基于机器学习的激光除锈方法及装置与流程

本公开涉及除锈技术领域，具体涉及一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端。

背景技术：

激光作为一种加工工具，能实现金属表面锈蚀层的快速清洗。与传统加工方法不同的是，激光具有高亮度、高单色性等优点，能实现远距离非接触式清洗，因此能利用激光对远距离除锈，比如高压带电装置、核装置等。

但现有的激光除锈装置对应的激光控制方法大多流程复杂，且控制激光除锈的精准度不高。尤其对于野外环境下的设备，例如轨道，由于环境情况复杂、恶劣，导致金属轨道各部分锈蚀情况差异较大。且由于对除锈结果要求较高，不能损伤金属结构，导致现有的激光除锈装置并不能具有良好的除锈结果。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种基于机器学习的激光除锈方法、一种基于机器学习的激光除锈装置、一种存储介质以及一种电子终端，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种基于机器学习的激光除锈方法，包括：

获取第一原始图像；

对所述第一原始图像进行预处理以获取第一预处理图像；

利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；

根据所述激光处理参数控制激光器进行除锈。

在本公开的一种示例性实施例中，在根据所述激光处理参数控制激光器进行除锈后，所述方法还包括：

获取第二当前图像；

对所述第二当前图像进行预处理以获取第二预处理图像；

对比所述第一预处理图像和第二预处理图像以获取除锈结果。

在本公开的一种示例性实施例中，所述方法还包括：

判断所述除锈结果是否满足预设条件；

在判断所述除锈结果满足所述预设条件时，结束除锈操作；或者

在判断所述除锈结果不满足所述预设条件时，利用所述已训练的参数计算模块对所述第二预处理图像进行分析以获取激光处理参数，以便于根据所述激光处理参数控制所述激光器进行除锈。

在本公开的一种示例性实施例中，训练所述参数计算模型，包括：

获取待处理锈蚀图像集合；

以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。

在本公开的一种示例性实施例中，所述对所述待处理图像进行预处理以获取第一预处理图像包括：

对所述第一预处理图像进行灰度处理以得到第一预处理图像。

根据本公开的第二方面，提供一种基于机器学习的激光除锈装置，包括：

图像采集模块，用于获取第一原始图像；

图像处理模块，用于对所述第一原始图像进行预处理以获取第一预处理图像；

参数计算模块，用于利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；

操作执行模块，用于根据所述激光处理参数控制激光器进行除锈。

在本公开的一种示例性实施例中，所述装置还包括：

结果判断模块，用于判断所述除锈结果是否满足预设条件。

在本公开的一种示例性实施例中，所述装置还包括：

模型训练模块，用于获取待处理锈蚀图像集合，并以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。

根据本公开的第三方面，提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于机器学习的激光除锈方法。

根据本公开的第四方面，提供一种电子终端，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行实现上述的基于机器学习的激光除锈方法

本公开的实施例所提供的激光除锈方法中，通过利用预先训练的机器学习模型计算每一张图像中锈蚀区域对应的激光处理参数，从而可以根据该激光控制参数控制激光器进行除锈。有效的保证除锈效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图。

图1示意性示出本公开示例性实施例中一种基于机器学习的激光除锈方法示意图；

图2示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置组成示意图；

图3示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置的另一种示意图；

图4示意性示出本公开示例性实施例中一种基于机器学习的激光除锈装置的再一种示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本示例实施方式中首先提供了一种基于机器学习的激光除锈方法，可以应用于对对不同场景下的除锈，尤其对于铁轨上的锈蚀痕迹。参考图1中所示，上述的基于机器学习的激光除锈方法可以包括以下步骤：

步骤s1，获取第一原始图像；

步骤s2，对所述第一原始图像进行预处理以获取第一预处理图像；

步骤s3，利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数。

步骤s4，根据所述激光处理参数控制激光器进行除锈。

下面，将结合附图及实施例对本示例实施方式中的医疗数据标准化处理方法中各个步骤进行更详细的说明。

步骤s1，获取第一原始图像。

本示例实施方式中，可以通过摄像头等硬件设备采集需要进行除锈处理的设备的原始图像。其中，待除锈设备可以是例如轨道、车体、防护罩等装置的表面。此外，上述的第一原始图像可以为彩色图像，且图像中可以包含至少一个锈蚀区域。

步骤s2，对所述第一原始图像进行预处理以获取第一预处理图像。

本示例实施方式中，上述的预处理可以灰度处理。在获取第一原始图像后，便可以对其进行灰度处理，从而获得第一预处理图像。对于对图像进行灰度处理这一过程可以采用常规的技术手段。例如，将获得到的彩色图像每个像素点的rgb(r，g，b)值根据加权平均算法转化为对应的灰度值。本公开在此不再详述，也不做特殊限定。

步骤s3，利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数。

本示例实施方式中，可以利用已训练的参数计算模型对第一预处理图像进行分析，获取图像中的锈蚀区域，并计算锈蚀区域ui对应的激光处理参数。

此外，还可以预先利用锈蚀图像来训练无监督模型。在获取训练后的无监督模型，即参数计算模型，之后便可以将预处理图像输入至该参数计算模型中，从而获取该预处理图像的激光处理参数。

具体来说，对于模型的训练过程可以包括以下步骤：

步骤s31，获取待处理锈蚀图像集合；

步骤s32，以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。

上述的待处理锈蚀图像结合可以包括多张图像，各图像中均至少包含一个锈蚀区域。此外，各锈蚀区域的具体情况可能不同，例如锈蚀程度、锈蚀范围的边界形状等均不相同。可以将上述的待处理锈蚀图像集合作为输入数据或样本数据，将其输入至无监督模型，使无监督模型根据该输入数据进行训练，得到各待处理锈蚀图像对应的除锈后图像，以及除锈过程中的各项控制参数，从而得到参数计算模型。举例来说，上述的无监督模型可以是拉普拉斯特征映射模型、kmeans算法模型等。

步骤s4，根据所述激光处理参数控制激光器进行除锈。

本示例实施方式中，具体来说，上述的激光除锈参数可以包括：激光功率、激光频率、脉宽、扫描速度以及扫描间距。

具体的，可以根据公式：ρ＝pav/ftvd；其中，ρ为能量密度，pav为激光功率、f为激光频率、t为脉宽、v为扫描速度，d为扫描间距，其中脉宽t可视为不变。

在获取具体的激光处理参数后，并可根据该参数控制激光器开始除锈。对于具体的激光器结构，为常规的激光器结构，本公开对激光器的具体结构不做特殊限定。

基于上述内容，在本示例性实施例中，上述的方法还可以包括：

步骤s501，获取第二当前图像；

步骤s502，对所述第二当前图像进行预处理以获取第二预处理图像；

步骤s503，对比所述第一预处理图像和第二预处理图像以获取除锈结果。

在根据激光处理参数对第一原始图像对应的区域进行除锈后，还可以对该区域进行拍照获取第二当前图像。同样的，也可以对该第二当前图像进行灰度处理获取对应的第二预处理图像，即第二当前图像对应的灰度图像。并利用该第二预处理图像与第一预处理图像进行对比，获取对应的除锈结果。举例来说，可以对锈蚀区域的前、后灰度图像的像素值进行对比，判断除锈处理后的结果。

进一步的，上述的方法还可以包括：

步骤s601，判断所述除锈结果是否满足预设条件；

步骤s602，在判断所述除锈结果满足所述预设条件时，结束除锈操作；或者

步骤s603，在判断所述除锈结果不满足所述预设条件时，利用所述已训练的参数计算模块对所述第二预处理图像进行分析以获取激光处理参数，以便于根据所述激光处理参数控制所述激光器进行除锈。

举例来说，可以根据对锈蚀区域图像灰度处理后的灰度图像的灰度值对除锈结果设置不同的等级。在获取除锈结果后，便可以根据灰度图像判断除锈结果的等级是否满足预设的条件或要求。若除锈结果满足预设的要求，则可以停止并完成除锈操作。若除锈结果未满足预设的要求，则可以再次获取锈蚀区域的图像，并对其进行预处理获取灰度图像。然后利用参数计算模型对所述第一预处理图像进行分析以获取激光处理参数，根据所述激光处理参数控制激光器进行除锈。重复上述的步骤至除锈结果满足预设的要求或标准。

通过预先训练参数计算模型，并利用预先该训练的机器学习模型计算每一张图像中锈蚀区域对应的激光处理参数，从而可以根据该激光控制参数控制激光器进行除锈。实现利用机器学习计算激光处理参数，有效的保证除锈效果。

需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

进一步的，参考图2所示，本示例的实施方式中还提供了一种基于机器学习的激光除锈装置20，包括：图像采集模块201、图像处理模块202、参数计算模块203以及操作执行模块204。其中：

所述图像采集模块201可以用于获取第一原始图像。

所述图像处理模块202可以用于对所述第一原始图像进行预处理以获取第一预处理图像。

所述参数计算模块203可以用于利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数。

所述操作执行模块204可以用于根据所述激光处理参数控制激光器进行除锈。

进一步的，所述装置还包括：结果判断模块(未示出)，可以用于判断所述除锈结果是否满足预设条件。

进一步的，所述装置还包括：模型训练模块(未示出)，可以用于获取待处理锈蚀图像集合，并以所述待处理锈蚀图像集合作为入参训练原始无监督模型以获取参数计算模型。

上述的基于机器学习的激光除锈装置中各模块的具体细节已经在对应的基于机器学习的激光除锈方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图3来描述根据本发明的这种实施方式的电子设备600。图3显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的s1：获取第一原始图像；s2：对所述第一原始图像进行预处理以获取第一预处理图像；s3：利用已训练的参数计算模型对所述第一预处理图像进行分析以获取激光处理参数；s4：根据所述激光处理参数控制激光器进行除锈。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图4所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。