一种基于人工智能的工业产品质量检测方法及系统与流程

本发明属于电子数字数据处理领域，具体来说，特别涉及一种基于人工智能的工业产品质量检测方法及系统。

背景技术：

1、工业产品质量检测是指在工业生产过程中，通过使用各种检测技术和方法来评估产品的质量特征和性能是否符合规定的标准和要求，它是确保产品质量的重要环节，旨在提供优质可靠的产品，减少缺陷和不合格产品的产生，并保证产品在市场上的竞争力和消费者满意度，工业产品质量检测涉及多个方面，包括产品的外观检查、尺寸测量、材料成分分析、强度和硬度测试、电气性能测试、环境适应性测试等，检测过程通常包括采样、取样、实施各种测试和分析，以及结果的判定和记录，质量检测的方法和技术在不同行业和领域中有所差异，例如金属加工、电子制造、汽车制造、化工、食品加工等。常用的检测技术包括机器视觉、无损检测、仪器仪表测试、物理、化学和生物分析等，通过工业产品质量检测，企业可以及时发现产品质量问题，采取相应的措施加以改进和修正，提高产品质量和对市场需求的满足度，同时，质量检测也有助于确保产品符合相关法规和标准，提升企业的声誉和信誉度。

2、中国专利cn117291573a公开了一种基于工业互联网的产品质量跟踪监测方法及系统，包括以下步骤：接收产品质量检测信息；对产品质量检测信息进行判定，确定处理结果；当处理结果为报废时，根据产品质量检测信息确定不可用零部件、直接可用零部件以及检测后可用零部件；当处理结果为返工返修时，根据产品质量检测信息确定二次检测项目和无需检测项目；接收返工返修检测信息，所述返工返修检测信息包括检测项目、检测结果和产品编码，对返工返修检测信息进行分析，确定返工返修是否合格。如此，报废产品中的零部件能够得到充分利用，返工返修后的产品无需重新进行全部的检测工作，效率得到提高。

3、现有的对工业产品进行质量检测时，通常只能对产品的部分参数或特定的缺陷进行检测，无法全面评估产品的质量，人工检测容易受到主观因素的影响，不同的检测员对同一产品的判定可能存在差异，导致结果不一致，且检测时间较长，传统的工业产品质量检测通常需要一定的时间进行检测和分析，特别是对于大规模生产的产品，检测时间可能会极大地延长。

技术实现思路

1、针对相关技术中的问题，本发明提出一种基于人工智能的工业产品质量检测方法及系统，以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明为一种基于人工智能的工业产品质量检测方法，包括以下步骤：

4、s1、设定工业产品种类集，采集具备合格质量的所述工业产品种类集中所有工业产品种类的工业产品样品，记为第一合格样品矩阵；对所述第一合格样品矩阵中的所有样品进行图像采集，得到合格样品图像矩阵；同时设定工业产品特征种类集；

5、s2、设置训练集比例值以及测试集比例值，根据所述训练集比例值、测试集比例值以及工业产品特征种类集将合格样品图像矩阵分为训练数据集和测试数据集，构建yolov3-spp网络模型，将所述训练数据集输入至yolov3-spp网络模型中进行训练，并采用测试数据集对yolov3-spp网络模型进行精度测试，最终得到训练完成后的yolov3-spp网络模型；

6、s3、设定环境适应性测试种类集以及单次测试时间间隔集，根据所述环境适应性测试种类集以及单次测试时间间隔集对合格样品图像矩阵中的各个样品进行环境适应性测试，再采用所述训练完成后的yolov3-spp网络模型对每次进行环境适应性测试完成后的样品进行识别判断，当识别判断的结果为不合格时，停止环境适应性测试，得到平均次数矩阵；识别判断的结果为合格时，继续环境适应性测试；

7、s4、根据所述平均次数矩阵，得到合格有效期集；再设定合格有效期偏差矩阵，得到待检测工业产品测试时间矩阵；再根据所述待检测工业产品测试时间矩阵对待检测的工业产品进行质量检测，得到最终检测结果；

8、工业产品特征种类集中包括例如长度、宽度、厚度、表面纹理、颜色、各个棱边的长度以及弧度等，环境适应性测试种类集中包括例如高温测试、低温测试、温度冲击测试、恒温恒湿测试、震动测试、冲击测试、盐雾测试、灰尘测试和光照测试循环温度测试等；首先通过采集具备合格质量的工业产品样品集，对这些样品进行图像采集，采用yolov3-spp网络模型对这些图像进行长度、宽度、厚度、表面纹理、颜色、各个棱边的长度以及弧度等特征的提取，再通过提取的特征的数据对yolov3-spp网络模型进行训练，使得yolov3-spp网络模型可以对合格质量的工业产品进行识别；再对样品进行环境适应性测试，并采用yolov3-spp网络模型对测试后的工业产品样品进行识别判断，得到合格样品对于各种环境适应性测试可以承受的周期，再根据这个周期对待检测的工业产品进行检测，从而可以判断工业产品是否为合格产品，通过上述检测方案，可以高效的对工业产品的各项特征进行全面检测，减少了人为干预，节省了人力；同时设定了多种环境适应性测试，可以对工业产品的环境适应性进行全面的测试，再进行图像检测从而可以了解工业产品的环境适应性的程度，最终判断出工业产品是否合格。

9、优选地，所述s1包括以下步骤：

10、s11、设定工业产品种类集a＝{a1,a2,...,ai,...,aa′}，其中ai为第i个工业产品种类，a′为工业产品种类的总个数；

11、s12、采集具备合格质量的所述工业产品种类集a＝{a1,a2,...,ai,...,aa′}中所有工业产品种类的工业产品样品，得到第一合格样品矩阵a″，如下：

12、

13、其中：a″ij为第i个工业产品种类的第j个工业产品样品；

14、s13、对所述第一合格样品矩阵a″中的所有样品进行图像采集，得到合格样品图像矩阵a″′，如下：

15、

16、其中：a″′ij为第i个工业产品种类的第j个工业产品样品的图像集，a″′ij＝{a″′ij(1),a″′ij(2),...,a″′ij(k),...,a″′ij(b)}，a″′ij(k)为第i个工业产品种类第j个工业产品样品的图像集中的第k个图像，b为第i个工业产品种类第j个工业产品样品的图像集中的图像总数；

17、同时设定工业产品特征种类集b′＝{b1′,b2′,...,bi′,...,bb″′}，其中bi′为工业产品的第i个特征种类；b″为工业产品特征种类的总个数；

18、通过采集多个具备合格质量的工业产品样品，从而为后续进行合格工业产品的特征提取提供了充足的样品数据，同时为yolov3-spp网络模型提供了准确的数据，提高了yolov3-spp网络模型的训练效果。

19、优选地，所述s2包括以下步骤：

20、s21、设置训练集比例值为b″′％，测试集比例值为1-b″′％；

21、s22、从所述合格样品图像矩阵每一行的图像数据中随机选取b″′％作为训练数据，得到所述训练数据集，再将所述合格样品图像矩阵每一行的图像数据中的余下数据作为测试数据，得到测试数据集；

22、s23、构建yolov3-spp网络模型，根据训练数据集和测试数据集对所述yolov3-spp网络模型进行训练，得到训练完成后的yolov3-spp网络模型；

23、从采集的合格工业产品样品集中选取训练数据集以及测试数据集对yolov3-spp网络模型进行训练并测试，提高了yolov3-spp网络模型识别精度，从而提高了最终检测结果的准确性。

24、优选地，所述s23包括以下步骤：

25、s231、构建yolov3-spp网络模型，具体包括以下步骤：

26、s2311、设定yolov3-spp网络模型的特征提取网络和特征预测网络，分别记为第一网络和第二网络；所述第一网络包括darknet-53网络；

27、s2312、设定所述第二网络的损失函数g″′，如下：

28、

29、式中：h为协调函数；h′为总识别框区域边长；h″总真实框的边长；hi′j′为判别系数，hi′j′∈{0,1}；lij为第(i,j)识别框的宽度；li′第(i,j)识别框的高度；l″为识别框和真实框的距离评价参数；l″′表示识别框和真实框之间的欧氏距离；mm′为m′识别框的中心；mm″为m″真实框的中心；m″′为识别框级别；n为正负平衡加权因子；ni′为识别框内含有目标特征的置信度；ni″为真实置信度；n″′为数量平衡加权因子；o为权重系数；oi′j(m″′)为第(i,j)识别框属于级别m″′的概率；oi′j′(m″′)为第(i,j)识别框属于级别m″′的真实概率值，oi′j′(m″′)∈{0,1}；p为总识别区域集；

30、s232、设定合格数据标签，采用所述合格数据标签对训练数据集进行标注，得到标注后的训练数据集；

31、s233、将所述标注后的训练数据集输入至yolov3-spp网络模型中进行训练，再将测试数据集输入至yolov3-spp网络模型，设定误差阈值为c，当yolov3-spp网络模型测试误差小于c时，停止训练，得到所述训练完成后的yolov3-spp网络模型；

32、特征提取网络用于对图像中包含的样品的各个特征进行提取，特征预测网络用于根据提取出来的特征并配合标注将具备这些特征的工业产品识别为合格的工业产品。

33、优选地，所述s2311包括以下步骤：

34、s23111、设定所述第一网络中卷积层的步长为p′、卷积核的大小为p″×p″，所述卷积层包括cov2d；

35、s23112、设定所述第一网络中有p″′个残差结构，同时每r个残差结构之间插入一个所述卷积层；

36、通过设置残差结构以及卷积层的步长和卷积核的大小，提高yolov3-spp网络模型整体识别的准确性以及效率。

37、优选地，所述s3包括以下步骤：

38、s31、设定环境适应性测试种类集c′＝{c1′,c′2,...,ci′,...,cc″′}以及单次测试时间间隔集c″′＝{c1″′,c2″′,...,ci″′,...,cc″′″′}，其中ci′为环境适应性测试种类集中的第i个环境适应性测试种类；ci″′为第i个环境适应性测试种类对应的单次测试时间间隔；c″为环境适应性测试种类的总个数；同时将第一合格样品矩阵a″中的样品均匀分成c″份，得到环境适应性测试样品集d″＝{d1″,d2″,...,dk″,...,dc″″}，其中dk″为根据第一合格样品矩阵a″分成的第k份环境适应性测试样品；

39、s32、根据所述环境适应性测试种类集c′＝{c1′,c′2,...,ci′,...,cc″′}以及单次测试时间间隔集c″′＝{c1″′,c2″′,...,ci″′,...,cc″″′}对环境适应性测试样品集d″＝{d1″,d2″,...,dk″,...,dc″″}的d1″进行c1′测试，测试时间为c1″′，得到第一次对d1″进行c1′测试后的d1″样品矩阵d(d1″,c1′,1)，如下：

40、

41、其中dij(d1″,c1′,1)为第一次对d1″进行c1′测试后的第i个工业产品种类的第j个工业产品样品；

42、同时对d2″进行c′2测试，对d3″进行c3′测试，最终到对dc″″进行cc″′测试；得到一次测试后样品矩阵集e″′＝{d(d1″,c1′,1),d(d2″,c′2,1),...,d(di″,ci′,1),...,d(dc″″,cc″′,1)}，其中d(dc″″,cc″′,1)为第一次对dc″″进行cc″′测试后的dc″″样品矩阵，如下：

43、

44、s33、将一次测试后样品矩阵集e″′＝{d(d1″,c1′,1),d(d2″,c′2,1),...,d(di″,ci′,1),...,d(dc″″,cc″′,1)}中的每个数据分别输入至所述训练完成后的yolov3-spp网络模型中进行识别判断，得到第一次识别判断数据集f(1)＝{f(d1″,c1′,1),f(d2″,c′2,1),...,f(di″,ci′,1),...,f(dc″″,cc″′,1)}，其中f(di″,ci′,1)如下：

45、

46、fij(di″,ci′,1)为训练完成后的yolov3-spp网络模型对第一次进行ci″测试后的di″中的第i个工业产品种类的第j个工业产品样品的识别判断结果；

47、s34、重复所述s32和s33，当识别判断结果为不合格时，停止进行环境适应性测试，得到所述f′＝{f1′,f2′,...,fk′,...,fc″′}，当识别判断的结果为合格时，继续环境适应性测试；f′为环境适应性测试次数矩阵集，fk′为工业产品进行c′k测试的次数矩阵，其中fk′如下：

48、

49、其中fk′ij为dk″中的第i个工业产品种类的第j个工业产品样品进行c′k测试的次数；c′k为环境适应性测试种类集中的第k个环境适应性测试种类；

50、计算dk″中的第i个工业产品种类进行c1′测试的平均次数，计算公式如下：

51、

52、式中：e′ki为dk″中的第i个工业产品种类进行c′k测试的平均次数；得到平均次数矩阵e″，如下：

53、

54、将采集到的合格工业产品均匀分成多个子样品集，对每个子样品集分别进行不同种类的环境适应性测试，得到每个子样品集中各个同一种类的样品的承受周期，再对这些周期进行平均值的计算，从而可以准确的获取每种类型的合格工业产品进行各种环境适应性测试的承受时间，为后面对待检测的工业产品进行环境适应性测试提供了测试标准。

55、优选地，所述s4包括以下步骤：

56、s41、根据所述平均次数矩阵，得到合格有效期矩阵f″，如下：

57、

58、其中：fk′i′为第i个工业产品种类在进行c′k测试时的有效期，fk′i′＝e′ki·c′k″，c′k″为第k个环境适应性测试种类对应的单次测试时间间隔；

59、s42、设定所述合格有效期偏差矩阵f″′，如下：

60、

61、其中：fk′i″为第i个工业产品种类在进行c′k测试时的有效期偏差值；

62、根据所述合格有效期矩阵f″以及合格有效期偏差矩阵f″′，得到待检测工业产品测试时间矩阵g，如下：

63、

64、其中：gki＝fk′i′-fk′i″，为第i个工业产品种类在进行c′k测试时的待检测工业产品测试时间；

65、s43、根据g对待检测的工业产品进行质量检测；

66、通过设置合格有效期偏差矩阵，可以防止环境适应性测试对待检测的工业产品中合格的工业产品造成损害，从而造成损失。

67、优选地，所述s43包括以下步骤：

68、s431、设待检测的工业产品为g′，采用所述训练完成后的yolov3-spp网络模型对g′进行识别判断，得到第一识别判断结果；

69、s432、设定每种环境适应性测试对g′进行其他环境适应性测试的结果不造成影响，当所述第一识别判断结果为合格时，再根据环境适应性测试种类集c′＝{c1′,c′2,...,ci′,...,cc″′}和待检测工业产品测试时间矩阵g对g′进行环境适应性测试，每种环境适应性测试完成后均再次采用所述训练完成后的yolov3-spp网络模型进行识别判断，得到第二识别判断结果集g″＝{g1″,g′2′,...,gi″,...,gc″″}；

70、当第一识别判断结果为不合格时，则所述最终检测结果为不合格；当第二识别判断结果集g″＝{g1″,g′2′,...,gi″,...,gc″″}中所有结果均为合格时，则所述最终检测结果为合格，否则为不合格；

71、对经过环境适应性测试之后的工业产品采用训练完成后的yolov3-spp网络模型进行识别判断，可以判断出这些工业产品是否通过了环境适应性测试，从而得到最终的检测结果。

72、本发明还公开了一种实现上述基于人工智能的工业产品质量检测方法的系统。

73、一种基于人工智能的工业产品质量检测系统，合格工业产品样品采集模块、工业产品图像采集模块、工业产品图像识别分析模块、环境适应性测试数据分析模块、工业产品质量检测模块；

74、所述合格工业产品样品采集模块用于采集具备合格质量的所述工业产品种类集中所有工业产品种类的工业产品样品；

75、所述工业产品图像采集模块用于对所述第一合格样品矩阵中的所有样品进行图像采集；

76、所述工业产品图像识别分析模块用于构建yolov3-spp网络模型并配合格样品图像矩阵的数据对yolov3-spp网络模型进行训练，并对待检测的工业产品进行识别判断；

77、所述环境适应性测试数据分析模块用于对待检测的工业产品进行环境适应性测试时进行数据的采集并进行分析；

78、所述工业产品质量检测模块用于最终判断待检测的工业产品是否合格。

79、本发明具有以下有益效果：

80、本发明中通过设置合格工业产品样品采集模块、工业产品图像采集模块、工业产品图像识别分析模块、环境适应性测试数据分析模块、工业产品质量检测模块，首先通过采集具备合格质量的工业产品样品集，对这些样品进行图像采集，采用yolov3-spp网络模型对这些图像进行长度、宽度、厚度、表面纹理、颜色、各个棱边的长度以及弧度等特征的提取，再通过提取的特征的数据对yolov3-spp网络模型进行训练，使得yolov3-spp网络模型可以对合格质量的工业产品进行识别；再对样品进行环境适应性测试，并采用yolov3-spp网络模型对测试后的工业产品样品进行识别判断，得到合格样品对于各种环境适应性测试可以承受的周期，再根据这个周期对待检测的工业产品进行检测，从而可以判断工业产品是否为合格产品，通过上述检测方案，可以高效的对工业产品的各项特征进行全面检测，减少了人为干预，节省了人力；同时设定了多种环境适应性测试，可以对工业产品的环境适应性进行全面的测试，再进行图像检测从而可以了解工业产品的环境适应性的程度，最终判断出工业产品是否合格，检测标准具有一致性。

81、本发明中通过从采集的合格工业产品样品集中选取训练数据集以及测试数据集对yolov3-spp网络模型进行训练并测试，提高了yolov3-spp网络模型识别精度，从而提高了最终检测结果的准确性，同时通过设置残差结构以及卷积层的步长和卷积核的大小，提高yolov3-spp网络模型整体识别的准确性以及效率。

82、本发明中通过将采集到的合格工业产品均匀分成多个子样品集，对每个子样品集分别进行不同种类的环境适应性测试，得到每个子样品集中各个同一种类的样品的承受周期，再对这些周期进行平均值的计算，从而可以准确的获取每种类型的合格工业产品进行各种环境适应性测试的承受时间，为后面对待检测的工业产品进行环境适应性测试提供了测试标准。

83、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。