CN117501260A - 用于传送用于机器学习的模型的计算机实现的数据结构、方法、检查装置和系统 - Google Patents
用于传送用于机器学习的模型的计算机实现的数据结构、方法、检查装置和系统 Download PDFInfo
- Publication number
- CN117501260A CN117501260A CN202280041343.5A CN202280041343A CN117501260A CN 117501260 A CN117501260 A CN 117501260A CN 202280041343 A CN202280041343 A CN 202280041343A CN 117501260 A CN117501260 A CN 117501260A
- Authority
- CN
- China
- Prior art keywords
- model
- machine learning
- data
- dset
- inspection device
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000007689 inspection Methods 0.000 title claims description 29
- 238000000034 method Methods 0.000 title claims description 16
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 24
- 230000002950 deficient Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- 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
- G05B2219/32177—Computer assisted quality surveyance, caq
-
- 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
- G05B2219/32201—Build statistical model of past normal proces, compare with actual process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- General Factory Administration (AREA)
Abstract
用于传送用于机器学习的模型的计算机实现的数据结构(DS),包括·用于技术组件的描述(BOM‑MD),·用于所述组件的特征的名称(LS),·用于所述组件的特征的分类模型(CM),·至少一个传感器参数(SETUP),所述传感器参数描述借助于至少一个传感器装置对所述组件的检测。
Description
技术领域
本发明涉及一种用于传送用于机器学习的模型的计算机实现的数据结构、计算机实现的方法、检查装置以及系统。
此外,本发明涉及计算机程序、电子可读数据载体和数据载体信号。
背景技术
现代产品经常包含关键的技术组件或要求高的材料,为了制造所述关键的技术组件或要求高的材料需要特殊的技术能力。
拥有所有所需要的生产能力并且自身执行所有生产步骤对于单独的企业来说通常是非常困难的并且也并不总是合理的。
制造网络是制造客户或参与者的永久或临时联盟,所述联盟包括例如在地理上分布的小型和中型企业和/或原始装备商(OEM)的生产系统,所述企业和/或原始装备商在共同的价值链中协作,以便执行共同制造。
用于制造场景的示例在于,特定零件的生产被委托给其他供应商。在此,质量是在供应商与客户之间的最重要的因素之一。
在减少工艺波动的情况下的质量管理的改善可以直接对供应链中的多个性能指标产生影响。
通过连续地改善质量管理,可以减少差错,并且从而减少工艺和生产波动。
如果供应链中的一致性由于偏差的减小又得到改善,那么循环时、即两个相继的补给过程之间的时间可以被缩短,并且准时交货可以被改善。
如果发生较少的差错,则供应链中的库存可以被减少,这在各种各样的方面都是非常有利的。供应链的参与者、即生产客户仅通过供应链移动“良好的”单元,而不移动“有缺陷的”单元。
现今,经常使用如光学摄像机之类的传感器用于视觉地识别差错,在基础模型已经与此对应地被训练之后,所述传感器允许非常好的差错识别。
然而在此不利的是,必须耗费地根据示例、例如有缺陷的产品的图像来训练模型,这是耗时的且昂贵的。
发明内容
本发明的任务是借助于机器学习来改善对有缺陷的产品和工件的识别,并且可靠地、尽可能快速地并且以简单的方式进行识别。
根据本发明的任务通过计算机实现的数据结构来解决,所述数据结构包括:
·用于技术组件的描述,
·用于组件的特征的名称,
·用于组件的特征的分类模型,
·至少一个传感器参数,所述传感器参数描述借助于至少一个传感器装置对组件的检测。
在本上下文中,技术组件例如被理解为技术产品,例如用于计算机装置的所装配的电路板、半导体芯片、注塑件形式的塑料成品、通过铣削加工的金属体,在载体结构上或在容器中以流体形式的化学或生物组合物。
借助数据结构,模型和特征现在可以从第一检查系统被传输给相互连接的第二检查系统。
可以从数据结构中导出相应的数据集,所述数据集具有用于技术组件的描述、用于技术组件的特征的名称、用于技术组件的特征的分类模型以及至少一个传感器参数的相应数据元素。
在此,因为模型可以一起被使用并且用于训练第二或其他检查系统的耗费可以被减少,所以在第二检查系统中可以显著地减少用于训练模型的耗费。
尤其是在批量大小为1的生产情况下,该问题可能更加困难,因为如有缺陷产品的图像之类的数据很少。
关于联邦学习,可以在将客户贡献用在聚合中之前对其进行检验。
可以根据诸如“信任”和“质量”之类的关系度量来有利地对客户贡献进行加权。
通过根据本发明的数据结构实现:用语机器学习的模型可以在计算装置之间被交换,例如用于共同学习。换句话说,可以提供用于交换模型的标准化接口。
该数据结构可以通过各种数据元素和数据格式来实现,然而总是具有用于组件的描述、用于组件的特征的名称、用于组件的特征的分类模型以及至少一个传感器参数。
因为能够将分类模型调节到第二检查系统的训练数据,所以除了分类模型之外,尤其是将传感器参数包含到数据结构中允许在后续的相似度分析时的改善。
由此可以改善第二模型并且提高用于组件的特征的识别精度。
传感器参数是技术传感器装置的映射并且允许传感器装置被包含到计算机实现的数据结构中,使得例如在规定传感器参数时,与此相对应地设定传感器装置。
与此相对应地,通过数据结构在计算机中的实现,所述数据结构是传感器装置的直接物理映射,其中传感器装置中的技术效果与分类模型相关联,并且这允许对传感器数据进行有益的控制或分析。
传感器参数与通过传感器装置检测的传感器数据直接相关。
分类模型同样与通过传感器装置检测的传感器数据直接相关。
传感器装置检测组件的传感器数据,并且通过传感器参数在逻辑上和技术上与分类模型连接。
换句话说,计算机实现的传感器参数与分类模型相结合作为共同的数据结构允许在应用人工智能的情况下与传感器装置的有效交互和评估,并且与此相对应地在借助分类模型通过计算机对传感器装置进行操控时、尤其是在其中使用多个数据结构或以分布式方式存储数据结构的应用时改善内部流程,例如在云解决方案或具有基于联邦学习的模型的解决方案的情况下。
此外,通过以组合方式存储传感器参数和分类模型,可以根据传感器参数容易地区分不同的分类模型,可以高效地使用存储器并且可以例如在调用其中存储的数据结构时缩短对存储器的访问时间。
根据本发明的任务还通过在光学质量检查时使用根据本发明的数据结构来解决,其中传感器参数包括摄像机参数。
光学质量检查被理解为通过光学成像传感器进行的视觉检查,其中将针对一个或多个生产步骤的预先给定的执行质量通过参考图像与当前检测的图像进行比较,并且借助于相似度分析通过计算装置确定两个图像的一致性的程度。
关于视觉质量检查,根据本发明的解决方案支持以数据保护的方式在不同的场所和可能的企业之间共同使用模型参数。模型可以随着时间的推移而被改善,而在此不共同地使用数据。
根据本发明的数据结构尤其是对于在光学质量检查时使用是有利的,例如在成像方法的情况下,因为通过应用诸如摄像机参数之类的传感器参数由相似度变换可以考虑所接收的模型更加好地用于图像比较或模型比较,即通过考虑摄像机设定,诸如取向、距离、焦距、曝光时间等。
根据本发明的任务还通过一种用于在传送用于机器学习的模型时使用的检查装置来解决,所述检查装置包括检测传感器、具有存储器的计算装置,其中计算装置被设立用于借助基于根据本发明的数据结构的数据集产生、应用或训练用于机器学习的模型。
技术组件被提供给该检查装置并且通过包括在其前面的分析装置分析,其中应用先前提到的模型。
由此实现:可以借助所接收的数据集来产生和/或训练由具有存储器的计算装置应用的用于机器学习的模型,由此简化所接收的模型的应用,可以缩短训练时间并且可以改善模型精度。
根据本发明的任务还通过一种用于传送用于机器学习的模型的系统来解决,所述系统包括第一和至少一个第二相互连接的根据本发明的检查装置,其中第一检查装置被设立用于从第一检查装置的模型中导出数据集,所述数据集基于根据本发明的数据结构,并且将数据集传送给至少一个第二检查装置,所述至少一个第二检查装置被设立用于利用从第一检查装置接收的数据集产生、应用或训练所述至少一个第二检查装置的模型。
技术组件被提供给由系统包括的检查装置,并且由同样包括的分析装置分析,其中应用先前提到的模型。
由此实现:在系统中可以非常简单地由多个参与者应用用于机器学习的模型,由此可以缩短训练时间并且可以改善模型精度。
在该系统的一种改进方案中规定,第一检查装置和至少一个第二检查装置经由服务器彼此连接,所述服务器具有带存储器的计算装置并且所述计算装置被设立用于从第一检查装置接收数据集,并且从中产生、应用或训练总模型。
由此实现:除了PtP连接(“英语:peer-to-peer(点对点)”)之外,例如通过放置在“边缘”处或与相应“边缘”连接的检查装置可以进行客户端-服务器传输,其中在服务器处存储“全局”模型或各个客户或参与者的相应子模型。
“边缘”被理解为计算装置,所述计算装置可以与另一“边缘”或服务器通信并且与应用具有传感器的用于机器学习的模型的本地计算装置、例如检查装置连接。
根据本发明的任务还通过一种计算机实现的方法来解决,其中第一检查装置具有用于机器学习的第一模型,从所述第一模型中基于根据本发明的数据结构导出数据集,所述数据集被传送给至少一个具有用于机器学习的第二模型的第二检查装置,并且借助数据集训练第二模型。
在该方法的一种改进方案中规定,在训练第二模型时,对于第一模型应用至少一个权重函数。
由此实现:可以单独地考虑不同客户或参与者的生产数据,并且可以确定更精确的总模型。
根据本发明的任务还通过一种计算机程序解决,所述计算机程序包括指令,所述指令在由计算机执行所述指令时促使所述计算机执行根据本发明的方法。
根据本发明的任务还通过电子可读数据载体解决,所述电子可读数据载体具有其上存储的可读控制信息,所述可读控制信息至少包括根据本发明的计算机程序,并且被设计为使得当在计算装置中使用所述数据载体时,所述可读控制信息执行根据本发明的方法。
根据本发明的任务还通过传输根据本发明的计算机程序的数据载体信号来解决。
附图说明
下面根据在所附附图中所示的实施例更详细地阐述本发明。在附图中:
图1示出用于根据本发明的数据结构的实施例,
图2示出用于生产场景的实施例,
图3示出用于在对于多个制造商使用信任和质量加权的情况下求平均的伪代码的实施例。
具体实施方式
图1示出用于根据本发明的数据结构DS的实施例,所述数据结构用作具有数据元素E1A-E1D的数据集DSET的原件(Vorlage)。该原件可以由每个生产参与者使用,以便例如将对应的数据集传送给总制造商。
在该示例中,在视觉质量检查(英语:“Visual Quality Inspection”,VQI)的情况下使用该数据结构。传感器参数SETUP包括摄像机参数,例如摄像机传感器的对准(Ausrichtung)、焦距(Brennweise)或分辨率。
用于传送用于机器学习的模型的计算机实现的数据结构DS包括:
·用于技术组件的描述BOM-MD(英语:“Bill-of-Material(物料清单)”元数据):例如以件清单元数据的形式,所述件清单元数据在特定的时间点集中到产品或产品的部分上。这些件清单元数据使可以对于哪种产品使用该模型清楚。
所分配的数据集DSET将组件“变速箱”表示为描述E1A。
组件E1A“变速箱”具有多个部分。
然而,在此,组件是如何被制造或组装的并不重要。因此,该组件可以自动地或手动地被装配。
·用于组件E1A“变速箱”的特征E1B“松动的螺钉”的名称LS(英语“label set(标号组)”)。名称LS包含应该通过应用VQI模型识别的“问题描述”,并且在该示例中描述特征“螺丝的松动”。
名称LS与组件E1A的图像关联,并且此外可以在图像内具有标记,以便标出相关的图像区域。对于每个名称,具有对应的差错的当前图像可用,以便给数据集DSET的接收者提供对通过模型预测的名称的正确性进行验证的可能性。
·用于组件E1A“变速箱”的特征E1B“螺丝的松动”的作为数据集DSET中的元素E1C的分类模型CM。可以使用任何类型的机器学习模型或基于深度学习的学习模型、诸如“卷积神经网络”(Convolutional Neural Network,CNN)。
例如,可以作为对模型库中的人工制品的参考或者作为可以由VQI运行时加载的二进制人工制品嵌入模型E1C。
·作为数据集DSET中的元素E1D的至少一个传感器参数SETUP,所述传感器参数描述借助于至少一个以摄像机为形式的传感器装置检测组件E1A“变速箱”。
VQI原件的接收者必须确保所述接收者的摄像机系统生成与原件创建者类似的产品图像。
否则,分类模型不会导致良好的结果。实际上,并不总是可能以及需要产生恰好同一图像,然而摄像机的视角对于不同的VQI安装应该是一致的。
如果摄像机相对于产品被放置,则这可能影响VQI模型可以识别产品差错的方式。
为此目的,说明参考图像,由算法自动地将所述参考图像与来自新的VQI摄像机安装的图像进行比较,以便检验摄像机位置。
用户获得可以如何相应地适配摄像机位置以便产生相似图像的提示,所述相似图像对于精确的相似度比较是有利的。
图2示出具有多个客户或参与者PS1-PS3(英语“production supplier(生产供应商)”)的生产场景的实施例。
现在应该在生产网络中组合所产生的知识来改善质量检验。
VQI模型在相应的参与者的工厂中彼此独立地被使用,优选地在具有在边缘处存储的相应机器学习计算装置中被使用。
一旦诸如图像和文字说明之类的新数据变得可用,模型可以被改良。
也可能存在名称、即“标签”中的修正,即错误的分类,其可以由操作员更新。
这些模型基于其本地数据彼此独立地重新被训练。
联邦(英语“federation”)和模型改善允许在不同生产场所之间交换模型权重,但是在此不交换当前生产数据本身。
作为参与者联邦(英语“federated clients(联邦客户端))的生产参与者PS1-PS3可以分别将其模型M1-M3(包括用于针对描述BOM-MD和名称LS的相应特征F1-F3的传感器参数SETUP在内)借助于对应的数据集DSET借助用于数据聚合的其相应的VQI模型权重W1-W3通知给作为联邦服务器(英语“federated server”)的总制造商OEM(英语“OriginalEquipment Manufacturer(原始设备制造商)”),所述总制造商将模型M1-M3容纳到总模型M中。
在此,模型M1-M3以及总模型M可以持续地被更新和改善。对此,对应的标志可能是有帮助的,例如通过模型的版本号或时间戳。
可能的是,将子模型M1-M3或总模型M供应给参与者PS1-PS3用于进一步使用,然后所述参与者与此相对应地加载并且应用相应的数据集DSET。
在此,在考虑总模型M中的各个模型M1-M3时的权重可以通过如下来检验:
其中是平均权重矩阵,并且N是参与者PS1-PS3(“客户端”)的数量。
如果权重差异ΔW超过预定义的阈值,则参与者的权重的贡献被拒绝。
与其他参与者相比,权重差异ΔW可能非常强烈地变动,因为可能在参与者的工厂中有不同的差错类别或不同的环境条件。
参与者的加权可以基于“信任”(英语“trust”)。
参与者 | 产品数量 | 权重wt |
A | 100 | 100/160=0.625 |
B | 50 | 50/160=0.313 |
C | 10 | 10/160=0.063 |
总和 | 160 |
表格1:根据信任加权
表格1示出不同生产参与者的“信任”权重的示例。
每个参与者与服务器OEM具有相应的关系R1-R3。通过关系R1-R3的强度将“信任”权重wt(1)-wt(3)分配给相应的参与者PS1-PS3。
权重也可以基于“质量”。
参与者 | 产品数量 | 缺陷 | 权重wq |
A | 100 | 5 | 100/5=20→20/40=0.5 |
B | 50 | 5 | 50/5=10→10/40=0.25 |
C | 10 | 1 | 10/1=10→10/40=0.25 |
总和 | 160 |
表格2:根据质量加权
表格2示出不同生产参与者的“质量”权重的示例。
每个参与者都可能生产有缺陷的产品。通过参与者生产越多有缺陷的工件或产品,相应的参与者的预期生产成熟度就变得越低,并且在求平均方法中贡献就越低地被加权。
因此,不同的“质量”权重wq(1)-wq(3)可以与相应的参与者相关联。
图3示出用于在对于多个制造商使用信任和质量加权的情况下求平均的伪代码的实施例。
加权基于“联合平均(federated averaging)”方法进行,其中对于每个参与者通过相应的权重wt(1)-wt(3)和wq(1)-wq(3)考虑信任和质量。
附图标记列表:
BOM-MD 物料清单元数据
CM 分类模型
DS 数据结构
DSET 数据集
E1A-E1D 数据集的数据元素
F1-F3 特征
LS 标签组
M、M1-M3 模型
SETUP 传感器配置参数
wq1-wq3 “质量”权重
wtl-wt3 “信任”权重。
Claims (10)
1.一种用于传送用于机器学习的模型的计算机实现的数据结构(DS),其包括
·用于技术组件的描述(BOM-MD),
·用于所述组件的特征(F1-F3)的名称(LS),
·用于所述组件的特征(F1-F3)的分类模型(CM),
·至少一个传感器参数(SETUP),所述传感器参数描述借助于至少一个传感器装置对所述组件的检测。
2.一种根据前一项权利要求的数据结构(DS)的用途,用于在光学质量检查时传送根据前一项权利要求所述的用于机器学习的模型,其中所述传感器参数(SETUP)包括摄像机参数。
3.一种用于在传送用于机器学习的模型时使用的检查装置(PS1-PS3),所述检查装置包括检测传感器、具有存储器的计算装置,其中所述计算装置被设立为借助数据集(DSET)产生、应用或训练用于机器学习的模型(M1-M3),所述数据集基于根据权利要求1所述的数据结构(DS)。
4.一种用于传送用于机器学习的模型的系统,所述系统包括第一和至少一个第二相互连接的分别根据权利要求3所述的检查装置(PS1-PS3),其中第一检查装置(PS1)被设立用于从所述第一检查装置(PS1)的模型(M1)中导出数据集(DSET),所述数据集基于根据权利要求1所述的数据结构(DS),并且将所述数据集(DSET)传送给至少一个第二检查装置(PS2、PS3),所述至少一个第二检查装置(PS2、PS3)被设立用于利用从所述第一检查装置(PS1)接收的数据集(DSET)产生、应用或训练所述至少一个第二检查装置的模型(M2、M3)。
5.根据前一项权利要求所述的系统,其中所述第一检查装置和至少一个第二检查装置(PS1-PS3)经由服务器(OEM)彼此连接,所述服务器具有带存储器的计算装置并且所述计算装置被设立用于从所述第一检查装置(PS1)接收所述数据集(DSET),并且从中产生、应用或训练总模型(M)。
6.一种用于传送用于机器学习的模型的计算机实现的方法,其中根据权利要求3所述的第一检查装置具有用于机器学习的第一模型,从所述第一模型中基于根据权利要求1所述的数据结构(DS)导出数据集(DSET),所述数据集(DSET)被传送给至少一个具有用于机器学习的第二模型的根据权利要求3所述的第二检查装置,并且借助所述数据集(DSET)训练所述第二模型。
7.根据前一项权利要求所述的方法,其中对于所述第一模型,在训练所述第二模型时应用至少一个权重函数(wt1-wt3,wq1-wq3)。
8.一种计算机程序,所述计算机程序包括指令,所述指令在由计算机执行时促使所述计算机执行根据权利要求5所述的方法。
9.一种电子可读数据载体,具有其上存储的可读控制信息,所述可读控制信息至少包括根据前一项权利要求所述的计算机程序,并且被设计为使得当在计算装置中使用所述数据载体时,所述可读控制信息执行根据权利要求5所述的方法。
10.一种数据载体信号,所述数据载体信号传输根据权利要求7所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21178877.3 | 2021-06-10 | ||
EP21178877.3A EP4102425A1 (de) | 2021-06-10 | 2021-06-10 | Computerimplementierte datenstruktur, verfahren, inspektionsvorrichtung und system zum übermitteln eines modells für maschinelles lernen |
PCT/EP2022/065207 WO2022258524A1 (de) | 2021-06-10 | 2022-06-03 | Computerimplementierte datenstruktur, verfahren, inspektionsvorrichtung und system zum übermitteln eines modells für maschinelles lernen |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117501260A true CN117501260A (zh) | 2024-02-02 |
Family
ID=76392205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280041343.5A Pending CN117501260A (zh) | 2021-06-10 | 2022-06-03 | 用于传送用于机器学习的模型的计算机实现的数据结构、方法、检查装置和系统 |
Country Status (3)
Country | Link |
---|---|
EP (2) | EP4102425A1 (zh) |
CN (1) | CN117501260A (zh) |
WO (1) | WO2022258524A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2951723C (en) * | 2014-06-10 | 2021-04-27 | Sightline Innovation Inc. | System and method for network based application development and implementation |
KR102459221B1 (ko) * | 2018-02-20 | 2022-10-27 | 삼성전자주식회사 | 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체 |
JP6635274B2 (ja) * | 2018-02-23 | 2020-01-22 | 株式会社安川電機 | 製品品質管理システム |
CN111712769B (zh) * | 2018-03-06 | 2023-08-01 | 欧姆龙株式会社 | 用于设定照明条件的方法、装置、系统以及存储介质 |
CN110458791B (zh) * | 2018-05-04 | 2023-06-06 | 圆周率科技(常州)有限公司 | 质量缺陷检测方法和检测设备 |
US20220284699A1 (en) * | 2019-08-12 | 2022-09-08 | Qc Hero, Inc. | System and method of object detection using ai deep learning models |
CN110866901A (zh) * | 2019-11-05 | 2020-03-06 | 中国科学院计算机网络信息中心 | 一种基于边缘计算技术的质检方法及系统 |
CN111582395B (zh) * | 2020-05-13 | 2023-06-09 | 金陵科技学院 | 一种基于卷积神经网络的产品质量分类系统 |
-
2021
- 2021-06-10 EP EP21178877.3A patent/EP4102425A1/de not_active Withdrawn
-
2022
- 2022-06-03 EP EP22734525.3A patent/EP4320568A1/de active Pending
- 2022-06-03 WO PCT/EP2022/065207 patent/WO2022258524A1/de active Application Filing
- 2022-06-03 CN CN202280041343.5A patent/CN117501260A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022258524A1 (de) | 2022-12-15 |
EP4320568A1 (de) | 2024-02-14 |
EP4102425A1 (de) | 2022-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087104A1 (en) | Method for monitoring manufacture of assembly units | |
CN102341813B (zh) | 匹配图像的系统和方法 | |
Frahm et al. | RANSAC for (quasi-) degenerate data (QDEGSAC) | |
Bazin et al. | Globally optimal line clustering and vanishing point estimation in manhattan world | |
Luckow et al. | Artificial intelligence and deep learning applications for automotive manufacturing | |
CN112036426B (zh) | 利用高维传感器数据的多数表决进行无监督异常检测和责任的方法和系统 | |
CN113111844B (zh) | 一种作业姿态评估方法、装置、本地终端及可读存储介质 | |
CN114414935A (zh) | 基于大数据的配电网馈线故障区域自动化定位方法和系统 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN108614895A (zh) | 异常的数据访问行为的识别方法及数据处理装置 | |
Okarma et al. | Color independent quality assessment of 3D printed surfaces based on image entropy | |
CN112307827B (zh) | 对象识别装置,系统和方法 | |
JP5704909B2 (ja) | 注目領域検出方法、注目領域検出装置、及びプログラム | |
Basamakis et al. | Deep object detection framework for automated quality inspection in assembly operations | |
US11557032B2 (en) | Device and method for the calibrated checking of a printing on an article | |
CN117291501A (zh) | 一种物资采购清单的生成方法、装置、设备及存储介质 | |
CN117501260A (zh) | 用于传送用于机器学习的模型的计算机实现的数据结构、方法、检查装置和系统 | |
CN116823026B (zh) | 一种基于区块链的工程数据处理系统及方法 | |
CN111832634A (zh) | 异物检测方法、系统、终端设备及存储介质 | |
CN112598616B (zh) | 一种电子设备曝光参数的确定方法及成像方法 | |
CN113435305A (zh) | 目标物识别算法的精度检测方法、装置、设备及存储介质 | |
Chee et al. | Digitization of fused deposited methods (FDM) printer for smart additive manufacturing (AM) | |
Schoepflin et al. | Visual ai applications on smart delivery units | |
CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 | |
CN113158610B (zh) | 一种集成电路芯片制造过程中的迭对测量方法和系统 |
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 |