System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及计算机,具体而言,本申请涉及一种螺母的分选方法、装置、电子设备及存储介质。
技术介绍
1、随着工业自动化程度的不断提高,对于产品质量的检测和分选提出了更高的要求。传统的人工检测方法不仅效率低下,而且容易受到主观因素的影响,导致检测结果不稳定。因此,开发一种能够高效、准确地对陶瓷管进行质量分选的自动化系统显得尤为重要。
2、目前市场上已有一些用于螺母的筛选设备,但这些设备大多依赖于静态图像分析,缺乏对动态图像序列的处理能力,导致检测精度受限;由上可知,如何提高螺母分选的精确度仍有待解决。
技术实现思路
1、本申请各提供了一种螺母的分选方法、装置、电子设备及存储介质,可以解决相关技术中存在的螺母分选的精确度不高的问题。所述技术方案如下:
2、根据本申请的一个方面,一种螺母的分选方法,包括:基于多个安装在分选线上的摄像头获取待识别螺母不同角度的原始图像,对收集到的原始图像进行预处理,并使用卷积神经网络提取预处理后原始图像的图像特征;将每个待识别螺母的所有图像特征组合成序列图像特征,调取预先训练的mamba模型,将所述序列图像特征输入所述mamba模型进行预测,其中,每个时间点对应一个图像或一组图像的特征;获取对应的结果表征,在分选线上将螺母送到下料区域时,基于所述结果表征控制不同的收集机构在分选线对应的下料区域将螺母收集,其中,结果表征包括良品、次品以及不良品。
3、在一示例性实施例中,在将mamba模型进行预测之前,所述方法还包括将测试螺母
4、在一示例性实施例中,在使用卷积神经网络提取预处理后原始图像的图像特征的过程中,方法还包括:在卷积神经网络中设置多个层级,每个层级负责提取不同尺度的特征,浅层卷积层提取低级特征,深层卷积层提取更高级的抽象特征,基于所述原始图像获取对应的多尺寸图像特征;或,在卷积神经网络中,使用不同大小的卷积核对原始图像进行卷积操作,获取对应的多尺寸图像特征,其中,小的卷积核捕捉到细节特征,大的卷积核则宏观特征;将所述多尺度图像特征按照时间顺序排列成一个序列,获取对应的序列图像特征,其中,每个时间点对应一个视角或一个时间点的特征。
5、在一示例性实施例中,在所述将所述序列图像特征输入所述mamba模型进行预测的过程中,方法还包括:获取mamba模型生成的概率分布,其中,所述概率分布对应分类标签,分类标签包括良品、次品、不良品;将所述分类标签与所述概率分布关联,获取每个分类标签对应的概率数值;将所述概率分布中所述概率数值最大的分类标签确定对应的结果表征。
6、在一示例性实施例中,在所述将所述概率分布中所述概率数值最大的分类标签确定对应的结果表征的过程中,方法还包括:将所述概率分布中所述概率数值最大的分类标签确定为目标标签;调取目标标签预设的概率阈值;判断目标标签对应的概率阈值是否大于所述概率阈值,若是,则将所述目标标签确定为结果表征。
7、在一示例性实施例中,在确定对应的结果表征之后,所述方法还包括:基于全部的所述结果表征中确定为不良品的不良结果表征集合;将不良结果表征集合全部的不良结果表征按照不良类型进行计数;将计数数值达到预设值对应的不良类型进行反馈。
8、在一示例性实施例中,方法还包括:所述mamba模型还包括自适应调整机制,当检测到新的螺母时,获取对应的新原始图像,并将新原始图像进行预处理,使用卷积神经网络提取新原始图像的关键特征,将每个陶瓷管的所有图像特征组合成一个序列,将序列化的关键特征输入给mamba模型,mamba模型接收到新螺母样本并通过梯度下降算法更新其内部参数。
9、根据本申请的一个方面,一种螺母的分选装置,包括:
10、原始图像获取模块,基于多个安装在分选线上的摄像头用于获取待识别螺母不同角度的原始图像,对收集到的原始图像进行预处理,并使用卷积神经网络提取预处理后原始图像的图像特征;
11、预测模块,将每个待识别螺母的所有图像特征组合成序列图像特征,调取预先训练的mamba模型,用于将所述序列图像特征输入所述mamba模型进行预测,其中,每个时间点对应一个图像或一组图像的特征;
12、收集模块,获取对应的结果表征,在分选线上将螺母送到下料区域时,基于所述结果表征控制不同的收集机构在分选线对应的下料区域用于将螺母收集,其中,结果表征包括良品、次品以及不良品。
13、根据本申请的一个方面,一种电子设备,包括至少一个处理器以及至少一个存储器,其中,所述存储器上存储有计算机可读指令;所述计算机可读指令被一个或多个所述处理器执行,使得电子设备实现如上所述的螺母的分选方法。
14、根据本申请的一个方面,一种存储介质,其上存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行,以实现如上所述的螺母的分选方法。
15、根据本申请的一个方面,一种计算机程序产品,计算机程序产品包括计算机可读指令,计算机可读指令存储在存储介质中,电子设备的一个或多个处理器从存储介质读取计算机可读指令,加载并执行该计算机可读指令,使得电子设备实现如上所述的螺母的分选方法。
16、本申请提供的技术方案带来的有益效果是:
17、通过多个摄像头从不同角度采集图像,可以获取到螺母的全面信息,减少因遮挡、反光等因素造成的误判,从而提高分选的精确度。
18、将不同角度的图像特征组合成序列特征,可以充分利用多视角信息,提高识别的准确性和鲁棒性;同时,序列特征还能够捕捉到螺母在不同视角下的细微差异,进一步提高分选的精确度。
19、如mamba模型通过大量数据的训练,能够学习到复杂的映射关系,从而准确判断螺母的分类结果;与传统的分类方法相比,深度学习模型具有更高的分类精度。
20、在分选过程中,可以根据实时反馈结果对模型进行微调或优化,以适应不同批次、不同规格的螺母分选需求。这种实时反馈机制有助于进一步提高分选的精确度和稳定性。
本文档来自技高网...【技术保护点】
1.一种螺母的分选方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,在将Mamba模型进行预测之前,所述方法还包括:
3.如权利要求2所述的方法,其特征在于,在使用卷积神经网络提取预处理后原始图像的图像特征的过程中,方法还包括:
4.如权利要求2所述的方法,其特征在于,在所述将所述序列图像特征输入所述Mamba模型进行预测的过程中,方法还包括:
5.如权利要求1所述的方法,其特征在于,在所述将所述概率分布中所述概率数值最大的分类标签确定对应的结果表征的过程中,方法还包括:
6.如权利要求1所述的方法,其特征在于,在确定对应的结果表征之后,所述方法还包括:
7.如权利要求1所述的方法,其特征在于,方法还包括:
8.一种螺母的分选装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:至少一个处理器以及至少一个存储器,其中,
10.一种存储介质,其上存储有计算机可读指令,其特征在于,所述计算机可读指令被一个或多个处理器执行,以实现如权利要求1至7中任一项所
...【技术特征摘要】
1.一种螺母的分选方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,在将mamba模型进行预测之前,所述方法还包括:
3.如权利要求2所述的方法,其特征在于,在使用卷积神经网络提取预处理后原始图像的图像特征的过程中,方法还包括:
4.如权利要求2所述的方法,其特征在于,在所述将所述序列图像特征输入所述mamba模型进行预测的过程中,方法还包括:
5.如权利要求1所述的方法,其特征在于,在所述将所述概率分布中所述概率数值最大的分类标签确定对应...
【专利技术属性】
技术研发人员:戴明,朱慧萍,杨欧,杨金锋,袁哲澜,曾星瑞,毛亮,
申请(专利权)人:深圳职业技术大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。