CN110290203A - 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 - Google Patents

Abstract

本发明公开了一种应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，结合工业摄像机并配置一个微处理单元MCU，经设置后可以让这部摄像机来捕获那些制成品的图形图像了，通过这摄像机设置，不需要将半成品或完全生产完的成品连接到一套测试软件和硬件上，传送带可以自动地为摄像机带来一整列需要检测的半成品或成品，并且摄像机可以非常快速及轻松地捕捉物品的图像，微处理单元MCU把从传送带上经过的制成品获取的摄像头图像通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析，来自云端服务器的这些数据可以透过移动互联网连接直接送去其他的供应商和客户的站点，并连接到移动设备查看。

Description

人工智能云计算对制成品进行非侵入性生产缺陷识别与信息 连通

技术领域

本发明涉及电子信息技术领域，具体涉及一种应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通。

背景技术

现现今的制造工厂会生产大量不同的产品。产品的设计者或买家都会要求这些制造工厂完成一套检测程序。这些检测程序通常由操作人员在生产线的某些特点工序中进行，并且一般都会安排在生产线的末端进行。检测结束后，会有一份报告要填写,那些未通过测试的制成品将被挑出去，而通过测试的及格产品将被运送给买家。同时,那份检测报告通常也会一起发送给买家。

通常该检测程序是用一组检测硬件和软件来检测那些半成品或已完成生产的成品，也有的是把这些制成品放在专用检测机内进行测试。而用硬件来检测制成品这附加步骤其实是非常耗费人力的，加上操作人员难免会出现不正确的操作，那测试的结果是不会正确的。

所有的这些检测程序都基于一组预先设定好了的产品可能存在的缺陷，这组缺陷是由产品设计者或制造商根据他们事先可以预测的内容来定义的。然而，当一组新的缺陷在生产过程中被发现时，这些检测程序是不能检测到这些新缺陷的，因为这些检测程序没有能力知道如何从新的缺陷中学习。

由于检测步骤非常耗费人力，因此在制造过程中这些测试通常没有安排足够的次数。检测通常只会在生产过程的后期进行，那这就无法检测或纠正生产线中较早时期的制造问题。如果在制造过程的前期检测到这些问题，则可以立即执行校正步骤,以提高生产的效率，整体产品质量也可以提高。

此外，由于实时通信的额外成本高，测试结果通常不能立即与买方共享。如果测试结果可以在制造过程的各个步骤中实时地显示给买家，那么买家的信心和满意度也将大大提高。

发明内容

本发明的目的在于，提供应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，该技术方案可就避免了安装额外的硬件和软件以对半成品或已完成生产的成品进行检测，尤其是当检测这些制成品需要大量人手，整个测试成本非常贵。此低成本的解决方案使得在整个制造过程中可以更频繁地进行各种检测步骤，同时检测步骤可以在过程中更早地进行。在生产线上较频繁地检测更有机会发现生产的问题，或更早的发现问题，从而提高生产的效率，整体产品质量也能得以提高。

为实现上述目的，本发明采用的技术方案是：

一种应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，结合工业摄像机并配置一个微处理单元MCU，经设置后可以让这部摄像机来捕获那些制成品的图形图像了，通过这摄像机设置，不需要将半成品或完全生产完的成品连接到一套测试软件和硬件上，传送带可以自动地为摄像机带来一整列需要检测的半成品或成品，并且摄像机可以非常快速及轻松地捕捉物品的图像，微处理单元MCU把从传送带上经过的制成品获取的摄像头图像通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析，来自云端服务器的这些数据可以透过移动互联网连接直接在移动设备查看。或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，

进一步的，人工智能机器学习软件进行分析具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，机器学习算法须经过一个训练的步骤，包含大量以前及格或不及格产品的图像，当完成这足够图像的训练后，机器学习能根据输入的新的制成品的图像，预测新的制成品可能的缺陷类型，培训步骤可以在将来持续地进行以收集更多的数据，它还可以从近期生产过程中发现的新的缺陷中学习，并在将来面对新的制成品时能够识别出这些新的缺陷，这样模型预测缺陷的准确性也将不断提高。

进一步的，首先，要训练我们的模型，在人工智能机器学习软件中输入大量没有任何缺陷的及格产品的图像，和之前出现过的不同类型的缺陷图片，机器学习模型将不断学习和提升其未来预测能力的准确性，经过足够的图像训练后，该模型就能用于预测新的制成品的缺陷类型了；

当上传新的制成品图像时，人工智能机器学习软件能够自己识别制成品有或没有缺陷，或者识别出制成品属于哪个特定类型的缺陷，甚至如果这是系统之前完全没有出现过的新的缺陷类型，也能识别出来，如果新制造出的制成品没有缺陷，那生产可以继续进行，如果有缺陷，这个新的制成品就会被拒绝并且这类型的缺陷信息会用来进一步找出生产线是否存在任何问题，有助于找到改进制造过程的解决方案，机器学习的过程使其知道如何去识别在近期生产中发现的新的产品缺陷，如果这是从未在系统里出现过的新的缺陷类型，那这新的缺陷类型将会被传送到系统的资料库里，并且在之后的学习过程中进一步地不断的学习这种新的缺陷类型，当机器学习成功完成学习后，系统能在将来面对新的制成品时能够识别出这些新的缺陷。

进一步的，进行图像生产缺陷识别应用的算法是人工智能机器学习其中的一个分支：卷积神经网络，卷积神经网络运作方法，首先，把图像输入卷积计算，再对图像执行卷积过程，同时把ReLU激活应用于矩阵，这步的结果会是一组特征图，将这些特征图提供给降采样汇集计算，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素并应用于所有元素，这个汇集步骤减少了特征图的维度，不断重复卷积，ReLU激活和降采样的这个过程，在重复足够的次数，直到得到的特征图显示出令人满意的关键参数，然后将特征图压平并将其传送以形成完全连接层。最后，我们输出完全连接层，并将结果分类为没有缺陷，和不同类型的缺陷。

进一步的，除了使用卷积神经网络运作方法之外，还运用了统计计算作为我们的第二种机器学习方法，确定制造品上的任何关键的物理尺寸，并可从输入的制造品图像中测量，从模型的训练步骤开始，在人工智能机器学习软件中输入了大量之前的制成品图像，这些图像记录了该关键维度值的变化，基于这种变化，可以根据以下方程式建立不同制造品数值的标准差：

样本方差：

母体方差：

样本标准差：

母体标准差：

经过足够的训练数据后，标准差慢慢被建立，可以开始使用该模型来量度新的制成品的关键尺寸，并计算出差异值，如果差异很明显并且超过一个或两个标准差，这意味着这个制成品有严重问题，它应该被视为缺陷而被拒绝。

本发明有益效果：

提供应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，该技术方案可就避免了安装额外的硬件和软件以对半成品或已完成生产的成品进行检测，尤其是当检测这些制成品需要大量人手，整个测试成本非常贵。此低成本的解决方案使得在整个制造过程中可以更频繁地进行各种检测步骤，同时检测步骤可以在过程中更早地进行。在生产线上较频繁地检测更有机会发现生产的问题，或更早的发现问题，从而提高生产的效率，整体产品质量也能得以提高。

该技术方案可就避免检测程序只基于一组预先设定好了的缺陷组别，我们的新方法是以机器学习过程为基础，这使其能够学习如何识别近期在生产过程中发现的新缺陷。

来自云端服务器的这些数据可以透过移动互联网连接直接在移动设备查看，而且这些数据也可以传送到其他组织厂地做操作协调，信息的连通可以在同一公司的不同地点，或供应链中不同供应商的不同站点，甚至供应商和最终客户之间建立。

另外，此解决方案也降低了将检测结果传达给买方的成本，同时更缩短了与买方分享结果的时间。检测信息几乎可以立即透过云服务器与其他公司共享,这种更快速的沟通方法有助于改善供应链中不同供应商各自的制造过程。这种快速透明的生产信息提高了买家对产品的信心和满意度。

为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对其进行详细说明。

附图说明

图1所示为本发明对制成品进行非侵入性生产缺陷识别与信息连通流程图；

图2所示为本发明人工智能机器计算流程图。

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做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。

参阅附图1至图2，本实施例提供应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，结合工业摄像机并配置一个微处理单元MCU，经设置后可以让这部摄像机来捕获那些制成品的图形图像了，通过这摄像机设置，不需要将半成品或完全生产完的成品连接到一套测试软件和硬件上，传送带可以自动地为摄像机带来一整列需要检测的半成品或成品，并且摄像机可以非常快速及轻松地捕捉物品的图像，微处理单元MCU把从传送带上经过的制成品获取的摄像头图像通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析，来自云端服务器的这些数据可以透过移动互联网连接直接在移动设备查看。或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，

人工智能机器学习软件进行分析具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，机器学习算法须经过一个训练的步骤，包含大量以前及格或不及格产品的图像，当完成这足够图像的训练后，机器学习能根据输入的新的制成品的图像，预测新的制成品可能的缺陷类型，培训步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高。

首先，要训练我们的模型，在人工智能机器学习软件中输入大量没有任何缺陷的及格产品的图像，和之前出现过的不同类型的缺陷图片，我们将这些缺陷称为缺陷1，缺陷2，缺陷3等，机器学习模型将不断学习和提升其未来预测能力的准确性，经过足够的图像训练后，该模型就能用于预测新的制成品的缺陷类型了；

当上传新的制成品图像时，人工智能机器学习软件能够自己识别制成品有或没有缺陷，或者识别出制成品属于哪个特定类型的缺陷，比如缺陷1，缺陷2，缺陷3，......等，如果新制造出的制成品没有缺陷，那生产可以继续进行，如果有缺陷，这个新的制成品就会被拒绝并且这类型的缺陷信息会用来进一步找出生产线是否存在任何问题，这样也有助于找到改进制造过程的解决方案。

人工智能机器学习引擎的训练过程可以不断发现新的一组训练数据，当人工智能机器学习识别出缺陷，但该缺陷不属于任何之前学习过程中记录下的缺陷分组时，这说明了一组新的缺陷被发现了。我们可以将这组新的缺陷图像数据放到学习数据中，我们将在之后的培训人工智能机器学习引擎过程中使用这组新的学习数据。

进行图像生产缺陷识别应用的算法是人工智能机器学习其中的一个分支：卷积神经网络，卷积神经网络运作方法，首先，把图像输入卷积计算，再对图像执行卷积过程，同时把ReLU激活应用于矩阵，这步的结果会是一组特征图，将这些特征图提供给降采样汇集计算，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素并应用于所有元素，这个汇集步骤减少了特征图的维度，不断重复卷积，ReLU激活和降采样的这个过程，在重复足够的次数，直到得到的特征图显示出令人满意的关键参数，然后将特征图压平并将其传送以形成完全连接层。最后，我们输出完全连接层，并将结果分类为没有缺陷，和不同类型的缺陷。例如缺陷1，缺陷2，缺陷3，.......等。

除了使用卷积神经网络运作方法之外，还运用了统计计算作为我们的第二种机器学习方法，确定制造品上的任何关键的物理尺寸，并可从输入的制造品图像中测量，从模型的训练步骤开始，在人工智能机器学习软件中输入了大量之前的制成品图像，这些图像记录了该关键维度值的变化，基于这种变化，可以根据以下方程式建立不同制造品数值的标准差：

样本方差：

母体方差：

样本标准差：

母体标准差：

经过足够的训练数据后，标准差慢慢被建立，可以开始使用该模型来量度新的制成品的关键尺寸，并计算出差异值，如果差异很明显并且超过一个或两个标准差，这意味着这个制成品有严重问题，它应该被视为缺陷而被拒绝。

来自云端服务器的这些数据可以透过移动互联网连接直接在移动设备查看，而且这些数据也可以传送到其他组织厂地做操作协调，信息的连通可以在同一公司的不同地点，或供应链中不同供应商的不同站点，甚至供应商和最终客户之间建立。

测试结果可以与不同的供应商或不同的买家共享，而这些检测信息几乎可以立即透过云服务器与其他公司共享，这些信息资料可以用任何移动设备查看，例如移动电话或平板电脑。这种更快速的沟通方法有助于改善供应链中不同供应商各自的制造过程。同时，这种快速透明的生产信息提高了买家对产品的信心和满意度。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。故凡是未脱离本发明技术方案的内容，依据本发明之形状、构造及原理所作的等效变化，均应涵盖于本发明的保护范围内。

Claims (8)

1.一种应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，其特征在于，结合工业摄像机并配置一个微处理单元MCU，经设置后可以让这部摄像机来捕获那些制成品的图形图像了，通过这摄像机设置，不需要将半成品或完全生产完的成品连接到一套测试软件和硬件上，传送带可以自动地为摄像机带来一整列需要检测的半成品或成品，并且摄像机可以非常快速及轻松地捕捉物品的图像，微处理单元MCU把从传送带上经过的制成品获取的摄像头图像通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

2.根据权利要求1所述应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，其特征在于，或出于安全考虑，微处理单元MCU把从传送带上经过的制成品获取的摄像头图像通过网络发送到本地计算服务器，所有的云端计算都在本地计算器里完成。

3.根据权利要求1所述应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，其特征在于，人工智能机器学习软件进行分析具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，机器学习算法须经过一个训练的步骤，包含大量以前及格或不及格产品的图像，当完成这足够图像的训练后，机器学习能根据输入的新的制成品的图像，预测新的制成品可能的缺陷类型，培训步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高。

4.根据权利要求3所述应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，其特征在于，首先，在人工智能机器学习软件中输入大量没有任何缺陷的及格产品的图像，和之前出现过的不同类型的缺陷图片，机器学习模型将不断学习和提升其未来预测能力的准确性，经过足够的图像训练后，该模型就能用于预测新的制成品的缺陷类型了；

当上传新的制成品图像时，人工智能机器学习软件能够自己识别制成品有或没有缺陷，或者识别出制成品属于哪个特定类型的缺陷，甚至如果这是系统之前完全没有出现过的新的缺陷类型，也能识别出来，如果新制造出的制成品没有缺陷，那生产可以继续进行，如果有缺陷，这个新的制成品就会被拒绝并且这类型的缺陷信息会用来进一步找出生产线是否存在任何问题，有助于找到改进制造过程的解决方案，机器学习的过程使其知道如何去识别在近期生产中发现的新的产品缺陷，如果这是从未在系统里出现过的新的缺陷类型，那这新的缺陷类型将会被传送到系统的资料库里，并且在之后的学习过程中进一步地不断的学习这种新的缺陷类型，当机器学习成功完成学习后，系统能在将来面对新的制成品时能够识别出这些新的缺陷。

5.根据权利要求4所述应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，其特征在于，进行图像生产缺陷识别应用的算法是人工智能机器学习其中的一个分支：卷积神经网络，卷积神经网络运作方法，首先，把图像输入卷积计算，再对图像执行卷积过程，同时把ReLU激活应用于矩阵，这步的结果会是一组特征图，将这些特征图提供给降采样汇集计算，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素并应用于所有元素，这个汇集步骤减少了特征图的维度，不断重复卷积，ReLU激活和降采样的这个过程，在重复足够的次数，直到得到的特征图显示出令人满意的关键参数，然后将特征图压平并将其传送以形成完全连接层，最后，输出完全连接层，并将结果分类为没有缺陷，和不同类型的缺陷。

6.根据权利要求4所述应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，其特征在于，除了使用卷积神经网络运作方法之外，还运用了统计计算作为第二种机器学习方法，确定制造品上的任何关键的物理尺寸，并可从输入的制造品图像中测量，从模型的训练步骤开始，在人工智能机器学习软件中输入了大量之前的制成品图像，这些图像记录了该关键维度值的变化，基于这种变化，可以根据以下方程式建立不同制造品数值的标准差：

样本方差：

母体方差：

样本标准差：

母体标准差：

经过足够的训练数据后，标准差慢慢被建立，可以开始使用该模型来量度新的制成品的关键尺寸，并计算出差异值，如果差异很明显并且超过一个或两个标准差，这意味着这个制成品有严重问题，它应该被视为缺陷而被拒绝。

7.根据权利要求1所述应用人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通，其特征在于，来自云端服务器的这些数据可以透过移动互联网连接直接在移动设备查看。

8.根据权利要求7所述应用人工智能云计算对设备进行非侵入性的信息连通方法，其特征在于：

来自云端服务器的这些数据可以透过移动互联网连接直接在移动设备查看，而且这些数据也可以传送到其他组织厂地做操作协调，信息的连通可以在同一公司的不同地点，或供应链中不同供应商的不同站点，甚至供应商和最终客户之间建立。