买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广州三拓智能装备有限公司

摘要：本发明涉及生产线控制技术领域，公开了一种家居自动化生产控制系统及方法，其方法包括以下步骤：接收家居产品的订单，通过订单获取订单数据，并将订单数据转化为生产任务，再使用优化算法进行任务排程；生产任务包括若干个加工任务和装配任务，通过加工任务生成G代码，并通过G代码控制用于生产线中的机床执行加工任务，通过装配任务生成运动指令，并规划用于生产线中的机器人抓取、搬运和装配的轨迹。本发明根据订单数据即时转化为生产任务并通过优化算法排程，保证生产任务的准确高效执行，并利用图像数据处理和深度学习模型进行缺陷检测，通过数据分析和生产优化模型建立，实现生产过程的持续优化。

主权项：1.一种家居自动化生产控制方法，其特征在于，包括以下步骤：S100：接收家居产品的订单，通过订单获取订单数据，并将订单数据转化为生产任务，再使用优化算法进行任务排程；S200：生产任务包括若干个加工任务和装配任务，通过加工任务生成G代码，并通过G代码控制用于生产线中的机床执行加工任务，通过装配任务生成运动指令，并规划用于生产线中的机器人抓取、搬运和装配的轨迹；S300：利用图像采集设备采集生产线生产出的家居的图像和点云数据，并通过高斯滤波和几何校正的预处理方法处理图像和点云数据，使用深度学习模型进行缺陷检测；所述图像的预处理方法包括高斯滤波和几何校正；高斯滤波：用于平滑图像，减少噪声，高斯滤波器将每个像素的值与其邻近像素的加权平均值进行替换；高斯滤波器公式： 其中，Gx，y是高斯函数，x和y是像素坐标，σ是标准差；几何校正：用于纠正拍摄图像的几何变形，包括畸变校正、透视校正；对点云的预处理方法包括降噪和对齐与配准；降噪：使用滤波算法去除点云数据中孤立的噪声点；对齐与配准：使用ICP算法将点云数据对齐到参考坐标系；对家居产品进行缺陷检测，具体包括以下步骤：S331：数据采集：收集包含正常产品和有缺陷产品的图像和点云数据；S332：数据预处理：对采集到的数据进行预处理，包括去噪、裁剪、标准化；S333：特征提取：针对图像数据，使用CNN模型来提取图像特征；针对点云数据，使用PointNet模型来提取点云特征；S334：缺陷检测模型训练：将提取的特征输入到综合模型中进行训练，综合模型采用CNN-PointNet模型，CNN-PointNet模型是结合CNN模型和PointNet模型的综合模型，训练模型以学习到正常和缺陷类型；S335：检测输出：使用训练好的综合模型对新的家居产品数据进行缺陷检测，综合模型则自动识别和标记出家居产品中存在缺陷的部分；在步骤S334中，综合模型包括以下内容：CNN模型：hi＝σ∑jWij*xj+bi；其中，Wij代表第i个神经元与第j个输入神经元之间的连接权重，xj是第j个输入神经元的输出，bi是偏置项，σ是激活函数；PointNet模型：fPointNetx1，x2，...，xn＝ghx1+hx2+...+hxn；其中，xi代表点云中的第i个点，h是一个多层感知机结构的映射函数，g是对整个局部点云进行汇总的函数；综合模型：根据具体模型结构，将CNN模型和PointNet模型结构结合，结合两组模型的特征进行分类任务；生成对抗网络：生成器网络采用一个深度神经网络表示，记为Gz，θG，其中θG是生成器的参数，生成器网络的表达式为：x＝Gz，θG；其中，x是生成器生成的数据样本；判别器的目标是区分真实数据样本x和生成器生成的假数据样本Gz，θG，判别器网络也为深度神经网络，记为Dx，θD，其中θD是判别器的参数，判别器网络的输出为概率值，表示输入数据为真实数据的概率，判别器的表达式为：y＝Dx，θD；其中，y输出为一个概率值；生成对抗网络的训练过程是通过生成器和判别器的对抗学习，其优化目标是使生成器生成逼真的数据样本，判别器无法区分真实数据和生成数据；优化目标表示为最小化生成器和最大化判别器的损失函数：minθGmaxθDLθG，θD；其中，损失函数LθG，θD为生成器和判别器的交叉熵损失函数；S400：采集和存储生产线的生产过程中生成的数据，包括加工参数、装配信息和质量检测结果，使用大数据分析和机器学习技术对数据进行分析，建立生产优化模型；S500：通过图形化界面提供操作控制、状态监控和报警提示，实时监控生产线中设备的工作状态和生产进度，检测并报警异常情况。

全文数据：

权利要求：

百度查询： 广州三拓智能装备有限公司 一种家居自动化生产控制系统及方法