一种基于边缘计算技术的质检方法及系统

技术领域

本发明涉及质检技术领域，具体为一种基于边缘计算技术的质检方法及系统。

背景技术

质检方法有很多，伴随着工业互联网的蓬勃发展，自动化和信息化的深化应用带来了工业生产线上自动化水平不断提升，智能制造的推广工作也不断走向深入，自动化检测：通过使用机器视觉、振动传感器、声音分析等自动化检测工具和方法，对工件进行检测，统计过程控制：通过收集和分析生产过程中的数据，控制生产过程，提高产品质量，无损检测：通过使用射线、超声波、磁粉、涡流等无损检测技术，检测工件内部和表面的缺陷。

目前对质检进行检测中自动化检测能够明显提高检测的效率，然在进行自动化检测时会出现未对学习的类型进行分类和标注，如果不分类和标注，会出现在进行深度学习时出现错乱的情况，导致学习的效率降低，而且还会影响到对质检类型检测的准确度，同时还同一种算法还可能学习时分析不够全面，为此提出一种由两种算法结合的混合建模方式来进行分析质检内容。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于边缘计算技术的质检方法及系统，具备方便进行分类深度学习等优点，解决了然在进行自动化检测时会出现未对学习的类型进行分类和标注，如果不分类和标注，会出现在进行深度学习时出现错乱的情况，导致学习的效率降低，而且还会影响到对质检类型检测的准确度的问题。

(二)技术方案

为实现上述方便进行分类深度学习目的，本发明提供如下技术方案：一种基于边缘计算技术的质检方法，包括以下步骤：

步骤S1首先从平台获取基础质检数据；

步骤S2对获取的数据进行分类标注，用于分类学习；

步骤S3构建建模网络作为模型主干网络，利用卷积神经网络CNN和数据源传输到边缘计算设备上，并在设备上进行两种方式混合的处理和分析方式进行深度学习，得到预测模型，利用边缘计算提高运算效率，计算和数据处理分布到网络的边缘，将数据处理和应用程序的计算分散到多个物理位置，减少数据传输延迟和带宽占用，同时提高应用程序的可靠性和安全性；

步骤S4卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习；

步骤S5利用训练好的模型进行检测一遍预测结果，合格后，将新获取的质检数据处理后，输入模型中，得到模型分析结果；

步骤S6然后采用视频监控对机房的质检内容进行监控，将得到的数据进行数据传输至平台上，然后在从平台上获取质检数据结果得到步骤S1进行分析内容。

优选的，步骤S1中利用前端的视频监控系统对机房的内容进行图像监控、采集和传输以及分析。

优选的，步骤S2采集的图片分类为合格、优良和不合格以及其他，还包括动态捕捉和静态行为分析，从而提取的特征图进行学习。

优选的，步骤S3卷积神经网络具有表征学习能力和平移不变分类能力，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对输入信息进行学习，并且对数据没有额外的特征工程要求。

本发明要解决的另一技术问题是提供一种基于边缘计算技术的质检系统，包括以下步骤：

1)首先接入平台监控系统后，进行获取监控数据；

2)对获取信息进行分类标注；

3)混合建模学习，利用计算机的一种分布式计算模式和卷积神经网络对得到数据进行深度学习和计算，还包括以收集、存储和处理数据，并将结果传送到云端数据中心或其他边缘设备进行分析和处理；

4)抽样检测，选取不同的图片将数据输入到模型中，进行模型验证的准确度；

5)得到准确的预测模型，验证通过后进行正常的将前端平台采集的信息输送到学习好的模型中进行正常的预测。

(三)有益效果

与现有技术相比，本发明提供了一种基于边缘计算技术的质检方法及系统，具备以下有益效果：

该基于边缘计算技术的质检方法及系统，基于提取的信息进行构建模型后，对模型进行训练，利用训练好的模型，将新获取的质检图片和内容预处理后，输入模型中，得出不同的为合格、优良和不合格以及其他的预测结果，本方法利用混合构建模型的方式进行采集，且进行分类标注后学习，准确度高、运行速度快，解决了然在进行自动化检测时会出现未对学习的类型进行分类和标注，如果不分类和标注，会出现在进行深度学习时出现错乱的情况，导致学习的效率降低，而且还会影响到对质检类型检测的准确度的问题。

附图说明

图1为本发明提出的一种基于边缘计算技术的质检方法的系统示意图。

具体实施方式

下面将结合本发明的实施例，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。

实施例一：一种基于边缘计算技术的质检方法，其特征在于，包括以下步骤：

步骤S1首先从平台获取基础质检数据；步骤S1中利用前端的视频监控系统对机房的内容进行图像监控、采集和传输以及分析。

步骤S2对获取的数据进行分类标注，用于分类学习；步骤S2采集的图片分类为合格、优良和不合格以及其他，还包括动态捕捉和静态行为分析，从而提取的特征图进行学习。

步骤S3构建建模网络作为模型主干网络，利用卷积神经网络CNN和数据源传输到边缘计算设备上，并在设备上进行两种方式混合的处理和分析方式进行深度学习，得到预测模型，利用边缘计算提高运算效率，计算和数据处理分布到网络的边缘，将数据处理和应用程序的计算分散到多个物理位置，减少数据传输延迟和带宽占用，同时提高应用程序的可靠性和安全性；步骤S3卷积神经网络具有表征学习能力和平移不变分类能力，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对输入信息进行学习，并且对数据没有额外的特征工程要求。

步骤S4卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习。

步骤S5利用训练好的模型进行检测一遍预测结果，合格后，将新获取的质检数据处理后，输入模型中，得到模型分析结果。

步骤S6然后采用视频监控对机房的质检内容进行监控，将得到的数据进行数据传输至平台上，然后在从平台上获取质检数据结果得到步骤S1进行分析内容。

一种基于边缘计算技术的质检系统，包括以下步骤：

1)首先接入平台监控系统后，进行获取监控数据；

2)对获取信息进行分类标注；

3)混合建模学习，利用计算机的一种分布式计算模式和卷积神经网络对得到数据进行深度学习和计算，还包括以收集、存储和处理数据，并将结果传送到云端数据中心或其他边缘设备进行分析和处理；

4)抽样检测，选取不同的图片将数据输入到模型中，进行模型验证的准确度；

5)得到准确的预测模型，验证通过后进行正常的将前端平台采集的信息输送到学习好的模型中进行正常的预测。

本发明的有益效果是：该基于边缘计算技术的质检方法及系统，基于提取的信息进行构建模型后，对模型进行训练，利用训练好的模型，将新获取的质检图片和内容预处理后，输入模型中，得出不同的为合格、优良和不合格以及其他的预测结果，本方法利用混合构建模型的方式进行采集，且进行分类标注后学习，准确度高、运行速度快，解决了然在进行自动化检测时会出现未对学习的类型进行分类和标注，如果不分类和标注，会出现在进行深度学习时出现错乱的情况，导致学习的效率降低，而且还会影响到对质检类型检测的准确度的问题。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。