基于轻量化边缘计算的智能化工业质检方法及系统技术方案

本发明专利技术公开了一种基于轻量化边缘计算的智能化工业质检方法及系统，该方法包括：对待检测工业图像进行区域划分，获取多个区域块；对每个区域块进行分析，保留重要性参数符合预设条件的图像区域；基于保留区域的特征和训练好的第一工业质检模型，确定所述智能化工业质检模型的边缘计算模型优化量化适配方法，获取适用于边缘计算装置的第二工业质检模型；基于第二工业质检模型对待检测工业图像的所述保留区域进行处理，获取待检测工业图像的检测结果。本发明专利技术提高边缘模型的图像分析能力及与边缘测实际图像处理需求的适配性，满足不同工业产品的边缘质检需求。产品的边缘质检需求。产品的边缘质检需求。

【技术实现步骤摘要】
基于轻量化边缘计算的智能化工业质检方法及系统


[0001]本专利技术涉及工业质检领域，尤其涉及一种利用人工智能技术尤其是机器视觉对工业生产过程中的产品质量智能化检测方法。

技术介绍

[0002]工业质检作为工业生产过程中的重要一环，一直以来都属于劳动密集型行业。目前国内大量流水线上的工业质检依赖人工方式，通过质检员长时间对产品进行逐一检测，确保产品质量。依赖人工的工业质检方式，其缺点不言而明，一方面人力成本居高不下导致产品竞争力下降，流水线上的工业质检不仅要求工人质检质量，同时还要求质检速度，因此质检员的技术门槛相比于普通工人更高，且都需要进行人员岗前培训，从而进一步抬高了企业的生产成本；另一方面，依赖于人工的工业质检是一种主观检测方法，容易受检查人员技术水平和经验以及环境影响，尤其是当质检员在产线上长时间高强度检测时，容易出现情绪波动、精力分散等问题，影响质检的稳定性和效率。目前已有一部分工业质检采用深度学习方式尤其是视觉目标检测方法，但主要采用服务器或工控机进行部署，不仅成本高，而且部署空间要求大，对于一些已有的生产线，改造起来较为困难。

技术实现思路

[0003]针对上述现有技术存在的问题，本专利技术提供了一种基于轻量化边缘计算的智能化工业质检方法及系统，提高了边缘部署适配性，该技术方案如下：
[0004]第一方面，提供了一种基于轻量化边缘计算的智能化工业质检方法，包括如下步骤：
[0005]对待检测工业图像进行区域划分，获取多个区域块；
[0006]对每个区域块进行分析，保留重要性参数符合预设条件的图像区域；
[0007]基于保留区域的特征和训练好的第一工业质检模型，确定所述智能化工业质检模型的边缘计算模型优化量化适配方法，获取适用于边缘计算装置的第二工业质检模型；
[0008]基于第二工业质检模型对待检测工业图像的所述保留区域进行处理，获取待检测工业图像的检测结果。
[0009]在一种可能的实现方式中，所述对待检测工业图像进行区域划分，获取多个区域，包括：
[0010]将a行b列图像分成3行3列9个区域；
[0011]对每一行的3个区域，计算每一列的像素方差，得到3行b列图像矩阵A1；
[0012]对每一列的3个区域，计算每一行的像素方差，得到a行3列图像矩阵A2。
[0013]在一种可能的实现方式中，所述获取多个所述区域的重要度参数，保留重要性参数符合预设条件的区域，包括：
[0014]基于图像矩阵A1，对每个像素计算与横向相邻2个像素的像素值差值的均值，以所述均值形成与图像矩阵A1对应的图像矩阵B1，对B1中每一行b列图像获取每一行像素值的
峰值分布区域；
[0015]基于图像矩阵A2，对每个像素计算与纵向相邻2个像素的像素值差值的均值，以所述均值形成与图像矩阵A1对应的图像矩阵B2，对B2中每一列a行图像获取每一列像素值的峰值分布区域；
[0016]基于图像矩阵B1和B2分别获得的峰值分布区域，确定需要保留的图像区域。
[0017]在一种可能的实现方式中，所述训练好的第一工业质检模型，包括：
[0018]在主干网络的CSP1_X单元前增加一个特征深度提取网络，所述特征深度提取网络包括：
[0019]基于输入图像分别输入到3个支路中，第一支路进行卷积后输出第一特征图，第二支路先进行下采样后进行卷积处理再进行上采样恢复后，与第二支路的输入特征图进行融合，融合后通过激活函数层输出的第二特征图与第三支路输出的第三特征图进行点乘计算融合得到第四特征图，所述第四特征图进行卷积操作后和第一特征图合并得到特征深度提取网络的输出结果,所述第三支路基于输入图像进行卷积后得到第三特征图；
[0020]在颈部网络中，对路径聚合网络中的多个路径进行选择性调用，当保留区域的特征图尺寸小于预设值时，采用颈部网络中的76*76特征图和38*38特征图组成路径聚合网络；当保留区域的特征图尺寸大于预设值时，采用颈部网络中的38*38特征图和19*19特征图组成路径聚合网络。
[0021]在一种可能的实现方式中，所述主干网络和颈部网络中的卷积均采用深度可分离卷积。
[0022]在一种可能的实现方式中，所述基于保留区域的特征和训练好的第一工业质检模型，确定所述智能化工业质检模型的边缘计算模型优化量化适配方法，包括：
[0023]基于保留区域进行目标尺寸分析，当保留区域的特征图尺寸小于预设值时，将第一工业质检模型中的颈部网络中的19*19特征图路径删除，当保留区域的特征图尺寸大于预设值时，将第一工业质检模型中的颈部网络中的76*76特征图路径删除。
[0024]在一种可能的实现方式中，所述获取适用于边缘计算装置的第二工业质检模型，包括：
[0025]基于第一工业质检模型采用线性非对称量化方式进行量化，获取第二工业质检模型。
[0026]第二方面，提供了一种基于轻量化边缘计算的智能化工业质检系统，包括：
[0027]图像区域获取模块，用于对待检测工业图像进行图像分割，获取多个区域；
[0028]区域选择模块，用于获取多个所述区域的重要度参数，保留重要性参数大于预设阈值的区域；
[0029]边缘模型适配模块，用于基于保留区域的特征和训练好的第一工业质检模型，确定所述智能化工业质检模型的边缘计算模型优化量化适配方法，获取适用于边缘计算装置的第二工业质检模型；
[0030]边缘质检模块，用于基于第二工业质检模型对待检测工业图像的所述保留区域进行处理，获取待检测工业图像的检测结果。
[0031]第三方面，提供了一种电子设备，该电子设备包括：
[0032]处理器；
[0033]存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现第一方面所述的基于轻量化边缘计算的智能化工业质检方法。
[0034]第四方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被处理器执行时，实现第一方面所述的基于轻量化边缘计算的智能化工业质检方法。
[0035]本专利技术的基于轻量化边缘计算的智能化工业质检方法及系统，具备如下有益效果：基于不同的图像重要性区域特征，对服务器端的训练好的第一工业质检模型，选择不同的模型量化方法对模型进行量化并部署到边缘计算装置，提高边缘模型的图像分析能力及与实际图像处理需求的适配性，满足不同工业产品的边缘质检需求。
附图说明
[0036]图1是本申请实施例中基于轻量化边缘计算的智能化工业质检方法流程图；
[0037]图2是本申请实施例中基于轻量化边缘计算的智能化工业质检系统结构图。
具体实施方式
[0038]为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于轻量化边缘计算的智能化工业质检方法，其特征在于，包括：对待检测工业图像进行区域划分，获取多个区域块；对每个区域块进行分析，保留重要性参数符合预设条件的图像区域；基于保留区域的特征和训练好的第一工业质检模型，确定所述智能化工业质检模型的边缘计算模型优化量化适配方法，获取适用于边缘计算装置的第二工业质检模型；基于第二工业质检模型对待检测工业图像的所述保留区域进行处理，获取待检测工业图像的检测结果。2.根据权利要求1所述的基于轻量化边缘计算的智能化工业质检方法，其特征在于，所述对待检测工业图像进行区域划分，获取多个区域，包括：将a行b列图像分成3行3列9个区域；对每一行的3个区域，计算每一列的像素方差，得到3行b列图像矩阵A1；对每一列的3个区域，计算每一行的像素方差，得到a行3列图像矩阵A2。3.根据权利要求2所述的基于轻量化边缘计算的智能化工业质检方法，其特征在于，所述获取多个所述区域的重要度参数，保留重要性参数符合预设条件的区域，包括：基于图像矩阵A1，对每个像素计算与横向相邻2个像素的像素值差值的均值，以所述均值形成与图像矩阵A1对应的图像矩阵B1，对B1中每一行b列图像获取每一行像素值的峰值分布区域；基于图像矩阵A2，对每个像素计算与纵向相邻2个像素的像素值差值的均值，以所述均值形成与图像矩阵A1对应的图像矩阵B2，对B2中每一列a行图像获取每一列像素值的峰值分布区域；基于图像矩阵B1和B2分别获得的峰值分布区域，确定需要保留的图像区域。4.根据权利要求1所述的基于轻量化边缘计算的智能化工业质检方法，其特征在于，所述训练好的第一工业质检模型，包括：在主干网络的CSP1_X单元前增加一个特征深度提取网络，所述特征深度提取网络包括：基于输入图像分别输入到3个支路中，第一支路进行卷积后输出第一特征图，第二支路先进行下采样后进行卷积处理再进行上采样恢复后，与第二支路的输入特征图进行融合，融合后通过激活函数层输出的第二特征图与第三支路输出的第三特征图进行点乘计算融合得到第四特征图，所述第四特征图进行卷积操作后和第一特征图合并得到特征深度提取网络的输出结果,所述第三支路基于输入图像进行卷积后得到第三特征图；在颈部网络中，对路径聚...

【专利技术属性】
技术研发人员：孙坚，李承智，
申请(专利权)人：合肥极隆电子科技有限公司，
类型：发明
国别省市：