[0054] 为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
[0055] 本发明为解决现有技术的问题,提出一种注塑机的产品检测方法、设备及系统,采用大量数据对神经网络模型进行预训练,得到产品检测模型,通过不断优化的产品检测模型对注塑机生产的每个产品进行质量检测,其检测结果更加准确,并且不需要对注塑机进行改进,相较于现有技术中通过视觉检测装置检测产品质量,降低了生产成本。
[0056] 图1为本发明实施例提供的注塑机的产品检测系统的应用示意图,如图1所示,该注塑机的产品检测系统,包括:云端服务器01、与云端服务器连接的至少一个边缘设备02,也称作边缘节点。
[0057] 边缘设备02是任一具有处理器的终端设备,用于为系统提供入口点,每个边缘设备02与一个注塑机连接,或者每个边缘设备02属于注塑机的控制器,从注塑机中采集生产数据,并且,每个边缘设备02与云端服务器01通过有线或者无线的方式进行连接,与云端服务器01进行信息交互,例如从云端服务器01中下载预训练的产品检测模型,向云端服务器01上传检测结果或者注塑机的生产数据等。可选的,边缘设备02可接入路由器后通过有线或者无线的方式与云端服务器01连接。
[0058] 辅助训练机03与云端服务器01连接,用于为云端服务器01提供训练数据或者模型优化数据,云端服务器01根据辅助训练机03上传的训练数据训练得到产品检测模型,以及根据辅助训练机03上传的模型优化数据对产品检测模型进行优化。
[0059] 云端服务器01将训练好的产品检测模型以及在生产过程中优化的产品检测模型同步至至少一个边缘设备02,使每个边缘设备根据最新的产品检测模型检测对应的注塑机生产的每个塑料制品。
[0060] 可选的,辅助训练机03可以直接与云端服务器01连接,也可以通过边缘设备02与云端服务器01连接,示例性的,与辅助训练机03连接的边缘设备不需要对产品进行检测,仅向云端服务器提供辅助训练机的训练数据和模型优化数据。
[0061] 示例性的,辅助训练机03是一种注塑机或者注塑设备,能够周期性的生产与其他注塑机相同的产品,并在每个待检测的产品的生产周期内产生生产数据,可选的,辅助训练机03安装有定制化的视觉检测装置,用于识别每个待检测的产品的产品质量,并将识别结果作为该待检测的产品对应的生产数据的质量标签,每个生产数据和对应的质量标签组成训练数据或者模型优化数据上传至云端服务器,具体可以是上传至云端数据库,使云端服务器01根据训练数据对产品检测模型进行训练,或者根据模型优化数据对产品检测模型进行优化。
[0062] 可选的,辅助训练机03作为一种注塑机或者注塑设备,在自身进行生产或者模拟生产的过程中产生生产数据,并对每个生产数据设置对应的质量标签,在产品检测模型完成训练以前,将产生的多个生产数据和对应的质量标签组成多个训练数据,发送至云端服务器01,在产品检测模型训练完成后,即产品的生产过程中,将产生的多个生产数据和对应的质量标签组成多个模型优化数据,发送至云端服务器01。
[0063] 可选的,边缘设备02还与模腔压力监控设备连接,获取待检测产品的生产周期内模腔压力数据,例如从注塑开始到注塑结束的模腔压力的变化曲线。
[0064] 在一种具体的实现方式中,与云端服务器01连接的至少一个边缘设备02所连接的注塑机以及辅助训练机应属于同一类别的注塑机,这里所说的同一类别是指生产相同产品的和/或相同型号的注塑机,或者可以是根据人工智能方法经过相似度计算划分为同一类别的注塑机,使产品检测模型应用于每个边缘设备时,在可接收范围内运行,例如每个边缘设备通过产品检测模型检测产品质量的准确度达到99%以上。
[0065] 本实施例提供的一种注塑机的产品检测系统,包括云端服务器01,以及与云端服务器01连接的至少一个边缘设备02和辅助训练机03,每个边缘设备02连接一个注塑机,实现了根据待检测产品的生产数据和产品检测模型,对产品的质量进行检测,并在生产的过程中不断优化产品检测模型,提高检测的准确性。
[0066] 在上述实施例的基础上,以下实施例中提供的注塑机的产品检测方法可应用于上述任一系统实施例中。
[0067] 图2为本发明实施例提供的注塑机的产品检测方法实施例一的流程示意图,本实施例的执行主体为与注塑机连接的边缘设备02,或者集成于注塑机的边缘设备02,如图2所示,该注塑机的产品检测方法,包括:
[0068] S101:获取注塑机在每个待检测产品的生产周期内产生的生产数据。
[0069] 本领域人员应理解,注塑机生产产品的过程为周期性循环的过程,每个生产周期产出一个待检测的产品。本步骤中,边缘设备获取注塑机每个生产周期内产生的生产数据,使后续步骤根据每个周期的生产数据检测对应的待检测产品是否满足质量要求。
[0070] 其中,生产数据包括注塑机的生产过程数据和/或模腔压力数据;可选的,注塑机的生产过程数据包括:实际合模时间,开模时间,保压终点,注射时间,熔胶时间,最小残量,熔胶终点,机器循环时间,保压切换位置,最大射压,最大射速,熔胶起点,切换压力中的至少一种,例如表1所示,表1中每列数据为一个生产周期内得到的生产过程数据。
[0071]周期计数 1 2 …
实际合模时间 0.81 0.81 …
开模时间 1.1 1.1 …
保压终点 34 34 …
注射时间 0.18 0.18 …
熔胶时间 2.46 2.41 …
最小残量 34 34 …
熔胶终点 126.1 126 …
机器循环时间 5.62 5.62 …
保压切换位置 82.1 82.1 …
最大射压 2094 2113 …
最大射速 392.6 392.4 …
熔胶起点 32.3 32.4 …
切换压力 1310 1311 …
[0072] 表1
[0073] S102:将生产数据输入预训练的产品检测模型,得到待检测产品的检测结果。
[0074] 将步骤S101中获取的生产数据输入预训练的产品检测模型,产品检测模型输出待检测产品的检测结果,该检测结果用于表示待检测产品的质量在预设的质量标准中的类别,示例性的,检测结果可以为满足质量标准和不满足质量标注,例如次品或正品,进一步地,对于不满足质量标准的产品进行分类,例如次品有飞边或次品有缺料,或者,检测结果可以按照质量标准进行等级划分,例如一级正品、二级正品、一级次品、二级次品、报废品等。
[0075] 其中,产品检测模型为基于神经网络模型训练的确定待检测产品的质量的模型。
[0076] 本实施例提供的一种注塑机的产品检测方法,通过将获取的每个待检测产品的生产周期内产生的生产数据输入至预训练的产品检测模型,得到每个待检测产品的检测结果,相比于现有技术通过图像识别技术识别每个产品的产品质量,本方案不易受到外界环境的干扰,得到的检测结果更加准确。
[0077] 图3为本发明实施例提供的注塑机的产品检测方法实施例二的流程示意图,本实施例的执行主体为服务器,具体可以是一种云端服务器01,如图3所示,该注塑机的产品检测方法,包括:
[0078] S201:获取辅助训练机上传的多个训练数据。
[0079] 辅助训练机可以是一种设置有视觉检测装置的注塑机,通过控制辅助训练机模拟生产待检测产品,得到待检测产品的生产数据,并根据每个待检测产品的质量为每个生产数据设置对应的质量标签,示例性的,可根据视觉检测装置检测的结果设置质量标签,也可以通过人工检测的方式判断待检测产品的质量,并为每个生产数据设置对应的质量标签,每个生产数据和对应的质量标签组成一个训练数据。
[0080] 辅助训练机可以在每个生产周期结束后上传训练数据,或者一次上传多个训练数据,本方案对此不做要求。
[0081] S202:根据多个训练数据,采用神经网络模型训练得到产品检测模型。
[0082] 采用多个训练数据,对神经网络模型进行训练,使神经网络模型的准确度满足产品质量检测的要求,得到产品检测模型。
[0083] 在一种具体的实现方式中,本步骤包括如图4所示的过程,图4为本发明实施例提供的注塑机的产品检测方法实施例三的流程示意图。
[0084] S2021:将多个训练数据的生产数据依次输入神经网络模型,得到每个生产数据的输出结果。
[0085] S2022:根据损失函数、输出结果和训练数据的质量标签,对神经网络模型进行训练,在满足预设条件时结束训练过程,得到产品检测模型。
[0086] 在步骤S2021至步骤S2022中,将多个训练数据的生产数据依次输入神经网络模型,得到每个生产数据的输出结果,该输出结果为待检测产品的质量分类,与训练数据中的质量标签对应,根据每个生产数据对应的质量标签和输出结果,采用损失函数,不断对神经网络模型进行训练,提高神经网络模型的准确性,直到神经网络模型满足预设条件时结束训练过程,得到产品检测模型。
[0087] 可选的,预设条件包括:一、训练次数大于预设次数,即对神经网络模型的训练次数达到预设次数时结束训练过程;二、神经网络模型的检测准确度大于预设准确度,例如,计算神经网络模型对N组生产数据进行检测得到的准确度大于预设准确度α;三、损失函数值小于预设阈值,即在神经网络模型训练的过程中,损失函数值不断收敛,直至损失函数值收敛至小于预设阈值时结束训练过程。
[0088] S203:将产品检测模型发送至至少一个边缘设备。
[0089] 在本步骤中,云端服务器将训练好的产品检测模型发送至至少一个边缘设备,即每个边缘设备接收服务器发送的产品检测模型,使每个边缘设备根据产品检测模型对注塑机生产的待检测产品进行质量检测。
[0090] 本实施例中,通过云端服务器根据辅助训练机提供的训练数据,对神经网络模型进行训练,以获取准确度较高的产品检测模型,并将产品检测模型同步至与云端服务器连接的每个边缘设备,使每个边缘设备能够根据产品检测模型对注塑机生产的待检测产品进行准确的质量检测,以识别其中不满足质量要求的次品。
[0091] 图3至图4所示实施例应用于使用产品检测模型进行产品质量的检测之前,图5所示实施例应用于注塑机生产产品的过程中对产品检测模型不断优化,以提高产品检测模型的准确性。
[0092] 图5为本发明实施例提供的注塑机的产品检测方法实施例四的流程示意图,本实施例的执行主体为服务器,具体可以是一种云端服务器01,如图5所示,该注塑机的产品检测方法,包括:
[0093] S301:获取辅助训练机在生产过程中产生并上传的多个模型优化数据。
[0094] 与步骤S201类似的,辅助训练机和用于制造产品的其他注塑机协同工作,例如,采用相同的生产步骤生产相同的产品,辅助训练机在生产待检测产品的过程中,得到待检测产品的生产数据,并根据每个待检测产品的质量为每个生产数据设置对应的质量标签,示例性的,可根据视觉检测装置检测的结果设置质量标签,也可以通过人工检测的方式判断待检测产品的质量,并为每个生产数据设置对应的质量标签,每个生产数据和对应的质量标签组成一个模型优化数据。
[0095] S302:根据多个模型优化数据优化产品检测模型。
[0096] 云端服务器根据辅助训练机上传的多个模型优化数据继续对产品检测模型进行训练,以优化产品检测模型,提高产品检测模型的准确度。
[0097] S303:根据优化后的产品检测模型的准确度和优化前的产品检测模型的准确度,确定是否更新至少一个边缘设备的产品检测模型。
[0098] 结合图6所示,为本发明提供的一种更新产品检测模型的流程示意图,云端服务器中同时存储了优化前的产品检测模型和优化后的产品检测模型,将多个模型优化数据的生产数据分别输入优化前的产品检测模型和优化后的产品检测模型,并计算各自的准确度,根据优化前的产品检测模型的准确度和优化后的产品检测模型的准确度,确定是否将优化后的产品检测模型更新至至少一个边缘设备。
[0099] 示例性的,若优化后的产品检测模型的准确度与优化前的产品检测模型的准确度的差值大于第一预设值,则将至少一个边缘设备中的产品检测模型更新为优化后的产品检测模型。例如,优化后产品检测模型的N次检测的准确度减去优化前的产品检测模型的N次检测的准确度大于第一预设值β时,进行更新;或者,若优化前的产品检测模型的准确度低于第二预设值,则将至少一个边缘设备中的产品检测模型更新为优化后的产品检测模型。例如,优化前的产品检测模型的准确度低于第二预设值γ;或者,若优化后的产品检测模型的准确度与优化前的产品检测模型的准确度的差值大于第一预设值,并且优化前的产品检测模型的准确度低于第二预设值,则将至少一个边缘设备中的产品检测模型更新为优化后的产品检测模型。
[0100] 本实施例中,在注塑机生产的过程中不断对产品检测模型进行优化,以提高产品检测模型的准确度,使产品检测模型的检测更符合实际生产的产品,提高针对目前生产产品进行质量检测的准确度。
[0101] 在一种具体的实现方式中,云端服务器中的神经网络模型,可以是任意形状的网络结构。可选的,神经网络模型采用全连接网络结构,如图7所示,为本发明实施例提供的一种神经网络模型的结果示意图,包含输入层、隐藏层和输出层。输出层的输出与标签的维度相同,例如,维度可以是2维,即是正品或者次品,也可以是多维,即正品,次品有飞边,次品缺料。
[0102] 可选的,损失函数是均方误差。神经网络根据损失函数通过反向传播优化。
[0103] 在上述实施例的基础上,以边缘设备为集成于注塑机的控制器为例,图8为本发明实施例提供的注塑机的产品检测方法实施例五的流程示意图,如图8所示,与云端服务器连接的多个注塑机属于同一类别的注塑机,包括注塑机1、注塑机2和注塑机3,其中注塑机1为一种辅助训练机,该辅助训练机的控制器采集辅助训练机的生产过程数据和/或模腔压力监控设备的模腔压力数据,形成生产数据,并对每个生产数据设置对应的质量标签,例如将视觉检测装置或人工检测得到的检测结果作为生产数据的质量标签,得到多个训练数据,将多个训练数据批量上传至云端服务器,使云端服务器根据训练数据对神经网络模型进行训练得到产品检测模型。辅助训练机在产品生产的过程中得到多个模型优化数据,具体过程与上述获取训练数据的过程类似,此处不再赘述,云端服务器根据模型优化数据对产品检测模型进行优化,并根据预设的决策机制,判断优化后的产品检测模型是否满足预设条件,在满足预设条件时将优化后的产品检测模型更新至与之连接的注塑机。其中,注塑机2和3为应用机,注塑机2和注塑机3根据云端服务器发送的产品检测模型对自身生产的待检测产品进行质量检测,得到检测结果,即正品或者次品。
[0104] 图9为本发明实施例提供的边缘设备实施例一的结构示意图,如图9所示,该边缘设备10包括:
[0105] 获取模块11,用于获取注塑机在每个待检测产品的生产周期内产生的生产数据;所述生产数据包括所述注塑机的生产过程数据和模腔压力变化曲线。
[0106] 检测模块12,用于将所述生产数据输入预先训练的产品检测模型,得到所述待检测产品的检测结果;所述检测结果用于表示所述待检测产品的质量是否符合预设的质量标准;
[0107] 其中,所述产品检测模型为基于神经网络模型训练的确定待检测产品的质量的模型。
[0108] 本实施例提供的设备,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
[0109] 图10为本发明实施例提供的服务器实施例一的结构示意图,如图10所示,该服务器20包括:
[0110] 获取模块21,用于获取辅助训练机上传的多个训练数据,每个训练数据包括生产数据和对应的质量标签;
[0111] 处理模块22,用于根据所述多个训练数据,采用神经网络训练得到产品检测模型;
[0112] 发送模块23,用于将所述产品检测模型发送至至少一个边缘设备;每个边缘设备用于根据所述产品检测模型对注塑机生产的待监测产品进行质量检测。
[0113] 本实施例提供的设备,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
[0114] 图11为本发明实施例提供的边缘设备的硬件结构示意图。如图11所示,本实施例的控制设备60包括:处理器601以及存储器602;其中
[0115] 存储器602,用于存储计算机执行指令;
[0116] 处理器601,用于执行存储器存储的计算机执行指令,以实现上述实施例中边缘设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
[0117] 可选地,存储器602既可以是独立的,也可以跟处理器601集成在一起。
[0118] 当存储器602独立设置时,该控制设备还包括总线603,用于连接所述存储器602和处理器601。
[0119] 图12为本发明实施例提供的服务器的硬件结构示意图。如图12所示,本实施例的服务器70包括:处理器701以及存储器702;其中
[0120] 存储器702,用于存储计算机执行指令;
[0121] 处理器701,用于执行存储器存储的计算机执行指令,以实现上述实施例中服务器或云端服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
[0122] 可选地,存储器702既可以是独立的,也可以跟处理器701集成在一起。
[0123] 当存储器702独立设置时,该控制设备还包括总线703,用于连接所述存储器702和处理器701。
[0124] 本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的注塑机的产品检测方法。
[0125] 本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0126] 最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。