CN113313106A - 一种送料纠偏方法、装置、计算机设备及存储介质 - Google Patents
一种送料纠偏方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113313106A CN113313106A CN202110402335.6A CN202110402335A CN113313106A CN 113313106 A CN113313106 A CN 113313106A CN 202110402335 A CN202110402335 A CN 202110402335A CN 113313106 A CN113313106 A CN 113313106A
- Authority
- CN
- China
- Prior art keywords
- deviation
- feeding
- data
- target material
- positioning data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 161
- 239000013077 target material Substances 0.000 claims abstract description 116
- 239000000463 material Substances 0.000 claims description 56
- 238000012937 correction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例属于人工智能中的自动化技术领域，涉及一种应用于自动加工设备的送料纠偏方法、装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，每次输送的所述初始定位数据以及所述偏向数据可存储于区块链中。当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。
Description
技术领域
本申请涉及人工智能中的自动化技术领域，尤其涉及一种应用于自动加工设备的送料纠偏方法、装置、计算机设备及存储介质。
背景技术
在实际激光加工生产中，机器厂家在生产机器时对机台幅面大小都有比较严格的控制。而生产原材料往往是一卷一卷的布匹，在自动化生产中，由于送料打滑或拉伸往往出现多送或少送的现象。此时加工会导致加工图形超出机器幅面而使生产终止，需要人工参与对材料进行重新调整再开始加工。由此可见，传统的送料纠偏方法需要人工参与对材料进行重新调整再开始加工，从而存在生产效率低下的问题。
发明内容
本申请实施例的目的在于提出一种应用于自动加工设备的送料纠偏方法、装置、计算机设备及存储介质，以解决传统的送料纠偏方法存在生产效率低下的问题。
为了解决上述技术问题，本申请实施例提供一种应用于自动加工设备的送料纠偏方法，采用了如下所述的技术方案：
当送料设备按照预设长度输送目标材料至加工区域后，对所述目标材料进行拍照操作，得到初始材料图片；
对所述初始材料图片进行图像识别操作，得到初始定位数据；
判断所述初始定位数据是否超出加工设备的幅面；
若所述初始定位数据未超出所述加工设备的幅面，则启动所述加工设备对所述目标材料进行材料加工操作；
若所述初始定位数据超出所述加工设备的幅面，则计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置进行纠偏操作，直至所述初始定位数据未超出所述幅面，启动所述加工设备对所述目标材料进行材料加工操作。
为了解决上述技术问题，本申请实施例还提供一种应用于自动加工设备的送料纠偏装置，采用了如下所述的技术方案：
材料拍照模块，用于当送料设备按照预设长度输送目标材料至加工区域后，对所述目标材料进行拍照操作，得到初始材料图片；
图像识别模块，用于对所述初始材料图片进行图像识别操作，得到初始定位数据；
定位判断模块，用于判断所述初始定位数据是否超出加工设备的幅面；
定位确认模块，用于若所述初始定位数据未超出所述加工设备的幅面，则启动所述加工设备对所述目标材料进行材料加工操作；
送料纠偏模块，用于若所述初始定位数据超出所述加工设备的幅面，则计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行纠偏操作，直至所述目标材料的定位数据未超出所述幅面，启动所述加工设备对所述目标材料进行材料加工操作。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的应用于自动加工设备的送料纠偏方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的应用于自动加工设备的送料纠偏方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请提供了一种应用于自动加工设备的送料纠偏方法，包括：当送料设备按照预设长度输送目标材料至加工区域后，对所述目标材料进行拍照操作，得到初始材料图片；对所述初始材料图片进行图像识别操作，得到初始定位数据；判断所述初始定位数据是否超出加工设备的幅面；若所述初始定位数据未超出所述加工设备的幅面，则启动所述加工设备对所述目标材料进行材料加工操作；若所述初始定位数据超出所述加工设备的幅面，则计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行纠偏操作，直至所述目标材料的定位数据未超出所述幅面，启动所述加工设备对所述目标材料进行材料加工操作。当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例一提供的应用于自动加工设备的送料纠偏方法的实现流程图；
图2是本申请实施例一提供的预测偏向数据的方法的实现流程图；
图3是本申请实施例二提供的应用于自动加工设备的送料纠偏装置的结构示意图：
图4是本申请实施例二提供的预测偏向数据的装置的结构示意图；
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同；本文中在申请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，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，示出了本申请实施例一提供的应用于自动加工设备的送料纠偏方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的应用于自动加工设备的送料纠偏方法，包括以下步骤：
在步骤S101中，当送料设备按照预设长度输送目标材料至加工区域后，对目标材料进行拍照操作，得到初始材料图片。
在本申请实施例中，送料设备主要用于输送上述待加工的目标材料，常见于粒料,粉料,片状料，带状等材料的自动化，数控化，精确化的输送。无论是轻工行业还是重工业都不可缺少的传输设备。
在本申请实施例中，加工区域设置有用于拍摄加工区域照片的拍摄设备，该拍摄设备可以是相机、监控摄像头等等，当拍摄设备接受到送料设备停止送料信号(说明目标材料已经完成一次输送)时，对该加工区域进行拍摄，从而得到目标材料与加工区域的幅面相关的照片，即上述初始材料图片。
在步骤S102中，对初始材料图片进行图像识别操作，得到初始定位数据。
在本申请实施例中，图像识别操作可以通过传统的形状匹配技术(一种图像领域通用的技术)实现，该图像识别操作得到目标材料在加工区域的定位信息。
在步骤S103中，判断初始定位数据是否超出加工设备的幅面。
在本申请实施例中，由于待加工的目标材料不能超出机台的幅面，因此需要严格控制初始定位数据不能超出加工设备的幅面。
在步骤S104中，若初始定位数据未超出加工设备的幅面，则启动加工设备对目标材料进行材料加工操作。
在本申请实施例中，当初始定位数据未超出加工设备的幅面，则说明待加工的目标材料没有超出机台的幅面，可以进行下一步激光加工等操作。
在步骤S105中，若初始定位数据超出加工设备的幅面，则计算初始定位数据超出幅面的偏向数据，并基于偏向数据对送料设备的送料位置以及目标材料当前的位置进行纠偏操作，直至目标材料的定位数据未超出幅面，启动加工设备对目标材料进行材料加工操作。
在本申请实施例中，当初始定位数据超出加工设备的幅面，则说明待加工的目标材料超出机台的幅面，不可以进行下一步激光加工等操作，需要对送料设备的送料位置以及目标材料当前的位置进行纠偏，从而纠正该目标材料已经后续待加工材料输送的位置，进而保证了加工的连续性。
在本申请实施例中，当目标材料输送至加工区域后，通过传统模版匹配方法获取目标材料的定位数据(曲线轨迹点)后，计算待加工数据的外接矩形，然后判断整体外接矩形是否超出机器的幅面，如果超出幅面，则计算出超出的长度，然后根据计算的长度反馈到送料轴上，往前或往后进行调整，调整后再拍照，再匹配一次，得到曲线数据。计算外接矩形。如果超出幅面则继续调整。不超出幅面，则材料加工头开始加工工作。
在本申请实施例中，提供了一种应用于自动加工设备的送料纠偏方法，包括：当送料设备按照预设长度输送目标材料至加工区域后，对所述目标材料进行拍照操作，得到初始材料图片；对所述初始材料图片进行图像识别操作，得到初始定位数据；判断所述初始定位数据是否超出加工设备的幅面；若所述初始定位数据未超出所述加工设备的幅面，则启动所述加工设备对所述目标材料进行材料加工操作；若所述初始定位数据超出所述加工设备的幅面，则计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置进行纠偏操作，直至所述初始定位数据未超出所述幅面，则启动所述加工设备对所述目标材料进行材料加工操作。当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。
继续参阅图2，示出了本申请实施例一提供的预测偏向数据的方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，在步骤S105之后，还包括：
在步骤S201中，当送料设备满足预设输送次数之后，在历史输送数据中采集每次输送的初始定位数据以及偏向数据。
在本申请实施例中，由于送料设备每次传输目标材料之后，都要进行拍照操作、图像识别操作、幅面判断等繁琐的操作，使得原始的方案存在过多重复性工作的情况，导致浪费不必要的能源，因此，需要设计重复性工作的技术方案，从而引申本申请实施例一提供的预测偏向数据的方法。
在步骤S202中，将初始定位数据以及偏向数据输入至待训练的预测模型进行模型训练操作，得到训练好的预测模型。
在步骤S203中，当送料设备输送目标材料至加工区域后，采集当前目标材料所对应的当前定位数据。
在步骤S204中，将当前定位数据输入至训练好的预测模型进行偏向预测操作，得到预测偏向数据。
在步骤S205中，基于预测偏向数据对送料设备的送料位置以及目标材料的当前位置进行纠偏操作。
在本申请实施例中，预测模型可学习历史的纠偏操作数据，从而该历史的纠偏操作数据中的初始定位数据以及偏向数据学习隐含的关联特征，并基于该关联特征以及当前定位数据预测当前需要纠偏的数据。当送料设备传输同一规格的目标材料满足一定次数之后，对送料设备的送料位置以及目标材料的当前位置进行纠偏操作存在一定的规律性，可依据该规律性对下次的纠偏操作进行预测，从而有效减少拍照操作、图像识别操作、幅面判断等繁琐的操作，进而节省一定的能源。
在本实施例的一些可选的实现方式中，预测模型为BP神经网络预测模型。
在本申请实施例中，BP网络(Back-ProPagation Network)又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。
综上，本申请提供了一种应用于自动加工设备的送料纠偏方法，包括：当送料设备按照预设长度输送目标材料至加工区域后，对目标材料进行拍照操作，得到初始材料图片；对初始材料图片进行图像识别操作，得到初始定位数据；判断初始定位数据是否超出加工设备的幅面；若初始定位数据未超出加工设备的幅面，则启动加工设备对目标材料进行材料加工操作；若初始定位数据超出加工设备的幅面，则计算初始定位数据超出幅面的偏向数据，并基于偏向数据对送料设备的送料位置以及目标材料的当前位置进行纠偏操作，直至目标材料的定位数据未超出幅面，启动加工设备对目标材料进行材料加工操作。当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。同时，预测模型可学习历史的纠偏操作数据，从而该历史的纠偏操作数据中的初始定位数据以及偏向数据学习隐含的关联特征，并基于该关联特征以及当前定位数据预测当前需要纠偏的数据。当送料设备传输同一规格的目标材料满足一定次数之后，对送料设备的送料位置以及目标材料的当前位置进行纠偏操作存在一定的规律性，可依据该规律性对下次的纠偏操作进行预测，从而有效减少拍照操作、图像识别操作、幅面判断等繁琐的操作，进而节省一定的能源。
需要强调的是，为进一步保证上述每次输送的初始定位数据以及偏向数据的私密和安全性，上述每次输送的初始定位数据以及偏向数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图3，作为对上述图1所示方法的实现，本申请提供了一种应用于自动加工设备的送料纠偏装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例的应用于自动加工设备的送料纠偏装置100包括：材料拍照模块101、图像识别模块102、定位判断模块103、定位确认模块104以及送料纠偏模块105。其中：
材料拍照模块101，用于当送料设备按照预设长度输送目标材料至加工区域后，对目标材料进行拍照操作，得到初始材料图片；
图像识别模块102，用于对初始材料图片进行图像识别操作，得到初始定位数据；
定位判断模块103，用于判断初始定位数据是否超出加工设备的幅面；
定位确认模块104，用于若初始定位数据未超出加工设备的幅面，则启动加工设备对目标材料进行材料加工操作；
送料纠偏模块105，用于若初始定位数据超出加工设备的幅面，则计算初始定位数据超出幅面的偏向数据，并基于偏向数据对送料设备的送料位置以及目标材料的当前位置进行纠偏操作，直至目标材料的定位数据未超出幅面，启动加工设备对目标材料进行材料加工操作。
在本申请实施例中，送料设备主要用于输送上述待加工的目标材料，常见于粒料,粉料,片状料，带状等材料的自动化，数控化，精确化的输送。无论是轻工行业还是重工业都不可缺少的传输设备。
在本申请实施例中，加工区域设置有用于拍摄加工区域照片的拍摄设备，该拍摄设备可以是相机、监控摄像头等等，当拍摄设备接受到送料设备停止送料信号(说明目标材料已经完成一次输送)时，对该加工区域进行拍摄，从而得到目标材料与加工区域的幅面相关的照片，即上述初始材料图片。
在本申请实施例中，图像识别操作可以通过传统的形状匹配技术(一种图像领域通用的技术)实现，该图像识别操作得到目标材料在加工区域的定位信息。
在本申请实施例中，由于待加工的目标材料不能超出机台的幅面，因此需要严格控制初始定位数据不能超出加工设备的幅面。
在本申请实施例中，当初始定位数据未超出加工设备的幅面，则说明待加工的目标材料没有超出机台的幅面，可以进行下一步激光加工等操作。
在本申请实施例中，当初始定位数据超出加工设备的幅面，则说明待加工的目标材料超出机台的幅面，不可以进行下一步激光加工等操作，需要对送料设备的送料位置以及目标材料当前的位置进行纠偏，从而纠正该目标材料已经后续待加工材料输送的位置，进而保证了加工的连续性。
在本申请实施例中，当目标材料输送至加工区域后，通过传统模版匹配方法获取目标材料的定位数据(曲线轨迹点)后，计算待加工数据的外接矩形，然后判断整体外接矩形是否超出机器的幅面，如果超出幅面，则计算出超出的长度，然后根据计算的长度反馈到送料轴上，往前或往后进行调整，调整后再拍照，再匹配一次，得到曲线数据。计算外接矩形。如果超出幅面则继续调整。不超出幅面，则材料加工头开始加工工作。
在本申请实施例中，提供了一种应用于自动加工设备的送料纠偏装置，当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。
继续参阅图4，示出了本申请实施例二提供的预测偏向数据的装置的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述应用于自动加工设备的送料纠偏装置100还包括：数据采集模块106、模型训练模块107、当前定位数据采集模块108、偏向预测模块109以及纠偏操作模块110。其中：
数据采集模块106，用于当送料设备满足预设输送次数之后，在历史输送数据中采集每次输送的初始定位数据以及偏向数据；
模型训练模块107，用于将初始定位数据以及偏向数据输入至待训练的预测模型进行模型训练操作，得到训练好的预测模型；
当前定位数据采集模块108，用于当送料设备输送目标材料至加工区域后，采集当前目标材料所对应的当前定位数据；
偏向预测模块109，用于将当前定位数据输入至训练好的预测模型进行偏向预测操作，得到预测偏向数据；
纠偏操作模块110，用于基于预测偏向数据对送料设备的送料位置以及目标材料的当前位置进行纠偏操作。
在本申请实施例中，由于送料设备每次传输目标材料之后，都要进行拍照操作、图像识别操作、幅面判断等繁琐的操作，使得原始的方案存在过多重复性工作的情况，导致浪费不必要的能源，因此，需要设计重复性工作的技术方案，从而引申本申请实施例一提供的预测偏向数据的方法。
在本申请实施例中，预测模型可学习历史的纠偏操作数据，从而该历史的纠偏操作数据中的初始定位数据以及偏向数据学习隐含的关联特征，并基于该关联特征以及当前定位数据预测当前需要纠偏的数据。当送料设备传输同一规格的目标材料满足一定次数之后，对送料设备的送料位置以及目标材料的当前位置进行纠偏操作存在一定的规律性，可依据该规律性对下次的纠偏操作进行预测，从而有效减少拍照操作、图像识别操作、幅面判断等繁琐的操作，进而节省一定的能源。
在本实施例的一些可选的实现方式中，预测模型为BP神经网络预测模型。
在本申请实施例中，BP网络(Back-ProPagation Network)又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。
综上，本申请提供了一种应用于自动加工设备的送料纠偏装置，当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。同时，预测模型可学习历史的纠偏操作数据，从而该历史的纠偏操作数据中的初始定位数据以及偏向数据学习隐含的关联特征，并基于该关联特征以及当前定位数据预测当前需要纠偏的数据。当送料设备传输同一规格的目标材料满足一定次数之后，对送料设备的送料位置以及目标材料的当前位置进行纠偏操作存在一定的规律性，可依据该规律性对下次的纠偏操作进行预测，从而有效减少拍照操作、图像识别操作、幅面判断等繁琐的操作，进而节省一定的能源。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是，图中仅示出了具有组件210-230的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器210至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器210可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器210也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如应用于自动加工设备的送料纠偏方法的计算机可读指令等。此外，所述存储器210还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器220在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器220通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据，例如运行所述应用于自动加工设备的送料纠偏方法的计算机可读指令。
所述网络接口230可包括无线网络接口或有线网络接口，该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
本申请提供的计算机设备，当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的应用于自动加工设备的送料纠偏方法的步骤。
本申请提供的计算机可读存储介质，当送料装置进行连续性送料时，通过拍照采图的方式获取目标材料与加工设备的幅面的位置关系，并基于该位置关系动态调整送料装置的送料方向及长度等，使得后续待加工的目标材料能够完美契合该幅面的位置输送，从而保证了加工的连续性，以及减少人工参与，提高生产效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种应用于自动加工设备的送料纠偏方法，其特征在于，包括下述步骤：
当送料设备按照预设长度输送目标材料至加工区域后，对所述目标材料进行拍照操作，得到初始材料图片；
对所述初始材料图片进行图像识别操作，得到初始定位数据；
判断所述初始定位数据是否超出加工设备的幅面；
若所述初始定位数据未超出所述加工设备的幅面，则启动所述加工设备对所述目标材料进行材料加工操作；
若所述初始定位数据超出所述加工设备的幅面，则计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行纠偏操作，直至所述目标材料的定位数据未超出所述幅面，启动所述加工设备对所述目标材料进行材料加工操作。
2.根据权利要求1所述的应用于自动加工设备的送料纠偏方法，其特征在于，在所述计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行纠偏操作，直至所述目标材料的定位数据未超出所述幅面，启动所述加工设备对所述目标材料进行材料加工操作的步骤之后，还包括：
当所述送料设备满足预设输送次数之后，在历史输送数据中采集每次输送的所述初始定位数据以及所述偏向数据；
将所述初始定位数据以及所述偏向数据输入至待训练的预测模型进行模型训练操作，得到训练好的预测模型；
当所述送料设备输送所述目标材料至所述加工区域后，采集当前目标材料所对应的当前定位数据；
将所述当前定位数据输入至所述训练好的预测模型进行偏向预测操作，得到预测偏向数据；
基于所述预测偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行所述纠偏操作。
3.根据权利要求1所述的应用于自动加工设备的送料纠偏方法，其特征在于，所述预测模型为BP神经网络预测模型。
4.根据权利要求1所述的应用于自动加工设备的送料纠偏方法，其特征在于，在所述计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行纠偏操作，直至所述目标材料的定位数据未超出所述幅面，启动所述加工设备对所述目标材料进行材料加工操作的步骤之后还包括：
将每次输送的所述初始定位数据以及所述偏向数据存储至区块链中。
5.一种应用于自动加工设备的送料纠偏装置，其特征在于，包括：
材料拍照模块，用于当送料设备按照预设长度输送目标材料至加工区域后，对所述目标材料进行拍照操作，得到初始材料图片；
图像识别模块，用于对所述初始材料图片进行图像识别操作，得到初始定位数据；
定位判断模块，用于判断所述初始定位数据是否超出加工设备的幅面；
定位确认模块，用于若所述初始定位数据未超出所述加工设备的幅面，则启动所述加工设备对所述目标材料进行材料加工操作；
送料纠偏模块，用于若所述初始定位数据超出所述加工设备的幅面，则计算所述初始定位数据超出所述幅面的偏向数据，并基于所述偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行纠偏操作，直至所述目标材料的定位数据未超出所述幅面，启动所述加工设备对所述目标材料进行材料加工操作。
6.根据权利要求5所述的应用于自动加工设备的送料纠偏装置，其特征在于，所述装置还包括：
数据采集模块，用于当所述送料设备满足预设输送次数之后，在历史输送数据中采集每次输送的所述初始定位数据以及所述偏向数据；
模型训练模块，用于将所述初始定位数据以及所述偏向数据输入至待训练的预测模型进行模型训练操作，得到训练好的预测模型；
当前定位数据采集模块，用于当所述送料设备输送所述目标材料至所述加工区域后，采集当前目标材料所对应的当前定位数据；
偏向预测模块，用于将所述当前定位数据输入至所述训练好的预测模型进行偏向预测操作，得到预测偏向数据；
纠偏操作模块，用于基于所述预测偏向数据对所述送料设备的送料位置以及所述目标材料的当前位置进行所述纠偏操作。
7.根据权利要求6所述的应用于自动加工设备的送料纠偏装置，其特征在于，所述预测模型为BP神经网络预测模型。
8.根据权利要求5所述的应用于自动加工设备的送料纠偏装置，其特征在于，所述装置还包括：
区块链存储模块，用于将每次输送的所述初始定位数据以及所述偏向数据存储至区块链中。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至4中任一项所述的应用于自动加工设备的送料纠偏方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的应用于自动加工设备的送料纠偏方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110402335.6A CN113313106A (zh) | 2021-04-14 | 2021-04-14 | 一种送料纠偏方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110402335.6A CN113313106A (zh) | 2021-04-14 | 2021-04-14 | 一种送料纠偏方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113313106A true CN113313106A (zh) | 2021-08-27 |
Family
ID=77372307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110402335.6A Pending CN113313106A (zh) | 2021-04-14 | 2021-04-14 | 一种送料纠偏方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313106A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114226469A (zh) * | 2021-11-29 | 2022-03-25 | 首钢集团有限公司 | 板坯位置测量装置、轧制系统、控制方法及储存介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108323797A (zh) * | 2018-02-09 | 2018-07-27 | 杭州安脉盛智能技术有限公司 | 基于gpr模型的烟支重量控制系统启动位置预测方法及系统 |
| CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
| CN111097664A (zh) * | 2019-12-20 | 2020-05-05 | 广西柳州联耕科技有限公司 | 基于机器人涂胶的实时纠偏方法 |
| WO2020196338A1 (en) * | 2019-03-27 | 2020-10-01 | Sony Corporation | Medical arm system, control device, and control method |
| CN112001478A (zh) * | 2020-05-11 | 2020-11-27 | 浙江蓝卓工业互联网信息技术有限公司 | 一种基于机器学习双模型的橡胶下料量预测方法 |
| CN112029990A (zh) * | 2020-07-16 | 2020-12-04 | 宝钢湛江钢铁有限公司 | 一种冷轧带钢连退加热炉自动纠偏控制方法 |
| CN112172319A (zh) * | 2020-10-12 | 2021-01-05 | 苏州怡拓生物传感技术有限公司 | 一种卷料平面印刷纠偏装置及方法 |
| CN112589232A (zh) * | 2020-12-15 | 2021-04-02 | 广东工业大学 | 一种基于独立纠偏型深度学习的焊缝跟踪方法及装置 |
-
2021
- 2021-04-14 CN CN202110402335.6A patent/CN113313106A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108323797A (zh) * | 2018-02-09 | 2018-07-27 | 杭州安脉盛智能技术有限公司 | 基于gpr模型的烟支重量控制系统启动位置预测方法及系统 |
| WO2020196338A1 (en) * | 2019-03-27 | 2020-10-01 | Sony Corporation | Medical arm system, control device, and control method |
| CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
| CN111097664A (zh) * | 2019-12-20 | 2020-05-05 | 广西柳州联耕科技有限公司 | 基于机器人涂胶的实时纠偏方法 |
| CN112001478A (zh) * | 2020-05-11 | 2020-11-27 | 浙江蓝卓工业互联网信息技术有限公司 | 一种基于机器学习双模型的橡胶下料量预测方法 |
| CN112029990A (zh) * | 2020-07-16 | 2020-12-04 | 宝钢湛江钢铁有限公司 | 一种冷轧带钢连退加热炉自动纠偏控制方法 |
| CN112172319A (zh) * | 2020-10-12 | 2021-01-05 | 苏州怡拓生物传感技术有限公司 | 一种卷料平面印刷纠偏装置及方法 |
| CN112589232A (zh) * | 2020-12-15 | 2021-04-02 | 广东工业大学 | 一种基于独立纠偏型深度学习的焊缝跟踪方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114226469A (zh) * | 2021-11-29 | 2022-03-25 | 首钢集团有限公司 | 板坯位置测量装置、轧制系统、控制方法及储存介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9256946B2 (en) | Accuracy compensation method, system, and device | |
| CN101363188A (zh) | 激光切割设备的巡边切割方法 | |
| CN109732594B (zh) | 一种机器人控制方法、系统及机器人 | |
| CN112990312A (zh) | 模型训练方法、图像识别方法、装置、设备及存储介质 | |
| CN114218174B (zh) | 基于区块链的工业互联网数据存储方法、系统及存储介质 | |
| CN112232426A (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
| WO2021174688A1 (zh) | 人脸检测方法及系统 | |
| CN113313106A (zh) | 一种送料纠偏方法、装置、计算机设备及存储介质 | |
| CN113673519A (zh) | 基于文字检测模型的文字识别方法及其相关设备 | |
| CN113313135A (zh) | 打标控制方法、装置及计算机可读存储介质 | |
| CN112036261A (zh) | 手势识别方法、装置、存储介质、电子装置 | |
| CN110826606B (zh) | 要素匹配方法、装置、服务器及可读存储介质 | |
| CN116184929B (zh) | 一种应用于裁切设备的智能控制方法及其系统 | |
| CN108734127A (zh) | 年龄识别值调整方法、装置、设备及存储介质 | |
| CN110321908A (zh) | 图像识别方法、终端设备及计算机可读存储介质 | |
| CN115888958A (zh) | 基于图像识别的板式给料机速度自动调节方法及其系统 | |
| CN111275128A (zh) | 图像识别模型训练方法及系统和图像识别方法 | |
| CN116736793A (zh) | 一种智能加工方法、装置、计算机设备及存储介质 | |
| CN118577223B (zh) | 聚羧酸粉体生产设备的智能控制方法及系统 | |
| CN112378043B (zh) | 冷却水系统控制方法、设备、装置及存储介质 | |
| CN116168404B (zh) | 基于空间变换的智能文档处理方法和系统 | |
| CN111695556B (zh) | 网页配图的处理方法、系统、设备和存储介质 | |
| CN114706303B (zh) | 带钢宽度余量的控制方法、装置、介质和电子设备 | |
| CN115026395B (zh) | 一种等离子切割机切割监控报警系统 | |
| CN113643265A (zh) | 基于人工智能的质量等级确定方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |