CN117035669A - 基于人工智能的企业安全生产管理方法及系统 - Google Patents
基于人工智能的企业安全生产管理方法及系统 Download PDFInfo
- Publication number
- CN117035669A CN117035669A CN202311023513.XA CN202311023513A CN117035669A CN 117035669 A CN117035669 A CN 117035669A CN 202311023513 A CN202311023513 A CN 202311023513A CN 117035669 A CN117035669 A CN 117035669A
- Authority
- CN
- China
- Prior art keywords
- product
- feature map
- surface texture
- texture feature
- product surface
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 120
- 238000007726 management method Methods 0.000 title claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 230000007547 defect Effects 0.000 claims abstract description 92
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000002950 deficient Effects 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 16
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Image Analysis (AREA)
Abstract
一种基于人工智能的企业安全生产管理方法及系统,其获取由摄像头采集的生产线上产品的产品图像;基于所述产品图像,确定所述产品的表面是否存在缺陷;以及,响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。这样,从产品外观质量监测作为切入点来间接地把控企业安全生成管理全流程,避免了全局监控带来的技术难度升级。
Description
技术领域
本申请涉及智能化生产管理技术领域,并且更具体地,涉及一种基于人工智能的企业安全生产管理方法及系统。
背景技术
企业安全生产管理是企业运营管理的重中之重。传统的企业安全生产管理主要依赖于人工的监测和决策,这种方法存在人力资源有限、主观判断容易出错、反应速度慢等问题。近年来,人工智能、IOT、大数据、云计算等技术的发展,为企业安全生产管理提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于人工智能的企业安全生产管理方法及系统,其获取由摄像头采集的生产线上产品的产品图像;基于所述产品图像,确定所述产品的表面是否存在缺陷;以及,响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。这样,从产品外观质量监测作为切入点来间接地把控企业安全生成管理全流程,避免了全局监控带来的技术难度升级。
第一方面,提供了一种基于人工智能的企业安全生产管理方法,其包括:
获取由摄像头采集的生产线上产品的产品图像;
基于所述产品图像,确定所述产品的表面是否存在缺陷;以及
响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。
第二方面,提供了一种基于人工智能的企业安全生产管理系统,其包括:
产品图像获取模块,用于获取由摄像头采集的生产线上产品的产品图像;
缺陷判断模块,用于基于所述产品图像,确定所述产品的表面是否存在缺陷;以及
预警提示生成模块,用于响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于人工智能的企业安全生产管理方法的流程图。
图2为根据本申请实施例的基于人工智能的企业安全生产管理方法的架构示意图。
图3为根据本申请实施例的基于人工智能的企业安全生产管理方法中步骤120的子步骤的流程图。
图4为根据本申请实施例的基于人工智能的企业安全生产管理方法中步骤122的子步骤的流程图。
图5为根据本申请实施例的基于人工智能的企业安全生产管理系统的框图。
图6为根据本申请实施例的基于人工智能的企业安全生产管理方法的场景示意图。
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。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解,企业安全生产管理是指企业在生产经营过程中,通过制定安全生产方针、规章制度和管理措施,全面管理和控制各类安全风险,保障员工的生命安全和财产安全,维护企业的正常运营和可持续发展。
企业安全生产管理的目标是预防事故的发生,最大限度地减少事故对员工、企业和社会的伤害。涉及到多个方面,包括设备安全、工艺安全、职业健康安全、环境安全等。
其中,企业安全生产管理的重点工作包括以下几个方面:1.安全生产规章制度的建立,制定和完善企业内部的安全生产规章制度,明确各级管理人员和员工的安全责任和义务,确保安全生产工作的有序进行。2.安全风险评估和控制,对企业生产经营活动中存在的各类安全风险进行评估和控制,采取措施降低事故发生的概率和影响。3.培训和教育,加强员工的安全意识和安全技能培训,提高员工应对突发事件和事故的能力。4.安全设备和防护措施,确保企业的设备安全可靠,并配备必要的安全防护设施,如安全防护装置、消防设备等,以防止事故的发生和蔓延。5.事故应急管理,建立健全的事故应急预案和应急响应机制,提高应对突发事件和事故的能力,减少事故造成的损失。6.安全监督和检查,建立健全的安全监督和检查制度,对企业的安全生产工作进行监督和检查,及时发现和纠正安全隐患。
企业安全生产管理是企业可持续发展的重要保障,不仅关乎员工的生命安全和身体健康,也关系到企业的声誉和形象,同时也是企业社会责任的体现。因此,企业应高度重视安全生产管理工作,不断加强安全管理能力,确保企业的安全生产。
本申请的技术构思为通过对企业生产线上的产品进行基于图像的计算机视觉分析和处理以判断产品表面是否存在缺陷,进而基于判断结果来生成企业安全生成预警提示。也就是,在本申请的技术构思中,在诸多企业安全生产环节中,从产品外观质量监测作为切入点来间接地把控企业安全生成管理全流程,这样以核心点作为切入,避免了全局监控带来的技术难度升级。
应可以理解,基于人工智能的企业安全生产管理一方面,可以提高生产线效率,通过使用计算机视觉和图像分析技术,可以实时监测和检测产品表面的缺陷。这可以帮助企业及时发现和修复问题,避免缺陷产品继续流入市场,从而提高生产线的效率。一方面,可以降低产品质量风险,产品表面的缺陷可能导致产品质量问题,甚至可能引发安全事故。通过使用人工智能技术,可以及时检测和预警产品表面的缺陷,帮助企业降低产品质量风险,保障消费者的安全。另一方面,可以节约人力资源,传统的产品质检通常需要大量的人力资源进行目视检查,这不仅费时费力,而且容易出现漏检和误检的情况。而基于人工智能的安全生产管理可以自动化地进行产品缺陷检测,减少对人力资源的依赖,提高工作效率。再一方面,可以实时监控和预警:通过实时监控产品表面的缺陷情况,并及时生成安全生产预警提示,企业可以迅速采取措施来解决问题,避免事故的发生或扩大。这有助于提高企业的安全性和生产效率。
也就是,基于人工智能的企业安全生产管理对于确定产品表面是否存在缺陷、响应缺陷情况并生成安全生产预警提示非常必要,可以帮助企业提高生产线效率、降低产品质量风险、节约人力资源,并实现实时监控和预警。
图1为根据本申请实施例的基于人工智能的企业安全生产管理方法的流程图。图2为根据本申请实施例的基于人工智能的企业安全生产管理方法的架构示意图。如图1和图2所示,所述基于人工智能的企业安全生产管理方法,包括:110,获取由摄像头采集的生产线上产品的产品图像;120,基于所述产品图像,确定所述产品的表面是否存在缺陷;以及,130,响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。
其中,在所述步骤110中,确保摄像头的位置和角度能够完整捕捉到产品表面的图像。选择高质量的摄像头以获得清晰的图像,确保摄像头设置稳定,不受光线干扰或振动影响。通过获取产品图像,可以为后续的缺陷检测和分析提供数据基础。摄像头采集的图像可以用于进行图像处理和计算机视觉算法的分析。
在所述步骤120中,选择适当的图像处理和计算机视觉算法,如图像分割、特征提取和缺陷检测算法,以准确地确定产品表面是否存在缺陷。确保算法能够适应不同产品的特征和缺陷类型。同时,需要进行充分的数据训练和验证,以提高算法的准确性和鲁棒性。通过准确地确定产品表面的缺陷,可以及时发现产品质量问题,防止缺陷产品流入市场,有助于提高产品质量和客户满意度,降低质量风险和售后成本。
在所述步骤130中,根据缺陷的严重程度和紧急性,确定合适的预警方式,如声音警报、短信通知或系统提示。确保预警系统能够及时、准确地将预警信息传达给相关人员,以便他们采取相应的措施。同时,建立完善的预警管理机制,包括预警信息的记录、跟踪和反馈。通过生成安全生产预警提示,可以及时通知相关人员产品表面存在缺陷的情况,促使他们采取必要的措施,如停止生产、修复设备或更换材料,以确保安全生产。有助于预防事故的发生,保护员工和企业的安全。
基于人工智能的企业安全生产管理方法,包括获取产品图像、确定产品表面是否存在缺陷和生成安全生产预警提示。在每个步骤中,需要注意选择适当的设备和算法,并建立有效的预警机制,以提高安全生产管理的效果。
具体地,在所述步骤110中,获取由摄像头采集的生产线上产品的产品图像。相应地,在本申请的技术方案中,获取由摄像头采集的生产线上的产品图像。在本申请一个具体的示例中,所述摄像头朝向生产线的预定位置以在产品从流水线上被传输过来时,能够及时地采集所述产品的产品图像。
生产线上产品的产品图像中包含了许多有用的信息,可以帮助确定产品表面是否存在缺陷。例如,产品图像中的颜色和纹理可以提供关于产品表面的信息,异常的颜色或纹理变化可能表明存在缺陷,如涂层不均匀、色差或纹理缺失;产品图像中的形状和尺寸可以用于检测产品表面的缺陷。例如,通过比较预期的形状和尺寸与实际产品图像中的形状和尺寸,可以检测到变形、破损或尺寸偏差等缺陷;产品图像中的边缘和轮廓可以提供关于产品表面的形状和边界的信息。异常的边缘或轮廓可能表明存在缺陷,如裂纹、断裂或缺失部分;产品图像中的光照和反射可以揭示产品表面的细微变化和缺陷。通过分析光照和反射的模式和分布,可以检测到表面平整度、凹凸和光学缺陷等问题;产品图像中的特定缺陷特征可以用于检测和识别特定类型的缺陷。例如,某些缺陷可能具有特定的形状、颜色或纹理特征,可以通过分析这些特征来判断是否存在缺陷。
生产线上产品的产品图像中包含了丰富的有用信息,可以用于确定产品表面是否存在缺陷。通过分析颜色、纹理、形状、尺寸、边缘、轮廓、光照、反射和特定缺陷特征等信息,可以进行缺陷检测和识别。这些信息可以帮助提高生产线的效率和产品质量,并减少缺陷产品的流入市场。
进一步地,摄像头采集的产品图像提供了用于后续分析和处理的数据基础,通过收集大量的产品图像,可以建立起一个丰富的数据集,用于训练和优化缺陷检测算法。通过对产品图像进行分析和处理,可以应用图像处理和计算机视觉算法来检测产品表面的缺陷。例如,可以使用图像分割算法将产品图像分割为不同的区域,并应用缺陷检测算法来判断每个区域是否存在缺陷。这些算法可以自动化地检测和识别各种类型的缺陷,如裂纹、瑕疵或污渍。
相比人工目视检查,使用摄像头采集产品图像可以提高缺陷检测的准确性和一致性。计算机视觉算法可以根据事先定义的规则和标准进行自动化的判断,减少主观因素的干扰,并提高检测结果的一致性。摄像头采集的产品图像可以实时传输和处理,使得缺陷检测可以在产品生产过程中进行持续监测。这样,可以及时发现并处理产品表面的缺陷,避免缺陷产品流入市场,提高生产线的效率和产品质量。
获取由摄像头采集的生产线上产品的产品图像对于最后确定产品表面是否存在缺陷起着关键的作用,提供了数据基础,支持缺陷检测算法的应用,提高检测准确性和一致性,并实现实时监测和处理。
具体地,在所述步骤120中,基于所述产品图像,确定所述产品的表面是否存在缺陷。图3为根据本申请实施例的基于人工智能的企业安全生产管理方法中步骤120的子步骤的流程图,如图3所示,基于所述产品图像,确定所述产品的表面是否存在缺陷,包括:121,提取所述产品图像的产品方向梯度直方图;以及,122,基于所述产品方向梯度直方图,确定所述产品的表面是否存在缺陷。
其中,提取产品图像的产品方向梯度直方图可以了解产品表面的纹理和结构特征,通过计算图像中每个像素点的梯度方向和梯度强度,可以得到一个表示整个图像纹理信息的直方图,这样的直方图可以用于后续的缺陷检测和分类。
基于产品方向梯度直方图,可以使用计算机视觉算法来确定产品表面是否存在缺陷。通过比较待检测产品的方向梯度直方图与正常产品的直方图模板,可以计算出它们之间的相似度或距离。如果待检测产品的直方图与正常产品的直方图模板相差较大,那么可以判断该产品表面存在缺陷。
通过对图像进行简单的处理和计算,可以快速提取产品表面的纹理特征,并进行缺陷检测。通过比较待检测产品的直方图与正常产品的直方图模板,可以准确地确定产品表面是否存在缺陷。实时地对生产线上的产品进行监控和检测,及时发现并报警任何缺陷情况,有助于及时采取措施避免质量问题的扩大。
对于所述步骤121,考虑到产品外观质量主要反应于产品的纹理层面,因此如果能够将图像分析视野聚焦于产品外观纹理层面,则可以显著地提升产品外观质量分析的精准度。基于此,在本申请的技术方案中,首先,提取所述产品图像的方向梯度直方图。本领域普通技术人员应知晓,方向梯度直方图(Histogram of Oriented Gradients,HOG)是一种用于图像特征提取的算法,它通过计算图像局部区域的梯度方向直方图来描述图像的纹理和形状特征。
应可以理解,方向梯度直方图(Histogram of Oriented Gradients,HOG)是一种用于图像特征提取的算法,常用于目标检测和图像分类任务中。HOG算法通过计算图像中每个像素点的梯度方向和梯度强度,将图像转化为一个表示图像纹理和结构特征的直方图。
HOG算法的主要步骤包括:首先,将彩色图像转换为灰度图像,以简化计算,对图像进行归一化和平滑处理,以减少噪声对梯度计算的影响。然后,对预处理后的图像,使用一阶偏导数算子(如Sobel算子)计算每个像素点的梯度方向和梯度强度。梯度方向表示了像素点的边缘方向,梯度强度表示了像素点的边缘强度。接着,将图像划分为小的重叠区域(称为细胞),每个细胞内包含多个像素点。然后,对于每个细胞,统计该细胞内像素点的梯度方向和梯度强度,并将其分配到一组预定义的方向区间(通常是9个方向)。这样就得到了一个表示该细胞内纹理和结构特征的梯度直方图。接着,对于相邻的多个细胞,将它们组合成一个块,并对块内的梯度直方图进行归一化,以增强对光照变化的鲁棒性。最后,将所有块的归一化梯度直方图串联起来,形成一个全局的特征向量,用于表示整个图像的纹理和结构特征。
HOG算法通过提取图像的局部纹理和结构特征,能够有效地捕捉目标的形状和边缘信息。在缺陷检测中,可以利用HOG算法提取产品表面的纹理特征,用于判断是否存在缺陷。
在本申请中,方向梯度直方图能够有效地描述图像中的纹理和结构特征,通过提取图像的梯度信息,可以捕捉到图像的边缘、角点等纹理特征,从而更好地描述和区分不同的产品表面。
通过分析产品图像的方向梯度直方图,可以检测和识别产品表面的缺陷。缺陷通常表现为纹理和结构的异常变化,通过比较正常产品和有缺陷产品的方向梯度直方图,可以进行缺陷的检测和分类。
方向梯度直方图的提取可以实现实时监控和预警。通过在生产线上安装摄像头,可以实时采集产品图像,并通过计算机视觉算法提取方向梯度直方图。一旦检测到异常的方向梯度直方图,系统可以立即发出预警,以便及时采取措施。
基于方向梯度直方图的方法可以实现自动化的缺陷检测和分类,减少了人工干预的需求,提高了生产线的效率。同时,由于方向梯度直方图的计算速度较快,可以实现实时监控和快速反馈,进一步提升了生产线的效率。
换言之,提取产品图像的方向梯度直方图可以帮助企业实现高效的生产线管理和安全生产,提高产品质量和生产效率,降低质量风险。
对于所述步骤122,图4为根据本申请实施例的基于人工智能的企业安全生产管理方法中步骤122的子步骤的流程图,如图4所示,基于所述产品方向梯度直方图,确定所述产品的表面是否存在缺陷,包括:1221,从所述产品方向梯度直方图提取产品表面纹理特征图;1222,对所述产品表面纹理特征图进行特征全局交互以得到全局交互产品表面纹理特征图;1223,融合所述产品表面纹理特征图和所述全局交互产品表面纹理特征图以得到多尺度产品表面纹理特征图;以及,1224,基于所述多尺度产品表面纹理特征图,确定所述产品的表面是否存在缺陷。
进一步地,首先,根据方向梯度直方图,可以提取出产品表面的纹理特征图像,纹理特征图像可以反映产品表面的纹理信息,包括边缘、角点等特征。然后,通过对产品表面的纹理特征图进行特征全局交互,可以捕捉到不同区域之间的交互关系。这可以更好地理解产品表面的整体纹理特征,包括纹理的分布、连贯性等。接着,将产品表面的纹理特征图和全局交互产品表面纹理特征图进行融合,可以得到多尺度的产品表面纹理特征图,多尺度的特征图可以提供更全面、更丰富的产品表面纹理信息。然后,利用多尺度产品表面纹理特征图,可以进行缺陷检测和分类。通过比较正常产品和有缺陷产品的多尺度纹理特征图,可以判断产品表面是否存在缺陷,并进行相应的处理和修复。
这种基于多尺度产品表面纹理特征图的方法可以提高缺陷检测的准确性和可靠性,帮助企业及时发现和解决产品表面的问题,提高产品质量和生产效率。同时,通过自动化和实时监控,可以实现快速反馈和预警,进一步提升生产线的安全管理水平。
在本申请的一个实施例中,所述步骤1221,包括:将所述产品方向梯度直方图通过基于卷积神经网络模型的产品表面纹理特征提取器以得到所述产品表面纹理特征图。在得到所述产品方向梯度直方图之后,将所述产品图像的方向梯度直方图通过基于卷积神经网络模型的产品表面纹理特征提取器以得到产品表面纹理特征图。也就是,在本申请一个具体的示例中,使用在图像局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述产品图像的方向梯度直方图中所蕴含的局部纹理高维隐含特征。
其中,卷积神经网络具有强大的特征提取能力,可以自动学习和提取产品表面的纹理特征,无需手工设计特征提取算法。相比传统的手工提取特征方法,基于卷积神经网络的特征提取器能够更准确地捕捉到产品表面的细微纹理变化,提高了缺陷检测的准确性。
基于卷积神经网络的特征提取器可以通过全局池化操作或全局平均池化操作将提取到的局部特征转化为全局特征。这样可以实现全局特征的交互,使得不同位置的特征能够相互影响和补充,提高了对整个产品表面的纹理特征的综合利用能力。
基于卷积神经网络的特征提取器具有较强的鲁棒性和泛化能力,可以适应不同类型和尺寸的产品表面纹理。这意味着该方法可以应用于各种不同的产品和生产线,具有较好的适应性和通用性。
基于卷积神经网络模型的产品表面纹理特征提取器可以显著提高产品表面纹理特征的提取效果,进而为缺陷检测和分类提供更可靠的依据。
在本申请的一个实施例中,所述步骤1222,包括:将所述产品表面纹理特征图通过基于非局部神经网络的特征全局交互模型以得到全局交互产品表面纹理特征图。
并且,在进行产品外观质量监测时,除了要关注局部纹理,如果能够将全局纹理考虑在内,则能够综合不同视野内的纹理特征来提高产品外观质量判断的精准度。相应地,在本申请一个具体的示例中,将所述产品表面纹理特征图通过基于非局部神经网络的特征全局交互模型以得到全局交互产品表面纹理特征图。
其中,非局部神经网络(Non-local Neural Network)是一种用于图像和视频处理的深度学习模型,旨在捕捉全局上下文信息和长程依赖关系。相比传统的卷积神经网络(CNN),非局部神经网络引入了非局部操作,能够在不同位置之间建立全局的关联。
传统的卷积神经网络主要关注局部区域的特征提取,而非局部神经网络则通过引入非局部操作来实现全局特征的交互。非局部操作基于注意力机制,通过计算不同位置之间的相似性来决定特征的权重分配,这样可以使得不同位置之间的特征能够相互影响和交互,从而更好地捕捉全局上下文信息。非局部神经网络在图像和视频处理任务中具有广泛的应用,如图像分类、目标检测、图像分割、视频分析等,能够有效地提取全局特征,改善模型的感知能力和准确性。同时,非局部神经网络还具有较好的鲁棒性和泛化能力,能够适应不同类型和尺度的输入数据。
非局部神经网络通过引入非局部操作实现全局特征的交互,能够捕捉全局上下文信息,提高深度学习模型在图像和视频处理任务中的性能。其是一种强大的工具,可以用于提高产品表面纹理特征的全局交互效果。
在本申请中,非局部神经网络可以捕获更广泛的上下文信息,通过全局交互模型对纹理特征进行整合和修正,从而提高了特征的鲁棒性和稳定性,有助于减少噪声和干扰对缺陷检测的影响。非局部神经网络可以学习到更丰富的特征表示,通过全局交互模型的处理,可以将不同位置的纹理特征进行有效的融合和组合,进一步提高了特征的表达能力,有助于更准确地区分正常区域和缺陷区域。全局交互模型能够通过对纹理特征的全局分析和整合,更好地捕捉到缺陷的全局模式和上下文信息,有助于提高缺陷检测的准确性,减少误报和漏报的情况。通过使用非局部神经网络的特征全局交互模型,可以在保证准确性的同时,加快缺陷检测的速度,有助于提高生产线的效率,减少生产成本和资源浪费。
在本申请的一个实施例中,所述步骤1223,包括:以如下融合公式来融合所述产品表面纹理特征图和所述全局交互产品表面纹理特征图以得到多尺度产品表面纹理特征图;其中,所述融合公式为:
Fc=Concat[F1,F2]
其中,F1,F2表示所述产品表面纹理特征图和所述全局交互产品表面纹理特征图,Concat[·]表示级联函数,Fc表示所述多尺度产品表面纹理特征图。
在得到所述产品表面纹理特征图和所述全局交互产品表面纹理特征图后,融合所述产品表面纹理特征图和所述全局交互产品表面纹理特征图以得到多尺度产品表面纹理特征图。特别地,在本申请的技术方案中,考虑到所述产品表面纹理特征图和所述全局交互产品表面纹理特征图分别表达所述产品图像的方向梯度直方图的局部图像语义关联特征和全局图像语义关联特征,为了充分利用局部和全局特征,优选地通过沿通道维度直接级联所述产品表面纹理特征图和所述全局交互产品表面纹理特征图来得到所述多尺度产品表面纹理特征图。
在本申请的一个实施例中,所述步骤1224,包括:对所述多尺度产品表面纹理特征图的每个特征矩阵进行特征图的通道维度遍历流形式凸优化以得到优化多尺度产品表面纹理特征图;以及,将所述优化多尺度产品表面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示所述产品的表面是否存在缺陷。
特别地,在本申请的技术方案中,在融合所述产品表面纹理特征图和所述全局交互产品表面纹理特征图以得到多尺度产品表面纹理特征图时,考虑到所述产品表面纹理特征图和所述全局交互产品表面纹理特征图分别表达所述产品图像的方向梯度直方图的局部图像语义关联特征和全局图像语义关联特征,为了充分利用局部和全局特征,优选地通过沿通道维度直接级联所述产品表面纹理特征图和所述全局交互产品表面纹理特征图来得到所述多尺度产品表面纹理特征图,但是,这也使得所述多尺度产品表面纹理特征图的各个特征矩阵之间的流形表示差异变大,导致各个特征矩阵在高维特征空间内的高维流形表示无法如单一卷积神经网络模型提取的那样保持沿通道分布的流形几何连续性,从而影响所述多尺度产品表面纹理特征图通过分类器的收敛效果,即,影响了分类器的训练速度和分类结果的准确性。
因此,针对所述多尺度产品表面纹理特征图的每个特征矩阵,例如记为Mi,进行特征图的通道维度遍历流形式凸优化,表示为:以如下优化公式对所述多尺度产品表面纹理特征图的每个特征矩阵进行特征图的通道维度遍历流形式凸优化以得到优化多尺度产品表面纹理特征图;其中,所述优化公式为:
其中,Vt1[GAP(F)]和Vt2[GAP(F)]分别为基于所述多尺度产品表面纹理特征图的特征矩阵的全局均值所构成的全局均值池化向量通过线性变换得到的列向量和行向量,||·||2表示矩阵的谱范数,F是所述多尺度产品表面纹理特征图,Mi是所述多尺度产品表面纹理特征图的每个特征矩阵,且M′i为优化多尺度产品表面纹理特征图的每个特征矩阵,是矩阵相乘,⊙是按位置点乘。
这里,所述多尺度产品表面纹理特征图的通道维度遍历流形式凸优化通过结构化调制的特征矩阵的最大分布稠密性方向来确定特征矩阵流形的基维度,并沿所述多尺度产品表面纹理特征图的通道方向对特征矩阵流形进行遍历,以通过沿通道方向堆叠遍历流形的基维度来约束每个特征矩阵Mi所表示的遍历流形的凸优化连续性,从而实现由优化后的特征矩阵M′i的遍历流形组成的所述多尺度产品表面纹理特征图的高维特征流形的几何连续性,也就改进了所述多尺度产品表面纹理特征图通过分类器的收敛效果,即,提升了分类器的训练速度和分类结果的准确性。
接着,将所述多尺度产品表面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示产品表面是否存在缺陷。也就是,在得到产品外观纹理特征后,使用所述分类器来确定所述产品外观纹理特征所属的类概率边界,即,确定产品表面是否存在缺陷。进而,响应于所述产品表面是否存在缺陷,生成安全生产预警提示。
综上,基于本申请实施例的基于人工智能的企业安全生产管理方法100被阐明,其通过对企业生产线上的产品进行基于图像的计算机视觉分析和处理以判断产品表面是否存在缺陷,进而基于判断结果来生成企业安全生成预警提示。也就是,在本申请的技术构思中,在诸多企业安全生产环节中,从产品外观质量监测作为切入点来间接地把控企业安全生成管理全流程,这样以核心点作为切入,避免了全局监控带来的技术难度升级。
在本申请的一个实施例中,图5为根据本申请实施例的基于人工智能的企业安全生产管理系统的框图。如图5所示,根据本申请实施例的基于人工智能的企业安全生产管理系统200,包括:产品图像获取模块210,用于获取由摄像头采集的生产线上产品的产品图像;缺陷判断模块220,用于基于所述产品图像,确定所述产品的表面是否存在缺陷;以及,预警提示生成模块230,用于响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。
具体地,在所述基于人工智能的企业安全生产管理系统中,所述缺陷判断模块,包括:梯度直方图提取单元,用于提取所述产品图像的产品方向梯度直方图;以及,缺陷确定单元,用于基于所述产品方向梯度直方图,确定所述产品的表面是否存在缺陷。
这里,本领域技术人员可以理解,上述基于人工智能的企业安全生产管理系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于人工智能的企业安全生产管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于人工智能的企业安全生产管理系统200可以实现在各种终端设备中,例如用于基于人工智能的企业安全生产管理的服务器等。在一个示例中,根据本申请实施例的基于人工智能的企业安全生产管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于人工智能的企业安全生产管理系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于人工智能的企业安全生产管理系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能的企业安全生产管理系统200与该终端设备也可以是分立的设备,并且基于人工智能的企业安全生产管理系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于人工智能的企业安全生产管理方法的场景示意图。如图6所示,在该应用场景中,首先,获取由摄像头采集的生产线上产品的产品图像(例如,如图6中所示意的C);然后,将获取的产品图像输入至部署有基于人工智能的企业安全生产管理算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于人工智能的企业安全生产管理算法对所述产品图像进行处理,以生成安全生产预警提示。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于人工智能的企业安全生产管理方法,其特征在于,包括:
获取由摄像头采集的生产线上产品的产品图像;
基于所述产品图像,确定所述产品的表面是否存在缺陷;以及
响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。
2.根据权利要求1所述的基于人工智能的企业安全生产管理方法,其特征在于,基于所述产品图像,确定所述产品的表面是否存在缺陷,包括:
提取所述产品图像的产品方向梯度直方图;以及
基于所述产品方向梯度直方图,确定所述产品的表面是否存在缺陷。
3.根据权利要求2所述的基于人工智能的企业安全生产管理方法,其特征在于,基于所述产品方向梯度直方图,确定所述产品的表面是否存在缺陷,包括:
从所述产品方向梯度直方图提取产品表面纹理特征图;
对所述产品表面纹理特征图进行特征全局交互以得到全局交互产品表面纹理特征图;
融合所述产品表面纹理特征图和所述全局交互产品表面纹理特征图以得到多尺度产品表面纹理特征图;以及
基于所述多尺度产品表面纹理特征图,确定所述产品的表面是否存在缺陷。
4.根据权利要求3所述的基于人工智能的企业安全生产管理方法,其特征在于,从所述产品方向梯度直方图提取产品表面纹理特征图,包括:将所述产品方向梯度直方图通过基于卷积神经网络模型的产品表面纹理特征提取器以得到所述产品表面纹理特征图。
5.根据权利要求4所述的基于人工智能的企业安全生产管理方法,其特征在于,对所述产品表面纹理特征图进行特征全局交互以得到全局交互产品表面纹理特征图,包括:将所述产品表面纹理特征图通过基于非局部神经网络的特征全局交互模型以得到全局交互产品表面纹理特征图。
6.根据权利要求5所述的基于人工智能的企业安全生产管理方法,其特征在于,融合所述产品表面纹理特征图和所述全局交互产品表面纹理特征图以得到多尺度产品表面纹理特征图,包括:以如下融合公式来融合所述产品表面纹理特征图和所述全局交互产品表面纹理特征图以得到多尺度产品表面纹理特征图;
其中,所述融合公式为:
FC=Concat[F1,F2]
其中,F1,F2表示所述产品表面纹理特征图和所述全局交互产品表面纹理特征图,Concat[·]表示级联函数,Fc表示所述多尺度产品表面纹理特征图。
7.根据权利要求6所述的基于人工智能的企业安全生产管理方法,其特征在于,基于所述多尺度产品表面纹理特征图,确定所述产品的表面是否存在缺陷,包括:
对所述多尺度产品表面纹理特征图的每个特征矩阵进行特征图的通道维度遍历流形式凸优化以得到优化多尺度产品表面纹理特征图;以及
将所述优化多尺度产品表面纹理特征图通过分类器以得到分类结果,所述分类结果用于表示所述产品的表面是否存在缺陷。
8.根据权利要求7所述的基于人工智能的企业安全生产管理方法,其特征在于,对所述多尺度产品表面纹理特征图的每个特征矩阵进行特征图的通道维度遍历流形式凸优化以得到优化多尺度产品表面纹理特征图,包括:以如下优化公式对所述多尺度产品表面纹理特征图的每个特征矩阵进行特征图的通道维度遍历流形式凸优化以得到优化多尺度产品表面纹理特征图;
其中,所述优化公式为:
其中,Vt1[GAP(F)]和Vt2[GAP(F)]分别为基于所述多尺度产品表面纹理特征图的特征矩阵的全局均值所构成的全局均值池化向量通过线性变换得到的列向量和行向量,‖·‖2表示矩阵的谱范数,F是所述多尺度产品表面纹理特征图,Mi是所述多尺度产品表面纹理特征图的每个特征矩阵,且Mi i为优化多尺度产品表面纹理特征图的每个特征矩阵,是矩阵相乘,⊙是按位置点乘。
9.一种基于人工智能的企业安全生产管理系统,其特征在于,包括:
产品图像获取模块,用于获取由摄像头采集的生产线上产品的产品图像;
缺陷判断模块,用于基于所述产品图像,确定所述产品的表面是否存在缺陷;以及
预警提示生成模块,用于响应于所述产品的表面是否存在缺陷,生成安全生产预警提示。
10.根据权利要求9所述的基于人工智能的企业安全生产管理系统,其特征在于,所述缺陷判断模块,包括:
梯度直方图提取单元,用于提取所述产品图像的产品方向梯度直方图;以及
缺陷确定单元,用于基于所述产品方向梯度直方图,确定所述产品的表面是否存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311023513.XA CN117035669A (zh) | 2023-08-14 | 2023-08-14 | 基于人工智能的企业安全生产管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311023513.XA CN117035669A (zh) | 2023-08-14 | 2023-08-14 | 基于人工智能的企业安全生产管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035669A true CN117035669A (zh) | 2023-11-10 |
Family
ID=88624137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311023513.XA Pending CN117035669A (zh) | 2023-08-14 | 2023-08-14 | 基于人工智能的企业安全生产管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035669A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935174A (zh) * | 2024-03-22 | 2024-04-26 | 浙江佑威新材料股份有限公司 | 真空袋膜生产线的智能化管理系统及方法 |
-
2023
- 2023-08-14 CN CN202311023513.XA patent/CN117035669A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935174A (zh) * | 2024-03-22 | 2024-04-26 | 浙江佑威新材料股份有限公司 | 真空袋膜生产线的智能化管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220084186A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及系统 | |
KR20200004822A (ko) | 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체 | |
CN109299758A (zh) | 一种智能巡检方法、电子设备、智能巡检系统和存储介质 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN110057820B (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN110827277A (zh) | 一种基于yolo3网络的布匹瑕疵检测方法 | |
Li et al. | Intelligent monitoring system of coal conveyor belt based on computer vision technology | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
CN117094609B (zh) | 一种基于机器视觉的铝型材生产质量智能管理系统 | |
Wu et al. | Design of online surface inspection system of hot rolled strips | |
CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
CN110570076A (zh) | 一种危险作业现场检查监督管理系统和方法 | |
Zhang et al. | Belt deviation detection system based on deep learning under complex working conditions | |
CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及系统 | |
CN111274872B (zh) | 基于模板匹配的视频监控动态不规则多监管区域判别方法 | |
TW202326114A (zh) | 長碼拉鏈的缺陷或瑕疵檢測系統 | |
CN114820676A (zh) | 一种设备运行状态识别方法及装置 | |
CN109214390B (zh) | 基于机器视觉原理的栅栏状态检测方法及系统 | |
CN112183342B (zh) | 一种带有模板的综合型换流站缺陷识别方法 |
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 |