[发明专利]一种基于5G云边协同的外观检测方法及实现系统

说明书

本发明涉及一种基于5G云边协同的外观检测方法及实现系统，检测方法包括：1)边缘子节点收集数据并判断数据是否符合生产要求；2)边缘子节点获取待进行检测的产品的型号，并反馈给任务子节点；3)任务子节点利用云中心下发的训练好的目标检测模型获取图像中产品轮廓范围以及产品轮廓范围内的标注目标；4)任务子节点判定进行检测的产品与边缘子节点反馈的一维码对应的产品是否相对应；5)将判断结果与图像上传云中心进行存储，完成产品外观检测。本发明提出了相对泛化的工厂生产线产品外观检测系统，可以在绝大多数产品的外观检测中进行应用，该检测方法的分类准确率高，且具有计算资源利用率高，设备部署简单等优点。

技术领域

本发明涉及一种基于5G云边协同的外观检测方法及实现系统，属于目标检测与5G应用技术领域。

背景技术

在现代工业产线的工业产品制造完成之后，正式封装入库之前，为了保证所生产产品外观符合质量标准，产品附件全部添加正确，需要对产品进行检测。在质量检测中，最传统的方式还是人工检测的方法，另外，还有传统算法当中的模板匹配算法以及机器学习等方式。

人工检测方式，顾名思义，主要是通过人工对检测目标识别的方式来确定产品外观的质量。但是随着人工成本的增加，工人不能长时间保持注意力存在一定的误判以及无法保持产线运转的流畅性等的因素，此种方式已逐渐被淘汰。

随着工业自动化技术的普及，为了适用自动化的流程，开始采用机器智能图像检测的方式来完成质量的检测，检测方式主要为模板匹配的方式。模板匹配有分为了两个类型，第一个方式是将整个合格的产品图像作为模板，将其与现场采集到的进行匹配，在匹配度达到一定比例之后就将其判断为正；另一种匹配方式是首先确定需要检测的关键部位并制作关键部位的合格样本的模板，而后将识别主体切割出来，再将各个关键部位的模板与切割后的图像进行模板匹配，检测图像中是否含有关键部位。第一种方式的算法复杂度最低，最好实现，在性能较差的主机上也会有比较快速的识别，但识别准确率较差；第二种方式算法复杂度稍低，同时需要在检测前做大量的图像预处理，实现难度有比较大的提升，同时也在识别率方面有明显的提升。模板匹配算法在主机性能受限时，可以作为一种比较理想的方式，但是在准确率方面相对来说很多情况下没有达到工业生产的要求。

机器学习是另一种常用的检测方式，该方式将空调的外观检测问题转化为图像的分类问题，利用机器学习中的一系列分类方法来对图像进行分类，从而得出检测结果，主流方式有KNN、SVM、BP神经网络、CNN和迁移学习等的方式。KNN全称为K最近邻(K-NearstNeighbor)分类算法,基本思想是如果一个样本在特征空间中的k个最近邻样本的大多数属于某一种类别，则该样本也属于该类别；SVM全称为支持向量机(SupportVectorMachine)，是用于对于数据进行二元分类的广义线性分类器，利用非线性函数，将样本数据从低维空间映射到高维空间中，主要任务是求解最大边距超平面以此用来对数据样本进行分类；BP神经即反向传播神经网络(Back-propagation NeuronNetWork),是最传统的神经网络。BP神经网络的学习过程由正向传播和反向传播构成。样本由输入层传入，经隐藏层后传入输出层，由于实际输出与期望输出之间存在误差，所以需要进行反向传播，将输出以某种方式通过隐藏层反向传播到输入层，并将误差分配给各个隐藏层，从而获得各层的误差信号，以此对权重进行修正。BP神经网络在分类领域有一定的局限性，它需要较长的训练时间同时容易陷入局部最小值。借鉴BP神经网络的思想，卷积神经网络(Convolutional Neural Networks,CNN)开始广泛应用，并成为深度学习的代表算法之一。CNN输入层可以处理多维数据，并使用梯度下降算法进行学习，同时在隐含层中包含了卷积层、池化层和全连接层等结构，根据结构不同又产生了各种不同的神经网络算法，这一系列算法对计算量要求极大，不同算法在不同任务上的性能存在很大差异，在具体问题上需要进行具体设计。