一种基于卷积神经网络的产品质量分类系统技术方案

一种基于卷积神经网络的产品质量分类系统。步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；步骤3，将步骤2的识别结果通过WIFI发送给控制柜；步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。本发明专利技术采用WIFI进行数据的传输，克服了传统有线传输的在工业现场布线的局限性；同时结合现有卷积神经网络框架，并将其应用于实际工业中。

【技术实现步骤摘要】
一种基于卷积神经网络的产品质量分类系统
本专利技术涉及工业智能生产与制造领域，特别是涉及一种基于卷积神经网络的产品质量分类系统。
技术介绍
近年来，我国及世界的科技、工业水平得到的大力的发展与提升，国家也不断的提及智能制造、工业4.0等热点词。智能制造将人的思想赋予制造业，旨在控制制造系统获取知识求解能力，通过在实践中不断的充实知识库，同时还增强自身的学习能力，对获取的数据或知识进行分析判断并规划自身的行为。智能制造不断的渗入实际工业中，这为提高工业生产效率提供了一些解决办法。在实际工业生产线上，不可避免的存在这样一个问题：同一批次的产品有着不同质量等级，如果全部归为同一类别容易造成一系列问题，面对大批量的生产，手工分类明显是不现实的，因此，有必要利用智能化的产品质量分类系统解决上述问题。针对不同产品质量的分类，其核心涉及到图像的分类识别，深度学习神经网络具有强大的表征能力和自适应学习能力，能够很好的处理复杂结构和大样本高维数据，被广泛应用于计算机视觉、自然语言处理的人脸识别等领域，大量的网络模型被国内外学者陆续提出，诸如深度信念网络(DBN)、卷积神经网络(CNN)、堆栈降噪自编码(SDAE)、长短时记忆网络(LSTM)、循环神经网络(RNN)。其中的CNN是仿造生物的视知觉机制构建的，是一种具有深度结构的前馈神经网络，在图像分类识别中具有很好的效果，但是如何以CNN为核心构建一个分类系统，同时支持在线升级优化是当前的一个亟待解决的问题。国内涉及CNN方法在工业生产中应用的专利有“一种基于深度卷积神经网络的工业机械臂视觉控制方法”(201710021710.6)，利用深度卷积神经网络提取不同姿态的目标物体理想抓取位置，但是该专利中所提方法并不支持模型的在线修正，这在长时间的工业应用中容易造成精度下降。国家专利技术专利“一种以深度卷积神经网络为基础的零件分拣系统”(201820186110.5)，该方法利用CNN对物体进行分类识别，并在工业机器人的依托下完成分拣操作，但是该方法中同样没有给出模型诊断出错的时应对的解决方案。
技术实现思路
为解决上述问题，本专利技术在CNN，MYSQL数据库和WIFI数据传输的基础上，提出了一种基于卷积神经网络的产品质量分类系统，首先对CNN模型进行预训练，同时将实际工业产品的分类信息发送至MYSQL数据库中，这不仅有效提高产品质量分类效率和产品信息的跟踪，同时实现了模型在线升级优化，真正的实现智能化。为达此目的，本专利技术提供一种基于卷积神经网络的产品质量分类系统，具体步骤如下，其特征在于：步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；步骤3，将步骤2的识别结果通过WIFI发送给控制柜；步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。进一步，步骤2中CNN网络模型训练的步骤为：步骤2.1，将摄像机拍摄的产品实物图输入到CNN中，首先输入到卷积层中，卷积具有非线性激活的过程描述如下：式中，为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本专利技术选用RULE函数，为n层第l个卷积核的权重系数，为n-1层第m个特征输出，是偏置项。步骤2.2，将步骤2.1获得的结果输入到池化层，本专利技术选用Maxpooling池化，其保留输入的局部最大值，Maxpooling转换描述如下：式中，为池化层的输出特征向量，为第l-1卷积层的输出特征向量，l为卷积区域的长度。步骤2.3，重复两次步骤2.1和2.2，而后将最终的结果输入到全连接层，此时采用Softmax逻辑回归实现对卷积层和池化层提取的特征向量的识别和分类，Softmax回归的输出定义如下：式中，t为类别数，θi(1≤i≤t)为分类层参数。步骤2.4，利用步骤2.3的输出与原始数据的标签进行整个CNN网络的损失函数的计算，本专利技术采用交叉熵损失函数，其表达式如下：式中，t为样本数，y(i)为实际样本标签，为模型判别的标签。步骤2.5，利用随机梯度下降(SGD)优化算法对交叉熵损失函数进行优化，并将结果进行反向传播，实现网络参数的更新；步骤2.6，重复以上步骤，直至CNN模型达到收敛，此时认为模型训练完成。进一步，步骤4中控制策略为：分类盘可自动旋转，且可以根据生产线的需要进行定制，如某一产品的质量等级有优良中差四个等级，那么分类盘的应包含四个分类格，当控制柜收到上位机CNN模型判断的结果后，会给出分类盘需旋转的角度，当分类盘完成旋转动作后再利用分类盘上的伸缩杆推出产品。进一步，步骤5中模型优化升级策略为：将错分的产品对应的照片作为训练集，并确定相对应的标签，在已训练好的模型基础上对模型进行重新训练，整个训练过程与步骤2.1-2.6保持一致，最终实现模型的优化升级，增强模型的泛化性和分类识别的准确率。本专利技术一种基于卷积神经网络的产品质量分类系统，有益效果：本专利技术的技术效果在于：1.本专利技术结合现有卷积神经网络框架，并将其应用于实际工业中，提高了产品质量分类的准确性和效率，同时通过WIFI进行数据的传输，克服了传统有线传输的在工业现场布线的局限性；2.本专利技术建立了数据管理模块，利用MYSQL数据库对每次的产品质量的分类信息进行存储和跟踪，在为模型优化升级提供支撑的同时确保产品信号具有可查询性；3.本专利技术利用MYSQL数据进行上位机CNN分类识别模型的优化升级，在增强模型泛化性的同时提高分类识别的准确率。附图说明图1为本专利技术的流程图；图2为本专利技术采用的CNN模型网络结构图；图3为整个系统不同模块间的信息交互规则图。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术提出了一种基于卷积神经网络的产品质量分类系统，旨在实现工业流水线上产品质量等级高效的分类，同时实现分类模型在线优化升级。图1为本专利技术的流程图。下面结合流程图对本专利技术的步骤作详细介绍。步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；步骤2中CNN网络模型训练的步骤为：步骤2.1，将摄像机拍摄的产品实物图输入到CNN中，首先输入到卷积层中，卷积具有非线性激活的过程描述如下：式中，为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本专利技术选用RULE函数，为n层第l个卷积核的权重系数本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的产品质量分类系统，具体步骤如下，其特征在于：/n步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；/n步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；/n步骤3，将步骤2的识别结果通过WIFI发送给控制柜；/n步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；/n步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。/n

【技术特征摘要】
1.一种基于卷积神经网络的产品质量分类系统，具体步骤如下，其特征在于：
步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；
步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；
步骤3，将步骤2的识别结果通过WIFI发送给控制柜；
步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；
步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。


2.根据权利要求1所述的一种基于卷积神经网络的产品质量分类系统，其特征在于：步骤2中CNN网络模型训练的步骤为：
步骤2.1，将摄像机拍摄的产品实物图输入到CNN中，首先输入到卷积层中，卷积具有非线性激活的过程描述如下：



式中，为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本发明选用RULE函数，为n层第l个卷积核的权重系数，为n-1层第m个特征输出，是偏置项。
步骤2.2，将步骤2.1获得的结果输入到池化层，本发明选用Maxpooling池化，其保留输入的局部最大值，Maxpooling转换描述如下：



式中，为池化层的输出特征向量，为第l-1卷积层的输出特征向量，l为卷积区域的长度。
步骤2.3，重复两次步骤2.1和2.2，而后将最终的结果输入到全连接层，此时...

【专利技术属性】
技术研发人员：查明来，张晓雪，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32