System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机,具体涉及一种基于tensorflow的计算机视觉在生产制造中的质量检验方法。
技术介绍
1、现今制造业质检面临的三大痛点:其一是人工检测过程中,某些缺陷会让人产生视觉疲劳,导致很多误判。
2、其二是人工检测容易收到外界干扰,检测效率难以得到保证;
3、其三是质检对人员技术能力要求较高,普通检验人员对疑难组织认识度低,需要多年的经验积累和培养,不同的检验人员,对同类样品的评测标准不统一,受主观意识影响大,大部分检验项目评判主要靠人员多年的检测经验,多数环节都需要专家参与和把关,难以形成可以量化的质量标准;
4、其四是人工检测时可能会掺杂一些杂质,造成质检结果不准确;
5、其五质检效果提升难,质检员在开展业务时,会按照企业既定的质检标准检查对话,但难免会因为对标准理解的偏差而产生误判,进而出现质检业务漏检、误检的痛点,由于人的理解难以统一,同时存在遗忘、人员流动等各方面因素,导致难以有效地将漏检、误检的案例,转化为企业提升质检效果的经验,达到期望的质检效果;
6、其六问题时间间隔久,由于传统人工质检模式的路径长、检查效率低,导致从业务员产生对话,到质检员抽检检查,最后生成质检结果并反馈,响应至少需要间隔十几个小时,这导致企业只能做到事后处罚,却无法及时规避合规、管理的风险。
7、现机器质检同样存在几个问题:
8、1.无法适应复杂情况:机器质量检验方法通常是基于预设的规则和算法进行,无法适应于复杂和多变的情况。当产品或生产过程发生
9、2.缺乏主观判断能力:机器质量检验往往只能根据预设的规则进行判断,无法像人类那样具备主观判断能力。这意味着机器质量检验可能会忽略一些特殊情况或难以捕捉到的问题。
10、3.高昂的设备成本:机器质量检验通常需要投入大量的设备和技术资源。购买、维护和更新这些设备可能会带来高昂的成本,尤其对于中小企业来说,可能承担不起这些费用。
11、4.需要大量的数据:机器质量检验通常需要大量的训练数据来进行准确的判断和分类。这可能需要长时间的数据收集和准备工作,尤其是对于新产品或变化的生产线。
12、5.无法处理异常情况和新问题:当产品出现异常或新问题时,机器质量检验可能无法及时识别和解决。机器只能基于已有的规则和训练数据进行判断,缺乏灵活性和适应性。
13、6.不适应于小批量生产:机器质量检验通常更适合于大规模生产,对于小批量生产或个性化定制的产品,机器质量检验可能存在效率和适应性的问题。
技术实现思路
1、本专利提出一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,以期解决
技术介绍
中存在的技术问题。
2、为了实现上述目的,本专利技术采用以下技术方案:
3、一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,包括:以下步骤:
4、收集质检所需的待训练和测试的图像集,划分为训练集和测试集;
5、将图像进行缩放、归一化、分割处理,加强深度学习训练集;
6、基于tensorflow框架搭建resnet50模型;
7、利用训练集训练模型;
8、利用测试集来评估训练好的模型;
9、将评估好的模型上传云端,按类别生成最新版本号;
10、工厂边缘服务器定时获取最新模型,获取到最新模型,并对待监测图片进行识别;
11、工厂图像采集服务器将该采集的图片输入至质检识别模型,以输出检测结果。
12、在一些实施例中,所述划分为训练集和测试集包括,收集待训练和测试的图像集,分别放入目录data_train和data_test目录内,使用train_test_split函数进行划分,将数据集划分为训练集和测试集。
13、在一些实施例中,所述将图像进行缩放、归一化、分割处理,加强深度学习训练集;包括使用imagedatagenerator类对生成的训练集进行预处理,将训练集图像按放大、缩小、旋转方式进行增强训练集,最后放大至672×672像素大小。
14、在一些实施例中,所述基于tensorflow框架搭建resnet50模型;包括将使用预训练的resnet50模型作为基础模型,即在卷积神经网络中加入残差学习,网络结构共有50层,输入图像大小为672×672像素。
15、在一些实施例中,所述利用训练集训练模型;包括:使用交叉熵损失、adam优化器和准确率,通过fit_generator函数进行模型训练;设置批大小为32、迭代次数和回调函数。
16、在一些实施例中,所述利用测试集来评估训练好的模型,包括:使用测试集来评估训练好的模型,加载保存的最佳模型,然后使用evaluate_generator函数进行模型评估。
17、在一些实施例中,所述工厂图像采集服务器将该采集的图片输入至质检识别模型,以输出检测结果,包括:
18、使用tf.image.resize_images函数的tf.image.resize_image_with_crop_or_pad方法对所有抓拍图片做resize操作,以保证所有抓拍图片规格一致;
19、使用tensorflow的tf.image.adjust_brightness方法调整所有抓拍图片的亮度,并使用tensorflow的ttf.clip_by_value方法将调整亮度后的图片数据作为第一个参数传入到tf.image.adjust_brightness方法中,同时将
20、tf.image.adjust_brig htness方法的第二个参数设置为0.5;
21、使用tensorflow的tf.image.adjust_contrast方法调整所有抓拍图片的对比度,设置第二个参数为1,以将所有抓拍图片的对比度增加1倍。
22、完成识别后,将图像上传云端,云端中心服务器不定时对图像进行回归分析,生成新版本模型。
23、本专利技术与现有技术相比具有的有益效果是:
24、利用深度学习算法,结合图像处理,降低人工分辨质检不合格的误差率,有效节约了人员成本和时间成本,利用了云端发布特性,各客户端按需实时获取最新的模型。
本文档来自技高网...【技术保护点】
1.一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于,包括:以下步骤:
2.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述划分为训练集和测试集包括,收集待训练和测试的图像集,分别放入目录data_train和data_test目录内,使用train_test_split函数进行划分,将数据集划分为训练集和测试集。
3.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述将图像进行缩放、归一化、分割处理,加强深度学习训练集;包括使用ImageDataGenerator类对生成的训练集进行预处理,将训练集图像按放大、缩小、旋转方式进行增强训练集,最后放大至672×672像素大小。
4.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述基于tensorflow框架搭建resnet50模型;包括将使用预训练的ResNet50模型作为基础模型,即在卷积神经网络中加
5.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述利用训练集训练模型;包括:使用交叉熵损失、Adam优化器和准确率,通过fit_generator函数进行模型训练;设置批大小为32、迭代次数和回调函数。
6.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述利用测试集来评估训练好的模型,包括:使用测试集来评估训练好的模型,加载保存的最佳模型,然后使用evaluate_generator函数进行模型评估。
7.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述工厂图像采集服务器将该采集的图片输入至质检识别模型,以输出检测结果,包括:
...【技术特征摘要】
1.一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于,包括:以下步骤:
2.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述划分为训练集和测试集包括,收集待训练和测试的图像集,分别放入目录data_train和data_test目录内,使用train_test_split函数进行划分,将数据集划分为训练集和测试集。
3.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述将图像进行缩放、归一化、分割处理,加强深度学习训练集;包括使用imagedatagenerator类对生成的训练集进行预处理,将训练集图像按放大、缩小、旋转方式进行增强训练集,最后放大至672×672像素大小。
4.根据权利要求1所述的一种基于tensorflow的计算机视觉在生产制造中的质量检验方法,其特征在于:所述基于tensorflow框架搭建...
【专利技术属性】
技术研发人员:左强,
申请(专利权)人:四川启睿克科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。