机器学习的工业智能数据收集系统和方法技术方案

本发明专利技术涉及一种机器学习的工业智能数据收集系统，包括：成像单元，所述成像单元对应用场景成像并转换成数字信号；计算单元，所述计算单元包括:匹配单元，所述匹配单元将所述成像单元生成的图像跟模板匹配，通过图像配准算法，将图像跟模板尽量保持一致，通过图像变换，根据需求进行刚性或非刚性变换，下一步做前置处理；分割单元，所述分割单元把匹配好的图像利用人工智能的方法进行分割，并把结果输出给显示单元。上述机器学习的工业智能数据收集系统和方法，利用图像匹配的技术来对齐输入图像并根据图像的特征和机器学习的方法进行图像分割。

Industrial Intelligent Data Collection System Based on Machine Learning

The invention relates to an industrial intelligent data collection system based on machine learning, which comprises an imaging unit, the imaging unit imaging application scenes and converting them into digital signals; a computing unit, the computing unit includes a matching unit, the matching unit matches the image generated by the imaging unit with a template, and keeps the image as consistent as possible with the template through an image registration algorithm. Through image transformation, rigid or non-rigid transformation is carried out according to the demand, and the next step is pre-processing. The segmentation unit divides the matched image using artificial intelligence method, and outputs the results to the display unit. The industrial intelligent data collection system based on machine learning and image matching technology are used to align the input image and segment the image according to the characteristics of the image and the method of machine learning.

【技术实现步骤摘要】
机器学习的工业智能数据收集系统和方法
本专利技术涉及工业自动化领域基于机器学习的数据收集系统，利用图像匹配的技术来对齐输入图像并根据图像的特征和机器学习的方法进行图像分割，显示分割结果，利用人工标定和机器学习的方法把待收集特征数据进行分类，并把结果储存并进行分析。本专利技术有效的解决了在工业自动化系统中数据收集的难题，能广泛应用于工业检测，工业自动化以及仓储物流等自动化系统。
技术介绍
人工智能及深度学习在工业智能化领域有广泛的应用，尤其是质量检测，生产流程管理，机器控制等方面。然而，深度学习严重依赖于数据收集，其准确度及效率严重依赖于数据量的大小以及数据标定的结果。然而在实际应用领域，数据收集不具备收集条件，以缺陷检测举例，针对某一产品的缺陷可能具备多样性且重复率不高的特点，这表现在某一缺陷可能很少发生但又确实存在，这样在人工智能的学习阶段很难将这类缺陷包括，这极大的限制了人工智能在缺陷检测中的应用。此外，一线装配及质检人员教育水准参差不齐，很难让他们对于待收集数据有准确的标定方法，这也影响了数据标定的准确率及普及。
技术实现思路
基于此，有必要针对上述技术问题，提供一种机器学习的工业智能数据收集系统和方法，一种机器学习的工业智能数据收集系统，包括：成像单元，所述成像单元对应用场景成像并转换成数字信号；计算单元，所述计算单元包括:匹配单元，所述匹配单元将所述成像单元生成的图像跟模板匹配，通过图像配准算法，将图像跟模板尽量保持一致，通过图像变换，根据需求进行刚性或非刚性变换，下一步做前置处理；分割单元，所述分割单元把匹配好的图像利用人工智能的方法进行分割，并把结果输出给显示单元；分类单元，所述分类单元将标定好的数据进行分类，把结果输出给数据库及训练单元；训练单元，所述训练单元根据分类数据进行模型的训练，取得神经网络模型，并将模型输入给识别单元；以及识别单元，所述识别单元对后续输入的图进行自动标定，并把结果输出给显示单元及数据库；显示单元，所述显示单元用于显示分割结果以及显示识别单元自动标定的结果；以及标定单元，所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正。在另外的一个实施例中，所述成像单元包括但不限于CMOS/CCD传感器，光学镜头及辅助光源。在另外的一个实施例中，“所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正”中的输入方式是触摸屏。在另外的一个实施例中，“所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正”中的输入方式是鼠标。所述的机器学习的工业智能数据收集系统的工作方法，包括：成像单元取得场景中的图像后，将场景图像与模板进行匹配，使得输入图像尽可能接近模板；在图像匹配后，根据输入场景的特性决定正确的人工智能模型及分割方式，并可根据细节要求对全部或部分输入图像进行分割处理，并把分割的单元分别输出给显示单元；显示单元将分割结果输出给显示屏，可单独或并列显示不同的结果；由人工标定的方法将分割结果进行分类，并把结果输出给数据库进行储存及分析；当分类结果达到最小样本要求后，根据分类结果进行分类器的神经网络模型训练；当神经网络模型具备一定的统计性后，识别单元将根据分割单元的结果进行分类，并把结果输出给显示单元；由人工标定的方法对自动分类的结果进行验证，如果有错误将结果反馈至步骤“当分类结果达到最小样本要求后，根据分类结果进行分类器的神经网络模型训练；”，对模型进行进一步的训练，如果准确率达到预先设置的要求，将结束人工验证的工作，全部分类由神经网络模型自动运行并将分类结果输出至数据库。在另外的一个实施例中，所述模板是金标准数据，根据需求取得的最佳无损数据。上述机器学习的工业智能数据收集系统和方法，利用图像匹配的技术来对齐输入图像并根据图像的特征和机器学习的方法进行图像分割，显示分割结果，利用人工标定和机器学习的方法把待收集特征数据进行分类，并把结果储存并进行分析。本专利技术有效的解决了在工业自动化系统中数据收集的难题，能广泛应用于工业检测，工业自动化以及仓储物流等自动化系统。附图说明图1为本申请实施例提供的一种机器学习的工业智能数据收集方法的主要专利技术构思的示意图。图2为本申请实施例提供的一种机器学习的工业智能数据收集系统的的结构示意图。图3为本申请实施例提供的一种机器学习的工业智能数据收集方法的流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。参阅图1到图3，一种机器学习的工业智能数据收集系统，包括：成像单元，所述成像单元对应用场景成像并转换成数字信号；计算单元，所述计算单元包括:匹配单元，所述匹配单元将所述成像单元生成的图像跟模板匹配，通过图像配准算法，将图像跟模板尽量保持一致，通过图像变换，根据需求进行刚性或非刚性变换，下一步做前置处理；分割单元，所述分割单元把匹配好的图像利用人工智能的方法进行分割，并把结果输出给显示单元；分类单元，所述分类单元将标定好的数据进行分类，把结果输出给数据库及训练单元；训练单元，所述训练单元根据分类数据进行模型的训练，取得神经网络模型，并将模型输入给识别单元；以及识别单元，所述识别单元对后续输入的图进行自动标定，并把结果输出给显示单元及数据库；显示单元，所述显示单元用于显示分割结果以及显示识别单元自动标定的结果；以及标定单元，所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正。在另外的一个实施例中，所述成像单元包括但不限于CMOS/CCD传感器，光学镜头及辅助光源。在另外的一个实施例中，“所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正”中的输入方式是触摸屏。在另外的一个实施例中，“所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正”中的输入方式是鼠标。所述的机器学习的工业智能数据收集系统的工作方法，包括：成像单元取得场景中的图像后，将场景图像与模板进行匹配，使得输入图像尽可能接近模板；在图像匹配后，根据输入场景的特性决定正确的人工智能模型及分割方式，并可根据细节要求对全部或部分输入图像进行分割处理，并把分割的单元分别输出给显示单元；显示单元将分割结果输出给显示屏，可单独或并列显示不同的结果；由人工标定的方法将分割结果进行分类，并把结果输出给数据库进行储存及分析；当分类结果达到最小样本要求后，根据分类结果进行分类器的神经网络模型训练；当神经网络模型具备一定的统计性后，识别单元将根据分割单元的结果进行分类，并把结果输出给显示单元；由人工标定的方法对自动分类的结果进行验证，如果有错误将结果反馈至步骤“当分类结果达到最小样本要求后，根据分类结果进行分类器的神经网络模型训练；”，对模型进行进一步的训练，如果准确率达到预先设置的要求，将结束人工验证的工作，全部分类由神经网络模型自动运行并将分类结果输出至数据库。在另外的一个实施例中，所述模板是金标准数据，根据需求取得的最佳无损数据。上述机器学习的工业智能数据收集系统和方法，利用图像匹配的技术来对齐输入图像并根据图像的特征和机器学习的方法进行图像本文档来自技高网...

【技术保护点】
1.一种机器学习的工业智能数据收集系统，其特征在于，包括：所述成像单元，所述成像单元对应用场景成像并转换成数字信号；计算单元，所述计算单元包括:匹配单元，所述匹配单元将所述成像单元生成的图像跟模板匹配，通过图像配准算法，将图像跟模板尽量保持一致，通过图像变换，根据需求进行刚性或非刚性变换，下一步做前置处理；分割单元，所述分割单元把匹配好的图像利用人工智能的方法进行分割，并把结果输出给显示单元；分类单元，所述分类单元将标定好的数据进行分类，把结果输出给数据库及训练单元；训练单元，所述训练单元根据分类数据进行模型的训练，取得神经网络模型，并将模型输入给识别单元；以及识别单元，所述识别单元对后续输入的图进行自动标定，并把结果输出给显示单元及数据库；显示单元，所述显示单元用于显示分割结果以及显示识别单元自动标定的结果；以及标定单元，所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正。

【技术特征摘要】
1.一种机器学习的工业智能数据收集系统，其特征在于，包括：所述成像单元，所述成像单元对应用场景成像并转换成数字信号；计算单元，所述计算单元包括:匹配单元，所述匹配单元将所述成像单元生成的图像跟模板匹配，通过图像配准算法，将图像跟模板尽量保持一致，通过图像变换，根据需求进行刚性或非刚性变换，下一步做前置处理；分割单元，所述分割单元把匹配好的图像利用人工智能的方法进行分割，并把结果输出给显示单元；分类单元，所述分类单元将标定好的数据进行分类，把结果输出给数据库及训练单元；训练单元，所述训练单元根据分类数据进行模型的训练，取得神经网络模型，并将模型输入给识别单元；以及识别单元，所述识别单元对后续输入的图进行自动标定，并把结果输出给显示单元及数据库；显示单元，所述显示单元用于显示分割结果以及显示识别单元自动标定的结果；以及标定单元，所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正。2.根据权利要求1所述的机器学习的工业智能数据收集系统，其特征在于，所述成像单元包括但不限于CMOS/CCD传感器，光学镜头及辅助光源。3.根据权利要求1所述的机器学习的工业智能数据收集系统，其特征在于，“所述标定单元对分割结果通过输入方式进行人工标定以及对识别单元的结果进行校正”中的输入方式是触摸屏。4.根据权利要求1所述的机器学习的工业智能...

【专利技术属性】
技术研发人员：黄西士，张剑，吕越峰，许照林，
申请(专利权)人：苏州富鑫林光电科技有限公司，
类型：发明
国别省市：江苏,32