[发明专利]一种基于云边协同模型优化的产品外观检测方法及其实现系统

说明书

本发明涉及一种基于云边协同模型优化的产品外观检测方法及其实现系统，检测方法包括：S1、建立基础数据集；S2、训练YOLOv3‑tiny和YOLOv3模型，并分别部署在边缘服务器和云平台；S3、YOLOv3‑tiny模型对图片进行检测识别，检测合格时，将图片和检测结果均发送至云平台，进行S5；检测不合格时，判定为疑似不合格，发送至云平台，进行S4；S4、在云平台，对疑似不合格的图片进行二次检测；二次检测不合格时，输出结果，结束；二次检测合格时，则进行S5；S5、将合格的图片保存在云平台，输出结果，结束。本发明通过使用云边协同的工作模式，解决了精确度、灵活性、时延和数据使用率方面的问题。

技术领域

本发明涉及一种基于云边协同模型优化的产品外观检测方法及其实现系统，属于边缘计算架构和人工智能的技术领域。

背景技术

工业生产线检测率直接关系到生产效率，目前多数生产线使用的是固定模型的空调外机识别方法，识别成功率不高，且不便于进行模型的更新和部署，对大量工业数据的收集处理存在问题。

现有多数工厂生产线的工作模式未涉及云边架构，在检测精度、问题分析、整体优化方面还有待提升。而边缘计算对场景个性化要求高，其合理性和实用性需要综合考虑。因此配合边缘设备，构建云边协同的工作模式，能有效利用数据，减少云平台压力，降低时延，从而提高生产质量和生产效率。

离散制造的产品由多个零件经过一系列并不连续的工序的加工最终装配而成。加工此类产品的企业可被称为离散制造型企业。例如，空调外机的智能检测则属于离散制造中的关键一环。

在目前的离散制造业外观检测中，多采用模板匹配和人工检测的方法，分别存在精度差、检测慢和效率低的问题。与此同时，基于大数据的深度学习在这一领域的应用非常少，数据价值的挖掘程度不够，工业数据的利用率也亟待提升。在大数据、AI和智能制造的背景下，采用云边协同检测架构，部署基于深度学习的边缘智能进行离散制造业智能外观检测，能减少人力成本，有效提高系统检测精度、效率和稳定性，对离散制造业的智能转型具有重要意义。

目前的工业制检系统采用网络机构相对复杂，但计算速度相对慢，且没有涉及单张图片中的多目标识别检测，也未涉及数据集和模型闭环优化。

5G通信技术正在兴起，也是未来发展的必然。采用5G通信可以在满足时间要求的前提下减少工业现场布线复杂的问题，有效提高工业设备部署的灵活性，更契合了5G+工业互联网的工业转型趋势。

发明内容

针对现有技术的不足，本发明提供了一种基于云边协同模型优化的产品外观检测方法，从优化架构、减少云平台压力、提高数据利用率的角度入手，通过使用云边协同的工作模式，实现了云平台进行大规模计算和统筹分析、边缘侧进行小规模计算和数据预处理的云边分工体系，解决了精确度、灵活性、时延和数据使用率方面的问题。

本发明还提供了上述基于云边协同模型优化的产品外观检测方法的实现系统。

本发明的技术方案为：

一种基于云边协同模型优化的产品外观检测方法，包括步骤如下：

S1、收集已知是否合格的产品外观的图片，对产品外观的图片进行标注后，建立基础数据集；

S2、使用基础数据集分别训练YOLOv3-tiny模型和YOLOv3模型，将训练好的YOLOv3-tiny模型部署在边缘服务器端，训练好的YOLOv3模型部署在云平台；

S3、在边缘服务器端处，使用训练好的YOLOv3-tiny模型对需要检测的产品外观的图片进行检测识别；

当检测置信度大于等于设定置信度时，判定为合格，并将产品外机的图片和检测结果均发送至云平台，然后进行步骤S5；

当检测置信度小于设定置信度时，判定为疑似不合格，并将产品外机的图片单独发送至云平台，然后进行步骤S4；