本發(fā)明涉及產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)和方法，具體為基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法。

背景技術(shù)：

1、隨著工業(yè)生產(chǎn)的發(fā)展，產(chǎn)品質(zhì)量檢測(cè)變得越來越重要。傳統(tǒng)的質(zhì)檢方式主要依靠人工，存在效率低下、容易出現(xiàn)誤差等問題，近年來，隨著人工智能技術(shù)的發(fā)展，基于圖像識(shí)別的自動(dòng)化質(zhì)檢技術(shù)逐漸成熟，并在實(shí)際應(yīng)用中得到了廣泛應(yīng)用，目前已有的基于人工智能圖像識(shí)別的產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)和方法，通常包括以下步驟：采集樣本圖像、對(duì)圖像進(jìn)行預(yù)處理、進(jìn)行特征提取、建立模型進(jìn)行分類識(shí)別等，例如，專利cn111127386a提出了一種基于深度學(xué)習(xí)的圖像質(zhì)量評(píng)價(jià)方法，通過采集樣本圖像并對(duì)其進(jìn)行預(yù)處理和特征提取，建立了一個(gè)深度學(xué)習(xí)模型進(jìn)行圖像分類識(shí)別。

2、但是，傳統(tǒng)的產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)和方法存在以下缺點(diǎn)：

3、(1)現(xiàn)有技術(shù)中，人工質(zhì)檢的效率低下且容易出現(xiàn)誤差，需要更高效準(zhǔn)確的質(zhì)檢方法；

4、(2)利用傳感器檢測(cè)產(chǎn)品的物理特征，但這種方法對(duì)產(chǎn)品的要求較高，需要設(shè)計(jì)特殊的傳感器和檢測(cè)裝置，且在實(shí)際應(yīng)用中易受環(huán)境和操作條件等因素的影響。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，以解決上述背景技術(shù)中提出的現(xiàn)有技術(shù)中，人工質(zhì)檢的效率低下且容易出現(xiàn)誤差，需要更高效準(zhǔn)確的質(zhì)檢方法；利用傳感器檢測(cè)產(chǎn)品的物理特征，但這種方法對(duì)產(chǎn)品的要求較高，需要設(shè)計(jì)特殊的傳感器和檢測(cè)裝置，且在實(shí)際應(yīng)用中易受環(huán)境和操作條件等因素的影響的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，包括以下步驟：

3、步驟一、圖像采集：利用圖像采集裝置對(duì)等靜壓石墨方塊進(jìn)行圖像采集；

4、步驟二、圖像預(yù)處理：對(duì)采集到的圖像進(jìn)行預(yù)處理，包括去噪、灰度化、圖像增強(qiáng)、自適應(yīng)圖片縮放和自適應(yīng)錨框計(jì)算；

5、步驟三、特征提?。和ㄟ^backbone和卷積神經(jīng)網(wǎng)絡(luò)提取圖像的特征；

6、步驟四、數(shù)據(jù)校對(duì)：對(duì)提取后的特征進(jìn)行輸出端損失的數(shù)據(jù)校對(duì)；

7、步驟五、模型建立：采用深度學(xué)習(xí)技術(shù)進(jìn)行圖像分類并建立模型進(jìn)行分類識(shí)別；

8、步驟六、質(zhì)量檢測(cè)：模型自運(yùn)行對(duì)產(chǎn)品缺陷進(jìn)行分類標(biāo)注。

9、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟一中圖像采集裝置采集的具體過程為圖像采集裝置獲取到控制圖標(biāo)的觸發(fā)信息后生成控制指令，控制指令中攜帶有表征控制圖標(biāo)的身份信息，獲取身份信息對(duì)應(yīng)的控制參數(shù)，并將所述控制參數(shù)發(fā)送至操作系統(tǒng)，控制參數(shù)用于指示所述操作系統(tǒng)對(duì)圖像采集設(shè)備進(jìn)行初始化，調(diào)用初始化后的圖像采集設(shè)備進(jìn)行圖像采集。

10、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟二中圖像增強(qiáng)具體為mosaic數(shù)據(jù)增強(qiáng)則采用了4張圖片，隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式進(jìn)行拼接，所述步驟二中自適應(yīng)圖片縮放具體為在常用的目標(biāo)檢測(cè)算法中，不同的圖片長寬都不相同，因此常用的方式是將原始圖片統(tǒng)一縮放到一個(gè)標(biāo)準(zhǔn)尺寸，再送入檢測(cè)網(wǎng)絡(luò)中，對(duì)800*600的圖像進(jìn)行縮放，得到尺寸為416*416或608*608的圖像。

11、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟二中自適應(yīng)錨框計(jì)算具體為在使用的算法中，針對(duì)不同的數(shù)據(jù)集，都會(huì)有初始設(shè)定長寬的錨框，在網(wǎng)絡(luò)訓(xùn)練中，網(wǎng)絡(luò)在初始錨框的基礎(chǔ)上輸出預(yù)測(cè)框，進(jìn)而和真實(shí)框groundtruth進(jìn)行比對(duì)，計(jì)算兩者差距，再反向更新，迭代網(wǎng)絡(luò)參數(shù)。

12、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟三中backbone包括focus結(jié)構(gòu)、csp結(jié)構(gòu)和neck?fpn+pan結(jié)構(gòu)。

13、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述focus結(jié)構(gòu)為原始608*608*3的圖像輸入focus結(jié)構(gòu)，采用切片操作，先變成304*304*12的特征圖，再經(jīng)過一次32個(gè)卷積核的卷積操作，最終變成304*304*32的特征圖；所述csp結(jié)構(gòu)為每個(gè)csp模塊前面的卷積核的大小都是3*3，stride＝2，因此起到下采樣的作用，因?yàn)閎ackbone有5個(gè)csp模塊，輸入圖像是608*608，所以特征圖變化的規(guī)律是608->304->152->76->38->19，經(jīng)過5次csp模塊后得到19*19大小的特征圖，所述neck?fpn+pan結(jié)構(gòu)fpn是自頂向下的，將高層的特征信息通過上采樣的方式進(jìn)行傳遞融合，得到進(jìn)行預(yù)測(cè)的特征圖，而fpn層的后面還添加了一個(gè)自底向上兩個(gè)pan結(jié)構(gòu)。

14、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟四中輸出端數(shù)據(jù)校對(duì)具體為boundingbox損失函數(shù)：其中v是衡量長寬比一致性的參數(shù)，這樣公式就將目標(biāo)框回歸函數(shù)應(yīng)該考慮三個(gè)重要幾何因素：重疊面積、中心點(diǎn)距離，長寬比全都考慮進(jìn)去了。

15、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟五模型建立具體步驟為在pycharm中運(yùn)行python識(shí)別圖像程序，在文件中建立訓(xùn)練集，在images文件中放入需要訓(xùn)練的圖片，通過使用手動(dòng)標(biāo)注工具labeilmg對(duì)產(chǎn)品圖片缺陷進(jìn)行手動(dòng)標(biāo)注，標(biāo)注完成后放入labels文件夾內(nèi)，在pycharm中，項(xiàng)目文件運(yùn)行訓(xùn)練模型，在大量手動(dòng)標(biāo)注訓(xùn)練后，獲得檢測(cè)模型。

16、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述步驟六中質(zhì)量檢測(cè)具體為圖像采集設(shè)備捕捉到新的產(chǎn)品信息后，輸入主程序進(jìn)行檢測(cè)時(shí)，會(huì)自動(dòng)對(duì)產(chǎn)品缺陷進(jìn)行分類標(biāo)注。

17、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

18、1、本發(fā)明通過引入深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了自動(dòng)化檢測(cè)，提高了檢測(cè)效率和準(zhǔn)確性。

19、2、本發(fā)明利用大量數(shù)據(jù)訓(xùn)練通用的產(chǎn)品質(zhì)量檢測(cè)模型，具有較好的泛化能力，在不同的產(chǎn)品樣本上表現(xiàn)穩(wěn)定，避免了傳統(tǒng)方法需要針對(duì)不同產(chǎn)品制定不同的檢測(cè)方案的問題。

20、3、本發(fā)明提出基于云計(jì)算的產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)，對(duì)大量產(chǎn)品進(jìn)行快速高效地檢測(cè)和分析，大幅提高了檢測(cè)效率和準(zhǔn)確性。

技術(shù)特征：

1.基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述步驟一中圖像采集裝置采集的具體過程為圖像采集裝置獲取到控制圖標(biāo)的觸發(fā)信息后生成控制指令，控制指令中攜帶有表征控制圖標(biāo)的身份信息，獲取身份信息對(duì)應(yīng)的控制參數(shù)，并將所述控制參數(shù)發(fā)送至操作系統(tǒng)，控制參數(shù)用于指示所述操作系統(tǒng)對(duì)圖像采集設(shè)備進(jìn)行初始化，調(diào)用初始化后的圖像采集設(shè)備進(jìn)行圖像采集。

3.根據(jù)權(quán)利要求1所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述步驟二中圖像增強(qiáng)具體為mosaic數(shù)據(jù)增強(qiáng)則采用了4張圖片，隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式進(jìn)行拼接，所述步驟二中自適應(yīng)圖片縮放具體為在常用的目標(biāo)檢測(cè)算法中，不同的圖片長寬都不相同，因此常用的方式是將原始圖片統(tǒng)一縮放到一個(gè)標(biāo)準(zhǔn)尺寸，再送入檢測(cè)網(wǎng)絡(luò)中，對(duì)800*600的圖像進(jìn)行縮放，得到尺寸為416*416或608*608的圖像。

4.根據(jù)權(quán)利要求1所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述步驟二中自適應(yīng)錨框計(jì)算具體為在使用的算法中，針對(duì)不同的數(shù)據(jù)集，都會(huì)有初始設(shè)定長寬的錨框，在網(wǎng)絡(luò)訓(xùn)練中，網(wǎng)絡(luò)在初始錨框的基礎(chǔ)上輸出預(yù)測(cè)框，進(jìn)而和真實(shí)框groundtruth進(jìn)行比對(duì)，計(jì)算兩者差距，再反向更新，迭代網(wǎng)絡(luò)參數(shù)。

5.根據(jù)權(quán)利要求1所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述步驟三中backbone包括focus結(jié)構(gòu)、csp結(jié)構(gòu)和neck?fpn+pan結(jié)構(gòu)。

6.根據(jù)權(quán)利要求5所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述focus結(jié)構(gòu)為原始608*608*3的圖像輸入focus結(jié)構(gòu)，采用切片操作，先變成304*304*12的特征圖，再經(jīng)過一次32個(gè)卷積核的卷積操作，最終變成304*304*32的特征圖；所述csp結(jié)構(gòu)為每個(gè)csp模塊前面的卷積核的大小都是3*3，stride＝2，因此起到下采樣的作用，因?yàn)閎ackbone有5個(gè)csp模塊，輸入圖像是608*608，所以特征圖變化的規(guī)律是608->304->152->76->38->19，經(jīng)過5次csp模塊后得到19*19大小的特征圖，所述neck?fpn+pan結(jié)構(gòu)fpn是自頂向下的，將高層的特征信息通過上采樣的方式進(jìn)行傳遞融合，得到進(jìn)行預(yù)測(cè)的特征圖，而fpn層的后面還添加了一個(gè)自底向上兩個(gè)pan結(jié)構(gòu)。

7.根據(jù)權(quán)利要求1所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述步驟四中輸出端數(shù)據(jù)校對(duì)具體為bounding?box損失函數(shù)：其中v是衡量長寬比一致性的參數(shù)，這樣公式就將目標(biāo)框回歸函數(shù)應(yīng)該考慮三個(gè)重要幾何因素：重疊面積、中心點(diǎn)距離，長寬比全都考慮進(jìn)去。

8.根據(jù)權(quán)利要求1所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述步驟五模型建立具體步驟為在pycharm中運(yùn)行python識(shí)別圖像程序，在文件中建立訓(xùn)練集，在images文件中放入需要訓(xùn)練的圖片，通過使用手動(dòng)標(biāo)注工具labeilmg對(duì)產(chǎn)品圖片缺陷進(jìn)行手動(dòng)標(biāo)注，標(biāo)注完成后放入labels文件夾內(nèi)，在pycharm中，項(xiàng)目文件運(yùn)行訓(xùn)練模型，在大量手動(dòng)標(biāo)注訓(xùn)練后，獲得檢測(cè)模型。

9.根據(jù)權(quán)利要求1所述的基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，其特征在于：所述步驟六中質(zhì)量檢測(cè)具體為圖像采集設(shè)備捕捉到新的產(chǎn)品信息后，輸入主程序進(jìn)行檢測(cè)時(shí)，會(huì)自動(dòng)對(duì)產(chǎn)品缺陷進(jìn)行分類標(biāo)注。

技術(shù)總結(jié)
本發(fā)明公開了基于人工智能圖像識(shí)別的等靜壓石墨方塊質(zhì)量檢測(cè)方法，包括以下步驟：步驟一、圖像采集：利用圖像采集裝置對(duì)等靜壓石墨方塊進(jìn)行圖像采集；步驟二、圖像預(yù)處理：對(duì)采集到的圖像進(jìn)行預(yù)處理，包括去噪、灰度化、圖像增強(qiáng)、自適應(yīng)圖片縮放和自適應(yīng)錨框計(jì)算；本發(fā)明通過引入深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了自動(dòng)化檢測(cè)，提高了檢測(cè)效率和準(zhǔn)確性；本發(fā)明利用大量數(shù)據(jù)訓(xùn)練通用的產(chǎn)品質(zhì)量檢測(cè)模型，具有較好的泛化能力，在不同的產(chǎn)品樣本上表現(xiàn)穩(wěn)定，避免了傳統(tǒng)方法需要針對(duì)不同產(chǎn)品制定不同的檢測(cè)方案的問題；本發(fā)明提出基于云計(jì)算的產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)，對(duì)大量產(chǎn)品進(jìn)行快速高效地檢測(cè)和分析，大幅提高了檢測(cè)效率和準(zhǔn)確性。

技術(shù)研發(fā)人員：張桐銘,楊正林,劉昌明,胡明國,張桂祿,李化學(xué),張澤榮,李傳明
受保護(hù)的技術(shù)使用者：四川士達(dá)特種炭材有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/31