基于人工智能的气密性检测充气时间调节方法与系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的气密性检测充气时间调节方法与系统。

背景技术

对于零件的气密性检测方法，通常将零件浸没在水中，并向零件内部持续充气来增大压强，然后通过观察水中是否有气泡产生来判断零件的气密性。由于在水中持续充气的要求较高，目前采用的是在沉浸前先给零件进行充气，然后再放入水中进行观察。

在现有技术中，一般是通过人为设定的充气时间来给零件内部充气，但是充气时间的不确切会造成零件的初始压强的不准确，例如初始压强小，会使得检测时压强不够，导致气泡断续时间过长且频率低，数量少，造成检测结果不准确；初始压强大，使得零件内腔受到压强冲击，造成零件损害。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的气密性检测充气时间调节方法与系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的气密性检测充气时间调节方法，该方法包括以下步骤：

利用图像采集设备采集检测环境的图像，所述图像中包括零件和水体；

通过第一神经网络，判断所述零件的类型，以得到所述零件类型的内腔容积，进而获得零件内部压强；

通过第二神经网络，得到所述水体的高度，以获得水体压强；

根据所述零件从充气完成的初始时刻到气密性检测结束的结束时刻划分的N个时间段，利用所述结束时刻的零件内部压强、所处时间段内的零件内部压强变化量，获取上一时刻的零件内部压强，依次计算每个时刻的零件内部压强，进而获取所述初始时刻的零件内部初始压强；

根据所述零件内部初始压强，得到零件的充气时间。

所述所处时间段内的零件内部压强变化量的获取方法包括：

根据前一时刻的所述零件内部压强、当前时刻的零件外部压强、所述零件的内腔容积以及与最大泄漏率相关的参数得到所述所处时间段内的零件内部压强变化量。

所述当前时刻的零件外部压强，包括：

在所述零件处于水体中的时间段内，所述零件外部压强为所述水体压强；或者

在所述零件放入水体前的时间段内，所述零件外部压强为大气压强。

所述获取所述初始时刻的零件内部初始压强的方法为：

其中，N为所述N个时间段的N个时刻；i为第i个时刻；P

δ为与压强的相关常数；V为所述零件类型的内腔容积。

所述根据所述零件内部初始压强，得到零件的充气时间的方法为：

在充气阶段，根据所述零件从充气初始时刻的内部压强、充气至所述零件内部初始压强，得到充气完成所需的M个时间段；

根据所述M个时间段以及所述时间间隔得到所述零件的充气时间。

第二方面，本发明另一个实施例提供了一种基于人工智能的气密性检测充气时间调节系统，该系统包括：

图像采集单元，用于利用图像采集设备采集检测环境的图像，所述图像中包括零件和水体；

第一神经网络单元，用于通过第一神经网络，判断所述零件的类型，以得到所述零件类型的内腔容积，进而获得零件内部压强；

第二神经网络单元，用于通过第二神经网络，得到所述水体的高度，以获得水体压强；

压强获取单元，用于根据所述零件从充气完成的初始时刻到气密性检测结束的结束时刻划分的N个时间段，利用所述结束时刻的零件内部压强、所处时间段内的零件内部压强变化量，获取上一时刻的零件内部压强，依次计算每个时刻的零件内部压强，进而获取所述初始时刻的零件内部初始压强；以及

时间预测单元，用于根据所述零件内部初始压强，得到零件的充气时间。

所述压强获取单元包括：

变化量计算单元，用于根据前一时刻的所述零件内部压强、当前时刻的零件外部压强、所述零件的内腔容积以及与最大泄漏率相关的参数得到所述所处时间段内的零件内部压强变化量。

所述当前时刻的零件外部压强，包括：

在所述零件处于水体中的时间段内，所述零件外部压强为所述水体压强；或者

在所述零件放入水体前的时间段内，所述零件外部压强为大气压强。

所述压强获取单元包括压强计算单元，所述压强计算单元为：

其中，N为所述N个时间段的N个时刻；i为第i个时刻；P

δ为与压强的相关常数；V为所述零件类型的内腔容积。

所述时间预测单元，包括：

时间端分析单元，用于在充气阶段，根据所述零件从充气初始时刻的内部压强和充气至所述零件内部初始压强，得到充气完成所需的M个时间段；

时间计算单元，用于根据所述M个时间段以及所述时间间隔得到所述零件的充气时间。

本发明实施例至少存在以下有益效果：根据零件从充气完成到气密性检测结束的整个时间段，利用上一时刻的零件内部压强、所处时间段内的零件内部压强变化量，外部压强和最大泄漏率计算得到最大泄露率下的最小初始压强，利用最小初始压强能够得到一个既准确又可靠的零件充气时间，进而能够通过改善充气时间，使得零件的气密性检测结果更加准确，也减少压强对零件的冲击损害。

附图说明

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和优点，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的介绍，显而易见地，下面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来讲，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它附图。

图1为本发明一个实施例所提供的一种基于人工智能的气密性检测充气时间调节方法的流程图；

图2为本发明一个实施例所提供的一种基于人工智能的气密性检测充气时间调节方法的步骤流程图；

图3为本发明一个实施例所提供的关于气密性检测过程中各个阶段的示例图；

图4为本发明一个实施例所提供的关于气密性检测过程中第四个阶段的压强变化示例图；

图5为本发明另一个实施例所提供的一种基于人工智能的气密性检测充气时间调节系统的结构框图；

图6为本发明一个实施例所提供的关于压强获取单元的结构框图；

图7为本发明一个实施例所提供的关于时间预测单元的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的气密性检测充气时间调节方法与系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的气密性检测充气时间调节方法与系统的具体方案。

本发明实施例提供了一种基于人工智能的气密性检测充气时间调节方法与系统的技术方案，该技术方案基于全自动气密性检测场景，该场景具体为：

1)零件由气瓶等一系列充气装置进行充气；

2)充气完成后，将零件移动到水体，并缓慢放入水体中；

3)等待水体稳定后采集图像；

4)通过对采集的图像进行处理识别，判断有无冒出的气泡。

参照附图1和附图2，本发明实施例提供了一种基于人工智能的气密性检测充气时间调节方法，该方法包括以下具体步骤：

步骤S001，利用图像采集设备采集检测环境的图像，图像中包括零件和水体。

步骤S002，通过第一神经网络，判断零件的类型，以得到零件类型的内腔容积，进而获得零件内部压强。

步骤S003,通过第二神经网络，得到水体的高度，以获得水体压强。

步骤S004,根据零件从充气完成的初始时刻到气密性检测结束的结束时刻划分的N个时间段，利用结束时刻的零件内部压强、所处时间段内的零件内部压强变化量，获取上一时刻的零件内部压强，依次计算每个时刻的零件内部压强，进而获取初始时刻的零件内部初始压强。

步骤S005，根据零件内部初始压强，得到零件的充气时间。

进一步地，步骤S001中，本发明实施例选择两个相机采集检测槽的图像，利用第一相机采集零件的RGB图像，第二相机采集水体的RGB图像。

需要说明的是，检测槽应为透明材质，便于采集图像。

进一步地，步骤S002中，本发明实施例中将采集零件的RGB图像，通过第一神经网络判断零件的类型，得到零件类型对应的内腔容积，具体过程为：

1)建立零件信息库。不同结构的零件具有不同的型号编号，且每一个零件的型号编号都有对应的内腔容积。

2)通过DNN神经网络处理采集的RGB图像，判断零件的型号编号。

3)根据建立的零件信息库，由零件的型号编号查询获得零件类型对应的内腔容积V。

进一步地，第一相机采集各视角下对应背景中的零件的RGB图像，将零件的RGB图像通过编码器-全连接结构的DNN神经网络进行训练，判断零件的型号编号，具体训练过程为：

将零件的RGB图像输入零件类型编码器，利用卷积和池化操作对RGB图像进行下采样，提取RGB图像中的空域特征，输出提取到的特征向量。

1)将特征向量输入零件类型全连接，输出零件的类别标签，即零件的型号编号。

2)第一神经网络训练过程中的损失函数是交叉熵损失函数。

进一步地，步骤S003中,第二相机紧贴检测槽，使得检测槽中的液面在相机的视角范围内，利用第二相机采集的水体的RGB图像通过第二神经网络，判断水体的高度，具体步骤如下：

第一步，采用编码器-解码器结构的第二神经网络对图像进行语义分割，具体过程如下：

将水体的RGB图像进行标签。图像对应的标签为单通道的语义分割标签，且标签分为水体和背景两类，将属于背景的像素值标记为0，属于水体的像素值标记为1。

1)将水体的RGB图像通过水位检测编码器提取图像的特征，然后通过水位检测解码器得到语义分割图像。

2)第二神经网络中的损失函数采用交叉熵损失函数。

第二步，根据语义分割图像，像素值为1的属于水体连通域，分析水体连通域，得到检测槽中水体的高度，具体过程如下：

1)根据连通域分析，获得水体连通域的边缘点坐标信息，进而得到水体的像素高度H

2)根据水体的像素高度H

H

其中，dy为相机中单个像素代表的纵向物理量。

3)根据相机参数和成像模型，利用相似三角形得到实际的水体高度H。

H＝S*H

其中，S为相机中的相似比例。

进一步地，当零件处于水中时，根据水体高度H可以得到零件受到的水体压强，即水体压强Pw的计算公式为：

Pw＝ρ

其中，ρ

进一步地，步骤S004中，本发明实施例采用零件泄露的整个检测过程，且整个检测过程分为4个阶段，参照附图3，具体过程如下：

1)充气阶段：零件充气完毕，得到初始压强P。

2)第一阶段：将零件从充气位置移动至水面上的过程，该过程中零件持续在空气大气压下发生泄露，在对应的T1时刻得到泄露后的压强P

3)第二阶段：零件开始入水到达固定位置的过程，该过程中随着零件入水深度的递增，零件所受的水体压强也在递增，在对应的时刻T2得到泄露后的压强P

4)第三阶段：水体稳定过程，即水体由于零件进入发生了晃动，且该晃动受放置方式和放置速度影响，需要等待一定的时间使得水体处于平稳状态，该过程中零件在水体固定深度持续泄露，在对应的时刻T3得到泄漏后的压强P

5)第四阶段：一定时间内气泡的检测过程，该过程在对应的时刻T4得到泄露后最小压强P

进一步地，由零件泄露的整个检测过程，反向求解移动前的初始压强P，具体计算过程如下：

1)求解固定时间期间检测前的压强P

P

其中，P

2)求解固定应对时间期间静置前的压强P

P

3)求解固定应对时间期间入水前的压强P

P

4)求解固定应对时间期间移动前的初始压强P，公式为：

P

进一步地，根据检测后的最小压强P

在检测过程中，零件充气完毕后的初始压强会受到泄漏率的影响，且泄漏率是指在已知漏泄处两侧压差的情况下，单位时间内流过漏泄处的干燥气体量，其中泄漏率的单位为m

根据先验知识，泄漏率随着两侧压强差的减小而减小，其关系为：

ΔG*α＝K

其中，ΔG为泄露孔两侧的压强差，即零件内部和外部环境压强的压强差；α为与最大泄漏率相关的参数，取值为0.1。

故泄漏率的取值范围为[0，K],即当泄漏率为0时，检测过程中零件的压强保持不变；当泄漏率为K时，零件在空气中或水中持续漏气。

为了使得检验气泡的特征明显，本发明优先结合最大泄漏率K，获取零件的初始压强P。

进一步地，参照附图4，以第四阶段作为示例，计算最大泄漏率K0下压强P1的值，具体过程如下：由先验知识：

Δp＝P2-P1

其中，ρ为零件内部空气密度；1.293为空气密度的系数；P

结合上述两个公式，可以得到：

ΔP＝(ρ2-ρ1)/(1.293*C)＝(ΔM/V)/(1.293*C)

其中，ΔM为零件内部气体质量的变化量；ρ1为压强P1对应的零件内部空气密度；ρ2为压强P2对应的零件内部空气密度。

进一步地，零件内部气体质量的变化量ΔM的计算公式为：

故,

由于本发明采用从后向前反向获取压强的方式，所以使用(ρ1*δ)近似表示

由于相邻两个时刻的泄漏率的差异较小，近似相等，故反向向前求解，利用后一时刻的泄露率计算当前时刻的压强，因此，在最大泄漏率K0下，从检测结束时刻的零件内部压强P

基于上述计算方法和零件气密性检测过程的4个阶段，依次反方向求解，考虑到零件在第一阶段时，会受到大气压强PE的影响，第二阶段到第四阶段都受到水体压强Pw的影响，因此，零件的初始压强P为：

其中，N为气密性检测过程中4个阶段的N个时刻；i为第i个时刻；P

需要说明的是，(1)为了使得检测结果准确，气泡检测过程中，在一定泄漏率下，零件的初始压强需要满足一定要求，避免检测时压强不够，使得气泡断续时间过长，且频率太低，数量过少，进而需要结合实际使用情况给定检测所需最小压强P

(2)外部压强PB的取值为两种，分别为水体压强Pw和大气压强PE,根据零件所处的时间段的环境,选择相应的外部压强进行计算。

进一步地，步骤S005中，在充气阶段，随着充气时间，零件的内部压强不断增大，零件从初始充气的内部压强到达零件的初始压强P的过程中，零件的泄露孔会发生泄露，随着泄露率不断增加，使得零件的内部压强增加速度下降。

进一步地，由于充气阶段和气密性检测过程的4个阶段的气体变化规律相同，因此上述气密性检测过程的4个阶段的计算公式同样适用于充气阶段，故在充气阶段，零件从初始充气的内部压强到达

零件的初始压强P所用的充气时间为：

T＝M*t

其中，M为充气阶段中从开始充气到充气完成所划分的M个时刻；j为第j个时刻；P

综上所述，本发明实施例提供了一种基于人工智能的气密性检测充气时间调节方法与系统，该方法通过预测零件的内腔容积和缸体中水体高度，结合外界因素、泄漏率和零件的气密性检测过程，计算得到零件的初始压强，再利用初始压强计算得到零件的充气时间。结合众多外在因素，根据零件的初始压强，能够得到一个准确地零件的充气时间，进而能够改善充气时间，使得零件的气密性检测结果更加准确，也减少压强对零件的冲击损害。

基于与上述方法相同的发明构思，本发明实施例还提供了一种基于人工智能的气密性检测充气时间调节系统。

参照附图5，本发明实施例提供了一种基于人工智能的气密性检测充气时间调节系统，该系统包括：图像采集单元10、第一神经网络单元20、第二神经网络单元30、压强获取单元40以及时间预测单元50。

图像采集单元10用于利用相机采集检测环境的图像，图像中包括零件和水体；第一神经网络单元20用于通过第一神经网络，判断零件的类型，以得到零件类型的内腔容积，进而获得零件内部压强；第二神经网络单元30用于通过第二神经网络，得到所述水体的高度，以获得水体压强；压强获取单元40用于根据零件从充气完成的初始时刻到气密性检测结束的结束时刻划分的N个时间段，利用结束时刻的零件内部压强、所处时间段内的零件内部压强变化量，获取上一时刻的零件内部压强，依次计算每个时刻的零件内部压强，进而获取初始时刻的零件内部初始压强；以及时间预测单元50用于根据零件内部初始压强，得到零件的充气时间。

进一步地，参照附图6，压强获取单元40包括变化量计算单元41和压强计算单元42。

变化量计算单元41用于根据前一时刻的零件内部压强、当前时刻的零件外部压强、零件的内腔容积以及与最大泄漏率相关的参数得到所处时间段内的零件内部压强变化量。

进一步地，当前时刻的零件外部压强包括：

在零件处于水体中的时间段内，零件外部压强为水体压强；或者在零件放入水体前的时间段内，零件外部压强为大气压强。

进一步地，所述压强计算单元42为：

其中，N为N个时间段的N个时刻；i为第i个时刻；P

进一步地，参照附图7，时间预测单元50包括时间段分析单元51和时间计算单元52。

时间端分析单元51用于在充气阶段，根据零件从充气初始时刻的内部压强和充气至零件内部初始压强，得到充气完成所需的M个时间段；时间计算单元52用于根据M个时间段以及时间间隔得到零件的充气时间。

综上所述，本发明实施例提供了一种基于人工智能的气密性检测充气时间调节系统，该系统包括图像采集单元10、第一神经网络单元20、第二神经网络单元30、压强获取单元40以及时间预测单元50。该系统通过第一神经网络单元20和第二神经网络单元30预测得到的零件的内腔容积和缸体中水体高度，结合外界因素、泄漏率和零件的气密性检测过程，通过压强获取单元40得到零件的初始压强，再利用初始压强通过时间预测单元50得到零件的充气时间。结合众多外在因素，根据零件的初始压强，能够得到一个准确地零件的充气时间，进而能够改善充气时间，使得零件的气密性检测结果更加准确，也减少压强对零件的冲击损害。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书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。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。