一种基于机器视觉的多方位螺母自动锁付方法及系统

摘要

本发明涉及图像数据处理技术领域，提供了一种基于机器视觉的多方位螺母自动锁付方法及系统，该方法包括：预锁付后，在第一角度，获取第一图像；在第二角度，获取第二图像；将第一图像输入自动锁付模型中的第一锁付分析模块，获得第一锁付参数；将第二图像输入自动锁付模型中的第二锁付分析模块，获得第二锁付参数；将第一锁付参数和第二锁付参数输入自动锁付模型的锁付参数组合分支，获得最终锁付参数，进行自动锁付，解决了螺母自动锁付的锁付位置单一、锁付时间长，无法投入生产加工制造的技术问题，实现了对螺母进行多方位螺母自动锁付，锁付位置灵活，作业过程稳定，可投入生产加工制造，加快自动锁付效率，缩短锁付时间的技术效果。

权利要求

1.一种基于机器视觉的多方位螺母自动锁付方法，其特征在于，所述方法包括：对目标螺母进行预锁付，在第一角度，获取所述目标螺母的第一图像；

在第二角度，获取所述目标螺母的第二图像，其中，所述第一角度垂直于所述第二角度；

将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；

将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；

将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数；

采用所述最终锁付参数对所述目标螺母进行自动锁付；

其中，将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数，包括：在此前对螺母进行不同地预锁付后，获取多个样本第一图像；

根据所述多个样本第一图像，设置对应的多个样本第一锁付参数；

采用所述多个样本第一图像和多个样本第一锁付参数，构建所述第一锁付分析模块；

将所述第一图像输入所述第一锁付分析模块内，获得所述第一锁付参数；

采用所述多个样本第一图像和多个样本第一锁付参数，构建所述第一锁付分析模块，包括：基于卷积神经网络，构建所述第一锁付分析模块，所述第一锁付分析模块的输入数据为第一图像，输出数据为第一锁付参数；

采用所述多个样本第一图像和多个样本第一锁付参数，对所述第一锁付分析模块进行监督训练和验证，直到所述第一锁付分析模块收敛或准确率达到预设要求，获得所述第一锁付分析模块。

2.根据权利要求1所述的方法，其特征在于，在第一角度，获取所述目标螺母的第一图像，包括：在所述第一角度，获取所述目标螺母预锁付的图像，获得第一预图像；

对所述第一预图像进行校正预处理，获得第一预处理图像；

对所述第一预处理图像进行裁剪处理，获得所述第一图像。

3.根据权利要求1所述的方法，其特征在于，将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数，包括：在此前对螺母进行不同地预锁付后，获取多个样本第二图像；

根据所述多个样本第二图像，设置对应的多个样本第二锁付参数；

采用所述多个样本第二图像和多个样本第二锁付参数，构建所述第二锁付分析模块；

将所述第二图像输入所述第二锁付分析模块内，获得所述第二锁付参数。

4.根据权利要求3所述的方法，其特征在于，采用所述多个样本第二图像和多个样本第二锁付参数，构建所述第二锁付分析模块，包括：基于卷积神经网络，构建所述第二锁付分析模块，所述第二锁付分析模块的输入数据为第二图像，输出数据为第二锁付参数；

采用所述多个样本第二图像和多个样本第二锁付参数，对所述第二锁付分析模块进行监督训练和验证，直到所述第二锁付分析模块收敛或准确率达到预设要求，获得所述第二锁付分析模块。

5.根据权利要求3所述的方法，其特征在于，将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数，包括：根据所述多个样本第一锁付参数和多个样本第二锁付参数进行随机选择和组合，获得多个样本最终锁付参数；

构建所述多个样本第一锁付参数、多个样本第二锁付参数和多个样本最终锁付参数的映射关系，获得所述锁付参数组合分支，结合所述第一锁付分析模块和第二锁付分析模块，获得所述自动锁付模型；

将所述第一锁付参数和第二锁付参数输入所述锁付参数组合分支内，获得所述最终锁付参数。

6.一种基于机器视觉的多方位螺母自动锁付系统，其特征在于，用于实施权利要求1‑5任一一项所述的一种基于机器视觉的多方位螺母自动锁付方法，包括：第一图像获取模块，用于对目标螺母进行预锁付，在第一角度，获取所述目标螺母的第一图像；

第二图像获取模块，用于在第二角度，获取所述目标螺母的第二图像，其中，所述第一角度垂直于所述第二角度；

第一锁付参数获得模块，用于将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；

第二锁付参数获得模块，用于将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；

最终锁付参数获得模块，用于将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数；

自动锁付模块，用于采用所述最终锁付参数对所述目标螺母进行自动锁付。

说明书

一种基于机器视觉的多方位螺母自动锁付方法及系统

技术领域

[0001] 本发明涉及图像数据处理相关技术领域，具体涉及一种基于机器视觉的多方位螺母自动锁付方法及系统。

背景技术

[0002] 目前市场上的产品由各零部件装配成产品时，通常使用螺母对各零部件进行锁紧加固组合，传统的螺母锁紧作业一般采用人工操作方式，操作人员利用电动扳手或手动扳手将螺母一个个对各零部件进行锁紧使之装配成所要生产的产品，为了提高工作效率，可以采用自动锁螺母机。

[0003] 但，由于传统锁螺母机普遍只能针对在某一平面的螺柱或外螺纹产品进行锁付，具有局限性，比如洗衣机内筒(或摩托车链轮盘)，外形为圆型需锁付三个及以上位置，要能实现这多个面的自动锁螺母，需要同时多方位锁付，传统锁螺母机锁付位置单一、锁付时间长不利于高效生产成本得不到控制。

[0004] 基于锁付控制参数对所述目标螺母进行自动锁付，达到了作业过程稳定，精度高、可实现量产化的效果。

[0005] 综上所述，现有技术中存在螺母自动锁付的锁付位置单一、锁付时间长，无法投入生产加工制造的技术问题。

发明内容

[0006] 本申请通过提供了一种基于机器视觉的多方位螺母自动锁付方法及系统，旨在解决现有技术中的螺母自动锁付的锁付位置单一、锁付时间长，无法投入生产加工制造的技术问题。

[0007] 鉴于上述问题，本申请实施例提供了一种基于机器视觉的多方位螺母自动锁付方法及系统。

[0008] 本申请公开的第一个方面，提供了一种基于机器视觉的多方位螺母自动锁付方法，其中，所述方法包括：对目标螺母进行预锁付，在第一角度，获取所述目标螺母的第一图像；在第二角度，获取所述目标螺母的第二图像，其中，所述第一角度垂直于所述第二角度；将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数；采用所述最终锁付参数对所述目标螺母进行自动锁付。

[0009] 本申请公开的另一个方面，提供了一种基于机器视觉的多方位螺母自动锁付系统，其中，所述系统包括：第一图像获取模块，用于对目标螺母进行预锁付，在第一角度，获取所述目标螺母的第一图像；第二图像获取模块，用于在第二角度，获取所述目标螺母的第二图像，其中，所述第一角度垂直于所述第二角度；第一锁付参数获得模块，用于将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；第二锁付参数获得模块，用于将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；最终锁付参数获得模块，用于将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数；自动锁付模块，用于采用所述最终锁付参数对所述目标螺母进行自动锁付。

[0010] 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

[0011] 由于采用了对目标螺母进行预锁付，在第一角度，获取目标螺母的第一图像；在第二角度，获取目标螺母的第二图像；将第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；将第二图像输入自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；将第一锁付参数和第二锁付参数输入自动锁付模型的锁付参数组合分支内，获得最终锁付参数，对目标螺母进行自动锁付，实现了对螺母进行多方位螺母自动锁付，锁付位置灵活，作业过程稳定，可投入生产加工制造，加快自动锁付效率，缩短锁付时间的技术效果。

[0012] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

[0013] 图1为本申请实施例提供了一种基于机器视觉的多方位螺母自动锁付方法可能的流程示意图；

[0014] 图2为本申请实施例提供了一种基于机器视觉的多方位螺母自动锁付方法中第一图像获得可能的流程示意图；

[0015] 图3为本申请实施例提供了一种基于机器视觉的多方位螺母自动锁付方法中第一锁付参数获得可能的流程示意图；

[0016] 图4为本申请实施例提供了一种基于机器视觉的多方位螺母自动锁付系统可能的结构示意图。

[0017] 附图标记说明：第一图像获取模块100，第二图像获取模块200，第一锁付参数获得模块300，第二锁付参数获得模块400，最终锁付参数获得模块500，自动锁付模块600。

具体实施方式

[0018] 本申请提供的技术方案总体思路如下：

[0019] 本申请实施例提供了对螺母进行两角度垂直方位数据采集，将两角度垂直方位数据进行空间角分析，获取空间角同标定和调整，生成锁付控制参数，基于锁付控制参数对所述目标螺母进行自动锁付，达到了作业过程稳定，精度高、可实现量产化的效果。

[0020] 在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

[0021] 实施例一

[0022] 如图1所示，本申请实施例提供了一种基于机器视觉的多方位螺母自动锁付方法，其中，所述方法包括：

[0023] S10：对目标螺母进行预锁付，在第一角度，获取所述目标螺母的第一图像；

[0024] 如图2所示，步骤S10包括步骤：

[0025] S11：在所述第一角度，获取所述目标螺母预锁付的图像，获得第一预图像；

[0026] S12：对所述第一预图像进行校正预处理，获得第一预处理图像；

[0027] S13：对所述第一预处理图像进行裁剪处理，获得所述第一图像。

[0028] 具体而言，确定目标螺母规格后，将目标螺母固定于目标位置(内侧的螺纹同等规格螺母和螺栓才能连接在一起，例如：M4‑P0.7的螺母只能与M4‑P0.7系列的螺栓进行连接，在螺母中，M4指螺母内径大约为4mm，0.7指两个螺纹牙之间的距离为0.7mm)，并进行预锁付(预锁付为对目标螺母进行初步锁付，并完全达到要求的锁付操作，其在外力干扰下存在脱落的风险，不稳固)，在第一角度，获取所述目标螺母的第一图像，具体包括：所述第一角度垂直于螺孔所在平面的角度，和螺母同轴，所述目标螺母的第一图像即螺母径向的照片(与螺母轴向相垂直的螺母径向)，用于确定螺母径向的角度的偏差；

[0029] 在所述第一角度，通过图像采集设备(所述图像采集设备可以是工业相机)进行图像信息采集，获取所述目标螺母预锁付的图像，获得第一预图像(所述目标螺母预锁付的图像中)；因图像采集设备的角度与目标螺母的相对位置变化，需要进行螺母径向找准矫正，对所述第一预图像进行校正预处理(所述校正预处理为径向调整)，获得第一预处理图像；对所述第一预处理图像进行裁剪处理，获得所述第一图像，为后续进行处理提供数据基础。

[0030] S20：在第二角度，获取所述目标螺母的第二图像，其中，所述第一角度垂直于所述第二角度；

[0031] S30：将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；

[0032] 如图3所示，步骤S30包括步骤：

[0033] S31：在此前对螺母进行不同地预锁付后，获取多个样本第一图像；

[0034] S32：根据所述多个样本第一图像，设置对应的多个样本第一锁付参数；

[0035] S33：采用所述多个样本第一图像和多个样本第一锁付参数，构建所述第一锁付分析模块；

[0036] S34：将所述第一图像输入所述第一锁付分析模块内，获得所述第一锁付参数。

[0037] 具体而言，所述第一角度垂直于所述第二角度(所述第二角度为平行于螺孔所在平面的角度，和螺母的轴心线垂直，用于拍螺母侧面的角度)，在第二角度，进行图像信息采集，获取获得第二预图像，进行螺母轴向找准矫正，后裁剪处理，获取所述目标螺母的第二图像，将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数，具体包括：在此前对螺母进行不同地预锁付后，在第一角度图像信息采集，获取多个样本第一图像(多个样本第一图像与不同地预锁一一对应)；根据所述多个样本第一图像，经测量(测量包括长度测量、角度测量)设置对应的多个样本第一锁付参数(样本第一锁付参数包括未拧进去的长度、未拧好的角度)；采用所述多个样本第一图像和多个样本第一锁付参数，构建所述第一锁付分析模块；将所述第一图像作为输入数据，输入所述第一锁付分析模块内，输出所述第一锁付参数，获取样本数据，为后续构建所述第一锁付分析模块提供数据支持，为后续代入第一锁付分析模块提供参考。

[0038] 步骤S33包括步骤：

[0039] S331：基于卷积神经网络，构建所述第一锁付分析模块，所述第一锁付分析模块的输入数据为第一图像，输出数据为第一锁付参数；

[0040] S332：采用所述多个样本第一图像和多个样本第一锁付参数，对所述第一锁付分析模块进行监督训练和验证，直到所述第一锁付分析模块收敛或准确率达到预设要求，获得所述第一锁付分析模块。

[0041] 具体而言，采用所述多个样本第一图像和多个样本第一锁付参数，构建所述第一锁付分析模块，具体包括：以卷积神经网络为模型基础，构建所述第一锁付分析模块(所述第一锁付分析模块输入端的输入数据为第一图像，第一锁付分析模块输出端的输出数据为第一锁付参数)，采用7：3的比例对所述多个样本第一图像和多个样本第一锁付参数进行划分，获取训练集与验证集，将所述训练集中的多个样本第一图像和多个样本第一锁付参数作为输入训练数据，输入所述卷积神经网络中，采用每次根据训练得到的结果与预想结果(预想结果：多个样本第一锁付参数)进行误差分析，进而修改权值和阈值(进而修改权值和阈值可以将卷积神经网络训练至适用于进行锁付分析)，一步一步监督训练得到能输出和预想结果一致的模型，在模型输出趋于稳定(模型稳定：输出和预想结果一致)后，将所述验证集中的多个样本第一图像和多个样本第一锁付参数作为输入进行验证，验证通过后，确定第一锁付分析模块，为进行锁付分析提供模型支持。

[0042] S40：将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；

[0043] 步骤S40包括步骤：

[0044] S41：在此前对螺母进行不同地预锁付后，获取多个样本第二图像；

[0045] S42：根据所述多个样本第二图像，设置对应的多个样本第二锁付参数；

[0046] S43：采用所述多个样本第二图像和多个样本第二锁付参数，构建所述第二锁付分析模块；

[0047] S44：将所述第二图像输入所述第二锁付分析模块内，获得所述第二锁付参数。

[0048] 具体而言，将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数，具体包括：在此前对螺母进行不同地预锁付后，在第二角度图像信息采集，获取多个样本第二图像(多个样本第二图像与不同地预锁一一对应)；根据所述多个样本第二图像，经测量(测量包括长度测量、角度测量)设置对应的多个样本第二锁付参数(样本第二锁付参数包括未拧进去的长度、未拧好的角度)；采用所述多个样本第二图像和多个样本第二锁付参数，构建所述第二锁付分析模块；将所述第二图像作为输入数据，输入所述第二锁付分析模块内，输出所述第二锁付参数，获取样本数据，为后续构建所述第二锁付分析模块提供数据支持，为后续代入第二锁付分析模块提供参考。

[0049] 步骤S43包括步骤：

[0050] S431：基于卷积神经网络，构建所述第二锁付分析模块，所述第二锁付分析模块的输入数据为第二图像，输出数据为第二锁付参数；

[0051] S432：采用所述多个样本第二图像和多个样本第二锁付参数，对所述第二锁付分析模块进行监督训练和验证，直到所述第二锁付分析模块收敛或准确率达到预设要求，获得所述第二锁付分析模块。

[0052] 具体而言，采用所述多个样本第二图像和多个样本第二锁付参数，构建所述第二锁付分析模块，具体包括：以卷积神经网络为模型基础，构建所述第二锁付分析模块(所述第二锁付分析模块输入端的输入数据为第二图像，第二锁付分析模块输出端的输出数据为第二锁付参数)，采用7：3的比例对所述多个样本第二图像和多个样本第二锁付参数进行划分，获取训练集与验证集，将所述训练集中的多个样本第二图像和多个样本第二锁付参数作为输入训练数据，输入所述卷积神经网络中，采用每次根据训练得到的结果与预想结果(预想结果：多个样本第二锁付参数)进行误差分析，进而修改权值和阈值(进而修改权值和阈值可以将卷积神经网络训练至适用于进行锁付分析)，一步一步监督训练得到能输出和预想结果一致的模型，在模型输出趋于稳定(模型稳定：输出和预想结果一致)后，将所述验证集中的多个样本第二图像和多个样本第二锁付参数作为输入进行验证，验证通过后，确定第二锁付分析模块，为进行锁付分析提供模型支持。

[0053] S50：将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数；

[0054] S60：采用所述最终锁付参数对所述目标螺母进行自动锁付。

[0055] 步骤S50还包括步骤：

[0056] S51：根据所述多个样本第一锁付参数和多个样本第二锁付参数进行随机选择和组合，获得多个样本最终锁付参数；

[0057] S52：构建所述多个样本第一锁付参数、多个样本第二锁付参数和多个样本最终锁付参数的映射关系，获得所述锁付参数组合分支，结合所述第一锁付分析模块和第二锁付分析模块，获得所述自动锁付模型；

[0058] S53：将所述第一锁付参数和第二锁付参数输入所述锁付参数组合分支内，获得所述最终锁付参数。

[0059] 具体而言，将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数，采用所述最终锁付参数对所述目标螺母进行自动锁付，锁付完成目标螺母流走，下一螺母重复以上动作(若换线启用换枪工位即可)，具体包括：在所述多个样本第一锁付参数和多个样本第二锁付参数进行随机选择(随机选择为现有技术)，并组合获得多个样本最终锁付参数(样本最终锁付参数包括未拧进去的长度、未拧好的角度，简单来讲就是将样本第一锁付参数和样本第二锁付参数进行矢量合并，确定样本最终锁付参数的未拧进去的长度、未拧好的角度，简单说明：若样本第一锁付参数的未拧进去的长度为2mm、未拧好的角度5°；样本第二锁付参数的未拧进去的长度为3mm、未拧好的角度9°，样本最终锁付参数的未拧进去的长度为：

[0060] 样本最终锁付参数的未拧好的角度为(x方向：5°，y方向：9°)；

[0061] 构建所述多个样本第一锁付参数、多个样本第二锁付参数和多个样本最终锁付参数的映射关系(所述多个样本第一锁付参数、多个样本第二锁付参数的组合与多个样本最终锁付参数一一对应)，将所述多个样本第一锁付参数、多个样本第二锁付参数和多个样本最终锁付参数的映射关系设定为所述锁付参数组合分支，结合所述第一锁付分析模块和第二锁付分析模块，进行模型并向拼接，获得所述自动锁付模型；

[0062] 将所述第一锁付参数和第二锁付参数输入所述锁付参数组合分支内，利用映射关系计算(所述多个样本第一锁付参数、多个样本第二锁付参数和多个样本最终锁付参数的映射关系&所述第一锁付参数、第二锁付参数和所述最终锁付参数的映射关系存在一致性)获得所述最终锁付参数，为保证最终锁付参数的精准度提供支持。

[0063] 综上所述，本申请实施例所提供的一种基于机器视觉的多方位螺母自动锁付方法及系统具有如下技术效果：

[0064] 1.由于采用了对目标螺母进行预锁付，在第一角度，获取目标螺母的第一图像；在第二角度，获取目标螺母的第二图像；将第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；将第二图像输入自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；将第一锁付参数和第二锁付参数输入自动锁付模型的锁付参数组合分支内，获得最终锁付参数，对目标螺母进行自动锁付，本申请通过提供了一种基于机器视觉的多方位螺母自动锁付方法及系统，实现了对螺母进行多方位螺母自动锁付，锁付位置灵活，作业过程稳定，可投入生产加工制造，加快自动锁付效率，缩短锁付时间的技术效果。

[0065] 2.由于采用了在第一角度，获取目标螺母预锁付的图像，获得第一预图像，进行校正预处理，获得第一预处理图像，裁剪处理获得第一图像，为后续进行处理提供数据基础。

[0066] 实施例二

[0067] 基于与前述实施例中一种基于机器视觉的多方位螺母自动锁付方法相同的发明构思，如图4所示，本申请实施例提供了一种基于机器视觉的多方位螺母自动锁付系统，其中，所述系统包括：

[0068] 第一图像获取模块100，用于对目标螺母进行预锁付，在第一角度，获取所述目标螺母的第一图像；

[0069] 第二图像获取模块200，用于在第二角度，获取所述目标螺母的第二图像，其中，所述第一角度垂直于所述第二角度；

[0070] 第一锁付参数获得模块300，用于将所述第一图像输入自动锁付模型中的第一锁付分析模块内，获得第一锁付参数；

[0071] 第二锁付参数获得模块400，用于将所述第二图像输入所述自动锁付模型中的第二锁付分析模块内，获得第二锁付参数；

[0072] 最终锁付参数获得模块500，用于将所述第一锁付参数和第二锁付参数输入所述自动锁付模型的锁付参数组合分支内，获得最终锁付参数；

[0073] 自动锁付模块600，用于采用所述最终锁付参数对所述目标螺母进行自动锁付[0074] 进一步的，所述系统包括：

[0075] 第一预图像获得模块，用于在所述第一角度，获取所述目标螺母预锁付的图像，获得第一预图像；

[0076] 第一预处理图像获得模块，用于对所述第一预图像进行校正预处理，获得第一预处理图像；

[0077] 第一图像获得模块，用于对所述第一预处理图像进行裁剪处理，获得所述第一图像。

[0078] 进一步的，所述系统包括：

[0079] 样本第一图像获取模块，用于在此前对螺母进行不同地预锁付后，获取多个样本第一图像；

[0080] 样本第一锁付参数设置模块，用于根据所述多个样本第一图像，设置对应的多个样本第一锁付参数；

[0081] 第一锁付分析模块构建模块，用于采用所述多个样本第一图像和多个样本第一锁付参数，构建所述第一锁付分析模块；

[0082] 第一锁付参数获得模块，用于将所述第一图像输入所述第一锁付分析模块内，获得所述第一锁付参数。

[0083] 进一步的，所述系统包括：

[0084] 第一锁付参数输出模块，用于基于卷积神经网络，构建所述第一锁付分析模块，所述第一锁付分析模块的输入数据为第一图像，输出数据为第一锁付参数；

[0085] 第一锁付分析模块获得模块，用于采用所述多个样本第一图像和多个样本第一锁付参数，对所述第一锁付分析模块进行监督训练和验证，直到所述第一锁付分析模块收敛或准确率达到预设要求，获得所述第一锁付分析模块。

[0086] 进一步的，所述系统包括：

[0087] 样本第二图像获取模块，用于在此前对螺母进行不同地预锁付后，获取多个样本第二图像；

[0088] 样本第二锁付参数设置模块，用于根据所述多个样本第二图像，设置对应的多个样本第二锁付参数；

[0089] 第二锁付分析模块构建模块，用于采用所述多个样本第二图像和多个样本第二锁付参数，构建所述第二锁付分析模块；

[0090] 第二锁付参数获得模块，用于将所述第二图像输入所述第二锁付分析模块内，获得所述第二锁付参数。

[0091] 进一步的，所述系统包括：

[0092] 第二锁付参数输出模块，用于基于卷积神经网络，构建所述第二锁付分析模块，所述第二锁付分析模块的输入数据为第二图像，输出数据为第二锁付参数；

[0093] 第二锁付分析模块获得模块，用于采用所述多个样本第二图像和多个样本第二锁付参数，对所述第二锁付分析模块进行监督训练和验证，直到所述第二锁付分析模块收敛或准确率达到预设要求，获得所述第二锁付分析模块。

[0094] 进一步的，所述系统包括：

[0095] 样本最终锁付参数获得模块，用于根据所述多个样本第一锁付参数和多个样本第二锁付参数进行随机选择和组合，获得多个样本最终锁付参数；

[0096] 自动锁付模型获得模块，用于构建所述多个样本第一锁付参数、多个样本第二锁付参数和多个样本最终锁付参数的映射关系，获得所述锁付参数组合分支，结合所述第一锁付分析模块和第二锁付分析模块，获得所述自动锁付模型；

[0097] 最终锁付参数获得模块，用于将所述第一锁付参数和第二锁付参数输入所述锁付参数组合分支内，获得所述最终锁付参数。

[0098] 综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。

[0099] 进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。