CN117387517A - 一种数字仪表面板质量检测方法及*** - Google Patents
一种数字仪表面板质量检测方法及*** Download PDFInfo
- Publication number
- CN117387517A CN117387517A CN202311390359.XA CN202311390359A CN117387517A CN 117387517 A CN117387517 A CN 117387517A CN 202311390359 A CN202311390359 A CN 202311390359A CN 117387517 A CN117387517 A CN 117387517A
- Authority
- CN
- China
- Prior art keywords
- instrument panel
- quality
- digital instrument
- appearance
- image information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 140
- 238000009826 distribution Methods 0.000 claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 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
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- 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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能检测技术领域,尤其涉及一种数字仪表面板质量检测方法,方法包括:对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息;对数字仪表盘的配电外观进行图像采集,获得配电外观图像信息;基于轮廓外观图像信息和配电外观图像信息对数字仪表盘进行外观质量分类,获得质量分类结果;根据质量分类结果,确定质量筛选节点,并对通过质量筛选节点的数字仪表盘进行多维性能检测,并生成多维性能检测数据集合;建立质量检测模型,将多维性能检测数据集合输入质量检测模型内,获得质量检测结果。通过本发明,实现了自动化的出厂参数检测,代替了人工检测多项参数的过程,降低了参数检测误差的可能性,提高产品的质量和参数检测的效率。
Description
技术领域
本发明涉及智能检测技术领域,尤其涉及一种数字仪表面板质量检测方法及***。
背景技术
数字仪表面板应用广泛,尤其是在当今的电动车制造领域上,成为不可或缺的一部分,它有助于提高安全性和更易获取驾驶车辆状态信息,使得驾驶人员身处安全的驾驶环境,且相比较传统的机械式仪表盘可以显示处更为丰富的信息和功能。
出厂检测是数字仪表盘在组装上市的重要步骤,也是必要步骤,目前的出厂的检测往往涉及人工检测各项出厂参数,由于人工干预和同一检测目标的多项检测繁杂,参数检测的最终结果可能存在误差,导致产品质量下降,且各个检测项目之间相互独立,检测完整的一台设备需要人为记录信息,识别是否合格,大大消耗人工成本。
公开于该背景技术部分的信息仅仅旨在加深对本公开总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种数字仪表面板质量检测方法及***,可有效解决背景技术中的问题。
为了达到上述目的,本发明所采用的技术方案是:
一种数字仪表面板质量检测方法,所述方法包括:
对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息;
对所述数字仪表盘的配电外观进行图像采集,获得配电外观图像信息;
基于所述轮廓外观图像信息和配电外观图像信息对所述数字仪表盘进行外观质量分类,获得质量分类结果;
根据所述质量分类结果,确定质量筛选节点,并对通过所述质量筛选节点的所述数字仪表盘进行多维性能检测,并生成多维性能检测数据集合;
建立质量检测模型,将所述多维性能检测数据集合输入所述质量检测模型内,获得质量检测结果。
进一步地,对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息,包括:
根据所述数字仪表盘的轮廓外观建立三维采集空间;
确定所述数字仪表盘的轮廓边界在所述三维采集空间的位置;
对所述数字仪表盘的轮廓外观进行扫描,获得轮廓外观图像信息。
进一步地,确定所述数字仪表盘的轮廓边界在所述三维采集空间的位置,包括:
在所述三维采集空间内建立三维坐标系;
根据所述数字仪表盘的轮廓设置所述三维坐标系的密度;
将所述数字仪表盘的轮廓设置一个固定点为第一标签点;
将所述第一标签点与三维坐标系原点重合,其中,所述第一标签点的设置要确保所述数字仪表盘的轮廓外观整体落在所述三维坐标系的第一象限中。
进一步地,对所述数字仪表盘的配电外观进行图像采集,获得配电外观图像信息,包括:
确定所述数字仪表盘的配电屏幕的位置;
选择垂直于所述配电屏幕的采集角度,并确定采集距离;
将采集得到的配电屏幕图像进行亮度识别,获得所述配电外观图像信息。
进一步地,将采集得到的配电屏幕图像进行亮度识别,包括:
将所述配电屏幕图像转化成灰度值图像;
并将所述配电屏幕图像非发亮区域的灰度值设置为0;
构建卷积神经网络,并基于所述配电屏幕图像的亮度预设值构建所述卷积神经网络的卷积层;
将所述灰度值图像转化成供所述卷积神经网络识别的矩阵;
通过所述卷积神经网络对所述配电屏幕图像进行亮度识别。
进一步地,基于所述轮廓外观图像信息和配电外观图像信息对所述数字仪表盘进行外观质量分类,获得质量分类结果,包括:
分别对所述轮廓外观图像信息和配电外观图像信息进行预处理;
并对处理后的所述轮廓外观图像信息和配电外观图像信息提取适当的特征,其中,提取的所述特征可用于K均值聚类算法;
将提取特征的结果转化成特征向量,确保所述特征向量的维度一致;
使用所述K均值聚类算法将所述特征向量进行聚类,并获得所述质量分类结果。
进一步地,使用所述K均值聚类算法将所述特征向量进行聚类,包括:
S1:初始化簇中心,所述簇中心为所述特征向量的集中点;
S2:计算所述特征向量与所述簇中心之间的距离;
S3:根据计算得到的所述距离将所述特征向量分配对应的所述簇中心;
S4:根据所有分配的所述特征向量更新所述簇中心;
S5:设置停止条件,根据所述停止条件重复迭代上述步骤S2-S4。
进一步地,对通过所述质量筛选节点的所述数字仪表盘进行多维性能检测,包括:
所述质量筛选节点对所述质量分类结果进行判定,筛选出外观质量通过标准的所述数字仪表盘;
确定所述多维性能检测的检测项,并按照所述检测项对所述数字仪表盘性能进行检测;
将单个所述数字仪表盘的多维性能检测结果生成所述多维性能检测数据集合。
进一步地,建立质量检测模型,包括:
采集所述数字仪表盘的历史检测数据信息;
对所述历史检测数据信息进行数据清洗;
基于机器学习模型对清洗后的所述历史检测数据信息进行深度学习;
并建立所述质量检测模型,***特征提取层,对所述多维性能检测数据集合内的数据特征进行提取。
一种数字仪表面板质量检测***,其特征在于,所述***包括:
轮廓图像采集模块,对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息;
配电图像采集模块,对所述数字仪表盘的配电外观进行图像采集,获得配电外观图像信息;
外观质量分类模块,基于所述轮廓外观图像信息和配电外观图像信息对所述数字仪表盘进行外观质量分类,获得质量分类结果;
质量筛选模块,根据所述质量分类结果,确定质量筛选节点,并对通过所述质量筛选节点的所述数字仪表盘进行多维性能检测,并生成多维性能检测数据集合;
质量检测模块,建立质量检测模型,将所述多维性能检测数据集合输入所述质量检测模型内,获得质量检测结果。
通过本发明的技术方案,可实现以下技术效果:
本发明实现了自动化的出厂参数检测,并综合评定数字仪表盘的外观质量检测和多维性能质量检测,代替了人工检测多项参数并对质量检测进行评估的过程,有效降低了参数检测误差的可能性,有助于提高产品的质量和参数检测的效率,且有效地降低了流入市场的产品残品率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为数字仪表面板质量检测方法的流程示意图;
图2为获得轮廓外观图像信息的流程示意图;
图3为确定数字仪表盘的轮廓边界的流程示意图;
图4为获得质量分类结果的流程示意图;
图5为使用K均值聚类算法将特征向量进行聚类的流程示意图;
图6为数字仪表面板质量检测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示,本申请提供了一种数字仪表面板质量检测方法,方法包括:
S100:对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息;本步骤首先选择图像采集设备,对数字仪表盘的轮廓外观进行图像采集旨在对仪表盘的外观壳体部分进行图像识别,了解外壳的生产质量情况,用以之后的比对参考。
S200:对数字仪表盘的配电外观进行图像采集,获得配电外观图像信息;同上述步骤的目的,配电外观是指仪表盘在通电状态下的屏幕显示,通过通电和断电两种状态下的控制,对仪表盘的外观图像进行分别采集,可以更加全面地反映出仪表盘的外观生产质量。
S300:基于轮廓外观图像信息和配电外观图像信息对数字仪表盘进行外观质量分类,获得质量分类结果;本步骤中不以单个单位的仪表盘作为检测单元,而是通过采集一定数量批次的仪表盘使仪表盘形成质量分级,并可以通过对单个仪表盘附着电子标签形式对其进行编号和定位查找,这样以单属性建立队列的形式对同批次的数字仪表盘进行质量划分,首先判定单属性是否达到最基础的标准,即是否存在残次品,其次在满足合格属性的条件之上,可以对质量进行进一步的划分;需要注意的是,在外观质量中,本实施例采取两个单一属性对仪表盘的外观质量进行评价,而两个属性又各自在单独队列中进行单一属性的评价,可以采取综合评分的方法对其进行质量等级的判定,综合评分可以根据相应的产品特征赋予不同属性不同的评价权重,也可以将权重等分,最后通过电子标签使得综合评价回归对应至同一仪表盘,生成质量分类结果。
S400:根据质量分类结果,确定质量筛选节点,并对通过质量筛选节点的数字仪表盘进行多维性能检测,并生成多维性能检测数据集合;这里的质量筛选节点可以是质量合格的标点,也可以是质量等级划分的标点,根据不同做工和后续处理的数字仪表盘制定满足自身需求的质量筛选节点,本实施例中并不代表只存在一个质量筛选节点,而是可以设置多个质量筛选节点对质量进行逐层划分,并根据划分质量的结果以单个数字仪表盘为单位,对数字仪表盘的其他性能做出检测,这些性能可以包括震动检测,耐高温,耐腐蚀检测等,并将同一仪表盘的多项结果生成多维性能检测数据集合。
S500:建立质量检测模型,将多维性能检测数据集合输入质量检测模型内,获得质量检测结果。在本步骤中,将汇集好的多维性能检测数据集合输入至质量检测模型内,此时多维性能检测数据集合与数字仪表盘的标签、外观质量检测结果三者对应,质量检测模型对多维性能检测数据集合内的各项检测数据做出质量评价,再根据先前划分好的关于外观的质量检测结果对数字仪表盘的出厂参数获得最后的质量检测结果。
本发明实现了自动化的出厂参数检测,并综合评定数字仪表盘的外观质量检测和多维性能质量检测,代替了人工检测多项参数并对质量检测进行评估的过程,有效降低了参数检测误差的可能性,有助于提高产品的质量和参数检测的效率,且有效地降低了流入市场的产品残品率。
进一步地,如图2所示,对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息,包括:
S110:根据数字仪表盘的轮廓外观建立三维采集空间;
S120:确定数字仪表盘的轮廓边界在三维采集空间的位置;
S130:对数字仪表盘的轮廓外观进行扫描,获得轮廓外观图像信息。
在上述实施例的基础之上,建立一个三维采集空间对数字仪表盘的宽阔外观进行描点,需要注意此三维采集空间的建立要基于数字仪表盘外轮廓的范围,即考虑实际壳体轮廓的边界之间的距离,此目的为了在建立采集空间之初便考虑后续的图像点采集难度以及计算量的问题,有助于提高整体的采集以及检测速度,在实际建立采集空间的过程中,可以考虑多款样式的数字仪表盘的外轮廓,以建立可以兼容检测多个批次的数字仪表盘外观轮廓,建立好三维采集空间之后,在三维采集空间内设置多个采集仪器,具体可以使用激光扫描仪或结构光扫描仪来扫描空间,生成点云数据,然后从点云数据中提取所需的坐标点,并以此获得轮廓外观图像信息。
进一步地,如图3所示,确定数字仪表盘的轮廓边界在三维采集空间的位置,包括:
S111:在三维采集空间内建立三维坐标系;
S112:根据数字仪表盘的轮廓设置三维坐标系的密度;
S113:将数字仪表盘的轮廓设置一个固定点为第一标签点;
S114:将第一标签点与三维坐标系原点重合,其中,第一标签点的设置要确保数字仪表盘的轮廓外观整体落在三维坐标系的第一象限中。
在上述实施例的基础之上,根据具体数字仪表盘的轮廓特征设置坐标系的密度,密度越高,轮廓表示得越精细,但也需要更多的数据点,密度通常以每单位距离内的点数来表示,例如每厘米,设置坐标点密度的同时,要注意选择一个轮廓上的固定点作为第一标签点,通过选择固定点作为参考,可以保证后续计算中的一致性和精确性,并可以将第一标签点作为坐标系中的一个已知点,用于定位和校准,选择将第一标签点与三维坐标系原点重合,通过将第一标签点与原点对齐,可以简化后续计算和操作,并确保测量结果的准确性;此外,第一标签点的设置还需要确保数字仪表盘的轮廓外观整***于三维坐标系的第一象限中,以便后续计算处理方便和符合预期。
进一步地,对数字仪表盘的配电外观进行图像采集,获得配电外观图像信息,包括:
确定数字仪表盘的配电屏幕的位置;
选择垂直于配电屏幕的采集角度,并确定采集距离;
将采集得到的配电屏幕图像进行亮度识别,获得配电外观图像信息。
本实施例中,与上述采集轮廓外观的目的相同,配电屏幕指的是电动车在仪表盘通电状态下的显示多个信息和功能的具有一定亮度和颜色的区域,通常情况下,电动车的仪表盘的显示设计会具有集聚性,与上述采集轮廓图像的区别是,采集配电外观图像信息一般只需要采集平面图像信息即可,本实施例选择的是对配电屏幕图像中的亮度进行识别,通过亮度的反馈获得在配电状态下数字仪表盘的质量信息。
进一步地,将采集得到的配电屏幕图像进行亮度识别,包括:
将配电屏幕图像转化成灰度值图像;
并将配电屏幕图像非发亮区域的灰度值设置为0;
构建卷积神经网络,并基于配电屏幕图像的亮度预设值构建卷积神经网络的卷积层;
将灰度值图像转化成供卷积神经网络识别的矩阵;
通过卷积神经网络对配电屏幕图像进行亮度识别。
在上述实施例的基础之上,当图像被转化成灰度图像后,每个像素点不再包含颜色信息,而只包含亮度信息,灰度图像中的每个像素值代表了对应位置上的亮度强度,通常在0(黑色)到255(白色)之间,0表示最暗,255表示最亮,将非亮度区域灰度值设置为0有助于卷积神经网络的卷积层对灰度图像的精确识别,避免反光,高亮点的干扰形成的亮度判断误差;使用卷积神经网络并构建卷积层来识别灰度图像,首先,卷积层可以提取图像的局部特征,例如边缘和纹理,从而更好地理解图像的结构和内容。其次,参数共享机制减少了网络的参数量,降低了过拟合的风险,并使网络更加高效和可训练。
进一步地,如图4所示,基于轮廓外观图像信息和配电外观图像信息对数字仪表盘进行外观质量分类,获得质量分类结果,包括:
S310:分别对轮廓外观图像信息和配电外观图像信息进行预处理;
S320:并对处理后的轮廓外观图像信息和配电外观图像信息提取适当的特征,其中,提取的特征可用于K均值聚类算法;
S330:将提取特征的结果转化成特征向量,确保特征向量的维度一致;
S340:使用K均值聚类算法将特征向量进行聚类,并获得质量分类结果。
作为上述实施例的优选,预处理包括对图像的去噪、增强等,确保特征提取的精确性,并根据实际需求确定分类标准,根据所需要的分类标准去对应提取特征,这些特征可以包括形状、纹理、颜色以及亮度等,之后将提取的特征转化成统一维度的特征向量,确保每个特征向量都具有相同的维度,以便后续通过K均值聚类算法能够有效运行,这通常涉及将不同特征连接在一起或使用降维技术,如主成分分析来减少维度。
进一步地,如图5所示,使用K均值聚类算法将特征向量进行聚类,包括:
S1:初始化簇中心,簇中心为特征向量的集中点;
S2:计算特征向量与簇中心之间的距离;
S3:根据计算得到的距离将特征向量分配对应的簇中心;
S4:根据所有分配的特征向量更新簇中心;
S5:设置停止条件,根据停止条件重复迭代上述步骤S2-S4。
在上述实施例的基础之上,首先需要选择K个初始簇中心,对于初始簇中心的选择可以根据预期值划分,也可以按照检测经验手动设定,对于每个数据点,计算它与K个簇中心点之间的距离,通常可以使用欧氏距离或其他相似性度量,将数据点分配给距离最近的簇中心,即将数据点分配给使距离最小的簇,对于每个簇,计算该簇中所有数据点的平均值(质心),将这个平均值作为新的簇中心点,这一步会更新簇中心的位置,重复迭代,直到满足停止条件,常见的停止条件包括达到最大迭代次数、簇中心不再发生显著变化、或者达到某个收敛阈值,当K均值算法停止迭代后,每个数据点都被分配到一个簇中,且簇的中心点已经确定。
进一步地,对通过质量筛选节点的数字仪表盘进行多维性能检测,包括:
质量筛选节点对质量分类结果进行判定,筛选出外观质量通过标准的数字仪表盘;
确定多维性能检测的检测项,并按照检测项对数字仪表盘性能进行检测;
将单个数字仪表盘的多维性能检测结果生成多维性能检测数据集合。
在本实施方式中,检测项可以包括防水、抗震动反光性能、耐久性能等多项检测,这些检测可以根据电动车仪表盘的规格和用途进行定制,以确保产品的质量。性能和可靠性。
进一步地,建立质量检测模型,包括:
采集数字仪表盘的历史检测数据信息;
对历史检测数据信息进行数据清洗;
基于机器学习模型对清洗后的历史检测数据信息进行深度学习;
并建立质量检测模型,***特征提取层,对多维性能检测数据集合内的数据特征进行提取。
在上述实施方式的基础之上,根据收集历史的数字仪表盘检测数据,包括多维性能参数以及相应的质量标签(例如合格和不合格),其中,对于数据进行清洗,包括处理缺失值、异常值和噪声数据,确保数据的质量和一致性,之后选择合适的深度学习模型对数据进行学习,并得到判定质量检测的标准化和等级化,可另选历史数据对该模型进行训练和验证,以此提高模型对于输出质量检测结果的精度,***特征提取层的实际意义在于将原始数据转化为有助于机器学习模型理解和处理的形式,同时降低了数据的维度和复杂性,这有助于提高模型的性能、可解释性和泛化能力,从而更好地应对多维性能检测数据的质量分类任务。
实施例二:
如图6所示,一种数字仪表面板质量检测***,***包括:
轮廓图像采集模块,对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息;
配电图像采集模块,对数字仪表盘的配电外观进行图像采集,获得配电外观图像信息;
外观质量分类模块,基于轮廓外观图像信息和配电外观图像信息对数字仪表盘进行外观质量分类,获得质量分类结果;
质量筛选模块,根据质量分类结果,确定质量筛选节点,并对通过质量筛选节点的数字仪表盘进行多维性能检测,并生成多维性能检测数据集合;
质量检测模块,建立质量检测模型,将多维性能检测数据集合输入质量检测模型内,获得质量检测结果。
本发明中的上述调整***可有效的实现数字仪表面板质量检测方法,能够起到的技术效果如上述实施例所描述的,此处不再赘述。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种数字仪表面板质量检测方法,其特征在于,所述方法包括:
对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息;
对所述数字仪表盘的配电外观进行图像采集,获得配电外观图像信息;
基于所述轮廓外观图像信息和配电外观图像信息对所述数字仪表盘进行外观质量分类,获得质量分类结果;
根据所述质量分类结果,确定质量筛选节点,并对通过所述质量筛选节点的所述数字仪表盘进行多维性能检测,并生成多维性能检测数据集合;
建立质量检测模型,将所述多维性能检测数据集合输入所述质量检测模型内,获得质量检测结果。
2.根据权利要求1所述的数字仪表面板质量检测方法,其特征在于,对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息,包括:
根据所述数字仪表盘的轮廓外观建立三维采集空间;
确定所述数字仪表盘的轮廓边界在所述三维采集空间的位置;
对所述数字仪表盘的轮廓外观进行扫描,获得轮廓外观图像信息。
3.根据权利要求2所述的数字仪表面板质量检测方法,其特征在于,确定所述数字仪表盘的轮廓边界在所述三维采集空间的位置,包括:
在所述三维采集空间内建立三维坐标系;
根据所述数字仪表盘的轮廓设置所述三维坐标系的密度;
将所述数字仪表盘的轮廓设置一个固定点为第一标签点;
将所述第一标签点与三维坐标系原点重合,其中,所述第一标签点的设置要确保所述数字仪表盘的轮廓外观整体落在所述三维坐标系的第一象限中。
4.根据权利要求3所述的数字仪表面板质量检测方法,其特征在于,对所述数字仪表盘的配电外观进行图像采集,获得配电外观图像信息,包括:
确定所述数字仪表盘的配电屏幕的位置;
选择垂直于所述配电屏幕的采集角度,并确定采集距离;
将采集得到的配电屏幕图像进行亮度识别,获得所述配电外观图像信息。
5.根据权利要求4所述的数字仪表面板质量检测方法,其特征在于,将采集得到的配电屏幕图像进行亮度识别,包括:
将所述配电屏幕图像转化成灰度值图像;
并将所述配电屏幕图像非发亮区域的灰度值设置为0;
构建卷积神经网络,并基于所述配电屏幕图像的亮度预设值构建所述卷积神经网络的卷积层;
将所述灰度值图像转化成供所述卷积神经网络识别的矩阵;
通过所述卷积神经网络对所述配电屏幕图像进行亮度识别。
6.根据权利要求1所述的数字仪表面板质量检测方法,其特征在于,基于所述轮廓外观图像信息和配电外观图像信息对所述数字仪表盘进行外观质量分类,获得质量分类结果,包括:
分别对所述轮廓外观图像信息和配电外观图像信息进行预处理;
并对处理后的所述轮廓外观图像信息和配电外观图像信息提取适当的特征,其中,提取的所述特征可用于K均值聚类算法;
将提取特征的结果转化成特征向量,确保所述特征向量的维度一致;
使用所述K均值聚类算法将所述特征向量进行聚类,并获得所述质量分类结果。
7.根据权利要求6所述的数字仪表面板质量检测方法,其特征在于,使用所述K均值聚类算法将所述特征向量进行聚类,包括:
S1:初始化簇中心,所述簇中心为所述特征向量的集中点;
S2:计算所述特征向量与所述簇中心之间的距离;
S3:根据计算得到的所述距离将所述特征向量分配对应的所述簇中心;
S4:根据所有分配的所述特征向量更新所述簇中心;
S5:设置停止条件,根据所述停止条件重复迭代上述步骤S2-S4。
8.根据权利要求1所述的数字仪表面板质量检测方法,其特征在于,对通过所述质量筛选节点的所述数字仪表盘进行多维性能检测,包括:
所述质量筛选节点对所述质量分类结果进行判定,筛选出外观质量通过标准的所述数字仪表盘;
确定所述多维性能检测的检测项,并按照所述检测项对所述数字仪表盘性能进行检测;
将单个所述数字仪表盘的多维性能检测结果生成所述多维性能检测数据集合。
9.根据权利要求1所述的数字仪表面板质量检测方法,其特征在于,建立质量检测模型,包括:
采集所述数字仪表盘的历史检测数据信息;
对所述历史检测数据信息进行数据清洗;
基于机器学习模型对清洗后的所述历史检测数据信息进行深度学习;
并建立所述质量检测模型,***特征提取层,对所述多维性能检测数据集合内的数据特征进行提取。
10.一种数字仪表面板质量检测***,其特征在于,所述***包括:
轮廓图像采集模块,对数字仪表盘的轮廓外观进行图像采集,获得轮廓外观图像信息;
配电图像采集模块,对所述数字仪表盘的配电外观进行图像采集,获得配电外观图像信息;
外观质量分类模块,基于所述轮廓外观图像信息和配电外观图像信息对所述数字仪表盘进行外观质量分类,获得质量分类结果;
质量筛选模块,根据所述质量分类结果,确定质量筛选节点,并对通过所述质量筛选节点的所述数字仪表盘进行多维性能检测,并生成多维性能检测数据集合;
质量检测模块,建立质量检测模型,将所述多维性能检测数据集合输入所述质量检测模型内,获得质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390359.XA CN117387517B (zh) | 2023-10-25 | 2023-10-25 | 一种数字仪表面板质量检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390359.XA CN117387517B (zh) | 2023-10-25 | 2023-10-25 | 一种数字仪表面板质量检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117387517A true CN117387517A (zh) | 2024-01-12 |
CN117387517B CN117387517B (zh) | 2024-03-15 |
Family
ID=89435537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311390359.XA Active CN117387517B (zh) | 2023-10-25 | 2023-10-25 | 一种数字仪表面板质量检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117387517B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测***及方法 |
CN114529906A (zh) * | 2022-02-10 | 2022-05-24 | 国网河南省电力公司电力科学研究院 | 基于字符识别的输电设备数字仪表异常检测方法及*** |
CN114742829A (zh) * | 2022-06-09 | 2022-07-12 | 张家港市民华塑胶有限公司 | 一种人造丝缺陷检测的方法及*** |
US20230143374A1 (en) * | 2021-11-05 | 2023-05-11 | Crystal D. Rhodes | Feature extraction, labelling, and object feature map |
CN116129417A (zh) * | 2023-01-19 | 2023-05-16 | 电子科技大学 | 一种基于低质量图像的数字仪表读数检测方法 |
-
2023
- 2023-10-25 CN CN202311390359.XA patent/CN117387517B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测***及方法 |
US20230143374A1 (en) * | 2021-11-05 | 2023-05-11 | Crystal D. Rhodes | Feature extraction, labelling, and object feature map |
CN114529906A (zh) * | 2022-02-10 | 2022-05-24 | 国网河南省电力公司电力科学研究院 | 基于字符识别的输电设备数字仪表异常检测方法及*** |
CN114742829A (zh) * | 2022-06-09 | 2022-07-12 | 张家港市民华塑胶有限公司 | 一种人造丝缺陷检测的方法及*** |
CN116129417A (zh) * | 2023-01-19 | 2023-05-16 | 电子科技大学 | 一种基于低质量图像的数字仪表读数检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117387517B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
JP6573226B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
EP3776462B1 (en) | System and method for image-based target object inspection | |
CN111652292B (zh) | 一种基于ncs、ms的相似物体实时检测方法及*** | |
US9183450B2 (en) | Inspection apparatus | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN114548253A (zh) | 一种基于图像识别及动态匹配的数字孪生模型构建*** | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
CN111563549B (zh) | 基于多任务进化算法的医学图像聚类方法 | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN117387517B (zh) | 一种数字仪表面板质量检测方法及*** | |
CN110111307B (zh) | 一种免疫教学用免疫***反馈模拟***及方法 | |
CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和*** | |
Sapkota | Segmentation of coloured point cloud data | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN112102334B (zh) | 一种基于分割变异的测试数据生成方法 | |
CN115034577A (zh) | 一种基于虚实边缘匹配的机电产品漏装检测方法 | |
CN113850762A (zh) | 基于眼前节图像的眼病识别方法、装置、设备及存储介质 | |
Yongchun et al. | Research of license plate character features extraction and recognition | |
CN116756835B (zh) | 模板组合设计方法、装置、设备及存储介质 | |
CN118154605B (zh) | 纺织品ai瑕疵检测方法、***及设备 | |
CN115700821B (zh) | 一种基于图像处理的细胞识别方法及*** |
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 |