CN114169248B - 产品缺陷数据分析方法、系统、电子设备及可读存储介质 - Google Patents
产品缺陷数据分析方法、系统、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114169248B CN114169248B CN202111525331.3A CN202111525331A CN114169248B CN 114169248 B CN114169248 B CN 114169248B CN 202111525331 A CN202111525331 A CN 202111525331A CN 114169248 B CN114169248 B CN 114169248B
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- model
- sample
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及工业检测技术领域,公开了一种产品缺陷数据分析方法、系统、电子设备及可读存储介质,该方法包括各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得模型中间参数,并通过若干个模型中间参数对第一预设网络模型进行更新获得缺陷类型识别模型,通过获取待识别产品缺陷数据以及生产现场数据,根据缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,并通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果,相较于人工进行产品缺陷检测,提高了产品缺陷检测的效率。
Description
技术领域
本发明涉及工业检测技术领域,尤其涉及一种产品缺陷数据分析方法、系统、电子设备及可读存储介质。
背景技术
目前钢板、薄膜、金属、纸张、纺织、玻璃等工业产品在制造过程中会受到各种生产因素的影响而导致不同类型的缺陷,这些缺陷会对产品的安全性、美观度、舒适度或使用性能等方面带来不良影响,并且直接反应了产品的品质,从而影响到消费者对品牌的整体评分。因此,制造商通过对产品的缺陷进行检测和分析,以便及时发现和返修,并对相关生产因素进行及时控制与整改,从而避免相同缺陷在后续产品中再次出现,保证产品生产的质量和产量。
传统工业制造过程通过人工来进行缺陷检测,但是由于操作人员的专业性、业务熟练程度、工作疲劳程度等人为因素,产品缺陷检测的效率较低。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
鉴于以上所述现有技术的缺点,本发明公开了一种产品缺陷数据分析方法、系统、电子设备及可读存储介质,以提高产品缺陷检测的效率。
本发明公开了一种产品缺陷数据分析方法,包括:获取待识别产品缺陷数据以及生产现场数据;通过缺陷类型识别模型确定所述待分析缺陷数据的产品缺陷类型,所述缺陷类型识别模型通过若干个模型中间参数对第一预设网络模型进行更新获得,所述模型中间参数为各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对所述模型训练参与方对应的第二预设网络模型进行训练获得;通过第一预设缺陷知识图谱对所述产品缺陷类型和所述生产现场数据进行检索,将检索结果确定为缺陷分析结果。
可选地,通过以下方式获取缺陷类型识别模型:从企业联盟中选定若干个模型训练参与方,并分别向所述各模型训练参与方发送模型训练请求;获取各所述模型训练参与方反馈的模型中间参数,并根据各所述模型中间参数和各所述模型中间参数对应的预设权重生成融合参数;根据所述融合参数对预设网络模型进行更新,获得缺陷类型识别模型。
可选地,通过以下方式获取缺陷数据样本:所述模型训练参与方采集本地数据样本,并生成所述本地数据样本的缺陷类型标签;对所述本地数据样本依次进行第一数据处理和数据加密,获得加密缺陷数据,所述第一数据处理包括数据格式对齐、数据子样本对齐、数据提取的至少一种;获取加密缺陷数据集合,所述加密缺陷数据集合包括各模型训练参与方的加密缺陷数据;对所述加密缺陷数据集合中的加密缺陷数据进行第二数据处理,所述第二数据处理包括数据提取、数据格式对齐、数据子样本对齐、数据子样本降维、数据子样本选择的至少一种;提取第二数据处理后的加密缺陷数据集合中的缺陷数据样本,其中,缺陷数据样本为所述本地数据样本对应的加密缺陷数据。
可选地,所述缺陷类型识别模型包括多个数据格式对应的缺陷类型识别子模型,通过缺陷类型识别模型确定所述待分析缺陷数据的产品缺陷类型,包括:获取所述待分析缺陷数据的缺陷数据格式;将所述待分析缺陷数据输入所述缺陷数据格式对应的缺陷类型识别子模型,输出所述待分析缺陷数据的产品缺陷类型。
可选地,通过利用第一预设缺陷知识图谱对所述产品缺陷类型和所述生产现场数据进行检索,获得缺陷分析结果,包括:利用预先训练的融合模型对所述产品缺陷类型和所述生产现场数据进行融合,获得待检索子样本;通过第一预设缺陷知识图谱对所述待检索子样本进行检索;若存在所述待检索子样本表示对应的缺陷解决方案,则将所述缺陷解决方案确定为缺陷分析结果;若不存在所述待检索子样本表示对应的缺陷解决方案,则对所述第一预设缺陷知识图谱进行更新,并通过更新后的第一预设缺陷知识图谱对所述待检索子样本表示进行检索。
可选地,通过以下方式更新所述第一预设缺陷知识图谱:从企业联盟中选定若干个图谱更新参与方,向所述图谱更新参与方发送更新样本数据,所述更新样本数据包括所述待检索子样本和若干个混淆子样本;分别获取各所述图谱更新参与方发送的更新结果,所述更新结果通过各所述图谱更新参与方分别通过所述图谱更新参与方对应的第二预设缺陷知识图谱对所述更新样本数据进行检索获取,所述更新结果包括各所述更新样本数据对应的检索子结果;根据所述检索结果对所述第一预设缺陷知识图谱进行更新。
可选地,根据所述更新结果对所述第一预设缺陷知识图谱进行更新,包括:若各所述更新结果相同,则将任一更新结果中所述待检索子样本对应的搜索子结果加入所述第一预设缺陷知识图谱;若各所述更新结果不相同,则对各所述更新结果进行数据筛选,将数据筛选后的更新结果中所述待检索子样本对应的搜索子结果加入所述第一预设缺陷知识图谱。
本发明公开了一种产品缺陷数据分析系统,包括:获取模块,用于获取待识别产品缺陷数据以及生产现场数据;缺陷类型识别模块,与所述获取模块的输出端连接,所述缺陷类型识别模块用于通过缺陷类型识别模型确定所述待分析缺陷数据的产品缺陷类型,所述缺陷类型识别模型通过若干个模型中间参数对第一预设网络模型进行更新获得,所述模型中间参数为各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对所述模型训练参与方对应的第二预设网络模型进行训练获得;检索模块,与所述缺陷类型识别模块的输出端连接,所述检索模块用于通过第一预设缺陷知识图谱对所述产品缺陷类型和所述生产现场数据进行检索,将检索结果确定为缺陷分析结果。
本发明公开了一种电子设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行上述的方法。
本发明公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明的有益效果:各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得模型中间参数,并通过若干个模型中间参数对第一预设网络模型进行更新获得缺陷类型识别模型,通过获取待识别产品缺陷数据以及生产现场数据,根据缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,并通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果。这样,通过训练得到的缺陷类型识别模型对待识别产品缺陷数据进行识别得到产品缺陷类型,进而再通过预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索得到缺陷分析结果,相较于人工进行产品缺陷检测,提高了产品缺陷检测的效率。
附图说明
图1是本发明实施例中一个产品缺陷数据分析方法的流程示意图;
图2是本发明实施例中一个缺陷类型识别模型训练方法的时序图;
图3是本发明实施例中一个缺陷数据样本获取方法的流程示意图;
图4是本发明实施例中一个第一预设缺陷知识图谱更新方法的时序图;
图5是本发明实施例中一个产品缺陷数据分析系统的结构示意图
图6是本发明实施例中一个电子设备的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的子样本可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
结合图1所示,本发明公开了一种产品缺陷数据分析方法,包括:
步骤S101,用户端获取待识别产品缺陷数据以及生产现场数据;
步骤S102,用户端通过缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,缺陷类型识别模型通过若干个模型中间参数对第一预设网络模型进行更新获得,模型中间参数为各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得;
步骤S103,用户端通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果。
利用本发明公开的产品缺陷数据分析方法,各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得模型中间参数,并通过若干个模型中间参数对第一预设网络模型进行更新获得缺陷类型识别模型,通过获取待识别产品缺陷数据以及生产现场数据,根据缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,并通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果。这样,通过训练得到的缺陷类型识别模型对待识别产品缺陷数据进行识别得到产品缺陷类型,进而再通过预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索得到缺陷分析结果,相较于人工进行产品缺陷检测,提高了产品缺陷检测的效率。
可选地,用户端为企业联盟中的任一企业。
可选地,企业联盟包括多个面向工业互联网的企业。在一些实施例中,工业互联网为MES(Manufacturing Execution System,制造执行系统)工业互联网。
可选地,待识别产品缺陷数据包括产品图片、产品尺寸、产品形状、产品表面颗粒感、产品模型坐标轴、产品图片各像素颜色信息或产品电路导通信息等中的至少一种。
可选地,获取生产现场数据,包括:通过生产系统获取生产现场数据,其中,生产系统包括MES系统、杜尔系统等生产系统中的至少一种,生产现场数据包括人员数据、机器数据、原料数据、方法数据、环境数据、产品缺陷图片、产品缺陷尺寸、生产队列信息、生产过程质量、漆面涂装的喷涂压力、漆面涂装的喷嘴状态、漆面涂装的注蜡时间、漆面涂装的蜡温度、漆面涂装的照度、漆面涂装的灯管状态、漆面涂装的机器人枪间距、漆面涂装的风向、漆面涂装的风速、漆面涂装的底部纸盒压差、漆面涂装的过滤袋更换情况、漆面涂装的过滤袋精度、漆面涂装的喷漆室空气粒子含量、漆面涂装的电流、漆面涂装的调漆间温度和湿度、漆面涂装的雾化器状态和生产系统数据等数据中的至少一种。
可选地,缺陷类型识别模型部署在本地用户端或共用服务器端。
可选地,缺陷分析结果包括缺陷根因信息和缺陷解决方案信息,通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果之后,还包括:对缺陷根因信息和缺陷解决方案信息进行信息梳理,生成缺陷修复计划书和生产现场整改建议书。这样,通过训练得到的缺陷类型识别模型对待识别产品缺陷数据进行识别得到产品缺陷类型,进而再通过预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索得到缺陷分析结果,相较于人工进行产品缺陷检测,提高了产品缺陷检测的效率,并且,通过对缺陷根因信息和缺陷解决方案信息进行信息梳理,生成缺陷修复计划书和生产现场整改建议书,使得用户将缺陷修复计划书和生产现场整改建议书作为参考,便于用户对产品缺陷进行根因分析,并对生产现场进行整改。
可选地,通过以下方式获取缺陷类型识别模型:从企业联盟中选定若干个模型训练参与方,并分别向各模型训练参与方发送模型训练请求;获取各模型训练参与方反馈的模型中间参数,并根据各模型中间参数和各模型中间参数对应的预设权重生成融合参数;根据融合参数对预设网络模型进行更新,获得缺陷类型识别模型。样本数据是决定模型性能的关键因素之一,训练缺陷类型识别模型非常依赖样本数据的数量,但是由于工业领域特殊性,无法提供海量的精准标注数据,以支持深度学习模型的训练以获取满足生产场景的准确率要求,利用本发明公开的产品缺陷数据分析方法,通过从企业联盟中选定若干个模型训练参与方并获取各模型训练参与方的模型中间参数,并根据各模型中间参数和各模型中间参数对应的预设权重生成融合参数,进而根据融合参数对预设网络模型进行更新,以获得缺陷类型识别模型,这样,解决了训练缺陷类型识别模型时无法获取大量样本数据的问题,提高了缺陷类型识别模型的准确率,进而提高了产品缺陷检测的准确率。
可选地,各模型训练参与方获取预设加密算法和该预设加密算法的加/解密公钥。
可选地,模型训练参与方通过以下方式获取模型中间参数:模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对该模型训练参与方对应的第二预设网络模型进行训练;若满足第一预设条件、第二预设条件和第三预设条件中的至少一种,从训练后的第二预设网络模型中获取模型中间参数;若不满足第一预设条件、第二预设条件和第三预设条件,重新获取新的带有缺陷类型标签的缺陷数据样本,并通过新的缺陷数据样本对该模型训练参与方对应的第二预设网络模型进行训练;其中,第一预设条件为训练次数达到预设数量,第二预设条件为连续预设训练次数获取到的模型准确率不再增加,第三预设条件为连续预设训练次数获取到的模型损失函数值不再下降。在一些实施例中,预设数量包括5-15次,预设训练次数包括10-20次。
可选地,若满足第一预设条件、第二预设条件和第三预设条件中的至少一种,从训练后的第二预设网络模型中获取模型中间参数之后,还包括:根据预设加密算法对模型中间参数进行动态加密。
可选地,模型中间参数包括模型权重参数、模型梯度参数、模型损失参数等中的至少一种。
可选地,根据各模型中间参数和各模型中间参数对应的预设权重生成融合参数,该方法还包括以下至少之一:对加密后的模型中间参数进行解密,根据解密后的模型中间参数和各模型中间参数对应的预设权重生成融合参数;或,通过预设安全多方计算协议,并根据加密后的模型中间参数和各模型中间参数对应的预设权重生成融合参数,其中,融合参数为加密数据。这样,通过预设安全多方计算协议直接根据加密后的模型中间参数和各模型中间参数对应的预设权重生成融合参数,相较于对加密后的模型中间参数进行解密再根据解密后的模型中间参数和各模型中间参数对应的预设权重生成融合参数,确保模型训练参与方的模型中间参数不能被直接读取,提高数据的安全性。
在一些实施例中,预设安全多方计算协议包括同态加密技术。
可选地,通过以下方式确定融合参数:
其中,P是融合参数,pi为第i个模型中间参数,wi为第i个模型中间参数对应的预设权重,n为模型中间参数的数量。
结合图2所示,本发明公开了一种缺陷类型识别模型训练方法,包括:
步骤S201,用户端从企业联盟中选定若干个模型训练参与方;
步骤S202,用户端分别向各模型训练参与方发送模型训练请求;
步骤S203,模型训练参与方获取预设加密算法和该预设加密算法的加/解密公钥;
步骤S204,模型训练参与方获取缺陷数据样本;
步骤S205,模型训练参与方通过缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练;
步骤S206,若满足第一预设条件、第二预设条件和第三预设条件中的至少一种,模型训练参与方从训练后的第二预设网络模型中获取模型中间参数;
其中,第一预设条件为训练次数达到预设数量,第二预设条件为连续预设训练次数获取到的模型准确率不再增加,第三预设条件为连续预设训练次数获取到的模型损失函数值不再下降;
步骤S207,模型训练参与方向用户端发送通过预设加密算法加密后的模型中间参数;
步骤S208,用户端获取各模型训练参与方反馈的通过预设加密算法加密后的模型中间参数;
步骤S209,用户端根据各模型中间参数和各模型中间参数对应的预设权重生成融合参数;
步骤S210,用户端根据融合参数对预设网络模型进行更新,获得缺陷类型识别模型。
利用本发明公开的缺陷类型识别模型训练方法,通过用户端从企业联盟中选定若干个模型训练参与方,并分别向各模型训练参与方发送模型训练请求,模型训练参与方获取预设加密算法和该预设加密算法的加/解密公钥,并获取缺陷数据样本,通过缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练,若满足第一预设条件、第二预设条件和第三预设条件中的至少一种,模型训练参与方从训练后的第二预设网络模型中获取模型中间参数,并向用户端发送模型中间参数,用户端获取各模型训练参与方反馈的模型中间参数,并根据各模型中间参数和各模型中间参数对应的预设权重生成融合参数,根据融合参数对预设网络模型进行更新,获得缺陷类型识别模型。这样,解决了训练缺陷类型识别模型时无法获取大量样本数据的问题,提高了缺陷类型识别模型的准确率,进而提高了产品缺陷检测的准确率。
可选地,通过以下方式获取缺陷数据样本:模型训练参与方采集本地数据样本,并生成本地数据样本的缺陷类型标签;对本地数据样本依次进行第一数据处理和数据加密,获得加密缺陷数据,第一数据处理包括数据格式对齐、数据子样本对齐、数据提取的至少一种;获取加密缺陷数据集合,加密缺陷数据集合包括各模型训练参与方的加密缺陷数据;对加密缺陷数据集合中的加密缺陷数据进行第二数据处理,第二数据处理包括数据提取、数据格式对齐、数据子样本对齐、数据子样本降维、数据子样本选择的至少一种;提取第二数据处理后的加密缺陷数据集合中的缺陷数据样本,其中,缺陷数据样本为本地数据样本对应的加密缺陷数据。这样,统一各模型训练参与方的缺陷数据样本,进而解决了训练缺陷类型识别模型时无法获取大量样本数据的问题,提高了缺陷类型识别模型的准确率,进而提高了产品缺陷检测的准确率。并且,通过对本地数据样本进行加密,避免其他模型训练参与方获取敏感信息,提高本地数据样本的安全性。
可选地,加密缺陷数据集合中的各加密缺陷数据分别存放于其对应的模型训练参与方的本地存储空间内。这样,将加密缺陷数据集合作为一个全局的虚拟集合,模型训练参与方不需要发送对应的加密缺陷数据,而是存放在本地,进而提高数据的安全性。
可选地,通过以下方式获取缺陷数据样本:模型训练参与方采集本地数据样本,并生成本地数据样本的缺陷类型标签;对本地数据样本依次进行第一数据处理和数据加密,获得加密缺陷数据,将加密缺陷数据作为待处理数据,第一数据处理包括数据格式对齐、数据子样本对齐、数据提取的至少一种;获取各模型训练参与方的加密缺陷数据并作为对照数据;根据对照数据对待处理数据进行第二数据处理,获得缺陷数据样本,第二数据处理包括数据提取、数据格式对齐、数据子样本对齐、数据子样本降维、数据子样本选择的至少一种。
可选地,各模型训练参与方通过本地生产系统采集该模型训练参与方对应的本地数据样本。这样,各模型训练参与方与本地数据样本存在对应关系,通过各模型训练参与方采集各自的本地数据样本,解决了训练缺陷类型识别模型时无法获取大量样本数据的问题,进而统一各模型训练参与方的缺陷数据样本,并对本地数据样本进行加密,避免其他模型训练参与方获取敏感信息,不仅提高本地数据样本的安全性,还提高了缺陷类型识别模型的准确率,进而提高了产品缺陷检测的准确率。
可选地,缺陷数据样本包括产品图片、产品尺寸、产品形状、产品表面颗粒感、产品模型坐标轴、产品图片各像素颜色信息或产品电路导通信息等中的至少一种。
可选地,对本地数据样本依次进行第一数据处理和数据加密,获得加密缺陷数据,包括:若本地数据样本的数据格式为图片数据,则对本地数据样本进行样本维度对齐,得到对齐缺陷数据;若本地数据样本的数据格式为文本数据,则对本地数据样本依次进行子样本维度对齐和样本维度对齐,得到对齐缺陷数据;对对齐缺陷数据进行加密,获得加密缺陷数据。
在一些实施例中,获取到数据样本A和数据样本B,数据样本A包括子样本c1、子样本c2、子样本c3,数据样本B包括子样本c2、子样本c3、子样本c4,则对数据样本A和数据样本B进行样本维度对齐,将两者的子样本c2、子样本c3进行数据对齐。
在一些实施例中,获取到数据样本D和数据样本E,数据样本D包括特征α、特征β、特征γ,数据样本E包括特征β、特征γ、特征δ,则对数据样本D和数据样本E进行特征维度对齐,将两者的特征β、特征γ进行数据对齐。
可选地,根据提取参数对缺陷数据样本进行数据提取,以更新缺陷数据样本;其中,提取参数包括样本数量、子样本数量、中位数、众数、极值等参数中的至少一个。
结合图3所示,本发明公开了一种缺陷数据样本获取方法,包括:
步骤S301,采集本地数据样本;
步骤S302,生成本地数据样本的缺陷类型标签;
步骤S303,判断本地数据样本的数据格式;若本地数据样本的数据格式为图片格式,执行步骤S304;若本地数据样本的数据格式为文本格式,执行步骤S305;
步骤S304,对本地数据样本进行样本维度对齐,得到对齐缺陷数据,执行步骤306;
步骤S305,对本地数据样本依次进行样本维度对齐和样本维度对齐,得到对齐缺陷数据,执行步骤306;
步骤S306,对缺陷数据进行加密,获得加密缺陷数据;
步骤S307,获取各模型训练参与方的加密缺陷数据并作为对照数据;
步骤S308,根据对照数据对待处理数据进行第二数据处理,获得缺陷数据样本;
其中,第二数据处理包括数据提取、数据格式对齐、数据子样本对齐、数据子样本降维、数据子样本选择的至少一种。
利用本发明公开的缺陷数据样本获取方法,通过采集本地数据样本并生成本地数据样本的缺陷类型标签,根据本地数据样本的数据格式不同对本地数据样本进行数据处理得到对齐缺陷数据,再对缺陷数据进行加密,获得加密缺陷数据,获取各模型训练参与方的加密缺陷数据并作为对照数据,并根据对照数据对待处理数据进行第二数据处理,获得缺陷数据样本。这样,统一各模型训练参与方的缺陷数据样本,进而解决了训练缺陷类型识别模型时无法获取大量样本数据的问题,提高了缺陷类型识别模型的准确率,进而提高了产品缺陷检测的准确率。并且,通过对本地数据样本进行加密,避免其他模型训练参与方获取敏感信息,提高本地数据样本的安全性。
可选地,缺陷类型识别模型包括多个数据格式对应的缺陷类型识别子模型,通过缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,包括:获取待分析缺陷数据的缺陷数据格式;将待分析缺陷数据输入缺陷数据格式对应的缺陷类型识别子模型,输出待分析缺陷数据的产品缺陷类型。这样,能够根据不同的缺陷数据格式获取对应的缺陷类型识别子模型,扩大适用范围。
可选地,待识别产品缺陷数据的缺陷数据格式包括图片格式、文本格式或视频格式等数据格式中的一种。
可选地,若缺陷数据格式为图片格式或视频格式,则缺陷类型识别子模型、第一预设网络模型和第二预设网络模型为基于计算机视觉模型训练的图像分类模型。
可选地,若缺陷数据格式为文本格式,则缺陷类型识别子模型、第一预设网络模型和第二预设网络模型为基于自然语言处理模型训练的文本分类模型或语义相似度模型。
可选地,通过利用第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,获得缺陷分析结果,包括:利用预先训练的融合模型对产品缺陷类型和生产现场数据进行融合,获得待检索子样本;通过第一预设缺陷知识图谱对待检索子样本进行检索;若存在待检索子样本表示对应的缺陷解决方案,则将缺陷解决方案确定为缺陷分析结果;若不存在待检索子样本表示对应的缺陷解决方案,则对第一预设缺陷知识图谱进行更新,并通过更新后的第一预设缺陷知识图谱对待检索子样本表示进行检索。这样,通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,相较于人工检索,不仅提高检索的效率,还便于用于检索时的连贯性。
可选地,通过以下方式更新第一预设缺陷知识图谱:从企业联盟中选定若干个图谱更新参与方,向图谱更新参与方发送更新样本数据,更新样本数据包括待检索子样本和若干个混淆子样本;分别获取各图谱更新参与方发送的更新结果,更新结果通过各图谱更新参与方分别通过图谱更新参与方对应的第二预设缺陷知识图谱对更新样本数据进行检索获取,更新结果包括各更新样本数据对应的检索子结果;根据检索结果对第一预设缺陷知识图谱进行更新。这样,若不存在待检索子样本表示对应的缺陷解决方案,通过若干个图谱更新参与方对第一预设缺陷知识图谱进行更新,扩大了更新范围,解决了更新第一预设缺陷知识图谱时无法获取大量知识资源的问题,进而提高第一预设缺陷知识图谱的检索准确率。
可选地,根据更新结果对第一预设缺陷知识图谱进行更新,包括:若各更新结果相同,则将任一更新结果中待检索子样本对应的搜索子结果加入第一预设缺陷知识图谱;若各更新结果不相同,则对各更新结果进行数据筛选,将数据筛选后的更新结果中待检索子样本对应的搜索子结果加入第一预设缺陷知识图谱。这样,若各更新结果不相同,则对各更新结果进行筛选,获得最优的若干个更新结果并更新第一预设缺陷知识图谱,进而提高第一预设缺陷知识图谱的检索准确率。
结合图4所示,本发明公开了一种第一预设缺陷知识图谱更新方法,包括:
步骤S401,用户端从企业联盟中选定若干个图谱更新参与方;
步骤S402,用户端向图谱更新参与方发送更新样本数据;
其中,更新样本数据包括待检索子样本和若干个混淆子样本;
步骤S403,图谱更新参与方通过图谱更新参与方对应的第二预设缺陷知识图谱对更新样本数据进行检索,获得更新结果;
其中,更新结果包括各更新样本数据对应的检索子结果;
步骤S404,图谱更新参与方发送更新结果至用户端;
步骤S405,用户端接收各图谱更新参与方发送的更新结果;
步骤S406,若各更新结果相同,则用户端将任一更新结果中待检索子样本对应的搜索子结果加入第一预设缺陷知识图谱;若各更新结果不相同,则用户端对各更新结果进行数据筛选,将数据筛选后的更新结果中待检索子样本对应的搜索子结果加入第一预设缺陷知识图谱。
利用本发明公开的第一预设缺陷知识图谱更新方法,用户端从企业联盟中选定若干个图谱更新参与方并向图谱更新参与方发送更新样本数据,图谱更新参与方通过图谱更新参与方对应的第二预设缺陷知识图谱对更新样本数据进行检索,获得更新结果,并发送更新结果至用户端,用户端接收各图谱更新参与方发送的更新结果,若各更新结果相同,则用户端将任一更新结果中待检索子样本对应的搜索子结果加入第一预设缺陷知识图谱;若各更新结果不相同,则用户端对各更新结果进行数据筛选,将数据筛选后的更新结果中待检索子样本对应的搜索子结果加入第一预设缺陷知识图谱。这样,扩大了更新范围,解决了更新第一预设缺陷知识图谱时无法获取大量知识资源的问题,进而提高第一预设缺陷知识图谱的检索准确率。
可选地,向图谱更新参与方发送更新样本数据之前,包括:根据预设加密算法对更新样本数据进行加密。
目前,通过基于机器视觉的表面缺陷检测替代人工肉眼检测表面缺陷。由于机器视觉是通过光学装置和非接触传感器自动地接收和处理一个真实物体的图像以获得所需信息,根据被检表面特性来构造成像方案来减轻缺陷检测算法设计的难度,但是同时在真实复杂的工业环境下,外观缺陷检测往往面临诸多挑战,例如存在缺陷成像与背景差异小、对比度低、缺陷尺度变化大且类型多样,以及缺陷图像存在大量噪声,甚至缺陷在自然环境下成像存在大量干扰等情形,增加了缺陷检测系统的应用成本。
而随着人工智能相关技术的不断发展,基于深度学习的表面缺陷检测成为了替代人工检测的优选方案,利用计算机来模拟人类视觉机理获取和处理图像信息的能力,从具体的实物进行图像的采集、处理、学习、最终进行实际检测、控制和应用。基于深度学习的表面缺陷检测既可以和现有生产线无缝对接实时在线检测,也可以离线检测,在对产品表面的缺陷进行快速检测的同时能够直观显示检测结果,检测精确、稳定、快速,可大幅提高质量缺陷检测效率。通过该技术可以避免检测结果的准确性受到作业条件、检测人员主观判断等因素的影响,实现更快速的产品表面缺陷检测,提高制造商整体生产效率。现有大部分基于深度学习的表面缺陷检测是采用有监督的表征学习方法。表征学习的本质是将缺陷检测问题看作计算机视觉中的分类任务,包括粗粒度的图像标签分类或区域分类,以及最精细的像素分类。但是有监督的学习方法需要大量的标注数据,需花费大量的标注精力和成本。并且,在真实的工业生产环境中,制造商所能够提供的数据绝大多数都是健康的生产数据,缺陷样本数量是非常有限的,有的车间甚至只能提供几张或几十张缺陷图片,其中还不能保证涵盖所有的缺陷类型。无监督学习方法中正常样本学习的神经网络只需接受正常(无缺陷)样本进行训练,使其具备正常样本分布的重建和判别能力。因此,当网络输入的样本存在缺陷时,往往会产生与正常样本不同的结果。相比于有监督学习模型,它能够检测到偏离预期的模式或没有见过的模式,这些模式都可以称为缺陷或者异常。然而,目前基于正常样本学习方法常用于简单统一的纹理表面缺陷检测,在复杂的工业检测环境下,相比于有监督学习的方法,其检测效果还不太理想。制造商在确定了缺陷类型后,需要对其出现的原因进行分析,以便对相关生产因素进行及时的控制与整改,从而避免相同缺陷在后续产品中再次出现,因此制造商也需要结合专家经验以及历史缺陷数据构建缺陷知识图谱,但是,单个制造商能够收集到的缺陷历史数据是有限的,具备的专家知识库也不够完善。
利用本发明公开的产品缺陷数据分析方法,各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得模型中间参数,并通过若干个模型中间参数对第一预设网络模型进行更新获得缺陷类型识别模型,通过获取待识别产品缺陷数据以及生产现场数据,根据缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,并通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果。这样,通过训练得到的缺陷类型识别模型对待识别产品缺陷数据进行识别得到产品缺陷类型,进而再通过预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索得到缺陷分析结果,相较于人工进行产品缺陷检测,提高了产品缺陷检测的效率。同时,实现了数据不动模型动的机制,在进行机器学习的过程中,各模型训练参与方进行联合建模,各方无需共享数据资源进行数据联合训练,建立共享的机器学习模型,解决了训练缺陷类型识别模型时无法获取大量样本数据的问题,提高了缺陷类型识别模型的准确率,进而提高了产品缺陷检测的准确率。
结合图5所示,本发明公开了一种产品缺陷数据分析系统,包括获取模块501、缺陷类型识别模块502和检索模块503。获取模块501用于获取待识别产品缺陷数据以及生产现场数据。缺陷类型识别模块502与获取模块的输出端连接,缺陷类型识别模块用于通过缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,缺陷类型识别模型通过若干个模型中间参数对第一预设网络模型进行更新获得,模型中间参数为各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得。检索模块503与缺陷类型识别模块的输出端连接,检索模块用于通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果。
利用本发明公开的产品缺陷数据分析系统,各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得模型中间参数,并通过若干个模型中间参数对第一预设网络模型进行更新获得缺陷类型识别模型,通过获取待识别产品缺陷数据以及生产现场数据,根据缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,并通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果。这样,通过训练得到的缺陷类型识别模型对待识别产品缺陷数据进行识别得到产品缺陷类型,进而再通过预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索得到缺陷分析结果,相较于人工进行产品缺陷检测,提高了产品缺陷检测的效率。
结合图6所示,本实施例公开了一种电子设备,包括:处理器(processor)600及存储器(memory)601;存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使终端执行本实施例中任一项方法。可选地,该电子设备还可以包括通信接口(Communication Interface)602和总线603。其中,处理器600、通信接口602、存储器601可以通过总线603完成相互间的通信。通信接口602可以用于信息传输。处理器600可以调用存储器601中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器601中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器601作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器600通过运行存储在存储器601中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器601可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器。
采用本发明公开的电子设备,各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对模型训练参与方对应的第二预设网络模型进行训练获得模型中间参数,并通过若干个模型中间参数对第一预设网络模型进行更新获得缺陷类型识别模型,通过获取待识别产品缺陷数据以及生产现场数据,根据缺陷类型识别模型确定待分析缺陷数据的产品缺陷类型,并通过第一预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索,将检索结果确定为缺陷分析结果。这样,通过训练得到的缺陷类型识别模型对待识别产品缺陷数据进行识别得到产品缺陷类型,进而再通过预设缺陷知识图谱对产品缺陷类型和生产现场数据进行检索得到缺陷分析结果,相较于人工进行产品缺陷检测,提高了产品缺陷检测的效率。
本实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开的电子设备,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子设备执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、图形处理器(Graphics Processing Unit,简称GPU),网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和子样本可以被包括在或替换其他实施例的部分和子样本。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的子样本、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它子样本、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域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算法步骤,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,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以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,或一些子样本可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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。另外,在本公开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。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (9)
1.一种产品缺陷数据分析方法,其特征在于,包括:
获取待识别产品缺陷数据以及生产现场数据;
通过缺陷类型识别模型确定所述待识别产品缺陷数据的产品缺陷类型,所述缺陷类型识别模型通过多个模型中间参数对第一预设网络模型进行更新获得,所述模型中间参数为各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对所述模型训练参与方对应的第二预设网络模型进行训练获得;
通过第一预设缺陷知识图谱对所述产品缺陷类型和所述生产现场数据进行检索,将检索结果确定为缺陷分析结果;
其中,所述第一预设缺陷知识图谱通过采集到的缺陷历史数据与专家知识库建立检索关系得到;
通过利用第一预设缺陷知识图谱对所述产品缺陷类型和所述生产现场数据进行检索,获得缺陷分析结果,包括,利用预先训练的融合模型对所述产品缺陷类型和所述生产现场数据进行融合,获得待检索子样本;通过第一预设缺陷知识图谱对所述待检索子样本进行检索;若存在所述待检索子样本表示对应的缺陷解决方案,则将所述缺陷解决方案确定为缺陷分析结果;若不存在所述待检索子样本表示对应的缺陷解决方案,则对所述第一预设缺陷知识图谱进行更新,并通过更新后的第一预设缺陷知识图谱对所述待检索子样本表示进行检索。
2.根据权利要求1所述的方法,其特征在于,通过以下方式获取缺陷类型识别模型:
从企业联盟中选定多个模型训练参与方,并分别向所述各模型训练参与方发送模型训练请求;
获取各所述模型训练参与方反馈的模型中间参数,并根据各所述模型中间参数和各所述模型中间参数对应的预设权重生成融合参数;
根据所述融合参数对预设网络模型进行更新,获得缺陷类型识别模型。
3.根据权利要求1所述的方法,其特征在于,通过以下方式获取缺陷数据样本:
所述模型训练参与方采集本地数据样本,并生成所述本地数据样本的缺陷类型标签;
对所述本地数据样本依次进行第一数据处理和数据加密,获得加密缺陷数据,所述第一数据处理包括数据格式对齐、数据子样本对齐、数据提取的至少一种;
获取加密缺陷数据集合,所述加密缺陷数据集合包括各模型训练参与方的加密缺陷数据;
对所述加密缺陷数据集合中的加密缺陷数据进行第二数据处理,所述第二数据处理包括数据提取、数据格式对齐、数据子样本对齐、数据子样本降维、数据子样本选择的至少一种;
提取第二数据处理后的加密缺陷数据集合中的缺陷数据样本,其中,缺陷数据样本为所述本地数据样本对应的加密缺陷数据。
4.根据权利要求1所述的方法,其特征在于,所述缺陷类型识别模型包括多个数据格式对应的缺陷类型识别子模型,通过缺陷类型识别模型确定所述待识别产品缺陷数据的产品缺陷类型,包括:
获取所述待识别产品缺陷数据的缺陷数据格式;
将所述待识别产品缺陷数据输入所述缺陷数据格式对应的缺陷类型识别子模型,输出所述待识别产品缺陷数据的产品缺陷类型。
5.根据权利要求1所述的方法,其特征在于,通过以下方式更新所述第一预设缺陷知识图谱:
从企业联盟中选定多个图谱更新参与方,向所述图谱更新参与方发送更新样本数据,所述更新样本数据包括所述待检索子样本和多个混淆子样本;
分别获取各所述图谱更新参与方发送的更新结果,所述更新结果通过各所述图谱更新参与方分别通过所述图谱更新参与方对应的第二预设缺陷知识图谱对所述更新样本数据进行检索获取,所述更新结果包括各所述更新样本数据对应的检索子结果;
根据所述检索结果对所述第一预设缺陷知识图谱进行更新。
6.根据权利要求5所述的方法,其特征在于,根据所述更新结果对所述第一预设缺陷知识图谱进行更新,包括:
若各所述更新结果相同,则将任一更新结果中所述待检索子样本对应的搜索子结果加入所述第一预设缺陷知识图谱;
若各所述更新结果不相同,则对各所述更新结果进行数据筛选,将数据筛选后的更新结果中所述待检索子样本对应的搜索子结果加入所述第一预设缺陷知识图谱。
7.一种产品缺陷数据分析系统,其特征在于,包括:
获取模块,用于获取待识别产品缺陷数据以及生产现场数据;
缺陷类型识别模块,与所述获取模块的输出端连接,所述缺陷类型识别模块用于通过缺陷类型识别模型确定所述待识别产品缺陷数据的产品缺陷类型,所述缺陷类型识别模型通过多个模型中间参数对第一预设网络模型进行更新获得,所述模型中间参数为各模型训练参与方通过多个带有缺陷类型标签的缺陷数据样本对所述模型训练参与方对应的第二预设网络模型进行训练获得;
检索模块,与所述缺陷类型识别模块的输出端连接,所述检索模块用于通过第一预设缺陷知识图谱对所述产品缺陷类型和所述生产现场数据进行检索,将检索结果确定为缺陷分析结果;
通过利用第一预设缺陷知识图谱对所述产品缺陷类型和所述生产现场数据进行检索,获得缺陷分析结果,包括,利用预先训练的融合模型对所述产品缺陷类型和所述生产现场数据进行融合,获得待检索子样本;通过第一预设缺陷知识图谱对所述待检索子样本进行检索;若存在所述待检索子样本表示对应的缺陷解决方案,则将所述缺陷解决方案确定为缺陷分析结果;若不存在所述待检索子样本表示对应的缺陷解决方案,则对所述第一预设缺陷知识图谱进行更新,并通过更新后的第一预设缺陷知识图谱对所述待检索子样本表示进行检索。
8.一种电子设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:
所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525331.3A CN114169248B (zh) | 2021-12-14 | 2021-12-14 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525331.3A CN114169248B (zh) | 2021-12-14 | 2021-12-14 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169248A CN114169248A (zh) | 2022-03-11 |
CN114169248B true CN114169248B (zh) | 2023-03-14 |
Family
ID=80486371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525331.3A Active CN114169248B (zh) | 2021-12-14 | 2021-12-14 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169248B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943415A (zh) * | 2022-04-15 | 2022-08-26 | 上海波士内智能科技有限公司 | 一种基于知识图谱的金属焊接缺陷根因分析方法 |
CN114529224A (zh) * | 2022-04-21 | 2022-05-24 | 深圳市信润富联数字科技有限公司 | 产品的质量管控方法、系统、终端设备及存储介质 |
CN114594746B (zh) * | 2022-05-10 | 2022-08-12 | 广东祥利科技有限公司 | 改性橡胶智能生产检测控制方法及系统 |
CN115098652A (zh) * | 2022-05-25 | 2022-09-23 | 北京中联太信科技有限公司 | 绝缘缺陷分析系统、方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
CN113034420A (zh) * | 2019-12-05 | 2021-06-25 | 复旦大学 | 一种频率空间域特征的工业产品表面缺陷分割方法及系统 |
CN113065046A (zh) * | 2021-04-28 | 2021-07-02 | 北京理工大学 | 一种产品缺陷检测设备和方法 |
-
2021
- 2021-12-14 CN CN202111525331.3A patent/CN114169248B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
CN113034420A (zh) * | 2019-12-05 | 2021-06-25 | 复旦大学 | 一种频率空间域特征的工业产品表面缺陷分割方法及系统 |
CN113065046A (zh) * | 2021-04-28 | 2021-07-02 | 北京理工大学 | 一种产品缺陷检测设备和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114169248A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169248B (zh) | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 | |
CN107463888B (zh) | 基于多任务学习与深度学习的人脸情绪分析方法及系统 | |
WO2020061939A1 (zh) | 识别设备的方法、装置、系统、存储介质、处理器和终端 | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
CN110263642A (zh) | 用于替换图像的部分的图像缓存 | |
CN109684913A (zh) | 一种基于社区发现聚类的视频人脸标注方法和系统 | |
CN110580489B (zh) | 一种数据对象的分类系统、方法以及设备 | |
CN110516707B (zh) | 一种图像标注方法及其装置、存储介质 | |
US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
CN112668638A (zh) | 一种图像美学质量评估和语义识别联合分类方法及系统 | |
JP2003513185A (ja) | 建設工事の検査を支援する方法および装置 | |
CN112767038B (zh) | 基于美学特征的海报ctr预测方法及装置 | |
CN109815736A (zh) | 一种数据库脱敏方法、装置及脱敏设备 | |
Zhao et al. | A machine learning method for state identification of superheat degree with flame interference | |
CN105468887B (zh) | 数据分析系统以及方法 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
Chen et al. | Classroom attention estimation method based on mining facial landmarks of students | |
EP4288940A1 (en) | System for clustering data points | |
CN116309005A (zh) | 虚拟换装方法、装置、电子设备及可读介质 | |
CN113704545A (zh) | 视频标签的挖掘方法、装置、电子设备及存储介质 | |
Berlier et al. | Augmenting simulation data with sensor effects for improved domain transfer | |
CN116563783B (zh) | 基于数字孪生的违规告警方法、装置、设备及存储介质 | |
Schur et al. | Speed and accuracy improvements in visual pattern recognition tasks by employing human assistance | |
Kubola et al. | Optimal AI Model for Industrial AR Application based on Object Detection | |
Yasue et al. | Developing a Meta-AR Space Construction System and Mapping Coverage Visualization |
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 |