CN114324368A - 基于机械视觉检测的改性塑料生产检测方法及*** - Google Patents
基于机械视觉检测的改性塑料生产检测方法及*** Download PDFInfo
- Publication number
- CN114324368A CN114324368A CN202210232855.1A CN202210232855A CN114324368A CN 114324368 A CN114324368 A CN 114324368A CN 202210232855 A CN202210232855 A CN 202210232855A CN 114324368 A CN114324368 A CN 114324368A
- Authority
- CN
- China
- Prior art keywords
- defect
- production
- data
- node
- relation
- 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
Links
Images
Landscapes
- General Factory Administration (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种基于机械视觉检测的改性塑料生产检测方法及***,通过从指定塑料生产分区的塑料生产检测视觉数据中获取待追溯的关键视觉数据,从所述关键视觉数据中追溯异常生产节点数据,并从所述异常生产节点数据中追溯生产缺陷定位数据,基于所述生产缺陷定位数据确定所述关键视觉数据对应的目标缺陷原因信息,结合每个所述关键视觉数据对应的目标缺陷原因信息向所述指定塑料生产分区对应的生产监测服务平台进行改性塑料生产检测结果下发,由此通过塑料生产检测视觉数据的自动化生产缺陷定位追溯和缺陷原因分析,提高了生产缺陷原因的分析准确性,由此提高后续塑料生产检测的可靠性。
Description
技术领域
本申请涉及材料生产技术领域,具体而言,涉及一种基于机械视觉检测的改性塑料生产检测方法及***。
背景技术
在改性塑料生产过程中,需要进行实时的生产缺陷检测,以确定缺陷原因,进而进行生产方案的及时调整,保证生产质量。相关技术中的生产缺陷原因通常是人为分析的,导致工作量较大,并且缺陷原因追踪的可靠性不够,也影响后后续塑料生产检测的可靠性。
发明内容
本申请提供一种基于机械视觉检测的改性塑料生产检测方法及***。
第一方面,本申请实施例提供一种基于机械视觉检测的改性塑料生产检测方法,应用于基于机械视觉检测的改性塑料生产检测***,包括:
从指定塑料生产分区的塑料生产检测视觉数据中获取待追溯的关键视觉数据;
从所述关键视觉数据中追溯异常生产节点数据,并从所述异常生产节点数据中追溯生产缺陷定位数据;
结合所述生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷原因追踪,输出第一缺陷原因追踪信息,其中所述生产缺陷状态路径数据用于表示所述生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息;
从所述关键视觉数据中提取多个异常生产节点数据,生成异常生产节点知识图谱;
结合所述异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷原因追踪,输出第二缺陷原因追踪信息,其中所述异常生产节点的耦合关系信息用于表示所述异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征;
结合所述第一缺陷原因追踪信息和所述第二缺陷原因追踪信息,确定所述关键视觉数据对应的目标缺陷原因信息;
结合每个所述关键视觉数据对应的目标缺陷原因信息向所述指定塑料生产分区对应的生产监测服务平台进行改性塑料生产检测结果下发。
譬如,所述方法通过深度学习基础配置单元进行执行,所述深度学习基础配置单元包括缺陷原因追踪单元和目标缺陷原因追踪单元,所述方法还包括:
获取第一塑料生产检测视觉样本数据簇和第二塑料生产检测视觉样本数据簇,所述第一塑料生产检测视觉样本数据簇包括多个第一塑料生产检测视觉样本数据,所述第一塑料生产检测视觉样本数据是从关键视觉数据的异常生产节点数据中追溯的生产缺陷定位数据,所述第二塑料生产检测视觉样本数据簇包括多个第二塑料生产检测视觉样本数据,所述第二塑料生产检测视觉样本数据是从关键视觉数据中获取的异常生产节点知识图谱;
结合所述第一塑料生产检测视觉样本数据簇对所述缺陷原因追踪单元进行网络层更新,其中所述缺陷原因追踪单元用于结合所述生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷原因追踪,输出第一缺陷原因追踪信息,其中所述生产缺陷状态路径数据用于表示所述生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息;
结合所述第二塑料生产检测视觉样本数据簇对所述目标缺陷原因追踪单元进行网络层更新,其中所述目标缺陷原因追踪单元用于结合所述异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷原因追踪,输出第二缺陷原因追踪信息,其中所述异常生产节点的耦合关系信息用于表示所述异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征;
其中,所述获取第一塑料生产检测视觉样本数据簇之后,还包括:
计算所述第一塑料生产检测视觉样本数据与非多方耦合缺陷视觉样本数据之间的关联度;
假若关联度不小于目标关联度时,将所述第一塑料生产检测视觉样本数据确定为负塑料生产检测视觉样本数据;
假若关联度小于目标关联度时,将所述第一塑料生产检测视觉样本数据确定为正塑料生产检测视觉样本数据;
其中,所述获取第一塑料生产检测视觉样本数据簇之后,还包括:
对所述多个第一塑料生产检测视觉样本数据进行聚簇,获得多个视觉样本数据簇;
结合所述多个视觉样本数据簇分别对应的聚簇有效数据量,获得所述聚簇有效数据量匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一塑料生产检测视觉样本数据作为负塑料生产检测视觉样本数据,以及获得所述聚簇有效数据量不匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一塑料生产检测视觉样本数据作为正塑料生产检测视觉样本数据。
相比现有技术,结合从关键视觉数据中获取生产缺陷定位数据和异常生产节点知识图谱,结合多个考虑因素对关键视觉数据进行缺陷原因追踪,从生产缺陷定位数据中追溯生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息进行缺陷原因追踪,从异常生产节点知识图谱中追溯异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征进行缺陷原因追踪,由此依据多个考虑因素的生产缺陷相关变量执行缺陷原因追踪,提高了生产缺陷原因的分析准确性,由此提高后续塑料生产检测的可靠性。
附图说明
图1为本申请实施例提供的一种基于机械视觉检测的改性塑料生产检测方法步骤流程示意图;
图2为本申请的实施例提供的用于执行图1中的基于机械视觉检测的改性塑料生产检测方法的基于机械视觉检测的改性塑料生产检测***的架构示意框图。
具体实施方式
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,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。结合本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
步骤S110,从指定塑料生产分区的塑料生产检测视觉数据中获取待追溯的关键视觉数据。
关键视觉数据是指具体通过视觉检测获得的指定塑料生产分区的各种视觉检测数据,待追溯的关键视觉数据是暂未确定对应的目标缺陷原因信息的关键视觉数据,后续的描述中会示例性说明确定该关键视觉数据对应的目标缺陷原因信息。
步骤S120,从关键视觉数据中追溯异常生产节点数据,并从异常生产节点数据中追溯生产缺陷定位数据。
一些可能的实施例中,首先对关键视觉数据进行异常生产节点追溯,获得关键视觉数据的异常生产节点数据簇,该异常生产节点数据簇中包括上述关键视觉数据的每一个异常生产节点数据。一些可能的实施例中,从该异常生产节点数据簇中获得异常生产节点数据,进行对应的缺陷原因追踪。
一些可能的实施例中,在从该异常生产节点数据簇中获得异常生产节点数据之后,分析该异常生产节点数据中是否具有生产缺陷定位目标,如果具有则使用该异常生产节点数据进行对应的生产缺陷定位目标缺陷原因追踪,如果不具有则可以再次从异常生产节点数据簇中获得异常生产节点数据。
一些可能的实施例中,在获得上述异常生产节点数据簇之后,可以将并结合有生产缺陷定位目标的异常生产节点数据从异常生产节点数据簇中移除,获得目标异常生产节点数据簇。然后从目标异常生产节点数据簇中获得异常生产节点数据,进行结合生产缺陷定位目标缺陷原因追踪。
一些可能的实施例中,对异常生产节点数据的获得方案不作详细限定。例如,可以随机从异常生产节点数据簇中获得异常生产节点数据,进行对应的生产缺陷定位目标缺陷原因追踪。再例如,也可以从异常生产节点数据簇中获得设定生产计划区间的异常生产节点数据,进行对应的生产缺陷定位目标缺陷原因追踪。
一些可能的实施例中,从异常生产节点数据簇中获得的异常生产节点数据的数量也没有必要限制。对于获得的每一个异常生产节点数据,分别进行对应的生产缺陷定位目标缺陷原因追踪。
生产缺陷定位数据是指异常生产节点数据中包含生产缺陷定位目标的生产缺陷的定位节点数据。一些可能的实施例中,可以结合神经网络模型分析异常生产节点数据中的生产缺陷定位节点,获得生产缺陷定位数据。例如,神经网络模型可以是CNN模型。
步骤S130,结合生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷原因追踪,输出第一缺陷原因追踪信息,其中生产缺陷状态路径数据用于表示生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息。
本实施例中,生产缺陷定位目标的缺陷运行变量簇体现生产缺陷定位目标的缺陷运行变化的状态变量。生产缺陷定位目标的缺陷状态变化信息体现生产缺陷定位目标的缺陷状态变化。
一些可能的实施例中,在进行生产缺陷定位目标缺陷原因追踪的过程中,结合生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷原因追踪,输出第一缺陷原因追踪信息。第一缺陷原因追踪信息代表上述关键视觉数据对应的目标缺陷原因信息,或者从关键视觉数据中追溯的异常生产节点数据是否为生产缺陷定位目标的多方耦合异常生产节点数据。
一些可能的实施例中,结合缺陷原因追踪单元对上述生产缺陷定位数据进行缺陷原因追踪,生成第一缺陷原因追踪信息。缺陷原因追踪单元可以是结合深度学习训练获得,关于该缺陷原因追踪单元的具体示例可以参见下述实施例。
步骤S140,从关键视觉数据中提取多个异常生产节点数据,生成异常生产节点知识图谱。
一些可能的实施例中,获得上述异常生产节点数据簇中的多个异常生产节点数据,融合该多个异常生产节点数据生成异常生产节点知识图谱。一些可能的实施例中,可以随机追溯上述异常生产节点数据簇中的多个异常生产节点数据,融合该多个异常生产节点数据生成异常生产节点知识图谱。在另一些可能的实施例中,获得上述异常生产节点数据簇中连续的多个异常生产节点数据,融合该多个异常生产节点数据生成异常生产节点知识图谱。对于从关键视觉数据中提取多个异常生产节点数据的实施方案不作限定。该异常生产节点知识图谱,用于进行生产缺陷定位目标缺陷原因追踪。
本实施例中,异常生产节点知识图谱中反映的各个异常生产节点数据的顺序,可以与其在关键视觉数据中的顺序一致,由此表达关键视觉数据中的生产缺陷定位目标的时域变化。
步骤S150,结合异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷原因追踪,输出第二缺陷原因追踪信息,其中异常生产节点的耦合关系信息用于表示异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征。
异常生产节点知识图谱中的异常生产节点之间的关系连接特征体现关键视觉数据中生产缺陷定位目标在不同阶段的关系变化。异常生产节点知识图谱中的异常生产节点之间的关系更新特征体现关键视觉数据中生产缺陷定位目标的关系更新变化以及关键视觉数据的关系更新变化。结合异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷原因追踪,输出第二缺陷原因追踪信息。第二缺陷原因追踪信息代表上述关键视觉数据对应的目标缺陷原因信息。
一些可能的实施例中,结合目标缺陷原因追踪单元对异常生产节点知识图谱进行缺陷原因追踪,生成第二缺陷原因追踪信息。目标缺陷原因追踪单元可以是结合深度学习获得,关于该目标缺陷原因追踪单元的具体介绍参见以下实施例。
一些可能的实施例中,从上述异常生产节点数据簇中获得多个异常生产节点数据,获得初始异常生产节点知识图谱。对初始异常生产节点知识图谱中的每一个异常生产节点数据进行异常生产节点的耦合关系更新,加载到最新的节点耦合关系,获得耦合关系更新后的异常生产节点数据。将各个耦合关系更新后的异常生产节点数据依据耦合关系流向进行知识图谱生成,获得依据耦合关系流向进行分布的异常生产节点数据。结合各个依据耦合关系流向进行分布的异常生产节点数据,获得异常生产节点知识图谱,该异常生产节点知识图谱作为目标缺陷原因追踪单元的输入数据。进一步地,可以从上述异常生产节点数据簇中获得多个异常生产节点数据,获得初始异常生产节点知识图谱。对初始异常生产节点知识图谱中的每一个异常生产节点数据进行异常生产节点的耦合关系更新,加载到最新的节点耦合关系,获得耦合关系更新后的异常生产节点数据。最后将各个所述耦合关系更新后的异常生产节点数据依据耦合关系流向进行知识图谱生成,获得依据耦合关系流向进行分布的异常生产节点数据,结合依据耦合关系流向进行分布的异常生产节点数据得到以上异常生产节点知识图谱。
步骤S160,结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,确定关键视觉数据对应的目标缺陷原因信息。
一些可能的实施例中,确定关键视觉数据对应的目标缺陷原因信息可以由该基于机械视觉检测的改性塑料生产检测***自动介入。例如,第一缺陷原因追踪信息和第二缺陷原因追踪信息反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,确定该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息;第一缺陷原因追踪信息和第二缺陷原因追踪信息中的任意一个反映该关键视觉数据不存在多方耦合缺陷原因数据,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,确定该关键视觉数据不存在多方耦合缺陷原因数据。或者,第一缺陷原因追踪信息和第二缺陷原因追踪信息中的任意一个反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,确定该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息;第一缺陷原因追踪信息和第二缺陷原因追踪信息反映该关键视觉数据不存在多方耦合缺陷原因数据,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,确定该关键视觉数据不存在多方耦合缺陷原因数据。
在另一些可能的实施例中,确定关键视觉数据对应的目标缺陷原因信息可以进行生产优化。例如,第一缺陷原因追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息,第二缺陷原因追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,确定该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息;第一缺陷原因追踪信息用于反映该关键视觉数据不存在多方耦合缺陷原因数据,第二缺陷原因追踪信息用于反映该关键视觉数据不存在多方耦合缺陷原因数据,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,确定该关键视觉数据不存在多方耦合缺陷原因数据;第一缺陷原因追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息,第二缺陷原因追踪信息用于反映该关键视觉数据不存在多方耦合缺陷原因数据,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,生成生产优化指令针对该关键视觉数据进行生产优化,结合生产优化结果确定该关键视觉数据对应的目标缺陷原因信息;或者,第一缺陷原因追踪信息用于反映该关键视觉数据不存在多方耦合缺陷原因数据,第二缺陷原因追踪信息用于反映该关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息,基于机械视觉检测的改性塑料生产检测***结合第一缺陷原因追踪信息和第二缺陷原因追踪信息,生成生产优化指令针对该关键视觉数据进行生产优化,结合生产优化结果确定该关键视觉数据对应的目标缺陷原因信息。一些可能的实施例中,上述生产优化指令中可以包括但不限于以下至少一项:关键视觉数据、从关键视觉数据中追溯的异常生产节点数据、异常生产节点数据对应的第一缺陷原因追踪信息、从关键视觉数据中追溯的异常生产节点知识图谱、异常生产节点知识图谱对应的第二缺陷原因追踪信息,以供生产优化人员结合该生产优化指令中携带的数据信息进行生产优化。
步骤S170,结合每个所述关键视觉数据对应的目标缺陷原因信息向所述指定塑料生产分区对应的生产监测服务平台进行改性塑料生产检测结果下发。
结合以上步骤,本实施例结合从关键视觉数据中获取生产缺陷定位数据和异常生产节点知识图谱,结合多个考虑因素对关键视觉数据进行缺陷原因追踪,从生产缺陷定位数据中追溯生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息进行缺陷原因追踪,从异常生产节点知识图谱中追溯异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征进行缺陷原因追踪,由此依据多个考虑因素的生产缺陷相关变量执行缺陷原因追踪,提高了生产缺陷原因的分析准确性,由此提高后续塑料生产检测的可靠性。
一些可能的实施例中,接下来对结合生产缺陷定位数据进行缺陷原因追踪的方法流程进行介绍说明。
步骤S210,从关键视觉数据中追溯异常生产节点数据,并从异常生产节点数据中追溯生产缺陷定位数据。
本步骤可以参见以上针对步骤S120的介绍说明。
步骤S220,从生产缺陷定位数据中追溯第一生产缺陷状态路径数据,第一生产缺陷状态路径数据用于表示生产缺陷定位目标的缺陷运行变量簇。
一些可能的实施例中,缺陷原因追踪单元包括第一缺陷原因追踪单元。一些可能的实施例中,结合第一缺陷原因追踪单元从生产缺陷定位数据中追溯第一生产缺陷状态路径数据,并结合该第一生产缺陷状态路径数据进行缺陷原因追踪。
步骤S230,结合第一生产缺陷状态路径数据进行缺陷原因追踪,输出第一临时缺陷原因追踪信息。
第一临时缺陷原因追踪信息用于指示关键视觉数据对应的目标缺陷原因信息,或者说从关键视觉数据中追溯的异常生产节点数据是否为生产缺陷定位目标的多方耦合异常生产节点数据。
一些可能的实施例中,第一缺陷原因追踪单元包括第一变量提取分支、第一变量清洗分支和第一缺陷原因追踪分支,其中第一变量提取分支用于对生产缺陷定位数据进行变量提取,输出第一生产缺陷状态路径变量簇;第一变量清洗分支用于对第一生产缺陷状态路径变量簇进行变量清洗,输出第一生产缺陷状态路径数据;第一缺陷原因追踪分支用于结合第一生产缺陷状态路径数据进行缺陷原因追踪,输出第一临时缺陷原因追踪信息。
例如,第一变量提取分支结合CNN实现对生产缺陷定位数据进行变量提取,输出第一生产缺陷状态路径变量簇;第一变量清洗分支结合对第一生产缺陷状态路径变量簇进行变量清洗,输出第一生产缺陷状态路径数据。
步骤S240,从生产缺陷定位数据中追溯第二生产缺陷状态路径数据,第二生产缺陷状态路径数据用于表示生产缺陷定位目标的缺陷状态变化信息。
一些可能的实施例中,缺陷原因追踪单元还包括第二缺陷原因追踪单元。一些可能的实施例中,结合第二缺陷原因追踪单元从生产缺陷定位数据中追溯第二生产缺陷状态路径数据,并结合该第二生产缺陷状态路径数据进行缺陷原因追踪。
步骤S250,结合第二生产缺陷状态路径数据进行缺陷原因追踪,输出第二临时缺陷原因追踪信息。
第二临时缺陷原因追踪信息用于指示关键视觉数据对应的目标缺陷原因信息,或者说从关键视觉数据中追溯的异常生产节点数据是否为生产缺陷定位目标的多方耦合异常生产节点数据。
一些可能的实施例中,第二缺陷原因追踪单元包括第二变量提取分支、第二变量清洗分支和第二缺陷原因追踪分支,其中第二变量提取分支用于对生产缺陷定位数据进行变量提取,输出第二生产缺陷状态路径变量簇;第二变量清洗分支用于对第二生产缺陷状态路径变量簇进行变量清洗,输出第二生产缺陷状态路径数据;第二缺陷原因追踪分支用于结合第二生产缺陷状态路径数据进行缺陷原因追踪,输出第二临时缺陷原因追踪信息。
例如,第二变量提取分支结合CNN实现对生产缺陷定位数据进行变量提取,输出第二生产缺陷状态路径变量簇;第二变量清洗分支结合对第二生产缺陷状态路径变量簇进行变量清洗,输出第二生产缺陷状态路径数据;第二缺陷原因追踪分支可以实现结合第二生产缺陷状态路径数据进行是否存在缺陷原因的预测置信度,获得第二临时缺陷原因追踪信息。
第一缺陷原因追踪单元的架构和第二缺陷原因追踪单元的架构可以相同也可以不同。例如,第一缺陷原因追踪单元和第二缺陷原因追踪单元所包含的变量提取分支数量、变量提取分支的具体参数层可以存在区别。在网络层更新过程中中,结合第一塑料生产检测视觉样本数据对第一缺陷原因追踪单元进行网络层更新,即可得到结合生产缺陷定位目标的缺陷运行变量簇进行缺陷原因追踪的第一缺陷原因追踪单元;相对应的,结合第一塑料生产检测视觉样本数据对第二缺陷原因追踪单元进行网络层更新,即可得到结合生产缺陷定位目标的缺陷状态变化信息进行缺陷原因追踪的第二缺陷原因追踪单元。
步骤S260,结合第一临时缺陷原因追踪信息和第二临时缺陷原因追踪信息,确定第一缺陷原因追踪信息。
一些可能的实施例中,假若第一临时缺陷原因追踪信息和第二临时缺陷原因追踪信息反映关键视觉数据存在多方耦合缺陷原因数据,则输出反映关键视觉数据存在多方耦合缺陷原因数据的第一缺陷原因追踪信息;假若第一临时缺陷原因追踪信息和第二临时缺陷原因追踪信息中的任意一个反映关键视觉数据不存在多方耦合缺陷原因数据,则输出反映关键视觉数据不存在多方耦合缺陷原因数据的第一缺陷原因追踪信息。如此,如果任意一个临时缺陷原因追踪信息判定为不存在多方耦合缺陷原因数据,即可生成不存在多方耦合缺陷原因数据的第一缺陷原因追踪信息,从而提高缺陷原因追踪的可靠性。
在另一些可能的实施例中,假若第一临时缺陷原因追踪信息和第二临时缺陷原因追踪信息中的任意一个反映关键视觉数据存在多方耦合缺陷原因数据,则输出反映关键视觉数据存在多方耦合缺陷原因数据的第一缺陷原因追踪信息;假若第一临时缺陷原因追踪信息和第二临时缺陷原因追踪信息反映关键视觉数据不存在多方耦合缺陷原因数据,则输出反映关键视觉数据不存在多方耦合缺陷原因数据的第一缺陷原因追踪信息。结合这种方式,在两个临时缺陷原因追踪信息均判定为不存在多方耦合缺陷原因数据时,生成不存在多方耦合缺陷原因数据的第一缺陷原因追踪信息,从而提高缺陷原因追踪的可靠性。
此外,在第一临时缺陷原因追踪信息用于反映关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息,第二临时缺陷原因追踪信息用于反映关键视觉数据不存在多方耦合缺陷原因数据时,可以结合生产优化来分析关键视觉数据对应的目标缺陷原因信息;或者,在第一临时缺陷原因追踪信息用于反映关键视觉数据不存在多方耦合缺陷原因数据,第二临时缺陷原因追踪信息用于反映关键视觉数据是生产缺陷定位目标的多方耦合缺陷状态信息时,也可以结合生产优化来分析关键视觉数据对应的目标缺陷原因信息。
下面介绍以上的缺陷原因追踪单元。该缺陷原因追踪单元例如可以包括第一缺陷原因追踪单元和第二缺陷原因追踪单元。
例如,首先将生产缺陷定位数据进行成员数据提取,获得的多个生产缺陷定位成员数据,将多个生产缺陷定位成员数据加载到第一缺陷原因追踪单元和第二缺陷原因追踪单元中。以第一缺陷原因追踪单元为例,结合第一变量提取分支从多个生产缺陷定位成员数据中追溯第一生产缺陷状态路径数据;将第一生产缺陷状态路径数据加载到第一变量清洗分支,对第一生产缺陷状态路径数据进行变量清洗处理,获得变量清洗处理后的第一生产缺陷状态路径数据;将变量清洗处理后的第一生产缺陷状态路径数据加载到第一缺陷原因追踪分支,获得第一临时缺陷原因追踪信息。相对应地,结合第二变量提取分支从多个生产缺陷定位成员数据中追溯第二生产缺陷状态路径数据;将第二生产缺陷状态路径数据加载到第二变量清洗分支,对第二生产缺陷状态路径数据进行变量清洗处理,获得变量清洗处理后的第二生产缺陷状态路径数据;将变量清洗处理后的第二生产缺陷状态路径数据加载到第二缺陷原因追踪分支,获得第二临时缺陷原因追踪信息。最后,结合第一临时缺陷原因追踪信息和第二临时缺陷原因追踪信息,确定第一缺陷原因追踪信息。
一些可能的实施例中,对第一缺陷原因追踪单元和第二缺陷原因追踪单元的执行时序不作具体限定,第二缺陷原因追踪单元可以在第一缺陷原因追踪单元之后开始执行,也可以在第一缺陷原因追踪单元之前开始执行,或者与第一缺陷原因追踪单元同时开始执行。
一些可能的实施例中,对结合异常生产节点知识图谱进行生产缺陷定位目标缺陷原因追踪的方法流程进行介绍说明。
步骤S410,从关键视觉数据中提取多个异常生产节点数据,生成异常生产节点知识图谱。
本步骤可以参见针对步骤S140的实施例描述部分。
步骤S420,对异常生产节点知识图谱进行节点关系特征变量提取,输出多个节点关系特征变量,节点关系特征变量用于反映异常生产节点知识图谱的存在节点关系的关系连接变量。
对异常生产节点知识图谱进行节点关系特征变量提取是指对异常生产节点知识图谱中节点关系特征间成员内的异常生产节点数据进行变量提取,节点关系特征变量提取用于追溯异常生产节点知识图谱的存在节点关系的关系连接变量。存在节点关系的关系连接变量是指异常生产节点知识图谱中节点关系特征间片段内的异常生产节点数据的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征的融合变量。例如,将异常生产节点知识图谱分为多个节点关系特征段异常生产节点知识图谱,针对每个节点关系特征段异常生产节点知识图谱进行节点关系特征变量提取,输出多个节点关系特征变量。
步骤S430,对多个节点关系特征变量进行节点关系更新变量提取,输出多个节点关系更新变量,节点关系更新变量用于反映异常生产节点知识图谱的存在节点关系更新的变量。
步骤S440,对多个节点关系更新变量进行常驻关系变量提取,输出多个常驻关系变量,常驻关系变量用于反映异常生产节点知识图谱的异常生产节点存在常驻维持的变量。
对多个节点关系更新变量进行常驻关系变量提取是指追溯每张节点关系更新变量的常驻关系变量,常驻关系变量提取用于追溯异常生产节点知识图谱的异常生产节点存在常驻维持的变量。异常生产节点存在常驻维持的变量是指异常生产节点知识图谱中异常生产节点数据的深层异常生产节点之间的关系更新特征。例如,对多个节点关系更新变量分别进行常驻关系变量提取,输出多个常驻关系变量。
步骤S450,对多个常驻关系变量进行常驻关系转移变量提取,输出目标常驻关系变量,目标常驻关系变量用于反映异常生产节点知识图谱的存在常驻关系转移的变量。
对多个常驻关系变量进行常驻关系转移变量提取是指对异常生产节点知识图谱中的相邻异常生产节点数据之间进行常驻关系转移变量的追溯,常驻关系转移变量提取用于追溯异常生产节点知识图谱的目标常驻关系变量。目标常驻关系变量是指异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征的融合特征。
一些可能的实施例中,对多个常驻关系变量进行常驻关系转移变量提取,输出目标常驻关系变量包括:对所述多个常驻关系变量进行聚簇,获得常驻关系变量簇;结合多个设定衍生标签的变量衍生单元,对常驻关系变量簇分别进行变量衍生,获得多个衍生变量簇,衍生变量簇代表异常生产节点知识图谱的衍生常驻关系变量;对多个衍生变量簇进行融合,获得融合衍生变量簇;对融合衍生变量簇进行特征清洗,输出目标常驻关系变量。
步骤S460,结合目标常驻关系变量进行缺陷原因追踪,输出第二缺陷原因追踪信息。
一些可能的实施例中,目标缺陷原因追踪单元包括节点关系特征变量提取分支、节点关系更新变量提取分支、常驻关系变量提取分支、迁移变量提取分支和第三缺陷原因追踪分支。
节点关系特征变量提取分支用于对异常生产节点知识图谱进行节点关系特征变量提取,输出多个节点关系特征变量。
节点关系更新变量提取分支用于对多个节点关系特征变量进行节点关系更新变量提取,输出多个节点关系更新变量。
常驻关系变量提取分支用于对多个节点关系更新变量进行常驻关系变量提取,输出多个常驻关系变量。
迁移变量提取分支用于对多个常驻关系变量进行常驻关系转移变量提取,输出目标常驻关系变量。
第三缺陷原因追踪分支用于结合目标常驻关系变量进行缺陷原因追踪,输出第二缺陷原因追踪信息。
譬如,以上方法可以结合深度学习基础配置单元实现,所述深度学习基础配置单元包括缺陷原因追踪单元和目标缺陷原因追踪单元。该方法可以包括如下步骤。
1、获取第一塑料生产检测视觉样本数据簇和第二塑料生产检测视觉样本数据簇,第一塑料生产检测视觉样本数据簇包括多个第一塑料生产检测视觉样本数据,第一塑料生产检测视觉样本数据是从关键视觉数据的异常生产节点数据中追溯的生产缺陷定位数据,第二塑料生产检测视觉样本数据簇包括多个第二塑料生产检测视觉样本数据,第二塑料生产检测视觉样本数据是从关键视觉数据中获取的异常生产节点知识图谱。
一些可能的实施例中,在获取第一塑料生产检测视觉样本数据簇之后,计算第一塑料生产检测视觉样本数据与非多方耦合缺陷视觉样本数据之间的关联度;在关联度不小于目标关联度时,将第一塑料生产检测视觉样本数据确定为负塑料生产检测视觉样本数据;在关联度小于目标关联度时,将第一塑料生产检测视觉样本数据确定为正塑料生产检测视觉样本数据。
在另一些可能的实施例中,获取第一塑料生产检测视觉样本数据簇之后,对多个第一塑料生产检测视觉样本数据进行聚簇,获得多个视觉样本数据簇;结合多个视觉样本数据簇分别对应的聚簇有效数据量,获得聚簇有效数据量匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一塑料生产检测视觉样本数据作为负塑料生产检测视觉样本数据,以及获得聚簇有效数据量不匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一塑料生产检测视觉样本数据作为正塑料生产检测视觉样本数据,例如目标聚簇有效数据量条件可以是指:聚簇有效数据量大于预设聚簇有效数据量,按聚簇有效数据量的降序顺序的预设数量位范围。
例如,可以对第一塑料生产检测视觉样本数据做聚簇,获得聚簇有效数据量匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一塑料生产检测视觉样本数据作为负塑料生产检测视觉样本数据,以及获得聚簇有效数据量不匹配目标聚簇有效数据量条件的视觉样本数据簇内的第一塑料生产检测视觉样本数据作为正塑料生产检测视觉样本数据。例如,获得聚簇有效数据量最高的N个视觉样本数据簇内的第一塑料生产检测视觉样本数据作为负塑料生产检测视觉样本数据,其它视觉样本数据簇内的第一塑料生产检测视觉样本数据作为正塑料生产检测视觉样本数据。
在又一些可能的实施例中,结合第一塑料生产检测视觉样本数据簇中的负塑料生产检测视觉样本数据和正塑料生产检测视觉样本数据,确定第二塑料生产检测视觉样本数据簇中的负塑料生产检测视觉样本数据和正塑料生产检测视觉样本数据。例如,可以确定为正塑料生产检测视觉样本数据的第一塑料生产检测视觉样本数据(生产缺陷定位数据)所属的第二塑料生产检测视觉样本数据(异常生产节点知识图谱),也可以确定为正塑料生产检测视觉样本数据;可以确定为负塑料生产检测视觉样本数据的第一塑料生产检测视觉样本数据(生产缺陷定位数据)所属的第二塑料生产检测视觉样本数据(异常生产节点知识图谱),也可以确定为负塑料生产检测视觉样本数据。
一些可能的实施例中,对于第一塑料生产检测视觉样本数据簇与第二塑料生产检测视觉样本数据簇中的每一个塑料生产检测视觉样本数据,在分为正塑料生产检测视觉样本数据和负塑料生产检测视觉样本数据之后会添加对应的训练结合数据。
2、结合第一塑料生产检测视觉样本数据簇对缺陷原因追踪单元进行网络层更新,其中缺陷原因追踪单元用于结合生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷原因追踪,输出第一缺陷原因追踪信息,其中生产缺陷状态路径数据用于表示生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息。
3、结合第二塑料生产检测视觉样本数据簇对目标缺陷原因追踪单元进行网络层更新,其中目标缺陷原因追踪单元用于结合异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷原因追踪,输出第二缺陷原因追踪信息,其中异常生产节点的耦合关系信息用于表示异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征。
一些可能的实施例中,结合第二缺陷原因追踪信息和第二塑料生产检测视觉样本数据对应的训练评估参数,计算目标缺陷原因追踪单元对应的损失函数值,结合该损失函数值对目标缺陷原因追踪单元进行训练,直至目标缺陷原因追踪单元收敛时,输出最终获得的目标缺陷原因追踪单元。
结合同一发明构思,本申请实施例还提供一种基于机械视觉检测的改性塑料生产检测***,参阅图2,图2为本申请实施例提供的基于机械视觉检测的改性塑料生产检测***100的架构图,基于机械视觉检测的改性塑料生产检测***100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(Central Processing Units,CPU)112(例如,一个或一个以上处理器)和存储器111。其中,存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块,每个模块可以包括对基于机械视觉检测的改性塑料生产检测***100中的一系列指令操作。更进一步地,中央处理器112可以设置为与存储器111通信,在基于机械视觉检测的改性塑料生产检测***100上执行存储器111中的一系列指令操作。
基于机械视觉检测的改性塑料生产检测***100还可以包括一个或一个以上电源,一个或一个以上通信单元113,一个或一个以上加载到输出接口,和/或,一个或一个以上操作***,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述实施例中由基于机械视觉检测的改性塑料生产检测***所执行的步骤可以结合图2所示的基于机械视觉检测的改性塑料生产检测***结构。
另外,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的每个实施例均采用递进的方式描述,每个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于机械视觉检测的改性塑料生产检测方法,应用于基于机械视觉检测的改性塑料生产检测***,其特征在于,包括:
从指定塑料生产分区的塑料生产检测视觉数据中获取待追溯的关键视觉数据;
从所述关键视觉数据中追溯异常生产节点数据,并从所述异常生产节点数据中追溯生产缺陷定位数据;
基于所述生产缺陷定位数据确定所述关键视觉数据对应的目标缺陷原因信息;
结合每个所述关键视觉数据对应的目标缺陷原因信息向所述指定塑料生产分区对应的生产监测服务平台进行改性塑料生产检测结果下发。
2.根据权利要求1所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述基于所述生产缺陷定位数据确定所述关键视觉数据对应的目标缺陷原因信息的步骤,包括:
结合所述生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷原因追踪,输出第一缺陷原因追踪信息,其中所述生产缺陷状态路径数据用于表示所述生产缺陷定位数据中的生产缺陷定位目标的缺陷运行信息和缺陷状态变化信息;
从所述关键视觉数据中提取多个异常生产节点数据,生成异常生产节点知识图谱;
结合所述异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷原因追踪,输出第二缺陷原因追踪信息,其中所述异常生产节点的耦合关系信息用于表示所述异常生产节点知识图谱中的异常生产节点之间的关系连接特征和异常生产节点之间的关系更新特征;
结合所述第一缺陷原因追踪信息和所述第二缺陷原因追踪信息,确定所述关键视觉数据对应的目标缺陷原因信息。
3.根据权利要求2所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述结合所述生产缺陷定位数据中反映的生产缺陷状态路径数据进行缺陷原因追踪,输出第一缺陷原因追踪信息,包括:
从所述生产缺陷定位数据中追溯第一生产缺陷状态路径数据,所述第一生产缺陷状态路径数据用于表示所述生产缺陷定位目标的缺陷运行变量簇;
结合所述第一生产缺陷状态路径数据进行缺陷原因追踪,输出第一临时缺陷原因追踪信息;
从所述生产缺陷定位数据中追溯第二生产缺陷状态路径数据,所述第二生产缺陷状态路径数据用于表示所述生产缺陷定位目标的缺陷状态变化信息;
结合所述第二生产缺陷状态路径数据进行缺陷原因追踪,输出第二临时缺陷原因追踪信息;
结合所述第一临时缺陷原因追踪信息和所述第二临时缺陷原因追踪信息,确定所述第一缺陷原因追踪信息。
4.根据权利要求3所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述第一临时缺陷原因追踪信息结合第一缺陷原因追踪单元获得,所述第二临时缺陷原因追踪信息结合第二缺陷原因追踪单元获得;
所述第一缺陷原因追踪单元包括第一变量提取分支、第一变量清洗分支和第一缺陷原因追踪分支;
其中,所述第一变量提取分支用于对所述生产缺陷定位数据进行变量提取,输出第一生产缺陷状态路径变量簇;所述第一变量清洗分支用于对所述第一生产缺陷状态路径变量簇进行变量清洗,输出所述第一生产缺陷状态路径数据;
所述第一缺陷原因追踪分支用于结合所述第一生产缺陷状态路径数据进行缺陷原因追踪,输出所述第一临时缺陷原因追踪信息;
所述第二缺陷原因追踪单元包括第二变量提取分支、第二变量清洗分支和第二缺陷原因追踪分支;
其中,所述第二变量提取分支用于对所述生产缺陷定位数据进行变量提取,输出第二生产缺陷状态路径变量簇;
所述第二变量清洗分支用于对所述第二生产缺陷状态路径变量簇进行变量清洗,输出所述第二生产缺陷状态路径数据;
所述第二缺陷原因追踪分支用于结合所述第二生产缺陷状态路径数据进行缺陷原因追踪,输出所述第二临时缺陷原因追踪信息。
5.根据权利要求3所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述结合所述第一临时缺陷原因追踪信息和所述第二临时缺陷原因追踪信息,确定所述第一缺陷原因追踪信息,包括:
假若所述第一临时缺陷原因追踪信息和所述第二临时缺陷原因追踪信息反映所述关键视觉数据存在多方耦合缺陷原因数据,则输出反映所述关键视觉数据存在多方耦合缺陷原因数据的第一缺陷原因追踪信息;
假若所述第一临时缺陷原因追踪信息和所述第二临时缺陷原因追踪信息中的任意一个反映所述关键视觉数据不存在多方耦合缺陷原因数据,则输出反映所述关键视觉数据不存在多方耦合缺陷原因数据的第一缺陷原因追踪信息;
或者,假若所述第一临时缺陷原因追踪信息和所述第二临时缺陷原因追踪信息中的任意一个反映所述关键视觉数据存在多方耦合缺陷原因数据,则输出反映所述关键视觉数据存在多方耦合缺陷原因数据的第一缺陷原因追踪信息;
假若所述第一临时缺陷原因追踪信息和所述第二临时缺陷原因追踪信息反映所述关键视觉数据不存在多方耦合缺陷原因数据,则输出反映所述关键视觉数据不存在多方耦合缺陷原因数据的第一缺陷原因追踪信息。
6.根据权利要求2所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述结合所述异常生产节点知识图谱中反映的异常生产节点的耦合关系信息进行缺陷原因追踪,输出第二缺陷原因追踪信息,包括:
对所述异常生产节点知识图谱进行节点关系特征变量提取,输出多个节点关系特征变量,所述节点关系特征变量用于反映所述异常生产节点知识图谱的存在节点关系的关系连接变量;
对所述多个节点关系特征变量进行节点关系更新变量提取,输出多个节点关系更新变量,所述节点关系更新变量用于反映所述异常生产节点知识图谱的存在节点关系更新的变量;
对所述多个节点关系更新变量进行常驻关系变量提取,输出多个常驻关系变量,所述常驻关系变量用于反映所述异常生产节点知识图谱的异常生产节点存在常驻维持的变量;
对所述多个常驻关系变量进行常驻关系转移变量提取,输出目标常驻关系变量,所述目标常驻关系变量用于反映所述异常生产节点知识图谱的存在常驻关系转移的变量;
结合所述目标常驻关系变量进行缺陷原因追踪,输出所述第二缺陷原因追踪信息。
7.根据权利要求6所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述对所述多个常驻关系变量进行常驻关系转移变量提取,输出目标常驻关系变量,包括:
对所述多个常驻关系变量进行聚簇,获得常驻关系变量簇;
结合多个设定衍生标签的变量衍生单元,对所述常驻关系变量簇分别进行变量衍生,获得多个衍生变量簇,所述衍生变量簇代表所述异常生产节点知识图谱的衍生常驻关系变量;
对所述多个衍生变量簇进行融合,获得融合衍生变量簇;
对所述融合衍生变量簇进行特征清洗,输出所述目标常驻关系变量。
8.根据权利要求6所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述第二缺陷原因追踪信息结合目标缺陷原因追踪单元获得,所述目标缺陷原因追踪单元包括节点关系特征变量提取分支、节点关系更新变量提取分支、常驻关系变量提取分支、迁移变量提取分支和第三缺陷原因追踪分支;
所述节点关系特征变量提取分支,用于对所述异常生产节点知识图谱进行节点关系特征变量提取,输出多个节点关系特征变量,所述节点关系特征变量用于反映所述异常生产节点知识图谱的存在节点关系的关系连接变量;
所述节点关系更新变量提取分支,用于对所述多个节点关系特征变量进行节点关系更新变量提取,输出多个节点关系更新变量,所述节点关系更新变量用于反映所述异常生产节点知识图谱的存在节点关系更新的变量;
所述常驻关系变量提取分支,用于对所述多个节点关系更新变量进行常驻关系变量提取,输出多个常驻关系变量,所述常驻关系变量用于反映所述异常生产节点知识图谱的异常生产节点存在常驻维持的变量;
所述迁移变量提取分支,用于对所述多个常驻关系变量进行常驻关系转移变量提取,输出目标常驻关系变量,所述目标常驻关系变量用于反映所述异常生产节点知识图谱的存在常驻关系转移的变量;
所述第三缺陷原因追踪分支,用于结合所述目标常驻关系变量进行缺陷原因追踪,输出所述第二缺陷原因追踪信息。
9.根据权利要求1-8中任一项所述的基于机械视觉检测的改性塑料生产检测方法,其特征在于,所述从所述关键视觉数据中提取多个异常生产节点数据,生成异常生产节点知识图谱,包括:
对所述关键视觉数据进行异常生产节点追溯,获得所述关键视觉数据的异常生产节点数据簇;
从所述异常生产节点数据簇中获得多个异常生产节点数据进行知识图谱生成,获得初始异常生产节点知识图谱;
对所述初始异常生产节点知识图谱中的每一个异常生产节点数据进行异常生产节点的耦合关系更新,加载到最新的节点耦合关系,获得耦合关系更新后的异常生产节点数据;
将各个所述耦合关系更新后的异常生产节点数据依据耦合关系流向进行知识图谱生成,获得依据耦合关系流向进行分布的异常生产节点数据;
结合各个所述依据耦合关系流向进行分布的异常生产节点数据,获得所述异常生产节点知识图谱。
10.一种基于机械视觉检测的改性塑料生产检测***,其特征在于,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现权利要求1-9中任意一项所述的基于机械视觉检测的改性塑料生产检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232855.1A CN114324368B (zh) | 2022-03-10 | 2022-03-10 | 基于机械视觉检测的改性塑料生产检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232855.1A CN114324368B (zh) | 2022-03-10 | 2022-03-10 | 基于机械视觉检测的改性塑料生产检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114324368A true CN114324368A (zh) | 2022-04-12 |
CN114324368B CN114324368B (zh) | 2022-07-29 |
Family
ID=81033822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210232855.1A Active CN114324368B (zh) | 2022-03-10 | 2022-03-10 | 基于机械视觉检测的改性塑料生产检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114324368B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578780A (zh) * | 2022-05-06 | 2022-06-03 | 广东祥利科技有限公司 | 交联聚乙烯在线生产监测方法及*** |
CN114594746A (zh) * | 2022-05-10 | 2022-06-07 | 广东祥利科技有限公司 | 改性橡胶智能生产检测控制方法及*** |
CN116430831A (zh) * | 2023-04-26 | 2023-07-14 | 宁夏五谷丰生物科技发展有限公司 | 应用于食用油生产控制***的数据异常监控方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257144A (zh) * | 2013-05-15 | 2013-08-21 | 华南理工大学 | 一种基于机器视觉的塑料瓶瓶口余料检测方法及装置 |
CN103743745A (zh) * | 2013-12-17 | 2014-04-23 | 江苏金发科技新材料有限公司 | 改性塑料外观污点检测方法 |
CN105571500A (zh) * | 2016-01-26 | 2016-05-11 | 中塑联新材料科技湖北有限公司 | 一种塑料片材生产线随机检测仪 |
CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及*** |
CN112395424A (zh) * | 2020-10-10 | 2021-02-23 | 北京仿真中心 | 一种复杂产品质量问题追溯方法及*** |
CN113067747A (zh) * | 2021-03-15 | 2021-07-02 | 中国工商银行股份有限公司 | 一种链路异常追溯方法、集群、节点及*** |
CN113420157A (zh) * | 2021-05-27 | 2021-09-21 | 冶金自动化研究设计院 | 基于知识图谱的钢铁产品表面纵裂纹缺陷溯源分析方法 |
CN113487211A (zh) * | 2021-07-20 | 2021-10-08 | 华东理工大学 | 核电装备质量追溯方法、***、计算机设备及介质 |
-
2022
- 2022-03-10 CN CN202210232855.1A patent/CN114324368B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257144A (zh) * | 2013-05-15 | 2013-08-21 | 华南理工大学 | 一种基于机器视觉的塑料瓶瓶口余料检测方法及装置 |
CN103743745A (zh) * | 2013-12-17 | 2014-04-23 | 江苏金发科技新材料有限公司 | 改性塑料外观污点检测方法 |
CN105571500A (zh) * | 2016-01-26 | 2016-05-11 | 中塑联新材料科技湖北有限公司 | 一种塑料片材生产线随机检测仪 |
CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及*** |
CN112395424A (zh) * | 2020-10-10 | 2021-02-23 | 北京仿真中心 | 一种复杂产品质量问题追溯方法及*** |
CN113067747A (zh) * | 2021-03-15 | 2021-07-02 | 中国工商银行股份有限公司 | 一种链路异常追溯方法、集群、节点及*** |
CN113420157A (zh) * | 2021-05-27 | 2021-09-21 | 冶金自动化研究设计院 | 基于知识图谱的钢铁产品表面纵裂纹缺陷溯源分析方法 |
CN113487211A (zh) * | 2021-07-20 | 2021-10-08 | 华东理工大学 | 核电装备质量追溯方法、***、计算机设备及介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578780A (zh) * | 2022-05-06 | 2022-06-03 | 广东祥利科技有限公司 | 交联聚乙烯在线生产监测方法及*** |
CN114578780B (zh) * | 2022-05-06 | 2022-08-16 | 广东祥利科技有限公司 | 交联聚乙烯在线生产监测方法及*** |
CN114594746A (zh) * | 2022-05-10 | 2022-06-07 | 广东祥利科技有限公司 | 改性橡胶智能生产检测控制方法及*** |
CN114594746B (zh) * | 2022-05-10 | 2022-08-12 | 广东祥利科技有限公司 | 改性橡胶智能生产检测控制方法及*** |
CN116430831A (zh) * | 2023-04-26 | 2023-07-14 | 宁夏五谷丰生物科技发展有限公司 | 应用于食用油生产控制***的数据异常监控方法及*** |
CN116430831B (zh) * | 2023-04-26 | 2023-10-31 | 宁夏五谷丰生物科技发展有限公司 | 应用于食用油生产控制***的数据异常监控方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114324368B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114324368B (zh) | 基于机械视觉检测的改性塑料生产检测方法及*** | |
CN104461693B (zh) | 一种桌面云计算环境下的虚拟机更新方法和*** | |
CN108880915B (zh) | 一种电力信息网络安全告警信息误报判定方法和*** | |
CN111983935A (zh) | 一种性能评测方法和装置 | |
CN111026409A (zh) | 一种自动监控方法、装置、终端设备及计算机存储介质 | |
CN115225536B (zh) | 一种基于无监督学习的虚拟机异常检测方法及*** | |
US10901969B2 (en) | System and method for facilitating an objective-oriented data structure and an objective via the data structure | |
CN114124567A (zh) | 基于大数据漏洞挖掘的云服务处理方法及人工智能*** | |
CN114692169B (zh) | 应用大数据和ai分析的页面漏洞处理方法及页面服务*** | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN114157507A (zh) | 采用大数据分析的云服务漏洞分析方法及人工智能*** | |
CN115640159A (zh) | 一种微服务故障诊断方法及*** | |
CN114942947A (zh) | 一种基于智慧医疗的复诊随访数据处理方法及*** | |
CN115981902A (zh) | 一种细粒度分布式微服务***异常根因定位方法及装置 | |
CN112905370A (zh) | 拓扑图生成方法、异常检测方法、装置、设备及存储介质 | |
CN116701222A (zh) | 基于特征加权迁移学习的跨项目软件缺陷预测方法及*** | |
CN114564523B (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai*** | |
CN116777861A (zh) | 一种激光雕刻机打标质量检测方法及*** | |
CN116307930A (zh) | 一种调度自动化***运维异常指标推荐方法及*** | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN114973152A (zh) | 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质 | |
CN114742644A (zh) | 训练多场景风控***、预测业务对象风险的方法和装置 | |
CN111462893B (zh) | 一种提供诊断依据的中文病历辅助诊断方法及*** | |
CN115086000B (zh) | 网络入侵检测方法及*** | |
CN114530163A (zh) | 基于密度聚类的采用声音识别设备生命周期的方法及*** |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 527499 No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province Patentee after: Guangdong Xiangli Technology Group Co.,Ltd. Address before: 527499 No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province Patentee before: GUANGDONG XIANGLI TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |