征进行修正;
对其中的指定第一生产设备的生产参数进行优化,具体包括:
采集针对所述指定第一生产设备的生产参数的历史优化记录;
根据所述历史优化记录生成多维向量,所述多维向量中的第一维度、第二维度为离散变量,所述第一维度代表优化前的生产参数,所述第二维度代表历史优化记录中的优化变量,第三维度为自然语言变量,代表历史优化记录中的优化质量;其中,所述优化质量与优化后的指定产品参数向所述预设要求的变化幅度呈正相关,与优化后的其他产品参数的变化幅度呈负相关;
根据所述多维向量进行深度训练,得到深度学习模型,以用于对所述指定第一生产设备的生产参数进行优化,所述深度学习模型的输入为优化前的生产参数,输出为优化变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207193.7A CN116188440B (zh) | 2023-02-28 | 2023-02-28 | 一种轴承保持架的生产分析优化方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207193.7A CN116188440B (zh) | 2023-02-28 | 2023-02-28 | 一种轴承保持架的生产分析优化方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188440A CN116188440A (zh) | 2023-05-30 |
CN116188440B true CN116188440B (zh) | 2023-08-29 |
Family
ID=86438239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310207193.7A Active CN116188440B (zh) | 2023-02-28 | 2023-02-28 | 一种轴承保持架的生产分析优化方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188440B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116586925B (zh) * | 2023-07-19 | 2023-09-19 | 山东金帝精密机械科技股份有限公司 | 一种基于图像的大型轴承保持器生产方法、设备及介质 |
CN117647962B (zh) * | 2024-01-29 | 2024-04-12 | 山东国泰民安玻璃科技有限公司 | 一种注射剂瓶的生产控制方法、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174544A1 (zh) * | 2018-03-14 | 2019-09-19 | Oppo广东移动通信有限公司 | 图像合成的方法、装置、计算机存储介质及电子设备 |
CN114004974A (zh) * | 2021-11-03 | 2022-02-01 | 中国银行股份有限公司 | 对弱光环境下拍摄的图像的优化方法及装置 |
CN114332445A (zh) * | 2021-12-30 | 2022-04-12 | 神思电子技术股份有限公司 | 一种叠屏信息采集方法、设备及介质 |
CN114615495A (zh) * | 2020-12-09 | 2022-06-10 | Oppo广东移动通信有限公司 | 模型量化方法、装置、终端及存储介质 |
WO2022121531A1 (zh) * | 2020-12-09 | 2022-06-16 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
CN114998695A (zh) * | 2022-07-18 | 2022-09-02 | 深圳市前海泽金产融科技有限公司 | 一种提高图像识别速度的方法及*** |
CN115187949A (zh) * | 2022-09-07 | 2022-10-14 | 山东金宇信息科技集团有限公司 | 一种隧道出入口的路面状态检测方法、设备及介质 |
CN115393363A (zh) * | 2022-10-31 | 2022-11-25 | 山东金帝精密机械科技股份有限公司 | 一种轴承保持器的生产预警方法、设备及介质 |
CN115526839A (zh) * | 2022-09-06 | 2022-12-27 | 浪潮工业互联网股份有限公司 | 一种基于神经网络的鲜花烘干控制方法、设备及介质 |
WO2023274097A1 (zh) * | 2021-06-28 | 2023-01-05 | 歌尔股份有限公司 | 二维码图像处理方法和装置 |
-
2023
- 2023-02-28 CN CN202310207193.7A patent/CN116188440B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174544A1 (zh) * | 2018-03-14 | 2019-09-19 | Oppo广东移动通信有限公司 | 图像合成的方法、装置、计算机存储介质及电子设备 |
CN114615495A (zh) * | 2020-12-09 | 2022-06-10 | Oppo广东移动通信有限公司 | 模型量化方法、装置、终端及存储介质 |
WO2022121531A1 (zh) * | 2020-12-09 | 2022-06-16 | 歌尔股份有限公司 | 一种产品缺陷检测方法和装置 |
WO2023274097A1 (zh) * | 2021-06-28 | 2023-01-05 | 歌尔股份有限公司 | 二维码图像处理方法和装置 |
CN114004974A (zh) * | 2021-11-03 | 2022-02-01 | 中国银行股份有限公司 | 对弱光环境下拍摄的图像的优化方法及装置 |
CN114332445A (zh) * | 2021-12-30 | 2022-04-12 | 神思电子技术股份有限公司 | 一种叠屏信息采集方法、设备及介质 |
CN114998695A (zh) * | 2022-07-18 | 2022-09-02 | 深圳市前海泽金产融科技有限公司 | 一种提高图像识别速度的方法及*** |
CN115526839A (zh) * | 2022-09-06 | 2022-12-27 | 浪潮工业互联网股份有限公司 | 一种基于神经网络的鲜花烘干控制方法、设备及介质 |
CN115187949A (zh) * | 2022-09-07 | 2022-10-14 | 山东金宇信息科技集团有限公司 | 一种隧道出入口的路面状态检测方法、设备及介质 |
CN115393363A (zh) * | 2022-10-31 | 2022-11-25 | 山东金帝精密机械科技股份有限公司 | 一种轴承保持器的生产预警方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
工艺产品加工质量监测优化;蔡亚军;陈书宏;王宇;;科学技术与工程(第18期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188440A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116188440B (zh) | 一种轴承保持架的生产分析优化方法、设备及介质 | |
CN115393363B (zh) | 一种轴承保持器的生产预警方法、设备及介质 | |
CN115993807B (zh) | 一种碳化硅的生产监测优化控制方法及*** | |
CN115774652B (zh) | 一种基于聚类算法的群控设备健康监测方法、设备及介质 | |
CN114493204A (zh) | 一种基于工业互联网的工业设备监测方法及设备 | |
CN110991495A (zh) | 生产制造过程中产品质量预测方法、***、介质及设备 | |
KR102464891B1 (ko) | 지능형 금속부품 가공 제어 장치 및 방법 | |
CN115330989A (zh) | 一种用于激光束切割的控制方法 | |
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
KR20220084303A (ko) | 제조 방법 | |
CN117274245B (zh) | 基于图像处理技术的aoi光学检测方法及*** | |
CN116341839B (zh) | 一种针对家政服务人员的订单推送方法、设备及介质 | |
CN109407630B (zh) | 参数计算的方法、装置、终端及可读存储介质 | |
CN116258838A (zh) | 一种用于管片模具合模***的智能视觉引导方法 | |
CN116586925B (zh) | 一种基于图像的大型轴承保持器生产方法、设备及介质 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN114818887A (zh) | 用于检测焊缝质量的方法、装置、存储介质及处理器 | |
US20200082281A1 (en) | Verification device | |
CN117350984B (zh) | 一种单晶硅放肩开叉的检测方法及装置 | |
CN118083604B (zh) | 基于3d视觉的成形件自动拆垛方法及*** | |
CN117831028B (zh) | 食材加工数据的处理方法、装置、设备以及存储介质 | |
CN114971599B (zh) | 食品制造加工工艺参数设置方法、装置、设备及介质 | |
CN103942615A (zh) | 噪点剔除方法 | |
CN116167505B (zh) | 一种钢筋套料裁剪方法及*** | |
CN111292293B (zh) | 一种智能化的机械手故障检测方法及*** |
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 |