识别工业插接连接器的方法与流程

1.本发明涉及一种根据独立权利要求1的前序部分所述的识别工业插接连接器的方法。
2.插接连接器供应商需要识别工业插接连接器的方法来答复客户针对产品的问题，从而酌情为各个客户提供合适的报价。客户咨询通常涉及客户现有的插接连接器系统和相应的兼容性，即与插接系统匹配并具有相同或相异功能类别的相同或替代结构元件。功能类别可以例如是但不限于：电能传输、电子信号传输(模拟和数字)、光和光电信号传输、气动(例如气压传输)以及测量技术，例如热量测量、振荡/振动/声音测量、特别是电流/电压/电能传感、运动测量、光测量(光度量))，和数据技术，例如数字电子数据存储模块、交换机、分散式计算机单元。


背景技术：

3.在现有技术中，插接连接器供应商通常以例如数码照片、图像文件等视觉媒体形式接收、分析和答复客户咨询。
4.目前，此类咨询由插接连接器供应商的有经验员工手动单独答复。现有技术的缺陷在于，此类方法成本过高且依赖于个人，这有时会导致客户不希望的等待时间，特别是在国际货物和数据业务中。如果这样的员工从企业离职，则须以书面形式留档知识和/或培训同事，否则企业可能会缺失相应的知识。此外，这样还会危及恒定的品质标准。


技术实现要素：

5.本发明的目的是提出一种识别工业插接连接器的方法，该方法能够节省插接连接器供应商的人员开支，确保其客户即使在全球数据业务中也能快速可靠地获得恒定的高品质标准。
6.该目的通过独立权利要求的特征实现。
7.本发明的有利技术方案参阅从属权利要求。
8.一种识别工业插接连接器的方法包括如下步骤：a.从至少一个图像文件中自动识别工业插接连接器的结构元件；b.分析结构元件之间的几何关系和/或功能联系；c.使用步骤b中所获得的信息从图像文件中提取的结构元件的各个特征。
9.这样特别有利的原因在于，上述方法能够自动执行，而无需人工即人力干预。无论昼夜和日期，来自世界各地的咨询皆可通过例如内部计算服务器上运行的计算机程序或者有利地云应用中仅需很少维护工作实现了恒定的高品质处理。为此，计算服务器可以具有至少一个微处理器和组合程序/数据存储器。上述方法可以作为计算机程序的组成部分存储在数据存储器中。
10.此外，本发明的优势还在于，结构元件识别可用于监视插接连接器的组装过程。通过这种方式，能够轻松检查元件是否正确合理地拼装。这一点也有利地例如在自动组装、装
配和/或安装的情况下实现了自动品质保证。
11.经证实特别有利的是，步骤c使用步骤b中所获得的信息来进行。最后，通过这种方式，上述方法中可以考虑到关于插接连接器系统的特定知识，例如关于编码、与系统的附属关系、规格等知识，必须满足这些知识才能将元件配装。可以通过技术人员编程计算机程序或在技术人员的支持下，即在步骤a之前，预先将该知识引入上述方法中。
12.步骤a可以有利地包括至少如下两个子步骤：a1.通过人工智能(ai)将结构元件自动视觉识别为单个对象；a2.将结构元件分配给插接连接的元件类别。
13.这两个步骤a1和a2有时也可以在包括这两者的步骤a中，例如通过合适的软件以相反的顺序和/或共同进行，即基本上同时进行。在后一种情况下，不仅步骤a1会影响步骤a2，而且步骤a2也会影响步骤a1，因为视觉识别也由于可能的分配而得以改善。当ai越来越了解单个元件可能属于哪个元件类别时，能够更好地分离出这个元部件本身。视觉识别和编程知识和/或自学经验在上述方法中都发挥着重要作用。
14.任选地，在步骤a2中，附加地也可以将所识别的结构元件分配给至少一个功能类别。
15.为了实现子步骤a1，可以手动地(即通过人力活动)预先(即在步骤a之前)“训练”系统来识别和表征结构元件。这里不仅训练了结构元件类别，例如“插接连接器壳体”、“触头嵌件”、“插接连接器模块化框架”、“插接连接器模块”等，也可以为先前选择的结构元件分配具体的类型名称。这些分配根据先前在训练其人工智能(ai)期间向系统教导的那些类别而完成。
16.为此，系统通过人工智能(ai)预先从手动创建的与训练图像相关的训练表中学习。通过这个学习过程，系统随后能够在所述步骤a2中针对新添加的图像文件或其定义部分将其中找到的结构元件独立地分配给这些元件类别。
17.为此，时间上在执行步骤a之前首先手动执行所述训练。
18.尽管这种训练最初需要人工，即人力，但原则上仅需一次，然后即可根据需要随时使用上述方法，具有成本效益。
19.就此，训练包括首先读取大量训练图像并例如通过训练表将相应元件类别手动分配给相关训练图像的过程。
20.于是，可以通过将训练表中的一行分配给每元件的每个训练图像来进行这种分配。在训练表中，除了多列参考训练图像外，还有一列元件类别和四列，该四列精确描述结构元件在x轴和y轴的确切位置以及其在图像中的高度和宽度。
21.例如，训练图像显示了特定的触头嵌件。触头嵌件具有名称(例如“han a-快锁连接器”)和/或商品编号(例如“09 20 003 2633”)。训练表则具有正好一行用于训练图像/结构元件组合，其中可以找到例如训练图像条目“图像4711”、结构元件的“han a-快锁连接器”或“09 20 003 2633”、位置信息(例如xy位置数值“54,110,150,75”)以及结构元件的高度和宽度。技术人员预先手动输入识别符、位置和尺寸(高度/宽度)。如果使用商品编号，特别有利的是可以系统维护这些商品编号，即，仅略有不同的元件也可能具备互有一定相似性的商品编号，例如仅在最后一位或几位有所不同。在此情况下，必要时也可以为训练表减少商品编号，或者可以采取任何其他方式使用ai技术而进行粗略分配。在另一优选实施方
案中，结构元件的商品编号也可以用来代理相似的元件，以实现稍微粗略的筛选进而获得合理的分配。通过这种方式，例如仅线缆终端执行器颜色不同的不同触头嵌件尽管有些小的差异，却可以分配到共同的元件类别。
22.作为训练的一部分，ai利用大量训练图像调整其神经元连接的权重，以便能够确定位于图像上的结构元件以及其位置和尺寸。在此情形下，ai能够独立提取有关确定的特征(如边缘、纹理等)，进而也能在训练之外以相同的方式识别包含在训练中的结构元件的未知图像。当然，这个原理可以通过训练表以相同的方式应用于任何其他视觉指示器。特别地，合理地利用统计评估，其中每个单独训练图像的视觉指示器可以视为所谓的“样本”，即从有关相应特征的全部特征中随机选择数据。
23.然后，在步骤a中可以从源自客户咨询的任何图像文件中识别出全部ai已知的结构元件(即分配到已知类别，如“插接连接器壳体”)，并进行本地化。
24.替代地或补充地，对象也可以采取相同的方式分配到具体的结构形式。如果元件类别专门针对完全特定的产品进行训练，即不仅是泛指例如“插接连接器壳体”或“触头嵌件”，而是如上例所述特指名称“han a-快锁连接器”/商品编号“09200032633”，则将待分析对象分配给这些元件类别。
25.替代地或补充地，训练也可以参考相应结构元件的特定已知特征。正如若干试验和测试运行表明，这个原理有时非常适用于插接连接器领域技术人员最初不会预期的特征。例如，还可以尤其就材料和/或生产工艺方面对ai进行训练。这一点合理地通过与相应领域中采用的生产工艺和材料相对应的训练图像来实现。为此，训练图像上显示的对象不必显示来自插接连接器领域的元件，而是仅需具有相应的生产和材料特定属性。替代地，ai也可以仅处理来自插接连接器领域的元件的训练图像，特别是精确处理相关的元件，例如插接连接器壳体，但随后的特征重点是材料和生产工艺。具体而言，可以根据经验使训练适应要手动检查的相应学习结果。
26.在尤为特殊的实施方案中，例如还可以随后在第一步骤中将识别为“插接连接器壳体”的对象分配给相应的材料和/或生产工艺，例如锌合金压铸工艺或甚至锌压铸工艺，进而进行预选，由此在第三步骤中进行最终的产品特定分配。
27.通过上述方法，还可以识别一个或多个图像中显示的结构元件，例如插接连接器壳体、触头嵌件(“绝缘体”)。
28.插接连接器壳体在功能上也可以分类为索环壳体附装壳和插座壳。替代地或补充地，它们可以根据材料和生产工艺分配，也可以替代地或补充地根据特定产品分配。
29.此外，插接连接器壳体可以由一项或多项如下特征来表征：ο线缆密封套的存在以及如有必要其类型和形状；ο外壳锁紧装置的类型和形状；ο密封件的类型和形状；ο其编码和/或极化装置的存在和如有必要其类型；及插接连接器壳体的几何尺寸；以及ο其材料和/或其生产工艺；οpe(保护接地)元件的存在以及如有必要其类型和形状；
ο一个或多个pe桥的存在以及如有必要其数目和形状。
30.在另一优选实施方案中，触头嵌件可以由至少一项如下特征来表征：ο其尺寸和几何形状；ο至少一个功能类别；οpe(保护接地)元件的存在以及如有必要其类型和形状。
31.功能类别可以包括至少一项如下特征：-电能传输；-模拟和/或数字电子信号传输；-光和/或光电信号传输；-气动，例如气压传输。
32.如下元件类别也可以额外用于步骤a2：-插接连接器模块；-插接连接器模块化框架。
33.插接连接器模块还可以由至少一项如下特征来表征：ο其几何尺寸；ο其功能类别；ο其卡锁机构的类型和形状。
34.功能类别可以由如下特征之一构成：-电能传输；-模拟和/或数字电子信号传输；-光和光电信号传输；-气动，例如气压传输；-测量技术；-数据技术。
35.上述功能类别“测量技术”还可以包括至少一项如下子类别：ο热量测量；ο振荡和/或声音与振动测量；ο电流传感；ο电压测量；ο电能测量；ο光测量(光度量)；ο平移和/或旋转速度测量。
36.上述功能类别“数据技术”还可以包括至少一项如下子类别：ο数字电子数据存储；ο数据分配(例如交换机)；ο数据处理(例如分散式计算单元)。
37.插接连接器模块化框架还可以由至少一项如下特征来表征：ο其插槽数；ο其用于容纳和固定插接连接器模块的机构的类型和形状；
ο气动的稳定性/适用性；ο其材料(例如金属或塑料)和/或其生产工艺；ο其pe接地的存在以及如有必要其类型和形状。
38.特别地，上述方法可以采取上述方式将基于人工智能(ai)的自动视觉识别(通常通过“卷积神经网络(cnn)”)与后续算法的图像处理相结合。
39.有利地，单个元件的学习过程和分析可在考虑到插接连接器系统的其他元件及特别是整个插接连接器系统的物理结构的情况下执行。基于插接连接器的数字图像，可以通过本发明提出的过程准确识别例如插接连接器壳体、插接连接器模块化框架和嵌件，尤其是根据它们之间的功能联系进行几何描述。通过插接连接器识别和算法分析的有利顺序处理链能够对插接连接器系统实现分层描述。
40.特别有利的是，可能进行定性分配和比较，这在现有技术中无法用先前的自动识别来重现。根据本发明的方法的特征尤其在于结合基于人工智能(ai)的自动视觉识别，例如借助“卷积神经网络”(cnn)，以及随后的算法图像处理，同时考虑到插接连接器系统的物理结构，即彼此的功能和几何关系。实施方式
41.下面结合附图说明本发明的优选实施例并予以详述。为此，本发明提出了一种用于从数字图像文件中识别工业插接连接器的系统。图中：
42.图1示出了待识别的插接连接器的待分析图像；
43.图2示出了从属于该图像的数字图像文件中识别结构元件的方法的流程图。
44.图1示出了待识别的插接连接器1的待分析图像。该图像具体显示了带有锁定卡箍11的附装壳10。插接连接器模块化框架2螺接到附装壳10中。该框架中紧固有多个插接连接器模块3、3’、3”，其中两个插接连接器模块3、3’用于电能传输，一个插接连接器模块3”用于电信号传输。
45.图2示出了从该图像文件中自动识别工业插接连接器1的方法的流程图。
46.上述方法通过计算服务器上的计算机程序来执行，包括如下步骤：a.通过利用人工智能(ai)将结构元件10、2、3、3’、3”自动视觉识别和分配为单个对象，从图像文件中自动识别工业插接连接器1的结构元件10、2、3、3’、3”；b.分析各个元件10、2、3、3’、3”之间的几何关系和/或功能联系；c.使用步骤b中所获得的信息从图像文件中提取的结构元件的各个特征。
47.在本实施方案中，步骤a再度细分为步骤a1和步骤a2。
48.在步骤a1中，首先通过所谓的“卷积神经网络(cnn)”将如下结构元件相互分离，即识别为不同的对象。在步骤a2中，将这样的结构元件分配给各种元件类别。
49.这样，系统就在步骤a中(即，步骤a1与步骤a2相结合)基于方法前的训练识别如下内容：-来自“插接连接器壳体”类别的一个第一对象10；-来自“插接连接器模块化框架”类别的一个第二对象2。-来自“插接连接器模块”类别的三个第三对象3、3’、3”。
50.也可以根据先前训练的类型将对象分配给具体的产品，即它们的产品名称和/或商品编号。
51.在步骤b中，程序首先识别几何关系，即插接连接器模块被插接连接器模块化框架包围而插接连接器模块化框架被插接连接器壳体包围。该程序通过其编程知识得出结论：1.插接连接器模块3、3’、3”紧固在插接连接器模块化框架2中，即保持于其中；且2.插接连接器模块化框架2紧固在插接连接器壳体中；且3.插接连接器模块3、3’、3”均与插接连接器模块化框架2兼容，而插接连接器模块化框架2均与壳体10兼容。
52.在另一实施方案中，这两个步骤a1和a2在包括这两者的步骤a中通过合适的软件共同进行，即基本上同时进行。这样步骤a2又会影响到步骤a1，因为可能的分配改善了视觉识别。当ai越来越了解单个元件可能属于哪个元件类别时，能够更好地分离出这个元件本身。视觉识别和编程知识和/或自学经验在上述方法中都发挥着重要作用。
53.任选地，在步骤a2中，附加地也可以将所识别的结构元件分配给至少一个功能类别。
54.在步骤c中，识别结构元件10、2、3、3’、3”的其他单独特征。这包括插接连接器模块化框架2和/或插接连接器壳体是否具有所谓的“保护接地(pe)”(即保护性接地触点)及其可能的类型、插接连接器模块化框架的制造材料以及结构元件10、2、3、3’、3”的高宽比。
55.可以跨元件得出结论，相互连接的结构元件10、2、3、3’、3的尺寸和编码彼此匹配。
56.根据相同的原理，例如外壳锁定、密封、编码、壳体或框架的pe元件的精确设计等其他视觉/几何特征可以根据它们的层次结构导出。算法图像处理是指特殊的物理特征，例如插接连接器系统模块的重复排列、框架长度与框架宽度、数目和尺寸的固定关系等。附图标记列表1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
插接连接器10
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
插接连接器壳体2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
插接连接器模块化框架3、3’、3
”ꢀ
插接连接器模块。