CN109407630B - 参数计算的方法、装置、终端及可读存储介质 - Google Patents
参数计算的方法、装置、终端及可读存储介质 Download PDFInfo
- Publication number
- CN109407630B CN109407630B CN201811109439.2A CN201811109439A CN109407630B CN 109407630 B CN109407630 B CN 109407630B CN 201811109439 A CN201811109439 A CN 201811109439A CN 109407630 B CN109407630 B CN 109407630B
- Authority
- CN
- China
- Prior art keywords
- target
- parameter
- product type
- product
- preset
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims description 93
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种参数计算的方法,该方法包括:获取待检测产品的目标图像;判断所述目标图像是否与预设的产品类型库匹配;在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数。另外,在本发明实施例中,还公开了一种参数计算的装置、终端以及一种计算机可读介质。采用本发明,可减少产品类型的更换过程中的等待市场,提高参数设置的操作便利性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种参数计算的方法、装置、终端及可读存储介质。
背景技术
在现代化工业生产环境中,一个大型设备通常可以生产和处理不同种类或者同种类不同参数下的多个产品的生产、处理或检测。而对于不同的产品,在进行工作的过程中,一组配置参数是没有办法适应所有的场景的。例如,对于不同布匹的检测设备中,因为不同布匹的质地、厚度、花纹等的不同,对于布匹检测的要求以及对应的检测参数也会相应的发生改变。为了适应不同的产品或产品类型的更改,对于设备或者生产线在运行过程中的具体的配置参数就需要进行相应的调整,尤其是针对之前未有的产品或产品类型。
在传统技术方案中,在针对产品的图像或者采集图像进行检测或处理的应用场景下,新的产品类型的出现时需要根据用户自身的经验来设计其对应的配置参数,然后对于确定的配置参数用测试样本进行测试并确定配置参数对应的准确度;如果其准确度不能达到相应的处理精度要求,则需要用户重新对配置参数进行设置,以最终确定准确度达标的配置参数。
也就是说,在传统技术方案中,对于新产品类型的配置参数的确定和设置,需要用户手动计算和确定相应的参数,这就需要暂停设备以等待用户进行设置和测试,存在操作上的不便以及设置的时间过长的问题,给生产上带来极大的不便。
发明内容
基于此,为解决传统技术中在大型设备或生产线上对不同的产品类型的产品进行处理的过程中,对于新的产品类型的出现的情况下需要用户手动计算和确定相应的参数,导致了产品类型的更换带来的操作便利性不足和等待时间过长的技术问题,特提出了一种参数计算的方法。
一种参数计算的方法,包括:
获取待检测产品的目标图像;
判断所述目标图像是否与预设的产品类型库匹配;
在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;
将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个实施例中,所述判断所述目标图像是否与预设的产品类型库匹配的步骤,还包括:
确定与所述目标图像对应的目标产品类型;
在所述预设的产品类型库中查找与所述目标产品类型对应的产品类型;
若查找到,则判定所述目标图像与所述预设的产品类型库匹配;
反之,若未查找到,则判定所述目标图像与所述预设的产品类型库不匹配。
在一个实施例中,所述将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤之后,还包括:
根据所述目标配置参数,对所述待检测产品的目标图像进行检测,生成与所述待检测产品对应的检测结果;
判断所述检测结果是否满足预设的检测值,若是,将所述目标产品类型添加到所述预设的产品类型库,并将所述目标配置参数作为与该目标产品类型对应的配置参数进行存储。
在一个实施例中,所述判断所述检测结果是否满足预设的检测值的步骤之后,还包括:
在所述检测结果不满足所述预设的检测值的情况下,执行所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数、将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤,直至所述检测结果满足所述预设的检测值。
在一个实施例中,所述直至所述检测结果满足所述预设的检测值之后,还包括:
根据与所述待检测产品对应的目标图像、目标配置参数、检测结果生成与所述参数自学习模型对应的反馈数据;
根据所述反馈数据对所述参数自学习模型进行修正。
在一个实施例中,所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数的步骤之后还包括:
接收输入的参数调节指令,获取所述参数调节指令中携带的参数值,根据所述参数值与所述目标配置参数进行调节,将调节之后的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个实施例中,所述获取待检测产品的目标图像的步骤之后,还包括:
对所述目标图像进行预处理。
在本发明的另一方面,还提供了一种参数计算的装置。
产品图像获取模块,用于获取待检测产品的目标图像;
判断模块,用于判断所述目标图像是否与预设的产品类型库匹配;
配置参数计算模块,用于在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;
参数设置模块,用于将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数。
在本发明的一方面,该提供了一种终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如前所述所述的方法。
在另一个可选的实施例中,还提供了一种计算机可读存储介质,包括计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如前所述的方法。
实施本发明实施例,将具有如下有益效果:
采用了上述参数计算的方法和装置之后,在通过设备对不同的产品类型的产品进行检测的过程中,如果出现新的产品类型,可以通过参数自学习模型对待检测产品的图像进行学习,以确定相应的配置参数,然后可以据该配置参数对设备上的参数进行设备,以达到配置参数的自动计算的效果,避免了在新的产品类型出现的情况下,需要手动的计算配置参数的耗时长、操作不便的问题。并且,通过上述参数计算的方法及装置之后,因为采用的参数计算模型为参数自学习模型,可以根据设备以及参数计算的成长过程,对模型进行不断的优化,以不断的更新模型,提高配置参数计算的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
其中:
图1为一个实施例中一种参数计算的方法的流程示意图;
图2为一个实施例中一种参数计算的装置的结构示意图;
图3为一个实施例中一种参数计算的装置的结构示意图;
图4为一个实施例中运行上述参数计算的方法的计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为解决传统技术中在大型设备或生产线上对不同的产品类型的产品进行处理的过程中,对于新的产品类型的出现的情况下需要用户手动计算和确定相应的参数,导致了产品类型的更换带来的操作便利性不足和等待时间过长的技术问题,在本实施例中,特提出了一种参数计算的方法,该方法的实现可依赖于计算机程序,该计算机程序可运行于基于冯诺依曼体系的计算机系统之上。在一个具体的实施例中,该计算机程序可以是基于与设备或生产线连接的上位机的参数计算和设置的应用程序,例如,集成在与生产线上的设备连接的上位控制设备上的参数设置和控制的程序。
需要说明的是,在本实施例中,上述参数计算的方法可以是基于任何在产品或产品类型的更换过程中需要对系统的参数重新进行设置的应用场景中,可以不限于大型设备或者生产线设备。
具体的,如图1所示,上述参数计算的方法包括如下步骤S102-S108:
步骤S102:获取待检测产品的目标图像;
在本实施例中,参数的计算以及设置可以是为产品的检测服务的,因此,在设备或者生产线上需要进行操作的产品即为待检测产品。
另外,在本实施例中,对待检测产品进行检测以及对于产品类型的判断是根据待检测产品的目标图像来进行判断的。目标图像的获取可以是在对应的设备上的检测位或者检测位之前设置有图像传感器来获取待检测产品的图像。例如,在布匹检测的设备中,对布匹是否存在污损、破洞等瑕疵的检测可以是通过采集布匹的图像并对图像进行分析获取的,而在将待检测的布匹放置在预设的位置时,可以通过设置的摄像头采集待检测布匹的图像,以进行后续的分析和监测。
在本实施例中,为了提高对于后续产品检测的准确度,在针对待检测产品的目标图像做具体的分析和处理之前,还需要针对目标图像进行预处理,例如,滤波处理、消除畸变、图像通道处理等。
步骤S104:判断目标图像是否与预设的产品类型库匹配;
如果待检测产品的产品类型没有改变,可以直接进行接下来的检测工作,不需要对设备或系统上的相关参数做任何的修改。
如果待检测产品对应的产品类型与设备或系统上现设置的参数之间不对应,则需要对设备上的配置参数进行修改。在对配置参数进行修改的过程中,首先需要确定待检测产品所对应的产品类型进行预判,才能确定是否需要进行配置参数的修改。并且,在出现的产品类型为之前没有出现过的产品类型的情况下,需要对待检测产品的产品类型所对应的配置参数重现进行确定和设置。
在一个具体的实施例中,上述判断所述目标图像是否与预设的产品类型库匹配的步骤,还包括:确定与所述目标图像对应的目标产品类型;在所述预设的产品类型库中查找与所述目标产品类型对应的产品类型;若查找到,则判定所述目标图像与所述预设的产品类型库匹配;反之,若未查找到,则判定所述目标图像与所述预设的产品类型库不匹配。
在本实施例中,通过对待检测产品的目标图像进行识别,来确定与之对应的产品类型,即为目标产品类型。具体的,按照预设的算法对目标图像的图像特征进行提取,获取目标图像的产品类型特征数据,然后对产品特征数据进行识别,以确定与待检测产品对应的目标产品类型。在本实施例中,对于之前已经设置过的或者在设备上现对应的产品类型,在设备上可以存储了与之对应的配置参数,在待检测产品的产品类型对应了预设的或者预存储的产品类型对应的情况下,将对应的产品类型对应的配置参数直接设置为设备的配置参数。
另外,如果待检测产品对应的目标产品类型没有包含在之前预设的产品类型库中的产品类型中的话,则认为该目标产品类型为新的产品类型,即,目标图像与预设的产品类型库是不匹配的。
进一步的,在步骤S104之后,根据判断结果确定进一步的操作。具体的,在判断结果为是的情况下,执行步骤S106:获取与目标图像对应的产品类型作为目标产品类型;步骤S1062:确定与目标产品类型对应的配置参数;在判断结果为否的情况下,执行步骤S108:通过预设的参数自学习模型计算与目标产品类型对应的目标配置参数;步骤S1082:将计算得到的目标配置参数作为与目标产品类型对应的配置参数;
步骤S110:根据与目标产品类型对应的配置参数进行参数设置。
也就是说,在待检测产品的目标产品类型不属于之前预设的任何产品类型的情况下,需要计算与待检测产品的目标产品类型对应的配置参数,然后进行参数设置。
具体的,在计算目标产品类型的配置参数的过程,是通过深度学习模型来实现的。具体的,该深度学习模型可以为以神经网络模型,且包含了与该模型对应的网络参数。通过该模型,可以对待检测产品的目标图像进行分析,以确定与待检测产品对应的配置参数。
在本实施例中,上述深度学习模型为一参数自学习模型,可以支持图片导入、模型导入、模型训练、模型导出。在导入了缓存的模型以及目标图像之后,可以自动对目标图像进行自动学习,在学习完成之后即可导出模型,即为确定与目标图像对应的目标配置参数。
一般来讲,对配置参数进行调试的过程主要分为以下几步:第一,获取产品图像,第二,设计特性参数,第三,使用部分测试图像验证参数效果,第四,对待检测产品进行测试,以确定检测效果。也就是说,在确定了配置参数之后,还需要对配置参数的设置是否具有良好的检测效果进行验证,只有在检测结果满足需求的情况下,才继续采用该配置参数进行检测,否则,还需要对配置参数进行进一步的优化。
具体的,在本实施例中,上述将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤之后,还包括:
根据所述目标配置参数,对所述待检测产品的目标图像进行检测,生成与所述待检测产品对应的检测结果;
判断所述检测结果是否满足预设的检测值,若是,将所述目标产品类型添加到所述预设的产品类型库,并将所述目标配置参数作为与该目标产品类型对应的配置参数进行存储;若否,执行所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数、将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤,直至所述检测结果满足所述预设的检测值。
也就是说,在确定了目标配置参数并根据目标配置参数与设备的配置参数进行参数设置之后,还需要根据该目标配置参数对待检测产品进行检测,并判断对应的检测结果是够满足预设的检测需求。例如,在检测为对布匹的瑕疵进行检测的情况下,根据配置参数,对待检测产品的目标图像进行分析和检测,以确定待检测产品是否存在瑕疵以及存在的瑕疵所对应的位置、类型、成都等相关的检测结果。然后对检测结果进行判断,判断其是否符合预设的检测值,例如,是否与人工检测的检测结果是匹配的,以确定计算得到的目标配置参数是否符合要求。也就是说,如果检测结果满足预设的检测值,则认为配置参数满足了相应的检测要求或检测精度,反之,认为配置参数不满足相应的检测要求或检测精度,需要进一步进行优化。
进一步的,在本实施例中,在确定了目标产品类型的配置参数之后,将目标产品类型以及其对应的配置参数存储在上述预设的产品类型库中,以便于下次对该产品类型的产品进行检测时进行参数设置。
在检测结果不满足预设的检测值的情况下,需要继续对目标产品类型的配置参数进行计算,即循环执行上述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数、将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤,并且,在配置参数计算得到之后,再次通过该配置参数进行检测获取相应的检测结果,直至所述检测结果满足所述预设的检测值,否则,循环执行配置参数的计算过程。
另外,为了提高配置参数的计算精准度以及计算效率,在计算得到配置参数之后或者检测结果不满足预设的检测值的情况下,用户可以手工对配置参数进行调节,例如,可以直接对配置参数中的某一个具体的参数的参数值进行设置,或者,对配置参数的调节方向进行设置。
具体的,接收输入的参数调节指令,获取所述参数调节指令中携带的参数值,根据所述参数值与所述目标配置参数进行调节,将调节之后的目标配置参数作为与所述目标产品类型对应的配置参数。
用户可以通过与设备连接的上位机或者其他终端、或输入设备输入参数调节指令,在用户输入参数调节指令之后,对参数调节指令中包含的相关参数的具体调节方式进行解析,确定需要进行调节的参数、参数值、调节幅度、和/或调节方向等,并据此对目标产品类型的目标配置参数进行调节,以获取更为准确的配置参数。
另外,为了保证配置参数计算的准确性以及在后续的配置参数计算的过程中,参数自学习模型可以更稳定、更准确的计算配置参数,上述方法还包括:
根据与所述待检测产品对应的目标图像、目标配置参数、检测结果生成与所述参数自学习模型对应的反馈数据;根据所述反馈数据对所述参数自学习模型进行修正。
也就是说,在对待检测产品进行检测的过程中,采集检测过程中的目标图像、配置参数、检测结果以及相关的其他数据(例如,对检测结果的反馈,人工输入的修正数据、人工输入的参数调节指令等),并据此对参数自学习模型进行修正,达到对模型的自修正以及自成长。
此外,在本实施例中,如图2所示,还提出了一种参数计算的装置。
具体的,如图2所示,上述参数计算的装置包括:
产品图像获取模块101,用于获取待检测产品的目标图像;
判断模块102,用于判断所述目标图像是否与预设的产品类型库匹配;
配置参数计算模块103,用于在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;
参数设置模块104,用于将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个具体的实施例中,上述判断模块102还用于确定与所述目标图像对应的目标产品类型;在所述预设的产品类型库中查找与所述目标产品类型对应的产品类型;若查找到,则判定所述目标图像与所述预设的产品类型库匹配;反之,若未查找到,则判定所述目标图像与所述预设的产品类型库不匹配。
在一个具体的实施例中,如图3所示,上述参数计算的装置还包括检测结果确定模块105,用于根据所述目标配置参数,对所述待检测产品的目标图像进行检测,生成与所述待检测产品对应的检测结果;判断所述检测结果是否满足预设的检测值,在判断结果为是是的情况下,将所述目标产品类型添加到所述预设的产品类型库,并将所述目标配置参数作为与该目标产品类型对应的配置参数进行存储;在所述检测结果不满足所述预设的检测值的情况下,调用上述配置参数计算模块103和参数设置模块104,直至所述检测结果满足所述预设的检测值。
在一个具体的实施例中,如图3所示,上述参数计算的装置还包括模型修正模块106,用于根据与所述待检测产品对应的目标图像、目标配置参数、检测结果生成与所述参数自学习模型对应的反馈数据;根据所述反馈数据对所述参数自学习模型进行修正。
在一个具体的实施例中,如图3所示,上述参数计算的装置还包括参数调节模块107,用于接收输入的参数调节指令,获取所述参数调节指令中携带的参数值,根据所述参数值与所述目标配置参数进行调节,将调节之后的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个具体的实施例中,如图3所示,上述参数计算的装置还包括图像预处理模块108,用于对所述目标图像进行预处理。
实施本发明实施例,将具有如下有益效果:
采用了上述参数计算的方法和装置之后,在通过设备对不同的产品类型的产品进行检测的过程中,如果出现新的产品类型,可以通过参数自学习模型对待检测产品的图像进行学习,以确定相应的配置参数,然后可以据该配置参数对设备上的参数进行设备,以达到配置参数的自动计算的效果,避免了在新的产品类型出现的情况下,需要手动的计算配置参数的耗时长、操作不便的问题。并且,通过上述参数计算的方法及装置之后,因为采用的参数计算模型为参数自学习模型,可以根据设备以及参数计算的成长过程,对模型进行不断的优化,以不断的更新模型,提高配置参数计算的精准度。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器,也可以是终端。如图4所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现边缘检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行边缘检测方法。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的参数计算的方法可以实现为一种计算机程序的形式,计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该边缘检测装置的各个程序模块。比如,判断模块102等。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:获取待检测产品的目标图像;判断所述目标图像是否与预设的产品类型库匹配;在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个实施例中,所述判断所述目标图像是否与预设的产品类型库匹配的步骤,还包括:确定与所述目标图像对应的目标产品类型;在所述预设的产品类型库中查找与所述目标产品类型对应的产品类型;若查找到,则判定所述目标图像与所述预设的产品类型库匹配;反之,若未查找到,则判定所述目标图像与所述预设的产品类型库不匹配。
在一个实施例中,所述将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤之后,还包括:根据所述目标配置参数,对所述待检测产品的目标图像进行检测,生成与所述待检测产品对应的检测结果;判断所述检测结果是否满足预设的检测值,若是,将所述目标产品类型添加到所述预设的产品类型库,并将所述目标配置参数作为与该目标产品类型对应的配置参数进行存储。
在一个实施例中,所述判断所述检测结果是否满足预设的检测值的步骤之后,还包括:在所述检测结果不满足所述预设的检测值的情况下,执行所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数、将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤,直至所述检测结果满足所述预设的检测值。
在一个实施例中,所述直至所述检测结果满足所述预设的检测值之后,还包括:根据与所述待检测产品对应的目标图像、目标配置参数、检测结果生成与所述参数自学习模型对应的反馈数据;根据所述反馈数据对所述参数自学习模型进行修正。
在一个实施例中,所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数的步骤之后还包括:接收输入的参数调节指令,获取所述参数调节指令中携带的参数值,根据所述参数值与所述目标配置参数进行调节,将调节之后的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个实施例中,所述获取待检测产品的目标图像的步骤之后,还包括:
对所述目标图像进行预处理。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:获取待检测产品的目标图像;判断所述目标图像是否与预设的产品类型库匹配;在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个实施例中,所述判断所述目标图像是否与预设的产品类型库匹配的步骤,还包括:确定与所述目标图像对应的目标产品类型;在所述预设的产品类型库中查找与所述目标产品类型对应的产品类型;若查找到,则判定所述目标图像与所述预设的产品类型库匹配;反之,若未查找到,则判定所述目标图像与所述预设的产品类型库不匹配。
在一个实施例中,所述将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤之后,还包括:根据所述目标配置参数,对所述待检测产品的目标图像进行检测,生成与所述待检测产品对应的检测结果;判断所述检测结果是否满足预设的检测值,若是,将所述目标产品类型添加到所述预设的产品类型库,并将所述目标配置参数作为与该目标产品类型对应的配置参数进行存储;在所述检测结果不满足所述预设的检测值的情况下,执行所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数、将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤,直至所述检测结果满足所述预设的检测值。
在一个实施例中,所述直至所述检测结果满足所述预设的检测值之后,还包括:根据与所述待检测产品对应的目标图像、目标配置参数、检测结果生成与所述参数自学习模型对应的反馈数据;根据所述反馈数据对所述参数自学习模型进行修正。
在一个实施例中,所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数的步骤之后还包括:接收输入的参数调节指令,获取所述参数调节指令中携带的参数值,根据所述参数值与所述目标配置参数进行调节,将调节之后的目标配置参数作为与所述目标产品类型对应的配置参数。
在一个实施例中,所述获取待检测产品的目标图像的步骤之后,还包括:对所述目标图像进行预处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种参数计算的方法,其特征在于,包括:
获取待检测产品的目标图像,对待检测产品的目标图像进行识别,确定目标产品类型;
根据所述目标产品类型判断所述目标图像是否与预设的产品类型库匹配;
在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;
将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数,所述配置参数是为产品的检测服务的;
其中,通过深度学习模型计算所述目标产品类型的所述目标配置参数,所述深度学习模型为神经网络模型,且包含了与所述深度学习模型对应的网络参数。
2.根据权利要求1所述的参数计算的方法,其特征在于,所述判断所述目标图像是否与预设的产品类型库匹配的步骤,还包括:
确定与所述目标图像对应的目标产品类型;
在所述预设的产品类型库中查找与所述目标产品类型对应的产品类型;
若查找到,则判定所述目标图像与所述预设的产品类型库匹配;
反之,若未查找到,则判定所述目标图像与所述预设的产品类型库不匹配。
3.根据权利要求2所述的参数计算的方法,其特征在于,所述将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤之后,还包括:
根据所述目标配置参数,对所述待检测产品的目标图像进行检测,生成与所述待检测产品对应的检测结果;
判断所述检测结果是否满足预设的检测值,若是,将所述目标产品类型添加到所述预设的产品类型库,并将所述目标配置参数作为与该目标产品类型对应的配置参数进行存储。
4.根据权利要求3所述的参数计算的方法,其特征在于,所述判断所述检测结果是否满足预设的检测值的步骤之后,还包括:
在所述检测结果不满足所述预设的检测值的情况下,执行所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数、将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数的步骤,直至所述检测结果满足所述预设的检测值。
5.根据权利要求4所述的参数计算的方法,其特征在于,所述直至所述检测结果满足所述预设的检测值之后,还包括:
根据与所述待检测产品对应的目标图像、目标配置参数、检测结果生成与所述参数自学习模型对应的反馈数据;
根据所述反馈数据对所述参数自学习模型进行修正。
6.根据权利要求1所述的参数计算的方法,其特征在于,所述通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数的步骤之后还包括:
接收输入的参数调节指令,获取所述参数调节指令中携带的参数值,根据所述参数值与所述目标配置参数进行调节,将调节之后的目标配置参数作为与所述目标产品类型对应的配置参数。
7.根据权利要求1所述的参数计算的方法,其特征在于,所述获取待检测产品的目标图像的步骤之后,还包括:
对所述目标图像进行预处理。
8.一种参数计算的装置,其特征在于,包括:
产品图像获取模块,用于获取待检测产品的目标图像,对待检测产品的目标图像进行识别,确定目标产品类型;
判断模块,用于根据所述目标产品类型判断所述目标图像是否与预设的产品类型库匹配;
配置参数计算模块,用于在所述目标图像与所述预设的产品类型库不匹配的情况下,通过预设的参数自学习模型计算与所述目标产品类型对应的目标配置参数;
参数设置模块,用于将所述计算得到的目标配置参数作为与所述目标产品类型对应的配置参数,所述配置参数是为产品的检测服务的;
其中,所述配置参数计算模块还用于通过深度学习模型计算所述目标产品类型的所述目标配置参数,所述深度学习模型为神经网络模型,且包含了与所述深度学习模型对应的网络参数。
9.一种终端,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项权利要求所述的方法。
10.一种计算机可读存储介质,包括计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109439.2A CN109407630B (zh) | 2018-09-21 | 2018-09-21 | 参数计算的方法、装置、终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109439.2A CN109407630B (zh) | 2018-09-21 | 2018-09-21 | 参数计算的方法、装置、终端及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109407630A CN109407630A (zh) | 2019-03-01 |
CN109407630B true CN109407630B (zh) | 2020-08-21 |
Family
ID=65466220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811109439.2A Active CN109407630B (zh) | 2018-09-21 | 2018-09-21 | 参数计算的方法、装置、终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109407630B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870991B (zh) * | 2019-03-26 | 2021-08-27 | 京东方科技集团股份有限公司 | 设备参数的配置方法、装置和系统 |
CN111715738B (zh) * | 2020-06-18 | 2022-03-25 | 深圳市汇川技术股份有限公司 | 轴动作组态方法、装置、设备及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1656371A (zh) * | 2002-05-21 | 2005-08-17 | 杰富意钢铁株式会社 | 判定表面缺陷的方法 |
CN101975818A (zh) * | 2010-04-29 | 2011-02-16 | 中国计量科学研究院 | 特征物质的检测系统及方法 |
CN103870798A (zh) * | 2012-12-18 | 2014-06-18 | 佳能株式会社 | 对象检测方法、对象检测设备以及图像拾取设备 |
CN104114079A (zh) * | 2011-10-24 | 2014-10-22 | Iriss医疗科技有限公司 | 用于识别眼部健康状况的系统和方法 |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN106169081A (zh) * | 2016-06-29 | 2016-11-30 | 北京工业大学 | 一种基于不同照度的图像分类及处理方法 |
CN106373158A (zh) * | 2016-08-24 | 2017-02-01 | 东莞沁智智能装备有限公司 | 自动化图像检测方法 |
CN108257121A (zh) * | 2018-01-09 | 2018-07-06 | 北京百度网讯科技有限公司 | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 |
CN108389180A (zh) * | 2018-01-19 | 2018-08-10 | 浙江工业大学 | 一种基于深度学习的织物疵点检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7174043B2 (en) * | 2003-02-25 | 2007-02-06 | Evernote Corp. | On-line handwriting recognizer |
-
2018
- 2018-09-21 CN CN201811109439.2A patent/CN109407630B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1656371A (zh) * | 2002-05-21 | 2005-08-17 | 杰富意钢铁株式会社 | 判定表面缺陷的方法 |
CN101975818A (zh) * | 2010-04-29 | 2011-02-16 | 中国计量科学研究院 | 特征物质的检测系统及方法 |
CN104114079A (zh) * | 2011-10-24 | 2014-10-22 | Iriss医疗科技有限公司 | 用于识别眼部健康状况的系统和方法 |
CN103870798A (zh) * | 2012-12-18 | 2014-06-18 | 佳能株式会社 | 对象检测方法、对象检测设备以及图像拾取设备 |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN106169081A (zh) * | 2016-06-29 | 2016-11-30 | 北京工业大学 | 一种基于不同照度的图像分类及处理方法 |
CN106373158A (zh) * | 2016-08-24 | 2017-02-01 | 东莞沁智智能装备有限公司 | 自动化图像检测方法 |
CN108257121A (zh) * | 2018-01-09 | 2018-07-06 | 北京百度网讯科技有限公司 | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 |
CN108389180A (zh) * | 2018-01-19 | 2018-08-10 | 浙江工业大学 | 一种基于深度学习的织物疵点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109407630A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108687415B (zh) | 线放电加工机的控制装置以及机器学习装置 | |
WO2020119419A1 (zh) | 基于图像识别的测试方法、装置、计算机设备及存储介质 | |
CN109407630B (zh) | 参数计算的方法、装置、终端及可读存储介质 | |
CN114706358B (zh) | 一种直缝焊管的焊接工艺信息处理方法及系统 | |
CN115937170A (zh) | 电路板检测方法、装置、计算机设备及存储介质 | |
CN108492327B (zh) | Aoi图像匹配方法、系统、可读存储介质及智能设备 | |
CN117733439B (zh) | 一种具有焊缝成形质量实时预测功能的焊接机器人 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
US20230271325A1 (en) | Industrial internet of things systems for monitoring collaborative robots with dual identification, control methods and storage media thereof | |
CN114693633A (zh) | 一种焊接缺陷检测方法、装置以及检测系统 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
JPWO2020250373A5 (zh) | ||
CN116519707A (zh) | 基于机器视觉的锂电池缺陷检测方法、装置及电子设备 | |
CN113065538A (zh) | 基于图像识别的压力传感器检测方法、装置及设备 | |
CN115436342A (zh) | 降低多批次样本间libs检测不确定性的方法及装置 | |
CN114066835A (zh) | 图像检测、自动光学检测方法、装置、存储介质及设备 | |
CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及系统 | |
US11922680B2 (en) | Image determination device, image determination method, and non-transitory computer readable medium storing program | |
JPWO2021255819A5 (zh) | ||
CN110738606A (zh) | 多光源系统的图像校正方法、装置、终端及存储介质 | |
CN112488986A (zh) | 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及系统 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN115147349A (zh) | 转炉冶炼终点的确定方法、装置、电子设备及存储介质 | |
US11468353B2 (en) | System for detecting data drift in machine-learning process monitoring | |
CN111723736A (zh) | 果树花期监测方法、装置、计算机设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190625 Address after: 518000 Shenzhen City, Guangdong Province, Luohu District, Liantang Street, Pengxing Community, Pengxing Road, No. 2 Pengji Industrial Zone, 710 buildings, six floors Applicant after: Shenzhen Xinshizhi Technology Co., Ltd. Address before: 518000 6th Floor, 710 Building, Liantang Pengji Industrial Zone, Luohu District, Shenzhen City, Guangdong Province Applicant before: Zhongxing new Communication Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |