本技術(shù)涉及工件評(píng)估領(lǐng)域，具體而言，涉及一種基于邊緣計(jì)算的在線工件分類與質(zhì)量評(píng)估方法及系統(tǒng)。

背景技術(shù)：

1、本部分的內(nèi)容僅提供了與本技術(shù)相關(guān)的背景信息，其可能并不構(gòu)成現(xiàn)有技術(shù)。

2、邊緣計(jì)算是一種分布式計(jì)算模式，其原理是將數(shù)據(jù)處理或服務(wù)部署從云端轉(zhuǎn)移到網(wǎng)絡(luò)邊緣，即靠近數(shù)據(jù)源或用戶的地方。這種模式旨在減少網(wǎng)絡(luò)延遲，提高數(shù)據(jù)安全性，節(jié)省帶寬成本，并提高用戶體驗(yàn)和服務(wù)質(zhì)量。隨著物聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)和人工智能等技術(shù)的快速發(fā)展，數(shù)據(jù)量呈現(xiàn)爆炸式增長(zhǎng)，而網(wǎng)絡(luò)帶寬和云計(jì)算資源難以滿足這種日益增長(zhǎng)的需求。因此，邊緣計(jì)算應(yīng)運(yùn)而生，通過(guò)在網(wǎng)絡(luò)邊緣部署計(jì)算節(jié)點(diǎn)，實(shí)現(xiàn)數(shù)據(jù)的就近處理，從而提高了數(shù)據(jù)處理的效率和實(shí)時(shí)性。

3、在工業(yè)制造領(lǐng)域，工件分類與質(zhì)量評(píng)估構(gòu)成了生產(chǎn)過(guò)程中不可或缺的一環(huán)。當(dāng)前已有先進(jìn)技術(shù)，例如公開號(hào)為cn111080622a的發(fā)明，提出了一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法以及工件表面缺陷的分類與檢測(cè)方法，該方案借助深度學(xué)習(xí)技術(shù)精確定位工件表面的缺陷位置。通過(guò)這種方式，缺陷的分類結(jié)果不僅能在檢測(cè)圖像中提供豐富的信息，還能用于評(píng)估測(cè)試樣品，并揭示制造過(guò)程中的潛在影響因素。然而，這一方案在實(shí)際應(yīng)用中面臨一個(gè)局限性：它主要設(shè)計(jì)用于處理單一類型的工件。當(dāng)需要在多條不同生產(chǎn)線上部署時(shí)，往往需要手動(dòng)更換與處理對(duì)象相匹配的處理模型，缺乏自動(dòng)適應(yīng)不同產(chǎn)線工件進(jìn)行分類識(shí)別和質(zhì)量評(píng)估的能力。因此，急需一種基于邊緣計(jì)算的在線工件分類與質(zhì)量評(píng)估方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本技術(shù)的目的在于提供一種基于邊緣計(jì)算的在線工件分類與質(zhì)量評(píng)估方法及系統(tǒng)，通過(guò)邊緣計(jì)算的方式利用邊緣節(jié)點(diǎn)根據(jù)識(shí)別工件類型，而后根據(jù)類型采用對(duì)應(yīng)的分類模型和評(píng)估模型，使得產(chǎn)線在生產(chǎn)時(shí)自動(dòng)適應(yīng)不同產(chǎn)線工件進(jìn)行分類識(shí)別和質(zhì)量評(píng)估。

2、本技術(shù)的目的通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

3、第一方面，本技術(shù)實(shí)施例提出的一種基于邊緣計(jì)算的在線工件分類與質(zhì)量評(píng)估方法，包括對(duì)產(chǎn)線實(shí)時(shí)監(jiān)控的攝像機(jī)、與多個(gè)攝像機(jī)連接的邊緣節(jié)點(diǎn)以及與多個(gè)邊緣節(jié)點(diǎn)連接的中心云，該方法包括：

4、基于輸入的生產(chǎn)參數(shù)，中心云根據(jù)生產(chǎn)參數(shù)的產(chǎn)品類目向?qū)?yīng)的邊緣節(jié)點(diǎn)發(fā)送第一配置信息，中心云內(nèi)預(yù)存有工件品類的識(shí)別算法模型、多個(gè)工件的分類算法模型和多個(gè)工件的質(zhì)量評(píng)估算法模型；

5、邊緣節(jié)點(diǎn)根據(jù)第一配置信息，從中心云中獲取識(shí)別算法模型，并進(jìn)行識(shí)別算法程序的配置；

6、響應(yīng)于攝像機(jī)發(fā)送的圖像或視頻信息，邊緣節(jié)點(diǎn)通過(guò)識(shí)別算法模型對(duì)圖像或視頻信息進(jìn)行識(shí)別，根據(jù)識(shí)別得到的工件品類從中心云獲取對(duì)應(yīng)的分類算法模型，并進(jìn)行分類算法程序的配置；

7、通過(guò)分類算法程序?qū)D像或視頻信息進(jìn)行缺陷分類，得到分類信息；將分類信息和工件品類信息打包發(fā)送至中心云；

8、中心云根據(jù)工件品類信息配置對(duì)應(yīng)的質(zhì)量評(píng)估算法程序，在配置完成后，根據(jù)分類信息通過(guò)質(zhì)量評(píng)估程序?qū)ぜM(jìn)行質(zhì)量評(píng)估。

9、進(jìn)一步地，每個(gè)攝像機(jī)至少與兩個(gè)邊緣節(jié)點(diǎn)連接，每個(gè)邊緣節(jié)點(diǎn)存儲(chǔ)有已連接攝像機(jī)發(fā)送的信息，每個(gè)邊緣節(jié)點(diǎn)處理授權(quán)攝像機(jī)發(fā)送的信息，中心云內(nèi)預(yù)存有與邊緣節(jié)點(diǎn)與攝像機(jī)的連接對(duì)照表，方法還包括：

10、當(dāng)中心云在第一預(yù)設(shè)時(shí)間內(nèi)，未收到已配置的邊緣節(jié)點(diǎn)發(fā)送的分類信息時(shí)，中心云向邊緣節(jié)點(diǎn)發(fā)送心跳包以檢測(cè)連接狀態(tài)；

11、若心跳包在第二預(yù)設(shè)時(shí)間內(nèi)沒有收到響應(yīng)，中心云從連接對(duì)照表中獲取與邊緣節(jié)點(diǎn)連接的失聯(lián)攝像機(jī)的身份信息，將身份信息進(jìn)行廣播；

12、響應(yīng)于廣播的身份信息，每個(gè)邊緣節(jié)點(diǎn)將身份信息與已連接的攝像機(jī)進(jìn)行比對(duì)，若比對(duì)結(jié)果不同，則對(duì)應(yīng)的邊緣節(jié)點(diǎn)保持靜默；

13、若比對(duì)結(jié)果為相同，則對(duì)應(yīng)的邊緣節(jié)點(diǎn)定義為關(guān)聯(lián)邊緣節(jié)點(diǎn)，關(guān)聯(lián)邊緣節(jié)點(diǎn)將結(jié)果反饋至中心云，中心云選擇任一關(guān)聯(lián)邊緣節(jié)點(diǎn)授權(quán)處理失聯(lián)攝像機(jī)發(fā)送的圖像或視頻信息。

14、進(jìn)一步地，授權(quán)處理失聯(lián)攝像機(jī)發(fā)送的圖像或視頻信息之后，還包括：

15、中心云根據(jù)時(shí)間戳和失聯(lián)邊緣節(jié)點(diǎn)最后一次發(fā)送的分類信息，生成失聯(lián)節(jié)點(diǎn)信息；

16、關(guān)聯(lián)邊緣節(jié)點(diǎn)根據(jù)失聯(lián)節(jié)點(diǎn)信息在存儲(chǔ)單元中定位失聯(lián)節(jié)點(diǎn)，并按照時(shí)間順序處理失聯(lián)節(jié)點(diǎn)后的圖像或視頻信息。

17、進(jìn)一步地，邊緣節(jié)點(diǎn)通過(guò)識(shí)別算法模型對(duì)圖像或視頻信息進(jìn)行識(shí)別的步驟，具體包括：

18、在圖像或視頻信息中截取出待處理工件的目標(biāo)圖像；

19、通過(guò)ocr對(duì)目標(biāo)圖像進(jìn)行編號(hào)或文字識(shí)別，若識(shí)別出編號(hào)或文字，則根據(jù)資料庫(kù)匹配對(duì)應(yīng)的產(chǎn)品類目；

20、若未識(shí)別出標(biāo)號(hào)或文字，則分別計(jì)算工件的圖像與多個(gè)預(yù)設(shè)的工件標(biāo)準(zhǔn)模板之間的相似度，以相似度最高且滿足預(yù)設(shè)第一閾值的工件標(biāo)準(zhǔn)模板作為產(chǎn)品類目。

21、進(jìn)一步地，通過(guò)分類算法程序?qū)D像或視頻信息進(jìn)行缺陷分類的步驟，具體包括：

22、利用邊緣檢測(cè)算法從目標(biāo)圖像中提取工件的輪廓信息，并與預(yù)設(shè)的標(biāo)準(zhǔn)輪廓對(duì)比，若相似度小于預(yù)設(shè)第二閾值，則判斷為輪廓缺陷，將輪廓信息和標(biāo)準(zhǔn)輪廓分割成多個(gè)單元，將輪廓信息和標(biāo)準(zhǔn)輪廓相同位置的單元對(duì)比，篩選出相似度低于第三閾值的單元，記錄單元對(duì)應(yīng)的坐標(biāo)，若坐標(biāo)與工件的輪廓不連續(xù)，則判斷為裂紋；

23、若相似度大于預(yù)設(shè)第二閾值，則對(duì)比目標(biāo)圖像中每個(gè)像素與周圍的像素的色差，若超過(guò)預(yù)設(shè)色差值，則判斷為凹陷或斑點(diǎn)。

24、進(jìn)一步地，根據(jù)分類信息通過(guò)質(zhì)量評(píng)估程序?qū)ぜM(jìn)行質(zhì)量評(píng)估的步驟，具體包括：

25、中心云根據(jù)分類信息篩選出滿足預(yù)設(shè)返工條件的工件，用于計(jì)算返工率；根據(jù)分類信息篩選出不滿足預(yù)設(shè)返工條件的工件，用于計(jì)算廢品率；根據(jù)分類信息中含有凹陷或斑點(diǎn)特征的工件數(shù)量，計(jì)算外觀不合格率；根據(jù)分類信息中裂紋含有裂紋特征的工件數(shù)量，計(jì)算鑄造不良率；根據(jù)分類信息中的輪廓缺陷，計(jì)算尺寸不良率；

26、根據(jù)產(chǎn)品類目對(duì)分類信息中各項(xiàng)分配權(quán)重，將返工率、廢品率、外觀不合格率、鑄造不良率、尺寸不良率以及對(duì)應(yīng)的權(quán)重輸入預(yù)設(shè)公式，得到工件質(zhì)量評(píng)估值。

27、進(jìn)一步地，預(yù)設(shè)公式包括：

28、

29、其中，為返工率、為返工率的權(quán)重、為廢品率、為廢品率的權(quán)重、為外觀不合格率、為外觀不合格率的權(quán)重、為鑄造不良率、為鑄造不良率的權(quán)重、為尺寸不良率、為尺寸不良率的權(quán)重。

30、第二方面，本技術(shù)實(shí)施例提出的一種基于邊緣計(jì)算的在線工件分類與質(zhì)量評(píng)估系統(tǒng)，包括對(duì)產(chǎn)線實(shí)時(shí)監(jiān)控的攝像機(jī)、與多個(gè)攝像機(jī)連接的邊緣節(jié)點(diǎn)以及與多個(gè)邊緣節(jié)點(diǎn)連接的中心云，系統(tǒng)包括：

31、啟動(dòng)模塊，基于輸入的生產(chǎn)參數(shù)，中心云根據(jù)生產(chǎn)參數(shù)的產(chǎn)品類目向?qū)?yīng)的邊緣節(jié)點(diǎn)發(fā)送第一配置信息，中心云內(nèi)預(yù)存有工件品類的識(shí)別算法模型、多個(gè)工件的分類算法模型和多個(gè)工件的質(zhì)量評(píng)估算法模型；

32、配置模塊，用于邊緣節(jié)點(diǎn)根據(jù)第一配置信息，從中心云中獲取識(shí)別算法模型，并進(jìn)行識(shí)別算法程序的配置；

33、識(shí)別模塊，響應(yīng)于攝像機(jī)發(fā)送的圖像或視頻信息，邊緣節(jié)點(diǎn)對(duì)圖像或視頻信息進(jìn)行識(shí)別，根據(jù)識(shí)別得到的工件品類從中心云獲取對(duì)應(yīng)的分類算法模型，并進(jìn)行分類算法程序的配置；

34、分類模塊，通過(guò)分類算法程序?qū)D像或視頻信息進(jìn)行缺陷分類，得到分類信息；將分類信息和工件品類信息打包發(fā)送至中心云；

35、評(píng)估模塊，用于中心云根據(jù)工件品類信息配置對(duì)應(yīng)的質(zhì)量評(píng)估算法程序，在配置完成后，根據(jù)分類信息通過(guò)質(zhì)量評(píng)估程序?qū)ぜM(jìn)行質(zhì)量評(píng)估。

36、第三方面，本技術(shù)實(shí)施例提出的一種電子設(shè)備，其包括處理器、存儲(chǔ)介質(zhì)以及計(jì)算機(jī)程序，計(jì)算機(jī)程序存儲(chǔ)于存儲(chǔ)介質(zhì)中，其特征在于，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面的在線工件分類與質(zhì)量評(píng)估方法。

37、第四方面，一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面的在線工件分類與質(zhì)量評(píng)估方法。

38、綜上所述，本技術(shù)實(shí)施例的技術(shù)方案至少具有如下優(yōu)點(diǎn)和有益效果：

39、本發(fā)明通過(guò)以中心云作為數(shù)據(jù)處理與算法存儲(chǔ)的核心，預(yù)存了涵蓋廣泛工件品類的識(shí)別算法模型、多種工件的分類算法模型以及相應(yīng)的質(zhì)量評(píng)估算法模型。當(dāng)產(chǎn)線開始運(yùn)作，中心云會(huì)依據(jù)輸入的生產(chǎn)參數(shù)，識(shí)別出當(dāng)前生產(chǎn)的產(chǎn)品類目，并向相應(yīng)的邊緣節(jié)點(diǎn)發(fā)送第一配置信息。這一步驟確保了系統(tǒng)能夠針對(duì)不同產(chǎn)品類別進(jìn)行靈活配置。接著，邊緣節(jié)點(diǎn)接收到配置信息后，從中心云中調(diào)取相應(yīng)的識(shí)別算法模型，并進(jìn)行本地化的算法程序配置。通過(guò)已配置的識(shí)別算法模型，邊緣節(jié)點(diǎn)能夠準(zhǔn)確識(shí)別出工件品類，并據(jù)此從中心云獲取針對(duì)該品類的分類算法模型，再次進(jìn)行本地配置。在分類算法程序就緒后，邊緣節(jié)點(diǎn)對(duì)圖像或視頻信息進(jìn)行深入分析，精準(zhǔn)識(shí)別工件上的各種缺陷，并生成詳細(xì)的分類信息。隨后，這些分類信息連同工件品類信息被打包發(fā)送回中心云。在中心云端，系統(tǒng)根據(jù)接收到的工件品類信息，對(duì)工件進(jìn)行全面而深入的質(zhì)量評(píng)估。這一過(guò)程不僅實(shí)現(xiàn)了對(duì)不同產(chǎn)線工件的自動(dòng)分類識(shí)別，還確保了質(zhì)量評(píng)估的精準(zhǔn)性和高效性。