【技术实现步骤摘要】
本专利技术涉及热轧带钢表面检测，尤其涉及一种基于端边协同的热轧带钢表面缺陷检测系统及方法。
技术介绍
1、热轧带钢作为主要的钢铁产品之一，具有高强度、耐蚀、低温韧性等性能。但在热轧带钢的实际生产环境中，由于原材料质量，设备性能和加工技术等多因素影响，热轧带钢制造过程中可能出现各类表面缺陷，包括但不限于斑点、裂纹、划痕、点状缺陷、水滴状缺陷等。这些缺陷都会对产品的外观品质、耐腐蚀特性乃至疲劳强度构成潜在威胁。早期的缺陷识别算法对小目标缺陷的检测能力比较差，比如检测不出裂纹，凹坑等一些细节上的缺陷。因此，如何高效检测出热轧带钢的表面缺陷显得尤为重要。
2、传统的热轧带钢一般是通过生产环境中的摄像头对热轧带钢表面图片进行采集，然后将图片传输到云服务器上，云服务器通过强大的图像处理能力分析出图片对应的缺陷信息。由于热轧带钢采集需要多个摄像头配合，所以采集时会产生大量实时数据。这些数据不断传输到云服务器上，等待数据处理结果。在数据处理等待和传输过程中,需要增加一定的等待延迟，这与热轧带钢表面检测快速响应的业务需求，形成了矛盾。
3、经检索，专利申请号202210087345.x，申请日为2022年1月25日，专利技术创造名称为：基于云边端协同的工件表面粗糙度在线检测方法及系统，该申请案利用智能粗糙度检测装置采集工件表面图像，并分别上传至云平台和智能终端；云平台构建粗糙度等级识别模型，并根据智能粗糙度检测装置采集的数据对模型进行训练，获得最优的粗糙度等级识别模型；智能终端利用云平台获取的最优粗糙度等级识别模型进行粗糙
技术实现思路
1、1.专利技术要解决的技术问题
2、面对热轧带钢表面检测高效的响应业务需求，本专利技术提供了一种基于端边协同的热轧带钢表面缺陷检测系统及方法，本专利技术设计了一种适合热轧带钢表面检测环境下的云+边缘服务器+嵌入式设备的三层资源架构，充分考虑数据的时延问题。在满足热轧带钢缺陷检测准确率的前提下减低检测时延，减少任务的传输成本，加快任务响应速度。
3、2.技术方案
4、为达到上述目的，本专利技术提供的技术方案为：
5、本专利技术的基于端边协同的热轧带钢表面缺陷检测系统，包括表面信息采集框架、表面缺陷训练框架和表面检测框架；
6、所述的表面缺陷训练框架通过云端节点对已有的训练集进行训练，训练得出的图像识别模型自动分发到表面检测框架的各节点上；云端节点不断检测训练集是否有更新，如果有，云端节点根据训练参数重新进行训练，并将得出的新模型再次下发替换之前的模型；
7、所述的表面信息采集框架通过嵌入式设备的输入设备来获取热轧带钢的图像信息，嵌入式设备获取热轧带钢图像信息后通过模块选择算法选择是在本地预测热轧带钢图片，还是上传到边缘服务器上预测，再接收边缘服务器预测结果；最后嵌入式设备将热轧带钢图片和热轧带钢预测结果发送至电脑端。
8、本专利技术的基于端边协同的热轧带钢表面缺陷检测方法，包括如下步骤：
9、步骤1、pc端将热轧带钢表面缺陷训练集上传到云端；
10、步骤2、云端节点对已有的训练集进行预处理，并根据设定参数进行训练，得到最后的训练模型；
11、步骤3、云端节点将训练出的模型分发到表面检测框架的各节点上，嵌入式设备或边缘服务器利用已经训练好的模型进行热轧带钢表面缺陷检测；
12、步骤4、云端节点不断检测是否有上传新的训练集和训练请求，如果有，再次根据参数重新训练并生成新模型，然后下发并替换之前的模型；
13、步骤5、嵌入式设备的输入设备获取热轧带钢的图像信息并对图像进行预处理；
14、步骤6、嵌入式设备通过资源感知模块得到各节点的性能参数；
15、步骤7、嵌入式设备通过模块选择算法，利用感知的性能参数，判断图片在本地预测还是上传到边缘服务器预测；
16、步骤8、如果嵌入式设备选择在本地进行预测，则直接调用模型进行预测；如果选择在边缘端节点预测，则先将图片数据通过http协议传输到边缘端节点，待图片预测完成后，再将结果返回到嵌入式设备；
17、步骤9、嵌入式设备将在本地和在边缘端的图片预测信息整合并发送到pc端，并在pc端的系统可视化界面上显示。
18、更进一步地，步骤6中，嵌入式设备通过flask机制触发k8s集群中的资源文件获取程序，得到k8s集群的配置文件并通过python的psutil模块和kubernetes模块结合k8s中的metrics监控组件，得到集群中所有节点的性能参数。
19、更进一步地，所述性能参数包括所有节点的cpu个数、cpu利用率、cpu计算能力、内存大小以及内存利用率。
20、更进一步地，步骤7中，嵌入式设备通过模块选择算法，利用感知的性能参数，通过公式运算，得到嵌入式设备以及边缘服务器k8s各节点的打分情况，根据分数高低，最终确定是在嵌入式设备进行预测，还是上传到边缘服务器进行预测。
21、更进一步地，嵌入式设备拍摄新图片并进行预处理后，资源感知模块获取嵌入式设备cpu利用率cpu_per，设置阈值y，当cpu_per小于y时，图片直接在嵌入式设备进行预测，否则将根据嵌入式设备和边缘服务器的具体情况来判断。
22、更进一步地，根据下式分别对嵌入式设备和边缘端节点进行打分：
23、[cpu_num*(1-cpu_per)*cpu_cap]*80％+[mem_num*(1-mem_per)]*20％
24、式中，cpu_num表示cpu个数，cpu_cap表示cpu计算能力，mem_num表示内存大小，mem_per表示内存利用率，cpu_per表示cpu利用率。
25、3.有益效果
26、采用本专利技术提供的技术方案，与已有的公知技术相比，具有如下显著效果：
27、(1)本专利技术首先建立了云+边缘服务器+嵌入式设备的三层资源架构，在此架构中通过云端节点训练模型并分发到热轧带钢表面检测框架的各节点上，以便于嵌入式设备或边缘服务器利用已经训练好的模型进行热轧带钢表面缺陷检测。通过资源感知模块得到各节点的性能参数以及模块选择算法对嵌入式设备的任务做出卸载决策，来判断任务是需要卸载到边缘端还是直接在本地执行，进而来降低任务时延，该方法可以有效的保证工业应用的服务质量(quality of service,qos)。
28、(2)本专利技术构建的云+边缘服务器+嵌入式设备的三层资源架构，对热轧带钢表面缺陷的识别由嵌入式设备加边缘服务器协同完成，通过模块选择算法计算最优卸载策略，将任务卸载到工业设备一端的边缘服务器或直接在本本文档来自技高网...
【技术保护点】
1.基于端边协同的热轧带钢表面缺陷检测系统，其特征在于：包括表面信息采集框架、表面缺陷训练框架和表面检测框架；
2.一种利用权利要求1所述系统进行热轧带钢表面缺陷检测的方法，其特征在于，包括如下步骤：
3.根据权利要求2所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤2需要设定的参数包括训练图片种类、训练轮数、每轮训练图片数量、图像训练准确率。
4.根据权利要求3所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤6中，嵌入式设备通过Flask机制触发K8S集群中的资源文件获取程序，得到K8S集群的配置文件并通过Python的psutil模块和kubernetes模块结合K8S中的metrics监控组件，得到集群中所有节点的性能参数。
5.根据权利要求4所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤6中，所述性能参数包括所有节点的CPU个数、CPU利用率、cpu计算能力、内存大小以及内存利用率。
6.根据权利要求5所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤7中，
7.根据权利要求6所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：嵌入式设备拍摄新图片并进行预处理后，资源感知模块获取嵌入式设备cpu利用率cpu_per，设置阈值y，当cpu_per小于y时，图片直接在嵌入式设备进行预测，否则将根据嵌入式设备和边缘服务器的具体情况来判断。
8.根据权利要求7所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：根据下式分别对嵌入式设备和边缘端节点进行打分：
9.根据权利要求8所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤8中图片训练与预测使用基于pytorch框架的YOLOV5目标检测算法。
10.根据权利要求9所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤9所述图片预测信息包括预测图片ID、预测图片名称、预测图片类别、预测路径、预测时间、预测图片大小。
...【技术特征摘要】
1.基于端边协同的热轧带钢表面缺陷检测系统，其特征在于：包括表面信息采集框架、表面缺陷训练框架和表面检测框架；
2.一种利用权利要求1所述系统进行热轧带钢表面缺陷检测的方法，其特征在于，包括如下步骤：
3.根据权利要求2所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤2需要设定的参数包括训练图片种类、训练轮数、每轮训练图片数量、图像训练准确率。
4.根据权利要求3所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤6中，嵌入式设备通过flask机制触发k8s集群中的资源文件获取程序，得到k8s集群的配置文件并通过python的psutil模块和kubernetes模块结合k8s中的metrics监控组件，得到集群中所有节点的性能参数。
5.根据权利要求4所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤6中，所述性能参数包括所有节点的cpu个数、cpu利用率、cpu计算能力、内存大小以及内存利用率。
6.根据权利要求5所述的基于端边协同的热轧带钢表面缺陷检测方法，其特征在于：步骤7...
【专利技术属性】
技术研发人员：郑啸，汤宇航，何诗兴，余晔，周道付，薛明磊，王冬冬，齐中康，
申请(专利权)人：安徽工业大学，
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。