CN112070000A - 智能识别算法训练方法、装置、终端服务器及可存储介质 - Google Patents

Abstract

本发明公开一种智能识别算法训练方法，包括以下步骤：获取AI识别设备对流水线中的产品拍摄的图像信息并将图像信息同步发送到人机交互界面；接收人工根据人机交互界面的图像信息对产品识别的人工判断结果；接收AI识别设备根据拍摄的图像信息通过预设的识别算法模型对产品识别的机器判断结果；每隔预定时间判断机器判断结果的准确率是否大于等于人工判断结果的准确率，若结果为是，则算法训练结束；若结果为否，则对AI识别设备预设的识别算法模型进行更新。本发明提供的方法在流水线上产品正常生产的前提下完成了样本的收集与模型的优化，从而避免了现有技术中算法训练会导致正常的生产中断的问题。

Description

智能识别算法训练方法、装置、终端服务器及可存储介质

【技术领域】

本发明涉及智能识别技术领域，尤其涉及一种智能识别算法训练方法、装置、终端服务器及可存储介质。

【背景技术】

随着科技的发展，AI(Artificial Intelligence，人工智能)技术在工业自动化领域的需求也会更加广泛，尤其是机器视觉技术(即智能识别技术)在替代人工识别方面具有出更大的优势。而将机器视觉技术在工业自动化流水线上进行导入的过程中，除了导入相关的设备(如智能摄像设备、自动搬运设备等)添加改造外，还需要对设于智能摄像设备上的识别算法模型进行训练，以达到甚至超过人工识别的程度，这其中包含一个持续不断的样本收集、模型优化的过程。

然而，现有的样本采集和算法训练阶段，一般会选取较多的被检测产品，安排很多人工进行检测判断，将结果标记给到研发人员，研发人员再开发出对应的算法模型进行机器识别，将算法模型导入智能摄像设备，然后再安排人工检测对比，再调试，再优化的一个过程，这个过程经常会持续几个月甚至更长时间。并且，当前的样本采集完全是为了给研发人员做算法模型使用，有很大的人力和物力的浪费。在流水线改造过程中打断了工厂正常的生产过程，造成交付压力增大。训练过程也会遇到多次的版本升级，多次长时间打断生产过程，也会导致工厂流水线智能自动化升级项目失败。

鉴于此，实有必要提供一种智能识别算法训练方法、装置、终端服务器及可存储介质以克服上述缺陷。

【发明内容】

本发明的目的是提供一种智能识别算法训练方法、装置、终端服务器及可存储介质，旨在解决现有算法训练中样本采集过程会导致工厂正常的生产过程会被不断中断的问题，使样本采集在正常的生产过程中同时进行，从而避免影响影响工厂的生产周期。

为了实现上述目的，本发明第一方面是提供一种智能识别算法训练方法，包括以下步骤：

步骤S101：获取AI识别设备对流水线中的产品拍摄的图像信息并将所述图像信息同步发送到人机交互界面；

步骤S102：接收人工根据所述人机交互界面的所述图像信息对产品识别的人工判断结果；

步骤S103：接收所述AI识别设备根据拍摄的所述图像信息通过预设的识别算法模型对产品识别的机器判断结果；

步骤S104：每隔预定时间判断所述机器判断结果的准确率是否大于等于所述人工判断结果的准确率，若结果为是，则算法训练结束；若结果为否，则对所述AI识别设备预设的所述识别算法模型进行更新，并回到步骤S101。

在一个优选实施方式中，步骤S104中所述每隔预定时间判断所述机器判断结果的准确率是否大于等于所述人工判断结果的准确率步骤中包括：

获取预定时间内产品的最终识别结果；

根据所述最终识别结果分别得出所述机器判断结果的准确率与所述人工判断结果的准确率；

比较所述机器判断结果的准确率与所述人工判断结果的准确率的大小。

在一个优选实施方式中，步骤S104中所述则对所述AI识别设备预设的所述识别算法模型进行更新步骤中包括：

将所述机器判断结果、所述人工判断结果及所述图像信息组合成样本数据发送至终端服务器；

下载所述终端服务器接收的通过研发人员根据所述样本数据改进的所述识别算法模型；

将改进后的所述识别算法模型发送至所述AI识别设备。

在一个优选实施方式中，还包括步骤：

将所述人工判断结果发送至流水线上的夹取设备上；

控制所述夹取设备根据所述人工判断结果对对应的产品进行分拣。

本发明第二方面是提供一种智能识别算法训练装置，包括用于对流水线中的产品拍摄图像信息及根据预设的识别算法模型对产品进行识别的的AI识别设备、用于为人工提供所述人机交互界面的人机交互装置以及：

图像信息接收模块，用于获取AI识别设备对流水线中的产品拍摄的图像信息并将所述图像信息同步发送到人机交互界面；

人工识别接收模块，用于接收人工在所述人机交互界面对产品识别的人工判断结果；

机器识别接收模块，用于接收所述AI识别设备根据预设的识别算法模型对产品识别的机器判断结果；

识别准确率判断模块，用于每隔预定时间判断所述机器判断结果的准确率是否大于等于所述人工判断结果的准确率，若结果为是，则算法训练结束；若结果为否，则对所述AI识别设备预设的所述识别算法模型进行更新。

在一个优选实施方式中，所述准确率判断模块包括：

识别结果获取单元，用于获取预定时间内产品的最终识别结果；

准确率计算单元，用于根据所述最终识别结果分别得出所述机器判断结果的准确率与所述人工判断结果的准确率；

准确率比较单元，用于比较所述机器判断结果的准确率与所述人工判断结果的准确率的大小。

在一个优选实施方式中，所述准确率判断模块包括：

样本上传单元，用于将所述机器判断结果、所述人工判断结果及所述图像信息组合成样本数据发送至终端服务器；

模型下载单元，用于下载所述终端服务器接收的通过研发人员根据所述样本数据改进的所述识别算法模型；

模型更新单元，用于将改进后的所述识别算法模型发送至所述AI识别设备。

在一个优选实施方式中，还包括：

人工结果发送模块，用于将所述人工判断结果发送至流水线上的夹取设备上；

分拣控制模块，用于控制所述夹取设备根据所述人工判断结果对对应的产品进行分拣。

本发明第三方面提供一种终端服务器，用于接收研发人员根据所述样本数据改进的所述识别算法模型及将改进后的所述识别算法模型发送至所述AI识别设备；还包括处理器和用于存储计算机指令的存储器，所述处理器在执行所述计算机程序时，实现如上述实施方式中任一项所述的智能识别算法训练方法中的各个步骤。

本发明第四方面是提供一种可存储介质，存储有计算机程序，该程序被处理器执行时实现如上述实施方式任意一项所述的智能识别算法训练方法。

本发明通过在流水线上设置AI识别设备，AI识别设备对正常生产的流水线上的产品进行图像拍摄，通过预设的识别算法模型对产品进行识别外，还同步将该产品的图像信息发送至人机交互界面，由人工在人机交互界面进行人工判断；研发人员根据接收的机器判断结果与人工判断结果以及产品信息对识别算法模型进行优化，重复上述过程，直至机器识别的准确率达到人工识别的程度，则意味着该识别算法模型已经可以导入到流水线上用来代替人工识别，在流水线上产品正常生产的前提下完成了样本的收集与模型的优化，从而避免了现有技术中算法训练会导致正常的生产中断的问题。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明提供的智能识别算法训练方法流程图；

图2为图1所示智能识别算法训练方法去除人工判断后的流程图；

图3为图1所示智能识别算法训练方法中步骤S104的子步骤流程图；

图4为本发明提供的智能识别算法训练装置框架图。

【具体实施方式】

为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本发明提供第一方面是提供一种智能识别算法训练方法，用于对正常生产过程中的流水线上的产品进行样本采集并根据采集的样本进行识别算法模型的优化，从而将优化后的识别算法模型导入到AI识别设备中，并在后续的生产过程中通过AI识别设备对产品进行智能识别，提高自动化程度。

如图1所示，本发明提供的方法包括以下步骤S101-S104。

在步骤S101，获取AI识别设备对流水线中的产品拍摄的图像信息并将所述图像信息同步发送到人机交互界面。

在本步骤中，AI识别设备根据具体的生产需要安装于流水线上，可对加工或生产完成的产品进行拍摄从而获得产品的图像信息。即，直接对现有的流水线进行无人自动化改造。具体的，流水线上还安装有与AI识别设备进行通讯连接的夹取设备(例如机械臂)。夹取设备可将被检测的产品，按照程序化的设定进行传送、放置、翻转等功能，并能够将操作的结果，反馈给到AI识别设备上，通知AI识别设备可以进行拍摄。AI识别设备拍摄产品形状后同步将图像信息发送至人机交互界面。能够理解的，人机交互界面设于人机交互装置上，包括但不限于显示器、电视机等，与AI识别设备进行通讯连接，可将AI识别设备发送的图像信息在人机交互界面进行显示。另外，AI识别设备对每个产品拍摄时都会进行一个唯一码进行标记，便于后续进行统计与甄别。

步骤S102：接收人工根据人机交互界面的图像信息对产品识别的人工判断结果。

在本步骤中，人员无需在流水线上进行人工识别，可将人机交互装置设于其他地方。人员在人机交互界面看到展示产品的图像信息后，人工进行是否合格的判断，可将判断结果直接在人机交互界面进行点击选定，也可以通过按下相应的实体按键进行选择。例如：含有“合格”与“不合格”两个选项的按钮。

步骤S103：接收AI识别设备根据拍摄的图像信息通过预设的识别算法模型对产品识别的机器判断结果。

AI识别设备内预设有识别算法模型，获得产品的图像信息后根据识别算法模型进行识别判断，并将判断的结果进行上传。需要说明的是，最起初的AI识别设备中由于没有样本数据，因此未导入识别算法模型，此时，AI识别设备无法进行判断，只将拍摄的照片进行上传，仅有样本收集功能。当第一批的样本收集完毕后，后台的研发人员便可根据样本数据设计识别算法模型，并将初步设计完成的识别算法模型下发到AI识别设备中，完成设备升级，此时进入算法训练阶段。

能够理解的是，在识别算法模型训练阶段中，AI识别设备的准确率等肯定是不如人工识别，因此现阶段中的主要是采用人工判断结果作为对该产品的识别认定结果，对产品进行检测分类；同时将该识别认定结果发送至夹取设备。

进一步的，本方法还包括步骤：将人工判断结果发送至流水线上的夹取设备上；控制夹取设备根据人工判断结果对对应的产品进行分拣。具体的，夹取设备(例如机械臂)接收到识别认定结果后，根据识别认定结果将产品夹取到对应的下料区，例如，识别为“合格”的放入良品区，识别为“不合格”的放入次品区。

步骤S104：每隔预定时间判断机器判断结果的准确率是否大于等于人工判断结果的准确率，若结果为是，则算法训练结束；若结果为否，则对AI识别设备预设的识别算法模型进行更新，并回到步骤S101。

在本步骤中，每隔预定时间即为以样本采集的批次为单位，根据每个批次的样本数据识别算法模型进行自学习从而对识别算法模型优化改进，进而增加AI识别设备对产品识别的准确率。随着样本收集到足够数量多，识别算法模型也经过了持续优化更新，当AI识别设备的机器识别结果的准确率达到甚至超过人工识别结果的准确率，并能长期稳定在这个识别水平时，此时算法训练阶段就结束了。此时便可将AI识别设备的机器识别完全代替人工识别，进入无人自动化阶段。而整个样本采集与算法训练过程中，完全不影响产品的正常生产及人工的识别，整个算法的优化完全在后台进行比对分析，当机器识别达到一定标准后将人员撤出，无缝切换为无人流水线，对工厂没有任何影响。

具体的，本方法的算法训练分为三个阶段：

第一阶段(可称为原始样本收集阶段)：

(1)AI识别设备对流水线上的产品进行拍摄，并将拍摄获得的图像信息同步发送至人工交互界面；此时，AI识别设备还没有识别算法模型，无法进行机器识别，只将图像信息进行上传，仅做样本收集功能；

(2)作业人员在人机交互界面对产品进行人工识别，并将人工识别的判断结果发送到AI识别设备；同时，流水线上的产品根据人工识别的判断结果被送入相应的区域；

(3)AI识别设备将人工的判断结果发送至终端服务器或云端，与之前拍摄的图像信息一起组合成原始样本数据；

(4)研发人员从终端服务器或云端获取原始样本数据，设计识别算法模型，对识别算法模型进行训练，之后将完成的识别算法模型下发到AI识别设备，完成产品升级。

第二阶段(可称为算法训练阶段)：

(1)AI识别设备对流水线上的产品进行拍摄，并将拍摄获得的图像信息同步发送至人工交互界面；此时，AI识别设备已有识别算法模型，根据识别算法模型检测所拍摄的图片，将机器判断的结果和将拍的照片上传终端服务器或云端；

(2)作业人员在人机交互界面对产品进行人工识别，并将人工识别的判断结果发送到AI识别设备；此时，流水线上的产品还是根据人工识别的判断结果被送入相应的区域；即，此时仍以人工判断结果为准，机器判断结果仅用来参考进行模型优化；

(3)AI识别设备将人工的判断结果发送至终端服务器或云端，与之前拍摄的图像信息以及机器判断结果一起组合成样本数据；

(4)AI识别设备根据多个批次的样本数据对识别算法模型进行自学习，或者通过研发人员进行优化改进，从而提升AI识别设备判断的准确率；

(5)样本数据收集到足够数量，识别算法模型经过持续优化更新，当机器判断的准确率达到人工判断的准确率，并长期稳定时，此时就可以将智能自动化方案正式上线，替代人工操作，进入第三阶段。

第三阶段(可称为无人化阶段)：如图2所示，包括以下步骤S201-S204：

步骤S201，获取AI识别设备对流水线上的产品进行拍摄的产品的图像信息；

步骤S202，根据AI识别设备内置的已完成算法训练的识别算法模型对图像信息进行机器判断；

步骤S203，根据AI识别设备识别的机器判断结果将流水线上的产品送入相应的区域；此时，人工判断已经撤出；

步骤S204，将AI识别设备的判断结果上传终端服务器或云端。

需要说明的是，AI识别设备内的识别算法模型可参考现有识别算法模型，具体的算法模型的自学习也可参照现有的算法自学习原理，本发明在此不做限定。

进一步的，如图3所示，在步骤S104“每隔一定时间判断所述机器判断结果的准确率是否大于等于所述人工判断结果的准确率”中包括：

步骤S104a，获取一定时间内产品的最终识别结果；

步骤S104b，根据最终识别结果分别得出机器判断结果的准确率与人工判断结果的准确率；

步骤S104c，比较机器判断结果的准确率与人工判断结果的准确率的大小。

具体的，产品的最终识别结果可以由对产品的复检所得；也可以是由多个人员分别进行产品识别判断，获得各自的人工判断结果，对每个产品以识别结果最多的人工判断结果为准，然后取其中一个人员的人工判断结果与机器判断结果进行比较(如果机器识别的准确率与其中某个人工识别的准确率相当，说明机器至少可以取代其中一个人员，这样也达到了智能识别的目的)。

进一步的，在步骤“则对所述AI识别设备预设的所述识别算法模型进行更新”中包括：将机器判断结果、人工判断结果及图像信息组合成样本数据发送至终端服务器；下载终端服务器接收的通过研发人员根据样本数据改进的识别算法模型；将改进后的识别算法模型发送至AI识别设备。

具体的，终端服务器可以云端系统，主要负责整体流程的控制、拍照样本数据的保存、识别算法模型更新到AI识别设备以及生产过程数据的控制和保存。

综上所述，可以理解的，本发明通过在流水线上设置AI识别设备，AI识别设备对正常生产的流水线上的产品进行图像拍摄，通过预设的识别算法模型对产品进行识别外，还同步将该产品的图像信息发送至人机交互界面，由人工在人机交互界面进行人工判断；研发人员根据接收的机器判断结果与人工判断结果以及产品信息对识别算法模型进行优化，重复上述过程，直至机器识别的准确率达到人工识别的程度，则意味着该识别算法模型已经可以导入到流水线上用来代替人工识别，在流水线上产品正常生产的前提下完成了样本的收集与模型的优化，从而避免了现有技术中算法训练会导致正常的生产中断的问题。

本发明第二方面是提供一种智能识别算法训练装置100，用于算法训练中样本数据的采集与传输，其实施步骤及实现原理与智能识别算法训练方法相一致，故以下不再赘述。

如图4所示，智能识别算法训练装置100包括用于对流水线中的产品拍摄图像信息及根据预设的识别算法模型对产品进行识别的的AI识别设备10(例如摄像头、照相机及其他的可采集图像的图像采集传感器等)、用于为人工提供人机交互界面的人机交互装置20(例如电视机、平板电脑、显示屏、手机及其他可显示图像的装置)以及：

图像信息接收模块30，用于获取AI识别设备对流水线中的产品拍摄的图像信息并将图像信息同步发送到人机交互界面；

人工识别接收模块40，用于接收人工在人机交互界面对产品识别的人工判断结果；

机器识别接收模块50，用于接收AI识别设备根据预设的识别算法模型对产品识别的机器判断结果；

识别准确率判断模块60，用于每隔一定时间判断机器判断结果的准确率是否大于等于人工判断结果的准确率，若结果为是，则算法训练结束；若结果为否，则对AI识别设备预设的识别算法模型进行更新，并重新进行样本采集。

进一步的，准确率判断模块60包括：

识别结果获取单元，用于获取一定时间内产品的最终识别结果；

准确率计算单元，用于根据最终识别结果分别得出机器判断结果的准确率与人工判断结果的准确率；

准确率比较单元，用于比较所述机器判断结果的准确率与所述人工判断结果的准确率的大小。

进一步的，准确率判断模块60还可包括：

样本上传单元，用于将所述机器判断结果、所述人工判断结果及所述图像信息组合成样本数据发送至终端服务器；

模型下载单元，用于下载所述终端服务器接收的通过研发人员根据所述样本数据改进的所述识别算法模型；

模型更新单元，用于将改进后的所述识别算法模型发送至所述AI识别设备。

进一步的，在一个实施例中，智能识别算法训练装置100还包括：

人工结果发送模块，用于将所述人工判断结果发送至流水线上的夹取设备上；

分拣控制模块，用于控制所述夹取设备根据所述人工判断结果对对应的产品进行分拣。

本发明第三方面提供一种终端服务器，用于接收研发人员根据样本数据改进的识别算法模型及将改进后的识别算法模型发送至AI识别设备；还包括处理器和用于存储计算机指令的存储器，所述处理器在执行所述计算机程序时，实现如上述实施方式中任一项所述的智能识别算法训练方法中的各个步骤。

本发明第四方面是提供一种可存储介质，存储有计算机程序，该程序被处理器执行时实现如上述实施方式任意一项所述的智能识别算法训练方法。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述可读存储介质中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端服务器中的执行过程。

终端服务器可包括，但不仅限于，处理器、存储器等。进一步的，还可以包括电源管理模块、运算处理模块、输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可以是所述终端服务器的内部存储单元，例如终端服务器的硬盘或内存。所述可读存储介质也可以是所述终端服务器的外部存储设备，例如所终端服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述智能识别算法训练终端的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述终端服务器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。

Claims (10)

1.一种智能识别算法训练方法，其特征在于，包括以下步骤：

步骤S101：获取AI识别设备对流水线中的产品拍摄的图像信息并将所述图像信息同步发送到人机交互界面；

步骤S102：接收人工根据所述人机交互界面的所述图像信息对产品识别的人工判断结果；

步骤S103：接收所述AI识别设备根据拍摄的所述图像信息通过预设的识别算法模型对产品识别的机器判断结果；

步骤S104：每隔预定时间判断所述机器判断结果的准确率是否大于等于所述人工判断结果的准确率，若结果为是，则算法训练结束；若结果为否，则对所述AI识别设备预设的所述识别算法模型进行更新，并回到步骤S101。

2.如权利要求1所述的智能识别算法训练方法，其特征在于，步骤S104中所述每隔预定时间判断所述机器判断结果的准确率是否大于等于所述人工判断结果的准确率步骤中包括：

获取预定时间内产品的最终识别结果；

根据所述最终识别结果分别得出所述机器判断结果的准确率与所述人工判断结果的准确率；

比较所述机器判断结果的准确率与所述人工判断结果的准确率的大小。

3.如权利要求1所述的智能识别算法训练方法，其特征在于，步骤S104中所述则对所述AI识别设备预设的所述识别算法模型进行更新步骤中包括：

将所述机器判断结果、所述人工判断结果及所述图像信息组合成样本数据发送至终端服务器；

下载所述终端服务器接收的通过研发人员根据所述样本数据改进的所述识别算法模型；

将改进后的所述识别算法模型发送至所述AI识别设备。

4.如权利要求1所述的智能识别算法训练方法，其特征在于，还包括步骤：

将所述人工判断结果发送至流水线上的夹取设备上；

控制所述夹取设备根据所述人工判断结果对对应的产品进行分拣。

5.一种智能识别算法训练装置，其特征在于，包括用于对流水线中的产品拍摄图像信息及根据预设的识别算法模型对产品进行识别的的AI识别设备、用于为人工提供所述人机交互界面的人机交互装置以及：

图像信息接收模块，用于获取AI识别设备对流水线中的产品拍摄的图像信息并将所述图像信息同步发送到人机交互界面；

人工识别接收模块，用于接收人工根据所述人机交互界面的所述图像信息对产品识别的人工判断结果；

机器识别接收模块，用于接收所述AI识别设备根据拍摄的所述图像信息通过预设的识别算法模型对产品识别的机器判断结果；

识别准确率判断模块，用于每隔预定时间判断所述机器判断结果的准确率是否大于等于所述人工判断结果的准确率，若结果为是，则算法训练结束；若结果为否，则对所述AI识别设备预设的所述识别算法模型进行更新。

6.如权利要求5所述的智能识别算法训练装置，其特征在于，所述准确率判断模块包括：

识别结果获取单元，用于获取预定时间内产品的最终识别结果；

准确率计算单元，用于根据所述最终识别结果分别得出所述机器判断结果的准确率与所述人工判断结果的准确率；

准确率比较单元，用于比较所述机器判断结果的准确率与所述人工判断结果的准确率的大小。

7.如权利要求5所述的智能识别算法训练装置，其特征在于，所述准确率判断模块包括：

样本上传单元，用于将所述机器判断结果、所述人工判断结果及所述图像信息组合成样本数据发送至终端服务器；

模型下载单元，用于下载所述终端服务器接收的通过研发人员根据所述样本数据改进的所述识别算法模型；

模型更新单元，用于将改进后的所述识别算法模型发送至所述AI识别设备。

8.如权利要求5所述的智能识别算法训练装置，其特征在于，还包括：

人工结果发送模块，用于将所述人工判断结果发送至流水线上的夹取设备上；

分拣控制模块，用于控制所述夹取设备根据所述人工判断结果对对应的产品进行分拣。

9.一种终端服务器，其特征在于，用于接收研发人员根据所述样本数据改进的所述识别算法模型及将改进后的所述识别算法模型发送至所述AI识别设备；还包括处理器和用于存储计算机指令的存储器，所述处理器在执行所述计算机程序时，实现如权利要求1-4任一项所述的智能识别算法训练方法中的各个步骤。

10.一种可存储介质，存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任意一项所述的智能识别算法训练方法。

Images