CN114594746B - 改性橡胶智能生产检测控制方法及系统 - Google Patents

改性橡胶智能生产检测控制方法及系统 Download PDF

Info

Publication number
CN114594746B
CN114594746B CN202210500705.4A CN202210500705A CN114594746B CN 114594746 B CN114594746 B CN 114594746B CN 202210500705 A CN202210500705 A CN 202210500705A CN 114594746 B CN114594746 B CN 114594746B
Authority
CN
China
Prior art keywords
data
production
defect
node
target
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
Application number
CN202210500705.4A
Other languages
English (en)
Other versions
CN114594746A (zh
Inventor
梁国伟
梁国超
何鑫
苏伟彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Xiangli Technology Group Co.,Ltd.
Original Assignee
Guangdong Xiangli Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Xiangli Technology Co ltd filed Critical Guangdong Xiangli Technology Co ltd
Priority to CN202210500705.4A priority Critical patent/CN114594746B/zh
Publication of CN114594746A publication Critical patent/CN114594746A/zh
Application granted granted Critical
Publication of CN114594746B publication Critical patent/CN114594746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

本申请实施例公开了一种改性橡胶智能生产检测控制方法及系统，在依据第一生产控制优化策略对指定橡胶生产分区相对应的橡胶生产设备进行生产控制时，如果检测到再次获取的第二缺陷来源信息与第一缺陷来源信息存在相关联的缺陷来源时，追溯相关联的缺陷来源所对应的目标视觉数据簇，之后进行持续性视觉数据提取并进行细分缺陷来源挖掘，由此依据细分缺陷来源获取针对指定橡胶生产分区重新更新的第二生产控制优化策略进行补充生产控制，可以有效提高橡胶生产检测的可靠性。

Description

改性橡胶智能生产检测控制方法及系统
技术领域
本申请涉及生产检测控制与视觉技术领域，具体而言，涉及一种改性橡胶智能生产检测控制方法及系统。
背景技术
在改性橡胶生产过程中，需要进行实时的生产缺陷检测，以确定缺陷来源，进而进行生产方案的及时调整，保证生产质量。相关技术中，在首次进行生产缺陷来源分析的过程中，为了保证分析效率，通常是粗粒度的分析，缺乏细分粒度分析，因此容易导致即便在基于生产缺陷来源进行生产控制优化后，仍旧存在部分相关联的缺陷来源的具体细分缺陷来源没有被细分粒度分析到，导致生产缺陷来源仍旧存在，也影响后续橡胶生产检测的可靠性。
发明内容
本申请提供一种改性橡胶智能生产检测控制方法及系统。
第一方面，本申请实施例提供一种改性橡胶智能生产检测控制方法，应用于改性橡胶智能生产检测控制系统，包括：
获取针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第一缺陷来源信息；
依据所述第一缺陷来源信息获取针对所述指定橡胶生产分区重新更新的第一生产控制优化策略，并依据所述第一生产控制优化策略对所述指定橡胶生产分区相对应的橡胶生产设备进行生产控制，并在再次获取到针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第二缺陷来源信息后，判断所述第一缺陷来源信息与所述第二缺陷来源信息是否存在相关联的缺陷来源；
在确定所述第一缺陷来源信息与所述第二缺陷来源信息存在相关联的缺陷来源时，追溯所述相关联的缺陷来源所对应的目标视觉数据簇；
对所述目标视觉数据簇进行持续性视觉数据提取，并对提取到的持续性视觉数据进行细分缺陷来源挖掘，并依据挖掘的细分缺陷来源获取针对所述指定橡胶生产分区重新更新的第二生产控制优化策略，以依据所述第二生产控制优化策略对所述指定橡胶生产分区相对应的橡胶生产设备进行补充生产控制。
相比现有技术，在依据第一生产控制优化策略对指定橡胶生产分区相对应的橡胶生产设备进行生产控制时，如果检测到再次获取的第二缺陷来源信息与第一缺陷来源信息存在相关联的缺陷来源时，追溯相关联的缺陷来源所对应的目标视觉数据簇，之后进行持续性视觉数据提取并进行细分缺陷来源挖掘，由此依据细分缺陷来源获取针对指定橡胶生产分区重新更新的第二生产控制优化策略进行补充生产控制，可以有效提高橡胶生产检测的可靠性。
附图说明
图1为本申请实施例提供的一种改性橡胶智能生产检测控制方法步骤流程示意图；
图2为本申请的实施例提供的用于执行图1中的改性橡胶智能生产检测控制方法的改性橡胶智能生产检测控制系统的架构示意框图。
具体实施方式
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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。结合本申请中的实施例，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它实施例，都属于本申请保护的范围。
下面对本申请实施例进行示例性说明。
步骤S110，获取针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第一缺陷来源信息。
本实施例中，步骤S110的具体实现方式可以参见后续实施例的相关描述。其中，第一缺陷来源信息可以用于表征指定橡胶生产分区在橡胶生产检测过程中获得的存在生产异常的缺陷来源。
步骤S120，依据所述第一缺陷来源信息获取针对所述指定橡胶生产分区重新更新的第一生产控制优化策略，并依据所述第一生产控制优化策略对所述指定橡胶生产分区相对应的橡胶生产设备进行生产控制，并在再次获取到针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第二缺陷来源信息后，判断所述第一缺陷来源信息与所述第二缺陷来源信息是否存在相关联的缺陷来源。
例如，可以预先配置不同缺陷来源所对应的生产控制优化策略，这样即可依据所述第一缺陷来源信息获取针对所述指定橡胶生产分区重新更新的第一生产控制优化策略，并依据所述第一生产控制优化策略对所述指定橡胶生产分区相对应的橡胶生产设备进行生产控制。然而，在实际生产控制过程中前述的缺陷来源不一定能够彻底解决，因此在接下来的生产控制中，如果再次获取到针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第二缺陷来源信息，那么还需要进一步判断所述第一缺陷来源信息与所述第二缺陷来源信息是否存在相关联的缺陷来源。例如，是否存在相同或者相似的缺陷来源。
步骤S130，在确定所述第一缺陷来源信息与所述第二缺陷来源信息存在相关联的缺陷来源时，追溯所述相关联的缺陷来源所对应的目标视觉数据簇。
本实施例中，如果所述第一缺陷来源信息与所述第二缺陷来源信息存在相关联的缺陷来源，表示还存在进一步细分的缺陷来源没有被追溯到，因此在此基础上需要进一步追溯所述相关联的缺陷来源所对应的视觉数据，并汇总构成目标视觉数据簇。
步骤S140，对所述目标视觉数据簇进行持续性视觉数据提取，并对提取到的持续性视觉数据进行细分缺陷来源挖掘，并依据挖掘的细分缺陷来源获取针对所述指定橡胶生产分区重新更新的第二生产控制优化策略，以依据所述第二生产控制优化策略对所述指定橡胶生产分区相对应的橡胶生产设备进行补充生产控制。
其中，持续性视觉数据提取可以是指从所述目标视觉数据簇中提取具有持续性特征的视觉数据，例如具有连续超过5帧特征在同一视觉场景中的视觉数据。
基于以上步骤，本实施例在依据第一生产控制优化策略对指定橡胶生产分区相对应的橡胶生产设备进行生产控制时，如果检测到再次获取的第二缺陷来源信息与第一缺陷来源信息存在相关联的缺陷来源时，追溯相关联的缺陷来源所对应的目标视觉数据簇，之后进行持续性视觉数据提取并进行细分缺陷来源挖掘，由此依据细分缺陷来源获取针对指定橡胶生产分区重新更新的第二生产控制优化策略进行补充生产控制，可以有效提高橡胶生产检测的可靠性。
一种示例性的设计思路中，针对步骤S140中对提取到的持续性视觉数据进行细分缺陷来源挖掘的步骤，可以通过以下实施方式实现。
步骤S102，获取视觉检测装置在第一视觉检测阶段对不同生产控制功能的生产控制流程的生产控制信息进行检测获得的多种视觉定位数据；
步骤S104，确定多种所述视觉定位数据中包括的关联于首次出现元素的第一视觉定位数据；
步骤S106，依据所述第一视觉定位数据确定所述首次出现元素在所述第一视觉检测阶段内的细分单元数据；
步骤S108，依据所述细分单元数据确定所述首次出现元素的目标细分缺陷来源。
在获得多种视觉定位数据后，确定多种视觉定位数据中关联于首次出现元素的第一视觉定位数据，其中，第一视觉定位数据中包括触发首次出现元素的定位数据。在得到第一视觉定位数据后，根据第一视觉定位数据确定出首次出现元素在第一视觉检测阶段内的细分单元数据，根据细分单元数据确定出首次出现元素的目标细分缺陷来源。
如此设计，获取视觉检测装置在第一视觉检测阶段对不同生产控制功能的生产控制流程的生产控制信息进行检测获得的多种视觉定位数据，在多种视觉定位数据中确定出关联于首次出现元素的第一视觉定位数据，根据第一视觉定位数据确定首次出现元素在第一视觉检测阶段内的细分单元数据，根据细分单元数据确定首次出现元素的目标细分缺陷来源。由于可以综合多种视觉定位数据确定首次出现元素的细分单元数据，根据细分单元数据确定首次出现元素的目标细分缺陷来源。
一些可能的实施方式中，确定多种所述视觉定位数据中包括的关联于首次出现元素的第一视觉定位数据包括：对多种所述视觉定位数据进行预设处理，以确定多种所述视觉定位数据中包括的匹配预设要求的第二视觉定位数据；在所述第二视觉定位数据中确定所述第一视觉定位数据。预设处理可以包括数据清洗等。
一些可能的实施方式中，在所述第二视觉定位数据中确定所述第一视觉定位数据包括：确定所述第二视觉定位数据中包括的不同生产控制功能的生产控制流程的第一出现元素ID信息；将所述第一出现元素ID信息与出现元素ID信息库中的第二出现元素ID信息进行联系，以确定所述第一出现元素ID信息中包括的关联于所述首次出现元素的第三出现元素ID信息，其中，所述出现元素ID信息库中包括与第一目标元素具有联系的多种出现元素ID信息，所述第一目标元素包括与所述首次出现元素类型相同的至少一个目标元素；将所述第二视觉定位数据中包括的与所述第三出现元素ID信息对应的视觉定位数据确定为所述第一视觉定位数据。例如，第二视觉定位数据中包括不同生产控制功能的生产控制流程的信息，不同生产控制功能的生产控制流程信息中均包括对象的第一出现元素ID信息。将第一出现元素ID信息与出现元素ID信息库中的第二标识进行联系，以确定出第一出现元素ID信息中包括的关联于首次出现元素的第三出现元素ID信息。
一些可能的实施方式中，依据所述细分单元数据确定所述首次出现元素的目标细分缺陷来源包括：确定对应于所述细分单元数据中包括的每个目标工序数据对应的目标视觉定位数据的目标工序节点；对应于每个所述目标工序数据，分别执行如下步骤，以确定第一细分缺陷来源：分析所述细分单元数据中是否涵盖第一工序数据和第二工序数据；其中，所述第一工序数据为在触发所述目标工序数据的前向工序段所触发的，且所述第一工序数据的第一工序节点相隔所述目标工序节点最接近，所述第二工序数据为在触发所述目标工序数据的后向工序段所触发的，且第二工序数据的第二工序节点相隔所述目标工序节点最接近，所述第一工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致且所述第二工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致；如果判定所述细分单元数据中涵盖所述第一工序数据和所述第二工序数据，且所述第一工序节点与所述目标工序节点的间隔参数值大于预设间隔参数值，所述第二工序节点与所述目标工序节点的间隔参数值大于所述预设间隔参数值的前提下，将所述目标工序数据对应的工序对象确定为所述第一细分缺陷来源；如果判定所述细分单元数据中仅涵盖所述第一工序数据，且所述第一工序节点与所述目标工序节点的间隔参数值大于所述预设间隔参数值的前提下，将所述第一工序数据对应的工序对象确定为所述第一细分缺陷来源；如果判定所述细分单元数据中仅涵盖所述第二工序数据，且所述第二工序节点与所述目标工序节点的间隔参数值大于所述预设间隔参数值的前提下，将所述第二工序数据对应的工序对象确定为所述第一细分缺陷来源；依据所述第一细分缺陷来源确定所述目标细分缺陷来源。
一些可能的实施方式中，如果判定第一工序数据和第二工序数据的后向工序段，所述方法还包括：在所述第一工序节点与所述目标工序节点的间隔参数值不大于所述预设间隔参数值和/或所述第二工序节点与所述目标工序节点的间隔参数值不大于所述预设间隔参数值的前提下，确定所述第一视觉定位数据中包括的工序数据；在所述工序数据中包括的关联于同一工序的信息的第一数量大于预设数量的前提下，依据所述细分单元数据确定所述第一细分缺陷来源；依据所述第一细分缺陷来源确定所述目标细分缺陷来源。
一些可能的实施方式中，在所述工序数据中包括的关联于同一工序的信息的第一数量大于预设数量的前提下，依据所述细分单元数据确定所述第一细分缺陷来源包括：依据所述细分单元数据确定是否涵盖第一设定工序节点区间，其中，所述第一设定工序节点区间为触发第三工序数据的第三工序节点到触发第四工序数据的第四工序节点的工序节点区间，所述第三工序数据为在触发所述目标工序数据的前向工序段所触发的，且所述第三工序节点相隔所述目标工序节点最接近，所述第四工序数据为在触发所述目标工序数据的后向工序段所触发的，且所述第四工序节点相隔所述目标工序节点最接近，所述第三工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致且所述第四工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致，所述第三工序节点以及所述第四工序节点与所述目标工序节点的间隔参数值均大于所述预设间隔参数值；如果判定不涵盖所述第一设定工序节点区间的前提下，将所述细分单元数据中包括的首次触发到所述首次出现元素的工序对象以及最后一次触发到所述首次出现元素的工序对象确定为所述第一细分缺陷来源；如果判定涵盖所述第一设定工序节点区间的前提下，确定所述目标工序节点与所述第一设定工序节点区间的工序关联信息，依据所述工序关联信息以及所述第一设定工序节点区间确定所述第一细分缺陷来源。例如，如果判定第一工序节点和/或第二工序节点与目标工序节点的间隔参数值小于预设间隔参数值，且工序数据中包括的关联于同一工序的信息的第一数量大于预设数量的前提下，可以首先确定细分单元数据中是否涵盖第一设定工序节点区间，即确定细分单元数据中是否涵盖某一工序数据，该工序数据的工序节点与该工序的前一个工序(对应于上述第三工序数据对应的工序对象)的工序节点差大于预设间隔参数值，且该工序数据的工序节点与该工序的后一个工序(对应于上述第四工序数据对应为工序)的工序节点差大于预设间隔参数值。在涵盖这一工序数据的前提下，将该工序的前一个工序的工序节点到该工序的后一个工序的工序节点确定为第一设定工序节点区间。如果判定涵盖第一设定工序节点区间的前提下，确定目标工序节点和第一设定工序节点区间的工序关联信息，根据工序关联信息确定第一细分缺陷来源。如果判定细分单元数据中不涵盖第一设定工序节点区间的前提下，则将细分单元数据中的首次触发到首次出现元素的工序对象和最后一次触发到首次出现元素的工序对象确定为首次出现元素的第一细分缺陷来源。
一些可能的实施方式中，依据所述工序关联信息以及所述第一设定工序节点区间确定所述第一细分缺陷来源包括：如果判定所述工序关联信息表征所述目标工序节点位于所述第一设定工序节点区间中包括的任意具有联系的第二设定工序节点区间和第三设定工序节点区间之间的前提下，将所述第二设定工序节点区间的末端工序节点和所述第三设定工序节点区间的开端工序节点所触发的工序对象确定为所述第一细分缺陷来源；如果判定所述工序关联信息表征所述目标工序节点位于所述细分单元数据的第一个工序节点与所述第一设定工序节点区间中包括的工序节点最先的第四设定工序节点区间的前提下，将所述第一个工序节点和所述第四设定工序节点区间的开端工序节点所触发到的工序对象确定为所述第一细分缺陷来源；如果判定所述工序关联信息表征所述目标工序节点位于所述第一设定工序节点区间中包括的工序节点最后的第五设定工序节点区间与所述细分单元数据的最终的工序节点之间时，将所述第五设定工序节点区间的末端工序节点和所述最终的工序节点所触发到的工序对象确定为所述第一细分缺陷来源。
若目标工序节点在第一视觉检测阶段的开端与第一视觉检测阶段内的第一个设定工序节点区间，即第四设定工序节点区间之间的前提下，将开端对应的工序对象和第四设定工序节点区间的开端所触发的工序数据对应的工序对象确定为第一细分缺陷来源。若目标工序节点在第一视觉检测阶段的末端与第一视觉检测阶段内的最终的设定工序节点区间，即第五设定工序节点区间之间的前提下，将末端对应的工序对象和第五设定工序节点区间的末端所触发的工序数据对应的工序对象确定为第一细分缺陷来源。
一些可能的实施方式中，依据所述第一细分缺陷来源确定所述目标细分缺陷来源包括：获取所述首次出现元素在第二视觉检测阶段内的第二细分缺陷来源；依据所述第一细分缺陷来源以及所述第二细分缺陷来源确定所述目标细分缺陷来源。例如，第一细分缺陷来源为首次出现元素在第一视觉检测阶段内的细分缺陷来源，第一细分缺陷来源为在第一视觉检测阶段内的候选细分缺陷来源。
一些可能的实施方式中，依据所述第一细分缺陷来源以及所述第二细分缺陷来源确定所述目标细分缺陷来源包括：确定所述第一细分缺陷来源和所述第二细分缺陷来源中包括的每个工序的第二数量；确定所述第二数量大于预设数量的目标工序；将所述目标工序中除预设工序之外的工序对象确定为所述目标细分缺陷来源，其中，所述预设工序为与所述首次出现元素具有联系的工序对象。
一些可能的实施方式中，获取针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第一缺陷来源信息具体可以通过以下步骤实现。
步骤W110，从指定橡胶生产分区的橡胶生产检测视觉数据中获取待追溯的关键视觉数据。
关键视觉数据是指具体通过视觉检测获得的指定橡胶生产分区的各种视觉检测数据，待追溯的关键视觉数据是暂未确定对应的第一缺陷来源信息的关键视觉数据，后续的描述中会示例性说明确定该关键视觉数据对应的第一缺陷来源信息。
步骤W120，从关键视觉数据中追溯异常生产节点数据，并从异常生产节点数据中追溯生产缺陷定位数据。
一些可能的实施例中，首先对关键视觉数据进行异常生产节点追溯，获得关键视觉数据的异常生产节点数据簇，该异常生产节点数据簇中包括上述关键视觉数据的每一个异常生产节点数据。一些可能的实施例中，从该异常生产节点数据簇中获得异常生产节点数据，进行对应的缺陷来源追踪。
一些可能的实施例中，在从该异常生产节点数据簇中获得异常生产节点数据之后，分析该异常生产节点数据中是否具有生产缺陷定位目标，如果具有则使用该异常生产节点数据进行对应的生产缺陷定位目标缺陷来源追踪，如果不具有则可以再次从异常生产节点数据簇中获得异常生产节点数据。
一些可能的实施例中，在获得上述异常生产节点数据簇之后，可以将并结合有生产缺陷定位目标的异常生产节点数据从异常生产节点数据簇中移除，获得目标异常生产节点数据簇。然后从目标异常生产节点数据簇中获得异常生产节点数据，进行结合生产缺陷定位目标缺陷来源追踪。
一些可能的实施例中，对异常生产节点数据的获得方案不作详细限定。例如，可以随机从异常生产节点数据簇中获得异常生产节点数据，进行对应的生产缺陷定位目标缺陷来源追踪。再例如，也可以从异常生产节点数据簇中获得设定生产计划区间的异常生产节点数据，进行对应的生产缺陷定位目标缺陷来源追踪。
一些可能的实施例中，从异常生产节点数据簇中获得的异常生产节点数据的数量也没有必要限制。对于获得的每一个异常生产节点数据，分别进行对应的生产缺陷定位目标缺陷来源追踪。
生产缺陷定位数据是指异常生产节点数据中包含生产缺陷定位目标的生产缺陷的定位节点数据。一些可能的实施例中，可以结合神经网络模型分析异常生产节点数据中的生产缺陷定位节点，获得生产缺陷定位数据。例如，神经网络模型可以是CNN模型。
步骤W130，结合生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷来源追踪，输出第一缺陷来源追踪信息，其中生产缺陷状态路径数据用于表示生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息。
本实施例中，生产缺陷定位目标的缺陷运行变量簇体现生产缺陷定位目标的缺陷运行变化的状态变量。生产缺陷定位目标的缺陷状态变化信息体现生产缺陷定位目标的缺陷状态变化。
一些可能的实施例中，在进行生产缺陷定位目标缺陷来源追踪的过程中，结合生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷来源追踪，输出第一缺陷来源追踪信息。第一缺陷来源追踪信息代表上述关键视觉数据对应的第一缺陷来源信息，或者从关键视觉数据中追溯的异常生产节点数据是否为生产缺陷定位目标的多方耦合异常生产节点数据。
一些可能的实施例中，结合缺陷来源追踪单元对上述生产缺陷定位数据进行缺陷来源追踪，生成第一缺陷来源追踪信息。缺陷来源追踪单元可以是结合深度学习训练获得，关于该缺陷来源追踪单元的具体示例可以参见下述实施例。
步骤W140，从关键视觉数据中提取多个异常生产节点数据，生成异常生产节点知识图谱。
一些可能的实施例中，获得上述异常生产节点数据簇中的多个异常生产节点数据，融合该多个异常生产节点数据生成异常生产节点知识图谱。一些可能的实施例中，可以随机追溯上述异常生产节点数据簇中的多个异常生产节点数据，融合该多个异常生产节点数据生成异常生产节点知识图谱。在另一些可能的实施例中，获得上述异常生产节点数据簇中连续的多个异常生产节点数据，融合该多个异常生产节点数据生成异常生产节点知识图谱。对于从关键视觉数据中提取多个异常生产节点数据的实施方案不作限定。该异常生产节点知识图谱，用于进行生产缺陷定位目标缺陷来源追踪。
本实施例中，异常生产节点知识图谱中反映的各个异常生产节点数据的顺序，可以与其在关键视觉数据中的顺序一致，由此表达关键视觉数据中的生产缺陷定位目标的时域变化。
步骤W150，结合异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷来源追踪，输出第二缺陷来源追踪信息，其中异常生产节点的耦合关系信息用于表示异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征。
异常生产节点知识图谱中的异常生产节点之间的关系连接特征体现关键视觉数据中生产缺陷定位目标在不同阶段的关系变化。异常生产节点知识图谱中的异常生产节点之间的关系更新特征体现关键视觉数据中生产缺陷定位目标的关系更新变化以及关键视觉数据的关系更新变化。结合异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷来源追踪，输出第二缺陷来源追踪信息。第二缺陷来源追踪信息代表上述关键视觉数据对应的第一缺陷来源信息。
一些可能的实施例中，结合目标缺陷来源追踪单元对异常生产节点知识图谱进行缺陷来源追踪，生成第二缺陷来源追踪信息。目标缺陷来源追踪单元可以是结合深度学习获得，关于该目标缺陷来源追踪单元的具体介绍参见以下实施例。
一些可能的实施例中，从上述异常生产节点数据簇中获得多个异常生产节点数据，获得初始异常生产节点知识图谱。对初始异常生产节点知识图谱中的每一个异常生产节点数据进行异常生产节点的耦合关系更新，加载到最新的节点耦合关系，获得耦合关系更新后的异常生产节点数据。将各个耦合关系更新后的异常生产节点数据依据耦合关系流向进行知识图谱生成，获得依据耦合关系流向进行分布的异常生产节点数据。结合各个依据耦合关系流向进行分布的异常生产节点数据，获得异常生产节点知识图谱，该异常生产节点知识图谱作为目标缺陷来源追踪单元的输入数据。进一步地，可以从上述异常生产节点数据簇中获得多个异常生产节点数据，获得初始异常生产节点知识图谱。对初始异常生产节点知识图谱中的每一个异常生产节点数据进行异常生产节点的耦合关系更新，加载到最新的节点耦合关系，获得耦合关系更新后的异常生产节点数据。最后将各个所述耦合关系更新后的异常生产节点数据依据耦合关系流向进行知识图谱生成，获得依据耦合关系流向进行分布的异常生产节点数据，结合依据耦合关系流向进行分布的异常生产节点数据得到以上异常生产节点知识图谱。
步骤W160，结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，确定关键视觉数据对应的第一缺陷来源信息。
一些可能的实施例中，确定关键视觉数据对应的第一缺陷来源信息可以由该改性橡胶智能生产检测控制系统自动介入。例如，第一缺陷来源追踪信息和第二缺陷来源追踪信息反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，确定该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息；第一缺陷来源追踪信息和第二缺陷来源追踪信息中的任意一个反映该关键视觉数据不存在多方耦合缺陷来源数据，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，确定该关键视觉数据不存在多方耦合缺陷来源数据。或者，第一缺陷来源追踪信息和第二缺陷来源追踪信息中的任意一个反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，确定该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息；第一缺陷来源追踪信息和第二缺陷来源追踪信息反映该关键视觉数据不存在多方耦合缺陷来源数据，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，确定该关键视觉数据不存在多方耦合缺陷来源数据。
在另一些可能的实施例中，确定关键视觉数据对应的第一缺陷来源信息可以进行生产优化。例如，第一缺陷来源追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息，第二缺陷来源追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，确定该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息；第一缺陷来源追踪信息用于反映该关键视觉数据不存在多方耦合缺陷来源数据，第二缺陷来源追踪信息用于反映该关键视觉数据不存在多方耦合缺陷来源数据，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，确定该关键视觉数据不存在多方耦合缺陷来源数据；第一缺陷来源追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息，第二缺陷来源追踪信息用于反映该关键视觉数据不存在多方耦合缺陷来源数据，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，生成生产优化指令针对该关键视觉数据进行生产优化，结合生产优化结果确定该关键视觉数据对应的第一缺陷来源信息；或者，第一缺陷来源追踪信息用于反映该关键视觉数据不存在多方耦合缺陷来源数据，第二缺陷来源追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息，改性橡胶智能生产检测控制系统结合第一缺陷来源追踪信息和第二缺陷来源追踪信息，生成生产优化指令针对该关键视觉数据进行生产优化，结合生产优化结果确定该关键视觉数据对应的第一缺陷来源信息。一些可能的实施例中，上述生产优化指令中可以包括但不限于以下至少一项：关键视觉数据、从关键视觉数据中追溯的异常生产节点数据、异常生产节点数据对应的第一缺陷来源追踪信息、从关键视觉数据中追溯的异常生产节点知识图谱、异常生产节点知识图谱对应的第二缺陷来源追踪信息，以供生产优化人员结合该生产优化指令中携带的数据信息进行生产优化。
结合以上步骤，本实施例结合从关键视觉数据中获取生产缺陷定位数据和异常生产节点知识图谱，结合多个考虑因素对关键视觉数据进行缺陷来源追踪，从生产缺陷定位数据中追溯生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息进行缺陷来源追踪，从异常生产节点知识图谱中追溯异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征进行缺陷来源追踪，由此依据多个考虑因素的生产缺陷相关变量执行缺陷来源追踪，提高了生产缺陷来源的分析准确性，由此提高后续橡胶生产检测的可靠性。
譬如，以上方法可以结合深度学习基础配置单元实现，所述深度学习基础配置单元包括缺陷来源追踪单元和目标缺陷来源追踪单元。该方法可以包括如下步骤。
1、获取第一橡胶生产检测视觉样本数据簇和第二橡胶生产检测视觉样本数据簇，第一橡胶生产检测视觉样本数据簇包括多个第一橡胶生产检测视觉样本数据，第一橡胶生产检测视觉样本数据是从关键视觉数据的异常生产节点数据中追溯的生产缺陷定位数据，第二橡胶生产检测视觉样本数据簇包括多个第二橡胶生产检测视觉样本数据，第二橡胶生产检测视觉样本数据是从关键视觉数据中获取的异常生产节点知识图谱。
一些可能的实施例中，在获取第一橡胶生产检测视觉样本数据簇之后，计算第一橡胶生产检测视觉样本数据与非多方耦合缺陷视觉样本数据之间的关联度；在关联度不小于目标关联度时，将第一橡胶生产检测视觉样本数据确定为负橡胶生产检测视觉样本数据；在关联度小于目标关联度时，将第一橡胶生产检测视觉样本数据确定为正橡胶生产检测视觉样本数据。
在另一些可能的实施例中，获取第一橡胶生产检测视觉样本数据簇之后，对多个第一橡胶生产检测视觉样本数据进行聚簇，获得多个视觉样本数据簇；结合多个视觉样本数据簇分别对应的聚簇有效数据量，获得聚簇有效数据量匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一橡胶生产检测视觉样本数据作为负橡胶生产检测视觉样本数据，以及获得聚簇有效数据量不匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一橡胶生产检测视觉样本数据作为正橡胶生产检测视觉样本数据，例如目标聚簇有效数据量条件可以是指：聚簇有效数据量大于预设聚簇有效数据量，按聚簇有效数据量的降序顺序的预设数量位范围。
例如，可以对第一橡胶生产检测视觉样本数据做聚簇，获得聚簇有效数据量匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一橡胶生产检测视觉样本数据作为负橡胶生产检测视觉样本数据，以及获得聚簇有效数据量不匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一橡胶生产检测视觉样本数据作为正橡胶生产检测视觉样本数据。例如，获得聚簇有效数据量最高的N个视觉样本数据簇内的第一橡胶生产检测视觉样本数据作为负橡胶生产检测视觉样本数据，其它视觉样本数据簇内的第一橡胶生产检测视觉样本数据作为正橡胶生产检测视觉样本数据。
在又一些可能的实施例中，结合第一橡胶生产检测视觉样本数据簇中的负橡胶生产检测视觉样本数据和正橡胶生产检测视觉样本数据，确定第二橡胶生产检测视觉样本数据簇中的负橡胶生产检测视觉样本数据和正橡胶生产检测视觉样本数据。例如，可以确定为正橡胶生产检测视觉样本数据的第一橡胶生产检测视觉样本数据（生产缺陷定位数据）所属的第二橡胶生产检测视觉样本数据（异常生产节点知识图谱），也可以确定为正橡胶生产检测视觉样本数据；可以确定为负橡胶生产检测视觉样本数据的第一橡胶生产检测视觉样本数据（生产缺陷定位数据）所属的第二橡胶生产检测视觉样本数据（异常生产节点知识图谱），也可以确定为负橡胶生产检测视觉样本数据。
一些可能的实施例中，对于第一橡胶生产检测视觉样本数据簇与第二橡胶生产检测视觉样本数据簇中的每一个橡胶生产检测视觉样本数据，在分为正橡胶生产检测视觉样本数据和负橡胶生产检测视觉样本数据之后会添加对应的训练结合数据。
2、结合第一橡胶生产检测视觉样本数据簇对缺陷来源追踪单元进行网络层更新，其中缺陷来源追踪单元用于结合生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷来源追踪，输出第一缺陷来源追踪信息，其中生产缺陷状态路径数据用于表示生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息。
3、结合第二橡胶生产检测视觉样本数据簇对目标缺陷来源追踪单元进行网络层更新，其中目标缺陷来源追踪单元用于结合异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷来源追踪，输出第二缺陷来源追踪信息，其中异常生产节点的耦合关系信息用于表示异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征。
一些可能的实施例中，结合第二缺陷来源追踪信息和第二橡胶生产检测视觉样本数据对应的训练评估参数，计算目标缺陷来源追踪单元对应的损失函数值，结合该损失函数值对目标缺陷来源追踪单元进行训练，直至目标缺陷来源追踪单元收敛时，输出最终获得的目标缺陷来源追踪单元。
图2示出了本申请实施例提供的用于实现上述的改性橡胶智能生产检测控制方法的改性橡胶智能生产检测控制系统100的硬件结构意图，如图2所示，改性橡胶智能生产检测控制系统100可包括处理器110、机器可读存储介质120、总线130和通信单元140。
在本申请的一些实施方式中，改性橡胶智能生产检测控制系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，改性橡胶智能生产检测控制系统100可以是分布式的系统)。在一些实施例中，改性橡胶智能生产检测控制系统100可以是本地的，也可以是远程的。例如，改性橡胶智能生产检测控制系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，改性橡胶智能生产检测控制系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，改性橡胶智能生产检测控制系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以存储数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以存储改性橡胶智能生产检测控制系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的改性橡胶智能生产检测控制方法，处理器110、机器可读存储介质120和通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述软件兼容性测试系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上改性橡胶智能生产检测控制方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器（英文：Read-only Memory，缩写：ROM）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本说明书中的每个实施例均采用递进的方式描述，每个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种改性橡胶智能生产检测控制方法，应用于改性橡胶智能生产检测控制系统，其特征在于，包括：
获取针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第一缺陷来源信息；
依据所述第一缺陷来源信息获取针对所述指定橡胶生产分区重新更新的第一生产控制优化策略，并依据所述第一生产控制优化策略对所述指定橡胶生产分区相对应的橡胶生产设备进行生产控制，并在再次获取到针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第二缺陷来源信息后，判断所述第一缺陷来源信息与所述第二缺陷来源信息是否存在相关联的缺陷来源；
在确定所述第一缺陷来源信息与所述第二缺陷来源信息存在相关联的缺陷来源时，追溯所述相关联的缺陷来源所对应的目标视觉数据簇；
对所述目标视觉数据簇进行持续性视觉数据提取，并对提取到的持续性视觉数据进行细分缺陷来源挖掘，并依据挖掘的细分缺陷来源获取针对所述指定橡胶生产分区重新更新的第二生产控制优化策略，以依据所述第二生产控制优化策略对所述指定橡胶生产分区相对应的橡胶生产设备进行补充生产控制。
2.根据权利要求1所述的改性橡胶智能生产检测控制方法，其特征在于，所述对提取到的持续性视觉数据进行细分缺陷来源挖掘的步骤，包括：
从提取到的持续性视觉数据中获取视觉检测装置在第一视觉检测阶段对不同生产控制功能的生产控制流程的生产控制信息进行检测获得的多种视觉定位数据；
确定多种所述视觉定位数据中包括的关联于首次出现元素的第一视觉定位数据；
依据所述第一视觉定位数据确定所述首次出现元素在所述第一视觉检测阶段内的细分单元数据；
依据所述细分单元数据确定所述首次出现元素的目标细分缺陷来源。
3.根据权利要求2所述的改性橡胶智能生产检测控制方法，其特征在于，确定多种所述视觉定位数据中包括的关联于首次出现元素的第一视觉定位数据包括：
对多种所述视觉定位数据进行预设处理，以确定多种所述视觉定位数据中包括的匹配预设要求的第二视觉定位数据；
确定所述第二视觉定位数据中包括的不同生产控制功能的生产控制流程的第一出现元素ID信息；
将所述第一出现元素ID信息与出现元素ID信息库中的第二出现元素ID信息进行联系，以确定所述第一出现元素ID信息中包括的关联于所述首次出现元素的第三出现元素ID信息，其中，所述出现元素ID信息库中包括与第一目标元素具有联系的多种出现元素ID信息，所述第一目标元素包括与所述首次出现元素类型相同的至少一个目标元素；
将所述第二视觉定位数据中包括的与所述第三出现元素ID信息对应的视觉定位数据确定为所述第一视觉定位数据。
4.根据权利要求2所述的改性橡胶智能生产检测控制方法，其特征在于，依据所述细分单元数据确定所述首次出现元素的目标细分缺陷来源包括：
确定对应于所述细分单元数据中包括的每个目标工序数据对应的目标视觉定位数据的目标工序节点；
对应于每个所述目标工序数据，分别执行如下步骤，以确定第一细分缺陷来源：
分析所述细分单元数据中是否涵盖第一工序数据和第二工序数据；其中，所述第一工序数据为在触发所述目标工序数据的前向工序段所触发的，且所述第一工序数据的第一工序节点相隔所述目标工序节点最接近，所述第二工序数据为在触发所述目标工序数据的后向工序段所触发的，且第二工序数据的第二工序节点相隔所述目标工序节点最接近，所述第一工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致且所述第二工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致；
如果判定所述细分单元数据中涵盖所述第一工序数据和所述第二工序数据，且所述第一工序节点与所述目标工序节点的间隔参数值大于预设间隔参数值，所述第二工序节点与所述目标工序节点的间隔参数值大于所述预设间隔参数值的前提下，将所述目标工序数据对应的工序对象确定为所述第一细分缺陷来源；
如果判定所述细分单元数据中仅涵盖所述第一工序数据，且所述第一工序节点与所述目标工序节点的间隔参数值大于所述预设间隔参数值的前提下，将所述第一工序数据对应的工序对象确定为所述第一细分缺陷来源；如果判定所述细分单元数据中仅涵盖所述第二工序数据，且所述第二工序节点与所述目标工序节点的间隔参数值大于所述预设间隔参数值的前提下，将所述第二工序数据对应的工序对象确定为所述第一细分缺陷来源；
依据所述第一细分缺陷来源确定所述目标细分缺陷来源。
5.根据权利要求4所述的改性橡胶智能生产检测控制方法，其特征在于，如果判定第一工序数据和第二工序数据的后向工序段，所述方法还包括：
在所述第一工序节点与所述目标工序节点的间隔参数值不大于所述预设间隔参数值和/或所述第二工序节点与所述目标工序节点的间隔参数值不大于所述预设间隔参数值的前提下，确定所述第一视觉定位数据中包括的工序数据；
在所述工序数据中包括的关联于同一工序的信息的第一数量大于预设数量的前提下，依据所述细分单元数据确定所述第一细分缺陷来源； 依据所述第一细分缺陷来源确定所述目标细分缺陷来源。
6.根据权利要求5所述的改性橡胶智能生产检测控制方法，其特征在于，在所述工序数据中包括的关联于同一工序的信息的第一数量大于预设数量的前提下，依据所述细分单元数据确定所述第一细分缺陷来源包括：
依据所述细分单元数据确定是否涵盖第一设定工序节点区间，其中，所述第一设定工序节点区间为触发第三工序数据的第三工序节点到触发第四工序数据的第四工序节点的工序节点区间，所述第三工序数据为在触发所述目标工序数据的前向工序段所触发的，且所述第三工序节点相隔所述目标工序节点最接近，所述第四工序数据为在触发所述目标工序数据的后向工序段所触发的，且所述第四工序节点相隔所述目标工序节点最接近，所述第三工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致且所述第四工序数据对应的工序对象和所述目标工序数据对应的工序对象不一致，所述第三工序节点以及所述第四工序节点与所述目标工序节点的间隔参数值均大于所述预设间隔参数值；
如果判定不涵盖所述第一设定工序节点区间的前提下，将所述细分单元数据中包括的首次触发到所述首次出现元素的工序对象以及最后一次触发到所述首次出现元素的工序对象确定为所述第一细分缺陷来源； 如果判定涵盖所述第一设定工序节点区间的前提下，确定所述目标工序节点与所述第一设定工序节点区间的工序关联信息，依据所述工序关联信息以及所述第一设定工序节点区间确定所述第一细分缺陷来源。
7.根据权利要求6所述的改性橡胶智能生产检测控制方法，其特征在于，依据所述工序关联信息以及所述第一设定工序节点区间确定所述第一细分缺陷来源包括：
如果判定所述工序关联信息表征所述目标工序节点位于所述第一设定工序节点区间中包括的任意具有联系的第二设定工序节点区间和第三设定工序节点区间之间的前提下，将所述第二设定工序节点区间的末端工序节点和所述第三设定工序节点区间的开端工序节点所触发的工序对象确定为所述第一细分缺陷来源；
如果判定所述工序关联信息表征所述目标工序节点位于所述细分单元数据的第一个工序节点与所述第一设定工序节点区间中包括的工序节点最先的第四设定工序节点区间的前提下，将所述第一个工序节点和所述第四设定工序节点区间的开端工序节点所触发到的工序对象确定为所述第一细分缺陷来源；
如果判定所述工序关联信息表征所述目标工序节点位于所述第一设定工序节点区间中包括的工序节点最后的第五设定工序节点区间与所述细分单元数据的最终的工序节点之间时，将所述第五设定工序节点区间的末端工序节点和所述最终的工序节点所触发到的工序对象确定为所述第一细分缺陷来源。
8.根据权利要求5所述的改性橡胶智能生产检测控制方法，其特征在于，依据所述第一细分缺陷来源确定所述目标细分缺陷来源包括：
获取所述首次出现元素在第二视觉检测阶段内的第二细分缺陷来源；
依据所述第一细分缺陷来源以及所述第二细分缺陷来源确定所述目标细分缺陷来源。
9.根据权利要求1-8中任意一项所述的改性橡胶智能生产检测控制方法，其特征在于，所述获取针对指定橡胶生产分区的橡胶生产检测视觉数据对应的第一缺陷来源信息的步骤，包括：
从指定橡胶生产分区的橡胶生产检测视觉数据中获取待追溯的关键视觉数据，从所述关键视觉数据中追溯异常生产节点数据，并从所述异常生产节点数据中追溯生产缺陷定位数据，
结合所述生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷来源追踪，输出第一缺陷来源追踪信息，其中所述生产缺陷状态路径数据用于表示所述生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息；
从所述关键视觉数据中提取多个异常生产节点数据，生成异常生产节点知识图谱；
结合所述异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷来源追踪，输出第二缺陷来源追踪信息，其中所述异常生产节点的耦合关系信息用于表示所述异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征；
结合所述第一缺陷来源追踪信息和所述第二缺陷来源追踪信息，确定所述关键视觉数据对应的第一缺陷来源信息。
10.一种改性橡胶智能生产检测控制系统，其特征在于，包括：
处理器；
存储器，所述存储器中存储有计算机程序，所述计算机程序被执行时实现权利要求1-9中任意一项所述的改性橡胶智能生产检测控制方法。
CN202210500705.4A 2022-05-10 2022-05-10 改性橡胶智能生产检测控制方法及系统 Active CN114594746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210500705.4A CN114594746B (zh) 2022-05-10 2022-05-10 改性橡胶智能生产检测控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210500705.4A CN114594746B (zh) 2022-05-10 2022-05-10 改性橡胶智能生产检测控制方法及系统

Publications (2)

Publication Number Publication Date
CN114594746A CN114594746A (zh) 2022-06-07
CN114594746B true CN114594746B (zh) 2022-08-12

Family

ID=81811431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210500705.4A Active CN114594746B (zh) 2022-05-10 2022-05-10 改性橡胶智能生产检测控制方法及系统

Country Status (1)

Country Link
CN (1) CN114594746B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1662932A (zh) * 2002-04-26 2005-08-31 韩国电子通信研究院 根据终端用户的色觉特征自适应变换可视内容的方法和系统
CN106918600A (zh) * 2017-04-07 2017-07-04 江苏博虏智能科技有限公司 一种基于机器视觉的面料表面缺陷检测和标记方法
CN107154039A (zh) * 2017-04-28 2017-09-12 北京简易科技有限公司 胶管在线缺陷检测装置及方法
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN111145165A (zh) * 2019-12-30 2020-05-12 北京工业大学 一种基于机器视觉的橡胶密封圈表面缺陷检测方法
CN114169248A (zh) * 2021-12-14 2022-03-11 广域铭岛数字科技有限公司 产品缺陷数据分析方法、系统、电子设备及可读存储介质
CN114324368A (zh) * 2022-03-10 2022-04-12 广东祥利科技有限公司 基于机械视觉检测的改性塑料生产检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1662932A (zh) * 2002-04-26 2005-08-31 韩国电子通信研究院 根据终端用户的色觉特征自适应变换可视内容的方法和系统
CN106918600A (zh) * 2017-04-07 2017-07-04 江苏博虏智能科技有限公司 一种基于机器视觉的面料表面缺陷检测和标记方法
CN107154039A (zh) * 2017-04-28 2017-09-12 北京简易科技有限公司 胶管在线缺陷检测装置及方法
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN111145165A (zh) * 2019-12-30 2020-05-12 北京工业大学 一种基于机器视觉的橡胶密封圈表面缺陷检测方法
CN114169248A (zh) * 2021-12-14 2022-03-11 广域铭岛数字科技有限公司 产品缺陷数据分析方法、系统、电子设备及可读存储介质
CN114324368A (zh) * 2022-03-10 2022-04-12 广东祥利科技有限公司 基于机械视觉检测的改性塑料生产检测方法及系统

Also Published As

Publication number Publication date
CN114594746A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN108563548B (zh) 异常检测方法及装置
CN114324368B (zh) 基于机械视觉检测的改性塑料生产检测方法及系统
CN112307084A (zh) 远程抄表异常监测方法、燃气表系统及燃气云平台
CN111476191B (zh) 基于智慧交通的人工智能图像处理方法及大数据云服务器
CN107862072B (zh) 基于大数据技术分析车辆入城套牌作案的方法
CN109800278A (zh) 数据资产图谱使用方法、装置、计算机设备和存储介质
CN115631039A (zh) 资金追踪方法、装置及设备
CN109684320B (zh) 监测数据在线清洗的方法和设备
CN112733581B (zh) 车辆属性识别方法及系统
CN114490375B (zh) 应用程序的性能测试方法、装置、设备及存储介质
CN112115975A (zh) 一种适用于监拍装置的深度学习网络模型快速迭代训练方法及设备
CN112419306A (zh) 一种基于nas-fpn的肺结节检测方法
CN114626886A (zh) 一种调查问卷数据分析方法及系统
CN114594746B (zh) 改性橡胶智能生产检测控制方法及系统
CN114528942A (zh) 工程机械的数据样本库的构建、故障预测方法及工程机械
CN114413409A (zh) 用于空调故障概率的检测方法及装置、智能空调
KR20200023882A (ko) 스마트 공장의 공정 데이터의 가공방법
CN115454781B (zh) 基于企业架构系统的数据可视化展现方法及系统
NL2032560B1 (en) Deep learning model performance evaluation method and system
JP7331926B2 (ja) 学習装置、物体検出装置、学習方法、及び、プログラム
CN115086002A (zh) 网络安全防护方法及系统
CN113835988B (zh) 指标信息预测方法及系统
CN112434648A (zh) 一种墙体形状变化检测方法及系统
CN112465859A (zh) 快速运动目标的检测方法、装置、设备和储存介质
CN116503411B (zh) 基于图像识别的色谱柱状态识别方法及系统

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 527499 No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province

Patentee after: Guangdong Xiangli Technology Group Co.,Ltd.

Address before: 527499 No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province

Patentee before: GUANGDONG XIANGLI TECHNOLOGY Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Intelligent production detection and control method and system for modified rubber

Effective date of registration: 20230522

Granted publication date: 20220812

Pledgee: Bank of China Limited by Share Ltd. Yunfu branch

Pledgor: Guangdong Xiangli Technology Group Co.,Ltd.

Registration number: Y2023980041244