(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211350654.8 (22)申请日 2022.10.31 (71)申请人 深圳仕上电子科技有限公司 地址 518103 广东省深圳市宝安区福海街 道新和社区晖信工业园B栋厂房1层2 层、 4层， C 栋厂房1层 (72)发明人 熊志红　朱峰　郑思温　 (74)专利代理 机构 广州博联知识产权代理有限 公司 44663 专利代理师 梁志标 (51)Int.Cl. G06T 7/00(2017.01) G06K 9/62(2022.01) B08B 13/00(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于图像处理的金属工件检测清洗控 制方法及系统 (57)摘要 本申请涉及金属工件清洗控制技术领域， 涉 及一种基于图像处理的金属工件检测清洗控制 方法及系统。 本申请通过 获取针对待检测金属工 件的金属工件图像数据， 并基于预先进行参数层 信息的调优和选取的金属工件检测清洗决策模 型对金属工件图像数据进行决策， 确定金属工件 图像数据中各个目标工件单元的清洗决策数据， 由此基于金属工件图像数据中各个目标工件单 元的清洗决策数据对待检测金属工件进行清洗 控制， 从而以图像数据分析的方式 决策金属工件 图像数据中各个目标工件单元的清洗决策数据 后对待检测金属工件进行清洗控制， 可以提高清 洗控制流 程的可靠性。 权利要求书5页 说明书12页 附图1页 CN 115409836 A 2022.11.29 CN 115409836 A 1.一种基于 图像处理的金属工件检测清洗控制方法， 应用于清洗控制系统， 其特征在 于， 包括： 获取针对待检测金属工件的金属工件图像数据； 基于预先进行参数层信息的调优和选取的金属工件检测清洗决策模型对所述金属工 件图像数据进行决策， 确定所述金属工件图像数据中各个目标工件单元 的清洗决策数据， 其中， 所述清洗决策 数据包括各个目标工件单 元的清洗时间参数和清洗方式参数； 基于所述金属工件图像数据中各个目标工件单元的清洗决策数据对所述待检测金属 工件进行清洗控制； 所述方法还包括： 提取携带先验知识的第 一范例工件图像数据序列和未携带先验知识 的第二范例工件图像数据 序列； 基于初始化金属工件检测清洗决策模型和初始化训练代价决策模型对第二范例工件 图像数据进行训练代价决策之后， 生成第二范例工件图像数据的第一清洗控制代价信息及 初始化金属工件检测清洗决策模型 的模型训练代价决策信息； 其中， 所述初始化训练代价 决策模型依附于所述初始化金属工件检测清洗决策模型上， 并与所述初始 化金属工件检测 清洗决策模型协同模型参数优化， 依据所述携带先验知识的第一范例工件图像数据序列构 建的初始化训练代价决策模型， 决策所述初始 化训练代价决策模型对应的初始 化金属工件 检测清洗决策模型在所述未携带先验知识的第二范例工件图像数据序列上的模型学习代 价信息， 输出模型训练代价决策信息； 基于所述模型训练代价决策信 息， 在所述未携带先验知识的第 二范例工件图像数据序 列中提取范例工件图像数据进 行先验知识添加， 以扩充所述携带先验知识的第一范例工件 图像数据 序列； 依据扩充后的携带先验知识的第一范例工件 图像数据序列对所述初始化训练代价决 策模型以及所述初始化金属工件检测清洗决策模型进 行迭代模型参数优化， 输出金属工件 检测清洗决策模型。 2.根据权利要求1所述的基于图像处理 的金属工件检测清洗控制方法， 其特征在于， 所 述未携带先验知识的第二范例工件图像数据序列至少包括第二范例工件图像数据， 所述模 型训练代价决策信息至少包括所述第二范例工件图像数据对应的清洗决策代价信息， 所述 基于所述模型训练代价决策信息， 在所述未携带先验知识的第二范例工件图像数据序列中 提取范例工件图像数据进 行先验知识添加， 以扩充所述携带先验知识的第一范例工件图像 数据序列的步骤， 具体包括： 基于各所述清洗决策代价信 息的大小， 在所述未携带先验知识的第 二范例工件图像数 据序列中提取 各待进行先验知识添加的范例工件图像数据； 对各所述待进行先验知识添加的范例工件图像数据进行先验知识添加， 输出各先验知 识添加的范例工件图像数据； 将各所述先验知识添加的范例工件图像数据加载至所述携带先验知识的第一范例工 件图像数据 序列， 以扩充所述携带 先验知识的第一范例工件图像数据 序列。 3.根据权利要求2所述的基于图像处理 的金属工件检测清洗控制方法， 其特征在于， 所 述依据所述携带先验知识的第一范例工件图像数据序列构建的初始 化训练代价决策模型， 决策所述初始化训练代价决策模型对应的初始化金属工件检测清洗决策模型在所述未携权　利　要　求　书 1/5 页 2 CN 115409836 A 2带先验知识的第二范例工件图像数据序列上的模型学习代价信息， 输出模 型训练代价决策 信息的步骤， 具体包括： 将初始化金属工件检测清洗决策模型中各中间神经网络单元的编辑特征向量分别转 换为训练代价决策的中间特 征向量； 将各所述训练代价决策的中间特 征向量进行融合得到融合特 征向量； 对所述融合特 征向量进行全连接， 输出 所述模型训练代价决策信息 。 4.根据权利要求1所述的基于图像处理 的金属工件检测清洗控制方法， 其特征在于， 所 述提取携带先验知识的第一范例工件图像数据序列和未携带先验知识的第二范例工件图 像数据序列的步骤之前， 所述方法还 包括： 获取待决策的未携带 先验知识的候选范例工件图像数据 序列； 从所述未携带先验知识的候选范例工件图像数据序列中随机提取未携带先验知识的 候选范例工件图像数据进 行先验知识添加， 将所述未携带先验知识的候选范例工件图像数 据序列分为携带先验知识的第一范例工件图像数据序列和未携带先验知识的第二范例工 件图像数据 序列； 依据所述携带先验知识的第 一范例工件图像数据序列， 训练输出初始化训练代价决策 模型和初始化金属工件检测清洗决策模型。 5.根据权利要求1所述的基于图像处理 的金属工件检测清洗控制方法， 其特征在于， 所 述依据扩充后的携带先验知识的第一范例工件图像数据序列对所述初始化训练代价决策 模型以及所述初始 化金属工件检测清洗决策模型进行迭代模型参数优化， 输出金属工件检 测清洗决策模型的步骤， 具体包括： 计算所述初始化金属工件检测清洗决策模型在所述扩充后的携带先验知识的第一范 例工件图像数据 序列上的第一清洗控制代价信息； 基于所述第 一清洗控制代价信 息， 确定所述初始化训练代价决策模型在所述扩充后的 携带先验知识的第一范例工件图像数据 序列上的第二清洗控制代价信息； 基于所述第 一清洗控制代价信 息和所述第 二清洗控制代价信 息， 对所述初始化金属工 件检测清洗决策模型进行迭代模型参数优化， 输出 所述金属工件检测清洗决策模型。 6.根据权利要求5所述的基于图像处理 的金属工件检测清洗控制方法， 其特征在于， 所 述基于所述第一清洗控制代价信息， 确定所述初始 化训练代价决策模型在所述扩充后的携 带先验知识的第一范例工件图像数据 序列上的第二清洗控制代价信息的步骤， 具体包括： 依据所述初始化训练代价决策模型， 决策所述初始化金属工件检测清洗决策模型在所 述扩充后的携带先验知识的第一范例工件图像数据序列上的模型学习代价信息， 输出第二 清洗控制代价信息 。 7.根据权利要求5所述的基于图像处理 的金属工件检测清洗控制方法， 其特征在于， 所 述基于所述第一清洗控制代价信息和所述第二清洗控制代价信息， 对所述初始 化金属工件 检测清洗决策模型进行迭代模型参数优化， 输出所述金属工件检测清洗决策模型 的步骤， 具体包括： 基于所述第 一清洗控制代价信 息和所述第 二清洗控制代价信 息， 确定目标清洗控制代 价信息； 如果解析到所述目标清洗控制代价信 息满足训练终止要求， 则将所述初始化金属工件权　利　要　求　书 2/5 页 3 CN 115409836 A 3