本发明涉及机器视觉，具体为一种基于机器视觉的烧嘴状态监测系统及方法。
背景技术：
1、在许多工业应用中，烧嘴是关键的生产组件，例如焊接、喷涂、注塑等过程中的燃烧器或喷射器。烧嘴的状态直接影响生产效率、产品质量和设备寿命。
2、许多传统方法主要依赖于人工巡检，这导致监测效率低、成本高，并且无法满足高速、连续生产的需求。由于人工巡检的主观性，结果容易受到操作人员的个体差异和主观判断的影响，导致不一致的监测结果。传统方法难以实现对烧嘴状态的实时监测，存在延迟，使得及时发现潜在问题的能力受到限制。在高温、高速、高精度的生产环境下，传统方法难以适应，因为人工操作受到限制，且无法应对大量数据的实时处理。在现有技术中，缺乏有效的自动报警机制，难以实时通知操作人员或维护人员存在的问题，可能导致设备因故障持续运行，增加损耗和维护成本。
技术实现思路
1、本发明的目的在于提供一种基于机器视觉的烧嘴状态监测系统及方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：
3、一种基于机器视觉的烧嘴状态监测系统，包括图像采集模块、特征提取模块、状态分类模块、数据分析模块、报警模块；
4、所述图像采集模块通过安装在烧嘴附近的摄像头，定时采集烧嘴图像，使用系统时钟同步机制，记录图像时间戳；
5、所述特征提取模块使用边缘检测算法突出图像中的烧嘴轮廓，分析图像中的颜色信息，提取表面纹理信息，分析烧嘴图像中的尺寸和比例关系，对提取的特征进行归一化；
6、所述状态分类模块利用卷积神经网络对烧嘴状态进行分类，准备用于训练和测试的数据集建立模型；定期评估模型性能，优化模型结构和参数；
7、所述数据分析模块对烧嘴状态进行统计分析，检测数据中的趋势变化，识别数据中的异常点；通过图表和图形可视化展示数据的分布、趋势和关联；
8、所述报警模块实时监听从数据分析模块获取的烧嘴状态信息，用户设定用于触发报警的阈值，当报警模块检测到数据超出阈值时触发报警。
9、所述图像采集模块每隔n秒执行采集烧嘴图像任务，其中n是用户定义的正整数；在初始化阶段，设定一个定时器，当定时器计时达到n秒时，触发图像采集任务，图像采集模块调用摄像头接口，请求采集烧嘴附近的图像；摄像头捕获图像数据，并将图像数据传递给图像采集模块；
10、所述图像采集模块选择系统中的一个网络时间协议服务器作为时间源，在系统初始化阶段，配置系统使用选定的时钟源进行时钟同步；在图像采集模块中，获取同步后的系统时间，使用同步后的系统时间生成图像的时间戳，将生成的时间戳与采集到的图像数据关联。
11、所述特征提取模块使用canny边缘检测算法突出图像中的烧嘴轮廓，步骤如下：
12、s3-1、对采集到的图像进行灰度化、去噪和图像增强；
13、s3-2、应用canny边缘检测算法，进行梯度计算，非极大值抑制，双阈值处理，边缘跟踪；
14、s3-3、根据canny边缘检测的结果，提取烧嘴轮廓；
15、s3-4、将突出的烧嘴轮廓可视化，提供给用户进行检查。
16、根据步骤s3-2，使用sobel算子计算每个像素点的强度g(x,y)，梯度方向θ，公式如下：
17、
18、其中，gx表示图像在水平方向的梯度，gy表示图像在垂直方向的梯度，将应用于烧嘴图像上；
19、对梯度图进行扫描，保留梯度方向上的局部极大值，抑制非极大值；非极大值抑制的公式如下：
20、
21、其中，δx表示在梯度方向上的横向偏移，δy表示在梯度方向上的纵向偏移；
22、进行双阈值处理，设定两个阈值，一个高阈值thigh和一个低阈值tlow，根据梯度强度，将图像分为强边缘和弱边缘，其中强边缘的梯度大于高阈值，弱边缘的梯度在低阈值和高阈值之间，双阈值处理公式如下：
23、
24、其中，a表示强边缘，b表示弱边缘，c表示非边缘；
25、接着，通过连接强边缘像素和与之相邻的弱边缘像素，形成完整的边缘，使用深度优先搜索算法进行边缘跟踪。
26、根据步骤s3-3，利用图像处理库opencv，使用轮廓查找算法findcontours函数找到边缘图中的所有轮廓，根据烧嘴的形状和位置信息，根据筛选条件筛选出与烧嘴相关的轮廓，所述筛选条件包括面积阈值、周长阈值、凹性检测、矩形度检测、位置阈值；对选定的轮廓进行进一步的拟合，拟合采用多边形拟合、椭圆拟合的方法进行。
27、所述状态分类模块利用卷积神经网络对烧嘴状态进行分类的步骤如下：
28、s6-1、收集带有标签的烧嘴状态图像数据集，图像标注对应的烧嘴状态标签，所述状态标签包括正常和异常；
29、s6-2、将数据集划分为训练集和测试集；
30、s6-3、对图像进行预处理，进行图像归一化、大小调整、数据增强；
31、s6-4、设计卷积神经网络架构，所述架构包括卷积层、池化层、全连接层，使用激活函数softmax；
32、s6-5、选择交叉熵损失函数，adam优化器和评估指标进行模型的编译；
33、s6-6、使用测试集评估模型的性能；
34、s6-7、将训练好的模型用于新的烧嘴状态图像，进行分类预测。
35、根据步骤s6-4，输入层接收烧嘴状态图像；卷积层1旨在捕捉烧嘴表面的基本纹理和形状特征，卷积核被设计成检测烧嘴的轮廓、边缘或与状态相关的纹理；池化层1将最大池化，减小图像的空间尺寸，同时强调烧嘴上的特征；卷积层2被设计成检测烧嘴上的独特模式或标志性的特征；池化层2进一步下采样，确保提取的特征与烧嘴状态相关；卷积层3针对烧嘴上可能的瑕疵或异常模式进行学习；池化层3在最终的下采样阶段，准备输入全连接层；全连接层用于整合从图像中提取的烧嘴状态相关特征，以便进行最终的分类决策；输出层的节点数量等于烧嘴状态的类别数，softmax激活函数用于将模型的输出转换为对各个类别的概率。
36、问题是将烧嘴状态分为两个类别，即正常和异常，这是一个典型的二分类问题。在神经网络模型的输出层，使用sigmoid激活函数。sigmoid函数将输出值映射到[0,1]范围，表示每个类别的概率。对于二分类问题，交叉熵损失函数专门用于衡量两个概率分布之间的差异。对于训练集的标签，使用0表示正常状态，1表示异常状态。在模型训练的每个批次中，对于每个样本，模型会产生一个在[0,1]范围内的输出值，表示属于异常类别的概率。交叉熵损失函数通过计算模型输出与真实标签之间的差异来计算损失。对于每个样本，损失越小表示模型的预测越准确。通过adam优化器，模型的权重和偏置会在训练过程中被更新，以最小化整体损失。这使得模型能够更好地适应训练数据，提高在未见过的数据上的泛化性能。模型的输出值可以解释为样本属于异常类别的概率。例如，输出值为0.8表示模型对该样本为异常状态的预测概率为80％。
37、所述数据分析模块计算烧嘴温度的均值，监测是否存在温度整体趋势的变化，使用温度的标准差检测温度的波动性；检测轮廓是否发生变化，如果轮廓异常则表示烧嘴结构的损坏或异物附着；对烧嘴的颜色数据进行统计分析，计算颜色的平均值、标准差，以监测颜色分布的变化，异常的颜色分布暗示表面涂层磨损；计算烧嘴表面亮度的均值，并监测其变化趋势，异常的亮度变化表示不均匀的表面磨损；对喷射烧嘴的流量数据进行均值和波动性分析，异常的流量变化表示堵塞或漏水的问题。
38、在所述报警模块中，当烧嘴温度的均值发生整体趋势变化或温度的标准差超过设定阈值时，报警模块触发温度异常报警，发送实时报警通知给相关人员，记录异常事件的详细信息，触发冷却系统或停机保护机制；当烧嘴轮廓发生异常变化时，发送实时报警通知，触发停机保护，提供图像或视觉化信息；当颜色数据的平均值、标准差发生异常变化时，发送实时报警通知，记录颜色异常事件，触发检查或更换表面涂层的维护措施；当烧嘴表面亮度的均值发生异常变化时，发送实时报警通知，记录亮度异常事件；当喷射烧嘴的流量数据的均值和波动性发生异常变化时，发送实时报警通知，记录流量异常事件，触发停机保护。
39、一种基于机器视觉的烧嘴状态监测方法，步骤如下：
40、s10-1、安装摄像头在烧嘴的正前方，定时采集烧嘴图像，使用系统时钟同步机制，记录图像时间戳；
41、s10-2、对采集到的图像进行预处理，进行灰度化、去噪和图像增强；
42、s10-3、使用边缘检测算法canny算法突出图像中的烧嘴轮廓；
43、s10-4、利用卷积神经网络对烧嘴状态进行分类；
44、s10-5、对烧嘴状态进行统计分析，可视化展示数据的分布、趋势和关联；
45、s10-6、监控数据分析模块的烧嘴状态信息，数据超出阈值时触发报警。
46、与现有技术相比，本发明所达到的有益效果是：
47、本发明利用机器视觉和深度学习技术，实现对烧嘴状态的实时监测，避免了传统依赖人工巡检的低效问题。自动化的监测系统可以更及时地发现潜在问题，提高生产效率。
48、通过多参数综合分析，包括温度、形状、颜色等多个关键参数，本发明实现了对烧嘴状态的全面评估。相较于传统方法只关注单一参数，有助于更全面地了解设备状态。
49、通过引入卷积神经网络和交叉熵损失函数，本发明能够更准确地对烧嘴状态进行分类。机器学习的应用提高了分类的准确性和泛化能力，降低了误判的可能性。
50、本发明设计了自动报警模块，通过设定分类概率的阈值，能够在检测到异常状态时立即触发报警。这种即时的报警机制有助于及时采取措施，防止潜在问题进一步恶化。
1.一种基于机器视觉的烧嘴状态监测系统，其特征在于：系统包括图像采集模块、特征提取模块、状态分类模块、数据分析模块、报警模块；
2.根据权利要求1所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：所述图像采集模块每隔n秒执行采集烧嘴图像任务，其中n是用户定义的正整数；在初始化阶段，设定一个定时器，当定时器计时达到n秒时，触发图像采集任务，图像采集模块调用摄像头接口，请求采集烧嘴附近的图像；摄像头捕获图像数据，并将图像数据传递给图像采集模块；
3.根据权利要求1所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：所述特征提取模块使用canny边缘检测算法突出图像中的烧嘴轮廓，步骤如下：
4.根据权利要求3所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：根据步骤s3-2，使用sobel算子计算每个像素点的强度g(x,y)，梯度方向θ，公式如下：
5.根据权利要求3所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：根据步骤s3-3，利用图像处理库opencv，使用轮廓查找算法findcontours函数找到边缘图中的所有轮廓，根据烧嘴的形状和位置信息，根据筛选条件筛选出与烧嘴相关的轮廓，所述筛选条件包括面积阈值、周长阈值、凹性检测、矩形度检测、位置阈值；对选定的轮廓进行进一步的拟合，拟合采用多边形拟合、椭圆拟合的方法进行。
6.根据权利要求1所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：所述状态分类模块利用卷积神经网络对烧嘴状态进行分类的步骤如下：
7.根据权利要求6所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：根据步骤s6-4，输入层接收烧嘴状态图像；卷积层1旨在捕捉烧嘴表面的基本纹理和形状特征，卷积核被设计成检测烧嘴的轮廓、边缘或与状态相关的纹理；池化层1将最大池化，减小图像的空间尺寸，同时强调烧嘴上的特征；卷积层2被设计成检测烧嘴上的独特模式或标志性的特征；池化层2进一步下采样，确保提取的特征与烧嘴状态相关；卷积层3针对烧嘴上可能的瑕疵或异常模式进行学习；池化层3在最终的下采样阶段，准备输入全连接层；全连接层用于整合从图像中提取的烧嘴状态相关特征，以便进行最终的分类决策；输出层的节点数量等于烧嘴状态的类别数，softmax激活函数用于将模型的输出转换为对各个类别的概率。
8.根据权利要求1所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：所述数据分析模块计算烧嘴温度的均值，监测是否存在温度整体趋势的变化，使用温度的标准差检测温度的波动性；检测轮廓是否发生变化，如果轮廓异常则表示烧嘴结构的损坏或异物附着；对烧嘴的颜色数据进行统计分析，计算颜色的平均值、标准差，以监测颜色分布的变化，异常的颜色分布暗示表面涂层磨损；计算烧嘴表面亮度的均值，并监测其变化趋势，异常的亮度变化表示不均匀的表面磨损；对喷射烧嘴的流量数据进行均值和波动性分析，异常的流量变化表示堵塞或漏水的问题。
9.根据权利要求1所述的一种基于机器视觉的烧嘴状态监测系统，其特征在于：在所述报警模块中，当烧嘴温度的均值发生整体趋势变化或温度的标准差超过设定阈值时，报警模块触发温度异常报警，发送实时报警通知给相关人员，记录异常事件的详细信息，触发冷却系统或停机保护机制；当烧嘴轮廓发生异常变化时，发送实时报警通知，触发停机保护，提供图像或视觉化信息；当颜色数据的平均值、标准差发生异常变化时，发送实时报警通知，记录颜色异常事件，触发检查或更换表面涂层的维护措施；当烧嘴表面亮度的均值发生异常变化时，发送实时报警通知，记录亮度异常事件；当喷射烧嘴的流量数据的均值和波动性发生异常变化时，发送实时报警通知，记录流量异常事件，触发停机保护。
10.一种基于机器视觉的烧嘴状态监测方法，其特征在于：步骤如下：
