开云优惠体育网页版入口

专利名称：一种高精度法兰的处理系统

专利类型：发明专利

专利申请号：CN202410772996.1

专利申请（专利权）人：山西管家营法兰锻造股份有限公司
权利人地址：山西省忻州市定襄县神山乡管家营工业园区

专利发明（设计）人：智一勇,徐渊斐,王志中,任海瑞

专利摘要：本发明涉及法兰加工领域，具体公开了一种高精度法兰的处理系统，包括实时扫描模块、数据压缩模块、数据传输模块、识别分析模块、加工调整模块、工序扫描模块、加工修正模块；本发明提出的一种高精度法兰的处理系统，通过摄像机扫描法兰工件，提出图像数据压缩算法，压缩扫描的图像数据，快速进行数据传输，实时分析法兰加工过程中的加工情况，调整相应的加工方式，在法兰加工的每道工序后进行扫描，判断工序加工合格情况，及时返工重加工，进行高精度法兰的加工。

主权利要求：
1.一种高精度法兰的处理系统，包括实时扫描模块、数据压缩模块、数据传输模块、识别分析模块、加工调整模块、工序扫描模块、加工修正模块；实时扫描模块通过摄像机，实时进行法兰工件的扫描；数据压缩模块通过图像数据压缩算法，对实时扫描模块中的图像进行压缩；数据传输模块将压缩的图像数据进行传输，传输至计算设备；识别分析模块通过识别分析算法，构建特征一致性网络模型，分析图像特征；加工调整模块在法兰加工过程中，对法兰工件的加工情况进行分析，与法兰加工理论数据进行对比，实时调整法兰工件的加工；工序扫描模块中，每个工序结束后通过扫描分析法兰工件的参数信息，判断工序合格情况；加工修正模块将不合格的法兰工件，重新传入对应的工序中进行修正加工；
所述图像数据压缩算法，提出分解函数，分解图像数据信号，再通过梯度处理，计算信号特征量，得到信号压缩编码；
所述分解函数，分解图像数据信号，详细过程如下：
对于实时扫描模块实时采集的法兰工件实时加工图像，是离散的时序信号，基于分解函数，对离散的时序信号进行分解处理，分解成基础部分和特征部分，公式如下：其中，y′t、y″t、y′t?1分别表示第t段离散时序信号的基础部分、第t段离散时序信号的特征部分、第t?1段离散时序信号的基础部分，γt表示第t段离散时序信号的分解系数，xt表示离散的时序信号中第t段信号、xt?1表示离散的时序信号中第t?1段信号，基于离散时序信号的基础部分，提出可变的区间函数，对离散的时序信号的基础部分进行稳定化处理，得到稳定的时序信号，处理公式如下：其中，Φy表示稳定的时序信号，u表示积分变量，α表示尺度参数，β表示区间参数，基于稳定的时序信号，将稳定的时序信号分割成n段，进行梯度处理，计算稳定时序信号的特征量di，计算稳定时序信号的特征量di中点的值，公式如下：其中，di,j表示第i段稳定时序信号的特征量的第j个值， 表示第i段稳
定时序信号中的中心函数点的坐标值，σ表示误差影响系数、 表示第i
段稳定时序信号中中心点邻域内的函数点的坐标值，G(·)表示梯度，ηx,j、ηy,j分别表示第i段稳定时序信号中中心点邻域内的点的第一影响参数、第i段稳定时序信号中中心点邻域内的点的第二影响参数，基于邻域内所有点，得到特征量中所有值，基于特征量，构建特征量集合D，基于特征量集合，得到压缩编码，公式如下：其中，d′i表示稳定时序信号的特征量di对应的压缩编码，dl表示第l段稳定时序信号的特征量，||·||2表示二范数，将所有特征量的压缩编码排序，选取前m项，构建压缩编码集合，剩余的压缩编码被去除，将压缩编码集合进行传输；
所述识别分析算法，构建特征一致性网络模型，基于映射参数，对多重图像进行映射处理，得到图像表征，通过交叉散度函数，对特征一致性网络模型进行训练；
所述特征一致性网络模型进行训练，详细过程如下：
采用的多重摄像头扫描方法，对法兰工件的每块区域都有不同角度的多重图像，基于识别分析算法，构建特征一致性网络模型，学习多重图像的一致性特征，对于多重图像集合C,在特征一致性网络模型中，首先对多重图像进行映射处理，映射至特征空间中，得到多重图像的图像表征，多重图像映射基于映射参数ψ，特征一致性网络模型在学习过程中经过多次迭代，其中映射参数在迭代过程中进行更新，更新公式如下：其中，ψk表示特征一致性网络模型第k次迭代过程中的映射参数，ψk?1表示特征一致性网络模型第k?1次迭代过程中的映射参数，ψk?2表示特征一致性网络模型第k?2次迭代过程中的映射参数， 表示特征一致性网络模型第k次迭代过程中的迭代系数，基于映射参数，将多重图像进行映射处理，映射处理过程如下：其中，Lci表示多重图像集合C中第i层图像ci的图像掩码向量，hi,k表示多重图像集合C中第i层图像ci第k次迭代过程中的图像表征， ζk分别表示多重图像集合C中第i层图像ci的第一尺度、多重图像集合C中第i层图像ci的第二尺度，基于多重图像集合的图像表征，提出交叉散度θ，训练特征一致性网络模型，交叉散度计算公式如下：其中，hi,k,r、hj,k,r分别表示多重图像集合C中第i层图像ci第k次迭代过程中的图像表征的第r个值、多重图像集合C中第j层图像cj第k次迭代过程中的图像表征的第r个值，在第k次迭代过程中，有最大交叉散度max[θ]，通过迭代，不断寻找较小的最大交叉散度，基于最小的最大交叉散度，对特征一致性网络模型进行训练。
2.根据权利要求1所述的一种高精度法兰的处理系统，其特征在于，所述摄像机，为多机位高清摄像机，在法兰加工工件周围，多角度安装高清摄像机，对法兰工件的不同部位进行扫描。
3.根据权利要求1所述的一种高精度法兰的处理系统，其特征在于，所述实时扫描模块中的多机位高清摄像机通过有线连接的方式，与计算设备进行网络数据连接，压缩的图像数据通过有线网络，快速传输至计算设备，所述计算设备为高性能计算机，进行图像压缩数据的重构，进行数据分析。
4.根据权利要求1所述的一种高精度法兰的处理系统，其特征在于，所述法兰工件的参数信息，包括法兰表面不同部位的尺寸信息，法兰表面平整度信息。
5.根据权利要求1所述的一种高精度法兰的处理系统，其特征在于，所述加工修正模块，在法兰工件每个工序完成后，摄像机扫描法兰工件，计算机设备分析不合格的法兰工件，返回至相应的加工工序，进行工件的修正加工。 说明书 : 一种高精度法兰的处理系统技术领域[0001] 本发明涉及法兰加工领域，特别是涉及一种高精度法兰的处理系统。背景技术[0002] 随着工业自动化技术的发展，传统的加工生产模式已经逐渐被数字化、智能化的生产方式所取代。在过去，工厂生产往往依赖于大量的人工操作和机械设备，而今，随着先进技术的迅速发展，诸如机器学习、人工智能、云计算和物联网等技术的广泛应用，工业生产已经进入了全新的时代。这一时代的特征是高效、精准、智能，为制造业带来了前所未有的发展机遇和挑战。[0003] 传统的加工生产模式往往存在着效率低下、成本高昂、质量不稳定等问题，尤其是在精密加工领域，这些问题尤为突出。例如，在法兰加工领域，传统的加工系统往往无法满足高精度、高效率的加工要求，导致产品质量不稳定，生产效率低下，甚至影响企业的竞争力和市场地位。[0004] 因此，为了应对这些挑战，满足市场对高质量产品的需求，加工生产领域亟需一种高效、精确的加工处理系统。这种系统不仅需要具备传统加工系统的基本功能，如加工精度、生产效率等，还需要具备更高级别的智能化和自动化功能，能够实时监测加工过程，及时发现并解决加工中的问题，从而提高加工质量和生产效率。[0005] 在当前的技术背景下，图像处理技术和人工智能技术的发展为实现这样的加工处理系统提供了重要的技术支持。图像处理技术可以实现对加工过程的实时监测和分析，通过对加工过程中产生的图像数据进行处理和分析，可以及时发现加工中的问题，并采取相应的措施进行调整和修正。而人工智能技术则可以实现对加工过程的智能化控制和优化，通过学习和优化算法，系统可以不断提升自身的加工效率和精度，从而实现更高水平的加工质量和生产效率。[0006] 然而，尽管图像处理技术和人工智能技术已经取得了很大的进步，但在实际应用中仍然存在一些挑战和难题需要克服。例如，图像处理技术在处理大量图像数据时往往存在处理速度不够快、处理精度不够高等问题，导致无法满足实时加工处理的需求；而人工智能技术在学习和优化过程中往往需要大量的数据和计算资源，而实际生产环境中的数据可能存在噪声和不确定性，导致学习和优化的效果不理想。[0007] 因此，针对这些问题和挑战，需要进一步研究和发展图像处理技术和人工智能技术，以实现更高水平的加工处理系统。这包括开发更高效、更精确的图像处理算法，提高图像处理技术的处理速度和处理精度；开发更智能、更灵活的人工智能算法，提高人工智能技术的学习和优化效果，从而实现更高水平的加工质量和生产效率。发明内容[0008] 本发明的目的在于提供一种高精度法兰的处理系统，旨在解决上述背景中提到的问题。[0009] 为了实现上述目的，本发明提出一种高精度法兰的处理系统，包括实时扫描模块、数据压缩模块、数据传输模块、识别分析模块、加工调整模块、工序扫描模块、加工修正模块；实时扫描模块通过摄像机，实时进行法兰工件的扫描；数据压缩模块通过图像数据压缩算法，对实时扫描模块中的图像进行压缩；数据传输模块将数据压缩模块压缩的图像数据进行传输，传输至计算设备；识别分析模块通过识别分析算法，构建特征一致性网络模型，分析图像特征；加工调整模块通过分析法兰工件加工过程中的不同区域，调整加工过程；工序扫描模块中，每个工序结束后通过扫描分析法兰工件的参数信息，判断工序合格情况；加工修正模块将不合格的法兰工件，重新传入对应的工序中进行修正加工。[0010] 进一步的，所述摄像机，为多机位高清摄像机，在法兰加工工件周围，多角度安装高清摄像机，对法兰工件的不同部位扫描。[0011] 进一步的，所述图像数据压缩算法，提出分解函数，分解图像数据信号，再通过梯度处理，计算信号特征量，得到信号压缩编码，详细过程如下：[0012] 对于实时扫描模块实时采集的法兰工件实时加工图像，是离散的时序信号，定义为X，表示为：[0013] X＝[x1,x2,…,xt,…,xT]，[0014] 其中，x1、x2、xt、xT分别表示离散的时序信号中第1段信号、离散的时序信号中第2段信号、离散的时序信号中第t段信号、离散的时序信号中第T段信号，提出分解函数，基于分解函数，对离散的时序信号进行分解处理，分解成基础部分和特征部分，公式如下：[0015][0016] 其中，y′t、y″t、y′t?1分别表示第t段离散时序信号的基础部分、第t段离散时序信号的特征部分、第t?1段离散时序信号的基础部分，γt表示第t段离散时序信号的分解系数，xt?1表示离散的时序信号中第t?1段信号，基于离散时序信号的基础部分，提出可变的区间函数，对离散的时序信号的基础部分进行稳定化处理，得到稳定的时序信号，处理公式如下：[0017][0018] 其中，Φy表示稳定的时序信号，u表示积分变量，α表示尺度参数，β表示区间参数，基于稳定的时序信号，将稳定的时序信号分割成n段，进行梯度处理，基于稳定时序信号的特征量di，计算稳定时序信号的特征量di中点的值，公式如下：[0019] 其中，di,j表示第i段稳定时序信号的特征量的第j个值， 表示第i段稳定时序信号中的中心函数点的坐标值，σ表示误差影响系数、 表示第i段稳定时序信号中中心点邻域内的函数点的坐标值，G(·)表示梯度，ηx,j、ηy,j分别表示第i段稳定时序信号中中心点邻域内的点的第一影响参数、第i段稳定时序信号中中心点邻域内的点的第二影响参数，基于邻域内所有点，得到特征量中所有值，基于特征量，构建特征量集合D，表示为：[0020] D＝[d1,d2,...,di,...,dn]，[0021] 其中，d1、d2、dn分别表示第1段稳定时序信号的特征量、第2段稳定时序信号的特征量、第n段稳定时序信号的特征量，基于特征量集合，得到压缩编码，公式如下：[0022][0023] 其中，d′i表示稳定时序信号的特征量di对应的压缩编码，dl表示第l段稳定时序信号的特征量，||·||2表示二范数，将所有特征量的压缩编码排序，选取前m项，构建压缩编码集合，剩余的压缩编码被去除，将压缩编码集合进行传输。本发明提出的图像数据压缩算法，通过提出分解函数，将图像数据信号分解成基础部分和特征部分，再基于区间函数，对基础部分进行稳定化处理，稳定的时序信号，再将稳定时序信号进行分割，进行梯度处理，计算特征量，再基于特征量，计算压缩编码，取前k项构建压缩编码集合，与特征部分进行数据传输，本发明提出的数据压缩算法，能够在较高保留原数据的情况下，提高图像数据的压缩效率，降低数据传输所需的带宽，提高数据传输的速度。[0024] 进一步的，所述数据传输模块，多机位高清摄像机通过有线连接的方式，与计算设备进行网络数据连接，压缩的图像数据通过有线网络，快速传输至计算设备，所述计算设备为高性能计算机，进行图像压缩数据的重构，进行数据分析。[0025] 进一步的，所述识别分析算法，构建特征一致性网络模型，基于映射参数，对多重图像进行映射处理，得到图像表征，通过交叉散度函数，对特征一致性网络模型进行训练，详细过程如下：[0026] 在本发明实时扫描模块中，采用的多重摄像头扫描方法，对法兰工件的每块区域都有不同角度的多重图像，基于识别分析算法，构建特征一致性网络模型，学习多重图像的一致性特征，对于多重图像集合C,表示为：[0027] C＝[c1,c2,...,ci,...,cn]，[0028] 其中，c1、c2、ci、cn分别表示多重图像集合C中第1层图像、多重图像集合C中第2层图像、多重图像集合C中第i层图像、多重图像集合C中第n层图像，在特征一致性网络模型中，首先对多重图像进行映射处理，映射至特征空间中，得到多重图像的图像表征，多重图像映射基于映射参数ψ，特征一致性网络模型在学习过程中经过多次迭代，其中映射参数在迭代过程中进行更新，更新公式如下：[0029][0030] 其中，ψk表示特征一致性网络模型第k次迭代过程中的映射参数，ψk?1表示特征一致性网络模型第k?1次迭代过程中的映射参数，ψk?2表示特征一致性网络模型第k?2次迭代过程中的映射参数， 表示特征一致性网络模型第k次迭代过程中的迭代系数，基于映射参数，将多重图像进行映射处理，映射处理过程如下：[0031][0032] 其中，hi,k表示多重图像集合C中第i层图像ci第k次迭代过程中的图像表征， ζk分别表示多重图像集合C中第i层图像ci的第一尺度、多重图像集合C中第i层图像ci的第二尺度，Lci表示图像ci的图像掩码向量，基于多重图像集合的图像表征，提出交叉散度θ，训练特征一致性网络模型，交叉散度计算公式如下：[0033][0034] 其中，hi,k,r、hj,k,r分别表示多重图像集合C中第i层图像ci第k次迭代过程中的图像表征的第r个值、多重图像集合C中第j层图像cj第k次迭代过程中的图像表征的第r个值，在第k次迭代过程中，有最大交叉散度max[θ]，通过迭代，不断寻找较小的最大交叉散度，基于最小的最大交叉散度，对特征一致性网络模型进行训练。本发明提出的识别分析算法，通过构建特征一致性网络模型，学习多重图像的一致性特征，基于映射参数，对多重图像进行映射处理，得到多重图像图像表征，再通过提出交叉散度函数，对特征一致性网络模型进行训练，本发明基于识别分析算法构建的特征一致性网络模型，能够较大程度分析识别多重图像的一致性特征，提高图像识别的准确性，提高法兰工件表面参数的识别精确度，提升了法兰加工的精度。[0035] 进一步的，所述加工调整模块，在法兰加工过程中，对法兰工件的加工情况进行分析，与法兰加工理论数据进行对比，实时调整法兰工件的加工。[0036] 进一步的，所述法兰工件的参数信息，包括法兰表面不同部位的尺寸信息，法兰表面平整度信息。[0037] 进一步的，所述加工修正模块，在法兰工件每个工序完成后，摄像机扫描法兰工件，计算机设备分析不合格的法兰工件，返回至相应的加工工序，进行工件的修正加工。[0038] 相对于现有技术，本发明具备如下有益效果：本发明提出一种高精度法兰的处理系统，包括实时扫描模块、数据压缩模块、数据传输模块、识别分析模块、加工调整模块、工序扫描模块、加工修正模块；数据压缩模块通过提出图像数据压缩算法，对实时扫描模块中的图像进行压缩，本发明提出的图像数据压缩算法，通过提出分解函数，将图像数据信号分解成基础部分和特征部分，再基于区间函数，对基础部分进行稳定化处理，稳定的时序信号，再将稳定时序信号进行分割，进行梯度处理，计算特征量，再基于特征量，计算压缩编码，取前k项构建压缩编码集合，与特征部分进行数据传输，本发明提出的数据压缩算法，能够在较高保留原数据的情况下，提高图像数据的压缩效率，降低数据传输所需的带宽，提高数据传输的速度；识别分析模块通过提出识别分析算法，构建特征一致性网络模型，分析图像特征，本发明提出的识别分析算法，通过构建特征一致性网络模型，学习多重图像的一致性特征，基于映射参数，对多重图像进行映射处理，得到多重图像的图像表征，再通过提出交叉散度函数，对特征一致性网络模型进行训练，本发明基于识别分析算法构建的特征一致性网络模型，能够较大程度分析识别多重图像的一致性特征，提高图像识别的准确性，提高法兰工件表面参数的识别精确度，提升法兰加工的精度；本发明提出的高精度法兰的处理系统，能够对法兰工件进行高精度的实时监测和分析，及时发现加工中的问题，并采取相应的调整和修正措施，从而提高了加工精度和一致性，及时发现加工中的问题，并采取相应的调整和修正措施，可以避免因加工中的错误而导致的废品和损失，从而降低了生产成本和加工成本。实现对法兰工件加工过程的实时监测和调整，确保了加工过程的稳定性和一致性，提高了产品的质量和可靠性。附图说明[0039] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，以下描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，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附图。[0040] 图1是本实施例的结构示意图；[0041] 图2是本实施例图像数据压缩结构示意图。具体实施方式[0042] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0043] 请参阅图1，为了实现上述目的，本发明提出一种高精度法兰的处理系统，包括实时扫描模块、数据压缩模块、数据传输模块、识别分析模块、加工调整模块、工序扫描模块、加工修正模块；实时扫描模块通过摄像机，实时进行法兰工件的扫描；数据压缩模块通过图像数据压缩算法，对实时扫描模块中的图像进行压缩；数据传输模块将数据压缩模块压缩的图像数据进行传输，传输至计算设备；识别分析模块通过识别分析算法，构建特征一致性网络模型，分析图像特征；加工调整模块通过分析法兰工件加工过程中的不同区域，调整加工过程；工序扫描模块中，每个工序结束后通过扫描分析法兰工件的参数信息，判断工序合格情况；加工修正模块将不合格的法兰工件，重新传入对应的工序中进行修正加工。[0044] 请参阅图1，具体的，所述摄像机，为多机位高清摄像机，在法兰加工工件周围，多角度安装高清摄像机，对法兰工件的不同部位进行多角度扫描。[0045] 请参阅图1、图2，具体的，所述图像数据压缩算法，提出分解函数，分解图像数据信号，再通过梯度处理，计算信号特征量，得到信号压缩编码，详细过程如下：[0046] 对于实时扫描模块实时采集的法兰工件实时加工图像，是离散的时序信号，定义为X，表示为：[0047] X＝[x1,x2,...,xt,...,xT]，[0048] 其中，x1、x2、xt、xT分别表示离散的时序信号中第1段信号、离散的时序信号中第2段信号、离散的时序信号中第t段信号、离散的时序信号中第T段信号，提出分解函数，基于分解函数，对离散的时序信号进行分解处理，分解成基础部分和特征部分，公式如下：[0049][0050] 其中，y′t、y″t、y′t?1分别表示第t段离散时序信号的基础部分、第t段离散时序信号的特征部分、第t?1段离散时序信号的基础部分，γt表示第t段离散时序信号的分解系数，xt?1表示离散的时序信号中第t?1段信号，基于离散时序信号的基础部分，提出可变的区间函数，对离散的时序信号的基础部分进行稳定化处理，得到稳定的时序信号，处理公式如下：[0051][0052] 其中，Φy表示稳定的时序信号，u表示积分变量，α表示尺度参数，β表示区间参数，基于稳定的时序信号，将稳定的时序信号分割成n段，进行梯度处理，计算稳定时序信号的特征量di，计算稳定时序信号的特征量di中点的值，公式如下：[0053][0054] ，其中，di,j表示第i段稳定时序信号的特征量的第j个值， 表示第i段稳定时序信号中的中心函数点的坐标值，σ表示误差影响系数、 表示第i段稳定时序信号中中心点邻域内的函数点的坐标值，G(·)表示梯度，ηx,j、ηy,j分别表示第i段稳定时序信号中中心点邻域内的点的第一影响参数、第i段稳定时序信号中中心点邻域内的点的第二影响参数，基于邻域内所有点，得到特征量中所有值，基于特征量，构建特征量集合D，表示为：[0055] D＝[d1,d2,...,di,...,dn]，[0056] 其中，d1、d2、dn分别表示第1段稳定时序信号的特征量、第2段稳定时序信号的特征量、第n段稳定时序信号的特征量，基于特征量集合，得到压缩编码，公式如下：[0057][0058] 其中，d′i表示稳定时序信号的特征量di对应的压缩编码，dl表示第l段稳定时序信号的特征量，||·||2表示二范数，将所有特征量的压缩编码排序，选取前m项，构建压缩编码集合，剩余的压缩编码被去除，将压缩编码集合进行传输。[0059] 请参阅图1，具体的，所述数据传输模块，多机位高清摄像机通过有线连接的方式，与计算设备进行网络数据连接，压缩的图像数据通过有线网络，快速传输至计算设备，所述计算设备为高性能计算机，进行图像压缩数据的重构，进行数据分析。[0060] 请参阅图1，具体的，所述识别分析算法，构建特征一致性网络模型，基于映射参数，对多重图像进行映射处理，得到图像表征，通过交叉散度函数，对特征一致性网络模型进行训练，详细过程如下：[0061] 在本发明实时扫描模块中，采用的多重摄像头扫描方法，对法兰工件的每块区域都有不同角度的多重图像，基于识别分析算法，构建特征一致性网络模型，学习多重图像的一致性特征，对于多重图像集合C,表示为：[0062] C＝[c1,c2,...,ci,...,cn]，[0063] 其中，c1、c2、ci、cn分别表示多重图像集合C中第1层图像、多重图像集合C中第2层图像、多重图像集合C中第i层图像、多重图像集合C中第n层图像，在特征一致性网络模型中，首先对多重图像进行映射处理，映射至特征空间中，得到多重图像的图像表征，多重图像映射基于映射参数ψ，特征一致性网络模型在学习过程中经过多次迭代，其中映射参数在迭代过程中进行更新，更新公式如下：[0064][0065] 其中，ψk表示特征一致性网络模型第k次迭代过程中的映射参数，ψk?1表示特征一致性网络模型第k?1次迭代过程中的映射参数，ψk?2表示特征一致性网络模型第k?2次迭代过程中的映射参数， 表示特征一致性网络模型第k次迭代过程中的迭代系数，基于映射参数，将多重图像进行映射处理，映射处理过程如下：[0066][0067] 其中，hi,k表示多重图像集合C中第i层图像ci第k次迭代过程中的图像表征， ζk分别表示多重图像集合C中第i层图像ci的第一尺度、多重图像集合C中第i层图像ci的第二尺度，Lci表示图像ci的图像掩码向量，基于多重图像集合的图像表征，提出交叉散度θ，训练特征一致性网络模型，交叉散度计算公式如下：[0068][0069] 其中，hi,k,r、hj,k,r分别表示多重图像集合C中第i层图像ci第k次迭代过程中的图像表征的第r个值、多重图像集合C中第j层图像cj第k次迭代过程中的图像表征的第r个值，在第k次迭代过程中，有最大交叉散度max[θ]，通过迭代，不断寻找较小的最大交叉散度，基于最小的最大交叉散度，对特征一致性网络模型进行训练。[0070] 请参阅图1，具体的，所述加工调整模块，在法兰加工过程中，对法兰工件的加工情况进行分析，与法兰加工理论数据进行对比，实时调整法兰工件的加工。[0071] 请参阅图1，具体的，所述法兰工件的参数信息，包括法兰表面不同部位的尺寸信息，法兰表面平整度信息。[0072] 请参阅图1，具体的，所述加工修正模块，在法兰工件每个工序完成后，摄像机扫描法兰工件，计算机设备分析不合格的法兰工件，返回至相应的加工工序，进行工件的修正加工。[0073] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0074] 本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。[0075] 以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

专利地区：山西

专利申请日期：2024-06-17

专利公开日期：2024-10-01

专利公告号：2024-10-01