一种基于图像检测识别的标准质量检测管理平台制造技术

本发明专利技术公开了一种基于图像检测识别的标准质量检测管理平台，涉及质量检测技术领域，本发明专利技术通过机器学习

【技术实现步骤摘要】
一种基于图像检测识别的标准质量检测管理平台


[0001]本专利技术涉及质量检测
，具体为一种基于图像检测识别的标准质量检测管理平台
。

技术介绍

[0002]质量检测管理平台旨在帮助组织有效地管理和监控产品或服务的质量检测过程，确保其生产的产品或提供的服务符合预定的质量标准和规范
。
[0003]而图像检测识别是利用图像处理和识别技术来检测和识别产品或服务的质量特征，以确保它们符合预定的标准和规范，通常通过摄像头或其他图像采集设备，然后使用图像处理算法来处理图像以提取关键的质量特征和信息，使用计算机视觉和深度学习，来检测和识别产品或服务上的特定质量特征，基于图像检测识别的质量检测管理平台在制造业
、
质量控制实验室
、
医疗保健
、
食品加工等领域都有广泛的应用
。
[0004]然而传统的质量检测管理平台依赖大量的人工操作，包括质检员的视觉判断和手动测量，这种质量检测方式容易受到主观性和人为误差的影响，可能导致不公平的质量评估和不一致的判定结果，特别对于高频率和大规模生产的情况，人工质量检测往往难以跟上生产速度，更容易出现判定结果误差，此外，传统的质量检测管理平台通常采用周期性的质量检测方式，问题可能在两次检测之间持续存在而未被发现，这就会导致质量问题在生产过程中继续积累
、
产品的不良率增加，因此亟需一种减少人工干预可以进行实时分析的基于图像检测识别的标准质量检测管理平台来解决此类问题
。

技术实现思路

[0005]（一）解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于图像检测识别的标准质量检测管理平台，解决现有技术中存在的视觉判断和手动测量，容易受到主观性和人为误差的影响，周期性质量检测会导致质量问题在生产过程中继续积累的问题
。
[0007]（二）技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现，本专利技术提供了一种基于图像检测识别的标准质量检测管理平台，包括：
[0009]数据采集模块，用于从生产线上获取图像数据流，执行图像预处理操作，包括去噪
、
裁剪和调整大小，数据采集模块部署在生产线边缘节点上，数据采集模块包括摄像头和传感器，采用实时图像处理技术，进行数据采集；
[0010]数据传输模块，将采集的图像数据传输到云计算中心以及分布式图数据库，数据传输使用安全协议和加密方法传输数据；
[0011]图数据库模块，对数据采集模块所采集图像数据流进行存储，同时存储设备
、
工件和质量数据之间的关系信息，对图计算算法执行提供支持，图数据库模块中部署分布式图数据库
JanusGraph
，并定期更新图数据库反映生产线上的变化；
[0012]图计算引擎模块，用于分析图数据库中的数据关系，执行图计算卷积网络
GCN
算法，识别质量问题和异常情况，图计算引擎模块使用
NetworkX
图计算框架处理数据，图计算引擎模块部署在云和边缘计算节点上，进行实现离线和实时分析；
[0013]自动标记模块，使用机器学习和图神经网络，自动标记图像中的缺陷和问题区域，自动标记模块采用
MaskR
‑
CNN
训练图像分割模型，用于自动标记；
[0014]质量问题预测模块，用于分析生产线数据和图数据库，预测潜在的质量问题和生产中断，质量问题预测模块基于深度学习模型进行预测；
[0015]决策支持系统模块，集成机器学习和决策支持，用于提供实时建议和决策，决策支持系统模块使用规则引擎和优化算法，生成决策建议，提供直观的用户界面显示建议和决策；
[0016]区块链数据安全模块，采用使用区块链技术提供质量检测数据的安全性和可追溯性，区块链数据安全模块中部署私有区块链网络，用于数据存储和验证，采用智能合约实现数据访问控制
。
[0017]本专利技术进一步地设置为：所述图数据库模块中，基于图数据模型表示生产线中的各个元素和元素间的关系，生产线关键元素包括：设备
、
工件
、
质量数据
、
工作状态
、
性能指标
、
权重和关联强度，其中设备
、
工件
、
质量数据
、
工作状态
、
性能指标作为模型节点，权重和关联强度作为模型边；
[0018]图数据库模块中设置查询接口，导入过程采用
ETL
管道；
[0019]本专利技术进一步地设置为：所述图计算引擎模块中进行图数据分析步骤具体包括：
[0020]从图数据库模块获取图数据，包括设备
、
工件
、
质量数据节点和节点间的关系边，用于构建分析图；
[0021]基于
NetworkX
框架，从图数据库中获取的数据构建成一个图，其中节点表示实体，边表示实间关系，图构建公式为：
[0022]，其中
G
表示构建的图，
V
表示节点集合，
E
表示边集合；
[0023]图计算引擎模块使用图卷积网络
GCN
算法分析图数据，
GCN
的分析公式：
[0024]，其中表示第层的节点表示，
A
表示邻接矩阵，表示权重矩阵，表示激活函数；
[0025]在
GCN
的输出中设置阈值来检测异常节点和边；
[0026]本专利技术进一步地设置为：所述图计算引擎模块部署在云计算中心和边缘计算节点上；
[0027]图计算引擎模块中的离线分析使用批处理方式，实时分析使用
ApacheKafka
流式处理方式；
[0028]本专利技术进一步地设置为：所述自动标记模块采用
MaskR
‑
CNN
训练图像分割模型步骤具体包括：
[0029]对包含缺陷和问题的图像数据集进行标注，标注包括标记图像中缺陷的位置和类别用于训练图像分割模型；
[0030]采用
MaskR
‑
CNN
同时检测和分割对象；
[0031]使用准备好的图像数据集对选择的图像分割模型进行训练，包括前向传播和反向
传播，
MaskR
‑
CNN
的损失函数包括物体检测损失和掩码分割损失；
[0032]本专利技术进一步地设置为：所述物体检测损失，即分类和边界框回归式具体为：
[0033]，其中表示目标分类损失，表示边界框回归损失，将两项损失合并，用于训练模型同时进行目标检测和分类；
[0034]在训练后，将训练好的图像分割模型用于推断，自动标记图像中的缺陷和问题区域，推断过程包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像检测识别的标准质量检测管理平台，其特征在于，包括：数据采集模块，用于从生产线上获取图像数据流，执行图像预处理操作，包括去噪
、
裁剪和调整大小，数据采集模块部署在生产线边缘节点上，数据采集模块包括摄像头和传感器，采用实时图像处理技术，进行数据采集；数据传输模块，将采集的图像数据传输到云计算中心以及分布式图数据库，数据传输使用安全协议和加密方法传输数据；图数据库模块，对数据采集模块所采集图像数据流进行存储，同时存储设备
、
工件和质量数据之间的关系信息，对图计算算法执行提供支持，图数据库模块中部署分布式图数据库
JanusGraph
，并定期更新图数据库反映生产线上的变化；图计算引擎模块，用于分析图数据库中的数据关系，执行图计算卷积网络
GCN
算法，识别质量问题和异常情况，图计算引擎模块使用
NetworkX
图计算框架处理数据，图计算引擎模块部署在云和边缘计算节点上，进行实现离线和实时分析；自动标记模块，使用机器学习和图神经网络，自动标记图像中的缺陷和问题区域，自动标记模块采用
MaskR
‑
CNN
训练图像分割模型，用于自动标记；质量问题预测模块，用于分析生产线数据和图数据库，预测潜在的质量问题和生产中断，质量问题预测模块基于深度学习模型进行预测；决策支持系统模块，集成机器学习和决策支持，用于提供实时建议和决策，决策支持系统模块使用规则引擎和优化算法，生成决策建议，提供直观的用户界面显示建议和决策；区块链数据安全模块，采用使用区块链技术提供质量检测数据的安全性和可追溯性，区块链数据安全模块中部署私有区块链网络，用于数据存储和验证，采用智能合约实现数据访问控制
。2.
根据权利要求1所述的一种基于图像检测识别的标准质量检测管理平台，其特征在于，所述图数据库模块中，基于图数据模型表示生产线中的各个元素和元素间的关系，生产线关键元素包括：设备
、
工件
、
质量数据
、
工作状态
、
性能指标
、
权重和关联强度，其中设备
、
工件
、
质量数据
、
工作状态
、
性能指标作为模型节点，权重和关联强度作为模型边；图数据库模块中设置查询接口，导入过程采用
ETL
管道
。3.
根据权利要求1所述的一种基于图像检测识别的标准质量检测管理平台，其特征在于，所述图计算引擎模块中进行图数据分析步骤具体包括：从图数据库模块获取图数据，包括设备
、
工件
、
质量数据节点和节点间的关系边，用于构建分析图；基于
NetworkX
框架，从图数据库中获取的数据构建成一个图，其中节点表示实体，边表示实间关系，图构建公式为：，其中
G
表示构建的图，
V
表示节点集合，
E
表示边集合；图计算引擎模块使用图卷积网络
GCN
算法分析图数据，
GCN
的分析公式：，其中表示第层的节点表示，
A
表示邻接矩阵，表示权...

【专利技术属性】
技术研发人员：张恩泽，尹志伟，董美霞，
申请(专利权)人：北京石栎科技有限公司，
类型：发明
国别省市：