一种基于人工智能技术的铸造工艺控制方法及设备与流程

1.本技术涉及铸造工艺技术领域，尤其涉及一种基于人工智能技术的铸造工艺控制方法及设备。


背景技术：

2.铸造产业对人们的生活起到十分重要的作用，各种铸造产品，例如车轮毂、锅等，都是通过铸造产生的。目前，科技在不断发展，人们对所需要的用具的要求越来越高，人们开始从追求有产品用，到追求用高质量产品过渡。传统的铸造工艺主要通过人工的方式进行，这样过于浪费人力。现在的大型铸造产业，开始使用机器人操作，实现铸件加工设备的连贯生产，节省人力。
3.但是，铸件加工设备一旦产生过产品表面缺陷，如影响消费者使用体验的表面裂纹等，后续的铸件加工设备也可能出现历史出现过的产品问题。如果在铸造过程中无法及时发现上述问题，并及时地对引发产品表面缺陷的工艺流程进行调整，这将严重影响了铸造生产效率以及铸造生产质量。
4.基于此，亟需一种能够根据历史产生过的铸造问题，及时对铸件加工设备进行调整控制，保证铸造效益以及铸造质量的技术方案。


技术实现要素：

5.本技术实施例提供了一种基于人工智能技术的铸造工艺控制方法及设备，用于对铸件加工设备及时进行调整控制，保证铸造效益以及铸造质量，提高消费者使用体验。
6.一方面，本技术实施例提供了一种基于人工智能技术的铸造工艺控制方法，该方法包括：
7.获取存在第一缺陷的若干第一铸件图像。将多个第一铸件图像作为样本输入去噪模型，以对去噪模型进行训练。接收铸件表面图像，并将铸件表面图像输入去噪模型。确定去噪模型对铸件表面图像的划定区域。划定区域包括第一缺陷。通过预先训练的第二缺陷识别模型，确定铸件表面图像的非划定区域中的第二缺陷。根据第二缺陷的缺陷类型以及第二缺陷在铸件中所处的位置信息，确定第二缺陷与若干铸件加工设备分别对应的第一匹配度。其中，缺陷类型、第二缺陷在铸件中所处位置信息以及铸件加工设备信息对应存储于缺陷工艺对照表中。在至少一个第一匹配度满足预设条件的情况下，生成工艺控制指令，并将工艺控制指令以及各第一匹配度相应的各铸件加工设备发送至相应的工艺控制终端。
8.在本技术的一种实现方式中，将若干第二铸件图像输入第二缺陷识别模型，以确定各第二铸件图像中是否存在第二缺陷。从若干第二铸件图像中，将存在第二缺陷的各第二铸件图像剔除，得到若干第一样本图像。对各第一样本图像进行筛选，并将筛选后的预设数量的各第一样本图像发送至用户终端，以基于用户在用户终端的操作，确定各第一样本图像的噪声保留结果。其中，噪声保留结果为第一样本图像中是否包括第一缺陷的结果。在各噪声保留结果与预设结果匹配的情况下，将各第一样本图像作为第一铸件图像。
9.在本技术的一种实现方式中，确定各第一铸件图像对应的铸件类型。确定各铸件类型是否一致。在各铸件类型一致的情况下，确定铸件类型对应的去噪模型。在各铸件类型不一致的情况下，根据铸件类型，对各铸件类型进行分类。并确定分类后的各铸件类型所匹配的各去噪模型。
10.在本技术的一种实现方式中，通过图像识别模型，确定铸件表面图像相应的铸件类型。或者向铸件表面图像的发送终端，发送铸件类型获取指令，以确定铸件表面图像的铸件类型。通过铸件类型，确定铸件表面图像的铸件类型对应的去噪模型。确定去噪模型对铸件表面图像的划定区域，具体包括：通过去噪模型，确定铸件表面图像中第一缺陷的边缘特征点。将边缘特征点按照预设方式连接，得到第一缺陷的边缘线。根据去噪模型以及边缘线，确定位于边缘线内部的缺陷区域，为划定区域。
11.在本技术的一种实现方式中，根据去噪模型，确定第一缺陷的缺陷区域，并确定缺陷区域面积。确定边缘线的闭合区域的闭合区域面积。将闭合区域面积与缺陷区域面积的面积覆盖率的最大值对应的区域，作为划定区域。将铸件表面图像，上传至预设数据库，确定预设数据库中存储的铸件表面图像相应铸件的铸件参数。其中，铸件参数包括：铸件尺寸、铸件密度。根据铸件尺寸，确定边缘线内部的缺陷区域的面积，与铸件的表面积的比值。确定边缘线内部的缺陷区域的面积，与铸件的表面积的比值是否大于预设阈值。在确定边缘线内部的缺陷区域的面积，与铸件的表面积的比值大于预设阈值的情况下，将缺陷区域对应的图像发送至生产终端。
12.在本技术的一种实现方式中，从预设的缺陷图像数据库中，获取若干工艺缺陷图像。工艺缺陷图像中包括铸件加工设备产生的第二缺陷。通过模型输入层，将各工艺缺陷图像输入第二缺陷识别模型的卷积层，以对各工艺缺陷图像进行卷积处理，得到各工艺缺陷图像的特征图像。将各特征图像输入至池化层进行池化处理。通过第二缺陷识别模型的输出层，输出模型识别图像、所述缺陷类型以及第二缺陷在铸件中所处的位置信息。其中，模型识别图像中包括第二缺陷的图像。将各模型识别图像以及相应的缺陷类型以及第二缺陷在铸件中所处的位置信息上传至图像比对数据库，以确定各模型图像中的第二缺陷、相应的缺陷类型以及第二缺陷在铸件中所处的位置信息是否匹配，并累计匹配次数。根据累计匹配次数以及相应的匹配结果，计算第二匹配度。在第二匹配度小于第二预设阈值的情况下，获取若干工艺缺陷图像，对第二缺陷识别模型进行再训练，直至第二匹配度大于或等于第二预设阈值，完成第二缺陷识别模型的训练。
13.在本技术的一种实现方式中，确定预设数据库中的上一时间段的缺陷工艺对照表。其中，缺陷工艺对照表中记录各铸件加工设备产生各缺陷类型、第二缺陷在铸件中所处位置信息与各铸件加工设备的匹配度，缺陷工艺对照表根据各铸件加工设备与缺陷类型、第二缺陷在铸件中所处位置信息的历史记录生成。将缺陷类型及第二缺陷在铸件中所处的位置信息与缺陷工艺对照表中的第一序列组比对，确定缺陷类型及第二缺陷在铸件中所处的位置信息是否存在缺陷工艺对照表。其中，第一序列组中包括若干缺陷类型及缺陷位置信息。若存在，确定缺陷类型及第二缺陷在铸件中所处的位置信息对应的第二序列组中匹配序列，以根据匹配序列，确定若干第一匹配度。其中，第二序列组包括第一序列组中各缺陷类型及第二缺陷在铸件中所处的位置信息匹配的各铸件加工设备以及相应的匹配度。在本技术的一种实现方式中，确定若干第一匹配度中最大值对应的至少一个第一匹配度，并
确定至少一个第一匹配度是否大于预设值。在至少一个第一匹配度大于预设值的情况下，确定至少一个第一匹配度的占比满足预设条件，并生成工艺控制指令。其中，工艺控制指令用于调整工艺控制终端相应的铸件加工设备的设备运行。
14.在本技术的一种实现方式中，在各第一匹配度中不存在满足预设条件的第一匹配度的情况下，获取若干工艺缺陷图像，对第二缺陷识别模型进行再训练。并将第二缺陷对应的区域图像发送至各铸件加工设备的各工艺控制终端。
15.另一方面，本技术实施例还提供了一种基于人工智能技术的铸造工艺控制设备，该设备包括：
16.至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
17.获取存在第一缺陷的若干第一铸件图像。将多个第一铸件图像作为样本输入去噪模型，以对去噪模型进行训练。接收铸件表面图像，并将铸件表面图像输入去噪模型。确定去噪模型对铸件表面图像的划定区域。划定区域包括第一缺陷。通过预先训练的第二缺陷识别模型，确定铸件表面图像的非划定区域中的第二缺陷。根据第二缺陷的缺陷类型以及第二缺陷在铸件中所处的位置信息第二缺陷与若干铸件加工设备分别对应的第一匹配度。其中，缺陷类型、第二缺陷在铸件中所处位置信息以及铸件加工设备信息对应存储于缺陷工艺对照表中。在至少一个第一匹配度满足预设条件的情况下，生成工艺控制指令，并将工艺控制指令以及各第一匹配度相应的各铸件加工设备信息发送至相应的工艺控制终端。
18.通过上述方案，能够准确识别由铸件加工设备引发的铸造问题，并根据历史产生过的铸造问题，及时对产生该铸造问题的铸件加工设备进行调整控制，保证铸造效益以及铸造质量。同时，本技术能够避免铸件加工设备发生了问题后，后续的生产铸造产品延续之前的问题，生产出成批的劣质产品。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
20.图1为本技术实施例中一种基于人工智能技术的铸造工艺控制方法的一种流程示意图；
21.图2为本技术实施例中一种基于人工智能技术的铸造工艺控制方法的另一种流程示意图；
22.图3为本技术实施例中一种基于人工智能技术的铸造工艺控制设备的结构示意图。
具体实施方式
23.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
24.本技术实施例提供了一种基于人工智能技术的铸造工艺控制方法及设备，用来根据历史产生过的铸造问题，及时对铸件加工设备进行调整控制，保证铸造效益以及铸造质量。
25.以下结合附图，详细说明本技术的各个实施例。
26.本技术实施例提供了一种基于人工智能技术的铸造工艺控制方法，如图1所示，该方法可以包括步骤s101-s107：
27.s101，服务器获取存在第一缺陷的若干第一铸件图像。
28.在本技术实施例中，服务器获取存在第一缺陷的若干第一铸件图像之前，包括：
29.首先，服务器将若干第二铸件图像输入第二缺陷识别模型，以确定各第二铸件图像中是否存在第二缺陷。
30.第二缺陷识别模型为卷积神经网络模型，通过若干工艺缺陷图像训练而成，用于识别第二缺陷。
31.第二缺陷为铸件加工设备所产生的缺陷，第二缺陷与第一缺陷通过比对若干的铸造图像的缺陷位置、缺陷类型的区别得到的，对于比对区别，服务器可以通过神经网络模型将第一缺陷与第二缺陷进行比对得到，也可以通过人工标注特征的方式，获取第二缺陷的特征及第一缺陷的特征。
32.然后，服务器从若干第二铸件图像中，将存在第二缺陷的各第二铸件图像剔除，得到若干第一样本图像。
33.在第二缺陷识别模型识别到第二铸件图像存在第二缺陷时，服务器可以将该第二铸件图像从若干第二铸件图像中剔除，并将剔除了存在第二曲线的第二铸件图像的剩余的第二铸件图像，作为第一样本图像。
34.接着，服务器对各第一样本图像进行筛选，并将筛选后的预设数量的各第一样本图像发送至用户终端，以基于用户在用户终端的操作，确定各第一样本图像的噪声保留结果。
35.其中，噪声保留结果为第一样本图像中是否包括第一缺陷的结果。
36.第一样本图像的数量可能过多，服务器可以通过筛选的方式，从第一样本图像中选择预设数量的第一样本图像，预设数量在实际使用过程中进行设定，本技术对此不作具体限定。用户可以通过点击用户终端的显示界面显示的各第一样本图像，将第一样本图像选中为包括第一缺陷的结果或不包括第一缺陷的结果。
37.最后，服务器在各噪声保留结果与预设结果匹配的情况下，将各第一样本图像作为第一铸件图像。
38.预设结果可以是包括第一缺陷的结果，若筛选后的第一样本图像的噪声保留结果全部为包括第一缺陷的结果，那么服务器将各第一样本图像作为第一铸件图像。
39.本技术通过上述方案，可以得到只包含第一缺陷的第一样本图像，从而在训练去噪模型时，避免第二缺陷的存在，影响去噪模型的训练结果，保证去噪模型识别第一缺陷的准确度。
40.需要说明的是，服务器作为基于人工智能技术的铸造工艺控制方法的执行主体，仅为示例性存在，执行主体不仅限于服务器，本技术对此不作具体限定。
41.s102，服务器将多个第一铸件图像作为样本输入去噪模型，以对去噪模型进行训
练。
42.在本技术实施例中，去噪模型需要进行训练之后，才能进行正常使用，因此，服务器将多个第一铸件图像作为样本输入去噪模型，以对去噪模型进行训练之前，还包括：
43.首先，服务器确定各第一铸件图像对应的铸件类型。
44.铸件类型可以至少包括泵类铸件、阀类铸件、液压件类铸件、气动元件类铸件、冶金机械类铸件、矿山机械类铸件
……
，服务器通过图像识别，或者向发送终端确定的方式，得到铸件类型。
45.然后，服务器确定各铸件类型是否一致。
46.发送终端可能发送若干张第一铸件图像，第一铸件图像对应的铸件类型可能存在不一致的情况，因此服务器为保证识别缺陷的准确，保证对铸件加工设备调控的准确度，需要先确定铸件类型的一致情况。
47.接着，服务器在各铸件类型一致的情况下，确定铸件类型的名称匹配的去噪模型。
48.服务器在各铸件类型不一致的情况下，根据铸件类型的名称，对各铸件类型进行分类。
49.最后，服务器确定分类后的各铸件类型的名称所匹配的各去噪模型。
50.通过上述方案，可以确定各铸件类型所对应的去噪模型，通过分类的方式，可以更为精准地识别铸件表面图像的第一缺陷。
51.s103，服务器接收铸件表面图像，并将铸件表面图像输入去噪模型。
52.在本技术实施例中，服务器将铸件表面图像输入去噪模型之前，如图2所示，还包括以下步骤：
53.s201，服务器通过图像识别模型，确定铸件表面图像相应的铸件类型。或者，服务器向铸件表面图像的发送终端，发送铸件类型获取指令，以确定铸件表面图像的铸件类型。
54.服务器可以通过图像识别模型，或者是向发送终端获取的方式，得到铸件表面图像的铸件类型。铸件表面图像可以是在铸件加工设备过程中，图像采集设备采集到的图像，也可以是铸件生产完成后，图像采集设备采集的图像。其中，图像识别模型包括但不限于：alexnet、vgg19、resnet_152、inceptionv4、densenet。图像采集设备可以是手机、摄像头等设备，本技术对此不作具体限定。
55.s202，服务器通过铸件类型，确定铸件表面图像的铸件类型对应的去噪模型。
56.服务器在得到铸件类型之后，根据铸件类型的名称，从若干的去噪模型中，选择一个与铸件类型的名称匹配的去噪模型。例如铸件类型的名称为：车毂，那么去噪模型的名称为车毂去噪模型。
57.s203，服务器通过去噪模型，确定铸件表面图像中第一缺陷的边缘特征点。
58.服务器将铸件表面图像输入到去噪模型之后，去噪模型确定铸件表面图像中的第一缺陷的区域，并标注第一缺陷的区域的边缘特征点，区域可能是规则图形，但边缘特征点可以标注规则图像中第一缺陷的边缘点。
59.s204，服务器将边缘特征点按照预设方式连接，得到第一缺陷的边缘线。
60.服务器可以将边缘特征点按照顺时针或逆时针的方式，依次连接相邻的各个边缘特征点，连接后的边缘特征点形成边缘线，该边缘线可以形成规则图形，也可以是不规则图形。
61.s205，服务器根据去噪模型以及边缘线，确定位于边缘线内部的缺陷区域，为划定区域。
62.服务器根据去噪模型，确定第一缺陷的缺陷区域，并确定缺陷区域面积。确定边缘线的闭合区域的闭合区域面积。将闭合区域面积与缺陷区域面积的面积覆盖率的最大值对应的区域，作为划定区域。
63.即服务器根据去噪模型得到第一缺陷的区域，以及得到的第一缺陷的边缘线，将边缘线的闭合区域的面积与第一缺陷的区域覆盖面积的面积覆盖率最大的区域，作为划定区域。
64.s206，服务器将铸件表面图像，上传至预设数据库，确定预设数据库中存储的铸件表面图像相应铸件的铸件参数。
65.其中，铸件参数包括：铸件尺寸、铸件密度。
66.服务器可以将来自图像采集设备的铸件表面图像发送到预设数据库，该预设数据库汇总存储有铸件表面图像对应的各铸件的铸件参数，例如a车毂的铸件参数。
67.此外，预设数据库可以主动识别铸件表面图像，得到铸件的名称。或者服务器对铸件表面图像识别，得到铸件表面图像对应的铸件的名称，并将铸件表面图像以及铸件名称发送至预设数据库，预设数据库将铸件表面图像与数据库中的图像进行比对，将铸件名称与预设数据库中的名称进行比对，确定比对后的匹配的铸件的铸件参数。
68.s207，服务器根据铸件尺寸，确定边缘线内部的缺陷区域的面积，与铸件的表面积的比值。
69.服务器可以通过铸件尺寸，计算铸件表面图像相应的铸件的边缘线内部的缺陷区域的面积，并将该面积与铸件的表面积进行计算比值。例如铸件边缘线内部的缺陷区域的面积为s1，铸件表面积为s2，比值为s1/s2。
70.s208，服务器确定边缘线内部的缺陷区域的面积，与铸件的表面积的比值是否大于预设阈值。
71.在本技术实施例中，预设阈值可以根据实际使用过程进行设定，例如0.5、0.4，本技术预设阈值的具体数据不作限定。
72.s209，服务器在确定边缘线内部的缺陷区域的面积，与铸件的表面积的比值大于预设阈值的情况下，将缺陷区域对应的图像发送至生产终端。
73.在本技术实施例中，若铸件表面的第一缺陷的面积过大，虽然第一缺陷不是铸件加工设备引发的，但其缺陷将影响美观或使用体验，因此，在该第一缺陷的面积过大的情况下，将该缺陷区域对应的图像进行采集，并将图像发送至生产终端，以使生产终端选择对该第一缺陷对应的铸件进行生产操作，生产操作例如重新铸造，或通过其他方式对第一缺陷进行修整。
74.通过上述方案，可以对第一缺陷对应的区域进行准确地识别，使生产终端发现存在的第一缺陷的问题，从而对铸件进行及时地修整或重新铸造，保证铸造产品合格，提高铸造生产质量，同时能够在铸件加工设备之间进行识别第一缺陷的情况下，保证接下来的铸件加工设备不被第一缺陷的存在所影响，保证铸件加工设备的正常生产。
75.s104，服务器确定去噪模型对铸件表面图像的划定区域。
76.其中，划定区域包括第一缺陷。
77.确定划定区域的实施例如上述步骤s205，在此不作赘述。
78.s105，服务器通过预先训练的第二缺陷识别模型，确定铸件表面图像的非划定区域中的第二缺陷。
79.在本技术实施例中，服务器通过预先训练的第二缺陷识别模型，确定铸件表面图像的非划定区域中的第二缺陷之前，还包括：
80.首先，服务器从预设的缺陷图像数据库中，获取若干工艺缺陷图像。
81.其中，工艺缺陷图像中包括铸件加工设备产生的第二缺陷。
82.服务器可以与预设的缺陷图像数据库建立连接，通过缺陷图像数据库中的工艺缺陷图像对第一缺陷识别模型进行训练。若干工艺缺陷图像对应于不同的缺陷信息，缺陷信息至少包括：a缺陷位置的缺陷类型凸起、b缺陷位置的缺陷类型为裂缝。
83.其次，服务器通过模型输入层，将各工艺缺陷图像输入第二缺陷识别模型的卷积层，以对各工艺缺陷图像进行卷积处理，得到各工艺缺陷图像的特征图像。
84.其中，特征图像包括第二缺陷的特征。
85.再次，服务器将各特征图像输入至池化层进行池化处理。
86.接着，服务器通过第二缺陷识别模型的输出层，输出模型识别图像、缺陷类型以及第二缺陷在铸件中所处的位置信息。
87.其中，模型识别图像中包括第二缺陷的图像。
88.随后，服务器将各模型识别图像、缺陷类型以及第二缺陷在铸件中所处的位置信息上传至图像比对数据库，以确定各模型图像中的第二缺陷与相应的、缺陷类型以及第二缺陷在铸件中所处的位置信息是否匹配，并累计匹配次数。
89.服务器可以将缺陷类型及缺陷位置与图像比对数据库中模型图像的第二缺陷进行匹配，匹配方式为确定缺陷类型与缺陷位置是否一致。并累计匹配的总次数。
90.随后，服务器根据累计匹配次数以及相应的匹配结果，计算第二匹配度。
91.第二匹配度的计算方式为，确定累计匹配次数x，匹配一致的次数为t，那么第二匹配度y＝t/x。
92.最后，服务器在第二匹配度小于第二预设阈值的情况下，获取若干工艺缺陷图像，对第二缺陷识别模型进行再训练，直至第二匹配度大于或等于第二预设阈值，完成第二缺陷识别模型的训练。
93.在第二匹配度小于第二预设阈值时，服务器确定第二缺陷识别模型的准确度不够，在实际使用过程中，第二预设阈值的设定影响第二缺陷识别模型的准确度，因此第二预设阈值可以根据实际需要设定。
94.s106，服务器根据第二缺陷的缺陷类型以及第二缺陷在铸件中所处的位置信息，确定第二缺陷与若干铸件加工设备分别对应的第一匹配度。
95.其中，缺陷类型、第二缺陷在铸件中所处位置信息以及铸件加工设备信息对应存储于缺陷工艺对照表中。
[0096][0097]
在本技术实施例中，服务器根据第二缺陷的缺陷信息，确定若干第一匹配度，具体包括：
[0098]
首先，服务器确定预设数据库中的上一时间段的缺陷工艺对照表。
[0099]
其中，缺陷工艺对照表中记录各铸件加工设备产生各缺陷类型、第二缺陷在铸件中所处位置信息与各铸件加工设备的匹配度，缺陷工艺对照表根据各铸件加工设备与缺陷类型、第二缺陷在铸件中所处位置信息的历史记录生成。
[0100]
缺陷工艺对照表为在当前的铸件表面图像发送前生成的，该缺陷工艺对照表有铸件加工设备中发生了缺陷信息后，所记录的历史数据，缺陷信息包括缺陷类型、第二缺陷在铸件中所处位置信息。例如铸件加工设备n1，对应的铸造信息m1，匹配度为n1，铸件加工设备n2对应的铸造信息m1，匹配度为n2。该缺陷工艺对照表记录的是在该企业或厂家，与铸件表面图像对应的铸件的铸件加工设备中，过去发生过与铸件表面图像相同的第二缺陷的历史记录。
[0101]
然后，服务器将缺陷信息中的缺陷类型及第二缺陷在铸件中所处的位置信息与缺陷工艺对照表中的第一序列组比对，确定缺陷类型及第二缺陷在铸件中所处的位置信息是否存在缺陷工艺对照表。
[0102]
其中，第一序列组中包括若干缺陷类型及缺陷位置信息。
[0103]
接着，服务器在确定缺陷类型及第二缺陷在铸件中所处的位置信息存在缺陷工艺对照表的情况下，确定缺陷类型及第二缺陷在铸件中所处的位置信息对应的第二序列组中匹配序列，以根据匹配序列，确定若干第一匹配度。
[0104]
其中，第二序列组包括第一序列组中各缺陷类型及第二缺陷在铸件中所处的位置信息匹配的各铸件加工设备以及相应的匹配度。
[0105]
第二序列组记录的是各铸件加工设备及各铸件加工设备对应的缺陷信息的匹配度。
[0106]
服务器在确定缺陷信息不存在缺陷工艺对照表的情况下，将该缺陷信息相应的图像发送至管理终端，由管理终端的专家进行识别该缺陷信息对应各铸件加工设备的匹配度。
[0107]
通过上述方案，可以在根据历史产生过的铸造问题，及时产生该铸造问题的铸件加工设备，从而及时对铸件加工设备进行调整控制。
[0108]
s107，服务器在至少一个第一匹配度满足预设条件的情况下，生成工艺控制指令，并将工艺控制指令以及各第一匹配度相应的各铸件加工设备发送至相应的工艺控制终端。
[0109]
其中，预设条件用于确定至少一个第一匹配度占比。
[0110]
工艺控制终端可以对应于铸件加工设备，例如每个铸件加工设备对应于一个工艺控制终端，或者多个铸件加工设备对应一个工艺控制终端。工艺控制终端可以为电脑、手机、服务器等设备，本技术对此不作具体限定。
[0111]
在本技术实施例中，服务器在至少一个第一匹配度满足预设条件的情况下，生成工艺控制指令，具体包括：
[0112]
服务器确定若干第一匹配度中最大值对应的至少一个第一匹配度，并确定至少一个第一匹配度是否大于预设值。
[0113]
服务器在至少一个第一匹配度大于预设值的情况下，确定至少一个第一匹配度的占比满足预设条件，并生成工艺控制指令。
[0114]
其中，工艺控制指令用于调整工艺控制终端相应的铸件加工设备的设备运行。例如：停止运行、继续运行等。
[0115]
在本技术的另一个实施例中，服务器在各第一匹配度中不存在满足预设条件的第一匹配度的情况下，获取若干工艺缺陷图像，对第二缺陷识别模型进行再训练。并将第二缺陷对应的区域图像发送至各铸件加工设备的各工艺控制终端。
[0116]
通过上述方案，本技术可以能够准确识别由铸件加工设备引发的铸造问题，并根据历史产生过的铸造问题，及时对产生该铸造问题的铸件加工设备进行调整控制，保证铸造效益以及铸造质量，更能够保证生产的合格产品数量。在提高铸造质量以及合格数量的同时，能够为消费者提供更优的购买及使用体验。
[0117]
图3为本技术实施例提供的一种基于人工智能技术的铸造工艺控制设备的结构示意图，该设备包括：
[0118]
至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
[0119]
获取存在第一缺陷的若干第一铸件图像。将多个第一铸件图像作为样本输入去噪模型，以对去噪模型进行训练。接收铸件表面图像，并将铸件表面图像输入去噪模型。确定去噪模型对铸件表面图像的划定区域。划定区域包括第一缺陷。通过预先训练的第二缺陷识别模型，确定铸件表面图像的非划定区域中的第二缺陷。根据第二缺陷的缺陷类型以及第二缺陷在铸件中所处的位置信息，确定第二缺陷与若干铸件加工设备分别对应的第一匹配度。其中，缺陷类型、第二缺陷在铸件中所处位置信息以及铸件加工设备信息对应存储于缺陷工艺对照表中。在至少一个第一匹配度满足预设条件的情况下，生成工艺控制指令，并将工艺控制指令以及各第一匹配度相应的各铸件加工设备信息发送至相应的工艺控制终端。
[0120]
本技术中的各个实施例均采用递进的方式描述，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，对于设备实施例而言，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。
[0121]
本技术实施例提供的设备与方法是一一对应的，因此，设备也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备的有益技术效果。
[0122]
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
[0123]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。