【技术实现步骤摘要】
本专利技术涉及智能制造领域，具体涉及一种基于图像识别的后视镜检测系统及工作方法。
技术介绍
1、传统的后视镜质量检测方法主要依赖于人工操作，由于人工检测的效率较低，人工检测的主观判断依赖性较强，长时间工作会导致准确率下降，导致检测结果的稳定性不足。不同工人的检测标准可能存在差异，容易引发质量的不一致。同时，人工检测在检测复杂的外观缺陷时表现出局限性。诸如细微划痕、色差和反射问题，常常难以被肉眼识别。最关键的缺陷在于，由于传统检测方式无法实时提供反馈，无法有效配合生产过程中的参数调整，导致后续的质量控制滞后，从而引发较大的废品率，，上述方法无法有效的对历史数据和经验进行有效利用，难以实现自适应定量生产。因此，为了解决上述问题需要一种基于图像识别的后视镜检测系统及工作方法。
技术实现思路
1、本专利技术针对现有技术的不足，提出一种基于图像识别的后视镜检测系统及工作方法。
2、其中，一种基于图像识别的后视镜检测系统的具体技术方案如下：
3、一种基于图像识别的后视镜检测系统，其特征在于：
4、包括采集区、传输组件、摄像模组、光源系统、图像处理单元、生产参数优化模块、调节组件和数据存储模块；
5、所述传输组件用于带动后视镜到所述采集区，所述光源系统为所述采集区提供稳定照明，所述摄像模组设置在所述采集区，所述调节组件用于调节后视镜到标准姿态，所述摄像模组用于采集所述后视镜图像发送到所述图像处理单元；
6、所述图像处理单元生成质量评分后
7、为更好的实现本专利技术，可进一步为：
8、设置有数据库，所述数据库用于存储后视镜的图像数据、质量评分和对应的生产参数到数据库中以方便后续优化模型。
9、进一步地：
10、所述图像处理单元内设置有回归模型，所述图像处理单元利用回归模型预测质量评分。
11、进一步地：
12、所述生产优化模块内设置有q-learning模型，所述生产优化模块利用q-learning模型优化生产参数组。
13、一种基于图像识别的后视镜检测系统的工作方法的具体技术方案为：
14、一种基于图像识别的后视镜检测系统的工作方法，其特征在于：
15、包括如下步骤：
16、s1：启动所述光源系统，所述光源系统为所述摄像模组提供稳定光源，以确保所述摄像模组采集到清晰图像；
17、s2：所述传输组件带动后视镜到所述采集区，所述调节组件调节所述后视镜在采集区上的位置，确保后视镜处于标准的检测工位；
18、s3：所述摄像模组实时采集后视镜图像，所述摄像模组将采集到的图像传输到所述图像处理单元；
19、s4：所述图像处理单元通过图像识别算法对后视镜的图像特征进行分析，生成质量评分；
20、s5：所述图像处理单元将所述质量评分输入到所述生产参数优化模块，所述生产参数优化模块基于q-learning模型，确定所述生产参数调整方向；
21、s6：所述生产参数优化模块存储后视镜的图像数据、质量评分和对应的生产参数到数据库中以方便后续优化模型。
22、为更好的实现本专利技术，可进一步为：
23、所述s5包括如下步骤：
24、s5-1：所述生产参数优化模块基于q-learning模型采用如下q值更新公式：
25、q(st,at)←q(st,at)+α[rt+γmaxa′q(st+1,a′)-q(st,at)]
26、其中，st是当前生产参数组合集；
27、at是当前对生产参数调整动作；
28、rt是当前的基于图像处理单元的质量评分；
29、γ为折扣因子，表示未来回报权重；
30、α为学习率；
31、maxa′q(st+1,a′)为下一个状态最优动作的最大预期回报；
32、s5-2：设定当前生产参数pc，调整后的参数为pn，调整量为δp，所述生产参数优化模块在q值更新后，按照下面方式调整生产线参数：
33、pn＝pc+δp。
34、进一步地：在s5-1中，在生产参数向量与质量评分之间建立回归模型，通过回归模型对训练集合内的生产参数向量进行预测，得到预测评分较高的生产参数向量组合，所述q-learning在筛选出的预测评分较高的生产参数向量组合中进行试制，更新q值以找到最优的生产参数组合。
35、进一步地：所述q-learning模型采用stable baselines3强化学习库内的q-learning模型。
36、进一步地：s4-1：所述图像处理单元通过高斯滤波器对所述摄像模组采集的图像预处理：
37、
38、其中，
39、i(x,y)为原始图像在坐标(x,y)的像素值；
40、g(i,j)为高斯核，i′(x,y)为滤波后的图像；
41、s4-2：所述图像处理单元通过cnn提取后视镜质量相关的特征，得到质量特征向量x＝[x1,x2,...,xn]，其中，xi代表与质量相关的属性；
42、s4-3：所述图像处理单元为对xi进行归一化处理；
43、s4-4：所述图像处理单元将归一化处理后的质量特征向量x输入到预测模型y＝f(x)内，所述预测模型输出质量评分。
44、进一步地：所述预测模型f(x)采用回归模型：
45、s＝ω1x1′+ω2x2′+...+ωnxn′
46、ω1、ω2……ωn是各个特征的权重。
47、本专利技术的有益效果为：本专利技术通过引入图像识别和基于q-learning的优化算法，显著提高后视镜检测和生产优化。通过图像处理单元对采集到的后视镜图像进行图像特征分析，生成准确的质量评分。基于q-learning模型的学习过程根据历史生产参数和质量评分的关联数据，确定最优的生产参数调整方向，减少试错成本，以实现生产工艺的逐步优化。通过质量评分结合q-learning智能优化模型，仅需少量试制样品，即可调整出接近最优的生产参数组合，减少大量试制带来的资源浪费和时间成本。
本文档来自技高网...【技术保护点】
1.一种基于图像识别的后视镜检测系统，其特征在于：
2.根据权利要求1所述一种基于图像识别的后视镜检测系统，其特征在于：
3.根据权利要求2所述一种基于图像识别的后视镜检测系统，其特征在于：
4.根据权利要求3所述一种基于图像识别的后视镜检测系统，其特征在于：
5.采用权利要求4所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于：
6.采用权利要求5所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于：
7.根据权利要求6所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于：
8.根据权利要求7所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于：所述Q-learning模型采用Stable Baselines3强化学习库内的Q-learning模型。
9.根据权利要求8所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于：
10.根据权利要求9所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于：
【技术特征摘要】
1.一种基于图像识别的后视镜检测系统，其特征在于：
2.根据权利要求1所述一种基于图像识别的后视镜检测系统，其特征在于：
3.根据权利要求2所述一种基于图像识别的后视镜检测系统，其特征在于：
4.根据权利要求3所述一种基于图像识别的后视镜检测系统，其特征在于：
5.采用权利要求4所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于：
6.采用权利要求5所述一种基于图像识别的后视镜检测系统的工作方法，其特征在于...
【专利技术属性】
技术研发人员：林玲芬，
申请(专利权)人：重庆平步青云汽车配件有限公司，
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。