CN116841262A - 基于机器视觉的智慧工厂生产在线监测分析系统 - Google Patents
基于机器视觉的智慧工厂生产在线监测分析系统 Download PDFInfo
- Publication number
- CN116841262A CN116841262A CN202310763659.1A CN202310763659A CN116841262A CN 116841262 A CN116841262 A CN 116841262A CN 202310763659 A CN202310763659 A CN 202310763659A CN 116841262 A CN116841262 A CN 116841262A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- real
- monitoring
- analysis
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 138
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 94
- 238000004458 analytical method Methods 0.000 title claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000010354 integration Effects 0.000 claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 38
- 238000013079 data visualisation Methods 0.000 claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 230000002787 reinforcement Effects 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 9
- 230000003190 augmentative effect Effects 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000003908 quality control method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 17
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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], 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], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
Abstract
本发明公开了基于机器视觉的智慧工厂生产在线监测分析系统包括检测设备选择模块、数据采集传输模块、图像处理分析模块、实时监测报警模块、数据可视化报告模块、系统集成拓展模块；该系统引入无线传感器网络和物联网技术，使得监测设备可以无线连接和传输数据，利用边缘计算能力，在监测设备上进行部分图像处理和数据分析；采用深度学习和卷积神经网络等先进的机器学习算法；引入增强学习算法，使系统能够自动优化算法参数和模型，适应不同生产线的变化和优化需求；结合物联网和实时数据处理技术，建立基于大数据分析的实时监测模型；引入自适应阈值和异常检测算法；采用交互式可视化界面。
Description
技术领域
本发明涉及筛选管理系统领域，更具体地说，涉及基于机器视觉的智慧工厂生产在线监测分析系统。
背景技术
随着信息技术的迅猛发展，传统工厂生产在线监测系统借助先进的信息技术和数字化技术转变为智能化、自动化和高效率的检测系统；智慧工厂的生产在线监测分析系统能够提高生产效率、提高产批质量、实现智能预测和预防性维护等，因此人们对它的需求大大增加；
但是传统的基于机器视觉的智慧工厂生产在线监测分析系统仍然有很多不足：需要高成本的部署和维护；针对特定的生产线或任务进行设计和定制的，缺乏灵活性和通用性；大规模部署的硬件设备需要大量的能源供应，并占用大量的空间；将数据传输到中央服务器进行处理和分析，导致延迟和带宽瓶颈；需要人工干预进行验证和修正；缺乏智能化和自适应性。
发明内容
本发明的目的在于提供基于机器视觉的智慧工厂生产在线监测分析系，以解决上述背景技术提出的问题：
需要高成本的部署和维护；针对特定的生产线或任务进行设计和定制的，缺乏灵活性和通用性；大规模部署的硬件设备需要大量的能源供应，并占用大量的空间；将数据传输到中央服务器进行处理和分析，导致延迟和带宽瓶颈；需要人工干预进行验证和修正；缺乏智能化和自适应性。
基于机器视觉的智慧工厂生产在线监测分析系统，基于机器视觉的智慧工厂生产在线监测分析系统包括检测设备选择模块、数据采集传输模块、图像处理分析模块、实时监测报警模块、数据可视化报告模块、系统集成拓展模块；
所述检测设备选择模块中，包括工业相机和传感器在内的监测设备负责采集生产线上的图像和数据，并将其传输到中央服务器和云平台进行处理和分析；
所述数据采集传输模块负责确保稳定可靠的数据传输；
所述图像处理分析模块使用计算机视觉算法和机器学习技术对采集到的图像进行处理和分析，所述计算机视觉算法和机器学习技术用于物体检测、识别和分类，缺陷检测和质量控制的任务；
所述图像处理分析模块提取的关键指标、特征和异常情况数据；。
所述实时监测报警模块负责监控生产线的状态和性能，接收来自所述图像处理分析模块的数据，并根据预设的规则和阈值进行判断和分析，当检测到异常情况或超过阈值时，所述实时监测报警模块会触发警报和报警，通知相关人员采取相应措施；
所述数据可视化报告模块负责将监测数据以直观的方式展示给用户，生成图表、图像、实时监控界面的形式，使得用户能够直观地理解和分析数据，所述数据可视化报告模块生成统计分析报告，帮助用户做出决策和优化生产线的效率。
设计基于机器视觉的智慧工厂生产在线监测分析系统需要综合考虑硬件设备、数据处理算法、实时监测、数据可视化等方面的要素，以实现对生产线的高效监控和优化。这个过程可能需要团队合作和专业知识，寻求相关领域的专家的帮助和意见；
这些模块之间的紧密关联使得系统能够实现从数据采集到处理分析、实时监测和报警，再到数据可视化和报告的完整流程。各个模块之间的数据交互和信息传递，确保了系统能够高效地实时监测和分析生产线的运行情况，从而支持工厂的生产优化和质量控制。
优选的，所述检测设备选择模块选择包括工业相机、传感器在内适用于工厂环境的高性能机器视觉设备，并确保这些设备能够捕捉到生产线上的关键数据和图像；
所述检测设备选择模块需要用的传感器和所述传感器的作用如下：
光学传感器：包括光电开关、光电传感器、激光传感器等，用于检测物体的存在、位置、颜色、形状等特征；
压力传感器：用于测量液体或气体的压力，常用于检测管道、容器等系统中的压力变化；
温度传感器：例如热电偶、热敏电阻、红外线温度传感器等，用于测量物体或环境的温度；
湿度传感器：用于测量空气中的湿度水分含量；
加速度传感器：用于检测物体的加速度、振动和冲击；
位移传感器：例如接近开关、编码器等，用于测量物体的位置和位移；
气体传感器：用于检测空气中特定气体的浓度，如二氧化碳传感器、氧气传感器等；
声音传感器：用于检测声音的强度和频率，用于声音识别和噪音监测；
触摸传感器：用于检测物体的触摸或接近，常用于触摸屏、触摸开关等应用中；
磁场传感器：用于检测磁场的强度和方向，常用于位置和导航应用；
水质传感器：用于检测水体中的pH值、浊度、溶解氧等指标，常用于水处理和环境监测。
所述检测设备选择模块利用边缘计算能力，在监测设备上进行图像处理和数据分析，减少对中央服务器的依赖。
边缘计算能力指的是在设备端(边缘端)进行数据处理和分析的能力。边缘计算是一种将数据处理和分析推向离数据源更近的边缘设备的计算模式，以减少数据传输延迟、提高系统的实时性和响应性；
边缘计算能力可以通过在边缘设备上部署适当的计算资源和算法模型来实现。这些设备可能包括智能传感器、嵌入式系统、工业网关等。通过在边缘设备上进行数据预处理、实时分析和决策，检测设备选择模块可以更快速、高效地进行智能决策和筛选，减少对中央服务器的依赖，提高系统的性能和可靠性。
优选的，所述数据采集传输模块设计一个稳定可靠的数据采集系统，基于网络连接、数据传输协议、数据存储将机器视觉设备获取的数据和图像传输到中央服务器和云平台进行处理和分析；
所述数据采集模块还引入无线传感器网络和物联网技术，使得监测设备无线连接和传输数据。
优选的，所述图像处理分析模块使用图像处理算法和机器学习技术来分析机器视觉数据，使用计算机视觉算法进行物体检测、识别和分类，以及缺陷检测和质量控制任务；
所述机器学习技术在图像处理分析模块的应用如下：
图像分类：机器学习算法可以用于对图像进行分类，将图像分为不同的类别。常用的算法包括卷积神经网络(Convolutional Neural Networks,CNN)和支持向量机(SupportVector Machines,SVM)等；
目标检测：目标检测算法可以识别图像中的特定目标或物体，并在图像中标记出其位置。一些常用的目标检测算法包括基于区域的卷积神经网络(Region-basedConvolutional Neural Networks,R-CNN)、快速R-CNN(Fast R-CNN)、区域卷积神经网络(Region-based Convolutional Neural Networks,R-FCN)和单次多框检测(Single ShotMultiBox Detection,SSD)等；
物体识别和识别：物体识别和识别算法可用于识别图像中的具体物体或对象，如人脸识别、车辆识别等。这些算法可以使用深度学习模型，如卷积神经网络(CNN)和人工神经网络(ANN)等；
图像分割：图像分割算法将图像分割为不同的区域或对象，以便更好地理解图像的结构和内容。常用的图像分割算法包括基于区域的卷积神经网络(Region-basedConvolutional Neural Networks,R-CNN)、全卷积网络(Fully Convolutional Networks,FCN)和分水岭算法等；
异常检测：异常检测算法可用于检测图像中的异常情况，如缺陷、异常行为等。这些算法可以使用无监督学习方法，如聚类、离群值检测等；
图像生成和重建：图像生成和重建算法可用于生成新的图像，如生成对抗网络(Generative Adversarial Networks,GAN)和自编码器(Autoencoders)等。这些算法可以用于图像增强、图像修复、图像生成等应用。
所述图像处理分析模块还使用图像分析算法来提取关键指标和特征，用于生产线性能评估和优化；
所述图像处理模块引入增强学习算法，使所述图像处理分析模块能够自动优化算法参数和模型，适应不同生产线的变化和优化需求。
优选的，所述实时监测报警模块系统基于阈值设置、异常检测算法实时监测生产线的状态和性能，并及时发出报警和警报；
所述实时监控报警模块结合物联网和实时数据处理技术，建立基于大数据分析的实时监测模型，更准确地检测异常情况和预测潜在故障；
所述实时监控报警模块还引入声音和语音识别，通过添加麦克风或语音识别技术，使实时监控系统能够监听和分析环境中的声音，识别异常声音还有关键指令；
所述实时监控报警模块结合图像、声音、振动等多种传感器数据，进行多模态数据的融合和分析；
所述实时监控报警模块通过增强现实技术，将实时监测数据和警报信息叠加在实际生产线的图像和视频上，更直观地观察和理解异常情况，快速做出反应；
所述增强现实技术在所述实时监测报警模块的应用如下：
投影式增强现实：通过将虚拟信息投影到真实世界的物体或场景上，实现实时监控和报警信息的可视化。例如，在监控摄像头的视野中标识出潜在的危险区域或异常物体，并提供相应的警示信息。
虚拟对象叠加：通过在监控图像上叠加虚拟对象，将监控数据和相关信息结合起来呈现给用户。例如，在实时监控图像中标记出重要设备的状态信息、参数数据或预警指示，使用户能够直观地了解当前的生产状态。
虚拟操作指引：在实时监控场景中，通过增强现实技术提供操作指引，引导操作人员进行正确的操作。例如，将操作步骤、警示信息或故障排除指南叠加在设备或生产线上，以帮助用户快速、准确地应对问题。
虚拟信息层叠：将实时监控数据与历史数据、统计数据或其他相关数据层叠在一起，以提供更全面的信息视图。例如，通过增强现实技术将生产线的实时数据与历史数据对比，显示生产效率、质量指标或设备状态的变化趋势，帮助用户做出决策和优化工作流程。
视角切换和追踪：利用增强现实技术可以实现对监控场景的视角切换和追踪。用户可以通过移动设备或AR眼镜观察不同角度的监控画面，实时跟踪目标物体的位置和状态，从而实现更全面、灵活的监控和报警。
所述实时监控报警模块引入预测性维护，结合机器学习和大数据分析，建立预测性维护模型，通过对历史数据和实时数据的分析，预测设备故障的概率和时间，提前进行维护，避免生产线停机和损失；
所述实时监控报警模块结合自主机器人技术将自主机器人引入监测报警系统，使其能够在生产线上自主巡检和收集数据，通过机器人的移动和多传感器集成，提供更全面的实时监测和异常检测能力；
所述实时监控报警模块采用边缘计算和边缘人工智能，在监测设备和传感器上集成边缘计算和边缘人工智能，进行本地数据处理和分析，减少对中央服务器的依赖；
所述实时监控报警模块引入自适应阈值和异常检测算法，减少误报率并提高报警的准确性。
优选的，所述数据可视化报告模块方便用户理解和分析数据，设计一个直观的可视化界面，将监测数据以图表、图像的形式展示出来；
所述数据可视化模块还生成报告和统计分析，帮助用户做出决策和改进生产线的效率；
所述数据可视化报告模块采用交互式可视化界面，根据需要自定义监测指标、图表和报告内容；
所述数据可视化报告模块引入实时监控和预测功能，通过数据模型和算法的支持，提供对未来趋势和生产线性能的预测，做出更准确的决策。
优选的，所述系统集成扩展模块确保设计的系统与其他工厂自动化系统和生产线设备进行无缝集成；
所述系统集成扩展模块还考虑系统的扩展性，使其能够适应不断变化的生产需求和技术发展；
所述系统集成扩展模块引入自主学习和优化能力，使系统能够根据实际生产环境和需求，自动学习和优化算法、参数和模型。通过不断的反馈和迭代，自主适应新的工件、生产线变化和优化目标，提高系统的性能和适应性；
所述系统集成扩展模块在集成拓展模块中加入实时决策支持功能，通过结合大数据分析和智能决策算法，为生产线管理人员提供实时决策支持，根据实时监测数据和预测模型，提供优化方案、生产调度建议和异常处理指导；
所述系统集成扩展模块支持无缝集成和拓展多种不同工艺和生产线的监测和分析能力，通过提供可配置的接口和模块化设计，适应不同工艺的需求，实现多工艺的监测和分析；
所述系统集成扩展模块将系统集成拓展模块与其他工厂的智慧生产系统进行协同和共享，实现跨工厂的数据共享、资源共享和协同优化，通过共享数据和经验，更好地学习和优化；
所述系统集成扩展模块建立可扩展的插件生态系统，允许第三方开发者和合作伙伴开发和集成新的功能模块和算法，通过开放的接口和标准，扩大系统的功能和应用范围，促进创新和合作。
相比于现有技术，本发明的优点在于：
(1)引入无线传感器网络和物联网技术，使得监测设备可以无线连接和传输数据，减少布线和设备维护成本；利用边缘计算能力，在监测设备上进行部分图像处理和数据分析，减少对中央服务器的依赖，提高实时性和响应性。
(2)采用深度学习和卷积神经网络等先进的机器学习算法，提高图像处理和分析的准确性和鲁棒性；引入增强学习算法，使系统能够自动优化算法参数和模型，适应不同生产线的变化和优化需求。
(3)结合物联网和实时数据处理技术，建立基于大数据分析的实时监测模型，能够更准确地检测异常情况和预测潜在故障；引入自适应阈值和异常检测算法，减少误报率并提高报警的准确性。
(4)采用交互式可视化界面，使用户能够根据需要自定义监测指标、图表和报告内容，以便更好地理解和分析数据；引入实时监控和预测功能，通过数据模型和算法的支持，提供对未来趋势和生产线性能的预测，帮助用户做出更准确的决策。
附图说明
图1为本发明的整体系统示意图。
具体实施方式
8.实施例：请参阅图1，基于机器视觉的智慧工厂生产在线监测分析系统包括检测设备选择模块、数据采集传输模块、图像处理分析模块、实时监测报警模块、数据可视化报告模块、系统集成拓展模块；
检测设备选择模块中，包括工业相机和传感器在内的监测设备负责采集生产线上的图像和数据，并将其传输到中央服务器和云平台进行处理和分析；
数据采集传输模块负责确保稳定可靠的数据传输；
图像处理分析模块使用计算机视觉算法和机器学习技术对采集到的图像进行处理和分析，计算机视觉算法和机器学习技术用于物体检测、识别和分类，缺陷检测和质量控制的任务；
图像处理分析模块提取的关键指标、特征和异常情况数据；。
实时监测报警模块负责监控生产线的状态和性能，接收来自图像处理分析模块的数据，并根据预设的规则和阈值进行判断和分析，当检测到异常情况或超过阈值时，实时监测报警模块会触发警报和报警，通知相关人员采取相应措施；
数据可视化报告模块负责将监测数据以直观的方式展示给用户，生成图表、图像、实时监控界面的形式，使得用户能够直观地理解和分析数据，数据可视化报告模块生成统计分析报告，帮助用户做出决策和优化生产线的效率。
检测设备选择模块选择包括工业相机、传感器在内适用于工厂环境的高性能机器视觉设备，并确保这些设备能够捕捉到生产线上的关键数据和图像；
具体的，传感器的使用具体实施步骤如下：
确定监测需求：首先，明确需要监测和检测的目标和指标。例如，需要监测的参数是温度、压力、湿度、振动等。
研究传感器技术：了解不同类型的传感器技术，并研究其原理、特性、测量范围、准确性、响应时间、成本等方面的信息。了解不同传感器的优缺点和适用场景。
选择合适的传感器：根据监测需求和传感器技术的特点，选择适合的传感器。考虑传感器的测量范围是否满足要求，准确性是否足够高，响应时间是否符合实时监测需求，并综合考虑成本因素。
验证传感器性能：在实际工厂环境中进行传感器性能验证。测试传感器的准确性、稳定性和可靠性，确保其能够在生产线上正常工作并提供准确的监测数据。
传感器集成和连接：将选择的传感器集成到监测设备中，并与监测设备模块进行连接。这可能涉及硬件接口和通信协议的选择和配置，以确保传感器能够与监测设备进行数据交换。
数据处理和分析：配置监测设备模块，以接收传感器生成的数据并进行处理和分析。这可能涉及数据解码、校正、滤波、转换和适配等处理步骤，以获得准确的监测结果。
故障排除和校准：定期检查和校准传感器，以确保其正常工作和准确性。如果发现传感器故障或失准，及时进行故障排除和校准操作。
监测设备性能评估：对安装的传感器和监测设备进行性能评估和验证，确保其能够满足监测需求，并根据需要进行调整和优化。
检测设备选择模块利用边缘计算能力，在监测设备上进行图像处理和数据分析，减少对中央服务器的依赖。
具体的，边缘计算能力在检测设备上进行图像处理和数据分析的具体实施步骤如下：
确定图像处理和数据分析需求：首先，明确需要在边缘设备上进行的图像处理和数据分析任务。例如，目标检测、图像分类、异常检测等；
选择适当的边缘计算平台：根据实际需求选择合适的边缘计算平台或设备。这可能包括具备足够计算能力的嵌入式系统、边缘服务器、专用边缘计算设备等；
配置图像处理和数据分析软件：安装和配置适用于边缘计算设备的图像处理和数据分析软件。这可能涉及选择合适的算法库、软件框架和开发工具，以便在边缘设备上进行图像处理和数据分析的开发和部署；
优化计算资源：根据边缘设备的计算能力和资源限制，进行计算资源的优化和配置。这包括对算法进行优化，选择适当的计算模型和参数配置，以充分利用设备的计算能力并降低计算负载；
图像处理和数据分析算法的部署：将经过训练和优化的图像处理和数据分析算法部署到边缘设备上。这可能涉及算法模型的转换、加载和初始化，以及输入数据的获取和预处理；
实时处理和响应：在边缘设备上进行实时的图像处理和数据分析，以及根据分析结果生成实时响应。这可能包括对图像进行预处理、特征提取、分类、检测、跟踪等操作，并根据分析结果触发报警、控制执行动作等；
通信和数据传输：根据需要，将处理后的图像和分析结果传输到中心服务器或其他远程设备。这可能涉及数据压缩、加密和网络传输等操作，以确保高效的数据传输和安全性；
监控和维护：监控边缘设备的运行状态和性能，并进行必要的维护和更新。这包括监测计算资源的利用率、算法的准确性和稳定性，以及对软件和硬件的定期更新和维护。
数据采集传输模块设计一个稳定可靠的数据采集系统，基于网络连接、数据传输协议、数据存储将机器视觉设备获取的数据和图像传输到中央服务器和云平台进行处理和分析；
数据采集模块还引入无线传感器网络和物联网技术，使得监测设备无线连接和传输数据。
图像处理分析模块使用图像处理算法和机器学习技术来分析机器视觉数据，使用计算机视觉算法进行物体检测、识别和分类，以及缺陷检测和质量控制任务；
图像处理模块引入增强学习算法，使图像处理分析模块能够自动优化算法参数和模型，适应不同生产线的变化和优化需求。
实时监测报警模块系统基于阈值设置、异常检测算法实时监测生产线的状态和性能，并及时发出报警和警报；
实时监控报警模块结合物联网和实时数据处理技术，建立基于大数据分析的实时监测模型，更准确地检测异常情况和预测潜在故障；
实时监控报警模块还引入声音和语音识别，通过添加麦克风或语音识别技术，使实时监控系统能够监听和分析环境中的声音，识别异常声音还有关键指令；
实时监控报警模块结合图像、声音、振动等多种传感器数据，进行多模态数据的融合和分析；
实时监控报警模块通过增强现实技术，将实时监测数据和警报信息叠加在实际生产线的图像和视频上，更直观地观察和理解异常情况，快速做出反应；
实时监控报警模块引入预测性维护，结合机器学习和大数据分析，建立预测性维护模型，通过对历史数据和实时数据的分析，预测设备故障的概率和时间，提前进行维护，避免生产线停机和损失；
实时监控报警模块结合自主机器人技术将自主机器人引入监测报警系统，使其能够在生产线上自主巡检和收集数据，通过机器人的移动和多传感器集成，提供更全面的实时监测和异常检测能力；
实时监控报警模块采用边缘计算和边缘人工智能，在监测设备和传感器上集成边缘计算和边缘人工智能，进行本地数据处理和分析，减少对中央服务器的依赖；
实时监控报警模块引入自适应阈值和异常检测算法，减少误报率并提高报警的准确性。
数据可视化报告模块方便用户理解和分析数据，设计一个直观的可视化界面，将监测数据以图表、图像的形式展示出来；
数据可视化模块还生成报告和统计分析，帮助用户做出决策和改进生产线的效率；
数据可视化报告模块采用交互式可视化界面，根据需要自定义监测指标、图表和报告内容；
数据可视化报告模块引入实时监控和预测功能，通过数据模型和算法的支持，提供对未来趋势和生产线性能的预测，做出更准确的决策。
系统集成扩展模块确保设计的系统与其他工厂自动化系统和生产线设备进行无缝集成；
系统集成扩展模块还考虑系统的扩展性，使其能够适应不断变化的生产需求和技术发展；
系统集成扩展模块引入自主学习和优化能力，使系统能够根据实际生产环境和需求，自动学习和优化算法、参数和模型。通过不断的反馈和迭代，自主适应新的工件、生产线变化和优化目标，提高系统的性能和适应性；
系统集成扩展模块在集成拓展模块中加入实时决策支持功能，通过结合大数据分析和智能决策算法，为生产线管理人员提供实时决策支持，根据实时监测数据和预测模型，提供优化方案、生产调度建议和异常处理指导；
系统集成扩展模块支持无缝集成和拓展多种不同工艺和生产线的监测和分析能力，通过提供可配置的接口和模块化设计，适应不同工艺的需求，实现多工艺的监测和分析；
系统集成扩展模块将系统集成拓展模块与其他工厂的智慧生产系统进行协同和共享，实现跨工厂的数据共享、资源共享和协同优化，通过共享数据和经验，更好地学习和优化；
所述系统集成扩展模块建立可扩展的插件生态系统，允许第三方开发者和合作伙伴开发和集成新的功能模块和算法，通过开放的接口和标准，扩大系统的功能和应用范围，促进创新和合作。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于机器视觉的智慧工厂生产在线监测分析系统，其特征在于，所述基于机器视觉的智慧工厂生产在线监测分析系统包括检测设备选择模块、数据采集传输模块、图像处理分析模块、实时监测报警模块、数据可视化报告模块、系统集成拓展模块；
所述检测设备选择模块中，包括工业相机和传感器在内的监测设备负责采集生产线上的图像和数据，并将其传输到中央服务器和云平台进行处理和分析；
所述数据采集传输模块负责确保稳定可靠的数据传输；
所述图像处理分析模块使用计算机视觉算法和机器学习技术对采集到的图像进行处理和分析，所述计算机视觉算法和机器学习技术用于物体检测、识别和分类，缺陷检测和质量控制的任务；
所述图像处理分析模块提取的关键指标、特征和异常情况数据；。
所述实时监测报警模块负责监控生产线的状态和性能，接收来自所述图像处理分析模块的数据，并根据预设的规则和阈值进行判断和分析，当检测到异常情况或超过阈值时，所述实时监测报警模块会触发警报和报警，通知相关人员采取相应措施；
所述数据可视化报告模块负责将监测数据以直观的方式展示给用户，生成图表、图像、实时监控界面的形式，使得用户能够直观地理解和分析数据，所述数据可视化报告模块生成统计分析报告，帮助用户做出决策和优化生产线的效率。
2.根据权利要求1所述基于机器视觉的智慧工厂生产在线监测分析系统，其特征在于，所述检测设备选择模块选择包括工业相机、传感器在内适用于工厂环境的高性能机器视觉设备，并确保这些设备能够捕捉到生产线上的关键数据和图像；
所述检测设备选择模块利用边缘计算能力，在监测设备上进行图像处理和数据分析，减少对中央服务器的依赖。
3.根据权利要求1所述基于机器视觉的智慧工厂生产在线监测分析系统，其特征在于，所述数据采集传输模块设计一个稳定可靠的数据采集系统，基于网络连接、数据传输协议、数据存储将机器视觉设备获取的数据和图像传输到中央服务器和云平台进行处理和分析；
所述数据采集模块还引入无线传感器网络和物联网技术，使得监测设备无线连接和传输数据。
4.根据权利要求1所述基于机器视觉的智慧工厂生产在线监测分析系统，其特征在于，所述图像处理分析模块使用图像处理算法和机器学习技术来分析机器视觉数据，使用计算机视觉算法进行物体检测、识别和分类，以及缺陷检测和质量控制任务；
所述图像处理模块引入增强学习算法，使所述图像处理分析模块能够自动优化算法参数和模型，适应不同生产线的变化和优化需求。
5.根据权利要求1所述基于机器视觉的智慧工厂生产在线监测分析系统，其特征在于，所述实时监测报警模块系统基于阈值设置、异常检测算法实时监测生产线的状态和性能，并及时发出报警和警报；
所述实时监控报警模块结合物联网和实时数据处理技术，建立基于大数据分析的实时监测模型，更准确地检测异常情况和预测潜在故障；
所述实时监控报警模块还引入声音和语音识别，通过添加麦克风或语音识别技术，使实时监控系统能够监听和分析环境中的声音，识别异常声音还有关键指令；
所述实时监控报警模块结合图像、声音、振动等多种传感器数据，进行多模态数据的融合和分析；
所述实时监控报警模块通过增强现实技术，将实时监测数据和警报信息叠加在实际生产线的图像和视频上，更直观地观察和理解异常情况，快速做出反应；
所述实时监控报警模块引入预测性维护，结合机器学习和大数据分析，建立预测性维护模型，通过对历史数据和实时数据的分析，预测设备故障的概率和时间，提前进行维护，避免生产线停机和损失；
所述实时监控报警模块结合自主机器人技术将自主机器人引入监测报警系统，使其能够在生产线上自主巡检和收集数据，通过机器人的移动和多传感器集成，提供更全面的实时监测和异常检测能力；
所述实时监控报警模块采用边缘计算和边缘人工智能，在监测设备和传感器上集成边缘计算和边缘人工智能，进行本地数据处理和分析，减少对中央服务器的依赖；
所述实时监控报警模块引入自适应阈值和异常检测算法，减少误报率并提高报警的准确性。
6.根据权利要求1所述基于机器视觉的智慧工厂生产在线监测分析系统，其特征在于，所述数据可视化报告模块方便用户理解和分析数据，设计一个直观的可视化界面，将监测数据以图表、图像的形式展示出来；
所述数据可视化模块还生成报告和统计分析，帮助用户做出决策和改进生产线的效率；
所述数据可视化报告模块采用交互式可视化界面，根据需要自定义监测指标、图表和报告内容；
所述数据可视化报告模块引入实时监控和预测功能，通过数据模型和算法的支持，提供对未来趋势和生产线性能的预测，做出更准确的决策。
7.根据权利要求1所述基于机器视觉的智慧工厂生产在线监测分析系统，其特征在于，所述系统集成扩展模块确保设计的系统与其他工厂自动化系统和生产线设备进行无缝集成；
所述系统集成扩展模块还考虑系统的扩展性，使其能够适应不断变化的生产需求和技术发展；
所述系统集成扩展模块引入自主学习和优化能力，使系统能够根据实际生产环境和需求，自动学习和优化算法、参数和模型。通过不断的反馈和迭代，自主适应新的工件、生产线变化和优化目标，提高系统的性能和适应性；
所述系统集成扩展模块在集成拓展模块中加入实时决策支持功能，通过结合大数据分析和智能决策算法，为生产线管理人员提供实时决策支持，根据实时监测数据和预测模型，提供优化方案、生产调度建议和异常处理指导；
所述系统集成扩展模块支持无缝集成和拓展多种不同工艺和生产线的监测和分析能力，通过提供可配置的接口和模块化设计，适应不同工艺的需求，实现多工艺的监测和分析；
所述系统集成扩展模块将系统集成拓展模块与其他工厂的智慧生产系统进行协同和共享，实现跨工厂的数据共享、资源共享和协同优化，通过共享数据和经验，更好地学习和优化；
所述系统集成扩展模块建立可扩展的插件生态系统，允许第三方开发者和合作伙伴开发和集成新的功能模块和算法，通过开放的接口和标准，扩大系统的功能和应用范围，促进创新和合作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310763659.1A CN116841262A (zh) | 2023-06-27 | 2023-06-27 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310763659.1A CN116841262A (zh) | 2023-06-27 | 2023-06-27 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116841262A true CN116841262A (zh) | 2023-10-03 |
Family
ID=88168232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310763659.1A Pending CN116841262A (zh) | 2023-06-27 | 2023-06-27 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116841262A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076613A (zh) * | 2023-10-13 | 2023-11-17 | 中国长江电力股份有限公司 | 一种基于互联网大数据的电数字数据处理系统 |
| CN117086699A (zh) * | 2023-10-16 | 2023-11-21 | 山东滨州鲁丰不锈钢制品有限公司 | 一种不锈钢构件切削加工温度测量方法及系统 |
| CN117114506A (zh) * | 2023-10-17 | 2023-11-24 | 长春易加科技有限公司 | 一种智慧工厂质量检测与分析方法 |
| CN117171661A (zh) * | 2023-11-03 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及系统 |
| CN117240887A (zh) * | 2023-10-13 | 2023-12-15 | 山东平安电气集团有限公司 | 一种智慧物联网能源管理平台系统 |
| CN117253024A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及系统 |
| CN117348503A (zh) * | 2023-12-06 | 2024-01-05 | 山东三岳化工有限公司 | 一种环氧丙烷生产数据监控系统及方法 |
| CN117395166A (zh) * | 2023-12-11 | 2024-01-12 | 四海良田(天津)智能科技有限公司 | 基于物联网的智能农业管理平台 |
| CN117449910A (zh) * | 2023-10-26 | 2024-01-26 | 唐山昌宏科技有限公司 | 基于感知交互技术的煤矿综采智慧管理系统 |
| CN117475245A (zh) * | 2023-12-28 | 2024-01-30 | 福建礼恩科技有限公司 | 一种用于制备阻燃聚烯烃绝缘料的智能化生产方法及系统 |
| CN117575108A (zh) * | 2024-01-16 | 2024-02-20 | 山东三岳化工有限公司 | 一种化工厂能源数据分析系统 |
| CN117575108B (zh) * | 2024-01-16 | 2024-05-14 | 山东三岳化工有限公司 | 一种化工厂能源数据分析系统 |
-
2023
- 2023-06-27 CN CN202310763659.1A patent/CN116841262A/zh active Pending
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117240887A (zh) * | 2023-10-13 | 2023-12-15 | 山东平安电气集团有限公司 | 一种智慧物联网能源管理平台系统 |
| CN117240887B (zh) * | 2023-10-13 | 2024-03-26 | 山东平安电气集团有限公司 | 一种智慧物联网能源管理平台系统 |
| CN117076613A (zh) * | 2023-10-13 | 2023-11-17 | 中国长江电力股份有限公司 | 一种基于互联网大数据的电数字数据处理系统 |
| CN117086699A (zh) * | 2023-10-16 | 2023-11-21 | 山东滨州鲁丰不锈钢制品有限公司 | 一种不锈钢构件切削加工温度测量方法及系统 |
| CN117086699B (zh) * | 2023-10-16 | 2024-01-16 | 山东滨州鲁丰不锈钢制品有限公司 | 一种不锈钢构件切削加工温度测量方法及系统 |
| CN117114506A (zh) * | 2023-10-17 | 2023-11-24 | 长春易加科技有限公司 | 一种智慧工厂质量检测与分析方法 |
| CN117114506B (zh) * | 2023-10-17 | 2024-02-20 | 长春易加科技有限公司 | 一种智慧工厂质量检测与分析方法 |
| CN117449910A (zh) * | 2023-10-26 | 2024-01-26 | 唐山昌宏科技有限公司 | 基于感知交互技术的煤矿综采智慧管理系统 |
| CN117449910B (zh) * | 2023-10-26 | 2024-03-29 | 唐山昌宏科技有限公司 | 基于感知交互技术的煤矿综采智慧管理系统 |
| CN117171661B (zh) * | 2023-11-03 | 2024-01-26 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及系统 |
| CN117171661A (zh) * | 2023-11-03 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及系统 |
| CN117253024B (zh) * | 2023-11-17 | 2024-02-06 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及系统 |
| CN117253024A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及系统 |
| CN117348503B (zh) * | 2023-12-06 | 2024-02-20 | 山东三岳化工有限公司 | 一种环氧丙烷生产数据监控系统及方法 |
| CN117348503A (zh) * | 2023-12-06 | 2024-01-05 | 山东三岳化工有限公司 | 一种环氧丙烷生产数据监控系统及方法 |
| CN117395166A (zh) * | 2023-12-11 | 2024-01-12 | 四海良田(天津)智能科技有限公司 | 基于物联网的智能农业管理平台 |
| CN117475245A (zh) * | 2023-12-28 | 2024-01-30 | 福建礼恩科技有限公司 | 一种用于制备阻燃聚烯烃绝缘料的智能化生产方法及系统 |
| CN117475245B (zh) * | 2023-12-28 | 2024-05-07 | 福建礼恩科技有限公司 | 一种用于制备阻燃聚烯烃绝缘料的智能化生产方法及系统 |
| CN117575108A (zh) * | 2024-01-16 | 2024-02-20 | 山东三岳化工有限公司 | 一种化工厂能源数据分析系统 |
| CN117575108B (zh) * | 2024-01-16 | 2024-05-14 | 山东三岳化工有限公司 | 一种化工厂能源数据分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116841262A (zh) | 基于机器视觉的智慧工厂生产在线监测分析系统 | |
| Chen et al. | Unsupervised anomaly detection of industrial robots using sliding-window convolutional variational autoencoder | |
| US10545489B2 (en) | Commissioning field devices in a process control system supported by big data | |
| EP3076256B1 (en) | Systems and methods for assessing a facility based on audio/visual delta analysis | |
| EP3213157B1 (en) | Using soft-sensors in a programmable logic controller | |
| US20200160207A1 (en) | Automated model update based on model deterioration | |
| Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
| US20190219993A1 (en) | System and method for monitoring factory facilities using active black box | |
| KR20190088581A (ko) | Ｆｂｄ 머신러닝 기반의 동적 모니터링 시스템 및 그 방법 | |
| KR20190077898A (ko) | 관리 대상 설비 이상 상태 모니터링 시스템 | |
| JP2022519228A (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
| KR102096175B1 (ko) | 천장 레일형 IoT 기반 감시 로봇 장치 | |
| KR102284282B1 (ko) | 증강현실 이미지 기반의 원격협업 모니터링 방법 | |
| CN117337416A (zh) | 一种虚拟巡检系统及在增强现实环境下的可视化工厂系统 | |
| US20220057788A1 (en) | End to end smart manufacturing architecture for operational efficiency and quality control | |
| CN116882426A (zh) | 基于标识解析的机电设备管理平台 | |
| Caiazzo et al. | An IoT-based and cloud-assisted AI-driven monitoring platform for smart manufacturing: design architecture and experimental validation | |
| CN117419814A (zh) | 一种基于电气设备红外热像的图像处理系统 | |
| KR102411824B1 (ko) | 인공지능 기반의 공장 에너지 관리 시스템 및 그 방법 | |
| EP4206963A1 (en) | System and method for diagnostics and monitoring of anomalies of a cyber-physical system | |
| Novilla et al. | The use of fuzzy logic for online monitoring of manufacturing machine: An intelligent system | |
| KR101996237B1 (ko) | 분산처리를 통한 IoT 센서 디바이스 및 플랫폼 | |
| Geetha et al. | The Smart Development of the Large Scale Sensing Techniques in Intelligent Industrial Automation | |
| CN117348503B (zh) | 一种环氧丙烷生产数据监控系统及方法 | |
| CN117555298A (zh) | 一种施工现场安全监控系统 |
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 |