本发明专利技术提供了一种产品配件识别和重量评估方法、装置及相关设备，包括以下步骤：S1、采集流水线上的图像数据并上传至AI云平台；S2、AI云平台对图像数据进行标记和深度学习网络模型进行训练；S3、AI模型发送到流水线的检测终端进行加在AI模型后，对后续采集的图像进行预测；S4、采集新的图像；S5、将新的图像与标准装配件的图像进行对比，并判断是否为错配或漏配；若是，执行S7，若否，执行S6；S6、对产品进行称重，并将该产品的条形码信息、AI识别结果和重量发送到生产MES系统；S7、将S5中产品装配件的AI识别结果发送给流水线的执行分拣机构，对识别的不良品进行分拣操作。本发明专利技术成本低、检测效果好。测效果好。测效果好。
【技术实现步骤摘要】
一种产品配件识别和重量评估方法、装置及相关设备
[0001]本专利技术涉及机器视觉
，尤其涉及一种产品配件识别和重量评估方法、装置及相关设备。
技术介绍
[0002]在海量的中小制造企业中，由于产品多样化和复杂性，目前仍然有大量的流水线依赖人工进行产品的配件安装，这导致在生产过程中会出现错、漏配件的情况发生。
[0003]现有大多数企业采取的抽检的方法，需要对不同的产品线配置大量品控人员，但随着对产品的出品质量要求越来越高，抽检的形式已经无法满足很多生产厂家的出厂要求，而且大量的品控人员也存在效率低下、人力浪费等弊端，大大影响了制造企业的生产效益。
技术实现思路
[0004]针对以上相关技术的不足，本专利技术提出一种成本低、检测效果好及生产效率高的产品配件识别和重量评估方法、装置及相关设备。
[0005]为了解决上述技术问题，第一方面，本专利技术实施例提供了一种产品配件识别和重量评估方法，包括以下步骤：
[0006]S1、采集流水线上的产品装配件的图像数据，并通过通讯传输将所述图像数据上传至AI云平台；
[0007]S2、通过所述AI云平台对所述图像数据进行标记，并标记每个所述装配件的标签，在所述AI云平台上调用深度学习网络模型对所述图像数据进行训练；
[0008]S3、通过所述通讯传输将训练后获得的AI模型发送到所述流水线的检测终端，所述检测终端加载所述AI模型后，对后续采集的图像进行预测；
[0009]S4、采集新的图像，通过扫码枪获取产品上条形码信息，通过调用所述AI模型对所述新的图像进行预测，并将识别配件框选在所述新的图像上；
[0010]S5、通过将所述新的图像与标准装配件的图像进行对比，并对所述S4中识别的图像装配件进行判定，判断是否为错配或漏配，若是，则显示结果为不合格，并执行S7；若否，则显示检测结果为合格，并执行S6；
[0011]S6、对产品进行称重，通过串口获得台秤发出的产品的重量，并将该产品的所述条形码信息、AI识别结果和重量发送到生产MES系统；
[0012]S7、将所述S5中产品装配件的AI识别结果发送给所述流水线的执行分拣机构，对识别的不良品进行分拣操作。
[0013]优选的，所述S1具体包括以下子步骤：
[0014]S11、通过在产品流水线的正上方安装工业相机对流水线上的产品进行拍照；
[0015]S12、使用飞拍模式在流水线上产品触发工业相机下方指定位置的传感器后，相机采集一帧图像，并将所述图像通过通讯传输传送给计算机。
[0016]优选的，所述S2具体包括以下子步骤：
[0017]S21、对所述图像数据进行整理和标注；其中，所述整理具体为剔除产品超出图像边界的图像；所述标注具体为根据检测要求定义检测配件的标签，并使用标注工具对图像中装配件标注上与之对应的标签名称，并生成标注文件。
[0018]优选的，所述S2还包括以下子步骤：
[0019]S22、循环采集1000N张图像，执行所述S21操作，选取900N张作为训练数据集，100N张作为测试数据集，按照训练数据集、标签、测试数据集进行处理获得数据集，其中，N为正整数；
[0020]S23、将所述数据集通过所述通讯传输上述到所述AI云平台上，通过在所述AI云平台中调用的所述深度学习的网络框架，并设置模型中初始化参数、损失函数以及优化器；
[0021]S24、通过所述深度学习的网络框架对所述训练数据集进行迭代处理后获得收敛的识别模型。
[0022]优选的，所述S2还包括以下子步骤：
[0023]S25、调取所述训练数据集中一张图像，通过所述识别模型对所述图像进行预测，将预测的结果与原图标记结果进行对比，判断模型识别的准确度，如果识别精度足够，那么模型训练完成，否则继续迭代或增加训练数据集。
[0024]优选的，所述S4具体包括以下子步骤：
[0025]将产品到达工业相机下方，传感器触发采集新的图像，此时触发扫码枪获取产品上新的条形码信息，将所述新的图像和新的条形码发给所述检测终端，通过所述识别模型对所述新的图像进行预测，并将识别配件框选在所述新的图像上。
[0026]优选的，所述S6具体包括以下子步骤：
[0027]获取产品的条形码信息、AI识别结果和产品重量信息；
[0028]通过获取所述检测终端上传的信息保持至所述MES数据库；
[0029]统计产品不良品种类、良品率及优化生产效率。
[0030]第二方面，本专利技术实施例还提供一种产品配件识别和重量评估装置，包括：
[0031]第一图像采集模块，用于采集流水线上的产品装配件的图像数据，并通过通讯传输将所述图像数据上传至AI云平台；
[0032]训练模块，用于通过所述AI云平台对所述图像数据进行标记，并标记每个所述装配件的标签，在所述AI云平台上调用深度学习网络模型对所述图像数据进行训练；
[0033]预测模块，用于通过所述通讯传输将训练后获得的AI模型发送到所述流水线的检测终端，所述检测终端加载所述AI模型后，对后续采集的图像进行预测；
[0034]第二图像采集模块，用于采集新的图像，通过扫码枪获取产品上条形码信息，通过调用所述AI模型对所述新的图像进行预测，并将识别配件框选在所述新的图像上；
[0035]对比模块，用于通过将所述新的图像与标准装配件的图像进行对比，并对所述第二图像采集模块中识别的图像装配件进行判定，判断是否为错配或漏配，若是，则显示结果为不合格，并执行分拣模块；若否，则显示检测结果为合格，并执行发送模块；
[0036]发送模块，用于对产品进行称重，通过串口获得台秤发出的产品的重量，并将该产品的所述条形码信息、AI识别结果和重量发送到生产MES系统；
[0037]分拣模块，用于将所述对比模块中产品装配件的AI识别结果发送给所述流水线的
执行分拣机构，对识别的不良品进行分拣操作。
[0038]第三方面，本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例任一项的产品配件识别和重量评估中的步骤。
[0039]第四方面，本专利技术实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例任意一项所述的产品配件识别和重量评估中的步骤。
[0040]与相关技术相比，本专利技术通过采集流水线上的产品装配件的图像数据，并通过通讯传输将所述图像数据上传至AI云平台；通过所述AI云平台对所述图像数据进行标记，并标记每个所述装配件的标签，在所述AI云平台上调用深度学习网络模型对所述图像数据进行训练；通过所述通讯传输将训练后获得的AI模型发送到所述流水线的检测终端，所述检测终端加载所述AI模型后，对后续采集的图像进行预测；通过采集新的图像，通过扫码枪获取产品上条形本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种产品配件识别和重量评估方法，其特征在于，包括以下步骤：S1、采集流水线上的产品装配件的图像数据，并通过通讯传输将所述图像数据上传至AI云平台；S2、通过所述AI云平台对所述图像数据进行标记，并标记每个所述装配件的标签，在所述AI云平台上调用深度学习网络模型对所述图像数据进行训练；S3、通过所述通讯传输将训练后获得的AI模型发送到所述流水线的检测终端，所述检测终端加载所述AI模型后，对后续采集的图像进行预测；S4、采集新的图像，通过扫码枪获取产品上条形码信息，通过调用所述AI模型对所述新的图像进行预测，并将识别配件框选在所述新的图像上；S5、通过将所述新的图像与标准装配件的图像进行对比，并对所述S4中识别的图像装配件进行判定，判断是否为错配或漏配，若是，则显示结果为不合格，并执行S7；若否，则显示检测结果为合格，并执行S6；S6、对产品进行称重，通过串口获得台秤发出的产品的重量，并将该产品的所述条形码信息、AI识别结果和重量发送到生产MES系统；S7、将所述S5中产品装配件的AI识别结果发送给所述流水线的执行分拣机构，对识别的不良品进行分拣操作。2.如权利要求1所述的产品配件识别和重量评估方法，其特征在于，所述S1具体包括以下子步骤：S11、通过在产品流水线的正上方安装工业相机对流水线上的产品进行拍照；S12、使用飞拍模式在流水线上产品触发工业相机下方指定位置的传感器后，相机采集一帧图像，并将所述图像通过通讯传输传送给计算机。3.如权利要求1所述的产品配件识别和重量评估方法，其特征在于，所述S2具体包括以下子步骤：S21、对所述图像数据进行整理和标注；其中，所述整理具体为剔除产品超出图像边界的图像；所述标注具体为根据检测要求定义检测配件的标签，并使用标注工具对图像中装配件标注上与之对应的标签名称，并生成标注文件。4.如权利要求3所述的产品配件识别和重量评估方法，其特征在于，所述S2还包括以下子步骤：S22、循环采集1000N张图像，执行所述S21操作，选取900N张作为训练数据集，100N张作为测试数据集，按照训练数据集、标签、测试数据集进行处理获得数据集，其中，N为正整数；S23、将所述数据集通过所述通讯传输上述到所述AI云平台上，通过在所述AI云平台中调用的所述深度学习的网络框架，并设置模型中初始化参数、损失函数以及优化器；S24、通过所述深度学习的网络框架对所述训练数据集进行迭代处理后获得收敛的识别模型。5.如权利要求4所述的产品配件识别和重量评估方法，其特征在于，所述S2还包括以下子步骤：S25、调取所述训练数据集中...
【专利技术属性】
技术研发人员：魏登明，杨海东，杨标，李泽辉，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
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。