控制方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本公开实施例公开了控制方法、装置、电子设备及计算机可读存储介质。方法包括：获取采集到的样本数据；根据当前工作模式，确定将所述采集到的样本数据输出给用户和/或机器学习模型；在将采集到的样本数据输出给所述用户时，接收用户输入的第一样本操作信息,而在将采集到的样本数据输出给机器学习模型时，获取机器学习模型输出的第二样本操作信息；根据第一样本操作信息或第二样本操作信息输出对样本的操作控制信号。本公开实施例通过不同工作模式的控制，前期通过人工控制模式来控制对样本数据的操作，同时利用生产线操作过程中采集到的样本数据训练机器学习模型，而后期在机器学习模型训练好之后，由机器学习模型控制对样本数据的操作。

Control method, device, electronic device and computer readable storage medium

The public embodiment discloses a control method, a device, an electronic device and a computer readable storage medium. The method includes: acquiring the collected sample data; determining the output of the collected sample data to the user and/or machine learning model according to the current working mode; receiving the first sample operation information input by the user while outputting the collected sample data to the user, and outputting the collected sample data. When the machine learning model is given, the second sample operation information outputted by the machine learning model is obtained, and the operation control signal to the sample is output according to the first sample operation information or the second sample operation information. The disclosed embodiment controls the operation of the sample data through different operation modes in the early stage, and trains the machine learning model by using the sample data collected during the operation of the production line, while the machine learning model controls the sample data after the machine learning model is trained in the later stage. The operation.

【技术实现步骤摘要】
控制方法、装置、电子设备及计算机可读存储介质
本公开涉及工业控制
，具体涉及一种控制方法、装置、电子设备及计算机可读存储介质。
技术介绍
在工业自动化方面，机器视觉的应用具有悠久的历史，例如通过机器视觉的方式进行缺陷检测，质量控制等在各类生产车间有广泛的应用。近期随着人工智能技术的发展，机器学习的方法极大地拓展了机器视觉的应用范围以及机器视觉的识别精度。与传统方法不同，机器学习是一种能够通过不断输入训练数据的方式不断提升识别性能的方法。例如使用深度学习或神经网络的方式，传统机器视觉无法完成的各类工作可以被快速的通过积累训练数据的方式解决。例如，一种广泛使用的机器学习需要先对神经网络进行训练，训练后的模型再用于检测。神经网络训练需要带有标记分类数据的训练样本。样本数据一般由人工的方式采集对应图像，再由标注人员进行分类标注进而得到一个标注的数据。
技术实现思路
本公开实施例提供一种控制方法、装置、电子设备及计算机可读存储介质。第一方面，本公开实施例中提供了一种控制方法，包括：获取采集到的样本数据；根据当前工作模式，确定将所述采集到的样本数据输出给用户和/或机器学习模型；在将所述采集到的样本数据输出给所述用户时，接收所述用户输入的第一样本操作信息,而在将所述采集到的样本数据输出给机器学习模型时，获取所述机器学习模型输出的第二样本操作信息；根据所述第一样本操作信息或第二样本操作信息输出对样本的操作控制信号。可选地，根据当前工作模式，确定将所述采集到的样本数据输出给用户和/或机器学习模型，包括：在第一工作模式和第二工作模式下，将所述采集到的样本数据输出给用户；在第二工作模式和第三工作模式下，将所述采集到的样本数据输出给所述机器学习模型。可选地，第一工作模式下，在将所述采集到的样本数据输出给所述用户时，接收所述用户输入的第一样本操作信息之后，还包括：根据所述第一样本操作信息获取所述样本数据的标注数据；利用所述样本数据和所述标注数据对所述机器学习模型进行训练。可选地，还包括：根据所述第一样本操作信息和第二样本操作信息确定所述机器学习模型的识别准确率。可选地，在第三工作模式下，获取所述机器学习模型输出的第二样本操作信息之后，还包括：将所述第二样本操作信息输出给所述用户，接收所述用户输入的第三样本操作信息，所述第三样本操作信息用于所述机器学习模型的再训练。可选地，还包括：在所述机器学习模型完成训练后，将所述第一工作模式切换至所述第二工作模式；和/或，在所述机器学习模型的识别准确率大于或等于预设阈值后，将所述第二工作模式切换至所述第三工作模式。可选地，获取采集到的样本数据，包括：远程获取至少一个客户端采集到的样本数据。可选地，所述样本为木材；所述第一样本操作信息或第二样本操作信息包括所述木材的分类操作信息；所述操作控制信号包括控制木材踢腿机将所述木材踢入相应分类区域的控制信号。可选地，所述样本为木皮；所述第一样本操作信息或第二样本操作信息包括所述木皮的缺陷切割信息；所述操作控制信号包括控制切割机的切割信号。第二方面，本公开实施例提出了一种控制装置，包括：第一获取模块，被配置为获取采集到的样本数据；第一确定模块，被配置为根据当前工作模式，确定将所述采集到的样本数据输出给用户和/或机器学习模型；第二获取模块，被配置为在将所述采集到的样本数据输出给所述用户时，接收所述用户输入的第一样本操作信息,而在将所述采集到的样本数据输出给机器学习模型时，获取所述机器学习模型输出的第二样本操作信息；第一输出模块，被配置为根据所述第一样本操作信息或第二样本操作信息输出对样本的操作控制信号。可选地，所述第一确定模块，包括：第一输出子模块，被配置为在第一工作模式和第二工作模式下，将所述采集到的样本数据输出给用户；第二输出子模块，被配置为在第二工作模式和第三工作模式下，将所述采集到的样本数据输出给所述机器学习模型。可选地，第一工作模式下，所述第二获取模块之后，还包括：第三获取模块，被配置为根据所述第一样本操作信息获取所述样本数据的标注数据；训练模块，被配置为利用所述样本数据和所述标注数据对所述机器学习模型进行训练。可选地，第二工作模式下，还包括：第二确定模块，被配置为根据所述第一样本操作信息和第二样本操作信息确定所述机器学习模型的识别准确率。可选地，在第三工作模式下，所述第二获取模块之后，还包括：第二输出模块，被配置为将所述第二样本操作信息输出给所述用户，接收所述用户输入的第三样本操作信息，所述第三样本操作信息用于所述机器学习模型的再训练。可选地，还包括：第一切换模块，被配置为在所述机器学习模型完成训练后，将所述第一工作模式切换至所述第二工作模式；和/或，第二切换模块，被配置为在所述机器学习模型的识别准确率大于或等于预设阈值后，将所述第二工作模式切换至所述第三工作模式。可选地，所述第一获取模块，包括：获取子模块，被配置为远程获取至少一个客户端采集到的样本数据。可选地，所述样本为木材；所述第一样本操作信息或第二样本操作信息包括所述木材的分类操作信息；所述操作控制信号包括控制木材踢腿机将所述木材踢入相应分类区域的控制信号。可选地，所述样本为木皮；所述第一样本操作信息或第二样本操作信息包括所述木皮的缺陷切割信息；所述操作控制信号包括控制切割机的切割信号。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，控制装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持控制装置执行上述第一方面中控制方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述控制装置还可以包括通信接口，用于控制装置与其他设备或通信网络通信。第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现第一方面所述的方法步骤。第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储控制装置所用的计算机指令，其包含用于执行上述第一方面中控制方法为控制装置所涉及的计算机指令。本公开实施例提供的技术方案可以包括以下有益效果：本公开实施例提出的控制方法，在不同的工作模式下，通过将采集到的样本数据提供给用户或者机器学习模型，进而通过用户和/或者机器学习模型得到如何对样本进行操作的操作信息。本公开实施例在实际的生产线操作过程中，通过不同工作模式的控制，前期通过人工控制模式来控制对样本数据的操作，同时利用生产线操作过程中采集到的样本数据训练机器学习模型，而后期在机器学习模型训练好之后，切换至自动控制模式，由机器学习模型控制对样本数据的操作。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：图1示出根据本公开一实施方式的控制方法的流程图；图2示出根据图1所示实施方式中训练机器学习模型的流程图；图3示出基于本公开一实施方式的控制方法的木材自动分拣设备的结果示意图；图4示出本公开一实施方式的控制方法采用的卷积神经网络结构示意图；图5示出基于本文档来自技高网...

【技术保护点】
1.一种控制方法，其特征在于，包括：获取采集到的样本数据；根据当前工作模式，确定将所述采集到的样本数据输出给用户和/或机器学习模型；在将所述采集到的样本数据输出给所述用户时，接收所述用户输入的第一样本操作信息,而在将所述采集到的样本数据输出给机器学习模型时，获取所述机器学习模型输出的第二样本操作信息；根据所述第一样本操作信息或第二样本操作信息输出对样本的操作控制信号。

【技术特征摘要】
1.一种控制方法，其特征在于，包括：获取采集到的样本数据；根据当前工作模式，确定将所述采集到的样本数据输出给用户和/或机器学习模型；在将所述采集到的样本数据输出给所述用户时，接收所述用户输入的第一样本操作信息,而在将所述采集到的样本数据输出给机器学习模型时，获取所述机器学习模型输出的第二样本操作信息；根据所述第一样本操作信息或第二样本操作信息输出对样本的操作控制信号。2.根据权利要求1所述的控制方法，其特征在于，根据当前工作模式，确定将所述采集到的样本数据输出给用户和/或机器学习模型，包括：在第一工作模式和第二工作模式下，将所述采集到的样本数据输出给用户；在第二工作模式和第三工作模式下，将所述采集到的样本数据输出给所述机器学习模型。3.根据权利要求2所述的控制方法，其特征在于，第一工作模式下，在将所述采集到的样本数据输出给所述用户时，接收所述用户输入的第一样本操作信息之后，还包括：根据所述第一样本操作信息获取所述样本数据的标注数据；利用所述样本数据和所述标注数据对所述机器学习模型进行训练。4.根据权利要求2所述的控制方法，其特征在于，第二工作模式下，还包括：根据所述第一样本操作信息和第二样本操作信息确定所述机器学习模型的识别准确率。5.根据权利要求2所述的控制方法，其特征在于，在第三工作模式下，获取所述机器学习模型输出的第二样本操作信息之后，还包括：将所述第二样本操作信息输出给所述用户，接...

【专利技术属性】
技术研发人员：丁磊，
申请(专利权)人：北京木业邦科技有限公司，
类型：发明
国别省市：北京,11