一种塑料软管生产中检测次品的方法、系统、设备及介质

技术领域

本发明涉及软管检测技术领域，特别是涉及一种塑料软管生产中检测次品的方法、系统、设备及介质。

背景技术

在实际单螺杆塑料挤出机生产塑料软管过程中，会出现正品和次品，参见图1及图2，其中，如图1所示的正样本塑料软管是正品，如图2所示的负样本塑料软管是次品。负样本塑料软管的中间部分明显比上下两端部分粗。出现次品时，还会堵塞塑料软管下端的口子，使得后续产出的软管堆积在上面，严重影响生产。

目前工厂一般采用人工方法，现场监视机器的生产情况，发现问题，及时处理。但是一人无法同时管理多台机器，而且机器需要每天24小时工作，生产车间环境比较恶劣，冬天会很冷，夏天很热，晚上通宵上班的工人们会很辛苦，容易疲劳，有时候不能及时发现问题，影响生产效率。

发明内容

本发明的目的是提供一种塑料软管生产中检测次品的方法、系统、设备及介质，以实现对塑料软管生产时的软管质量的自动检测。

为实现上述目的，本发明提供了如下方案：

一种塑料软管生产中检测次品的方法，所述方法包括：

获取目标塑料软管的图像；

利用塑料软管检测模型对所述目标塑料软管的图像进行检测，确定所述目标塑料软管是否为次品；

所述塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的。

可选地，所述塑料软管检测模型的确定方法，具体包括：

获取训练样本集；所述训练样本集包括多幅样本塑料软管的图像；

构建支持向量机分类器；

将第k-1次训练的合并样本集确定为第k次训练的标签样本集，并将第k-1次训练的第二剩余集确定为第k次训练的剩余样本集；其中，k为从1开始的整数，第1次训练的标签样本集为从所述训练样本集中选择多幅样本塑料软管的图像进行标记后得到的，第1次训练的剩余样本集为从所述训练样本集中剔除第1次训练的标签样本集后得到的；

若第k次训练的剩余样本集不为空集且k未达到设定值，则从第k次训练的剩余样本集中选择多幅样本塑料软管的图像，得到第k次训练的未标签训练样本集，并将第k次训练的剩余样本集中的剩余图像确定为第k次训练的第一剩余集；

采用直推式学习的方法，根据第k次训练的伪标签样本集、第k次训练的标签样本集和第k次训练的未标签训练样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型；其中，第1次训练的伪标签样本集为空集；

将第k次训练的未标签训练样本集并入第k-1次训练的伪标签候选样本集中，得到第k次训练的伪标签候选样本集；其中，第1次训练的伪标签样本集为空集；

采用第k次训练的第一分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第一分类标签；

采用基于不确定度的采样策略从第k次训练的第一剩余集中选择满足第一设定条件的样本塑料软管的图像进行标记后并入第k次训练的标签样本集中，得到第k次训练的合并样本集，并将第k次训练的第一剩余集中的剩余图像确定为第k次训练的第二剩余集；

采用监督学习的方法，根据第k次训练的合并样本集训练所述支持向量机分类器，得到第k次训练的第二分类模型；

采用第k次训练的第二分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第二分类标签；

将第k次训练的伪标签候选样本集中的所述第一分类标签与所述第二分类标签相同的样本塑料软管的图像和对应的分类标签确定为第k+1次训练的伪标签样本集；

更新k的值，并返回“将第k-1次训练的合并样本集确定为第k次训练的标签样本集，并将第k-1次训练的第二剩余集确定为第k次训练的剩余样本集”的步骤；

若第k次训练的剩余样本集为空集或k达到设定值，则将第k-1次训练的第一分类模型确定为塑料软管检测模型。

可选地，所述采用直推式学习的方法，根据第k次训练的伪标签样本集、第k次训练的标签样本集和第k次训练的未标签训练样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型，具体包括：

将第k次训练的标签样本集确定为第一样本集，并根据所述第一样本集训练所述支持向量机分类器，得到初始分类模型；

将第k次训练的未标签训练样本集确定为第二样本集，并采用所述初始分类模型对所述第二样本集中的样本塑料软管的图像进行分类，得到所述第二样本集中的样本塑料软管的图像的伪标签；

将第k次训练的伪标签样本集和带有伪标签的所述第二样本集确定为第三样本集；

确定选择所述第一样本集的初始权重为第一权重，确定选择所述第三样本集的初始权重为第二权重；

比较所述第一权重和所述第二权重；

若所述第二权重小于所述第一权重，则根据所述第一权重、所述第二权重、所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第三分类模型；

根据所述第三分类模型确定所述第三样本集中的样本塑料软管的图像的松弛变量；

根据所述松弛变量判断所述第三样本集中是否存在两幅样本塑料软管的图像满足第二设定条件；

若存在，则将满足第二设定条件的两幅样本塑料软管的图像对应的伪标签互换以更新所述第三样本集，并返回“根据所述第一权重、所述第二权重、所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第三分类模型”的步骤；

若不存在，则将所述第二权重的值增大至设定倍数，并返回“比较所述第一权重和所述第二权重”的步骤；

若所述第二权重大于或等于所述第一权重，则根据所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型。

可选地，所述第二设定条件为所述第三样本集中的两幅伪标签相反的样本塑料软管的图像对应的松弛变量均为正数且和大于2。

可选地，所述第一设定条件为所述样本塑料软管的图像与所述第一分类模型的超平面的距离在设定范围内。

可选地，所述方法还包括：

若确定所述目标塑料软管为次品，则生成报警信号。

可选地，所述获取训练样本集，具体包括：

获取初始样本集；所述初始样本集包括多幅样本塑料软管的初始图像；

对所述初始样本集中的样本塑料软管的初始图像分别进行预处理，得到训练样本集；所述预处理包括：灰度化处理和特征提取处理；所述特征提取处理为：基于Canny算子的边缘特征提取或基于方向梯度直方图的特征向量提取。

一种塑料软管生产中检测次品的系统，所述系统包括：

目标图像获取模块，用于获取目标塑料软管的图像；

目标图像检测模块，用于利用塑料软管检测模型对所述目标塑料软管的图像进行检测，确定所述目标塑料软管是否为次品；

所述塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的。

一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的塑料软管生产中检测次品的方法。

一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的塑料软管生产中检测次品的方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的塑料软管生产中检测次品的方法，利用塑料软管检测模型对获取的目标塑料软管的图像进行检测，从而判断当前生产线上的目标塑料软管是正品还是次品，实现了对塑料软管生产时的软管质量的自动检测，能够及时发现出现次品的情况，降低塑料软管生产操作工人在极端天气情况下的劳动强度，减少现场操作工人的数量，提高生产效率，降低生产成本，实现智能化生产。此外，由于所利用的塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的，与常规的训练方法相比，本发明在较少标记的训练样本数量情况下，还能保证较高的检测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的正样本塑料软管的初始图像示意图；

图2为本发明实施例提供的负样本塑料软管的初始图像示意图；

图3为本发明提供的塑料软管生产中检测次品的方法的流程图；

图4为本发明实施例提供的边缘特征提取前的塑料软管示意图；

图5为本发明实施例提供的边缘特征提取后的塑料软管示意图；

图6为本发明实施例提供的特征向量提取前的塑料软管示意图；

图7为本发明实施例提供的特征向量提取后的塑料软管示意图；

图8为本发明实施例提供的基于主动学习的协同训练方法的流程图；

图9为本发明实施例提供的基于主动学习的协同训练方法中的样本集更新的流程图；

图10为本发明实施例提供的基于主动学习的协同训练方法中的主动学习的流程图；

图11为本发明实施例提供的基于主动学习的协同训练方法中的协同训练的流程图；

图12为本发明实施例提供的实时监控页面的示意图；

图13为本发明实施例提供的出现弹窗界面的示意图；

图14为本发明实施例提供的操作记录界面的示意图；

图15为本发明提供的塑料软管生产中检测次品的系统的模块图。

符号说明：

目标图像获取模块—1，目标图像检测模块—2。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种塑料软管生产中检测次品的方法、系统、设备及介质，以实现对塑料软管生产时的软管质量的自动检测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图3所示，本发明提供一种塑料软管生产中检测次品的方法，所述方法包括：

步骤110：获取目标塑料软管的图像。

步骤120：利用塑料软管检测模型对所述目标塑料软管的图像进行检测，确定所述目标塑料软管是否为次品。

其中，所述塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的。

进一步地，所述塑料软管检测模型的确定方法，具体包括：

步骤S1：获取训练样本集；所述训练样本集包括多幅样本塑料软管的图像。优选地，该步骤具体包括：步骤S101：获取初始样本集；所述初始样本集包括多幅样本塑料软管的初始图像；步骤S102：对所述初始样本集中的样本塑料软管的初始图像分别进行预处理，得到训练样本集；所述预处理包括：灰度化处理和特征提取处理；所述特征提取处理为：基于Canny算子的边缘特征提取或基于方向梯度直方图的特征向量提取。

步骤S2：构建支持向量机分类器。

步骤S3：将第k-1次训练的合并样本集确定为第k次训练的标签样本集，并将第k-1次训练的第二剩余集确定为第k次训练的剩余样本集；其中，k为从1开始的整数，第1次训练的标签样本集为从所述训练样本集中选择多幅样本塑料软管的图像进行标记后得到的，第1次训练的剩余样本集为从所述训练样本集中剔除第1次训练的标签样本集后得到的。

步骤S4：若第k次训练的剩余样本集不为空集且k未达到设定值，则从第k次训练的剩余样本集中选择多幅样本塑料软管的图像，得到第k次训练的未标签训练样本集，并将第k次训练的剩余样本集中的剩余图像确定为第k次训练的第一剩余集。

步骤S5：采用直推式学习的方法，根据第k次训练的伪标签样本集、第k次训练的标签样本集和第k次训练的未标签训练样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型。其中，第1次训练的伪标签样本集为空集。

步骤S6：将第k次训练的未标签训练样本集并入第k-1次训练的伪标签候选样本集中，得到第k次训练的伪标签候选样本集。其中，第1次训练的伪标签候选样本集等于第1次训练的未标签训练样本集。

步骤S7：采用第k次训练的第一分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第一分类标签。

步骤S8：采用基于不确定度的采样策略从第k次训练的第一剩余集中选择满足第一设定条件的样本塑料软管的图像进行标记后并入第k次训练的标签样本集中，得到第k次训练的合并样本集，并将第k次训练的第一剩余集中的剩余图像确定为第k次训练的第二剩余集。具体地，所述第一设定条件为所述样本塑料软管的图像与所述第一分类模型的超平面的距离在设定范围内。

步骤S9：采用监督学习的方法，根据第k次训练的合并样本集训练所述支持向量机分类器，得到第k次训练的第二分类模型。

步骤S10：采用第k次训练的第二分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第二分类标签。

步骤S11：将第k次训练的伪标签候选样本集中的所述第一分类标签与所述第二分类标签相同的样本塑料软管的图像和对应的分类标签确定为第k+1次训练的伪标签样本集。

步骤S12：更新k的值，并返回步骤S3。

步骤S13：若第k次训练的剩余样本集为空集或k达到设定值，则将第k-1次训练的第一分类模型确定为塑料软管检测模型。

进一步的，步骤S5，具体包括：

步骤S501：将第k次训练的标签样本集确定为第一样本集，并根据所述第一样本集训练所述支持向量机分类器，得到初始分类模型。

步骤S502：将第k次训练的未标签训练样本集确定为第二样本集，并采用所述初始分类模型对所述第二样本集中的样本塑料软管的图像进行分类，得到所述第二样本集中的样本塑料软管的图像的伪标签。

步骤S503：将第k次训练的伪标签样本集和带有伪标签的所述第二样本集确定为第三样本集。

步骤S504：确定选择所述第一样本集的初始权重为第一权重，确定选择所述第三样本集的初始权重为第二权重。

步骤S505：比较所述第一权重和所述第二权重。

步骤S506：若所述第二权重小于所述第一权重，则根据所述第一权重、所述第二权重、所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第三分类模型。

步骤S507：根据所述第三分类模型确定所述第三样本集中的样本塑料软管的图像的松弛变量。

步骤S508：根据所述松弛变量判断所述第三样本集中是否存在两幅样本塑料软管的图像满足第二设定条件。具体地，所述第二设定条件为所述第三样本集中的两幅伪标签相反的样本塑料软管的图像对应的松弛变量均为正数且和大于2。

步骤S509：若存在，则将满足第二设定条件的两幅样本塑料软管的图像对应的伪标签互换以更新所述第三样本集，并返回“根据所述第一权重、所述第二权重、所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第三分类模型”的步骤。

步骤S510：若不存在，则将所述第二权重的值增大至设定倍数，并返回步骤S505。优选地，所述设定倍数为二倍。

步骤S511：若所述第二权重大于或等于所述第一权重，则根据所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型。

下面以实际单螺杆塑料挤出机生产塑料软管的过程为例，对上述各步骤进行详细论述。

步骤1)：在实际单螺杆塑料挤出机生产塑料软管过程中，会出现正品和次品，如图1所示的正样本是正品，如图2所示的负样本是次品。使用摄像头获取塑料软管生产的视频流后，使用计算机运行开源计算机视觉库(Open Source ComputerVision Library，OpenCV)循环获取单帧图像作为初始样本集。从而可以从初始样本集中挑选出数量相同的正、负样本进行训练，其中正样本是正常合格的产品，负样本是有瑕疵不正常的样本。

为了能更有效地提取特征，需要进行初始样本集的预处理。首先，正常塑料软管生产工艺中对于软管的颜色只取决于用料的调色，本发明提供的方法对于软管的颜色没有限制，各种颜色的软管都能够处理，因此该颜色特征属于无效信息，将对塑料软管进行灰度化处理。

灰度化处理可以减少特征，将B(即Blue，蓝色)、G(即Green，绿色)和R(即Red，红色)三个特征变量压缩为Gray(即灰色)一个特征变量，但该过程很难缓解过度曝光和反光问题。为了在预处理阶段减少这个过度曝光和反光对下一阶段的影响，本发明还设计了一个针对性的灰度削弱函数来对灰度图的高灰度值区域进行限制，以达到灰度平衡的效果。

本发明提供的方法通过对于各个灰度削弱函数模型进行数学比对，采用指数区间为[0,1]的指数函数作为削弱的核函数，分段对高亮区域进行削弱。综合考量样本的灰度分布情况，设置灰度削弱函数预设为四段函数，实际应用时可根据实际情况减少段数。各分段区间长度和各区间指数的增长量满足非严格递减。通过对图像的每一个像素进行上述削弱函数的运行，遍历图像矩阵。图像矩阵为三维，即高度维、宽度维和通道维，在灰度图像中通道维数为1。本发明采用的参数组可以达到较好的削弱曝光的效果，能够很大程度改善曝光情况。处理这样的样本集时，一般情况下的曝光可以通过此步骤消除。但是，针对样本车间的光照影响较为严重的情况，依然存在难以完全处理的亮点情况时，所以还需要在特征提取时进一步处理来消除。

本实施例中提供两种特征提取的方法，包括基于Canny算子的边缘特征提取和基于方向梯度直方图的特征向量提取。

(1)基于Canny算子的边缘特征提取

由于需要检测塑料软管是否出现变形，因此边缘检测是最合适的特征提取手段。本发明使用Canny(坎尼)算法，具体为：首先对目标图像进行高斯滤波处理，采用5*5的高斯卷积核，消除图片上的大部分噪点，优化边缘提取效率。之后设置好灰度图矩阵、低阈值、高阈值等参数，特别需要调节高低阈值至相对合适的水平，在本实施例中，低阈值的取值为50，高阈值的取值为150，使用Canny算子进行边缘检测，其边缘检测效果如图4和图5所示。其中，图4为边缘检测提取前的图像，图5为边缘检测提取后的效果图像。

当该塑料软管的轮廓被检测出来后，将该轮廓图的二值图转化为矩阵，然后进行模型训练。由于环境和产品材质导致的过度曝光干扰并未完全消除，存在很多异常区域。当产品反光情况发生变化，以及各种不同反光率材质的样本会导致检测结果受到干扰。因此，本发明采取基于方向梯度直方图(Histogram ofOriented Gradient，HOG)的特征向量提取方法来进一步优化，解决这一问题。

(2)基于方向梯度直方图的特征向量提取

Canny算法的特征提取结果为一个简单的二值图，而HOG算法相对于Canny算法会提取出一个相对复杂的特征，即梯度直方向量，且该算法有块归一化操作步骤，可以使得特征描述符减少受光照变化影响。

在本实施例中，使用HOG特征提取方法，提供以下这些关键参数进行计算：bin(箱，存放特定梯度方向角度的个数的地方)的个数、每个胞元(cell)的像素数、每个block(块)的cell数、block内部采用的norm(Normalization，标准化)类型、是否进行伽马校正、是否输出为一维向量、是否输出为可视化图像。同时为了减轻上述Canny算法中光照情况的影响，在参数中选择进行Gamma(伽玛)校正。

按照上述方法，将图片转化为一维向量，再经过处理后，和标签一起保存为特征文件，供后续训练使用。

为了直观地看到HOG算法的特征提取效果，选择将结果输出为可视化图像，可以看到该算法能够有效区分梯度和显示边缘，将图像转化为了一个由直方图向量组成的图形，其结果并非简单的二值图，其特征所包含的信息量较多。在客观条件复杂时，HOG算法更加适合进行特征提取。图6及图7显示了基于HOG的特征提取前后的图像对比，其中，图6为特征向量提取前的图像，图7为特征向量提取后的图像。

通过上一步的特征提取可以得到一组可供训练的特征向量，接下来就是根据这些特征来求得分类器。对此使用支持向量机(SupportVectorMachine，SVM)这种广义线性分类器，按监督学习(Supervised Learning)的方式对数据进行二元分类器的训练，即进行支持向量机分类器的训练。训练分类器时用的初始化参数包括：在惩罚中使用的正则化参数、损失函数、是否转化为解决对偶问题、残差收敛条件(迭代两步之差，小于该参数即停止)、惩罚系数(与样本准确度成正比，与泛化能力成反比)、分类策略、是否计算截距、给每个实例添加常数特征、可以指定权重、随机种子、最大迭代次数等。模型训练时，使用具有相同数量正负样例的数据集，使用正负样例分开测试方式进行样例测试。

模型训练完成后生成模型文件，使用测试集进行模型准确度测试。正测试样例和负测试样例具有相同个数，测试将能够得到模型准确度。

训练集过小会导致模型对于正样例的测试通过率和模型对于负样例的测试通过率不一致，从而会导致模型的泛化能力不足。在本实施例中，使用转导支持向量机(也叫直推式支持向量机，即：Transductive SupportVector Machine，TSVM)分类器的训练方式扩充训练集来克服这种模型的泛化能力不足的问题。

直推式支持向量机TSVM是能够处理无标记样本的SVM，在一个已经得到的SVM分类器作为初始分类器的基础上，再使用未标签的样本辅助进行训练。主要是解决初始分类器使用的有标签的样本数量过少时，无法保证对无标签样本赋予相对正确的伪标签，从而影响后续步骤的准确性的问题。

在本实施例中，将上一步训练完成得到的SVM分类器用来作为初始分类器，在此基础上进行TSVM分类器训练。样本数据中加入未标签样本。令标签样本集的权重C1的初始值为1.0，未标签样本集的权重C2的初始值为0.0001，然后开始迭代训练。正样例和负样例的标签值分别为1和-1，正样例和负样例的标签样本数量相同。在未标签样本集中，正样例和负样例的数量也相同，并且未标签样本集中样本的数量远远大于标签样本集数量。使用的上述权重的形式体现标签样本集和未标签样本集中的样本有着不同的惩罚参数。按照以下算法完成TSVM分类器的训练。

步骤1：使用现有标签样本集训练初始SVM分类器。

步骤2：使用步骤1得到的SVM分类器对所有未标记样本预测，得到一组预测值(即伪标签)。

步骤3：选择标签样本集的权重C1为1.0，未标签样本集的权重C2为0.0001。

步骤4：若C2

步骤5：根据已知的标签样本集(包括原始标签样本集和带有伪标签的未标签样本集)重新训练SVM分类器，并计算松弛变量。

步骤6：若带有伪标签的未标签样本集中存在松弛变量之和大于2的两个不同分类的点，转步骤7，否则转步骤8。

步骤7：将这两个点分别取反，转步骤5。

步骤8：将C2放大为2倍，并转步骤4。

步骤9：输出调整完毕的所有标签数据集合。

步骤10：根据原有的标签样本集和上述步骤制作出的标签样本集合并得到的“大标签样本集”，再进行训练，得到最终的TSVM分类器。使用该新得到的模型进行预测，得出的模型准确度会有所提升。

上述步骤得到的TSVM分类器与原来得到的初始SVM分类器相比，准确度能够有较大的提升。但是，会出现依然难以满足塑料软管生产的准确度需求。原因可能是伪标签样本的准确率受限于初始SVM的精度，导致TSVM迭代对分类器精度的提升幅度有限，于是使用主动学习方法结合使用松弛变量判断的TSVM，半监督地执行迭代再进行协同训练，协同训练实验过程具体如图8所示。

其中样本集更新、主动学习、协同分类三者的详细步骤分别如图9、图10和图11所示。

在本实施例中，TSVM使用的未标签训练样本集是从总未标记样本集(即剩余样本集)中随机取样得到的。主动学习的采样函数采用基于不确定度的采样策略，将距离超平面最近的样本提交进行标记后加入标签样本集。TSVM采样的未标签样本经过TSVM分类器进行分类标记后，和使用更新后的标签样本集训练出的SVM分类器对这些未标签样本进行分类得到的结果进行对比，其中标签相同的样本加入伪标签样本集，参与下一步的TSVM分类器训练。

这一步骤的核心思想就是利用主动学习方法扩充标签样本集，将TSVM的未标签样本集不断加入伪标签样本，不断迭代计算使得标签样本集更加丰富、更加有代表性，从而不断提高TSVM分类器对该样本集的判断的准确率，在原来早先较少的人工标记成本的基础上最终训练完成一个高准确度的分类器。

虽然TSVM分类器首次迭代精确度增幅会略低于SVM分类器，原因是受限于初始分类器的准确度和主动学习框架下单次取样数量均比较低，导致刚开始的伪标签样本标记准确率较低且数量较少。但从第二次迭代开始，由于主动学习产生的高质量样本使SVM分类器准确度增加，使得基于此分类器的TSVM分类器得到了样本数量逐步增加、质量稳步增长的伪标签样本集，该样本集在TSVM的未标签样本中占比和权重逐步提高。随着迭代次数的增加，TSVM分类器能够获得比SVM更加好的分类准确度。通过这种方式的协同训练，经过多次主动学习迭代后，优化了样本集数量和质量，最终TSVM模型准确度在多次半监督迭代后趋于较高水平的稳定。TSVM模型对塑料软管检测的准确度能够提高到95％以上的程度，可以满足精度需求。

在实际工作中，需要在单螺杆塑料挤出机前面放置一台相机，相机直接和工控计算机相连接，工控计算机运行Windows操作系统。在工控计算机上运行OpenCV软件、和上面步骤训练得到的TSVM模型(即塑料软管检测模型)。OpenCV软件用来获取塑料软管的照片，上面步骤训练得到的TSVM模型用来判断所生产的软管是不是次品。

本发明可以在0.1秒内完成截取一帧图片，并运用塑料软管检测模型判断图片中的塑料软管是否是次品。优选地，如果发现是次品，本发明还能够及时发出报警信号。当塑料软管流水线生产的速度为9cm/s时，通过OpenCV软件可以每秒截取3帧的图片进行监测，优选地，本发明可以根据实际生产情况调整每秒截取帧的数量。

在本实施例中，还设计了一个友好的人机交互界面，以应对一人管理多台单螺杆塑料挤出机的生产情况，实现一人管理多个车间、每个车间有多台这样的塑料软管生产机器的情况。

优选地，上述人机交互界面采用现如今较为广泛使用的前后端分离体系构建，一方面项目耦合度较低，后续功能扩展简单，维护方便，另一方面可以兼容本发明的特殊后端需求。

具体地，使用一套用于构建用户界面的渐进式框架Vue来搭建用户界面前端，使用Axios、Echarts、Vue-aliplayer等插件，完成包括各机器实时监控、实时预警、操作记录、七日异常发生总览等功能。

其中，实时监控功能提供机器运作的监控视频以及预警信息，实时监控页面具体参见图12。

此外，还使用一个基于构造函数promise的网络请求库Axios，实现对模型检测塑料软管图片视频时是否出现异常进行轮询操作。当模型检测到异常时，在回应前端Axios轮询时提交异常反馈，同时还可以同时触发发送手机短信功能，这一功能依赖于腾讯云的短信API完成，也能够做到在异常出现时使用Vue框架中的弹框组件Alert实现实时弹窗警告，在连接到工控机的显示屏上用弹窗形式向系统管理员发出警告，对所有机器设备出现次品时候都能触发弹窗警告。出现弹窗的界面如图13所示。优选地，对于每个弹窗预警，还提供一个发生异常时的截图，以供车间管理员进一步判断操作，并且可以对管理员的操作记录进行保存以供后续查询。

系统的后端使用一个Python编程语言编写的轻量级全球广域网(World WideWeb，Web)应用框架Flask进行搭建，使用一个关系型数据库管理系统Mysql搭建数据库。Flask以路由形式提供前端接口，在验证前端访问键(Accesskey)后完成和数据库中的数据进行交互的任务，以满足前端数据需求。

在本实施例中，还提供最近七日异常发生的故障记录和操作记录总览，从而追溯针对某一异常所做的操作，供车间管理者参考，其页面如图14所示。其中图表使用商业级数据图表(Enterprise Charts，Echarts)插件完成，该功能可以给车间管理者一个较为直观的机器周期性运行情况的展示，方便后续机器的检修等判断。

进一步地，用户还可以在终端进行一些查询和记录工作，包括故障总览、操作记录等。此外，还能够根据实际生产需求进行系统中需要保存的相关内容的增减。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种塑料软管生产中检测次品的系统。如图15所示，所述系统包括：

目标图像获取模块1，用于获取目标塑料软管的图像。

目标图像检测模块2，用于利用塑料软管检测模型对所述目标塑料软管的图像进行检测，确定所述目标塑料软管是否为次品。

其中，所述塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的。

实施例三

本发明实施例还提供一种电子设备，包括存储器和处理器，该存储器用于存储计算机程序，该处理器用于运行计算机程序以使电子设备执行实施例一中的塑料软管生产中检测次品的方法。所述电子设备可以是服务器。

另外，本发明还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一中的塑料软管生产中检测次品的方法。

本发明为了减少工人的负担，提高工厂生产效率，实现智能化工厂，提出了运用机器学习方法智能地监测生产情况的研发构思，从而提供了一种塑料软管生产中检测次品的方法、系统、设备及介质，能够解决生产效率低下、工人们负担重、不能及时发现生产中的次品问题。在具体实施例中，本发明还提供了一个人机交互友好、运行效率高的用户界面用于批量监视和异常报警，系统还能够存储各台单螺杆塑料挤出机的工作历史记录。

相对于现有技术，本发明能够实现对塑料软管生产线上塑料软管生产时的软管质量自动检测，及时发现出现次品的情况，判断出错误的精确度高，能够降低塑料软管生产操作工人在极端天气情况下的劳动强度，用智能化代替人工现场监测塑料软管生产情况，减少现场操作工人的数量，提高生产效率，降低生产成本，实现智能化生产。并且，本发明采用基于主动学习的协同训练方法确定塑料软管检测模型，能够在较少标记的训练样本数量情况下，还能保证较高的测试精度。实验表明，本发明训练得到的塑料软管检测模型对同一环境下的塑料软管检测的准确度能够提高到95％以上的准确度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。