一种基于自训练的工业质检方法及系统技术方案

本发明专利技术公开了一种基于自训练的工业质检方法及系统，包括采集模块，模型推理模块，训练模块及验证模块；所述采集模块具体用于采集产品图片；所述训练模块具体用于对数据集进行训练得到训练模型；所述模型推理模块具体用于通过训练模型对产品图片进行模型推理，得出其标记及其置信度；所述验证模块具体用于对所述训练模型的效果进行验证，并判断所述训练模型的效果是否满足要求。采用本发明专利技术的一种基于自训练的工业质检方法及系统，将质检方法与半监督训练相结合，利用质检机自训练算法，充分利用生产环境中的图片，每天能在工厂停工时，自动地利用当天生产环境记录的图片进行新的模型训练，一定程度上自适应新的工艺，从而达到自我进化的目的。我进化的目的。我进化的目的。

【技术实现步骤摘要】
一种基于自训练的工业质检方法及系统


[0001]本专利技术涉及工业质检领域，尤其涉及一种基于自训练的工业质检方法及系统。

技术介绍

[0002]目前，对于工业质检机部署
而言，每次只能对应同一款产品的一类缺陷。当同一款产品的生产工艺稍有变化，比如擦伤的长度变短一些，碰伤的长度变长一些，工业质检机的检测效果就会明显下滑，那么就需要实施工程师重新进行试生产，采集新工艺下的产品图片，重新进行标记训练，产生的新的模型并重新部署。
[0003]公开的专利技术专利CN114813569A“基于机器视觉器人”：其公开了一种基于机器视觉的质检机器人，包括其整体硬件结构，目的是为了更好的利用机器视觉做质检。但该专利技术在对应不同的工业产品缺陷时必须更换不同的视觉检测模块，无法自适应。
[0004]公开的专利技术专利CN115035044A“一种应用于的智能AI平台”：该专利技术构建并采用包括Web客户端、后台服务端、数据管理端以及AI计算端相分离的平台架构，四端非耦合且通过接口相连通信，互相调用实现四端使用不同的框架分离开发。该专利技术着重于平台开发，对于质检方法的自我进化并没有着墨。
[0005]目前在工业质检领域内，并没有将半监督(自训练)与工业质检相结合的技术。
[0006]针对现有技术中所存在的问题，提供一种基于自训练的工业质检方法及系统具有重要意义。

技术实现思路

[0007]为解决上述问题，本专利技术提供一种基于自训练的工业质检方法及系统。
[0008]为实现上述目的，本专利技术的一种基于自训练的工业质检方法，所述方法具体包括以下步骤：S1，采集第一产品图片并对图片进行标记，生成第一数据集；S2，将所述第一数据集作为训练集，经过训练得到第一训练模型；S3，采集第二产品图片；S4，将所述第一数据集随机拆分成第一训练数据集及第一测试数据集；S5，将所述第二产品图片通过所述第一训练模型得出其标记及其置信度，并根据所述置信度高低分为高置信度数据集及低置信度数据集；S6，将所述第一训练数据集及所述高置信度数据集相结合，作为训练集，经过训练得到第二训练模型；S7，利用所述第一测试数据集对所述第二训练模型的效果进行验证，若所述第二训练模型的效果满足要求，则输出所述第二训练模型；若所述第二训练模型的效果不满足要求，则将所述第二训练模型替换所述第一训练模型，并重复所述步骤S3；S8，将所述高置信度数据集并入所述第一数据集中，生成第二数据集；
[0009]进一步地，所述步骤S7具体包括以下子步骤：S701，将所述第一测试数据集(X
test
，Y
test
)导入所述第二训练模型，得到预测结果Y
prediction
；S702，代入公式中，计算得到所述第二训练模型的准确度，其中P为准确度，n为所述第一测试数据集的数量，i为质检天数；S703，比较所述准确度P是否大于预设阈值，若是，
则所述第二训练模型的效果满足要求；若否，则所述第二训练模型的效果不满足要求；
[0010]进一步地，所述步骤S2具体为：将所述第一数据集作为训练集，并利用图片分类的深度学习框架训练模型得到第一训练模型；
[0011]进一步地，所述步骤S2之后还可以包括以下步骤：S201，利用所述第一训练模型进行生产调试，通过调整超参直至满足生产要求；
[0012]进一步地，所述预设阈值具体为0.95；
[0013]本专利技术还公开了一种基于自训练的工业质检系统，包括采集模块，模型推理模块，训练模块及验证模块；所述采集模块具体用于采集产品图片；所述训练模块具体用于对数据集进行训练得到训练模型；所述模型推理模块具体用于通过训练模型对产品图片进行模型推理，得出其标记及其置信度；所述验证模块具体用于对所述训练模型的效果进行验证，并判断所述训练模型的效果是否满足要求；
[0014]进一步地，所述验证模块具体包括计算模块、判断模块及预测结果推理模块；所述预测结果推理模块用于通过训练模型及所述数据集得到预测结果Y
prediction
；所述计算模块用于根据算法计算得到所述训练模型的准确度；所述判断模块用于判断所述准确度是否大于预设阈值，若是，则判断所述训练模型的效果满足要求；若否，则判断所述训练模型的效果不满足要求；
[0015]进一步地，所述训练模块采用图片分类的深度学习框架，具体为residual
‑
net、VGG
‑
net、Efficient
‑
net或Iception
‑
net；
[0016]进一步地，还包括调试模块，所述调试模块具体为利用所述训练模型进行生产调试，通过调整超参直至满足生产要求。
[0017]本专利技术的一种基于自训练的工业质检方法及系统，将质检方法与半监督训练相结合，利用质检机自训练算法，充分利用生产环境中的图片，每天能在工厂停工时，自动地利用当天生产环境记录的图片进行新的模型训练，一定程度上自适应新的工艺，从而达到自我进化的目的，具体包括如下优点：1，当产品出现一定程度的工艺改进时候，该质检机能一定程度的自适应，无需人工干预。2.节省实施工程师的成本，减少人力损耗。3.节省实施工程师调试的时间，提高工厂效率。
附图说明
[0018]图1为本专利技术所述一种基于自训练的工业质检方法的第一流程示意图；
[0019]图2为本专利技术所述一种基于自训练的工业质检方法的第二流程示意图；
[0020]图3为本专利技术所述一种基于自训练的工业质检系统的结构示意图。
具体实施方式
[0021]下面，结合附图，对本专利技术的结构以及工作原理等作进一步的说明。
[0022]如图1所示，图1为本专利技术所述一种基于自训练的工业质检方法的第一流程示意图。本专利技术所述的一种基于自训练的工业质检方法，具体包括以下步骤：
[0023]S1，采集第一产品图片并对图片进行标记，生成第一数据集；在本专利技术优选的实施例中，所述采集第一产品图片具体为在特定角度拍照得到产品的照片，记为X0，并进行人工标记，所述标记为Y0，得到所述第一数据集(X0，Y0)；
[0024]S2，将所述第一数据集(X0，Y0)作为训练集，经过训练得到第一训练模型M0；在本专利技术优选的实施例中，该训练具体为利用图片分类的深度学习框架训练模型得到第一训练模型，所述通用的图片分类的深度学习框架具体为residual
‑
net，VGG
‑
net，Efficient
‑
net或Iception
‑
net，所述通用的图片分类深度学习框架，能够利用输入的图片X和标记Y，训练出一个模型m。当新的图片进入通过模型时，模型能预测出该图片的标记，并且输出置信度，该置信度表达的是模型对于预测该图片属于某个标记的概率可能。
[0025]在本专利技术优选的实施例中，步骤S2之后还可以包括以下步骤：S201，利用所述第一训练模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自训练的工业质检方法，其特征在于，所述方法具体包括以下步骤：S1，采集第一产品图片并对图片进行标记，生成第一数据集；S2，将所述第一数据集作为训练集，经过训练得到第一训练模型；S3，采集第二产品图片；S4，将所述第一数据集随机拆分成第一训练数据集及第一测试数据集；S5，将所述第二产品图片通过所述第一训练模型得出其标记及其置信度，并根据所述置信度高低分为高置信度数据集及低置信度数据集；S6，将所述第一训练数据集及所述高置信度数据集相结合，作为训练集，经过训练得到第二训练模型；S7，利用所述第一测试数据集对所述第二训练模型的效果进行验证，若所述第二训练模型的效果满足要求，则输出所述第二训练模型；若所述第二训练模型的效果不满足要求，则将所述第二训练模型替换所述第一训练模型，并重复所述步骤S3；S8，将所述高置信度数据集并入所述第一数据集中，生成第二数据集。2.如权利要求1所述的基于自训练的工业质检方法，其特征在于，所述步骤S7具体包括以下子步骤：S701，将所述第一测试数据集(X
test
，Y
test
)导入所述第二训练模型，得到预测结果Y
prediction
；S702，代入公式中，计算得到所述第二训练模型的准确度，其中P为准确度，n为所述第一测试数据集的数量，i为质检天数；S703，比较所述准确度P是否大于预设阈值，若是，则所述第二训练模型的效果满足要求；若否，则所述第二训练模型的效果不满足要求。3.如权利要求1所述的基于自训练的工业质检方法，其特征在于，所述步骤S2具体为：将所述第一数据集作为训练集，并利用图片分类的深度学习框架训练模型得到第一训练模型。4.如权利要求1所述的基...

【专利技术属性】
技术研发人员：黄昳彬，马元巍，潘正颐，侯大为，童竹勍，
申请(专利权)人：常州微亿智造科技有限公司，
类型：发明
国别省市：