一种激光投线仪的出射激光线检测方法与流程

1.本发明涉及激光线质量检测技术领域，具体涉及一种激光投线仪的出射激光线检测方法。


背景技术：

2.激光水平仪通常射出水平和垂直的激光射线，通过激光的直线性好，能量强等特点来标定水平和铅垂线位置，在建筑和土木领域都有极广的应用。检测出合格的激光水平仪产品具有重要的价值和意义。
3.近年来，随着现代工业和智能制造技术的不断发展，各行各业都或多或少的在实际的生活、生产中使用了现代化智能自动化检测设备来替代传统的人工检测。其中，工业视觉检测技术也在快速发展，并且已经发展成为了一门系统的新兴边缘交叉综合工程学科。由于计算机技术、机器视觉技术、人工智能技术和控制理论的不断进步，机器视觉工业检测与产品标准判断等应用提供了系统的理论工具和分析方法。
4.目前，国内的激光水平仪的出射激光线检测都是采用人工的方式肉眼判断。这样检测效率很低，同时不同技术工人由于经验和知识层次不同，判断标准也参差不齐。而近年来，随着国家对智能检测技术方面的重视，工业企业也纷纷引进了国内外先进的视觉检测设备。然而在激光水平仪检测的方面还比较传统，多数激光水平仪产品的检测还是停留在人工肉眼检测，没有实现自动化，也不能够智能判断出射激光线的质量优劣的功能。


技术实现要素：

5.本发明的目的在于提供一种激光投线仪的出射激光线检测方法，以解决现有技术中多数激光水平仪产品的检测还是停留在人工肉眼检测，没有实现自动化，也不能够智能判断出射激光线的质量优劣的功能的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：一种激光投线仪的出射激光线检测方法，包括以下步骤：步骤s1、选取检测合格的激光投线仪作为标准投线仪，并将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，以及获取表征特征环境的环境特征数据；步骤s2、基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型；步骤s3、对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，并将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据；步骤s4、将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类。
7.作为本发明的一种优选方案，所述选取检测合格的激光投线仪作为标准投线仪，包括：将检测环境设置为标准试验环境，将多个激光投线仪在标准试验环境下进行出射激光线的数据采集得到多个出射激光线图像，并依次在每个出射激光线图像中提取出激光线位置特征数据、激光线轮廓特征数据作为表征激光线出射特征的出射特征数据；将多个激光投线仪按出射特征数据利用kmeans 进行聚类分簇得到多组投线仪簇，并在多组投线仪簇内中选取包含激光投线仪数量最多的一组投线仪簇作为标准投线仪簇，将标准投线仪簇中的激光投线仪标记为标准投线仪。
8.作为本发明的一种优选方案，所述将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，包括：将检测环境依次设置为多种实际使用环境，将标准投线仪在每个检测环境下进行出射激光线的数据采集得到多个出射激光线标准图像，并依次在每个出射激光线标准图像中提取出激光线位置特征数据、激光线轮廓特征数据作为标准投线仪的出射特征数据。
9.作为本发明的一种优选方案，所述基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，包括：将环境特征数据作为bp神经网络的输入项，将出射特征数据作为bp神经网络的输出项，将bp神经网络基于所述输入项和输出项进行网络卷积训练得到所述出射预测模型，所述出射预测模型的模型表达式为：；式中，x为环境特征数据的模型标识符，s为出射特征数据的模型标识符，bp为bp神经网络的模型标识符。
10.作为本发明的一种优选方案，所述对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，包括：设置检测环境为任一实际使用环境，对待检测激光投线仪在检测环境下进行出射激光线的数据采集得到待检测激光投线仪的出射激光线图像，并在待检测激光投线仪的出射激光线图像中提取出待检测激光投线仪的激光线位置特征数据、激光线轮廓特征数据作为待检测出射特征数据。
11.作为本发明的一种优选方案，所述将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，包括：对待检测激光投线仪的任一实际使用环境进行检测环境特征的数据提取得到待检测环境特征数据。
12.作为本发明的一种优选方案，所述将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，包括：利用欧几里得距离计算出射特征数据与待检测出射特征数据的相似度，所述相似度量化公式为：；式中，j为预测出射特征数据与待检测出射特征数据的相似度，y为预测出射特征数据的向量形式，z为待检测出射特征数据的向量形式，|y-z|为y与z的欧几里得距离；
将出射特征数据与待检测出射特征数据的相似度作为待检测激光投线仪的质量评估值。
13.作为本发明的一种优选方案，所述根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类，包括：设定质量评估的评估阈值，其中，若待检测激光投线仪低于评估阈值，则将待检测激光投线仪标定为合格品；若待检测激光投线仪高于或等于评估阈值，则将待检测激光投线仪标定为非合格品；设定合格品的等级置信区间，将合格品的质量评估值与所述等级置信区间进行匹配得到合格品的质量等级，以获得作为合格品的待检测激光投线仪的质量等级。
14.作为本发明的一种优选方案，所述待检测激光投线仪的出射激光线图像与出射激光线标准图像进行位置标定以确保表征出射激光线的像素点的特征可比性。
15.作为本发明的一种优选方案，所述环境特征数据在参与计算前进行各分量的归一化处理。
16.本发明与现有技术相比较具有如下有益效果：本发明基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据，将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据所述质量评估值对待检测激光投线仪进行质量评估和等级分类，可以模拟在实际应用环境下进行出射激光线的质量评估，更贴近使用场景以提高检测可靠性，模型检测提高效率。
附图说明
17.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
18.图1为本发明实施例提供的出射激光线检测方法流程图。
具体实施方式
19.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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
20.如图1所示，本发明提供了一种激光投线仪的出射激光线检测方法，包括以下步骤：步骤s1、选取检测合格的激光投线仪作为标准投线仪，并将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，以及获取表征特征环境的环境特征数据；
选取检测合格的激光投线仪作为标准投线仪，包括：将检测环境设置为标准试验环境，将多个激光投线仪在标准试验环境下进行出射激光线的数据采集得到多个出射激光线图像，并依次在每个出射激光线图像中提取出激光线位置特征数据、激光线轮廓特征数据作为表征激光线出射特征的出射特征数据；将多个激光投线仪按出射特征数据利用kmeans 进行聚类分簇得到多组投线仪簇，并在多组投线仪簇内中选取包含激光投线仪数量最多的一组投线仪簇作为标准投线仪簇，将标准投线仪簇中的激光投线仪标记为标准投线仪。
21.在成熟生产线的激光投线仪生产过程中，生产出合格的激光投线仪是大概率事件，而生产出非合格的激光投线仪是小概率事件，因此在利用出射特征数据进行大数量激光投线仪的聚类分簇时，合格的激光投线仪会产生自驱聚类的现象，而且合格的激光投线仪的大概率事件映射在聚类分簇上，会使得包含激光投线仪数量最多的投线仪簇中的激光投线仪为合格品，并标记为标准投线仪。
22.将标准投线仪在多种环境特征下进行出射激光线的数据采集得到多个表征激光线出射特征的出射特征数据，包括：将检测环境依次设置为多种实际使用环境，将标准投线仪在每个检测环境下进行出射激光线的数据采集得到多个出射激光线标准图像，并依次在每个出射激光线标准图像中提取出激光线位置特征数据、激光线轮廓特征数据作为标准投线仪的出射特征数据。
23.对标准投线仪进行出射特征数据的采集，可充分获取到作为合格品的激光投线仪的出射激光线出射特征，利用合格品的激光投线仪的出射特征与环境特征进行模型训练，可得到表征出射特征和环境特征映射关系的出射预测模型，从而可了解到在实际使用场景下的激光投线仪的出射激光线，将出射特征进行场景化，比在标准实验室下进行激光检测，更具场景可靠性，考虑场景特征对激光投线仪的使用影响，场景性检测精度也更高，更符合实际情况。
24.步骤s2、基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型；基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，包括：将环境特征数据作为bp神经网络的输入项，将出射特征数据作为bp神经网络的输出项，将bp神经网络基于输入项和输出项进行网络卷积训练得到出射预测模型，出射预测模型的模型表达式为：；式中，x为环境特征数据的模型标识符，s为出射特征数据的模型标识符，bp为bp神经网络的模型标识符。
25.步骤s3、对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，并将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，将待检测环境特征数据输入至出射预测模型得到预测出射特征数据；对待检测激光投线仪进行出射光线的数据采集得到待检测出射特征数据，包括：设置检测环境为任一实际使用环境，对待检测激光投线仪在检测环境下进行出射激光线的数据采集得到待检测激光投线仪的出射激光线图像，并在待检测激光投线仪的出
射激光线图像中提取出待检测激光投线仪的激光线位置特征数据、激光线轮廓特征数据作为待检测出射特征数据。
26.将待检测激光投线仪的检测环境特征进行数据提取得到待检测环境特征数据，包括：对待检测激光投线仪的任一实际使用环境进行检测环境特征的数据提取得到待检测环境特征数据。
27.通过出射预测模型由待检测环境特征数据预测出待检测激光投线仪的预测出射特征数据，表明在该检测环境下合格的激光检测仪应该出现的出射特征，即在该检测环境下的出射激光线的出射特征期望值，获取表征该检测环境下的出射激光线的出射特征实际值的待检测出射特征数据，将待检测出射特征数据与预测出射特征数据进行相似度量化，二者相似度越高，则表明出射特征实际值越接近出射特征期望值，因此表明待检测激光投线仪的质量越好。
28.步骤s4、将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据质量评估值对待检测激光投线仪进行质量评估和等级分类。
29.将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，包括：利用欧几里得距离计算出射特征数据与待检测出射特征数据的相似度，相似度量化公式为：；式中，j为预测出射特征数据与待检测出射特征数据的相似度，y为预测出射特征数据的向量形式，z为待检测出射特征数据的向量形式，|y-z|为y与z的欧几里得距离；将出射特征数据与待检测出射特征数据的相似度作为待检测激光投线仪的质量评估值。
30.根据质量评估值对待检测激光投线仪进行质量评估和等级分类，包括：设定质量评估的评估阈值，其中，若待检测激光投线仪低于评估阈值，则将待检测激光投线仪标定为合格品；若待检测激光投线仪高于或等于评估阈值，则将待检测激光投线仪标定为非合格品；设定合格品的等级置信区间，将合格品的质量评估值与等级置信区间进行匹配得到合格品的质量等级，以获得作为合格品的待检测激光投线仪的质量等级。
31.可有效将待检测激光投线仪进行合格品和非合格品的划分，若待检测激光投线仪标定为合格品后，还可以进行利用等级置信区间进行质量等级的划分。
32.待检测激光投线仪的出射激光线图像与出射激光线标准图像进行位置标定以确保表征出射激光线的像素点的特征可比性。
33.环境特征数据在参与计算前进行各分量的归一化处理。
34.本发明基于出射特征数据和环境特征数据进行神经网络的卷积训练得到表征出射特征和环境特征映射关系的出射预测模型，将待检测环境特征数据输入至出射预测模型
得到预测出射特征数据，将预测出射特征数据与待检测出射特征数据进行相似度量化得到待检测激光投线仪的质量评估值，并根据质量评估值对待检测激光投线仪进行质量评估和等级分类，可以模拟在实际应用环境下进行出射激光线的质量评估，更贴近使用场景以提高检测可靠性，模型检测提高效率。
35.以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。