CN115587978A - 一种基于深度学习的地板革贴合压纹在线检测系统 - Google Patents
一种基于深度学习的地板革贴合压纹在线检测系统 Download PDFInfo
- Publication number
- CN115587978A CN115587978A CN202211220841.4A CN202211220841A CN115587978A CN 115587978 A CN115587978 A CN 115587978A CN 202211220841 A CN202211220841 A CN 202211220841A CN 115587978 A CN115587978 A CN 115587978A
- Authority
- CN
- China
- Prior art keywords
- embossing
- deep learning
- preset
- information
- training
- 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
- 238000004049 embossing Methods 0.000 title claims abstract description 145
- 239000010985 leather Substances 0.000 title claims abstract description 60
- 238000010030 laminating Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000009408 flooring Methods 0.000 claims abstract description 57
- 238000013136 deep learning model Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000003475 lamination Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 110
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30204—Marker
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的地板革贴合压纹在线检测系统，包括：至少一个第一图像采集设备，设置于地板革贴合压纹机上的预设第一位置，用于采集地板革贴合压纹机对地板革压纹完成后的地板革压纹图像；后台服务器，与第一图像采集设备通信连接，用于获取地板革压纹图像，并基于地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息并输出。本发明的基于深度学习的地板革贴合压纹在线检测系统，系统自行采集地板革经压纹处理后的压纹图像，基于深度学习模型根据压纹图像进行压纹质量信息确定，无需安排人工时刻监测贴合压纹机的压纹质量，降低人力成本，另外，也可避免人工进行压纹质量监测可能会存在监测不精准和监测不全面的情况发生。
Description
技术领域
本发明涉及压纹质量检测技术领域，特别涉及一种基于深度学习的地板革贴合压纹在线检测系统。
背景技术
目前，贴合压纹机在对地板革进行贴合压纹处理时，需要安排至少一个人工时刻监测贴合压纹机的压纹质量【例如：安排人工站在贴合压纹机旁通过肉眼判断贴合压纹机出料的贴合压纹后的地板革的压纹质量，必要时进行停机抽检】，人力成本较大，另外，人工进行压纹质量监测可能会存在监测不精准和监测不全面的情况发生。
因此，亟需一种解决办法。
发明内容
本发明目的之一在于提供了一种基于深度学习的地板革贴合压纹在线检测系统，系统自行采集地板革经压纹处理后的压纹图像，基于深度学习模型根据压纹图像进行压纹质量信息确定，无需安排人工时刻监测贴合压纹机的压纹质量，降低了人力成本，另外，也可避免人工进行压纹质量监测可能会存在监测不精准和监测不全面的情况发生。
本发明实施例提供的一种基于深度学习的地板革贴合压纹在线检测系统，包括：
至少一个第一图像采集设备，设置于地板革贴合压纹机上的预设第一位置，用于采集地板革贴合压纹机对地板革压纹完成后的地板革压纹图像；
后台服务器，与所述第一图像采集设备通信连接，用于获取所述地板革压纹图像，并基于所述地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息并输出。
优选的，所述后台服务器基于所述地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息，包括：
基于预设的第一特征提取模板，对所述地板革压纹图像进行特征提取，获得多个第一特征值；
将所述第一特征值输入至所述深度学习模型，确定地板革压纹质量信息。
优选的，所述后台服务器还用于，包括：
当所述地板革压纹质量信息中有压纹质量异常信息时，获取地板革贴合压纹机的第一设备工作信息，并通过预设的多个获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因；
将所述第一设备工作信息与任一所述第二设备工作信息进行信息匹配，获取信息匹配情况；
基于所述信息匹配情况和预设的利用价值判定库，确定利用价值度；
若所述利用价值度大于等于预设的利用价值度阈值，将进行匹配的所述第二设备工作信息对应的所述质量异常原因作为质量异常原因预测结果并输出。
优选的，所述后台服务器通过预设的多个获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因，包括：
解析所述获取源的获取源类型，所述获取源类型包括：大数据平台和本地；
当所述获取源的获取源类型为大数据平台时，基于预设的可信度验证规则，对所述获取源的可信度进行验证；
当通过验证时，通过所述获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因；
其中，所述可信度验证规则包括：
获取所述获取源的历史获取记录，所述历史获取记录包括：被获取信息被获取后进行真实性评价的第一评价值、所述数据源对所述被获取信息进行担保的第一担保值以及对所述被获取信息的信息来源进行担保的第二担保值；
基于所述第一评价值、第一担保值和所述第二担保值，计算所述获取源的可信度，计算公式如下：
其中，
为所述获取源的可信度，Z为所述第一评价值，Q1和Q2为预设的权重值，H1为所述第一担保值，H2为所述第二担保值；
若所述获取源的可信度大于等于预设的可信度阈值，所述获取源的可信度通过验证；
否则，不通过验证。
优选的，所述后台服务器基于所述信息匹配情况和预设的利用价值判定库，确定利用价值度，包括：
基于预设的第二特征提取模板，对所述信息匹配情况进行特征提取，获得多个第二特征值；
从所述利用价值判定库中确定所述第二特征值对应的价值度；
累加计算每一所述价值度，获得价值度和，并作为利用价值度。
优选的，所述后台服务器还用于，包括：
获取所述深度学习模型的模型工作情况；
基于所述模型工作情况和预设的进入补充训练时机触发库，确定是否进入对所述深度学习模型进行补充训练的时机；
若是，对所述深度学习模型进行补充训练。
优选的，所述后台服务器基于所述模型工作情况和预设的进入补充训练时机触发库，确定是否进入对所述深度学习模型进行补充训练的时机，包括：
基于预设的第三特征提取模板，对所述模型工作情况进行特征提取，获得多个第三特征值；
将所述第三特征值与所述进入补充训练时机触发库中的任一触发特征值进行匹配；
若匹配符合，确定进入对所述深度学习模型进行补充训练的时机。
优选的，所述后台服务器对所述深度学习模型进行补充训练，包括：
获取历史上对所述深度学习模型进行训练的训练记录；
基于所述训练记录，确定训练样本要求；
获取符合所述训练样本要求的补充训练样本；
基于所述补充训练样本，对所述深度学习模型进行补充训练。
优选的，所述后台服务器基于所述训练记录，确定训练样本要求，包括：
解析所述训练记录中多组一一对应的历史训练样本和训练效果的第二评价值；
若所述第二评价值大于等于预设的评价值阈值，将对应所述历史训练样本作为训练样本要求确定依据；
对每一所述训练样本要求确定依据进行共性特征提取，获得多个共性特征；
基于预设的训练样本要求生成模板，根据所述共性特征，生成训练样本要求。
优选的，基于深度学习的地板革贴合压纹在线检测系统，还包括：
多个第二图像采集设备，设置于地板革贴合压纹机所处的作业现场内的多个预设第二位置，用于采集所述作业现场内的作业图像；
所述后台服务器还用于，包括：
获取所述作业图像，并基于所述作业图像，对所述作业现场进行作业安全监控。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于深度学习的地板革贴合压纹在线检测系统的示意图；
图2为本发明实施例中压纹图像的示例图；
图3为本发明实施例中一种基于深度学习的地板革贴合压纹在线检测系统的又一示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于深度学习的地板革贴合压纹在线检测系统，如图1所示，包括：
至少一个第一图像采集设备1，设置于地板革贴合压纹机上的预设第一位置，用于采集地板革贴合压纹机对地板革压纹完成后的地板革压纹图像；
后台服务器2，与所述第一图像采集设备1通信连接，用于获取所述地板革压纹图像，并基于所述地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息并输出。
上述技术方案的工作原理及有益效果为：
在地板革贴合压纹机上设置第一图像采集设备1，镜头对准地板革贴合压纹机出料端，采集地板革贴合压纹机对地板革压纹完成后的地板革压纹图像【例如：如图2所示】。预设第一位置可由工作人员根据地板革贴合压纹机的实际结构确定。后台服务器2与第一图像采集设备1通信连接，基于地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息并输出，实现在线检测。预设的深度学习模型为利用大量的被人工标记有压纹质量信息的压纹图像对神经网络模型训练至收敛后的人工智能模型，能够代替人工进行压纹质量判断。
本申请系统自行采集地板革经压纹处理后的压纹图像，基于深度学习模型根据压纹图像进行压纹质量信息确定，无需安排人工时刻监测贴合压纹机的压纹质量，降低了人力成本，另外，也可避免人工进行压纹质量监测可能会存在监测不精准和监测不全面的情况发生。
在一个实施例中，所述后台服务器2基于所述地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息，包括：
基于预设的第一特征提取模板，对所述地板革压纹图像进行特征提取，获得多个第一特征值；
将所述第一特征值输入至所述深度学习模型，确定地板革压纹质量信息。
上述技术方案的工作原理及有益效果为：
第一特征值包括：地板革压纹图像上单个纹路轮廓的面积【用于判断纹路轮廓是否完整，例如：面积过大说明纹路轮廓不完整，该纹路轮廓一部分由周边空白区域和其他纹路轮廓的边界线形成，则为出现漏压纹】、轮廓边界线上的像素灰度值【像素灰度值可用于判断轮廓边界线是否压纹清晰，例如：若像素灰度值之间的变化较大，说明压纹清晰】和相邻纹路轮廓之间的距离【用于判断是否出现漏压纹，例如：一般的，纹路轮廓之间应紧贴，若距离过大，则出现漏压纹】等。将第一特征值输入深度学习模型，确定地板革压纹质量信息。
本发明实施例提取出第一特征值，输入深度学习模型，便于深度学习模型进行压纹质量确定，提升地板革压纹质量信息确定的效率，另外，针对性提取第一特征值，充分利用压纹图像的特征进行压纹质量判断，提升了系统的适用性。
在一个实施例中，所述后台服务器2还用于，包括：
当所述地板革压纹质量信息中有压纹质量异常信息时，获取地板革贴合压纹机的第一设备工作信息，并通过预设的多个获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因；
将所述第一设备工作信息与任一所述第二设备工作信息进行信息匹配，获取信息匹配情况；
基于所述信息匹配情况和预设的利用价值判定库，确定利用价值度；
若所述利用价值度大于等于预设的利用价值度阈值，将进行匹配的所述第二设备工作信息对应的所述质量异常原因作为质量异常原因预测结果并输出。
上述技术方案的工作原理及有益效果为：
一般的，当压纹质量出现问题时，需要人工进行问题检查，效率较低，特别是当现场内多个地板革贴合压纹机出现压纹质量问题时，由于问题检查人员有限，影响问题解决效率。
本发明实施例当地板革压纹质量信息中有压纹质量异常信息时，借鉴其他地板革贴合压纹机历史上出现相同压纹质量异常信息时的质量异常原因预测此次压纹质量问题的原因，尽可能无需人工一一进行问题检查，预测结果也可供检查人员进行参考进行针对性检查，提升检查及问题解决效率。
但是，由于其他地板革贴合压纹机与地板革贴合压纹机的设备工作信息【型号、维保记录和故障记录等】可能不同，并不是每一其他地板革贴合压纹机历史上出现相同压纹质量异常信息时的质量异常原因均可借鉴，因此，基于第一设备工作信息与第二设备工作信息之间的信息匹配情况和预设的利用价值判定库，确定利用价值度。当利用价值度足够大时，对应其他地板革贴合压纹机历史上出现相同压纹质量异常信息时的质量异常原因可进行借鉴。极大程度上提升此次质量异常原因预测的精准性。
在一个实施例中，所述后台服务器2通过预设的多个获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因，包括：
解析所述获取源的获取源类型，所述获取源类型包括：大数据平台和本地；
当所述获取源的获取源类型为大数据平台时，基于预设的可信度验证规则，对所述获取源的可信度进行验证；
当通过验证时，通过所述获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因；
其中，所述可信度验证规则包括：
获取所述获取源的历史获取记录，所述历史获取记录包括：被获取信息被获取后进行真实性评价的第一评价值、所述数据源对所述被获取信息进行担保的第一担保值以及对所述被获取信息的信息来源进行担保的第二担保值；
基于所述第一评价值、第一担保值和所述第二担保值，计算所述获取源的可信度，计算公式如下：
其中，
为所述获取源的可信度，Z为所述第一评价值，Q1和Q2为预设的权重值，H1为所述第一担保值，H2为所述第二担保值；
若所述获取源的可信度大于等于预设的可信度阈值，所述获取源的可信度通过验证；
否则，不通过验证。
上述技术方案的工作原理及有益效果为：
获取源的获取源类型分为大数据平台【实现不同地板革贴合压纹厂商之间的数据共享】和本地【本地收集历史故障记录】两种。但是，通过大数据平台进行获取时，需要保证获取的信息的可靠性，对获取源的可信度进行验证，验证通过后再进行获取。提升了通过大数据平台进行信息获取的适用性。
每次从大数据平台获取信息后，对被获取信息进行真实性评价【例如：由技术人员判断压纹质量异常原因是否与压纹质量异常存在因果导致关系】，获得第一评价值，第一评价值越大，真实性越高。另外，大数据平台会对被获取信息的可靠性进行担保，产生第一担保值，第一担保值越大，担保力度越高，也会对被获取信息的信息来源【例如：某地板革贴合压纹厂商】的可靠性进行担保，产生第二担保值，第二担保值越大，担保力度越高。基于第一评价值、第一担保值和第二担保值计算获取源的可信度。第一评价值越低，说明后续真实性评价越低，若历史上担保力度越高，说明担保不可信，则可信度越小。
在一个实施例中，所述后台服务器2基于所述信息匹配情况和预设的利用价值判定库，确定利用价值度，包括：
基于预设的第二特征提取模板，对所述信息匹配情况进行特征提取，获得多个第二特征值；
从所述利用价值判定库中确定所述第二特征值对应的价值度；
累加计算每一所述价值度，获得价值度和，并作为利用价值度。
上述技术方案的工作原理及有益效果为：
第二特征值包括：第一设备工作信息与第二设备工作信息中同类型的信息之间的匹配度，例如：历史维保记录的匹配度。利用价值判定库中有不同第二特征值对应的价值度，第一设备工作信息与第二设备工作信息中某类型的信息之间的匹配度越高，越能说明对应其他地板革贴合压纹机历史上出现相同压纹质量异常信息时的质量异常原因可进行借鉴【例如：历史维保记录的匹配度越高，则说明两者地板革贴合压纹机之间工作状态越接近，则出现压纹异常的原因越可能相同】，则价值度越大。累加计算每一价值度，获得价值度和，并作为利用价值度。引入利用价值判定库，提升其他地板革贴合压纹机历史上出现相同压纹质量异常信息时的质量异常原因可进行借鉴的判定效率。
在一个实施例中，所述后台服务器2还用于，包括：
获取所述深度学习模型的模型工作情况；
基于所述模型工作情况和预设的进入补充训练时机触发库，确定是否进入对所述深度学习模型进行补充训练的时机；
若是，对所述深度学习模型进行补充训练。
上述技术方案的工作原理及有益效果为：
模型工作情况包括：每次进行地板革压纹质量信息确定的确定时长和报错记录【例如：确定失败】等。基于模型工作情况和预设的进入补充训练时机触发库，若是，对深度学习模型进行补充训练。提升深度学习模型的应对能力。
在一个实施例中，所述后台服务器2基于所述模型工作情况和预设的进入补充训练时机触发库，确定是否进入对所述深度学习模型进行补充训练的时机，包括：
基于预设的第三特征提取模板，对所述模型工作情况进行特征提取，获得多个第三特征值；
将所述第三特征值与所述进入补充训练时机触发库中的任一触发特征值进行匹配；
若匹配符合，确定进入对所述深度学习模型进行补充训练的时机。
上述技术方案的工作原理及有益效果为：
第三特征值包括：最近一定时间内进行地板革压纹质量信息确定的确定时长的平均值和报错频率等。触发特征值为能够判定深度学习模型需要进行补充训练的特征值，例如：最近一定时间内进行地板革压纹质量信息确定的确定时长的平均值较高【说明确定能力不足】。将第三特征值与任一触发特征值进行匹配，若匹配符合，确定进行补充训练。引入补充训练时机触发库，进行是否进入补充训练的时机的确定，提升了补充训练的及时性。
在一个实施例中，所述后台服务器2对所述深度学习模型进行补充训练，包括：
获取历史上对所述深度学习模型进行训练的训练记录；
基于所述训练记录，确定训练样本要求；
获取符合所述训练样本要求的补充训练样本；
基于所述补充训练样本，对所述深度学习模型进行补充训练。
上述技术方案的工作原理及有益效果为：
每次对深度学习模型进行训练时，记录训练记录。基于训练记录，确定训练样本要求，例如：哪些训练样本更适宜用于模型训练。获取符合训练样本要求的补充训练样本。基于补充训练样本，对深度学习模型进行补充训练。提升深度学习模型的应对能力。
在一个实施例中，所述后台服务器2基于所述训练记录，确定训练样本要求，包括：
解析所述训练记录中多组一一对应的历史训练样本和训练效果的第二评价值；
若所述第二评价值大于等于预设的评价值阈值，将对应所述历史训练样本作为训练样本要求确定依据；
对每一所述训练样本要求确定依据进行共性特征提取，获得多个共性特征；
基于预设的训练样本要求生成模板，根据所述共性特征，生成训练样本要求。
上述技术方案的工作原理及有益效果为：
训练记录中多组一一对应的历史训练样本【工标记有压纹质量信息的压纹图像】和训练效果【例如：训练完之后最近一定时间内进行地板革压纹质量信息确定的确定时长的平均值减少，训练效果有提升】的第二评价值，第二评价值越高，训练效果提升越多。若第二评价值足够高，说明历史训练样本更适宜用于模型训练，作为训练样本要求确定依据。对每一训练样本要求确定依据进行共性特征提取【提取出特征后进行归类统计确定】，获得多个共性特征【例如：压纹图像上标记的压纹质量信息较全面】。根据共性特征，生成训练样本要求。预设的训练样本要求生成模板为，例如：共性特征为压纹图像上标记的压纹质量信息较全面，则训练样本要求为压纹图像上标记的压纹质量信息需要全面。确定训练样本要求，对补充训练样板进行筛选，提升了补充训练的效率和质量。
在一个实施例中，基于深度学习的地板革贴合压纹在线检测系统，如图3所示，还包括：
多个第二图像采集设备3，设置于地板革贴合压纹机所处的作业现场内的多个预设第二位置，用于采集所述作业现场内的作业图像；
所述后台服务器2还用于，包括：
获取所述作业图像，并基于所述作业图像，对所述作业现场进行作业安全监控；
其中，所述所述后台服务器2基于所述作业图像，对所述作业现场进行作业安全监控，包括：
基于所述作业图像，确定所述作业现场内的作业人员最近预设的时间内的移动位置变化；
基于所述移动位置变化和所述作业现场对应的预设的现场地图，确定所述作业人员即将进入的风险区域；
从所述作业图像中裁剪对应于所述风险区域的区域图像；
基于所述区域图像，确定所述作业人员的人员行为；
获取所述风险区域对应的预设的风险人员行为库；
将所述人员行为与所述风险人员行为库中的任一风险人员行为进行匹配；
若匹配符合，获取匹配符合的所述风险人员行为对应的预设的现场预警策略；
基于所述现场预警策略，进行安全预警。
上述技术方案的工作原理及有益效果为：
在地板革贴合压纹机所处的作业现场【例如：厂房】内设置第二图像采集设备，采集作业图像。预设第二位置可由作业现场内的现场实际结构情况进行确定。后台服务器2基于作业图像，对作业现场进行作业安全监控，实现作业安全的在线检测。
进行作业安全监控时，基于作业图像，确定作业人员最近预设的时间【例如：12秒】内的移动位置变化。作业现场对应的预设的现场地图中事先标记有风险区域【例如：手不能靠近压纹机的压纹机构的下方，则风险区域为压纹机周边】。基于移动位置变化和作业现场对应的预设的现场地图，确定所述作业人员即将进入的风险区域【最后移动位置与风险区域足够靠近，最后移动方向指向风险区域】。裁剪出区域图像，确定人员行为。引入风险区域对应的预设的风险人员行为库，风险人员行为库中包括在该风险区域内可能产生的风险人员行为，例如：风险区域为压纹机周边，则风险人员行为手靠近压纹机构下方。将人员行为与所述风险人员行为库中的任一风险人员行为进行匹配，若匹配符合，引入对应预设的现场预警策略【例如：广播预警】。当作业人员进入风险区域后再进行作业安全监控，减少作业安全监控资源，引入风险区域对应的预设的风险人员行为库，提升了作业安全监控的针对性和监控效率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，包括：
至少一个第一图像采集设备，设置于地板革贴合压纹机上的预设第一位置，用于采集地板革贴合压纹机对地板革压纹完成后的地板革压纹图像；
后台服务器，与所述第一图像采集设备通信连接，用于获取所述地板革压纹图像，并基于所述地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息并输出。
2.如权利要求1所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器基于所述地板革压纹图像和预设的深度学习模型，确定地板革压纹质量信息，包括：
基于预设的第一特征提取模板，对所述地板革压纹图像进行特征提取，获得多个第一特征值；
将所述第一特征值输入至所述深度学习模型，确定地板革压纹质量信息。
3.如权利要求1所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器还用于，包括：
当所述地板革压纹质量信息中有压纹质量异常信息时，获取地板革贴合压纹机的第一设备工作信息，并通过预设的多个获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因；
将所述第一设备工作信息与任一所述第二设备工作信息进行信息匹配，获取信息匹配情况；
基于所述信息匹配情况和预设的利用价值判定库，确定利用价值度；
若所述利用价值度大于等于预设的利用价值度阈值，将进行匹配的所述第二设备工作信息对应的所述质量异常原因作为质量异常原因预测结果并输出。
4.如权利要求3所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器通过预设的多个获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因，包括：
解析所述获取源的获取源类型，所述获取源类型包括：大数据平台和本地；
当所述获取源的获取源类型为大数据平台时，基于预设的可信度验证规则，对所述获取源的可信度进行验证；
当通过验证时，通过所述获取源获取其他地板革贴合压纹机历史上出现所述压纹质量异常信息时的第二设备工作信息以及对应质量异常原因。
5.如权利要求3所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器基于所述信息匹配情况和预设的利用价值判定库，确定利用价值度，包括：
基于预设的第二特征提取模板，对所述信息匹配情况进行特征提取，获得多个第二特征值；
从所述利用价值判定库中确定所述第二特征值对应的价值度；
累加计算每一所述价值度，获得价值度和，并作为利用价值度。
6.如权利要求1所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器还用于，包括：
获取所述深度学习模型的模型工作情况；
基于所述模型工作情况和预设的进入补充训练时机触发库，确定是否进入对所述深度学习模型进行补充训练的时机；
若是，对所述深度学习模型进行补充训练。
7.如权利要求6所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器基于所述模型工作情况和预设的进入补充训练时机触发库，确定是否进入对所述深度学习模型进行补充训练的时机，包括：
基于预设的第三特征提取模板，对所述模型工作情况进行特征提取，获得多个第三特征值；
将所述第三特征值与所述进入补充训练时机触发库中的任一触发特征值进行匹配；
若匹配符合，确定进入对所述深度学习模型进行补充训练的时机。
8.如权利要求6所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器对所述深度学习模型进行补充训练，包括：
获取历史上对所述深度学习模型进行训练的训练记录；
基于所述训练记录，确定训练样本要求；
获取符合所述训练样本要求的补充训练样本；
基于所述补充训练样本，对所述深度学习模型进行补充训练。
9.如权利要求8所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，所述后台服务器基于所述训练记录，确定训练样本要求，包括：
解析所述训练记录中多组一一对应的历史训练样本和训练效果的第二评价值；
若所述第二评价值大于等于预设的评价值阈值，将对应所述历史训练样本作为训练样本要求确定依据；
对每一所述训练样本要求确定依据进行共性特征提取，获得多个共性特征；
基于预设的训练样本要求生成模板，根据所述共性特征，生成训练样本要求。
10.如权利要求1所述的一种基于深度学习的地板革贴合压纹在线检测系统，其特征在于，还包括：
多个第二图像采集设备，设置于地板革贴合压纹机所处的作业现场内的多个预设第二位置，用于采集所述作业现场内的作业图像；
所述后台服务器还用于，包括：
获取所述作业图像，并基于所述作业图像，对所述作业现场进行作业安全监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211220841.4A CN115587978B (zh) | 2022-10-08 | 2022-10-08 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211220841.4A CN115587978B (zh) | 2022-10-08 | 2022-10-08 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115587978A true CN115587978A (zh) | 2023-01-10 |
| CN115587978B CN115587978B (zh) | 2023-04-21 |
Family
ID=84778043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211220841.4A Active CN115587978B (zh) | 2022-10-08 | 2022-10-08 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115587978B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116100552A (zh) * | 2023-02-24 | 2023-05-12 | 中迪机器人(盐城)有限公司 | 一种机械手运动智能控制方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| US20190318822A1 (en) * | 2018-04-13 | 2019-10-17 | International Business Machines Corporation | Deep image classification of medical images |
| CN111986199A (zh) * | 2020-09-11 | 2020-11-24 | 征图新视(江苏)科技股份有限公司 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
| CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
| CN113128715A (zh) * | 2021-04-23 | 2021-07-16 | 上汽大通汽车有限公司 | 一种辅助设备维修的系统及方法 |
| CN113369979A (zh) * | 2021-06-12 | 2021-09-10 | 杭州职业技术学院 | 一种基于云计算的在线监测数控车床冷却系统 |
| CN114357262A (zh) * | 2021-11-25 | 2022-04-15 | 中联重科股份有限公司 | 用于工程设备的方法、处理器及服务器 |
| CN114493291A (zh) * | 2022-01-28 | 2022-05-13 | 中铁北京工程局集团有限公司 | 一种高填方质量智能检测方法及系统 |
| CN114821025A (zh) * | 2022-03-16 | 2022-07-29 | 国网安徽省电力有限公司 | 一种基于深度学习的表计识别方法和系统 |
| CN114842935A (zh) * | 2022-04-29 | 2022-08-02 | 中国人民解放军总医院第六医学中心 | 一种用于医院夜间查房的智能检测方法及系统 |
| CN114996936A (zh) * | 2022-05-31 | 2022-09-02 | 济南浪潮数据技术有限公司 | 设备运维方法、设备运维装置、设备运维设备及存储介质 |
-
2022
- 2022-10-08 CN CN202211220841.4A patent/CN115587978B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| US20190318822A1 (en) * | 2018-04-13 | 2019-10-17 | International Business Machines Corporation | Deep image classification of medical images |
| CN111986199A (zh) * | 2020-09-11 | 2020-11-24 | 征图新视(江苏)科技股份有限公司 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
| CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
| CN113128715A (zh) * | 2021-04-23 | 2021-07-16 | 上汽大通汽车有限公司 | 一种辅助设备维修的系统及方法 |
| CN113369979A (zh) * | 2021-06-12 | 2021-09-10 | 杭州职业技术学院 | 一种基于云计算的在线监测数控车床冷却系统 |
| CN114357262A (zh) * | 2021-11-25 | 2022-04-15 | 中联重科股份有限公司 | 用于工程设备的方法、处理器及服务器 |
| CN114493291A (zh) * | 2022-01-28 | 2022-05-13 | 中铁北京工程局集团有限公司 | 一种高填方质量智能检测方法及系统 |
| CN114821025A (zh) * | 2022-03-16 | 2022-07-29 | 国网安徽省电力有限公司 | 一种基于深度学习的表计识别方法和系统 |
| CN114842935A (zh) * | 2022-04-29 | 2022-08-02 | 中国人民解放军总医院第六医学中心 | 一种用于医院夜间查房的智能检测方法及系统 |
| CN114996936A (zh) * | 2022-05-31 | 2022-09-02 | 济南浪潮数据技术有限公司 | 设备运维方法、设备运维装置、设备运维设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| WEIPING WANG 等: "Abnormal flow detection in industrial control network based on deep reinforcement learning" * |
| 刘云鹏 等: "基于深度学习的输变电设备异常发热点红外图片目标检测方法" * |
| 刘奇胜: "基于视觉的四旋翼无人机目标跟踪系统的设计与实现" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116100552A (zh) * | 2023-02-24 | 2023-05-12 | 中迪机器人(盐城)有限公司 | 一种机械手运动智能控制方法及系统 |
| CN116100552B (zh) * | 2023-02-24 | 2023-12-19 | 中迪机器人(盐城)有限公司 | 一种机械手运动智能控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115587978B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115643159B (zh) | 一种基于边缘计算的设备异常预警方法及系统 | |
| CN101470426B (zh) | 一种故障检测的方法和系统 | |
| CN115587978A (zh) | 一种基于深度学习的地板革贴合压纹在线检测系统 | |
| CN116360367A (zh) | 一种工业设备物联网数据采集方法及系统 | |
| CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
| US20210287515A1 (en) | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor | |
| CN117609762B (zh) | 基于智能燃气井的井盖预警监测方法及系统 | |
| CN117370919A (zh) | 污水处理设备远程监控系统 | |
| CN117436704A (zh) | 基于安全动作预测的电力施工行为安全检测方法 | |
| CN109885706B (zh) | 一种汽车质量检测信息处理方法 | |
| CN118095975A (zh) | 基于bim和ai大模型的工程质量智能管理方法及系统 | |
| CN117314921B (zh) | 一种基于rfid的轨道巡检设备的起点检测及处置方法 | |
| CN117421692A (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| CN113927217A (zh) | 一种智能焊接系统 | |
| KR102303406B1 (ko) | 산업설비의 이상유무 진단장치 및 방법 | |
| CN117171694A (zh) | 一种基于ai技术的配电场景安全识别系统 | |
| US20230325788A1 (en) | A method directed to interaction in a digital maintenance log system | |
| CN114091700A (zh) | 电力设备的运维方法、装置、运维管理设备和运维机器人 | |
| CN114565883A (zh) | 一种设备的运行故障用图形识别算法 | |
| CN118430216B (zh) | 一种用于充电桩的多种通信协议烟雾预警系统 | |
| TR201907462A2 (tr) | Ses i̇le ariza tespi̇ti̇ yapilmasina i̇li̇şki̇n bi̇r yöntem | |
| CN117806233A (zh) | 一种数控机床智能监控系统及方法 | |
| CN115601709B (zh) | 煤矿员工违规统计系统、方法、装置以及存储介质 | |
| CN117911415B (zh) | 一种基于机器视觉的设备自动化监管系统及方法 | |
| KR102695494B1 (ko) | 보안을 강화한 스마트팩토리 설비 예방보전 시스템 및 방법 |
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 |