CN111431986A - 基于5g和ai云边协同的工业智能质检系统 - Google Patents
基于5g和ai云边协同的工业智能质检系统 Download PDFInfo
- Publication number
- CN111431986A CN111431986A CN202010193543.5A CN202010193543A CN111431986A CN 111431986 A CN111431986 A CN 111431986A CN 202010193543 A CN202010193543 A CN 202010193543A CN 111431986 A CN111431986 A CN 111431986A
- Authority
- CN
- China
- Prior art keywords
- cloud
- sample
- defect
- training
- platform
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及工业质检技术领域,具体涉及一种基于5G和AI云边协同的工业智能质检系统,系统包括:工业相机,用于前端图像采集及完成待检产品图像采集;边缘计算设备,用于对采集图像进行初检,并对疑似不合格品上传云端;云端识别服务器,用于对疑似不合格品精检,以及对初检和精检模型的训练;本发明在综合识别性能、识别效率、成本等多个维度,采用云服务和边缘计算相结合的部署方式,通过5G网络对需要云端识别的数据进行传输,从而实现高效、高性能、低成本的工业智能质检系统。
Description
技术领域
本发明涉及工业质检技术领域,具体涉及一种基于5G和AI云边协同的工业智能质检系统。
背景技术
工业制造作为我国国民经济的支柱产业,是我国经济增长的主导部门和经济转型的基础;作为经济社会发展的重要依托,制造业是我国城镇就业的主要渠道和国际竞争力的集中体现。
现代工业制造过程中,使用AI辅助是一种很常见的手段,尤其使用机器视觉辅助工业质检成为当下很多制造公司首选的AI应用场景,目前常规做法有两种:1)视觉摄像头通过网络回传至云端,通过云端算力对图像进行分析识别,并提供给上层使用;2)模型部署在工业现场,通过边缘计算实现对图像进行分析识别,降低网络传输成本,提升识别效率。
上述两种做法均受制于技术、成本的局限,在识别效率、网络资源、成本等多个维度中很难做到折中。例如,1)云端识别对网络带宽要求高、网络成本大,尤其使用5G网络时,流量成本随着生产进行不断递增,此外,云端识别会有传输时延,不利于生产系统效率提升;2)边缘识别考虑到成本问题,包括部署成本和运营成本,一般不太可能使用服务器作为边缘计算,而是使用专用的边缘计算芯片,这就会导致可实现的模型不会太复杂,意味着可识别的精度不高,无法完全满足工业质检的要求。
发明内容
本发明针对背景技术所提出的问题设计了一种基于5G和AI云边协同的工业智能质检系统,在综合识别性能、识别效率、成本等多个维度,采用云服务和边缘计算相结合的部署方式,通过5G网络对需要云端识别的数据进行传输,从而实现高效、高性能、低成本的工业智能质检系统。
本发明是通过以下技术方案实现的:
一种基于5G和AI云边协同的工业智能质检系统,所述系统包括:
工业相机,用于前端图像采集及完成待检产品图像采集;
边缘计算设备,用于对采集图像进行初检,并对疑似不合格品上传云端;所述边缘计算设备内部搭载AI推理模块、5G通信模块、以太网模块和逻辑控制模块,所述以太网模块的信号输出端依次与所述AI推理模块、逻辑控制模块及5G通信模块之间为电性连接;
云端识别服务器,用于对疑似不合格品精检,以及对初检和精检模型的训练;所述云端识别服务器内包括数据接入平台和模型管理平台,所述数据接入平台的信号输出端分别与AI训练平台、数据标注平台及AI推理平台的信号输入端电性连接,所述AI训练平台、数据标注平台及AI推理平台与所述模型管理平台之间均为双向电性连接。
作为上述方案的进一步改进,所述边缘计算设备中初检采用Resnet50模型,初检及训练的具体流程为:
(a)将输入图片X进行尺度变换,变换为模型输入尺度320*320:
xResize=Resize(X)
(b)将尺度变换之后的图片送入Resnet50网络模型中进行推理,输出为缺陷概率值p1:
p1=Resnet50(XResize)
(c)对于模型中Resnet50的网络权重训练,优化目标采用当前样本缺陷类别的二值交叉熵,如下所示:
loss=p*log(1-p1)+(1-p)*log(p1)
其中p=1表示缺陷样本,p=0表示正常样本,采用梯度下降法对loss进行优化从而实现网络权重的训练。
作为上述方案的进一步改进,可根据产品初检要求来确定第一基准缺陷概率P1的取值,P1可在0.001~0.1之间的任意取一个数值,缺陷概率p1小于P1的产品则视为合格品,缺陷概率p1大于或等于P1的产品则视为疑似不合格品。
作为上述方案的进一步改进,所述云端识别服务器中精检及训练的具体流程为:
(a)对于常见的缺陷图片以及正常图片,采用Resnet101卷积进行特征提取,然后通过全连接神经网络,生成一个2048×1的样本特征,保存到云端数据库;
(b)检测时将图片经过Resnet101卷积进行特征提取,同时通过提取数据库中保存样本的特征值计算当前样本与其他样本的笛卡尔距离,公式如下:
(c)计算测试样本到所有缺陷样本的最短距离
(d)计算测试样本到所有正常样本的最短距离
(f)对于模型中Resnet101网络模型的权重训练,优化目标采用所有缺陷样本间距离与所有正常样本间距离的最大值减去任意缺陷样本和正常样本间距离的最小值之差,为了方便训练,随机选择三个样本,至少有一个正常样本和一个缺陷样本,如两个正常样本x1,x2和一个缺陷样本x3,优化目标如下:
min(S(x1,x3),S(x2,x3))-S(x1,x2)
其中S(xi,xj)表示样本xi和xj之间的笛卡尔距离,然后采用梯度下降法对其进行训练。
作为上述方案的进一步改进,可根据产品精检要求来确定第二基准缺陷概率P2的取值,P2可在0.001~0.1之间的任意取一个数值,缺陷概率p2小于P2的产品则排除疑似,视为合格品,否则视为不合格品,待后续工序处理。
作为上述方案的进一步改进,所述边缘计算设备设置于所述工业相机与所述云端识别服务器之间,所述边缘计算设备与所述工业相机之间采用有线通信连接,所述边缘计算设备与所述云端识别服务器之间采用5G通信连接。
与现有技术相比,本发明的有益效果是:
本发明采用云服务和边缘计算的部署方式,采用初检和精检相结合的检测架构,对初检不合格的产品,通过精检对其再次检测并确认;同时,采用云服务和边缘计算的部署方式,将初检模型部署在边缘计算设备端,将精检模型部署在云端识别服务器,从而实现了检测效率以及成本上的有效折中,相比于仅采用云端部署方式,数据传输时延更短,网络成本更低,从而实现单个产品检测成本更低,相比于仅采用边缘部署方式,检测精度更高,误检率下降明显,检测效果更好。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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。
图1为本发明工业智能检测系统的组成结构框图;
图2为本发明工业智能检测系统的检测流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
下面结合附图对本发明的技术方案进一步说明。
一种基于5G和AI云边协同的工业智能质检系统,系统包括:
工业相机,用于前端图像采集及完成待检产品图像采集;
边缘计算设备,用于对采集图像进行初检,并对疑似不合格品上传云端;边缘计算设备内部搭载AI推理模块、5G通信模块、以太网模块和逻辑控制模块,以太网模块的信号输出端依次与AI推理模块、逻辑控制模块及5G通信模块之间为电性连接;
云端识别服务器,用于对疑似不合格品精检,以及对初检和精检模型的训练;云端识别服务器内包括数据接入平台和模型管理平台,数据接入平台的信号输出端分别与AI训练平台、数据标注平台及AI推理平台的信号输入端电性连接,AI训练平台、数据标注平台及AI推理平台与模型管理平台之间均为双向电性连接。
边缘计算设备设置于工业相机与云端识别服务器之间,边缘计算设备与工业相机之间采用有线通信连接,边缘计算设备与云端识别服务器之间采用5G通信连接
其中,边缘计算设备中初检采用Resnet50模型,初检及训练的具体流程为:
(a)将输入图片X进行尺度变换,变换为模型输入尺度320*320:
XResize=Resize(X)
(b)将尺度变换之后的图片送入Resnet50网络模型中进行推理,输出为缺陷概率值p1:
p1=Resnet50(XResize)
(c)对于模型中Resnet50的网络权重训练,优化目标采用当前样本缺陷类别的二值交叉熵,如下所示:
loss=p*log(1-p1)+(1-p)*log(p1)
其中p=1表示缺陷样本,p=0表示正常样本,采用梯度下降法对loss进行优化从而实现网络权重的训练。
可根据产品初检要求来确定第一基准缺陷概率P1的取值,P1可在0.001~0.1之间的任意取一个数值,缺陷概率p1小于P1的产品则视为合格品,缺陷概率p1大于或等于P1的产品则视为疑似不合格品。
其中,云端识别服务器中精检及训练的具体流程为:
(a)对于常见的缺陷图片以及正常图片,采用Resnet101卷积进行特征提取,然后通过全连接神经网络,生成一个2048×1的样本特征,保存到云端数据库;
(b)检测时将图片经过Resnet101卷积进行特征提取,同时通过提取数据库中保存样本的特征值计算当前样本与其他样本的笛卡尔距离,公式如下:
(c)计算测试样本到所有缺陷样本的最短距离
(d)计算测试样本到所有正常样本的最短距离
(f)对于模型中Resnet101网络模型的权重训练,优化目标采用所有缺陷样本间距离与所有正常样本间距离的最大值减去任意缺陷样本和正常样本间距离的最小值之差,为了方便训练,随机选择三个样本,至少有一个正常样本和一个缺陷样本,如两个正常样本x1,x2和一个缺陷样本x3,优化目标如下:
min(S(x1,x3),S(x2,x3))-S(x1,x2)
其中S(xi,xj)表示样本xi和xj之间的笛卡尔距离,然后采用梯度下降法对其进行训练。
可根据产品精检要求来确定第二基准缺陷概率P2的取值,P2可在0.001~0.1之间的任意取一个数值,缺陷概率p2小于P2的产品则排除疑似,视为合格品,否则视为不合格品,待后续工序处理。
本实施例的一个具体应用为:
一种基于5G和AI云边协同的工业智能质检系统,系统包括:
工业相机,用于前端图像采集及完成待检产品图像采集;
边缘计算设备,用于对采集图像进行初检,并对疑似不合格品上传云端;边缘计算设备内部搭载AI推理模块、5G通信模块、以太网模块和逻辑控制模块,以太网模块的信号输出端依次与AI推理模块、逻辑控制模块及5G通信模块之间为电性连接;
云端识别服务器,用于对疑似不合格品精检,以及对初检和精检模型的训练;其中,初检采用Resnet50模型,初检及训练的具体流程为:(a)将输入图片X进行尺度变换,变换为模型输入尺度320*320:XResize=Resize(X);(b)将尺度变换之后的图片送入Resnet50网络模型中进行推理,输出为缺陷概率值p1,p1=Resnet50(XResize);(c)对于模型中Resnet50的网络权重训练,优化目标采用当前样本缺陷类别的二值交叉熵,如下所示:loss=p*log(1-p1)+1-p)*log(p1),其中p=1表示缺陷样本,p=0表示正常样本,采用梯度下降法对loss进行优化从而实现网络权重的训练。可根据产品初检要求来确定第一基准缺陷概率P1的取值,P1可取0.05,缺陷概率p1小于P1的产品则视为合格品,缺陷概率p1大于或等于P1的产品则视为疑似不合格品。
精检及训练的具体流程为:(a)对于常见的缺陷图片以及正常图片,采用Resnet101卷积进行特征提取,然后通过全连接神经网络,生成一个2048×1的样本特征,保存到云端数据库;(b)检测时将图片经过Resnet101卷积进行特征提取,同时通过提取数据库中保存样本的特征值计算当前样本与其他样本的笛卡尔距离,公式如下:
其中,表示测试样本第i个特征值,表示特征保存在数据库的样本j所对应的第i个特征值。(c)计算测试样本到所有缺陷样本的最短距离, (d)计算测试样本到所有正常样本的最短距离, (e)计算缺陷概率(f)对于模型中Resnet101网络模型的权重训练,优化目标采用所有缺陷样本间距离与所有正常样本间距离的最大值减去任意缺陷样本和正常样本间距离的最小值之差,为了方便训练,随机选择三个样本,至少有一个正常样本和一个缺陷样本,如两个正常样本x1,x2和一个缺陷样本x3,优化目标如下:min(S(x1,x3),S(x2,x3))-S(x1,x2),其中S(xi,xj)表示样本xi和xj之间的笛卡尔距离,然后采用梯度下降法对其进行训练。可根据产品精检要求来确定第二基准缺陷概率P2的取值,P2可取0.002,缺陷概率p2小于P2的产品则排除疑似,视为合格品,否则视为不合格品,待后续工序处理。可以看出,采用初检和精检相结合的检测架构,对初检不合格的产品,通过精检对其再次检测并确认,同时初检和精检采用不同的数据接入方式,对于初检,通过有线网络获取工业相机的产品图片,对于精检,通过5G网络获取初检疑似不合格的产品;使得检测精度更高,误检率下降明显,检测效果更好。
云端识别服务器内包括数据接入平台和模型管理平台,数据接入平台的信号输出端分别与AI训练平台、数据标注平台及AI推理平台的信号输入端电性连接,AI训练平台、数据标注平台及AI推理平台与模型管理平台之间均为双向电性连接。边缘计算设备设置于工业相机与云端识别服务器之间,边缘计算设备与工业相机之间采用有线通信连接,边缘计算设备与云端识别服务器之间采用5G通信连接。由上可见,本发明采用云服务和边缘计算的部署方式,将初检模型部署在边缘计算设备端,将精检模型部署在云端识别服务器,从而实现了检测效率以及成本上的有效折中,相比于仅采用云端部署方式,数据传输时延更短,网络成本更低,从而实现单个产品检测成本更低,相比于仅采用边缘部署方式,检测精度更高,检测效果更好。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于5G和AI云边协同的工业智能质检系统,其特征在于,所述系统包括:
工业相机,用于前端图像采集及完成待检产品图像采集;
边缘计算设备,用于对采集图像进行初检,并对疑似不合格品上传云端;所述边缘计算设备内部搭载AI推理模块、5G通信模块、以太网模块和逻辑控制模块,所述以太网模块的信号输出端依次与所述AI推理模块、逻辑控制模块及5G通信模块之间为电性连接;
云端识别服务器,用于对疑似不合格品精检,以及对初检和精检模型的训练;所述云端识别服务器内包括数据接入平台和模型管理平台,所述数据接入平台的信号输出端分别与AI训练平台、数据标注平台及AI推理平台的信号输入端电性连接,所述AI训练平台、数据标注平台及AI推理平台与所述模型管理平台之间均为双向电性连接。
2.根据权利要求1所述的一种基于5G和AI云边协同的工业智能质检系统,其特征在于:所述边缘计算设备中初检采用Resnet50模型,初检及训练的具体流程为:
(a)将输入图片X进行尺度变换,变换为模型输入尺度320*320:
XResize=Resize(X)
(b)将尺度变换之后的图片送入Resnet50网络模型中进行推理,输出为缺陷概率值p1:
p1=Resnet50(XResize)
(c)对于模型中Resnet50的网络权重训练,优化目标采用当前样本缺陷类别的二值交叉熵,如下所示:
loss=p*log(1-p1)+(1-p)*log(p1)
其中p=1表示缺陷样本,p=0表示正常样本,采用梯度下降法对loss进行优化从而实现网络权重的训练。
3.根据权利要求2所述的一种基于5G和AI云边协同的工业智能质检系统,其特征在于:可根据产品初检要求来确定第一基准缺陷概率P1的取值,P1可在0.001~0.1之间的任意取一个数值,缺陷概率p1小于P1的产品则视为合格品,缺陷概率p1大于或等于P1的产品则视为疑似不合格品。
4.根据权利要求1所述的一种基于5G和AI云边协同的工业智能质检系统,其特征在于:所述云端识别服务器中精检及训练的具体流程为:
(a)对于常见的缺陷图片以及正常图片,采用Resnet101卷积进行特征提取,然后通过全连接神经网络,生成一个2048×1的样本特征,保存到云端数据库;
(b)检测时将图片经过Resnet101卷积进行特征提取,同时通过提取数据库中保存样本的特征值计算当前样本与其他样本的笛卡尔距离,公式如下:
(c)计算测试样本到所有缺陷样本的最短距离
(d)计算测试样本到所有正常样本的最短距离
(f)对于模型中Resnet101网络模型的权重训练,优化目标采用所有缺陷样本间距离与所有正常样本间距离的最大值减去任意缺陷样本和正常样本间距离的最小值之差,为了方便训练,随机选择三个样本,至少有一个正常样本和一个缺陷样本,如两个正常样本x1,x2和一个缺陷样本x3,优化目标如下:
min(S(x1,x3),S(x2,x3))-S(x1,x2)
其中S(xi,xj)表示样本xi和xj之间的笛卡尔距离,然后采用梯度下降法对其进行训练。
5.根据权利要求4所述的一种基于5G和AI云边协同的工业智能质检系统,其特征在于:可根据产品精检要求来确定第二基准缺陷概率P2的取值,P2可在0.001~0.1之间的任意取一个数值,缺陷概率p2小于P2的产品则排除疑似,视为合格品,否则视为不合格品,待后续工序处理。
6.根据权利要求1所述的一种基于5G和AI云边协同的工业智能质检系统,其特征在于:所述边缘计算设备设置于所述工业相机与所述云端识别服务器之间,所述边缘计算设备与所述工业相机之间采用有线通信连接,所述边缘计算设备与所述云端识别服务器之间采用5G通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010193543.5A CN111431986B (zh) | 2020-03-18 | 2020-03-18 | 基于5g和ai云边协同的工业智能质检系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010193543.5A CN111431986B (zh) | 2020-03-18 | 2020-03-18 | 基于5g和ai云边协同的工业智能质检系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111431986A true CN111431986A (zh) | 2020-07-17 |
CN111431986B CN111431986B (zh) | 2023-02-28 |
Family
ID=71546467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010193543.5A Active CN111431986B (zh) | 2020-03-18 | 2020-03-18 | 基于5g和ai云边协同的工业智能质检系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111431986B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163873A (zh) * | 2020-10-29 | 2021-01-01 | 杭州谐云科技有限公司 | 一种基于边缘计算的产品质检系统及质检方法 |
CN112419401A (zh) * | 2020-11-23 | 2021-02-26 | 上海交通大学 | 一种基于云边协同与深度学习的飞机表面缺陷检测系统 |
CN112468584A (zh) * | 2020-11-26 | 2021-03-09 | 莫毓昌 | 一种基于发布订阅机制和时延分析的边缘云工业数据管理系统及方法 |
CN112734703A (zh) * | 2020-12-28 | 2021-04-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种利用ai云端协同检测的pcb缺陷优化方法 |
CN112788110A (zh) * | 2020-12-29 | 2021-05-11 | 山东大学 | 一种基于云边协同模型优化的产品外观检测方法及其实现系统 |
CN112837282A (zh) * | 2021-01-27 | 2021-05-25 | 上海交通大学 | 一种基于云边协同和深度学习的小样本图像缺陷检测方法 |
CN115508366A (zh) * | 2022-10-20 | 2022-12-23 | 南京鹤梦信息技术有限公司 | 基于多光谱成像的产品缺陷智能检测系统及其方法 |
CN115620582A (zh) * | 2022-12-14 | 2023-01-17 | 北京东方国信科技股份有限公司 | 工业互联网教学实训系统、方法及电子设备 |
CN116095099A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于机器视觉的机械零件质检系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
US20180255082A1 (en) * | 2017-03-03 | 2018-09-06 | Hitachi, Ltd. | Cooperative cloud-edge vehicle anomaly detection |
CN109782707A (zh) * | 2018-12-24 | 2019-05-21 | 北京航天智造科技发展有限公司 | 一种适用于工业互联网的工业现场监测方法 |
CN110287945A (zh) * | 2019-07-04 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种5g环境下无人机目标检测方法 |
CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
CN110567974A (zh) * | 2019-09-30 | 2019-12-13 | 华中科技大学 | 一种基于云端人工智能表面缺陷检测系统 |
CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
CN110581898A (zh) * | 2019-10-09 | 2019-12-17 | 成都康胜思科技有限公司 | 基于5g和边缘计算的物联网数据终端系统 |
CN110599445A (zh) * | 2019-07-24 | 2019-12-20 | 安徽南瑞继远电网技术有限公司 | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 |
-
2020
- 2020-03-18 CN CN202010193543.5A patent/CN111431986B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
US20180255082A1 (en) * | 2017-03-03 | 2018-09-06 | Hitachi, Ltd. | Cooperative cloud-edge vehicle anomaly detection |
CN109782707A (zh) * | 2018-12-24 | 2019-05-21 | 北京航天智造科技发展有限公司 | 一种适用于工业互联网的工业现场监测方法 |
CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
CN110287945A (zh) * | 2019-07-04 | 2019-09-27 | 山东浪潮人工智能研究院有限公司 | 一种5g环境下无人机目标检测方法 |
CN110599445A (zh) * | 2019-07-24 | 2019-12-20 | 安徽南瑞继远电网技术有限公司 | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 |
CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
CN110567974A (zh) * | 2019-09-30 | 2019-12-13 | 华中科技大学 | 一种基于云端人工智能表面缺陷检测系统 |
CN110581898A (zh) * | 2019-10-09 | 2019-12-17 | 成都康胜思科技有限公司 | 基于5g和边缘计算的物联网数据终端系统 |
Non-Patent Citations (4)
Title |
---|
BIN CAO;LONG ZHANG;YUN LI;DAQUAN FENG;WEI CAO: ""Intelligent Offloading in Multi-Access Edge Computing: A State-of-the-Art Review and Framework"", < IEEE COMMUNICATIONS MAGAZINE> * |
中国联通网络技术研究院: ""基于5G和人工智能技术的产品质量实时检测和优化方案"", 《工业互联网产业联盟HTTP://WWW.AII-ALLIANCE.ORG/INDEX/C156/N1610.HTML》 * |
余东行等: "联合显著性特征与卷积神经网络的遥感影像舰船检测", 《中国图象图形学报》 * |
李文育等: "基于机器视觉的印刷图像色彩在线检测系统设计", 《西安理工大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163873A (zh) * | 2020-10-29 | 2021-01-01 | 杭州谐云科技有限公司 | 一种基于边缘计算的产品质检系统及质检方法 |
CN112419401A (zh) * | 2020-11-23 | 2021-02-26 | 上海交通大学 | 一种基于云边协同与深度学习的飞机表面缺陷检测系统 |
CN112468584A (zh) * | 2020-11-26 | 2021-03-09 | 莫毓昌 | 一种基于发布订阅机制和时延分析的边缘云工业数据管理系统及方法 |
CN112468584B (zh) * | 2020-11-26 | 2022-06-17 | 莫毓昌 | 一种基于发布订阅机制和时延分析的边缘云工业数据管理系统及方法 |
CN112734703A (zh) * | 2020-12-28 | 2021-04-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种利用ai云端协同检测的pcb缺陷优化方法 |
CN112788110A (zh) * | 2020-12-29 | 2021-05-11 | 山东大学 | 一种基于云边协同模型优化的产品外观检测方法及其实现系统 |
CN112837282A (zh) * | 2021-01-27 | 2021-05-25 | 上海交通大学 | 一种基于云边协同和深度学习的小样本图像缺陷检测方法 |
CN115508366A (zh) * | 2022-10-20 | 2022-12-23 | 南京鹤梦信息技术有限公司 | 基于多光谱成像的产品缺陷智能检测系统及其方法 |
CN115508366B (zh) * | 2022-10-20 | 2023-09-22 | 南京鹤梦信息技术有限公司 | 基于多光谱成像的产品缺陷智能检测系统及其方法 |
CN115620582A (zh) * | 2022-12-14 | 2023-01-17 | 北京东方国信科技股份有限公司 | 工业互联网教学实训系统、方法及电子设备 |
CN116095099A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于机器视觉的机械零件质检系统 |
CN116095099B (zh) * | 2023-01-20 | 2023-09-12 | 广东省中山市质量计量监督检测所 | 一种基于机器视觉的机械零件质检系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111431986B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111431986B (zh) | 基于5g和ai云边协同的工业智能质检系统 | |
CN111650204A (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及系统 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN113436169A (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN105931246A (zh) | 一种基于小波变换和遗传算法的织物瑕疵检测方法 | |
CN110020658B (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
CN110852295A (zh) | 一种基于多任务监督学习的视频行为识别方法 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN112614130A (zh) | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 | |
Zhang et al. | Recognition of bird nests on power transmission lines in aerial images based on improved YOLOv4 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN113706496A (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN116385950A (zh) | 一种小样本条件下电力线路隐患目标检测方法 | |
CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 | |
CN115457365A (zh) | 一种模型的解释方法、装置、电子设备及存储介质 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN115147432A (zh) | 一种基于深度残差语义分割网络的初至拾取方法 | |
CN113610837A (zh) | 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法 | |
CN112036472A (zh) | 一种电力系统视觉图像分类方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |