CN108227664A

CN108227664A - 基于样本数据训练的产品质量控制设备及质量控制方法

Info

Publication number: CN108227664A
Application number: CN201810110627.0A
Authority: CN
Inventors: 赖雄鸣
Original assignee: Huaqiao University
Current assignee: Huaqiao University
Priority date: 2018-02-05
Filing date: 2018-02-05
Publication date: 2018-06-29

Abstract

本发明公开了基于样本数据训练的产品质量控制设备及质量控制方法，适用于产品自动化生产流水线，包括多个图像采集装置和控制终端；所述控制终端包括质量判定模块和工艺参数调整模块；所述质量判定模块预存有质量判定模型，并根据输入的数字图像输出相应的质量判定等级，该质量判定模型通过人工智能数据训练获得；所述工艺参数调整模块预存有分歩加工设备的工艺参数与半成品质量判定关系对应的工艺参数调整模型；所述控制终端输出控制对应的分布加工设备。本发明提供了基于样本数据训练的产品质量控制设备及质量控制方法，进而指导生产设备自动化调整工艺参数，实现智能化、自动化、高效率、低消耗的自动化生产线，从而确保产品质量得以控制。

Description

基于样本数据训练的产品质量控制设备及质量控制方法

技术领域

本发明涉及自动化加工领域，，特别是涉及基于样本数据训练的产品质量控制设备及质量控制方法。

背景技术

随着机器视觉技术的逐渐成熟，利用机器视觉技术改善自动化水平的自动化设备也逐渐投入应用。机器视觉技术取代了原本工业生产中许多仅能依靠人工完成的工作，如质量检测等，且具有更高的检测效率和更低的错检率，极大提高了生产效率。

现有技术中，机器视觉技术应用于工业检测时，仅能对产品的简单质量信息(如长度尺寸、颜色等)，采用视觉技术基于简单特征识别算法进行检测；当产品的质量信息含有复杂特征时，简单特征识别算法则难以检测；而工业上，绝大部分产品的质量信息往往具有复杂特征(如复杂纹理或复杂形状等特征)，因此，基于简单特征识别算法的视觉检测技术的适用性受到限制。对于含有复杂特征的产品检测时，只能依靠人工方式检测，效率低，且不利于自动化调整生产设备自动化检测。

基于样本训练的人工智能方法是一种新兴的机器视觉检测方法，通过对样本数据进行训练，得到表征样本特征的训练模型，并利用该训练模型即可对待测图像进行特征归类识别。常用的数据训练模型有深度学习、强化学习和迁移学习等。此种数据处理方法的特点在于，通过将预设有标签的图像数据输出至训练模型，并在一定的训练次数后，得到图像数据与相应标签的对应关系。目前，工业检测领域关于复杂特征的检测技术仍是空白。

此外，当产品生产线中的半成品存在复杂特征质量检测时，则无法根据半成品的复杂特征质量判定信息动态实时调整工艺参数，即不利于产品整体质量的改善，所生产的产品质量也较为不稳定。

发明内容

本发明的目的在于克服现有技术之不足，提供了基于样本数据训练的产品质量控制设备及质量控制方法，进而指导生产设备自动化调整工艺参数，实现智能化、自动化、高效率、低消耗的自动化生产线，从而确保产品质量得以控制。

本发明解决其技术问题所采用的技术方案是：

基于样本数据训练的产品质量控制设备，适用于产品自动化生产流水线，该产品自动化生产流水线由多个分歩加工设备组成；该质量检测设备包括图像采集装置和控制终端，该图像采集装置采集获得所述分歩加工设备生产的半成品的数字图像；

所述控制终端包括质量判定模块和工艺参数调整模块；所述质量判定模块预存有每一个分布加工设备的质量判定模型，该质量判定模型通过多组标记有质量判定的半成品数字图像进行人工智能数据训练获得，并表征半成品数字图像和质量判定的对应关系；所述工艺参数调整模块预存有每一个分布加工设备的工艺参数调整模型，该工艺参数调整模型表征工艺参数和质量判定的对应关系；

所述控制终端的质量判定判断模块分别与所述多个图像采集装置信号连接，所述控制终端的工艺参数调整模块分别与所述多个分布加工设备信号连接；所述控制终端实时接收图像采集装置获得的不同工序的半成品数字图像，并输出质量判定至所述工艺参数调整模块，所述工艺参数调整模块根据当前的质量判定情况输出产品工艺参数至相应的分布加工设备。

其中一较佳实施例中，所述工艺参数调整模块通过所述分歩加工设备的功能原理及性能参数结合人为经验或试验数据建模调整后确定。

其中一较佳实施例中，所述工艺参数调整模型设有设备损耗补偿模型，该设备损耗补偿模型反映在所述分歩加工设备的不同耗损状态下相关工艺参数的变化模型。

其中一较佳实施例中，所述工艺参数调整模型还包括原料补偿模型，该原料补偿模型反映原料质量发生变化时工艺参数的变化关系。

其中一较佳实施例中，所述人工智能数据训练具体包括深度学习、强化学习和迁移学习中的一种或多种。

其中，图像采集装置可为数字摄像头、光谱仪、X光机或其他数字图像采集设备。

其中一较佳实施例中，所述质量判定为通过人工判定或相应的质量检测装置生成的数值或等级。

其中一较佳实施例中，所述分歩加工设备和图像采集装置根据实际检测需求设置数量对应关系，具体包括，一台分歩加工设备对应一个图像采集装置、多台分歩加工设备对应一个图像采集装置或一台分歩加工设备对应多个图像采集装置。

其中一较佳实施例中，工艺参数调整模块所调整的产品工艺参数为一种或多种。

基于样本数据训练的产品质量控制方法，使用上述的产品质量检测设备，并包括准备阶段和实施阶段；其中，准备阶段包括：

数据训练步骤，对产品流水线的分布加工设备分别进行标定，收集N组半成品样本，并对应采集获得所生产的半成品的N组数字图像；对该N组数字图像人工标记质量判定，使用人工智能数据训练方法建立数字图像和质量判定的训练模型，并存储至质量判定模块；

工艺参数调整模型建模步骤，基于数值建模、生产经验或者试验等方法，建立分布加工设备的工艺参数与半成品等级质量的工艺参数调整模型，并将该关联调整模型存储至工艺参数调整模块；

实施阶段包括：

图像采集步骤，在生产流水线运转的过程中，图像采集装置分别获得每一个分布加工设备所生产的半成品的数字图像，并回传至控制终端的质量判定模块；

质量判定步骤，通过图像采集装置获得的半成品数字图像，结合质量判定模块预存的质量判定模型，获得当前的半成品质量判定；

工艺参数反馈步骤，如所获得半成品质量判定与所需要达到的目标有差，则通过工艺参数调整模块预存的工艺参数调整模型，调整工艺参数；返回图像采集步骤循环执行。

本发明的有益效果是：

1、本发明提出的产品生产制造过程中的质量智能控制方法，即基于样本数据训练的人工智能视觉识别技术，识别产品每道工序后的质量信息(无论质量信息包含的特征信息为简单或复杂)，进而实时调整生产设备自动化调整工艺参数，实现智能化、自动化、高效率、低消耗的自动化生产线，从而确保产品质量得以控制；

2、本发明提出的产品生产制造过程中的质量智能控制方法，无论成品(或半成品)质量信息包含的特征信息为简单或复杂，均可以智能识别，因此，适用范围更广。

以下结合附图及实施例对本发明作进一步详细说明；但本发明的基于样本数据训练的产品质量控制设备及质量控制方法不局限于实施例。

附图说明

图1是本发明的结构框图；

图2是本发明的实施框图；

图3是本发明的实施例一的实施框图。

具体实施方式

本发明提出一种产品生产制造过程中的质量控制装置(参见图1)及质量控制方法(参见图2)。其中，M_i(i＝1～n)为产品所经过的工序，A_i为第M_i道工序对应的分歩加工设备A_i，这里分歩加工设备A_i可以为属于同一类型设备的单台或多台组合，也可以为属于不同类型设备的单台或多台组合；P_i为产品在第M_i道工序后的半成品；C_i为对半成品P_i进行图像检测的图像采集装置。

图像采集装置C_i获取半成品P_i的数字图片经由样本数据训练的人工智能视觉识别技术对图片中相关的质量信息进行抽象判定，进而获取半成品P_i的质量判定；控制终端根据半成品P_i的质量信息等级情况，通过工艺参数和质量判定的工艺参数调整模型自动化调整各个分歩加工设备工艺参数。其中，工艺参数和质量判定的工艺参数调整模型，通过各分歩加工设备A_i的功能原理及性能参数结合人为经验或试验数据建模调整后确定，然后编程至控制终端的工艺参数调整模块中。因此，该控制终端可在通过人工智能技术视觉识别技术检测产品质量判定后，根据质量判定情况自动化调整相关生产设备A_i的工艺参数，确保产生生成过程中的质量达到预设的标准等级。

本发明的基于样本数据训练的产品质量控制方法，使用上述的产品质量检测设备，并包括准备阶段和实施阶段。

一、准备阶段

1、数据训练步骤。使用标记有质量判定的半成品数字图像，通过人工智能数据训练方法建立数字图像和质量判定的对应关系，并存储至质量判定模块。

假设产品流水线的每一个工序表示为第M_i道工序，对应的半成品表示为半成品P_i，且每道工序M_i设有对应的图像采集装置C_i。每一个半成品P_i对应具有J个性能指标，H个等级；半成品P_i的第j个性能指标的第h个等级可以用D_i,j,h表示；其中，

i＝1～n,j＝1～J,h＝1～H。

流程步骤如下：

1)获得标记有质量判定的半程品P_i的数字图像。

通过图像采集装置C_i对该半成品P_i进行图像采集得到图片，即可获得半成品P_i属于等级D_i,j,h的多张图片，并组成对应的图片样本数据库DA_i，如表1所示。获得图片样本数据库DA_i的同时，通过人为经验或者其他质量检测设备对半成品P_i的质量判定进行评定(假设评定后的质量判定为D_i,j,h)。重复上述过程，直到图片样本数据库DA_i中任意等级D_i,j,h的对应的图片样本数量均达到w张。实际应用过程中，每个等级的图片样本数量可以相同，也可以不同。图片样本数据库DA_i结构参见表1所示。

表1半成品P_i对应的图片样本数据库DA_i

2)基于人工智能算法对半成品P_i的图片样本数据库DA_i进行数据训练。训练方式有如下2种方式。

方式1：对属于第j个性能指标的所有图片(即表1中第j列的所有图片)进行数据训练，可以得到第j个性能指标对应的人工智能训练模型Model_i。由于半成品P_i的性能指标有J个，相应的人工智能训练模型也有J个。

方式2：对图片样本数据库DA_i中的所有数据统一进行训练，即可得到图片样本数据库DA_i对应的人工智能训练模型为Model_i,j。

2、工艺参数调整模型建模步骤。

参考分歩加工设备A_i的设备参数以及操作人员的使用经验，建立获得分布加工设备A_i的工艺参数与半成品P_i等级质量的工艺参数调整模型，并将该工艺参数调整模型存储至工艺参数调整模块；建立工艺参数调整模型或者调整数据库。

有时半成品P_i的性能等级D_i,j,h通过调整生产设备A_i的单个工艺参数，即可较为理想的改变半成品P_i的性能等级D_i,j,h；有时半成品P_i的性能等级D_i,j,h需要同时调整生产设备A_i的多个工艺参数，才能较为理想的改变半成品P_i的性能等级D_i,j,h。

1)对于半成品P_i的性能等级D_i,j,h可以通过生产设备A_i的单个工艺参数调整进行其性能等级改变时，可以采用下面的方法进行：

表2所示为半成品P_i为性能等级D_i,j,h时，生产设备A_i的工艺参数应该调整的百分比，即Per_i,j,h。当半成品P_i为性能等级D_i,j,h与生产设备A_i工艺参数调整大小的关系比较简单时，可以建立其数学关系或模型f_i,h(i＝1～n,h＝1～H)，从而通过性能等级D_i,j,h计算对应的Per_i,j,h，即Per_i,j,h＝f_i,h(D_i,j,h)；当半成品P_i为性能等级D_i,j,h与生产设备A_i工艺参数调整大小的关系比较复杂时，可以通过人为生产经验或者试验方式，确定表2中，当半成品P_i的性能等级为D_i,j,h时，生产设备A_i的工艺参数应该调整的百分比Per_i,j,h大小。

2)对于半成品P_i的性能等级D_i,j,h需要通过生产设备A_i的多个工艺参数同时调整，进行其性能等级改变时，可以采用下面的方法进行：

这里假设等级D_i,j,h需要R个工艺参数同时调整。工艺参数用为GY_i,j,h,r(r＝1～R)表示。当等级D_i,j,h与GY_i,j,h,r的关系比较简单时，可以建立其数学关系或模型

f_i,h,r(i＝1～n,h＝1～H,r＝1～R)。从而通过性能等级D_i,j,h计算对应的每个工艺参数GY_i,j,h,r的调整百分比大小，即GY_i,j,h,r＝f_i,h,r(D_i,j,h)。当等级D_i,j,h与GY_i,j,h,r的关系比较复杂时，可以通过人为生产经验或者试验方式，确定等级D_i,j,h与多个工艺GY_i,j,h,r的对应关系。并建立见表2所示数据库。此时，工艺参数调整百分比Per_i,h,j为向量，即

Per_i,h,j＝[GY_i,j,h,1,GY_i,j,h,2,...GY_i,j,h,R]。

表2生产设备A_i工艺参数调整的数据库

二、实施阶段

1、图像采集步骤。

对产品实际生产制造过程中，首先通过图像传感器C_i获取半成品P_i的图片，并传输至控制终端的质量判定判断模块。

2、质量判定步骤。

通过图像采集装置C_i获得的半成品数字图像，通过准备阶段的数据训练步骤中储存于质量判定判断模块的人工智能训练模型Model_i(对应方式1的对于同一设备所有参数建模的方法)或者Model_i,j(对应方式2的对于每一个工艺参数单独建模的方法)对半成品P_i的第j个性能等级进行预测，获得的相应质量判定为D_i,j,h。

3、工艺参数在线调整。

将工艺参数调整模块与分布加工设备的工艺参数建立联系。根据图像采集步骤得到的性能等级D_i,j,h，即可得到生产设备A_i对应的单个工艺或多个工艺参数调整的百分比大小。

实施例一：

附图2为本发明应用于尾矿回收实施例，通过该实施例对本发明的质量控制设备及质量控制方法进行进一步说明。

本实施例的生产流程参见图2所示，尾矿一般都是通过破碎成一定粒形粒度的颗粒加以回收利用，一般需要经过粗破、粗筛、中破、中筛、细破、细筛等6道工序。这里M_i(i＝1～6)表示尾矿回收所经过工序的序号；A_i为第M_i道工序对应的生产设备(为方便表述，这里假设生产设备A_i均为单台设备)，即图2中的颚式破碎机(A₁)、粗筛振动筛(A₂)、圆锥破碎机(A₃)、中筛振动筛(A₄)、立轴冲击式破碎机(A₅)、细筛振动筛(A₆)。P_i(i＝1～6)为尾矿回收过程中在第M_i(i＝1～6)道工序后的半成品；C₆为对半成品P₆进行图像检测的图像传感器，这里采用工业相机进行图像检测；

为方便表述，下面将介绍半成品P₆的性能等级智能检测及其工艺参数调整方法。其他半成品(P₁～P₅)可以参照半成品P₆的性能等级智能检测及其工艺参数调整方法进行类似操作。这里半成品P₆的性能指标，包括：粒形和粒度，且均分为4个等级，即：优、良、中、差(如下表3所示)。

表3粒形和粒度等级

	优	良	中	差
					粒度(mm)	0.6～2.36	2.36～4.75	0.075～0.6	<0.075或>4.75
粒形	0.9～1	0.7～0.9	0.5～0.7	<0.5

半成品P₆的性能等级智能检测及其工艺参数调整方法，并对应本发明的具体流程做说明。具体对应于本发明的步骤如下。

一、准备阶段

1、数据训练步骤。

①建立半成品P₆对比粒度样本数据库DA_{6_1}。

首先，收集一定数量的半成品P₆样本，并采用专业的粒度检测仪对其进行优、良、中、差四种粒度等级评定。对上述不同粒度等级的样本进行拍照。并区分为优、良、中、差四种粒度质量判定。取样本数为4000份，其中优、良、中、差四种粒度等级的样本图片分为：608张、1550张、1416张、426张。最后将上述4000份样本组成粒度样本数据库DA_{6_1}。

一般来讲，上述四个粒度等级各自的样本数不能差别太大。如果某个粒度等级的样本数太少，则需进一步增加该等级的样本数量。例如，粒度等级为差的样本数如果为46张，则与前面其他等级的样本数存在量级的差别，则需要进一步收集半成品P₆样本，并通过专业的粒度检测仪对其进行粒度等级评定，然后将粒度等级为差的样本加入到粒度样本数据库DA_{6_1}，直到其数量级与其他等级的样本数量一致。

表4不同优良中差四种粒度等级的样本图片数量。

②建立半成品P₆的粒形样本数据库DA_{6_2}。

首先，收集一定数量的半成品P₆样本，并采用专业的粒形检测仪对其进行优、良、中、差四种粒形等级评定。同时，对上述不同粒形等级的样本进行拍照。表5所示总样本数为4000份，其中优、良、中、差四种粒形等级的样本图片分为：715张、1250张、1312张、723张。最后将上述4000份样本组成粒形样本数据库DA_{6_2}。

一般来讲，上述四个粒形等级各自的样本数不能差别太大。如果某个粒形等级的样本数太少，则需进一步增加该等级的样本数量。例如，粒形等级为差的样本数如果为72张，则与前面其他等级的样本数存在量级的差别，则需要进一步收集半成品P₆样本，并通过专业的粒形检测仪对其进行粒形等级评定，然后将粒形等级为差的样本加入到粒度样本数据库DA_{6_2}，直到其数量级与其他等级的样本数量一致。

表5不同优良中差四种粒形等级的样本图片数量

③对样本数据库DA₆进行数据训练。

将半成品P₆的粒度样本数据库DA_{6_1}和粒形样本数据库DA_{6_2}组成样本数据库DA₆。然后，基于人工智能算法对样本数据库DA₆进行训练，得到对应的人工智能训练模型为Model₆。

2、建立工艺参数调整数据库。

图2中，立轴冲击式破碎机(A₅)的转速rpm₅对半成品P₆的粒形影响最大，其他生产设备对其影响很小，可以忽略；细筛振动筛(A₆)的转速rpm₆对半成品P₆的筛分后的粒度影响最大，其他生产设备对其影响很小，可以忽略；根据实际生产经验，可以得到不同粒形、粒度性能等级下，立轴冲击式破碎机(A₅)的转速rpm₅和细筛振动筛(A₆)的转速rpm₆这2个工艺参数应该调整的百分比大小，如下表6、表7所示：

表6立轴冲击式破碎机(A₅)工艺参数调整大小数据库

	优	良	中	差
					转速rpm₅	--	3.5％	3.5％	13.7％

表7细筛振动筛(A₆)工艺参数调整大小数据库

	优	良	中	差
					转速rpm₆	--	4.2％	8.5％	15.3％

二、实施步骤

1、图像采集步骤。

首先通过相机C₆获取半成品P₆的图片。

2、质量判定步骤。

然后通过数据训练步骤中的人工智能训练模型Model₆对半成品P₆进行粒度性能等级预测和粒形性能等级预测。

3、工艺参数在线调整。

将步骤3建立的工艺参数调整数据库编程进控制器中，然后根据步骤2得到的粒度性能等级预测和粒形性能等级情况，分别对立轴冲击式破碎机(A₅)的转速rpm₅和细筛振动筛(A₆)的转速rpm₆这2个工艺参数进行调整，从而确保成砂质量。

上述实施例仅用来进一步说明本发明的基于样本数据训练的产品质量控制设备及质量控制方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims

1.基于样本数据训练的产品质量控制设备，适用于产品自动化生产流水线，该产品自动化生产流水线由多个分歩加工设备组成；其特征在于：该质量检测设备包括多个图像采集装置和控制终端，该图像采集装置采集获得所述分歩加工设备生产的半成品的数字图像；

2.根据权利要求1所述的基于样本数据训练的产品质量控制设备，其特征在于：所述工艺参数调整模块通过所述分歩加工设备的功能原理及性能参数结合人为经验或试验数据建模调整后确定。

3.根据权利要求2所述的基于样本数据训练的产品质量控制设备，其特征在于：所述工艺参数调整模型设有设备损耗补偿模型，该设备损耗补偿模型反映在所述分歩加工设备的不同耗损状态下相关工艺参数的变化模型。

4.根据权利要求2所述的一种基于样本数据训练的产品质量控制设备，其特征在于：所述工艺参数调整模型还包括原料补偿模型，该原料补偿模型反映原料质量发生变化时工艺参数的变化关系。

5.根据权利要求1所述的一种基于样本数据训练的产品质量控制设备，其特征在于：所述人工智能数据训练具体包括深度学习、强化学习和迁移学习中的一种或多种。

6.根据权利要求1所述的一种基于样本数据训练的产品质量控制设备，其特征在于：所述质量判定为通过人工判定或相应的质量检测装置生成的数值或等级。

7.根据权利要求1所述的一种基于样本数据训练的产品质量控制设备，其特征在于：所述分歩加工设备和图像采集装置根据实际检测需求设置数量对应关系，具体包括，一台分歩加工设备对应一个图像采集装置、多台分歩加工设备对应一个图像采集装置或一台分歩加工设备对应多个图像采集装置。

8.根据权利要求1所述的一种基于样本数据训练的产品质量控制设备，其特征在于：工艺参数调整模块所调整的产品工艺参数为一种或多种。

9.基于样本数据训练的产品质量控制方法，其特征在于，使用权利要求1至8中任一项所述的产品质量检测设备，并包括准备阶段和实施阶段；其中，准备阶段包括：

工艺参数调整模型建模步骤，建立分布加工设备的工艺参数与半成品等级质量的工艺参数调整模型，并将该关联调整模型存储至工艺参数调整模块；

实施阶段包括：

10.根据权利要求9所述的基于样本数据训练的产品质量控制方法，其特征在于：所述分布加工设备的工艺参数与产品质量判定存在直接数值关联时，通过该数值关联建立工艺参数调整模型；所述分布加工设备的工艺参数与产品质量判定关联关系较为复杂时，通过生产经验或者试验方式建立工艺参数调整模型。