CN117933818A - 基于协同检测模型的质检方法、装置、计算机设备及介质 - Google Patents
基于协同检测模型的质检方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117933818A CN117933818A CN202410131488.5A CN202410131488A CN117933818A CN 117933818 A CN117933818 A CN 117933818A CN 202410131488 A CN202410131488 A CN 202410131488A CN 117933818 A CN117933818 A CN 117933818A
- Authority
- CN
- China
- Prior art keywords
- detection
- parameters
- qualified
- collaborative
- project
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 242
- 238000007689 inspection Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000000463 material Substances 0.000 claims abstract description 158
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 238000012790 confirmation Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 28
- 230000007547 defect Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000012552 review Methods 0.000 claims description 8
- 238000013102 re-test Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 2
- 239000013072 incoming material Substances 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 28
- 230000008569 process Effects 0.000 description 19
- 238000007726 management method Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 230000006872 improvement Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011867 re-evaluation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012547 material qualification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- General Factory Administration (AREA)
Abstract
本申请实施例公开了一种基于协同检测模型的质检方法、装置、计算机设备及介质,方法包括将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目;判断物料采检参数是否符合预设的初步筛选规则;若物料采集检参数符合初步筛选规则,则将物料采检参数标记为初始合格参数;判断各待检测项目中的初始合格参数是否满足预设的产品复检规则;将包含有复检目标参数的检测链标记为项目合格检测链;判断项目确认库中的项目合格检测链的数量是否等于协同检测模型中的检测链的总数量。本申请实施例的方法对来料检验及后续质量问题实现业务自动化传递,形成规范完善的业务流程,打造完整的业务数据链条。
Description
技术领域
本申请涉及供应链管理技术领域,尤其涉及一种基于协同检测模型的质检方法、装置、计算机设备及介质。
背景技术
在企业采购业务中,企业的质量检验部门会对采购的物料进行质量检验,针对检验结果合格的物料进行放行入库,对检验不合格的物料会进行让步接收或拒收处理,并与供应商展开相关质量问题反馈及跟踪(对策表及8D报告)。目前企业质量检验部门是通过人工评判方式确定检验是否合格,当存在质量问题时通过线下方式与供应商进行线下质量问题协同,质量检验评判确认标准主要靠人工,质量问题处理过程效率低下,相关质量数据没有形成完整数据链条。针对检验结果问题的严重程度需要使用不同的质量协同方式缺乏统一标准,主要凭借人工判断,因此,对供应商供应的物料多项目采检需要一种质量协同有效管理的方式和科学化的采检运行标准。
发明内容
本申请实施例提供了一种基于协同检测模型的质检方法、装置、计算机设备及介质,旨在解决企业采检供应商物料合格性评价过程标准化程度低的问题。
第一方面,本申请实施例提供了一种基于协同检测模型的质检方法,其包括将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中;协同检测模型包括若干检测链,各检测链对应包含与待检测物料对应的一个待检测项目,每一待检测项目对应一组物料采检参数;判断物料采检参数是否符合预设的初步筛选规则;若物料采集检参数符合初步筛选规则,则将物料采检参数标记为初始合格参数;判断各待检测项目中的初始合格参数是否满足预设的产品复检规则;若初始合格参数符合产品复检规则,则将初始合格参数标记为复检目标参数;将包含有复检目标参数的检测链标记为项目合格检测链,并将所有获取到的项目合格检测链添加至项目确认库;判断项目确认库中的项目合格检测链的数量是否等于协同检测模型中的检测链的总数量;若项目确认库中的项目合格检测链的数量等于协同检测模型中的检测链的总数量,则判定待检测物料为合格物料。
第二方面,本申请实施例还提供了一种基于协同检测模型的质检装置,其包括第一参数填充单元,用于将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中;第一判断单元,用于判断物料采检参数是否符合预设的初步筛选规则;第一标记单元,用于若物料采集检参数符合初步筛选规则,则将物料采检参数标记为初始合格参数;第二判断单元,用于判断各待检测项目中的初始合格参数是否满足预设的产品复检规则;第二标记单元,用于若初始合格参数符合产品复检规则,则将初始合格参数标记为复检目标参数;第三标记单元,用于将包含有复检目标参数的检测链标记为项目合格检测链,并将所有获取到的项目合格检测链添加至项目确认库;第三判断单元,用于判断项目确认库中的项目合格检测链的数量是否等于协同检测模型中的检测链的总数量;判定单元,用于若项目确认库中的项目合格检测链的数量等于协同检测模型中的检测链的总数量,则判定待检测物料为合格物料;类别划分单元,用于将获取到的产品检测信息中的物料采检参数进行类别划分,得到与各类别分别对应的物料分类参数;第二参数填充单元,用于将各类别分别对应的物料分类参数分别填充至协同检测模型中与各类别对应的检测链的待检测项目中。
第三方面,本申请实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现上述方法。
本申请实施例提供了一种基于协同检测模型的质检方法、装置、计算机设备及介质。其中,所述方法包括将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中;协同检测模型包括若干检测链,各检测链对应包含与待检测物料对应的一个待检测项目,每一待检测项目对应一组物料采检参数;判断物料采检参数是否符合预设的初步筛选规则;若物料采集检参数符合初步筛选规则,则将物料采检参数标记为初始合格参数;判断各待检测项目中的初始合格参数是否满足预设的产品复检规则;若初始合格参数符合产品复检规则,则将初始合格参数标记为复检目标参数;将包含有复检目标参数的检测链标记为项目合格检测链,并将所有获取到的项目合格检测链添加至项目确认库;判断项目确认库中的项目合格检测链的数量是否等于协同检测模型中的检测链的总数量;若项目确认库中的项目合格检测链的数量等于协同检测模型中的检测链的总数量,则判定待检测物料为合格物料,实现通过自动化和系统化的管理,减少了人为错误的可能性,提高了质量管理的可靠性。该方案适用于采购企业对来料检验及后续质量问题实现业务自动化传递,形成规范完善的业务流程,打造完整的业务数据链条。总的来说,上述技术方案通过标准化、自动化和系统化的方法,解决了传统质量检验和协同管理中的多个技术问题,实现了高效、规范的质量管理流程,提升了企业的质量管理水平,并且通过完整的数据链条支持了持续的质量改进。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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为本申请实施例提供的基于协同检测模型的质检方法的流程示意图;
图2为本申请实施例提供的基于协同检测模型的质检方法的子流程示意图;
图3为本申请实施例提供的基于协同检测模型的质检方法的另一子流程示意图;
图4为本申请实施例提供的基于协同检测模型的质检装置的示意性框图;
图5为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请实施例提供了一种基于协同检测模型的质检方法、装置、计算机设备及介质。
该基于协同检测模型的质检方法的执行主体可以是本申请实施例提供的基于协同检测模型的质检装置,或者集成了该基于协同检测模型的质检装置的计算机设备,其中,该基于协同检测模型的质检装置可以采用硬件或者软件的方式实现,该计算机设备可以为终端或服务器,该终端可以是智能手机、平板电脑、掌上电脑、或者笔记本电脑等。
请参阅图1,该基于协同检测模型的质检方法应用于图5中的计算机设备500中。
图1是本申请实施例提供的基于协同检测模型的质检方法的流程示意图,该方法包括以下步骤S110-S180。
S110、将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中。
协同检测模型包括若干检测链,各检测链对应包含与待检测物料对应的一个待检测项目,每一待检测项目对应一组物料采检参数。
S120、判断物料采检参数是否符合预设的初步筛选规则。
S130、若物料采集检参数符合初步筛选规则,则将物料采检参数标记为初始合格参数。
S140、判断各待检测项目中的初始合格参数是否满足预设的产品复检规则。
S150、若初始合格参数符合产品复检规则,则将初始合格参数标记为复检目标参数。
S160、将包含有复检目标参数的检测链标记为项目合格检测链,并将所有获取到的项目合格检测链添加至项目确认库。
S170、判断项目确认库中的项目合格检测链的数量是否等于协同检测模型中的检测链的总数量。
S180、若项目确认库中的项目合格检测链的数量等于协同检测模型中的检测链的总数量,则判定待检测物料为合格物料。
在更具体的方法执行过程中,系统会自动将待检测物料的实际采检参数输入到协同检测模型中。这些参数包括尺寸、重量、强度、化学成分等。协同检测模型是一个预定义的框架,它包含了多个检测链,每个检测链代表物料的一个质量特性或检测项目。参数填充确保了每个检测项目都有对应的数据,为后续的分析和判断提供了基础。系统根据预设的初步筛选规则对待检测物料的参数进行快速检查。这些规则是基于行业标准和历史质量数据的。如果参数明显超出正常范围,物料会被立即标记为不合格,从而减少不必要的进一步检测。通过初步筛选的参数会被标记为初始合格参数,这些参数将进入下一阶段的复检流程。在这一步,系统会应用更严格的产品复检规则来评估初始合格参数。复检规则包括更详细的质量标准或特定的可能性能指标,确保物料在多个维度上符合要求。测项目已经通过了质量检测。所有合格检测链的信息会被添加到项目确认库中,这个库是一个中央存储,用于记录和管理所有通过检测的物料信息。系统会检查项目确认库中的合格检测链数量是否与协同检测模型中所有检测链的数量相等。如果所有检测链都通过了评估,即项目确认库中的合格检测链数量等于协同检测模型中的检测链总数,那么待检测物料就会被判定为合格。。整个流程的关键在于使用协同检测模型来管理多个检测链和参数,确保物料的质量符合既定的标准。通过自动化的筛选和标记过程,可以有效地识别和确认合格物料,提高质检的效率和准确性。此外,这个流程还可以通过集成高级分析和机器学习技术来进一步优化,例如通过预测分析来预测物料的质量趋势,或者通过异常检测来识别的质量问题。
在更具体的实施例中,对应于上述技术方案的实际执行过程,可进行进一步规划,技术方案涉及质量检验部门在接收物料时采取的一系列标准化的检验流程,以及如何通过系统自动处理这些检验待检测物料的数据并与供应商协同处理质量问题。统一规范检验标准及结论定义:质量检验部门会制定统一的检验标准,包括检验待检测物料的类型(如外观、功能、结构)、待检测物料的缺陷等级(严重缺点、主要缺点、次要缺点、无缺陷)以及采检参数缺陷的判断上限和下限。这些标准会被维护在物料的主数据中,确保每次待检测物料的检验都有明确的依据。待检测物料的检验数据的采集与录入:在来料检验时,会采集相关检验数据并录入系统。系统会自动根据物料主数据中维护的检验标准与校验数据进行对比。待检测物料的检验数据的自动处理与缺陷等级判定:系统会根据检验数据类型与检验标准中的检验类型进行匹配,然后将检验数据值与检验标准中的判断上限、判断下限进行对比。根据检验数据值是否在上下限范围内,系统会确定其缺陷等级,并据此判断检验数据是否合格。检验结论的判断与发布:系统会根据上述规则判断来料检验结论,并发布给供应商。如果检验数据都为“合格”,则检验结论为“合格”。如果检验数据包含“不合格”,则检验结论为“不合格”。如果检验数据包含“让步接收”且不包含“不合格”,则检验结论为“让步接收”。自动化流程的触发与供应商协同,根据检验结论,系统会自动触发对策表/8D报告流程,并与供应商进行质量问题协同。结论为“合格”的物料不需要触发质量问题处理流程。结论为“让步接收”的物料会触发对策表流程。结论为“不合格”的物料会触发8D报告流程。
供应商根据检验数据中的数值情况,对质量问题回复相关改善措施。系统根据供应商的回复和下一批次检验结论对质量报告进行复核。如果供应商的物料下一批次检验结论仍为“让步接收”,则系统自动驳回对策表,要求重新提交改善方案。如果供应商的物料下一批次检验结论为“合格”,则对策表自动结案完成质量闭环管理。如果供应商的物料下一批次检验结论为“不合格”,则对策表关闭并自动触发8D报告流程。系统记录所有的检验数据、流程触发、供应商回复等信息,形成完整的数据链条。通过数据分析和追溯,企业可以持续改进质量管理流程,提高供应链的整体质量水平。通过上述流程技术方案能够实现质量检验的标准化、自动化,并与供应商高效协同,形成规范的质量管理流程。这有助于提升质量管理效率,减少人为出错机率,并确保供应链的稳定性和可靠性。
综上,该方法通过统一规范检验标准,确保了每次检验都有明确的依据,减少了因个人主观判断差异而导致的标准不一。通过自动化的数据采集和处理,减少了人工操作,提高了检验效率。通过系统自动触发流程和设置回复时效,加快了质量问题的处理速度,确保了供应商的及时响应。通过系统记录和追溯所有相关数据,形成了完整的数据链条,便于质量数据的分析和追溯。通过设定结论规则和对应的业务流程规则,实现了流程的自动化传递,并建立了统一的质量协同标准。通过统一的检验标准,提高了检验的准确性,减少了人为误差。通过系统自动处理检验数据和流程,提高了检验效率,降低了人工干预的需求。通过自动化的流程和及时的供应商通知,加快了质量问题的处理速度,提高了协同效率。系统记录了所有相关的检验数据和流程信息,便于数据的分析和追溯,支持持续的质量改进。通过对供应商提交的改善措施和下一批次物料的检验结果进行复核,实现了质量问题的闭环管理。通过自动化和系统化的管理,减少了人为错误的可能性,提高了质量管理的可靠性。该方案适用于采购企业对来料检验及后续质量问题实现业务自动化传递,形成规范完善的业务流程,打造完整的业务数据链条。总的来说,上述技术方案通过标准化、自动化和系统化的方法,解决了传统质量检验和协同管理中的多个技术问题,实现了高效、规范的质量管理流程,提升了企业的质量管理水平,并且通过完整的数据链条支持了持续的质量改进。
更具体地,执行步骤S110还进一步包括执行步骤S111-S112:
S111、将获取到的产品检测信息中的物料采检参数进行类别划分,得到与各类别分别对应的物料分类参数。
S112、将各类别分别对应的物料分类参数分别填充至协同检测模型中与各类别对应的检测链的待检测项目中。
具体地,系统将获取到的产品检测信息中的物料采检参数进行类别划分。这些参数包括尺寸、重量、强度、化学成分等,它们可以根据不同的特性或标准被分为不同的类别。例如,物料根据其物理特性(如硬度、韧性)、化学成分(如合金类型)、或者生产工艺(如铸造、锻造)被分类。系统将各类别分别对应的物料分类参数分别填充至协同检测模型中与各类别对应的检测链的待检测项目中。这意味着每个检测链都包含特定类别的参数,这些参数与该类别相关联,以便进行针对性的检测和分析。通过执行S111和S112,系统能够更加细致地处理物料采检参数,确保每个检测项目都与其对应的物料类别参数相匹配。这种方法有助于提高检测的准确性和效率,因为它允许针对特定类别应用特定的检验标准和流程。同时,这也为后续的检测和质量评估提供了更加精细的数据基础。
更具体地,执行步骤S120还进一步包括执行步骤S121-S122:
S121、根据预设缺陷类型分别对各物料采检参数进行缺陷等级划分,得到与各缺陷类型对应的缺陷等级作为参数缺陷等级信息。
S122、将参数缺陷等级信息配置于初步筛选规则。
具体地,系统根据预设的缺陷类型(如严重缺点、主要缺点、次要缺点)对各物料采检参数进行缺陷等级划分。每个参数都会被分配一个缺陷等级,这基于参数值与预设标准的比较,或者是参数所属类别的标准。例如,如果参数值低于某个特定的强度阈值,它会被归类为“次要缺点”。将得到的参数缺陷等级信息配置于初步筛选规则中。这意味着初步筛选规则会包含一个或多个缺陷等级作为参考点,系统会根据这些等级来快速判断物料参数是否合格。例如,如果初步筛选规则中定义了“次要缺点”等级,系统会在S120中使用这个标准来决定哪些物料参数需要进一步的复检。通过执行S121和S122,系统能够根据预设的缺陷类型对物料参数进行分类,并为初步筛选规则提供具体的参数缺陷等级信息。这种方法有助于系统快速、准确地判断物料参数是否符合基本质量要求,从而减少不合格物料进入后续生产流程的可能性,提高整体的质量控制水平。
请参阅图2更具体地,执行步骤S140还进一步包括执行步骤S141-S144:
S141、将达到产品复检规则中对应参数缺陷下限级的物料采检参数。
S142、参数缺陷下限级所包括的外观参数、结构参数以及功能参数作为初始合格参数。
S143、判断初始合格参数是否达到参数缺陷上限级。
S144、若初始合格参数未达到参数缺陷上限级,则将对应的初始合格参数发送至预设的回收库,用于进行重新评估。
具体地,系统将收集那些参数缺陷等级达到产品复检规则中对应参数缺陷下限级的物料采检参数。这通常意味着这些参数接近合格边缘,需要进一步的评估。系统根据参数缺陷等级,将参数分为外观参数、结构参数以及功能参数。这些参数作为初始合格参数,但需要进一步的验证。系统会检查这些初始合格参数是否达到了参数缺陷上限级。如果是,这些参数需要额外的检查或处理。如果初始合格参数未达到参数缺陷上限级,系统会将这些参数发送至预设的回收库。这些参数用于进行重新评估,是由于它们接近合格标准,或者是由于质量问题需要重新处理。通过执行S141至S144,系统能够对那些在合格边缘的物料参数进行更加细致的处理,确保只有完全符合质量标准的物料才能进入下一生产阶段。这种方法有助于提高质量控制的精确度,确保最终产品的质量。同时,将未达到上限级的参数发送至回收库进行重新评估,也为质量改进提供了机会,因为可以分析为什么这些参数未能达到标准,并采取措施进行改进。
请参阅图3,更具体地,执行步骤S170之后,方法还进一步包括执行步骤S171-S172:
S171、若项目确认库中的项目合格检测链的数量不等于协同检测模型中的检测链的总数量,则对项目合格检测链中的复检目标参数进行评级,得到评级结果。
S172、若评级结果中符合预设的最终评级标准的复检目标参数的数量占比高于预设评级比率,则判断待检测物料为合格物料。
具体地,系统检查项目确认库中的项目合格检测链数量是否与协同检测模型中的检测链总数相等。如果数量不等于总数,则进行进一步的处理。如果项目确认库中的项目合格检测链数量不等于协同检测模型中的检测链总数,系统会对项目合格检测链中的复检目标参数进行评级。评级是基于参数的严重程度、对产品质量的影响等因素。系统计算评级结果中符合预设的最终评级标准的复检目标参数的数量占比。如果这个占比高于预设的评级比率,则判断待检测物料为合格物料。这意味着即使项目确认库中的项目合格检测链数量不足,但如果评级结果表明大多数复检目标参数都符合最终评级标准,物料仍然可以被接受。通过执行S171和S172,系统提供了一种灵活的处理方式,允许在项目确认库中的项目合格检测链数量不足的情况下,根据复检目标参数的评级结果来判定物料是否合格。这种方法考虑了质量的全面性,而不仅仅是检测链的数量。它允许对质量问题进行更深入的评估,并基于这些评估结果做出决策。这有助于确保即使检测流程中存在一些遗漏,也能基于实际的质量数据做出合理的判断。
更具体地,对项目合格检测链中的复检目标参数进行评级之后,若评级结果中符合预设的最终评级标准的复检目标参数的数量占比不高于预设评级比率,则判断待检测物料为非合格物料;并且进一步根据非合格物料的物料采检参数生成拒收报告。
具体地,如果项目确认库中的项目合格检测链数量不等于协同检测模型中的检测链总数,系统会对项目合格检测链中的复检目标参数进行评级。评级基于参数的严重程度、对产品质量的影响等因素。系统计算评级结果中符合预设的最终评级标准的复检目标参数的数量占比。如果这个占比不高于预设的评级比率,则判断待检测物料为非合格物料。这是因为检测链数量不足,或者评级结果表明复检目标参数中有足够多的参数不符合最终评级标准。如果待检测物料被判断为非合格物料,系统会根据物料采检参数生成拒收报告。报告包括不合格的参数详情、不合格的原因分析、对供应商的反馈建议等。拒收报告是向供应商传达质量问题的重要文件,也是后续质量改进和供应商沟通的依据。通过执行S171至S173,系统能够根据复检目标参数的评级结果和预设的评级比率来判定物料是否合格。如果评级结果不达标,系统会生成拒收报告,并要求供应商采取相应的质量改进措施。这种方法确保了物料质量的严格控制,同时也为供应商提供了改进的方向,有助于提升供应链的整体质量水平。
图4是本申请实施例提供的一种基于协同检测模型的质检装置的示意性框图。如图所示,对应于以上基于协同检测模型的质检方法,本申请还提供一种基于协同检测模型的质检装置100。该基于协同检测模型的质检装置包括用于执行上述基于协同检测模型的质检方法的单元,该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地,请参阅图4,该基于协同检测模型的质检装置100包括第一参数填充单元110,用于将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中;第一判断单元120,用于判断物料采检参数是否符合预设的初步筛选规则;第一标记单元130,用于若物料采集检参数符合初步筛选规则,则将物料采检参数标记为初始合格参数;第二判断单元140,用于判断各待检测项目中的初始合格参数是否满足预设的产品复检规则;第二标记单元150,用于若初始合格参数符合产品复检规则,则将初始合格参数标记为复检目标参数;第三标记单元160,用于将包含有复检目标参数的检测链标记为项目合格检测链,并将所有获取到的项目合格检测链添加至项目确认库;第三判断单元170,用于判断项目确认库中的项目合格检测链的数量是否等于协同检测模型中的检测链的总数量;判定单元180,用于若项目确认库中的项目合格检测链的数量等于协同检测模型中的检测链的总数量,则判定待检测物料为合格物料;进一步地,装置还可包括:类别划分单元,用于将获取到的产品检测信息中的物料采检参数进行类别划分,得到与各类别分别对应的物料分类参数;第二参数填充单元,用于将各类别分别对应的物料分类参数分别填充至协同检测模型中与各类别对应的检测链的待检测项目中。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于协同检测模型的质检装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述基于协同检测模型的质检装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,其展现的是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种基于协同检测模型的质检方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种基于协同检测模型的质检方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤:
将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中;协同检测模型包括若干检测链,各检测链对应包含与待检测物料对应的一个待检测项目,每一待检测项目对应一组物料采检参数;判断物料采检参数是否符合预设的初步筛选规则;若物料采集检参数符合初步筛选规则,则将物料采检参数标记为初始合格参数;判断各待检测项目中的初始合格参数是否满足预设的产品复检规则;若初始合格参数符合产品复检规则,则将初始合格参数标记为复检目标参数;将包含有复检目标参数的检测链标记为项目合格检测链,并将所有获取到的项目合格检测链添加至项目确认库;判断项目确认库中的项目合格检测链的数量是否等于协同检测模型中的检测链的总数量;若项目确认库中的项目合格检测链的数量等于协同检测模型中的检测链的总数量,则判定待检测物料为合格物料。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于协同检测模型的质检方法,用于协同检测待检测物料的多个待检测项目,其特征在于,包括:
将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中;所述协同检测模型包括若干检测链,各所述检测链对应包含与待检测物料对应的一个待检测项目,每一待检测项目对应一组物料采检参数;
判断所述物料采检参数是否符合预设的初步筛选规则;
若所述物料采集检参数符合所述初步筛选规则,则将所述物料采检参数标记为初始合格参数;
判断各所述待检测项目中的初始合格参数是否满足预设的产品复检规则;
若所述初始合格参数符合所述产品复检规则,则将所述初始合格参数标记为复检目标参数;
将包含有所述复检目标参数的所述检测链标记为项目合格检测链,并将所有获取到的所述项目合格检测链添加至项目确认库;
判断所述项目确认库中的所述项目合格检测链的数量是否等于所述协同检测模型中的所述检测链的总数量;
若所述项目确认库中的所述项目合格检测链的数量等于所述协同检测模型中的所述检测链的总数量,则判定所述待检测物料为合格物料。
2.根据权利要求1所述的基于协同检测模型的质检方法,其特征在于,所述将获取到的产品检测信息中的物料采检参数填充至预置的协同检测模型,包括:
将获取到的产品检测信息中的物料采检参数进行类别划分,得到与各类别分别对应的物料分类参数;
将各类别分别对应的物料分类参数分别填充至所述协同检测模型中与各类别对应的检测链的待检测项目中。
3.根据权利要求2所述的基于协同检测模型的质检方法,其特征在于,所述判断所述物料采检参数是否符合预设的初步筛选规则,包括:
根据预设缺陷类型分别对各物料采检参数进行缺陷等级划分,得到与各缺陷类型对应的缺陷等级作为参数缺陷等级信息;
将所述参数缺陷等级信息配置于所述初步筛选规则。
4.根据权利要求3所述的基于协同检测模型的质检方法,其特征在于,所述判断各所述待检测项目中的初始合格参数是否满足预设的产品复检规则,包括:
将达到产品复检规则中对应参数缺陷下限级的所述物料采检参数;
所述参数缺陷下限级所包括的外观参数、结构参数以及功能参数作为初始合格参数;
判断所述初始合格参数是否达到所述参数缺陷上限级;
若所述初始合格参数未达到所述参数缺陷上限级,则将对应的所述初始合格参数发送至预设的回收库,用于进行重新评估。
5.根据权利要求2所述的基于协同检测模型的质检方法,其特征在于,所述判断所述项目确认库中的所述项目合格检测链的数量是否等于所述协同检测模型中的所述检测链的总数量之后,还包括:
若所述项目确认库中的所述项目合格检测链的数量不等于所述协同检测模型中的所述检测链的总数量,则对所述项目合格检测链中的所述复检目标参数进行评级,得到评级结果;
若所述评级结果中符合预设的最终评级标准的所述复检目标参数的数量占比高于预设评级比率,则判断所述待检测物料为合格物料。
6.根据权利要求5所述的基于协同检测模型的质检方法,其特征在于,所述对所述项目合格检测链中的所述复检目标参数进行评级,得到评级结果之后,还包括:
若所述评级结果中符合预设的最终评级标准的所述复检目标参数的数量占比不高于预设评级比率,则判断所述待检测物料为非合格物料;
根据所述非合格物料的物料采检参数生成拒收报告。
7.一种基于协同检测模型的质检装置,应用权利要求1-6任一项所述的基于协同检测模型的质检方法,其特征在于,包括:
第一参数填充单元,用于将获取到的与待检测物料对应产品检测信息中的多组物料采检参数填充至预置的协同检测模型对应检测链的待检测项目中;
第一判断单元,用于判断所述物料采检参数是否符合预设的初步筛选规则;
第一标记单元,用于若所述物料采集检参数符合所述初步筛选规则,则将所述物料采检参数标记为初始合格参数;
第二判断单元,用于判断各所述待检测项目中的初始合格参数是否满足预设的产品复检规则;
第二标记单元,用于若所述初始合格参数符合所述产品复检规则,则将所述初始合格参数标记为复检目标参数;
第三标记单元,用于将包含有所述复检目标参数的所述检测链标记为项目合格检测链,并将所有获取到的所述项目合格检测链添加至项目确认库;
第三判断单元,用于判断所述项目确认库中的所述项目合格检测链的数量是否等于所述协同检测模型中的所述检测链的总数量;
判定单元,用于若所述项目确认库中的所述项目合格检测链的数量等于所述协同检测模型中的所述检测链的总数量,则判定所述待检测物料为合格物料。
8.根据权利要求7所述的基于协同检测模型的质检装置,其特征在于,所述装置还包括:
类别划分单元,用于将获取到的产品检测信息中的物料采检参数进行类别划分,得到与各类别分别对应的物料分类参数;
第二参数填充单元,用于将各类别分别对应的物料分类参数分别填充至所述协同检测模型中与各类别对应的检测链的待检测项目中。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410131488.5A CN117933818A (zh) | 2024-01-30 | 2024-01-30 | 基于协同检测模型的质检方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410131488.5A CN117933818A (zh) | 2024-01-30 | 2024-01-30 | 基于协同检测模型的质检方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933818A true CN117933818A (zh) | 2024-04-26 |
Family
ID=90766559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410131488.5A Pending CN117933818A (zh) | 2024-01-30 | 2024-01-30 | 基于协同检测模型的质检方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933818A (zh) |
-
2024
- 2024-01-30 CN CN202410131488.5A patent/CN117933818A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382582B (zh) | 一种晶圆测试分类方法及系统 | |
CN113434485B (zh) | 一种基于多维分析技术的数据质量健康度分析方法及系统 | |
Qin et al. | An optimal plan of zero-defect single-sampling by attributes for incoming inspections in assembly lines | |
CN112257963A (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN113361958A (zh) | 一种缺陷预警方法及系统 | |
CN114997607A (zh) | 一种基于工程检测数据的异常评估预警方法及系统 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
Duc et al. | Design of industrial system using digital numerical control | |
CN113886373A (zh) | 一种数据处理方法、装置及电子设备 | |
CN113051180A (zh) | 测试任务的监测方法、装置、设备及存储介质 | |
JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN117933818A (zh) | 基于协同检测模型的质检方法、装置、计算机设备及介质 | |
CN111553581A (zh) | 一种基于熵值的装备维修性评价模型 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
Celano | A bootstrap method for the measurement error estimation in Gauge R & R R\&R Studies | |
Mateo Casalí et al. | An industry maturity model for implementing Machine Learning operations in manufacturing | |
CN111488272A (zh) | 一种复杂交易文件的自动化测试方法及装置 | |
CN117455318B (zh) | 汽车零部件检测过程的监控方法、装置及电子设备 | |
Zondo | Standardisation of quality testing and inspection tools for product quality improvement in a selected automotive assembly organisation in South Africa | |
Yazdi et al. | Development of an Optimal Design for Conforming Run Length Sampling Methods in the Presence of Inspection Errors | |
CN116991149A (zh) | 一种费控产品检验方法、装置、电子设备及存储介质 | |
Jones | Analyzing Variability | |
Srinivasan et al. | Modelling an Optimized Warranty Analysis methodology for fleet industry using data mining clustering methodologies with Fraud detection mechanism using pattern recognition on hybrid analytic approach | |
KR20240066781A (ko) | 인공지능 기반의 개인 신용 대출 연체 예측 장치 및 그 방법 | |
CN117093504A (zh) | 一种面向缺陷度量的软件质量控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |