【技术实现步骤摘要】
本专利技术涉及机械自动化，特别是一种涉及用于方向盘框架检测流水线的检测方法、装置及其可读存储介质。
技术介绍
1、在汽车制造领域，方向盘作为驾驶者直接操控的部件，其框架的装配质量对于汽车的安全性、舒适性和操控性能起着举足轻重的作用。随着汽车工业的迅猛发展，消费者对汽车品质的要求日益严苛，这促使汽车制造企业不断寻求更高效、更精准的装配检测技术，以确保产品质量的一致性和稳定性。
2、传统的汽车方向盘框架装配检测主要依赖人工检测方法。检测人员凭借目视观察和简单的测量工具，对焊接部位的外观、零部件的装配完整性等进行检查。这种方式存在诸多难以克服的缺陷。其一，人工检测效率低下，无法满足现代汽车大规模、高效率生产的需求。检测人员在长时间工作后容易疲劳，导致检测速度减慢，且难以保证每一个产品都能得到细致入微的检查，从而可能遗漏一些潜在的质量问题。其二，检测准确性受检测人员主观因素影响较大。不同检测人员的经验、技能水平和注意力集中程度存在差异，对于同一缺陷的判断标准可能不尽相同，这就容易造成误判和漏判现象的发生，严重影响产品质量的稳定性。其三，人工检测难以对复杂的装配特征和微小缺陷进行精确识别。汽车方向盘框架的结构日益复杂，一些细微的焊接缺陷、零部件之间的微小装配偏差等，仅凭人工目视很难发现，从而无法及时对这些问题进行处理，增加了不合格产品流入市场的风险。
3、近年来，随着自动化技术的不断进步，一些自动化检测设备开始应用于汽车方向盘框架装配检测领域。这些设备在一定程度上提高了检测效率，但仍然存在局限性。例如，基于单一传感
4、深度学习技术在计算机视觉、模式识别等领域取得了巨大的成功，为工业检测带来了新的思路和方法。深度学习模型能够自动学习和提取图像、数据中的复杂特征，具有强大的分类和预测能力。然而，在汽车方向盘框架装配检测中，单一模态的深度学习模型（如仅基于视觉图像的检测模型）难以充分利用装配过程中的多源信息。汽车方向盘框架的装配质量涉及多个方面，包括焊接质量、零部件装配精度、力学性能等，单一模态数据无法全面反映这些复杂的装配状态，从而限制了深度学习模型在该领域的检测准确性和可靠性。
5、同时，强化学习作为一种能够实现智能决策和优化控制的技术，在工业生产中的应用也逐渐受到关注。但目前在汽车方向盘框架装配检测流水线中，强化学习技术与深度学习技术的结合应用还较少。现有的生产流水线缺乏一种能够根据实时检测结果自动调整控制参数，以实现生产过程动态优化的智能系统。这就导致在面对生产过程中的各种变化和不确定性时，流水线无法及时作出适应性调整，难以实现生产效率和产品质量的最大化。如我司已申请专利cn118237903a一种汽车方向盘框架装配检测流水线，仅采用ccd检测模块，利用视觉检测方式判断焊接后的汽车方向盘框架的焊接部位是否合格，虽然也有提到可根据实际生产情况自动调整焊接温度、压力等参数，以满足不同材质或规格的汽车方向盘框架的焊接需求，但并没有具体公开手段，仅处于初期构思阶段，还并未能够实施。
6、综上所述，汽车方向盘框架装配检测领域迫切需要一种创新的技术方法，能够融合多模态信息，充分发挥深度学习在特征提取和质量检测方面的优势，同时结合强化学习实现流水线的智能优化控制，从而克服现有技术的种种不足，提高汽车方向盘框架的装配质量和生产效率，满足汽车制造业日益增长的高品质、高效率生产需求。
技术实现思路
1、本专利技术实施例提供了一种用于方向盘框架检测流水线的检测方法、装置及其可读存储介质，针对目前技术存在的存在检测效率低、准确性差、难以全面评估装配质量、缺乏自适应调整能力以及深度学习模型单模态信息利用不充分、未有效结合强化学习实现智能优化控制等问题，无法满足汽车制造业高品质、高效率生产需求等问题。
2、本专利技术核心技术主要是以多模态深度学习模型融合视觉、测距、力反馈等多源数据进行精确装配质量检测，并借助强化学习智能体根据检测结果动态优化流水线控制参数，同时实现系统集成与人机协作以提升汽车方向盘框架装配检测流水线的智能化水平和整体性能。
3、第一方面，本专利技术提供了一种用于方向盘框架检测流水线的检测方法，所述方法包括以下步骤：
4、s00、获取焊接工位的方向盘框架的多角度焊接部位图像、焊接零部件之间的距离数据以及焊接操作中的力变化数据，综合得到多模态数据；
5、s10、对多模态数据进行预处理；
6、s20、基于多分支深度学习模型对预处理后的多模态数据进行特征提取，包括视觉图像分支、激光测距数据分支以及力传感器数据分支；
7、通过视觉图像分支提取多模态数据的图像中的纹理和形状以及结构特征；
8、通过激光测距数据分支提取多模态数据的距离数据的时序变化特征；
9、通过力传感器数据分支提取多模态数据的力变化数据的大小和变化趋势特征；
10、s30、在多分支深度学习模型的融合层，将各分支提取的特征进行融合，再通过一系列全连接层进行最终的装配质量分类或回归预测；
11、使用涵盖各种正常及缺陷装配情形的样本数据对多分支深度学习模型进行深度训练，得到能够准备识别各类装配缺陷的检测模型；
12、s40、构建强化学习智能体，将流水线的关键控制参数设定为智能体的动作空间，以装配质量评估指标作为奖励信号的依据，关键控制参数为流水线上各设备的控制参数；
13、智能体依据当前流水线的综合状态，通过强化学习算法选择最优控制参数组合，以实现长期奖励的最大化；其中，当前流水线的综合状态由多模态数据和检测结果共同表征；
14、s50、将装配质量的评估结果即时反馈给流水线控制系统，同时把多模态数据、检测结果以及相关生产信息存储于数据库；
15、s60、流水线控制系统依据检测结果及强化学习智能体的决策指令，对生产过程进行自适应调整。
16、进一步地，s10步骤中，预处理包括：
17、采用滤波算法去除噪声干扰，运用统计方法识别并处理异常值，通过时间戳精确标记不同模态数据，以确保多模态数据在时空上的完美同步。
18、进一步地，s20步骤中，视觉图像分支采用多层卷积神经网络结构；
19、激光测距数据分支采用循环神经网络结构；
20、力传感器数据分支采用多层全连接神经网络。
21、进一步地，s30步骤中，通过加权求和或拼接融合的方式，将来自不同分支的特征向量进行整合。
22、进一步地，s30步骤中，运用反向传播算法精细调整模型参数，并结合数据增强技术扩充训练样本，以提高模型的本文档来自技高网...
【技术保护点】
1.一种用于方向盘框架检测流水线的检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，S10步骤中，所述预处理包括：
3.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，S20步骤中，所述视觉图像分支采用多层卷积神经网络结构；
4.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，S30步骤中，通过加权求和或拼接融合的方式，将来自不同分支的特征向量进行整合。
5.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，S30步骤中，运用反向传播算法精细调整模型参数，并结合数据增强技术扩充训练样本，以提高模型的泛化能力。
6.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，S40步骤中，构建强化学习智能体中，在设定智能体的动作空间之前，先通过定义智能体的状态空间，该状态空间基于当前多模态数据融合后的特征向量、前若干检测周期的装配质量详细统计信息。
7.如权利要求1-6任意一项
8.一种用于方向盘框架检测流水线的检测装置，其特征在于，包括：
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的用于方向盘框架检测流水线的检测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至7任一项所述的用于方向盘框架检测流水线的检测方法。
...【技术特征摘要】
1.一种用于方向盘框架检测流水线的检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，s10步骤中，所述预处理包括：
3.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，s20步骤中，所述视觉图像分支采用多层卷积神经网络结构；
4.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，s30步骤中，通过加权求和或拼接融合的方式，将来自不同分支的特征向量进行整合。
5.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，s30步骤中，运用反向传播算法精细调整模型参数，并结合数据增强技术扩充训练样本，以提高模型的泛化能力。
6.如权利要求1所述的一种用于方向盘框架检测流水线的检测方法，其特征在于，s40步骤中，构建强化学习智能体中，在设定智能体的动...
【专利技术属性】
技术研发人员：郭传渠，毛渝涵，毛渝畅，
申请(专利权)人：宁波卓尔汽车零部件有限公司，
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。