【技术实现步骤摘要】
本专利技术涉及质检模型优化，具体涉及一种针对个性化智能制造的质检模型持续优化方法及系统。
技术介绍
1、当前，在推进工业制造数字化升级、实施智能制造的过程中，其关键问题之一就是对于生产线上所制造工业产品的质量，如何用自动化的技术对其进行质量检测，从而实现从原料加工、生产到后端质量检测的端到端的自动化生产线。随着计算机视觉技术的发展，有很多企业已经开始采用基于深度学习算法的图像检测方法来自动发现产品的缺陷并进行分拣（这种系统往往被称为质检系统）。但一方面由于产品是持续变化的，初始训练的模型往往会存在一定程度的误判或者漏检的情况，另一方面从深度学习本身的角度，也是需要通过在实际使用过程的对漏检或者误判缺陷的持续学习，才能不断提高模型检测的精度。因此，这种技术在实际应用的过程中，往往会由质检部门根据当前订单的检测情况，进行抽查或者手工遍历的方式，对检测过程留下的图片进行筛选，挑选出漏检或者误判的图片，并重新标注，然后由算法工程师对模型进行重新训练。
2、在生产过程中，往往会有大量的图片被拍摄出来，对于现场工人或者质检专员，往往很难在第一时间就对所有的图片进行抽查或者遍历，因此，现有的视觉质检系统往往都是在检测的第二天之后，再由人工对检测过的订单进行抽查或者根据质检系统检测出的缺陷率情况，对可能存在异常的订单进行人工复核，分析问题原因，对于生产工艺问题，则由问题原因反馈后，在后续的生产过程中再进行调整，对于漏检或者误判的缺陷，则由人工挑选出漏检或者误判的图片，重新进行标注，然后再上传到模型训练平台，由算法工程师进入后续模型的
3、这种方法由于是事后分析，因此一方面无法在生产过程及时发现工艺或者制造过程问题，从而即便在事后分析出了原因，也已经无法及时调整或者纠正生产过程的问题，并且也已经造成了生产过程的浪费；另一方面，往往需要花费比较大的人力成本在事后进行图片分析并重新回送到模型训练平台中，也影响了模型的迭代更新速度。
4、在实际的工业生产中，对于一个相对稳定的生产线来说，其生产产品的缺陷率是相对固定的，一旦某个订单的产品通过质检系统时，其缺陷率超过了一定的界限或者低于一定界限，就说明要么是质检系统存在误判或者漏检，要么是该批次的产品存在严重的质量问题。因此，我们可以利用这个特点，对质检过程的缺陷率进行实时计算分析，从而及时发现缺陷率异常的订单，并通知人工及时进行干预，对于产品存在严重质量问题的情况，一旦发现是前道或者当前工序存在的生产问题，就要及时进行调整，才能够避免批量性的产品问题，减少生产过程浪费。而对于质检系统存在的误判或者漏检问题，则应该及时进行处理，找出误判或者漏检的图片，对图片进行标注，并对质检模型进行重新训练，从而实现模型的持续学习升级，避免下次免得同样问题时，模型再次出现误判或者漏检的情况。
5、这里存在两个主要的技术问题：1、如何在生产过程中对订单缺陷率进行计算并与产品相对固定的缺陷率进行比较，同时又如何建立订单质检数据与图片之间的关系，使得现场质检专员能够根据订单质检数据查看对应图片，从而进行图片筛选；2、如何将经过人工实时反馈挑选的漏检或者误判图片反馈会算法训练平台对应模型的图片集上。
技术实现思路
1、本专利技术的目的是针对现有技术存在的不足，提供一种针对个性化智能制造的质检模型持续优化方法及系统。
2、为实现上述目的，在第一方面，本专利技术提供了一种针对个性化智能制造的质检模型持续优化方法，包括：
3、在gpu服务器对产品待检测的图片检测时，将所述图片实时存储至分布式文件节点中，并获取所述图片的url地址，并在通过多个部件检测模型对一个产品检测完成后，将该产品的质检数据以及该产品在分布式文件节点中存储的若干图片的url地址同时发送至数据缓存队列中，所述质检数据包括当前检测的图片名称和检测结果；
4、从所述缓存队列中获取产品的质检数据及其若干图片的url地址，并根据当前订单的所有质检数据计算获得统计结果，所述统计结果包括当前订单的检测总数、次品总数、缺陷总数和各类缺陷数量，且将当前订单的质检数据、统计结果、图片名称及其对应的url地址和缺陷存储至数据库中；
5、根据所述统计结果计算当前订单的异常缺陷率为：次品总数/检测总数，将当前订单的异常缺陷率进行存储，并判断当前订单的异常缺陷率是否在设定的缺陷阈值范围内，若当前订单的异常缺陷率不在设定的缺陷阈值范围内，则通过图片名称及其对应的url地址将该订单的质检数据及其对应的图片关联；
6、将关联的质检数据及其对应的图片进行播放，以使相关人员查找并筛选出检测异常的图片，并控制将筛选出的检测异常的图片进行存储；
7、获取当前订单的产品名称和检测工序信息，并基于预先设定的产品名称和检测工序信息与项目id之间的映射关系获取相应的项目id，根据所述项目id将存储的检测异常的图片回传至算法训练平台上对应的训练图片集中。
8、进一步的，还包括：
9、在当前订单的异常缺陷率不在设定的缺陷阈值范围内时，以设定的方式发送警告通知。
10、进一步的，所述关联的质检数据及其对应的图片以产品的纬度进行播放。
11、在第二方面，本专利技术提供了一种针对个性化智能制造的质检模型持续优化系统，包括：
12、gpu服务器，用以在对产品待检测的图片检测时，将所述图片实时存储至分布式文件节点中，并获取所述图片的url地址，并在通过多个部件检测模型对一个产品检测完成后，将该产品的质检数据以及该产品在分布式文件节点中存储的若干图片的url地址同时发送至数据缓存队列中，所述质检数据包括当前检测的图片名称和检测结果；
13、质检数据及图片管理关系数据存储模块，用以从所述缓存队列中获取产品的质检数据及其若干图片的url地址，并根据当前订单的所有质检数据计算获得统计结果，所述统计结果包括当前订单的检测总数、次品总数、缺陷总数和各类缺陷数量，且将当前订单的质检数据、统计结果、图片名称及其对应的url地址和缺陷存储至数据库中；
14、异常缺陷率实时计算分析模块，用以从所述缓存队列中获取产品的质检数据及其若干图片的url地址，并从质检数据及图片管理关系数据存储模块获取当前订单的统计结果，并根据所述统计结果计算当前订单的异常缺陷率为：次品总数/检测总数，将当前订单的异常缺陷率进行存储，并判断当前订单的异常缺陷率是否在设定的缺陷阈值范围内，若当前订单的异常缺陷率不在设定的缺陷阈值范围内，则通过图片名称及其对应的url地址将该订单的质检数据及其对应的图片关联；
15、质检数据及图片数据展示模块，用以将关联的质检数据及其对应的图片进行播放，以使相关人员查找并筛选出检测异常的图片；
16、存储及回传模块，用以获取当前订单的产品名称和检测工序信息，并基于预先设定的产品名称和检测工序信息与项目id之间的映射关系获取相应的项目id，根据所述项目id将存储的检测异常的图片回传至算法训练平台上对应的训练图片本文档来自技高网...
【技术保护点】
1.一种针对个性化智能制造的质检模型持续优化方法，其特征在于，包括：
2.根据权利要求1所述的一种针对个性化智能制造的质检模型持续优化方法，其特征在于，还包括：
3.根据权利要求1所述的一种针对个性化智能制造的质检模型持续优化方法，其特征在于，所述关联的质检数据及其对应的图片以产品的纬度进行播放。
4.一种针对个性化智能制造的质检模型持续优化系统，其特征在于，包括：
5.根据权利要求4所述的一种针对个性化智能制造的质检模型持续优化系统，其特征在于，还包括异常缺陷率告警通知管理模块，所述异常缺陷率告警通知管理模块用以在当前订单的异常缺陷率不在设定的缺陷阈值范围内时，以设定的方式发送警告通知。
6.根据权利要求4所述的一种针对个性化智能制造的质检模型持续优化系统，其特征在于，所述关联的质检数据及其对应的图片以产品的纬度进行播放。
【技术特征摘要】
1.一种针对个性化智能制造的质检模型持续优化方法，其特征在于，包括：
2.根据权利要求1所述的一种针对个性化智能制造的质检模型持续优化方法，其特征在于，还包括：
3.根据权利要求1所述的一种针对个性化智能制造的质检模型持续优化方法，其特征在于，所述关联的质检数据及其对应的图片以产品的纬度进行播放。
4.一种针对个性化智能制造的质检模型持续优化系统，其特征在于，...
【专利技术属性】
技术研发人员：李国志，刘鹤辉，滕华，
申请(专利权)人：南京认知物联网研究院有限公司，
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。