CN117372433A - 厚度参数的控制方法、装置、设备及存储介质 - Google Patents
厚度参数的控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117372433A CN117372433A CN202311675262.3A CN202311675262A CN117372433A CN 117372433 A CN117372433 A CN 117372433A CN 202311675262 A CN202311675262 A CN 202311675262A CN 117372433 A CN117372433 A CN 117372433A
- Authority
- CN
- China
- Prior art keywords
- thickness
- pipe
- region
- defect
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000007547 defect Effects 0.000 claims abstract description 199
- 238000004458 analytical method Methods 0.000 claims abstract description 81
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000011217 control strategy Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 description 16
- 238000005260 corrosion Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种厚度参数的控制方法、装置、设备及存储介质,用于提高厚度参数的控制的准确率。包括:对三维坐标数据集进行嵌入向量表示,得到三维坐标数据集对应的嵌入向量集;将嵌入向量集输入管材分割区域分析模型进行区域分析,得到多个管材分割区域;对目标管材进行区域分割,得到多个管材区域,对多个管材区域进行管材厚度提取,得到厚度数据集;对每个管材区域进行厚度缺陷识别,得到每个管材区域的厚度缺陷特征;对每个管材区域的厚度缺陷特征进行厚度调整参数计算,得到厚度调整参数集合;对目标管材进行厚度参数控制策略生成,得到厚度参数控制策略。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种厚度参数的控制方法、装置、设备及存储介质。
背景技术
管材在工业和建筑领域中广泛应用,其质量和性能直接取决于管壁的厚度。因此,管壁的厚度参数控制对于生产质量至关重要。
传统生产方法通常涉及人工干预和离线检测,存在生产效率低下和废品率高的问题。在复杂生产环境中,人工干预及离线检测往往准确率较低。
发明内容
本发明提供了一种厚度参数的控制方法、装置、设备及存储介质,用于提高厚度参数的控制的准确率。
本发明第一方面提供了一种厚度参数的控制方法,所述厚度参数的控制方法包括:
通过预置的激光扫描仪扫描目标管材的表面,得到所述目标管材的管材表面的三维坐标数据集;
对所述三维坐标数据集进行嵌入向量表示,得到所述三维坐标数据集对应的嵌入向量集;
将所述嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域;
通过多个所述管材分割区域对所述目标管材进行区域分割,得到多个管材区域,并对多个所述管材区域进行管材厚度提取,得到厚度数据集;
基于所述厚度数据集分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征;
通过预置的厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;
通过所述厚度调整参数集合对所述目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过所述厚度参数控制策略对所述目标管材进行管材厚度控制。
结合第一方面,在本发明第一方面的第一实施方式中,所述对所述三维坐标数据集进行嵌入向量表示,得到所述三维坐标数据集对应的嵌入向量集,包括:
对所述三维坐标数据集进行语义分析,得到语义数据集;
通过所述语义数据集对所述三维坐标数据集进行数据集分割,得到多个子坐标数据集;
分别对每个所述子坐标数据集进行坐标中心点提取,得到每个所述子坐标数据集对应的坐标中心点;
通过每个所述子坐标数据集对所述语义数据集进行数据集分割,得到多个子语义数据集;
通过多个所述子语义数据集分别对每个所述子坐标数据集进行向量嵌入处理,得到所述三维坐标数据集对应的嵌入向量集。
结合第一方面,在本发明第一方面的第二实施方式中,所述将所述嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域,包括:
将所述嵌入向量集输入所述管材分割区域分析模型的卷积层进行卷积处理,得到卷积特征集;
将所述卷积特征集输入所述管材分割区域分析模型的池化层进行反向传播处理,得到池化特征集;
将所述池化特征集输入所述管材分割区域分析模型的归一化层进行归一化处理,得到对应的归一化数据;
将所述归一化数据输入所述管材分割区域分析模型的全连接层进行区域分析,得到多个管材分割区域。
结合第一方面,在本发明第一方面的第三实施方式中,所述基于所述厚度数据集分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征,包括:
对所述厚度数据集进行厚度平均值计算,得到目标平均值;
通过所述目标平均值对所述厚度数据集进行数据筛选,得到多个厚度异常值;
通过多个所述厚度异常值分别对每个所述管材区域进行异常厚度位置定位,得到多个异常厚度位置;
基于多个所述异常厚度位置,分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征。
结合第一方面,在本发明第一方面的第四实施方式中,所述基于多个所述异常厚度位置,分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征,包括:
基于多个所述异常厚度位置,分别对每个所述管材区域进行关键位置识别,得到每个所述管材区域对应的关键位置坐标;
在每个所述管材区域对应的关键位置坐标,对每个所述管材区域进行图像采集,得到每个所述管材区域的管材图像集;
对每个所述管材区域的管材图像集进行图像二值化处理,得到多个二值化图像集;
对每个所述二值化图像集进行像素值分析,得到每个所述二值化图像集的像素值数据;
基于每个所述二值化图像集的像素值数据,分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征。
结合第一方面,在本发明第一方面的第五实施方式中,所述通过预置的厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合,包括:
对每个所述管材区域的厚度缺陷特征进行缺陷类型识别,得到多个缺陷类型;
对多个所述缺陷类型进行缺陷原因分析,得到每个所述缺陷类型的缺陷原因;
基于每个所述缺陷类型的缺陷原因,通过所述厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合。
结合第一方面,在本发明第一方面的第六实施方式中,所述基于每个所述缺陷类型的缺陷原因,通过所述厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合,包括:
对每个所述缺陷类型的缺陷原因进行原因标签构建,得到多个原因标签数据;
基于多个所述原因标签数据对所述厚度约束条件进行条件修正,得到优化厚度约束条件;
通过所述优化厚度约束条件,对每个所述管材区域的厚度缺陷特征进行厚度差异计算,得到多个厚度差异数据;
对多个所述厚度差异数据进行厚度调整参数计算,得到所述厚度调整参数集合。
本发明第二方面提供了一种厚度参数的控制装置,所述厚度参数的控制装置包括:
扫描模块,用于通过预置的激光扫描仪扫描目标管材的表面,得到所述目标管材的管材表面的三维坐标数据集;
表示模块,用于对所述三维坐标数据集进行嵌入向量表示,得到所述三维坐标数据集对应的嵌入向量集;
分析模块,用于将所述嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域;
分割模块,用于通过多个所述管材分割区域对所述目标管材进行区域分割,得到多个管材区域,并对多个所述管材区域进行管材厚度提取,得到厚度数据集;
识别模块,用于基于所述厚度数据集分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征;
计算模块,用于通过预置的厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;
生成模块,用于通过所述厚度调整参数集合对所述目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过所述厚度参数控制策略对所述目标管材进行管材厚度控制。
本发明第三方面提供了一种厚度参数的控制设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述厚度参数的控制设备执行上述的厚度参数的控制方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的厚度参数的控制方法。
本发明提供的技术方案中,通过激光扫描仪扫描目标管材的表面,得到目标管材的管材表面的三维坐标数据集;对三维坐标数据集进行嵌入向量表示,得到三维坐标数据集对应的嵌入向量集;将嵌入向量集输入管材分割区域分析模型进行区域分析,得到多个管材分割区域;通过多个管材分割区域对目标管材进行区域分割,得到多个管材区域,并对多个管材区域进行管材厚度提取,得到厚度数据集;基于厚度数据集分别对每个管材区域进行厚度缺陷识别,得到每个管材区域的厚度缺陷特征;通过厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;通过厚度调整参数集合对目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过厚度参数控制策略对目标管材进行管材厚度控制。在本申请方案中,通过对厚度缺陷特征的提取以及厚度约束条件对厚度缺陷特征的精准识别,最终计算得到厚度调整参数集合,可以更为精准的识别厚度缺陷,并进一步提高厚度参数的控制的准确率。
附图说明
图1为本发明实施例中厚度参数的控制方法的一个实施例示意图;
图2为本发明实施例中将嵌入向量集输入预置的管材分割区域分析模型进行区域分析的流程图;
图3为本发明实施例中对每个管材区域进行厚度缺陷识别的流程图;
图4为本发明实施例中分别对每个管材区域进行厚度缺陷识别的流程图;
图5为本发明实施例中厚度参数的控制装置的一个实施例示意图;
图6为本发明实施例中厚度参数的控制设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种厚度参数的控制方法、装置、设备及存储介质,用于提高厚度参数的控制的准确率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中厚度参数的控制方法的一个实施例包括:
S101、通过预置的激光扫描仪扫描目标管材的表面,得到目标管材的管材表面的三维坐标数据集;
可以理解的是,本发明的执行主体可以为厚度参数的控制装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,激光扫描是一种非常有效的三维测量方法,它利用激光束在目标表面反射的特性来获取物体的三维坐标信息。这种技术在工业领域广泛应用,特别是在管道制造和质量控制方面。激光扫描的过程通常包括使用激光扫描仪器沿着管材表面移动,激光束照射在管材表面,然后通过接收器接收反射的激光。通过测量激光的时间延迟或相位变化,可以计算出每个点在三维空间中的坐标。这样的测量过程可以实现对管材表面的高精度三维坐标采集。这个数据集可以被看作是管材表面的一个精确的数学模型,其中包含了管材表面每一点的空间坐标信息。这个过程是实时的,因此对管材的每一部分都能够进行准确的三维坐标采集。这个阶段的完成意味着已经成功地获取了目标管材的管材表面的三维坐标数据集。
S102、对三维坐标数据集进行嵌入向量表示,得到三维坐标数据集对应的嵌入向量集;
具体的,嵌入向量表示是将高维数据映射到低维空间,以便更好地捕捉数据的关键特征。对三维坐标数据集进行嵌入向量表示是为了在更紧凑的表示空间中保留有关数据语义的重要信息。进行语义分析。通过对三维坐标数据集进行语义分析,可以提取出数据中的语义信息,即数据中所包含的含义和特征。例如,对于一个复杂的三维结构,语义分析识别出不同部分的功能、形状或其他特性。得到了语义数据集后,接下来通过语义数据对三维坐标数据集进行分割。目的是将原始数据集划分为多个子坐标数据集,每个子坐标数据集对应着具有相似语义特征的部分。这种分割可以通过聚类或其他分割技术来实现。针对每个子坐标数据集进行坐标中心点的提取。坐标中心点是子坐标数据集中所有坐标点的中心位置。通过提取坐标中心点,服务器得到了每个子坐标数据集的一个代表性点,有助于更好地表示该部分的整***置。通过每个子坐标数据集对语义数据集进行数据集分割。目的是将语义数据集中与每个子坐标数据集相关的语义信息提取出来。这有助于进一步关联坐标信息与语义信息,从而更好地理解数据。通过多个子语义数据集分别对每个子坐标数据集进行向量嵌入处理。目的是将每个子坐标数据集映射为相应的嵌入向量。嵌入向量通常具有较低的维度,但仍然保留了关键的语义特征,便于后续的计算和分析。
S103、将嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域;
具体的,将嵌入向量集输入到管材分割区域分析模型,该模型包括卷积层、池化层、归一化层和全连接层等不同层次。这些层次的设计是为了从嵌入向量中提取出更具有区分性和代表性的特征,以便更精确地进行区域分割。例如,假设有一段管道的嵌入向量集,其中包含了关于管道表面的丰富信息。将这个嵌入向量集输入到管材分割区域分析模型的卷积层进行卷积处理。卷积操作有助于捕捉局部特征,例如管道表面的纹理、形状等。卷积层的输出是卷积特征集,其中包含了在不同尺度上提取到的特征信息。将卷积特征集输入到池化层进行反向传播处理。池化操作有助于降低特征的空间维度,保留主要的特征信息。这一步骤是为了使特征更具有普适性,减少计算的复杂性。得到的输出是池化特征集,其中包含了通过池化操作得到的对于每个特征的汇总信息。将池化特征集输入到归一化层进行归一化处理。归一化的目的是使特征在不同尺度上具有一致的重要性,有助于模型更好地理解数据。这一步得到的是对应的归一化数据,其中每个特征都被调整到相对一致的尺度上。将归一化数据输入到管材分割区域分析模型的全连接层进行区域分析。全连接层的设计允许模型学习不同特征之间的复杂关系,从而更好地理解整个嵌入向量集。这一步骤得到了多个管材分割区域,每个区域对应着管道表面的不同部分,例如弯曲处、连接处等。
S104、通过多个管材分割区域对目标管材进行区域分割,得到多个管材区域,并对多个管材区域进行管材厚度提取,得到厚度数据集;
具体的,通过多个管材分割区域对目标管材进行区域分割。将整个目标管材划分为若干个独立的区域,每个区域都包含了特定的管材结构信息。目的是更精细地理解目标管材的构成。例如,通过模型输出的分割区域,服务器将一根长长的管道分割为不同的部分,如管道的上部、下部、连接处等。每个分割区域代表着目标管材的一个局部结构,这对于后续的管材厚度提取提供了更详细的信息。对多个管材区域进行管材厚度提取。在每个管材区域内部分析嵌入向量集,以获取管道表面的厚度信息。通过计算区域内嵌入向量的特征,可以推断出管道在该区域内的厚度分布。得到了每个管材区域的厚度信息后,将这些数据整合,形成整体的厚度数据集。这个数据集反映了目标管材在不同区域的厚度分布情况。这对于制定后续的管材控制策略提供了重要的依据,因为服务器有了更为细致的管材厚度信息。在厚度数据集的基础上,可以进一步进行分析和处理。例如,可以检测出某个区域的厚度异常,表示潜在的质量问题。这为质量控制提供了及时的反馈。
S105、基于厚度数据集分别对每个管材区域进行厚度缺陷识别,得到每个管材区域的厚度缺陷特征;
具体的,对厚度数据集进行厚度平均值计算。通过计算平均值,服务器得到整个管材表面的平均厚度,作为基准值用于后续的分析。这有助于确定管材的正常厚度范围,从而识别存在的异常。通过目标平均值对厚度数据集进行数据筛选,得到多个厚度异常值。识别与平均值相差较大的厚度数据,这些数据代表着潜在的厚度异常。异常值的筛选可以采用统计学方法,如离群值检测算法,或者机器学习方法,如基于模型的异常检测。例如,筛选出的异常值对应着零部件表面存在的一些异常区域,比如的腐蚀、损伤或其他缺陷。通过多个厚度异常值分别对每个管材区域进行异常厚度位置定位。目的是确定异常值在管材表面的具***置,以便更准确地进行缺陷识别。位置定位可以通过在嵌入向量中关联异常值的方法实现。基于多个异常厚度位置,分别对每个管材区域进行厚度缺陷识别。这一步骤是整个过程的核心,通过分析异常值及其位置,可以确定是否存在真正的厚度缺陷。这个阶段可以采用各种技术,如图像处理算法、深度学习模型或者专业的缺陷检测算法。例如,通过对异常值位置进行深入分析,服务器能够识别出零部件表面的局部损伤或者腐蚀。这有助于及早发现潜在的问题,从而采取相应的修复或更换措施。
其中,基于多个异常厚度位置进行关键位置识别。异常位置往往是嵌入向量集中相对于平均值较为偏离的位置,代表着潜在的管材缺陷。关键位置识别的目的是找到这些位置的具体坐标。这一步骤通过对异常位置的分析来确定每个管材区域的关键位置坐标。例如,异常位置对应着存在腐蚀或损伤的区域。通过关键位置识别,服务器能够获得这些潜在问题发生的具***置。在确定了关键位置坐标后,接下来进行图像采集。通过在每个关键位置坐标处采集图像,得到每个管材区域的管材图像集。这些图像将有助于更详细地分析异常位置周围的管材表面。例如,通过在关键位置处采集图像,服务器获取到腐蚀或损伤区域的高分辨率图像。这些图像将提供更多细节,有助于更准确地识别和定位管材的厚度缺陷。得到管材图像集后,接下来进行图像二值化处理。将彩色或灰度图像转化为二值化图像,使得图像中的缺陷更为突出。二值化处理有助于突出管材表面的变化,使缺陷更容易被识别。例如,二值化处理可以将管道表面的腐蚀或损伤区域与正常区域分离开,使得缺陷更为明显。对每个二值化图像集进行像素值分析。通过分析图像中每个像素的数值,可以得到有关管材表面的定量信息。这一步骤有助于量化缺陷的程度和位置,为最终的缺陷识别提供数据支持。基于每个二值化图像集的像素值数据,分别对每个管材区域进行厚度缺陷识别。这一步骤使用图像处理技术和机器学习算法,结合之前获得的关键位置信息,综合判断每个区域是否存在厚度缺陷。
S106、通过预置的厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;
具体的,对每个管材区域的厚度缺陷特征进行缺陷类型识别。通过对之前得到的厚度缺陷特征进行分析,识别出每个区域存在的不同缺陷类型。例如,如果在某个区域识别出了厚度减小的情况,那么这是一种缺陷类型。对多个缺陷类型进行缺陷原因分析。对于每个识别出的缺陷类型,服务器深入分析导致这种缺陷的原因。这涉及到多方面的因素,如材料质量、制造工艺、环境因素等。例如,如果缺陷类型是由于金属管材表面受到腐蚀引起的,那么腐蚀是导致这一缺陷的原因之一。在进行缺陷原因分析后,基于每个缺陷类型的缺陷原因,通过厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数计算。厚度约束条件是根据工程标准或产品规范设定的一组规则,用于确保管材的最终厚度满足预定的质量标准。通过调整缺陷区域的厚度,使其满足规定的厚度约束条件。例如,在某个区域识别出了厚度减小的缺陷,并通过分析确定这是由于金属表面腐蚀引起的。本实施例中,通过制定的厚度约束条件,服务器计算出需要对该区域进行的厚度调整参数,以确保最终厚度符合规定标准。最终,通过对每个缺陷类型的缺陷原因和厚度约束条件的综合考虑,得到对应的厚度调整参数集合。这个参数集合包含了针对每个区域不同缺陷类型的调整参数,确保了最终的管材厚度满足质量标准。
其中,对每个缺陷类型的缺陷原因进行原因标签构建。将每个缺陷类型的原因进行分类,并为其构建相应的标签。例如,在金属管道的检测中,缺陷类型包括腐蚀、物理损伤等,对于每种缺陷类型,可以构建相应的原因标签,如腐蚀原因、物理损伤原因等。基于多个原因标签数据对厚度约束条件进行条件修正。通过综合考虑各个缺陷类型的原因,对厚度约束条件进行修正,以更好地适应实际情况。例如,对于某些缺陷类型,需要放宽约束条件,而对于另一些缺陷类型,则需要加强约束条件,以确保管材的最终厚度符合质量标准。通过优化后的厚度约束条件,对每个管材区域的厚度缺陷特征进行厚度差异计算。评估每个区域的实际厚度与优化约束条件下的标准厚度之间的差异。这种差异计算有助于量化每个区域的厚度问题,为后续的调整提供数据支持。对多个厚度差异数据进行厚度调整参数计算,得到最终的厚度调整参数集合。这一步骤涉及使用统计学或机器学习等方法,综合考虑各个区域的厚度差异数据,以确定最佳的厚度调整参数。这样,就可以根据实际情况对每个区域的厚度进行调整,以满足质量标准。
S107、通过厚度调整参数集合对目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过厚度参数控制策略对目标管材进行管材厚度控制。
具体的,通过对厚度调整参数集合的分析,深入理解每个参数对管材厚度的影响。这包括不同参数的权重、相互之间的关系,以及每个参数在特定条件下的作用。例如,在一种材料中,某个参数对腐蚀缺陷的调整更为敏感,而另一个参数更适用于修复物理损伤。通过这种分析,服务器建立一个针对每个区域和缺陷类型的参数权重表,作为后续策略生成的基础。这有助于确保在生成控制策略时更有针对性和精准性。基于分析结果,服务器进行策略生成。根据不同的缺陷类型和区域,制定适当的厚度调整策略。这涉及到制定优先级,即哪些缺陷类型或区域应该优先进行调整。例如,对于一个需要快速修复的缺陷,可以设定较高的优先级。在策略生成的同时,还需要考虑实时反馈和调整的机制。这有助于使控制策略更加灵活和适应变化。例如,如果在制造过程中发现了新的缺陷,控制策略需要即时调整以应对新情况。最终,通过厚度参数控制策略,服务器实现对目标管材的精确控制。这一策略是基于前述分析、原因标签构建、条件修正和差异计算等步骤的综合结果,确保了在不同情况下对管材进行有效的厚度调整。
本发明实施例中,通过激光扫描仪扫描目标管材的表面,得到目标管材的管材表面的三维坐标数据集;对三维坐标数据集进行嵌入向量表示,得到三维坐标数据集对应的嵌入向量集;将嵌入向量集输入管材分割区域分析模型进行区域分析,得到多个管材分割区域;通过多个管材分割区域对目标管材进行区域分割,得到多个管材区域,并对多个管材区域进行管材厚度提取,得到厚度数据集;基于厚度数据集分别对每个管材区域进行厚度缺陷识别,得到每个管材区域的厚度缺陷特征;通过厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;通过厚度调整参数集合对目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过厚度参数控制策略对目标管材进行管材厚度控制。在本申请方案中,通过对厚度缺陷特征的提取以及厚度约束条件对厚度缺陷特征的精准识别,最终计算得到厚度调整参数集合,可以更为精准的识别厚度缺陷,并进一步提高厚度参数的控制的准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对三维坐标数据集进行语义分析,得到语义数据集;
(2)通过语义数据集对三维坐标数据集进行数据集分割,得到多个子坐标数据集;
(3)分别对每个子坐标数据集进行坐标中心点提取,得到每个子坐标数据集对应的坐标中心点;
(4)通过每个子坐标数据集对语义数据集进行数据集分割,得到多个子语义数据集;
(5)通过多个子语义数据集分别对每个子坐标数据集进行向量嵌入处理,得到三维坐标数据集对应的嵌入向量集。
具体的,对三维坐标数据集进行语义分析,得到多个子坐标数据集。服务器利用先进的语义分析技术,例如深度学习中的语义分割模型,对三维坐标数据进行解析,从而将数据集中的点云分为不同的语义区域。这些区域可以代表目标物体的不同部分或不同的结构。通过语义分析,服务器得到了一个语义数据集,其中包含了对每个坐标点所属语义区域的信息。这为后续的处理提供了有力支持,使得服务器能够更好地理解和描述整个三维场景。通过语义数据集对三维坐标数据集进行数据集分割。根据语义信息将整个数据集划分为多个子坐标数据集,每个子坐标数据集包含属于同一语义区域的坐标点。这种分割有助于更好地处理和理解不同区域的特征。分别对每个子坐标数据集进行坐标中心点提取。通过对每个子坐标数据集计算其坐标点的中心,服务器得到了每个子坐标数据集对应的坐标中心点。这个中心点代表了该语义区域的空间位置,是后续处理的关键信息之一。通过每个子坐标数据集对语义数据集进行数据集分割。这一步骤与前述的数据集分割类似,但这里是在语义的层面上进行的。通过这样的操作,服务器得到了多个子语义数据集,每个子语义数据集包含了同一语义区域的语义信息。通过多个子语义数据集分别对每个子坐标数据集进行向量嵌入处理。将语义信息与坐标信息结合起来,为每个子坐标数据集生成对应的嵌入向量。这个向量可以被视为对该语义区域的抽象表示,其中融合了空间位置信息和语义信息。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、将嵌入向量集输入管材分割区域分析模型的卷积层进行卷积处理,得到卷积特征集;
S202、将卷积特征集输入管材分割区域分析模型的池化层进行反向传播处理,得到池化特征集;
S203、将池化特征集输入管材分割区域分析模型的归一化层进行归一化处理,得到对应的归一化数据;
S204、将归一化数据输入管材分割区域分析模型的全连接层进行区域分析,得到多个管材分割区域。
具体的,服务器将嵌入向量集输入到管材分割区域分析模型的卷积层进行卷积处理,得到卷积特征集。卷积层是深度学***均池化,通过在卷积特征上进行池化操作,服务器得到了池化特征集。这一步骤有助于降低数据的维度,提取出更为显著的特征。随后,将池化特征集输入到管材分割区域分析模型的归一化层进行归一化处理。归一化层是为了确保不同特征之间的尺度一致性,从而提高模型的训练稳定性。通过对池化特征进行归一化,服务器得到了对应的归一化数据,这有助于进一步提升模型的性能。将归一化数据输入到管材分割区域分析模型的全连接层进行区域分析。全连接层通常用于对高层次的全局特征进行建模和分析。通过全连接操作,模型可以整合归一化数据中的全局信息,从而得到多个管材分割区域。这些区域信息包含了嵌入向量的空间结构和语义特征,为进一步的管材分析提供了基础。
在一具体实施例中,如图3所示,执行步骤S105的过程可以具体包括如下步骤:
S301、对厚度数据集进行厚度平均值计算,得到目标平均值;
S302、通过目标平均值对厚度数据集进行数据筛选,得到多个厚度异常值;
S303、通过多个厚度异常值分别对每个管材区域进行异常厚度位置定位,得到多个异常厚度位置;
S304、基于多个异常厚度位置,分别对每个管材区域进行厚度缺陷识别,得到每个管材区域的厚度缺陷特征。
具体的,对厚度数据集进行平均值计算,得到目标平均值。通过对整个厚度数据集求取平均值,服务器获得一个整体的、代表性的度量,反映了目标管材的平均厚度水平。这个平均值是后续处理的重要参考。基于目标平均值,服务器进行数据筛选,得到多个厚度异常值。异常值通常是与平均值偏离较大的数值,在厚度数据中代表着潜在的缺陷或异常情况。这一步骤有助于从整体数据中筛选出具有特殊特征的数据点,引起进一步关注。通过多个厚度异常值,服务器对每个管材区域进行异常厚度位置定位。这一步骤是为了确定异常值所在的具***置,即确定在管材上的哪个部位存在异常。通过空间定位,服务器更精确地描述和定位的缺陷。基于多个异常厚度位置,服务器分别对每个管材区域进行厚度缺陷识别。利用异常位置附近的厚度数据进行深入分析,以确定是否存在缺陷,并进一步描述缺陷的性质和程度。这一步骤通过结合空间信息和数值信息,提高了对厚度缺陷的准确性。例如,如果某个管材区域的异常值集中在某个位置,表示该处存在缺陷,如腐蚀或损伤。
在一具体实施例中,如图4所示,执行步骤S304的过程可以具体包括如下步骤:
S401、基于多个异常厚度位置,分别对每个管材区域进行关键位置识别,得到每个管材区域对应的关键位置坐标;
S402、在每个管材区域对应的关键位置坐标,对每个管材区域进行图像采集,得到每个管材区域的管材图像集;
S403、对每个管材区域的管材图像集进行图像二值化处理,得到多个二值化图像集;
S404、对每个二值化图像集进行像素值分析,得到每个二值化图像集的像素值数据;
S405、基于每个二值化图像集的像素值数据,分别对每个管材区域进行厚度缺陷识别,得到每个管材区域的厚度缺陷特征。
具体的,基于多个异常厚度位置,服务器进行关键位置识别。确定在每个管材区域中,与异常值对应的关键位置。这些关键位置是管材上的局部极值点、凹凸点或其他特殊标志,有助于更准确地定位存在的缺陷。通过数学方法或计算机视觉中的特征点检测算法,服务器得到每个管材区域的关键位置坐标。在得到关键位置坐标之后,服务器对每个管材区域进行图像采集。在关键位置附近获取管材表面的图像。这可以通过使用激光扫描仪、相机等设备进行非接触式的图像采集。目的是为后续的图像处理提供原始数据。得到每个管材区域的图像集后,服务器对这些图像进行二值化处理。图像二值化是将图像转换为黑白两色的过程,将图像中的目标与背景明显区分开来。这可以通过阈值分割等图像处理技术来实现。通过二值化,服务器突出显示了图像中的目标轮廓和特征,有利于后续的像素值分析。对每个二值化图像集进行像素值分析。通过分析图像中的像素值,了解管材表面的局部特征和纹理信息。像素值的分布、密度、连通性等信息可以用于识别潜在的厚度缺陷。在这个阶段,服务器运用图像处理算法和计算机视觉技术,例如轮廓检测、形态学操作等,从而获得每个二值化图像集的像素值数据。基于每个二值化图像集的像素值数据,服务器分别对每个管材区域进行厚度缺陷识别。这可以通过机器学习方法,例如卷积神经网络(CNN)或其他图像分类算法,来判断图像中是否存在厚度缺陷,以及缺陷的类型和程度。例如,通过关键位置的确定和图像处理,可以准确识别管道表面的裂纹、腐蚀或其他缺陷,为后续的修复和质量控制提供了有效的信息。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)对每个管材区域的厚度缺陷特征进行缺陷类型识别,得到多个缺陷类型;
(2)对多个缺陷类型进行缺陷原因分析,得到每个缺陷类型的缺陷原因;
(3)基于每个缺陷类型的缺陷原因,通过厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合。
具体的,对每个管材区域的厚度缺陷特征进行缺陷类型识别。通过使用机器学习算法,例如支持向量机(SVM)、决策树、或者深度学习中的卷积神经网络(CNN)等进行分类。训练模型时,需要使用已知缺陷类型的数据集,使得模型能够学习并对新的数据进行分类。通过这一步,服务器得到多个缺陷类型,例如裂纹、腐蚀、或者其他类型的缺陷。对多个缺陷类型进行缺陷原因分析。每个缺陷类型有不同的成因,例如裂纹由于应力集中、金属疲劳等原因引起,而腐蚀与介质腐蚀性、环境湿度等因素相关。通过深入分析每个缺陷类型的成因,服务器更好地理解管材区域发生厚度缺陷的根本原因。基于每个缺陷类型的缺陷原因,服务器建立厚度约束条件。这些约束条件反映了在不同的缺陷类型下,管材区域的合理厚度范围。例如,在裂纹的情况下,由于应力集中,服务器期望管材在裂纹附近有一定的厚度补偿。这些约束条件可以通过工程经验、理论模型或者实验数据进行确定。通过厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数的计算。这一步骤是基于缺陷类型和缺陷原因的具体情况,通过数学建模或者优化算法,计算出使得厚度缺陷能够满足约束条件的调整参数。这些调整参数可以用于对管材区域的修复、优化或者制定更精准的管材控制策略。
在一具体实施例中,执行通过厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数计算步骤的过程可以具体包括如下步骤:
(1)对每个缺陷类型的缺陷原因进行原因标签构建,得到多个原因标签数据;
(2)基于多个原因标签数据对厚度约束条件进行条件修正,得到优化厚度约束条件;
(3)通过优化厚度约束条件,对每个管材区域的厚度缺陷特征进行厚度差异计算,得到多个厚度差异数据;
(4)对多个厚度差异数据进行厚度调整参数计算,得到厚度调整参数集合。
具体的,对每个缺陷类型的缺陷原因进行原因标签构建。这一步骤涉及专业领域知识和数据标注的工作。通过对已有的数据集进行人工或半自动标注,服务器为每个缺陷类型建立相应的缺陷原因标签。例如,在金属结构中,对于腐蚀缺陷,原因标签包括湿度、介质腐蚀性、金属合金成分等。基于多个原因标签数据,服务器进行条件修正,以得到优化的厚度约束条件。条件修正是根据缺陷类型和其对应的缺陷原因标签,调整原有的厚度约束条件,使其更符合实际情况。例如,对于腐蚀缺陷,服务器需要增加在高湿度环境下的厚度保留要求。通过数据驱动的方法,服务器不断优化和调整约束条件,以更好地反映实际工程应用中的情况。通过优化后的厚度约束条件,服务器对每个管材区域的厚度缺陷特征进行厚度差异计算。目的是比较实际测量厚度和理论要求厚度之间的差异,以量化缺陷的程度。通过数学计算或者图像处理技术,服务器得到多个厚度差异数据,每个数据对应一种缺陷类型和其原因标签。对多个厚度差异数据进行厚度调整参数计算。这可以通过优化算法、回归分析或其他数学模型实现。这些调整参数反映了在不同条件下,针对不同缺陷类型,对于保持合理的管材厚度所需的具体调整值。例如,对于高湿度环境下的腐蚀缺陷,需要更大的厚度调整参数。
上面对本发明实施例中厚度参数的控制方法进行了描述,下面对本发明实施例中厚度参数的控制装置进行描述,请参阅图5,本发明实施例中厚度参数的控制装置一个实施例包括:
扫描模块501,用于通过预置的激光扫描仪扫描目标管材的表面,得到所述目标管材的管材表面的三维坐标数据集;
表示模块502,用于对所述三维坐标数据集进行嵌入向量表示,得到所述三维坐标数据集对应的嵌入向量集;
分析模块503,用于将所述嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域;
分割模块504,用于通过多个所述管材分割区域对所述目标管材进行区域分割,得到多个管材区域,并对多个所述管材区域进行管材厚度提取,得到厚度数据集;
识别模块505,用于基于所述厚度数据集分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征;
计算模块506,用于通过预置的厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;
生成模块507,用于通过所述厚度调整参数集合对所述目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过所述厚度参数控制策略对所述目标管材进行管材厚度控制。
通过上述各个组成部分的协同合作,通过激光扫描仪扫描目标管材的表面,得到目标管材的管材表面的三维坐标数据集;对三维坐标数据集进行嵌入向量表示,得到三维坐标数据集对应的嵌入向量集;将嵌入向量集输入管材分割区域分析模型进行区域分析,得到多个管材分割区域;通过多个管材分割区域对目标管材进行区域分割,得到多个管材区域,并对多个管材区域进行管材厚度提取,得到厚度数据集;基于厚度数据集分别对每个管材区域进行厚度缺陷识别,得到每个管材区域的厚度缺陷特征;通过厚度约束条件对每个管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;通过厚度调整参数集合对目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过厚度参数控制策略对目标管材进行管材厚度控制。在本申请方案中,通过对厚度缺陷特征的提取以及厚度约束条件对厚度缺陷特征的精准识别,最终计算得到厚度调整参数集合,可以更为精准的识别厚度缺陷,并进一步提高厚度参数的控制的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的厚度参数的控制装置进行详细描述,下面从硬件处理的角度对本发明实施例中厚度参数的控制设备进行详细描述。
图6是本发明实施例提供的一种厚度参数的控制设备的结构示意图,该厚度参数的控制设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessingunits,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对厚度参数的控制设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在厚度参数的控制设备600上执行存储介质630中的一系列指令操作。
厚度参数的控制设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作***631,例如WindowsServe,MacOSX,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的厚度参数的控制设备结构并不构成对厚度参数的控制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种厚度参数的控制设备,所述厚度参数的控制设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述厚度参数的控制方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述厚度参数的控制方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或通过时,可以存储在一个计算机可读取存储介质中。基于的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomacceSmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种厚度参数的控制方法,其特征在于,所述厚度参数的控制方法包括:
通过预置的激光扫描仪扫描目标管材的表面,得到所述目标管材的管材表面的三维坐标数据集;
对所述三维坐标数据集进行嵌入向量表示,得到所述三维坐标数据集对应的嵌入向量集;
将所述嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域;
通过多个所述管材分割区域对所述目标管材进行区域分割,得到多个管材区域,并对多个所述管材区域进行管材厚度提取,得到厚度数据集;
基于所述厚度数据集分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征;
通过预置的厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;
通过所述厚度调整参数集合对所述目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过所述厚度参数控制策略对所述目标管材进行管材厚度控制。
2.根据权利要求1所述的厚度参数的控制方法,其特征在于,所述对所述三维坐标数据集进行嵌入向量表示,得到所述三维坐标数据集对应的嵌入向量集,包括:
对所述三维坐标数据集进行语义分析,得到语义数据集;
通过所述语义数据集对所述三维坐标数据集进行数据集分割,得到多个子坐标数据集;
分别对每个所述子坐标数据集进行坐标中心点提取,得到每个所述子坐标数据集对应的坐标中心点;
通过每个所述子坐标数据集对所述语义数据集进行数据集分割,得到多个子语义数据集;
通过多个所述子语义数据集分别对每个所述子坐标数据集进行向量嵌入处理,得到所述三维坐标数据集对应的嵌入向量集。
3.根据权利要求1所述的厚度参数的控制方法,其特征在于,所述将所述嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域,包括:
将所述嵌入向量集输入所述管材分割区域分析模型的卷积层进行卷积处理,得到卷积特征集;
将所述卷积特征集输入所述管材分割区域分析模型的池化层进行反向传播处理,得到池化特征集;
将所述池化特征集输入所述管材分割区域分析模型的归一化层进行归一化处理,得到对应的归一化数据;
将所述归一化数据输入所述管材分割区域分析模型的全连接层进行区域分析,得到多个管材分割区域。
4.根据权利要求1所述的厚度参数的控制方法,其特征在于,所述基于所述厚度数据集分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征,包括:
对所述厚度数据集进行厚度平均值计算,得到目标平均值;
通过所述目标平均值对所述厚度数据集进行数据筛选,得到多个厚度异常值;
通过多个所述厚度异常值分别对每个所述管材区域进行异常厚度位置定位,得到多个异常厚度位置;
基于多个所述异常厚度位置,分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征。
5.根据权利要求4所述的厚度参数的控制方法,其特征在于,所述基于多个所述异常厚度位置,分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征,包括:
基于多个所述异常厚度位置,分别对每个所述管材区域进行关键位置识别,得到每个所述管材区域对应的关键位置坐标;
在每个所述管材区域对应的关键位置坐标,对每个所述管材区域进行图像采集,得到每个所述管材区域的管材图像集;
对每个所述管材区域的管材图像集进行图像二值化处理,得到多个二值化图像集;
对每个所述二值化图像集进行像素值分析,得到每个所述二值化图像集的像素值数据;
基于每个所述二值化图像集的像素值数据,分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征。
6.根据权利要求1所述的厚度参数的控制方法,其特征在于,所述通过预置的厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合,包括:
对每个所述管材区域的厚度缺陷特征进行缺陷类型识别,得到多个缺陷类型;
对多个所述缺陷类型进行缺陷原因分析,得到每个所述缺陷类型的缺陷原因;
基于每个所述缺陷类型的缺陷原因,通过所述厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合。
7.根据权利要求6所述的厚度参数的控制方法,其特征在于,所述基于每个所述缺陷类型的缺陷原因,通过所述厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合,包括:
对每个所述缺陷类型的缺陷原因进行原因标签构建,得到多个原因标签数据;
基于多个所述原因标签数据对所述厚度约束条件进行条件修正,得到优化厚度约束条件;
通过所述优化厚度约束条件,对每个所述管材区域的厚度缺陷特征进行厚度差异计算,得到多个厚度差异数据;
对多个所述厚度差异数据进行厚度调整参数计算,得到所述厚度调整参数集合。
8.一种厚度参数的控制装置,其特征在于,所述厚度参数的控制装置包括:
扫描模块,用于通过预置的激光扫描仪扫描目标管材的表面,得到所述目标管材的管材表面的三维坐标数据集;
表示模块,用于对所述三维坐标数据集进行嵌入向量表示,得到所述三维坐标数据集对应的嵌入向量集;
分析模块,用于将所述嵌入向量集输入预置的管材分割区域分析模型进行区域分析,得到多个管材分割区域;
分割模块,用于通过多个所述管材分割区域对所述目标管材进行区域分割,得到多个管材区域,并对多个所述管材区域进行管材厚度提取,得到厚度数据集;
识别模块,用于基于所述厚度数据集分别对每个所述管材区域进行厚度缺陷识别,得到每个所述管材区域的厚度缺陷特征;
计算模块,用于通过预置的厚度约束条件对每个所述管材区域的厚度缺陷特征进行厚度调整参数计算,得到对应的厚度调整参数集合;
生成模块,用于通过所述厚度调整参数集合对所述目标管材进行厚度参数控制策略生成,得到厚度参数控制策略,并通过所述厚度参数控制策略对所述目标管材进行管材厚度控制。
9.一种厚度参数的控制设备,其特征在于,所述厚度参数的控制设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述厚度参数的控制设备执行如权利要求1-7中任一项所述的厚度参数的控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的厚度参数的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675262.3A CN117372433B (zh) | 2023-12-08 | 2023-12-08 | 厚度参数的控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675262.3A CN117372433B (zh) | 2023-12-08 | 2023-12-08 | 厚度参数的控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372433A true CN117372433A (zh) | 2024-01-09 |
CN117372433B CN117372433B (zh) | 2024-03-08 |
Family
ID=89400687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311675262.3A Active CN117372433B (zh) | 2023-12-08 | 2023-12-08 | 厚度参数的控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372433B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974669A (zh) * | 2024-04-02 | 2024-05-03 | 北京阿迈特医疗器械有限公司 | 植、介入性管状器械的在线检测与制备控制方法及装置 |
CN118010847A (zh) * | 2024-04-08 | 2024-05-10 | 常州润来科技有限公司 | 一种内螺纹管胚缺陷检测方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
CN112113908A (zh) * | 2020-10-20 | 2020-12-22 | 易视智瞳科技(深圳)有限公司 | 一种管材测量与缺陷的检测设备及检测方法 |
CN112581457A (zh) * | 2020-12-23 | 2021-03-30 | 武汉理工大学 | 一种基于三维点云的管道内表面检测方法及装置 |
WO2021189901A1 (zh) * | 2020-10-15 | 2021-09-30 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
US20210319265A1 (en) * | 2020-11-02 | 2021-10-14 | Zhengzhou University | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network |
CN113588796A (zh) * | 2021-10-08 | 2021-11-02 | 广东海洋大学 | 一种海洋管道监测预警方法及*** |
CN114387332A (zh) * | 2022-01-17 | 2022-04-22 | 江苏省特种设备安全监督检验研究院 | 一种管道测厚方法及装置 |
CN114792323A (zh) * | 2022-06-23 | 2022-07-26 | 张家港沙龙精密管业有限公司 | 一种基于图像处理的钢管变形检测方法及*** |
CN115062515A (zh) * | 2022-06-23 | 2022-09-16 | 中国矿业大学 | 一种管道壁厚、焊缝余高及缺陷尺寸的量化方法 |
CN116883338A (zh) * | 2023-06-29 | 2023-10-13 | 智贸佳科技(重庆)有限公司 | 一种基于传感器融合和人工智能的增材制造软件质控方法 |
CN117078585A (zh) * | 2023-04-28 | 2023-11-17 | 中国石油化工股份有限公司 | 一种管道的缺陷损伤检测方法、装置、设备及介质 |
-
2023
- 2023-12-08 CN CN202311675262.3A patent/CN117372433B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
WO2021189901A1 (zh) * | 2020-10-15 | 2021-09-30 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN112113908A (zh) * | 2020-10-20 | 2020-12-22 | 易视智瞳科技(深圳)有限公司 | 一种管材测量与缺陷的检测设备及检测方法 |
US20210319265A1 (en) * | 2020-11-02 | 2021-10-14 | Zhengzhou University | Method for segmentation of underground drainage pipeline defects based on full convolutional neural network |
CN112581457A (zh) * | 2020-12-23 | 2021-03-30 | 武汉理工大学 | 一种基于三维点云的管道内表面检测方法及装置 |
CN113588796A (zh) * | 2021-10-08 | 2021-11-02 | 广东海洋大学 | 一种海洋管道监测预警方法及*** |
CN114387332A (zh) * | 2022-01-17 | 2022-04-22 | 江苏省特种设备安全监督检验研究院 | 一种管道测厚方法及装置 |
CN114792323A (zh) * | 2022-06-23 | 2022-07-26 | 张家港沙龙精密管业有限公司 | 一种基于图像处理的钢管变形检测方法及*** |
CN115062515A (zh) * | 2022-06-23 | 2022-09-16 | 中国矿业大学 | 一种管道壁厚、焊缝余高及缺陷尺寸的量化方法 |
CN117078585A (zh) * | 2023-04-28 | 2023-11-17 | 中国石油化工股份有限公司 | 一种管道的缺陷损伤检测方法、装置、设备及介质 |
CN116883338A (zh) * | 2023-06-29 | 2023-10-13 | 智贸佳科技(重庆)有限公司 | 一种基于传感器融合和人工智能的增材制造软件质控方法 |
Non-Patent Citations (1)
Title |
---|
郭润元: "基于机器学习方法的管材缺陷识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974669A (zh) * | 2024-04-02 | 2024-05-03 | 北京阿迈特医疗器械有限公司 | 植、介入性管状器械的在线检测与制备控制方法及装置 |
CN118010847A (zh) * | 2024-04-08 | 2024-05-10 | 常州润来科技有限公司 | 一种内螺纹管胚缺陷检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117372433B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117372433B (zh) | 厚度参数的控制方法、装置、设备及存储介质 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN107798326B (zh) | 一种轮廓视觉检测方法 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
US20100063612A1 (en) | System and method for the on-machine 2-d contour measurement | |
JP2017107541A (ja) | 情報処理装置、情報処理方法、プログラムおよび検査システム | |
Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
JP2021515885A (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
JP2013541779A (ja) | ウェブベースの材料のばらつきを検出するための、不均一性の厳しさ度の連続的なチャート化 | |
CN108492327B (zh) | Aoi图像匹配方法、***、可读存储介质及智能设备 | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及*** | |
CN115131596A (zh) | 缺陷分类装置、方法以及程序 | |
CN114863129A (zh) | 仪表数值分析方法、装置、设备及存储介质 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及*** | |
Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
CN115587989B (zh) | 一种工件ct图像缺陷检测分割方法及*** | |
CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
CN116228776A (zh) | 一种机电设备焊接缺陷识别方法及*** | |
CN113870328A (zh) | 一种液体异物视觉检测方法及*** | |
CN112419244A (zh) | 基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法及装置 | |
CN112148605A (zh) | 一种基于谱聚类的半监督学习的软件缺陷预测方法 | |
CN117690846B (zh) | 太阳能硅片视觉检测方法、装置、设备及存储介质 | |
CN118070983B (zh) | 一种基于深度学习的工业机械生产优化方法及*** |
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 |