CN108803506A - 生产线工件识别方法、服务器及终端 - Google Patents
生产线工件识别方法、服务器及终端 Download PDFInfo
- Publication number
- CN108803506A CN108803506A CN201810497618.1A CN201810497618A CN108803506A CN 108803506 A CN108803506 A CN 108803506A CN 201810497618 A CN201810497618 A CN 201810497618A CN 108803506 A CN108803506 A CN 108803506A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- neural network
- recognition result
- category identities
- identities code
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 238000003860 storage Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000011179 visual inspection Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种生产线工件识别方法、服务器及终端，属于生产线视觉检测领域。应用于服务器的生产线工件识别方法包括：从终端接收关于生产线上的工件的工件信息，该工件信息包括种类标识码和工件图像；通过与工件信息中的种类标识码相对应的神经网络来识别工件图像，以生成针对所述工件的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。由此，将基于大数据分析的人工智能技术应用到生产线的工件识别中，保障工件识别的精确度，显著提高识别率以能够解决家电产品螺钉有无、标签是否正确等，防止漏打螺钉和标签缺失以及标签印刷错误的产品流向市场。
Description
技术领域
本发明涉及生产线视觉检测领域，具体地涉及一种生产线工件识别方法、服务器及终端。
背景技术
随着生产自动化集成度的不断提升，视觉检测通常被应用在产品生产线生产、装配或包装中。视觉检测技术是指利用科技手段来代替人眼来对生产线生产的产品进行测量和判断。
目前市面上的用于处理工业图像的视觉产品，都是在工控机本地加载传统算法，然后工控机本地对所采集的工业图像进行识别，不利于图片的大规模分类训练应用，也不便于识别算法的迭代升级，导致生产线工件识别的鲁棒性差。
发明内容
本发明实施例的目的是提供一种生产线工件识别方法、服务器及终端，用以至少解决现有技术中在工控机本地对工业图像识别所导致的鲁棒性差的技术问题。
为了实现上述目的，本发明实施例提供一种生产线工件识别方法，应用于服务器，该方法包括：从终端接收关于生产线上的工件的工件信息，该工件信息包括种类标识码和工件图像；通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成针对所述工件的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
可选的，所述通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像以生成识别结果包括：根据所述工件信息中的所述种类标识码将所述工件图像存储至对应的数据单元，其中所述数据单元是唯一对应于种类标识码的；以及通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成识别结果，其中神经网络唯一对应于种类标识码，并且该神经网络是以种类标识码和对应该种类标识码的所述数据单元中所存储的工件图像为标签进行训练的。
可选的，所述工件信息还包括终端ID，其中在生成所述识别结果之后，该方法还包括：根据所接收到的所述终端ID，将所述识别结果反馈至相应的终端。
可选的，在生成所述识别结果之后，该方法还包括：关联存储所述识别结果和所接收到的所述工件图像。
可选的，在所述关联存储所述识别结果和所接收到的所述工件图像之后，该方法还包括：获取用户对针对所关联存储的所述识别结果的校准操作；根据所述校准操作、所述识别结果和该识别结果所对应的工件图像，训练所述神经网络。
本发明实施例一方面提供一种生产线工件识别方法，应用于终端，该方法包括：获取关于所述生产线上的工件的工件图像和种类标识码，并根据所述工件图像和所述种类标识码生成工件信息；发送所述工件信息至服务器；从所述服务器接收基于神经网络而响应所述工件信息的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
本发明实施例一方面提供一种服务器，包括：工件信息接收单元，用于从终端接收关于生产线上的工件的工件信息，该工件信息包括种类标识码和工件图像；识别单元，用于通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
可选的，所述识别单元包括：数据关联存储模块，用于根据所述工件信息中的所述种类标识码将所述工件图像存储至对应的数据单元，其中所述数据单元是唯一对应于种类标识码的；识别模块，用于通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成针对所述工件的识别结果，其中神经网络唯一对应于种类标识码，并且该神经网络是以种类标识码和对应该种类标识码的所述数据单元中所存储的工件图像为标签进行训练的。
可选的，所述工件信息还包括终端ID，其中所述服务器还包括：识别结果发送单元，用于根据所接收到的所述工件信息中的终端ID，将所述识别结果反馈至相应的终端。
可选的，所述服务器还包括：结果关联存储单元，用于关联存储所述识别结果和所接收到的所述工件图像。
可选的，所述服务器还包括：校准操作获取单元，用于获取用户对针对所关联存储的所述识别结果的校准操作；神经网络训练单元，用于根据所述校准操作、所述识别结果和该识别结果所对应的工件图像，训练所述神经网络。
可选的，所述神经网络是基于双向长短时记忆的卷积神经网络。
本发明实施例一方面提供一种终端，包括：工件信息获取单元，用于获取关于所述生产线上的工件的工件图像和种类标识码，并根据所述工件图像和所述种类标识码生成工件信息；工件信息发送单元，用于发送所述工件信息至服务器；识别结果接收单元，用于从所述服务器接收基于神经网络而响应所述工件信息的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
通过上述技术方案，将工件图像和识别算法都集成在服务器端，成功将人工智能AI技术应用于识别生产线工件。并且，由于在服务器端能够存储从生产线工厂所上传的数据，使得服务器端的训练数据充足，有助于神经网络算法训练迭代充分，保障工件识别的精确度，显著提高识别率以能够解决家电产品螺钉有无、标签是否正确等，防止漏打螺钉和标签缺失以及标签印刷错误的产品流向市场。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一实施例的生产线工件识别方法的流程原理图；
图2是本发明一实施例的生产线工件识别系统架构示意图；
图3是图2中的生产线工件识别系统架构的工作原理图；
图4是本发明一实施例的服务器的结构框图；
图5是本发明一实施例的服务器的结构框图。
附图标记说明
10 服务器 20 终端
30 工业相机 101 接收单元
102 识别单元 201 工件信息获取单元
202 工件信息发送单元 203 识别结果接收单元
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示，本发明一实施例的生产线工件识别方法，该方法涉及服务器10、终端20和工业相机30三者之间的数据处理及信息交互。该方法包括：
S1、工业相机30拍摄工件图像。
具体的，工业相机可以是安装在生产线的上方，以用来拍摄生产线上的工件。可以理解的是，该生产线包括流水生产线和非流水生产线，且都属于本发明的保护范围内。
S2、工业相机30将所拍摄的工件图像发送至终端20。
具体的，该终端可以是工控机、笔记本电脑、台式机、手机等，在此并不限定，并且该工业相机可以是终端的拍照功能模块，也可以是与终端连接，例如有线连接或无线连接。
S3、终端20附加对应于工件图像的种类标识码，并根据种类标识码和工件图像生成工件信息。
具体的，该种类标识码的附加可以是自动的也可以是人工操作的，例如在工控机接收到工件图像之后，可以人为或自动在工控机上进行操作，为各个工件图像打标签，例如为螺钉安装生产线所对应的工件图像对应输入“螺钉”、“商标LOGO”、“光学字符OCR”、“铭牌”或“数据信息”等。
可以理解的是，该工件信息可以是仅包括种类标识码和工件图像，也还可以是包括工件信息和工件图像之外的其他信息，例如生产线ID等。
S4、终端20发送工件信息至服务器10。
S5、服务器10在接收到工件信息之后，调用神经网络对工件信息进行识别，生成用于针对所述工件的识别结果。
其中，该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。具体的，在服务器中存在多个定制于种类标识码的神经网络，例如可以包括用于识别螺钉的神经网络模块、用于识别OCR的神经网络模块等。
具体的，服务器中可以包括多个数据单元，每一数据单元可以通过唯一的存储路径执行存储或调用数据的步骤，并且每一神经网络模块与数据单元和种类标识码之间是一一对应的，亦即存在关系“神经网络模块-数据单元-种类标识码”；由此在训练各个神经网络模块时，可以分别调用相应的数据单元中的数据训练特定的神经网络模块。作为示例，在服务器接收到工件图像时，可以读取工件图像的种类标识码，例如当所读取到的工件图像对应于螺钉时，将该工件图像存储至标记为螺钉的数据单元，由此保障螺钉数据单元中所存储的工件图片中全部都是对应螺钉的工件图像，使得在对螺钉神经网络进行训练的时候，可以仅以该数据单元中的工件图像为标签进行训练，由此实现了对服务器中的多个神经网络模块的训练。
S6、将识别结果发送至终端20。
由此，使得终端能够从服务器端获得识别结果，直观地了解到生产线工件的识别情况。具体的，识别结果可以指示针对工件识别的各种结果，例如工件是否存在缺陷(例如螺钉缺失)，铭牌、数据信息是否能够成功被识别等，且都属于本发明的保护范围内。
在一些实施方式中，服务器可以是关联存储识别结果和所接收到的工件图像，并也可以是将识别结果反馈至终端。优选的，可以是当识别成功时，亦即当识别结果指示工件不存在缺陷时，关联存储识别结果和所接收到的工件图像；而当识别失败，亦即识别结果指示工件存在缺陷时，才将识别结果反馈至终端，由此能够保障只有当识别失败时才将识别结果发送至终端，以提醒生产线工作人员针对可能存在缺陷的工件采取相应的补救措施。在一种应用场景下，该生产线工件识别方法可以应用于家电产品中，由此利用大数据技术显著提高识别率能够解决家电产品螺钉有无、标签是否正确等，防止漏打螺钉和标签缺失以及标签印刷错误的产品流向市场。
在本实施例中，通过将工件图像和识别算法都集成在服务器端，成功将人工智能技术AI应用于生产线工件识别中。并且，由于在服务器端能够存储从生产线工厂所上传的数据，使得服务器端的训练数据充足，有助于神经网络算法训练迭代充分，保障工件识别结果的精确度。
作为本发明实施例的一种优选实施方式，该神经网络可以是BLSTM(bidirectional long short-term memory)+CNN(Convolutional Neural Networks)基于双向长短时记忆的卷积神经网络，能够更充分地利用数据进行训练，并能有效提高工件识别率。
如图2所示，本发明一实施例的生产线工件识别系统架构，其示出了存在多个生产线及终端，其中终端发送至服务器的工件信息中可以包括终端ID，由此使得服务器可以根据该终端ID将识别结果发送至相应的终端。在生产线端的设备有工业相机、工控机及相关机械设备，工业相机采集设备，如图3所示，其示出了该生产线工件识别系统的工作原理，具体包括：通过工控机前端软件的定位切割，再经过现场网关，传给应用服务器，在传输前让每个用户根据公司名、工厂、产线申请工厂产线ID，并根据生产线的识别类别(比如，螺钉、OCR等)分配识别的类别ID。在应用服务器收到图片后，根据此工厂产线ID和类别ID会把图片转存到相应的存储服务器，存储服务器会为每个不同的工厂产线ID和类别ID分配一个存储路径，图片存到存储服务器后，基于每张图片的种类、分类做标签，作为训练的数据，训练后对每种分类和每段字段预测；每张图片存储或者存储前都可以输入到服务器内集成的算法，可以是使用BLSTM+CNN神经网络做标签检测，使用服务器接口调用caffe里的神经网络算法。然后，调用算法输出结果，如识别错误，经过应用服务器后返回给前端产线，工控机前端软件提示图片识别失败；如识别成功，返回给前端应用服务器识别成功后，存储图片到存储服务器。同时存储服务器会单独建立一个数据库，存储图片到存储服务器时创建该张图片的信息到数据库。用户后期可以根据自己需要查询识别结果，并进一步对识别结果实施校准操作，并且该经过校准操作之后的识别结果能够连同图像来充当神经网络的训练源。
具体的，该应用服务器可以利用springboot、redis，并且可以内置tomcat容器，而无需另外配置tomcat；另外，服务器的数据库使用的MYSQL.数据库存储每个用户工厂的ID信息，并且存储每张图的信息，比如，时间、文件类型，并开放接口给上层软件，由此上层软件可以根据时间或者用户名查询数据库的信息。
如图4所示，本发明一实施例的服务器10，包括工件信息接收单元101和识别单元102，其中工件信息接收单元101用于从终端接收关于生产线上的工件的工件信息，该工件信息包括种类标识码和工件图像；识别单元102用于通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成针对所述工件的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
在一些实施方式中，所述识别单元102包括：数据关联存储模块，用于根据所述工件信息中的所述种类标识码将所述工件图像存储至对应的数据单元，其中所述数据单元是唯一对应于种类标识码的；识别模块，用于通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成识别结果，其中神经网络唯一对应于种类标识码，并且该神经网络是以种类标识码和对应该种类标识码的所述数据单元中所存储的工件图像为标签进行训练的。
在一些实施方式中，所述工件信息还包括终端ID，其中所述服务器还包括：识别结果发送单元，用于根据所接收到的所述工件信息中的终端ID，将所述识别结果反馈至相应的终端。
在一些实施方式中，所述服务器还包括：结果关联存储单元，用于关联存储所述识别结果和所接收到的所述工件图像。
在一些实施方式中，所述服务器还包括：校准操作获取单元，用于获取用户对针对所关联存储的所述识别结果的校准操作；神经网络训练单元，用于根据所述校准操作、所述识别结果和该识别结果所对应的工件图像，训练所述神经网络。
在一些实施方式中，所述神经网络是基于双向长短时记忆的卷积神经网络。
如图5所示，本发明一实施例的终端20，包括工件信息获取单元201、工件信息发送单元202和识别结果接收单元203，其中工件信息获取单元201可以用于获取关于所述生产线上的工件的工件图像和种类标识码，并根据所述工件图像和所述种类标识码生成工件信息；工件信息发送单元202可以用于发送所述工件信息至服务器；识别结果接收单元203可以用于从所述服务器接收基于神经网络而响应所述工件信息的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
关于本发明装置类实施例中的服务器及终端的更具体的细节及效果可以参照上文关于方法实施例的描述，在此便不赘述。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。
Claims (13)
1.一种生产线工件识别方法，应用于服务器，该方法包括：
从终端接收关于生产线上的工件的工件信息，该工件信息包括种类标识码和工件图像；
通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成针对所述工件的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
2.根据权利要求1所述的方法，其特征在于，所述通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像以生成识别结果包括：
根据所述工件信息中的所述种类标识码将所述工件图像存储至对应的数据单元，其中所述数据单元是唯一对应于种类标识码的；以及
通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成识别结果，其中神经网络唯一对应于种类标识码，并且该神经网络是以种类标识码和对应该种类标识码的所述数据单元中所存储的工件图像为标签进行训练的。
3.根据权利要求1所述的方法，其特征在于，所述工件信息还包括终端ID，其中在生成所述识别结果之后，该方法还包括：根据所接收到的所述终端ID，将所述识别结果反馈至相应的终端。
4.根据权利要求1所述的方法，其特征在于，在生成所述识别结果之后，该方法还包括：关联存储所述识别结果和所接收到的所述工件图像。
5.根据权利要求4所述的方法，其特征在于，在所述关联存储所述识别结果和所接收到的所述工件图像之后，该方法还包括：
获取用户对针对所关联存储的所述识别结果的校准操作；
根据所述校准操作、所述识别结果和该识别结果所对应的工件图像，训练所述神经网络。
6.一种生产线工件识别方法，应用于终端，该方法包括：
获取关于所述生产线上的工件的工件图像和种类标识码，并根据所述工件图像和所述种类标识码生成工件信息；
发送所述工件信息至服务器；
从所述服务器接收基于神经网络而响应所述工件信息的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
7.一种服务器，包括：
工件信息接收单元，用于从终端接收关于生产线上的工件的工件信息，该工件信息包括种类标识码和工件图像；
识别单元，用于通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成针对所述工件的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
8.根据权利要求7所述的服务器，其特征在于，所述识别单元包括：
数据关联存储模块，用于根据所述工件信息中的所述种类标识码将所述工件图像存储至对应的数据单元，其中所述数据单元是唯一对应于种类标识码的；
识别模块，用于通过与所述工件信息中的所述种类标识码相对应的神经网络来识别所述工件图像，以生成识别结果，其中神经网络唯一对应于种类标识码，并且该神经网络是以种类标识码和对应该种类标识码的所述数据单元中所存储的工件图像为标签进行训练的。
9.根据权利要求7所述的服务器，其特征在于，所述工件信息还包括终端ID，其中所述服务器还包括：
识别结果发送单元，用于根据所接收到的所述工件信息中的终端ID，将所述识别结果反馈至相应的终端。
10.根据权利要求9所述的服务器，其特征在于，所述服务器还包括：
结果关联存储单元，用于关联存储所述识别结果和所接收到的所述工件图像。
11.根据权利要求10所述的服务器，其特征在于，所述服务器还包括：
校准操作获取单元，用于获取用户对针对所关联存储的所述识别结果的校准操作；
神经网络训练单元，用于根据所述校准操作、所述识别结果和该识别结果所对应的工件图像，训练所述神经网络。
12.根据权利要求7-11中任一项所述的服务器，其特征在于，所述神经网络是基于双向长短时记忆的卷积神经网络。
13.一种终端，包括：
工件信息获取单元，用于获取关于所述生产线上的工件的工件图像和种类标识码，并根据所述工件图像和所述种类标识码生成工件信息；
工件信息发送单元，用于发送所述工件信息至服务器；
识别结果接收单元，用于从所述服务器接收基于神经网络而响应所述工件信息的识别结果，其中该神经网络唯一对应于种类标识码，并且该神经网络是由种类标识码和其所对应的工件图像为标签进行训练的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810497618.1A CN108803506A (zh) | 2018-05-22 | 2018-05-22 | 生产线工件识别方法、服务器及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810497618.1A CN108803506A (zh) | 2018-05-22 | 2018-05-22 | 生产线工件识别方法、服务器及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108803506A true CN108803506A (zh) | 2018-11-13 |
Family
ID=64091401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810497618.1A Pending CN108803506A (zh) | 2018-05-22 | 2018-05-22 | 生产线工件识别方法、服务器及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108803506A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111610762A (zh) * | 2020-05-12 | 2020-09-01 | 广汽本田汽车有限公司 | 自动化设备控制装置及方法 |
| CN113703382A (zh) * | 2021-07-13 | 2021-11-26 | 特科能(株洲)科技有限公司 | 前室预抽真空多用气氛渗氮炉工件识别系统 |
| EP3937430A1 (de) * | 2020-07-07 | 2022-01-12 | Deutsche Telekom AG | Verfahren und system zur erkennung netzwerkfähiger geräte in einem heimnetzwerk |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121798A1 (en) * | 2004-06-11 | 2010-05-13 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, pattern recognition apparatus, and pattern recognition method |
| CN103529439A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 一种神经网络系统的植被参数遥感反演方法和装置 |
| CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
| CN106568783A (zh) * | 2016-11-08 | 2017-04-19 | 广东工业大学 | 一种五金零件缺陷检测系统及方法 |
| CN107154008A (zh) * | 2017-05-11 | 2017-09-12 | 长威信息科技发展股份有限公司 | 一种基于数字源预案处理紧急事件的方法及系统 |
| WO2017155691A1 (en) * | 2016-03-11 | 2017-09-14 | Nec Laboratories America, Inc. | Deep deformation network for object landmark localization |
| CN107451601A (zh) * | 2017-07-04 | 2017-12-08 | 昆明理工大学 | 基于时空上下文全卷积网络的运动工件识别方法 |
| CN107564538A (zh) * | 2017-09-18 | 2018-01-09 | 武汉大学 | 一种实时语音通信的清晰度增强方法及系统 |
-
2018
- 2018-05-22 CN CN201810497618.1A patent/CN108803506A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121798A1 (en) * | 2004-06-11 | 2010-05-13 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, pattern recognition apparatus, and pattern recognition method |
| CN103529439A (zh) * | 2013-10-23 | 2014-01-22 | 环境保护部卫星环境应用中心 | 一种神经网络系统的植被参数遥感反演方法和装置 |
| CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
| WO2017155691A1 (en) * | 2016-03-11 | 2017-09-14 | Nec Laboratories America, Inc. | Deep deformation network for object landmark localization |
| CN106568783A (zh) * | 2016-11-08 | 2017-04-19 | 广东工业大学 | 一种五金零件缺陷检测系统及方法 |
| CN107154008A (zh) * | 2017-05-11 | 2017-09-12 | 长威信息科技发展股份有限公司 | 一种基于数字源预案处理紧急事件的方法及系统 |
| CN107451601A (zh) * | 2017-07-04 | 2017-12-08 | 昆明理工大学 | 基于时空上下文全卷积网络的运动工件识别方法 |
| CN107564538A (zh) * | 2017-09-18 | 2018-01-09 | 武汉大学 | 一种实时语音通信的清晰度增强方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 中国环境监测总站: "《环境空气质量预报预警方法技术指南 第2版》", 30 June 2017 * |
| 王喜宾 等: "《基于优化支持向量机的个性化推荐研究》", 30 April 2017 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111610762A (zh) * | 2020-05-12 | 2020-09-01 | 广汽本田汽车有限公司 | 自动化设备控制装置及方法 |
| EP3937430A1 (de) * | 2020-07-07 | 2022-01-12 | Deutsche Telekom AG | Verfahren und system zur erkennung netzwerkfähiger geräte in einem heimnetzwerk |
| CN113703382A (zh) * | 2021-07-13 | 2021-11-26 | 特科能(株洲)科技有限公司 | 前室预抽真空多用气氛渗氮炉工件识别系统 |
| CN113703382B (zh) * | 2021-07-13 | 2023-05-16 | 特科能(株洲)科技有限公司 | 前室预抽真空多用气氛渗氮炉工件识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108803506A (zh) | 生产线工件识别方法、服务器及终端 | |
| CA2976771C (en) | Barcode tag detection in side view sample tube images for laboratory automation | |
| CN107454964A (zh) | 一种商品识别方法和装置 | |
| CN106062783A (zh) | 用于眼平扫描器和显示器的指针跟踪 | |
| CN107705034A (zh) | 众包平台实现方法及装置、存储介质和电子设备 | |
| US20180286030A1 (en) | System and method for testing an electronic device | |
| TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
| CN108055135A (zh) | 一种智能终端认证管理的方法 | |
| EP1732018A3 (en) | Improvements in and relating to RFID | |
| CN107679475A (zh) | 门店监控评价方法、装置及存储介质 | |
| CN109522775A (zh) | 人脸属性检测方法、装置及电子设备 | |
| CN108830833A (zh) | 工件识别项目的在线评估方法、服务器及终端 | |
| US20230063441A1 (en) | Image processing and presentation techniques for enhanced proctoring sessions | |
| CN110348328A (zh) | 教学质量的评估方法、装置、存储介质及电子设备 | |
| CN106355416A (zh) | 一种基于rfid和二维码技术的可视化溯源系统 | |
| CN108764105A (zh) | 流水线工件识别方法、服务器及终端 | |
| CN109741296A (zh) | 产品质量检测方法及装置 | |
| CN105894602A (zh) | 工单处理方法及装置 | |
| CN112328822A (zh) | 图片预标注方法、装置及终端设备 | |
| CN107092547A (zh) | 一种设备测试方法、电子设备和测试系统 | |
| CN105868832A (zh) | 工单处理方法及装置 | |
| CN110751055A (zh) | 一种智能制造系统 | |
| CN108647139A (zh) | 系统的测试方法、装置、存储介质及电子装置 | |
| CN109147946A (zh) | 一种通过智能水机采集健康数据的方法及数据采集系统 | |
| CN109241807A (zh) | 一种远距离二维码定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
| RJ01 | Rejection of invention patent application after publication |