[發(fā)明專利]一種基于人工智能的后視鏡組裝生產(chǎn)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011582407.1
• 申請(qǐng)日: 2020-12-28
• 公開（公告）號(hào): CN112712501B
• 公開（公告）日: 2021-10-26
• 發(fā)明（設(shè)計(jì)）人: 石代敏;汪海兵;董華明;何勇軍;李旭
• 申請(qǐng)（專利權(quán)）人: 江蘇合泰飛梵科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T1/00;G06K9/62
• 代理公司: 北京冠和權(quán)律師事務(wù)所 11399
• 代理人: 吳金水

1.一種基于人工智能的后視鏡組裝生產(chǎn)方法，其特征在于，包括：

步驟1：獲取后視鏡零件圖像，并基于人工智能技術(shù)對(duì)所述后視鏡零件圖像進(jìn)行特征提取并分析；

步驟2：基于分析結(jié)果，將后視鏡零件進(jìn)行分類；

步驟3：根據(jù)在線老化狀態(tài)智能識(shí)別技術(shù)對(duì)后視鏡組裝過程中用到的每個(gè)零件進(jìn)行監(jiān)測(cè)，并獲取對(duì)應(yīng)的老化值；

步驟4：基于分類結(jié)果以及老化值結(jié)果，控制工業(yè)機(jī)器人獲取合格零件，對(duì)所述后視鏡零件進(jìn)行柔性組裝；

獲取已組裝好的后視鏡對(duì)應(yīng)的組裝方案；

確定與已組裝好的后視鏡的同批次中需要組裝的后視鏡的組裝優(yōu)先順序；

所述組裝優(yōu)先順序按照遞減規(guī)律進(jìn)行排列；

基于排列結(jié)果，提取每個(gè)已組裝好的后視鏡對(duì)應(yīng)的組裝方案中的關(guān)鍵詞，并根據(jù)預(yù)設(shè)關(guān)鍵詞匹配規(guī)則，將每個(gè)已組裝好的后視鏡對(duì)應(yīng)的組裝方案中的關(guān)鍵詞與對(duì)應(yīng)已組裝好的后視鏡的零件的有效類別屬性進(jìn)行匹配，獲得匹配列表；

其中，組裝方案中的關(guān)鍵詞至少為一個(gè)，且每個(gè)關(guān)鍵詞匹配一個(gè)后視鏡的零件的有效類別屬性，且已組裝好的后視鏡為多種后視鏡零件的組合；

接收組裝指令，基于所述匹配列表獲取最佳組裝方案，并控制工業(yè)機(jī)器人對(duì)需要組裝的后視鏡進(jìn)行組裝。

2.如權(quán)利要求1所述的一種基于人工智能的后視鏡組裝生產(chǎn)方法，其特征在于，步驟1中，獲取后視鏡零件圖像，包括：

對(duì)后視鏡零件進(jìn)行拍攝，得到待獲取圖像；

在待獲取圖像的預(yù)覽區(qū)域中確定目標(biāo)區(qū)域；

基于目標(biāo)區(qū)域面積與預(yù)覽區(qū)域面積的當(dāng)前比例，確定所述目標(biāo)區(qū)域的縮放倍數(shù)；

對(duì)所述目標(biāo)區(qū)域進(jìn)行補(bǔ)光，并確定補(bǔ)光程度；

基于所述補(bǔ)光程度，并按照所述縮放倍數(shù)對(duì)所述目標(biāo)區(qū)域進(jìn)行縮放，并獲取所述目標(biāo)區(qū)域中所述后視鏡零件圖像。

3.如權(quán)利要求1所述的一種基于人工智能的后視鏡組裝生產(chǎn)方法，其特征在于，步驟1中，對(duì)所述后視鏡零件圖像進(jìn)行特征提取并分析的過程，包括：

獲取所述后視鏡零件圖像，并對(duì)所述后視鏡零件圖像進(jìn)行配準(zhǔn)，獲得配準(zhǔn)后的圖像；

將所述配準(zhǔn)后的圖像劃分為多個(gè)結(jié)構(gòu)化子圖像，并通過預(yù)設(shè)的特征模型提取每個(gè)結(jié)構(gòu)化子圖像的視覺特征；

同時(shí)，獲取所述視覺特征的分布，得到對(duì)應(yīng)所述結(jié)構(gòu)化子圖像的空間分布特征；

對(duì)每個(gè)結(jié)構(gòu)化子圖像中的空間分布特征進(jìn)行結(jié)構(gòu)化融合，得到結(jié)構(gòu)化特征，并通過預(yù)設(shè)結(jié)構(gòu)化模型對(duì)所述結(jié)構(gòu)化特征進(jìn)行特征提取，得到目標(biāo)數(shù)據(jù)；

判斷所述目標(biāo)數(shù)據(jù)是否存在異常數(shù)據(jù)；

若存在，接收數(shù)據(jù)校驗(yàn)請(qǐng)求，并根據(jù)所述數(shù)據(jù)校驗(yàn)請(qǐng)求，來獲取預(yù)設(shè)校驗(yàn)算法以及與所述預(yù)設(shè)校驗(yàn)算法相對(duì)應(yīng)的一組或多組校驗(yàn)數(shù)據(jù)；

基于所述預(yù)設(shè)校驗(yàn)算法以及校驗(yàn)數(shù)據(jù)對(duì)所述異常數(shù)據(jù)進(jìn)行校驗(yàn)，進(jìn)而實(shí)現(xiàn)對(duì)所述目標(biāo)數(shù)據(jù)的校驗(yàn)；

根據(jù)預(yù)設(shè)正確性檢測(cè)規(guī)則對(duì)校驗(yàn)后的目標(biāo)數(shù)據(jù)進(jìn)行檢測(cè)，獲得有效特征數(shù)據(jù)和無效特征數(shù)據(jù)，并將所述無效特征數(shù)據(jù)剔除；

分析所述有效特征數(shù)據(jù)的數(shù)據(jù)類型，并獲取相關(guān)的有效類別屬性，具體過程包括；

從預(yù)設(shè)數(shù)據(jù)庫(kù)中調(diào)取與數(shù)據(jù)類型相關(guān)的訓(xùn)練樣本；

提取所述訓(xùn)練樣本的訓(xùn)練特征數(shù)據(jù)以及訓(xùn)練類別屬性，并基于機(jī)器學(xué)習(xí)模型對(duì)數(shù)據(jù)類型、對(duì)應(yīng)的訓(xùn)練特征數(shù)據(jù)以及訓(xùn)練類別屬性進(jìn)行學(xué)習(xí)訓(xùn)練，得到類別學(xué)習(xí)模型；

基于所述類別學(xué)習(xí)模型，識(shí)別所述有效特征數(shù)據(jù)的有效類別屬性。

4.如權(quán)利要求1所述的一種基于人工智能的后視鏡組裝生產(chǎn)方法，其特征在于，步驟2中，基于分析結(jié)果，將后視鏡零件進(jìn)行分類，包括：

獲取分析結(jié)果，并提取所述分析結(jié)果中有效特征數(shù)據(jù)的有效類別屬性；

基于所述有效類別屬性控制工業(yè)機(jī)器人將所述后視鏡零件進(jìn)行分類，同時(shí)，對(duì)同類的后視鏡零件進(jìn)行標(biāo)識(shí)，獲得類別標(biāo)識(shí)。