基于机器学习模型的分料决策方法、设备和存储介质技术

本发明专利技术提供一种基于机器学习模型的分料决策方法、设备和存储介质，涉及云计算领域。该方法包括：对待分料部件进行多角度拍摄，得到所述待分料部件的多个图像；根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度；将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果。本发明专利技术实施例提高了检测分料效率，能够对产品部件进行全面检测。

Material allocation decision-making method, equipment and storage media based on machine learning model

【技术实现步骤摘要】
基于机器学习模型的分料决策方法、设备和存储介质
本专利技术涉及质量检测
，尤其涉及一种基于机器学习模型的分料决策方法、设备和存储介质。
技术介绍
在传统工业制造业生产场景中，如3C产品零部件制造，所谓“3C产品”，就是计算机(Computer)、通信(Communication)和消费类电子产品(ConsumerElectronics)三者结合，亦称“信息家电”。往往需要对产品的多个角度进行表面状态检测。产品的表面状态检测是制造厂商控制出货质量的重要环节。相关技术中，一般通过人工目视质检，即每条生产线培训一定数量的质检员，用肉眼对生产出的零部件进行全角度的缺陷检测和分类，检测效率低；而且质检员往往在检测到零件某个面的一种故障后就会进行分料，不会对零件进行全面的检测。
技术实现思路
本专利技术提供一种基于机器学习模型的分料决策方法、设备和存储介质，以提高检测效率，并且能够对产品部件进行全面检测。第一方面，本专利技术提供一种基于机器学习模型的分料决策方法，包括：对待分料部件进行多角度拍摄，得到所述待分料部件的多个图像；根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度；将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果。在一种可能的实现方式中，所述根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度，包括：获取预先建立的多个缺陷分类模型；针对每个所述缺陷分类模型，确定至少一个所述图像，并将所述至少一个所述图像作为所述缺陷分类模型的输入参数，以得到所述待分料部件对应的缺陷类型和所述缺陷类型对应的置信度。在一种可能的实现方式中，所述建立多个缺陷分类模型，包括：获取每个所述缺陷分类模型对应的训练数据；所述训练数据包括不同的图像采集条件下采集的多个图像以及各个所述图像对应的缺陷类型；根据每个所述缺陷分类模型对应的训练数据，训练每个所述缺陷分类模型。在一种可能的实现方式中，所述将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果之前，还包括：获取所述机器学习模型对应的多个训练数据；所述训练数据包括：每个所述缺陷分类模型输出的缺陷类型、所述缺陷类型对应的置信度，以及分料决策结果；通过所述多个训练数据，训练所述机器学习模型。在一种可能的实现方式中，还包括：根据所述分料决策结果，将所述待分料部件分料至与所述分料决策结果对应的料盒。在一种可能的实现方式中，所述根据所述分料决策结果，将所述待分料部件分料至与所述分料决策结果对应的料盒，包括：根据所述分料决策结果，生成控制指令；根据所述控制指令，控制机械臂将所述待分料部件分料至与所述分料决策结果对应的料盒。在一种可能的实现方式中，所述机器学习模型为以下任一模型：Adaboost模型、神经网络模型、支持向量机模型、决策树模型。第二方面，本专利技术提供一种基于机器学习模型的分料决策装置，包括：图像采集模块，用于对待分料部件进行多角度拍摄，得到所述待分料部件的多个图像；缺陷分类模块，用于根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度；处理模块，用于将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果。在一种可能的实现方式中，缺陷分类模块，具体用于：建立多个缺陷分类模型；针对每个所述缺陷分类模型，确定至少一个所述图像，并将所述至少一个所述图像作为所述缺陷分类模型的输入参数，以得到所述待分料部件对应的缺陷类型和所述缺陷类型对应的置信度。在一种可能的实现方式中，还包括：模型训练模块用于：获取每个所述缺陷分类模型对应的训练数据；所述训练数据包括不同的图像采集条件下采集的多个图像以及各个所述图像对应的缺陷类型；根据每个所述缺陷分类模型对应的训练数据，训练每个所述缺陷分类模型。在一种可能的实现方式中，模型训练模块，还用于：获取所述机器学习模型对应的多个训练数据；所述训练数据包括：每个所述缺陷分类模型输出的缺陷类型、所述缺陷类型对应的置信度，以及最终的分料决策结果；通过所述多个训练数据，训练所述机器学习模型。在一种可能的实现方式中，还包括：分料模块用于：根据所述分料决策结果，将所述待分料部件分料至与分料决策结果对应的料盒。在一种可能的实现方式中，分料模块，具体用于：根据所述分料决策结果，生成控制指令；根据所述控制指令，控制机械臂将所述待分料部件分料至与分料决策结果对应的料盒。在一种可能的实现方式中，所述机器学习模型为以下任一模型：Adaboost模型、神经网络模型、支持向量机模型、决策树模型。第三方面，本专利技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。第四方面，本专利技术实施例提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。本专利技术实施例提供的基于机器学习模型的分料决策方法、设备和存储介质，对待分料部件进行多角度拍摄，得到所述待分料部件的多个图像；根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度；将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果，提高了检测效率，而且根据待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度，利用机器学习模型，能够较为全面的对待分料部件进行缺陷检测，并能够根据最终决策结果进行分料，分料的准确性较高。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1是本专利技术提供的基于机器学习模型的分料决策方法一实施例的流程示意图；图2是本专利技术提供的方法一实施例的原理示意图；图3是本专利技术提供的方法一实施例的实现过程示意图；图4是本专利技术提供的基于机器学习模型的分料决策装置一实施例的结构示意图；图5是本专利技术提供的电子设备实施例的结构示意图。通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。本专利技术的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备本文档来自技高网...

【技术保护点】
1.一种基于机器学习模型的分料决策方法，其特征在于，包括：对待分料部件进行多角度拍摄，得到所述待分料部件的多个图像；根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度；将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果。

【技术特征摘要】
1.一种基于机器学习模型的分料决策方法，其特征在于，包括：对待分料部件进行多角度拍摄，得到所述待分料部件的多个图像；根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度；将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述多个图像，确定所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度，包括：获取预先建立的多个缺陷分类模型；针对每个所述缺陷分类模型，确定至少一个所述图像，并将所述至少一个所述图像作为所述缺陷分类模型的输入参数，以得到所述待分料部件对应的缺陷类型和所述缺陷类型对应的置信度。3.根据权利要求2所述的方法，其特征在于，所述建立多个缺陷分类模型，包括：获取每个所述缺陷分类模型对应的训练数据；所述训练数据包括不同的图像采集条件下采集的多个图像以及各个所述图像对应的缺陷类型；根据每个所述缺陷分类模型对应的训练数据，训练每个所述缺陷分类模型。4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述待分料部件存在的至少一种缺陷类型和所述至少一种缺陷类型各自对应的置信度作为所述机器学习模型的输入参数，以确定所述待分料部件对应的分料决策结果之前，还包括：获取所述机器学习模型对应的多个训练数据；所述训练数据包括：每个所述缺陷分类模型输出的缺陷类型、所述缺陷类型对应的置信度，以及分料决策结果；通过所述多个训练数据，训练所述机器学习模型。5.根据权利要求1-3任一项所述的方法，其特征在于，还包括：根据...

【专利技术属性】
技术研发人员：苏业，邹建法，刘明浩，聂磊，冷家冰，黄特辉，徐玉林，郭江亮，李旭，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京,11