[发明专利]一种基于卷积神经网络的产品质量分类系统

说明书

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。

技术领域

本发明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。

背景技术

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。国家发明专利“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。

发明内容

为解决上述问题，本发明在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，本发明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：