Nothing Special   »   [go: up one dir, main page]

CN118691055A - 一种基于物联网技术的工业信息综合管理方法及系统 - Google Patents

一种基于物联网技术的工业信息综合管理方法及系统 Download PDF

Info

Publication number
CN118691055A
CN118691055A CN202411183825.1A CN202411183825A CN118691055A CN 118691055 A CN118691055 A CN 118691055A CN 202411183825 A CN202411183825 A CN 202411183825A CN 118691055 A CN118691055 A CN 118691055A
Authority
CN
China
Prior art keywords
station
product
industrial
training
detection model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202411183825.1A
Other languages
English (en)
Other versions
CN118691055B (zh
Inventor
曹渝常
周海河
杨会生
陈磊
陈桂斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
C Top Electronics Co ltd
Original Assignee
C Top Electronics Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by C Top Electronics Co ltd filed Critical C Top Electronics Co ltd
Priority to CN202411183825.1A priority Critical patent/CN118691055B/zh
Publication of CN118691055A publication Critical patent/CN118691055A/zh
Application granted granted Critical
Publication of CN118691055B publication Critical patent/CN118691055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物联网技术的工业信息综合管理方法及系统，涉及物联网技术领域。其中，该方法包括采集工业生产线上使用的原料的批次信息；对处于生产工序环节的工业生产线上的产品进行过站检测，生成过站检测记录；在产品生产完成并进入出厂包装环节之前，获取产品的过站检测记录；判断产品的过站检测记录是否满足预设条件；在产品的过站检测记录满足预设条件的情况下，对产品进行出厂包装。本申请实现了工业生产线上工业产品的自动化生产、自动化检测与自动化包装，提高了对工业生产线的管理效率，同时降低了管理工业生产线的人工成本。

Description

一种基于物联网技术的工业信息综合管理方法及系统
技术领域
本申请涉及物联网技术领域，具体而言，涉及一种基于物联网技术的工业信息综合管理方法及系统。
背景技术
工业产品在生产管理过程中需要人工进行信息统计筛选以及质量检测，而人工操作不仅容易出错，同时会导致零件的损伤。可以理解，采用人工来管理与操作不仅效率低，同时成本过高。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种基于物联网技术的工业信息综合管理方法及系统，以解决上述技术问题。
本申请提供了一种基于物联网技术的工业信息综合管理方法，采集工业生产线上使用的原料的批次信息；对处于生产工序环节的所述工业生产线上的产品进行过站检测，生成过站检测记录；在所述产品生产完成并进入出厂包装环节之前，获取所述产品的所述过站检测记录；判断所述产品的所述过站检测记录是否满足预设条件；在所述产品的所述过站检测记录满足所述预设条件的情况下，对所述产品进行出厂包装。
进一步地，所述对处于生产工序环节的所述工业生产线上的产品进行过站检测，生成过站检测记录，包括：通过拍摄装置采集处于生产工序环节的所述工业生产线上的产品在基础生产工序检测站点的第一全景视频数据流以及在当前生产工序检测站点的第二全景视频数据流；对所述第一全景视频数据流及所述第二全景视频数据流进行畸变校正，得到第一校正视频流和第二校正视频流；对第一校正视频流和第二校正视频流中所述产品的缺陷关键点进行标注，构造多分类训练数据集；通过所述多分类训练数据集训练缺陷检测模型，其中，所述缺陷检测模型基于互信息法和皮尔逊系数法构建；将所述第一校正视频流输入训练完成的所述缺陷检测模型，以生成所述过站检测记录。
进一步地，所述通过所述多分类训练数据集训练缺陷检测模型，包括：将所述多分类训练数据集分解为n路视频流信息对应的n帧静态图像；其中，n为正整数；基于所述互信息法和所述皮尔逊系数法对所述n帧静态图像进行时序特征提取，得到时序特征向量；对所述时序特征向量基于双阶段时序注意力机制进行预测，从而得到时序预测序列；以所述时序预测序列优化所述缺陷检测模型的损失函数；所述缺陷检测模型的参数包括权重矩阵以及偏置量，其中，所述缺陷检测模型的优化训练流程为：设置所述缺陷检测模型的当前优化训练次数为d，最大训练次数为，其中d的初始值为0；设置第d+1次优化训练的损失函数Loss:
其中，m为所述时序预测序列中序列数量，表示期望输出，表示经过训练后的输出值，n表示连接权值的总数，表示前馈神经网络的权值矩阵，表示第d次优化训练后，所述缺陷检测模型的错误率；基于循环神经网络对训练得到的所述缺陷检测模型进行优化。
进一步地，所述基于循环神经网络对训练得到的所述缺陷检测模型进行优化，包括：建立所述循环神经网络的主干网络；建立所述循环神经网络的多尺度融合模块；建立所述循环神经网络的分类头模块；将所述n帧静态图像输入所述分类头模块分别进行特征提取，得到n个特征向量；利用差分采样策略对所述n个特征向量进行差分采样；以经过所述差分采样的所述n个特征向量对所述缺陷检测模型进行优化训练；其中，所述利用差分采样策略对所述n个特征向量进行差分采样包括：计算所述n个特征向量对应的失衡率，其中K表示所述n个特征向量中包含缺陷关键点的数量，表示所述n个特征向量中不包含缺陷关键点的数量；分别计算所述n个特征向量中任意两个向量之间的距离，并基于以下表达式计算所述n个特征向量中缺陷特征向量的局部密度：
其中，表示缺陷特征向量的局部密度；dis表示距离阈值；表示所述n个特征向量中与缺陷特征向量距离在dis范围内的向量数量。
进一步地，设置学习率为0.02，优化训练得到最优模型参数，基于最优模型参数构建得到训练后的所述缺陷检测模型。
进一步地，在所述产品的所述过站检测记录不满足所述预设条件的情况下，对所述产品进行拦截。
进一步地，在所述对所述产品进行出厂包装之后，所述方法还包括：将所述产品的信息上报到工业标识解析节点平台，以实现对所述产品的工业标识解析。
本申请还提供了一种基于物联网技术的工业信息综合管理系统，包括原料信息采集单元、过站检测记录生成单元、过站检测记录获取单元以及出厂包装单元；其中，
所述原料信息采集单元，用于采集工业生产线上使用的原料的批次信息；所述过站检测记录生成单元，用于对处于生产工序环节的所述工业生产线上的产品进行过站检测，生成过站检测记录；所述过站检测记录获取单元，用于在所述产品生产完成并进入出厂包装环节之前，获取所述产品的所述过站检测记录；所述出厂包装单元，用于判断所述产品的所述过站检测记录是否满足预设条件；在所述产品的所述过站检测记录满足所述预设条件的情况下，对所述产品进行出厂包装。
本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述基于物联网技术的工业信息综合管理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质 ，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述基于物联网技术的工业信息综合管理方法。
基于本申请提供的实施例，采集工业生产线上使用的原料的批次信息；对处于生产工序环节的工业生产线上的产品进行过站检测，生成过站检测记录；在产品生产完成并进入出厂包装环节之前，获取产品的过站检测记录；判断产品的过站检测记录是否满足预设条件；在产品的过站检测记录满足预设条件的情况下，对产品进行出厂包装。从而实现了工业生产线上工业产品的自动化生产、自动化检测与自动化包装，提高了对工业生产线的管理效率，同时降低了管理工业生产线的人工成本。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为根据本申请实施例的一种可选的基于物联网技术的工业信息综合管理方法的流程图；
图2为根据本申请实施例的另一种可选的基于物联网技术的工业信息综合管理方法的流程图；
图3为根据本申请实施例的一种可选的基于物联网技术的工业信息综合管理系统的结构图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，本申请提供了一种基于物联网技术的工业信息综合管理方法，包括：
S101，采集工业生产线上使用的原料的批次信息；
S102，对处于生产工序环节的工业生产线上的产品进行过站检测，生成过站检测记录；
S103，在产品生产完成并进入出厂包装环节之前，获取产品的过站检测记录；
S104，判断产品的过站检测记录是否满足预设条件；
S105，在产品的过站检测记录满足预设条件的情况下，对产品进行出厂包装。
基于本申请提供的实施例，采集工业生产线上使用的原料的批次信息；对处于生产工序环节的工业生产线上的产品进行过站检测，生成过站检测记录；在产品生产完成并进入出厂包装环节之前，获取产品的过站检测记录；判断产品的过站检测记录是否满足预设条件；在产品的过站检测记录满足预设条件的情况下，对产品进行出厂包装。从而实现了工业生产线上工业产品的自动化生产、自动化检测与自动化包装，提高了对工业生产线的管理效率，同时降低了管理工业生产线的人工成本。
进一步地，如图2所示，对处于生产工序环节的工业生产线上的产品进行过站检测，生成过站检测记录，包括：
S201，通过拍摄装置采集处于生产工序环节的工业生产线上的产品在基础生产工序检测站点的第一全景视频数据流以及在当前生产工序检测站点的第二全景视频数据流；
S202，对第一全景视频数据流及第二全景视频数据流进行畸变校正，得到第一校正视频流和第二校正视频流；
S203，对第一校正视频流和第二校正视频流中产品的缺陷关键点进行标注，构造多分类训练数据集；
S204，通过多分类训练数据集训练缺陷检测模型，其中，缺陷检测模型基于互信息法和皮尔逊系数法构建；
S205，将第一校正视频流输入训练完成的缺陷检测模型，以生成过站检测记录。
进一步地，通过多分类训练数据集训练缺陷检测模型，包括：
将多分类训练数据集分解为n路视频流信息对应的n帧静态图像；其中，n为正整数；
基于互信息法和皮尔逊系数法对n帧静态图像进行时序特征提取，得到时序特征向量；
对时序特征向量基于双阶段时序注意力机制进行预测，从而得到时序预测序列；
以时序预测序列优化缺陷检测模型的损失函数；缺陷检测模型的参数包括权重矩阵以及偏置量，其中，缺陷检测模型的优化训练流程为：
设置缺陷检测模型的当前优化训练次数为，最大训练次数为，其中d的初始值为0；设置第d+1次优化训练的损失函数Loss:
其中，m为时序预测序列中序列数量，表示期望输出，表示经过训练后的输出值，n表示连接权值的总数，表示前馈神经网络的权值矩阵，表示第d次优化训练后，缺陷检测模型的错误率；
基于循环神经网络对训练得到的缺陷检测模型进行优化。
进一步地，基于循环神经网络对训练得到的缺陷检测模型进行优化，包括：
建立循环神经网络的主干网络；建立循环神经网络的多尺度融合模块；建立循环神经网络的分类头模块；将n帧静态图像输入分类头模块分别进行特征提取，得到n个特征向量；
利用差分采样策略对n个特征向量进行差分采样；以经过差分采样的n个特征向量对缺陷检测模型进行优化训练；其中，利用差分采样策略对n个特征向量进行差分采样包括：
计算n个特征向量对应的失衡率，其中K表示n个特征向量中包含缺陷关键点的数量，表示n个特征向量中不包含缺陷关键点的数量；
分别计算n个特征向量中任意两个向量之间的距离，并基于以下表达式计算n个特征向量中缺陷特征向量的局部密度：
其中，表示缺陷特征向量的局部密度；dis表示距离阈值；表示n个特征向量中与缺陷特征向量距离在dis范围内的向量数量。
进一步地，设置学习率为0.02，优化训练得到最优模型参数，基于最优模型参数构建得到训练后的缺陷检测模型。
进一步地，在产品的过站检测记录不满足预设条件的情况下，对产品进行拦截。
进一步地，在对产品进行出厂包装之后，方法还包括：
将产品的信息上报到工业标识解析节点平台，以实现对产品的工业标识解析。
如图3所示，本申请提供了一种基于物联网技术的工业信息综合管理系统，该系统实现上述的一种基于物联网技术的工业信息综合管理方法，该系统包括原料信息采集单元301、过站检测记录生成单元302、过站检测记录获取单元303以及出厂包装单元304；其中，
原料信息采集单元301，用于采集工业生产线上使用的原料的批次信息；
过站检测记录生成单元302，用于对处于生产工序环节的工业生产线上的产品进行过站检测，生成过站检测记录；
过站检测记录获取单元303，用于在产品生产完成并进入出厂包装环节之前，获取产品的过站检测记录；
出厂包装单元304，用于判断产品的过站检测记录是否满足预设条件；在产品的过站检测记录满足预设条件的情况下，对产品进行出厂包装。
基于本申请提供的实施例，采集工业生产线上使用的原料的批次信息；对处于生产工序环节的工业生产线上的产品进行过站检测，生成过站检测记录；在产品生产完成并进入出厂包装环节之前，获取产品的过站检测记录；判断产品的过站检测记录是否满足预设条件；在产品的过站检测记录满足预设条件的情况下，对产品进行出厂包装。从而实现了工业生产线上工业产品的自动化生产、自动化检测与自动化包装，提高了对工业生产线的管理效率，同时降低了管理工业生产线的人工成本。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于物联网技术的工业信息综合管理方法，其特征在于，包括：
采集工业生产线上使用的原料的批次信息；
对处于生产工序环节的所述工业生产线上的产品进行过站检测，生成过站检测记录；
在所述产品生产完成并进入出厂包装环节之前，获取所述产品的所述过站检测记录；
判断所述产品的所述过站检测记录是否满足预设条件；
在所述产品的所述过站检测记录满足所述预设条件的情况下，对所述产品进行出厂包装;
所述对处于生产工序环节的所述工业生产线上的产品进行过站检测，生成过站检测记录，包括：
通过拍摄装置采集处于生产工序环节的所述工业生产线上的产品在基础生产工序检测站点的第一全景视频数据流以及在当前生产工序检测站点的第二全景视频数据流；
对所述第一全景视频数据流及所述第二全景视频数据流进行畸变校正，得到第一校正视频流和第二校正视频流；
对第一校正视频流和第二校正视频流中所述产品的缺陷关键点进行标注，构造多分类训练数据集；
通过所述多分类训练数据集训练缺陷检测模型，其中，所述缺陷检测模型基于互信息法和皮尔逊系数法构建；
将所述第一校正视频流输入训练完成的所述缺陷检测模型，以生成所述过站检测记录;
所述通过所述多分类训练数据集训练缺陷检测模型，包括：
将所述多分类训练数据集分解为n路视频流信息对应的n帧静态图像；其中，n为正整数；
基于所述互信息法和所述皮尔逊系数法对所述n帧静态图像进行时序特征提取，得到时序特征向量；
对所述时序特征向量基于双阶段时序注意力机制进行预测，从而得到时序预测序列；
以所述时序预测序列优化所述缺陷检测模型的损失函数；所述缺陷检测模型的参数包括权重矩阵以及偏置量，其中，所述缺陷检测模型的优化训练流程为：
设置所述缺陷检测模型的当前优化训练次数为，最大训练次数为，其中d的初始值为0；
设置第d+1次优化训练的损失函数Loss:
；
其中，m为所述时序预测序列中序列数量，表示第i个序列的期望输出，表示经过训练后的第i个序列的输出值，n表示连接权值的总数，表示第j个前馈神经网络的权值矩阵，表示第d次优化训练后，所述缺陷检测模型的错误率；
基于循环神经网络对训练得到的所述缺陷检测模型进行优化。
2.根据权利要求1所述的基于物联网技术的工业信息综合管理方法，其特征在于，所述基于循环神经网络对训练得到的所述缺陷检测模型进行优化，包括：
建立所述循环神经网络的主干网络；建立所述循环神经网络的多尺度融合模块；建立所述循环神经网络的分类头模块；将所述n帧静态图像输入所述分类头模块分别进行特征提取，得到n个特征向量；
利用差分采样策略对所述n个特征向量进行差分采样；以经过所述差分采样的所述n个特征向量对所述缺陷检测模型进行优化训练；其中，所述利用差分采样策略对所述n个特征向量进行差分采样包括：
计算所述n个特征向量对应的失衡率，其中K表示所述n个特征向量中包含缺陷关键点的数量，表示所述n个特征向量中不包含缺陷关键点的数量；
分别计算所述n个特征向量中任意两个向量之间的距离，并基于以下表达式计算所述n个特征向量中缺陷特征向量的局部密度：
；
其中，表示缺陷特征向量的局部密度；dis表示距离阈值；表示所述n个特征向量中与缺陷特征向量距离在dis范围内的向量数量。
3.根据权利要求2所述的基于物联网技术的工业信息综合管理方法，其特征在于，
设置学习率为0.02，优化训练得到最优模型参数，基于最优模型参数构建得到训练后的所述缺陷检测模型。
4.根据权利要求1所述的基于物联网技术的工业信息综合管理方法，其特征在于，
在所述产品的所述过站检测记录不满足所述预设条件的情况下，对所述产品进行拦截。
5.根据权利要求1所述的基于物联网技术的工业信息综合管理方法，其特征在于，在所述对所述产品进行出厂包装之后，所述方法还包括：
将所述产品的信息上报到工业标识解析节点平台，以实现对所述产品的工业标识解析。
6.一种基于物联网技术的工业信息综合管理系统，该系统实现如权利要求1至5中任一项所述的方法，其特征在于，包括原料信息采集单元、过站检测记录生成单元、过站检测记录获取单元以及出厂包装单元；其中，
所述原料信息采集单元，用于采集工业生产线上使用的原料的批次信息；
所述过站检测记录生成单元，用于对处于生产工序环节的所述工业生产线上的产品进行过站检测，生成过站检测记录；
所述过站检测记录获取单元，用于在所述产品生产完成并进入出厂包装环节之前，获取所述产品的所述过站检测记录；
所述出厂包装单元，用于判断所述产品的所述过站检测记录是否满足预设条件；在所述产品的所述过站检测记录满足所述预设条件的情况下，对所述产品进行出厂包装。
CN202411183825.1A 2024-08-27 2024-08-27 一种基于物联网技术的工业信息综合管理方法及系统 Active CN118691055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411183825.1A CN118691055B (zh) 2024-08-27 2024-08-27 一种基于物联网技术的工业信息综合管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411183825.1A CN118691055B (zh) 2024-08-27 2024-08-27 一种基于物联网技术的工业信息综合管理方法及系统

Publications (2)

Publication Number Publication Date
CN118691055A true CN118691055A (zh) 2024-09-24
CN118691055B CN118691055B (zh) 2024-12-03

Family

ID=92778367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411183825.1A Active CN118691055B (zh) 2024-08-27 2024-08-27 一种基于物联网技术的工业信息综合管理方法及系统

Country Status (1)

Country Link
CN (1) CN118691055B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118884892A (zh) * 2024-09-29 2024-11-01 浙江恒逸石化有限公司 丝锭自动过站控制方法、装置、电子设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127142A (zh) * 2019-12-16 2020-05-08 东北大学秦皇岛分校 一种基于广义神经注意力的物品推荐方法
CN111475546A (zh) * 2020-04-09 2020-07-31 大连海事大学 一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法
CN111860327A (zh) * 2020-07-21 2020-10-30 广州道源信息科技有限公司 一种基于视觉计算视频传输的图像检测与分析方法
CN115272340A (zh) * 2022-09-29 2022-11-01 江苏智云天工科技有限公司 工业产品缺陷检测方法和装置
CN115314267A (zh) * 2022-07-28 2022-11-08 深圳市汇深网信息科技有限公司 一种用于应对网页故障、网页漏洞的监测方法
CN115775236A (zh) * 2022-11-24 2023-03-10 广东工业大学 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统
CN116108947A (zh) * 2022-10-25 2023-05-12 江苏大学 一种基于vmd和改进da-rnn的激光熔覆熔池形貌预测方法和系统
CN116341712A (zh) * 2023-02-06 2023-06-27 武汉科技大学 一种基于周期特征提取和时序注意力的预测方法
CN116910649A (zh) * 2023-07-10 2023-10-20 清华大学深圳国际研究生院 一种玻璃缺陷监测方法
CN116908424A (zh) * 2023-07-10 2023-10-20 清华大学深圳国际研究生院 一种基于多传感器数据融合与分类的玻璃缺陷监测方法
CN117110305A (zh) * 2023-10-25 2023-11-24 北京妙想科技有限公司 一种基于深度学习的电池壳表面缺陷检测方法及系统
RU2823216C1 (ru) * 2024-01-18 2024-07-22 Самсунг Электроникс Ко., Лтд. Способ и устройство генерирования видеоклипа по текстовому описанию и последовательности ключевых точек, синтезируемой диффузионной моделью

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127142A (zh) * 2019-12-16 2020-05-08 东北大学秦皇岛分校 一种基于广义神经注意力的物品推荐方法
CN111475546A (zh) * 2020-04-09 2020-07-31 大连海事大学 一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法
CN111860327A (zh) * 2020-07-21 2020-10-30 广州道源信息科技有限公司 一种基于视觉计算视频传输的图像检测与分析方法
CN115314267A (zh) * 2022-07-28 2022-11-08 深圳市汇深网信息科技有限公司 一种用于应对网页故障、网页漏洞的监测方法
CN115272340A (zh) * 2022-09-29 2022-11-01 江苏智云天工科技有限公司 工业产品缺陷检测方法和装置
CN116108947A (zh) * 2022-10-25 2023-05-12 江苏大学 一种基于vmd和改进da-rnn的激光熔覆熔池形貌预测方法和系统
CN115775236A (zh) * 2022-11-24 2023-03-10 广东工业大学 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统
CN116341712A (zh) * 2023-02-06 2023-06-27 武汉科技大学 一种基于周期特征提取和时序注意力的预测方法
CN116910649A (zh) * 2023-07-10 2023-10-20 清华大学深圳国际研究生院 一种玻璃缺陷监测方法
CN116908424A (zh) * 2023-07-10 2023-10-20 清华大学深圳国际研究生院 一种基于多传感器数据融合与分类的玻璃缺陷监测方法
CN117110305A (zh) * 2023-10-25 2023-11-24 北京妙想科技有限公司 一种基于深度学习的电池壳表面缺陷检测方法及系统
RU2823216C1 (ru) * 2024-01-18 2024-07-22 Самсунг Электроникс Ко., Лтд. Способ и устройство генерирования видеоклипа по текстовому описанию и последовательности ключевых точек, синтезируемой диффузионной моделью

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118884892A (zh) * 2024-09-29 2024-11-01 浙江恒逸石化有限公司 丝锭自动过站控制方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN118691055B (zh) 2024-12-03

Similar Documents

Publication Publication Date Title
Lee et al. Gradients as a measure of uncertainty in neural networks
CN118691055A (zh) 一种基于物联网技术的工业信息综合管理方法及系统
CN111860596B (zh) 基于深度学习的无监督路面裂缝分类方法及模型建立方法
CN106991666A (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN113393461A (zh) 基于深度学习的分裂中期染色体图像质量筛选方法和系统
CN116258175A (zh) 一种基于主动学习的焊缝缺陷智能识别模型进化方法
CN114373113A (zh) 一种基于ai技术的野生动物物种图像识别系统
CN116109621B (zh) 一种基于深度模板的缺陷检测方法和系统
CN118003961A (zh) 智能充电桩集群控制系统及方法
CN115035381B (zh) 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法
CN116402509A (zh) 基于图神经网络的以太坊诈骗账户检测装置及方法
CN111429431A (zh) 一种基于卷积神经网络的元件定位识别方法
CN117708694B (zh) 自适应原型网络与伪标签的半监督学习的诊断方法及设备
CN117131348B (zh) 基于差分卷积特征的数据质量分析方法及系统
CN118690260A (zh) 一种基于深度学习的大数据信息处理方法、系统、介质及服务器
CN115620083B (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN118014949A (zh) 一种x射线图像质量评估系统、方法和训练方法
CN116206169A (zh) 一种智能煤矸石目标检测方法
CN113886592A (zh) 一种电力信息通信系统运维数据的质量检测方法
CN118365974B (zh) 一种基于混合神经网络的水质类别检测方法、系统及设备
CN117894027B (zh) 一种基于图像识别的数字化档案自动质检方法及系统
CN119067536A (zh) 无头件包裹预测方法、装置、设备及存储介质
CN116226631A (zh) 基于Pearson-MI-RF的特征选择方法及系统
CN118608964A (zh) 基于红外图像和旋转目标框的输电线路避雷器检测方法
CN118710976A (zh) 输电线路中缺陷的识别方法、装置、存储介质、处理器和程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant