[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114708584A - 基于大数据的卷烟产品质量缺陷防控学习系统及方法 - Google Patents

基于大数据的卷烟产品质量缺陷防控学习系统及方法 Download PDF

Info

Publication number
CN114708584A
CN114708584A CN202210333292.5A CN202210333292A CN114708584A CN 114708584 A CN114708584 A CN 114708584A CN 202210333292 A CN202210333292 A CN 202210333292A CN 114708584 A CN114708584 A CN 114708584A
Authority
CN
China
Prior art keywords
module
defect
data
image
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210333292.5A
Other languages
English (en)
Other versions
CN114708584B (zh
Inventor
李生春
周森
刘昌宏
简敏
黄勇
黄卫江
张志华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing China Tobacco Industry Co Ltd
Original Assignee
Chongqing China Tobacco Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing China Tobacco Industry Co Ltd filed Critical Chongqing China Tobacco Industry Co Ltd
Priority to CN202210333292.5A priority Critical patent/CN114708584B/zh
Publication of CN114708584A publication Critical patent/CN114708584A/zh
Application granted granted Critical
Publication of CN114708584B publication Critical patent/CN114708584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
    • G09B5/12—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations different stations being capable of presenting different information simultaneously
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及质量控制学习系统技术领域，公开了一种基于大数据的卷烟产品质量缺陷防控学习系统及方法，包括数据采集单元、数据处理单元、数据存储单元和学习单元；数据采集单元包括摄像头；数据处理单元包括第一处理器，第一处理器设置有分析系统，分析系统包括图像处理单元和数据分析单元；学习单元包括第二处理器，所述第二处理器电连接有第一显示器、语音播放模块和第一操控模块，所述第二处理器上设置有多媒体接口。本发明能够对卷烟生产线上的卷烟物理质量、外观缺陷等问题进行自动采集，并分析原因和解决办法，形成卷烟产品质量缺陷防控学习数据库，供工作人员学习，提升工作人员的业务能力。

Description

基于大数据的卷烟产品质量缺陷防控学习系统及方法
技术领域
本发明涉及质量控制学习系统技术领域，尤其涉及一种基于大数据的卷烟产品质量缺陷防控学习系统及方法。
背景技术
在卷烟的生产过程中，为避免生产出的卷烟产品流转到消费者手中具有质量缺陷，以及生产中过多缺陷产品导致的废品率增加；所以，目前各个卷烟生产企业都非常关注生产质量稳定和持续满足行业要求的优质卷烟产品的问题。
在卷烟质量控制的卷烟物理质量、卷烟外观质量监控领域，目前通常采用岗位自检、车间质量人员抽检、工厂质量管理部门专检等多个环节的检验来控制卷烟的缺陷率，但这些检验均为离线检验，无法有效代表整体的加工质量效果。并且，因为在各个生产岗位上的工作人员对业务的熟练程度不同，部分对卷烟物理质量、外观质量缺陷识别和分析经验欠缺的工作人员就有可能对缺陷进行漏检或者误检，而烟草行业对产品缺陷检测要求较高，需要卷烟生产线上的各个生产人员能够及时、准确的对各种缺陷进行识别，并能够准确的分析判断可能存在问题的原因，以及解决质量缺陷问题的办法。但这样的要求，对于一般的生产人员是非常困难的，必须要有大量的工作经验积累才能达到如此的熟练程度。但如果只依靠工作人员在工作实践中去经验积累，这势必需要很长的时间，也会造成卷烟生产线上卷烟产品质量缺陷的增加，不仅不利于企业生产成本的控制，质量缺陷卷烟流入市场也会对卷烟品牌造成不良的影响。
发明内容
有鉴于此，本发明的目的是提供一种基于大数据的卷烟产品质量缺陷防控学习系统及方法，能够对卷烟生产线上的卷烟物理质量、外观缺陷等问题进行自动采集，并分析原因和解决办法，形成卷烟产品质量缺陷防控学习数据库，供工作人员学习，提升工作人员的业务能力。
本发明通过以下技术手段解决上述技术问题：
一种基于大数据的卷烟产品质量缺陷防控学习系统，包括数据采集单元、数据处理单元、数据存储单元和学习单元；所述数据采集单元包括安装于卷烟生产线上的摄像头；所述数据处理单元包括第一处理器，所述第一处理器设置有分析系统，所述分析系统包括图像处理单元和数据分析单元；所述数据存储单元包括均与第一处理器电连接的标准质量特征存储器、拍摄图像特征存储器和缺陷数据存储器，所述缺陷数据存储器包括历史质量事故模块、A类缺陷储存模块、B类缺陷储存模块和C类缺陷储存模块；所述学习单元包括第二处理器，所述第二处理器电连接有第一显示器、语音播放模块和第一操控模块，所述第二处理器上设置有多媒体接口；所述第二处理器设置有学习系统，所述学习系统包括第一登录验证单元和检索单元，所述检索单元包括A类缺陷检索模块、B类缺陷检索模块、C类缺陷检索模块和推荐学习模块，所述A类缺陷检索模块、B类缺陷检索模块、C类缺陷检索模块和推荐学习模块均包括缺陷实例显示模块、原因产生模块、历次缺陷分析模块、可以显示排查及设备调整的解决方案的方案解决模块。
进一步，所述图像处理单元包括用于对摄像头拍摄图象进行采集的图像采集模块、对图像进行预处理的图像预处理模块、对图像的特征进行提取的图像特征提取模块；所述数据分析单元包括将提取的卷包特征与标准质量储存模块进行比对的特征比对模块、对总检测数和缺陷数进行统计的数据统计模块、对产生质量缺陷进行分析分类的数据分析分级模块；数据分析分级模块包括无缺陷模块、A类缺陷模块、B类缺陷模块和C类缺陷模块。
进一步，所述摄像头电连接有将摄像头拍摄图像传输的第一通讯发送模块，所述第一处理器电连接有第一通讯接收模块、第二通讯发送模块，所述第一通讯发送模块与第一通讯接收模块通讯连接，所述第二处理器电连接有第二通讯接收模块，所述第二通讯接收模块与第二通讯发送模块通讯连接。
进一步，所述数据采集单元还包括第二显示器，所述第二显示器与第一处理器电连接，所述第二显示器上设置有USB接口和第二操控模块，所述第二操控模块与第一处理器电连接，所述分析系统还包括第二登录验证模块。
进一步，所述第一处理器还电连接有机台显示屏、生产班组显示屏、维修班组显示屏、质检组显示屏和车间管理显示屏，所述机台显示屏、生产班组显示屏、维修班组显示屏、质检组显示屏和车间管理显示屏上均安装有蜂鸣报警器。
进一步，所述学习单元还包括支撑架，所述第一显示器通过螺钉固定安装在支撑架上，所述支撑架包括支撑板，所述支撑板上固定连接有伸缩杆，所述伸缩杆远离支撑板的一端设置有底座，所述伸缩杆包括第一支撑杆和第二支撑杆，所述第一支撑杆和第二支撑杆均为中空结构，所述第一支撑杆滑动的设置在第二支撑杆的中空结构内，所述第一支撑杆的中空结构内固定连接有固定螺母，所述固定螺母内螺纹连接有螺杆，所述第二支撑杆的中空底部固定安装有伺服电机，所述伺服电机的输出轴与螺杆固定连接；所述伺服电机与第二处理器电连接。支撑架对第一显示器形成支撑，并通过伸缩杆调整第一显示器的支撑高度，便于不同高度工作人员操作学习；具体操作时，可以操控第一操控模块，通过第二处理器控制伺服电机，伺服电机带动螺杆旋转，从而调整固定螺母的高度，进而调整第一支撑杆在第二支撑杆内的高度，达到对支撑板高度调节的目的。
一种基于大数据的卷烟产品质量缺陷防控学习方法，包括以下步骤：
S1、摄像头对生产线上的卷烟进行拍摄，形成拍摄图像，并通过第一通讯传送模块和第一通讯接收模块将图像传送到图像处理单元，由图像采集模块对图像进行采集；
S2、将工作中发现的卷烟缺陷问题图像通过USB接口和第二操控模块手动的录入到缺陷数据存储器中，充实整个缺陷存储分析数据库；
S3、图像预处理模块对采集的图像电子信号进行滤波、增强、平滑和锐化处理，使得图像清晰，保证图像质量；
S4、图像特征提取模块对预处理后的图像利用卷积神经网络进行自我训练和特征提取，形成图像特征信号；
S5、将图像特征提取模块形成的图像特征信号，利用特征比对模块与标准质量储存模块进行对比，得出比对数据；
S6、数据分析分级模块对特征比对模块得到的比对数据进行分析分级，分别分级为：无缺陷、A类缺陷、B类缺陷和C类缺陷，并通过第二操控模块输入每类缺陷的产生原因和解决方案；
S7、数据统计模块对总检测数、A类缺陷数、B类缺陷数和C类缺陷数进行统计，并对数据在缺陷数据存储器中进行存储；
S8、学习者通过第一登录验证单元登录到学习系统，通过检索单元的A类缺陷检索模块、B类缺陷检索模块、C类缺陷检索模块或者推荐学习模块进行检索，通过第一显示器由缺陷实例显示模块、原因产生模块、历次缺陷分析模块和方案解决模块对缺陷图像、产生原因、解决方案进行显示，供学习者学习。
进一步，所述步骤S8中推荐学习模块自动匹配学习内容的方法，包括以下步骤：
S801、构建包括学习者人嵌入、学习者岗位信息、多种缺陷图像嵌入、不同岗位缺陷图像共享上下文嵌入和已标记点击行为的数据集，并采用层次差异注意力算法获得各个岗位特定用户岗位嵌入；
S802、采用负责控制信息流入的双门控网络将用户个人嵌入分别与不同岗位的学习者岗位信息嵌入融合；
S803、根据不同岗位缺陷图像嵌入为每个类型上下文嵌入分配权重，并通过加权融合得到对应领域的上下文嵌入；
S804、将各岗位学习者个人嵌入、上下文嵌入以及缺陷图像嵌入输入到一个共享特征交叉式双MMoE网络，基于动态学习集成策略，筛选得到各岗位推荐学习的案例。
进一步，所述步骤S804中采用多任务学习模型MMoE进行跨岗位推荐，所述多任务学习模型采用两进两出的双MMoE网络架构，在每个岗位设置一个专门的MMoE网络，各岗位网络共享特征交叉层；每个MMoE网络通过两个特定岗位Tower网络实现跨域推荐，其中一个负责目标岗位的推荐学习，另一个负责岗位共享信息的迁移，并经过各岗位融合层得到各岗位最终预测结果；根据不同MMoE网络在不同岗位的表现设置权重，通过优化损失函数进行权重的调整；所述步骤S804中的特征交叉层采用了多种特征交叉方式，包括Concat、Inner-product、Outer-product，所述Inner-product操作为向量的内积运算，所述Outer-product操作是对输入特征向量的各个维度进行两两交叉，生成特征交叉矩阵；所述Tower网络采用普通全连接层，根据门控网络所传递的特定岗位表征进行预测。
进一步，所述步骤S804中的损失函数采用二分类交叉熵计算方法，为各岗位MMoE网络损失函数、集成MMoE网络损失函数Lensemble(W)和正则化项R(θ)的总和,具体为：
Figure BDA0003575803530000051
其中，k用来标志不同岗位MMoE网络的输入和输出，M为岗位数量，N为，
学习的总缺陷数量，W为MMoE网络在各岗位上的权重。
本发明的有益效果：
1、本发明将摄像头安装于卷烟生产线上，利用摄像头可以对生产线上的大量卷烟生产的物理质量或外观缺陷图像进行收集，然后将缺陷图像数据进行存储，形成一个卷烟质量缺陷数据库，卷烟质量缺陷数据库的设置，工作人员可以通过学习单元对收集的各种质量缺陷进行学习，有利于提升工作人员的技能，以及卷烟生产企业的质量管理水平。
2、本发明可以通过检索单元进行检索需要学习的内容，还可以根据学习者的登录账号，通过推荐学习模块自动匹配学习内容，使得学习者更有针对性的自主学习，从而提高学习者的学习效率。
3、本发明通过多任务学习模型MMoE进行跨岗位推荐，在进行学习任务推荐时，对每个岗位设置专门的MMoE网络，其推荐的学习内容具有非常高的准确性，也具有算法简单的特点，能够高效、准确的对学习者进行学习内容的推荐。
附图说明
图1是本发明一种基于大数据的卷烟产品质量缺陷防控学习系统的示意图；
图2是图1中分析系统的示意图；
图3是图1中数据存储单元的示意图；
图4是图1中检索单元的示意图；
图5是第一显示器和支撑架的结构示意图；
图6是图5中伸缩杆的剖面结构示意图；
图7是本发明一种基于大数据的卷烟产品质量缺陷防控学习方法的流程图；
图8是图7中S8步骤的流程图；
图9是实施例2中学习的具有缺陷的图片。
其中，摄像头1、第二显示器2、第一通讯发送模块3、USB接口4、第二操控模块5、第一处理器6、第一通讯接收模块7、第二通讯发送模块8、第二登录验证模块9、图像处理单元10、数据分析单元11、图像采集模块12、图像预处理模块13、图像特征提取模块14、特征比对模块15、数据统计模块16、数据分析分级模块17、无缺陷模块18、A类缺陷模块19、B类缺陷模块20、C类缺陷模块21、蜂鸣报警器22、标准质量特征存储器23、拍摄图像特征存储器24、缺陷数据存储器25、第二处理器26、第二通讯接收模块27、第一登录验证单元28、检索单元29、A类缺陷检索模块30、B类缺陷检索模块31、C类缺陷检索模块32、推荐学习模块33、支撑架34、第一显示器35、第一支撑杆36、第二支撑杆37、固定螺母38、螺杆39、伺服电机40、多媒体接口41、底板42、语音播放模块43、第一操控模块44。
具体实施方式
以下将结合附图对本发明进行详细说明：
实施例1、
本实施例为一种基于大数据的卷烟产品质量缺陷防控学习系统，如图1-6所示，包括数据采集单元、数据处理单元、数据存储单元和学习单元；
其中，数据采集单元包括安装于卷烟生产线上的摄像头1、第二显示器2，摄像头1电连接有将摄像头1拍摄图像传输的第一通讯发送模块3，第二显示器2与第一处理器6电连接，第二显示器2上设置有USB接口4和第二操控模块5，第二操控模块5与第一处理器6电连接。
其中，数据处理单元包括第一处理器6，第一处理器6电连接有第一通讯接收模块7、第二通讯发送模块8，第一通讯发送模块3与第一通讯接收模块7通讯连接，第一处理器6设置有分析系统，分析系统包括第二登录验证模块9、图像处理单元10和数据分析单元11；图像处理单元10包括用于对摄像头1拍摄图象进行采集的图像采集模块12、对图像进行预处理的图像预处理模块13、对图像的特征进行提取的图像特征提取模块14；数据分析单元11包括将提取的卷包特征与标准质量储存模块进行比对的特征比对模块15、对总检测数和缺陷数进行统计的数据统计模块16、对产生质量缺陷进行分析分类的数据分析分级模块17；数据分析分级模块17包括无缺陷模块18、A类缺陷模块19、B类缺陷模块20和C类缺陷模块21。第一处理器6还电连接有机台显示屏、生产班组显示屏、维修班组显示屏、质检组显示屏和车间管理显示屏，机台显示屏、生产班组显示屏、维修班组显示屏、质检组显示屏和车间管理显示屏上均安装有蜂鸣报警器22。
其中，数据存储单元包括均与第一处理器6电连接的标准质量特征存储器23、拍摄图像特征存储器24和缺陷数据存储器25，缺陷数据存储器25包括历史质量事故模块、A类缺陷储存模块、B类缺陷储存模块和C类缺陷储存模块；
其中，学习单元包括第二处理器26，第二处理器26电连接有第二通讯接收模块27，第二通讯接收模块27与第二通讯发送模块8通讯连接，第二处理器26电连接有第一显示器35、语音播放模块43和第一操控模块44，第二处理器26上设置有多媒体接口4；第二处理器26设置有学习系统，学习系统包括第一登录验证单元28和检索单元29，检索单元29包括A类缺陷检索模块30、B类缺陷检索模块31、C类缺陷检索模块32和推荐学习模块33，A类缺陷检索模块30、B类缺陷检索模块31、C类缺陷检索模块32和推荐学习模块33均包括缺陷实例显示模块、原因产生模块、历次缺陷分析模块、可以显示排查及设备调整的解决方案的方案解决模块。
学习单元还包括支撑架34，第一显示器35通过螺钉固定安装在支撑架34上，支撑架34包括支撑板，支撑板上固定连接有伸缩杆，伸缩杆的下端焊接有底座，伸缩杆包括第一支撑杆36和第二支撑杆37，第一支撑杆36和第二支撑杆37均为中空结构，第一支撑杆36滑动的设置在第二支撑杆37的中空结构内，第一支撑杆36的中空结构内固定连接有固定螺母38，固定螺母38内螺纹连接有螺杆39，第二支撑杆37的中空底部固定安装有伺服电机40，伺服电机40的输出轴与螺杆39固定连接；伺服电机40与第二处理器26电连接。
实施例2、
本实施例为一种基于大数据的卷烟产品质量缺陷防控学习方法，如图7-8所示，包括以下步骤：
S1、摄像头对生产线上的卷烟进行拍摄，形成拍摄图像，并通过第一通讯传送模块和第一通讯接收模块将图像传送到图像处理单元，由图像采集模块对图像进行采集；
S2、将工作中发现的卷烟缺陷问题图像通过USB接口和第二操控模块手动的录入到缺陷数据存储器中，充实整个缺陷存储分析数据库；
S3、图像预处理模块对采集的图像电子信号进行滤波、增强、平滑和锐化处理，使得图像清晰，保证图像质量，其中，对图像进行预处理的方法，包括以下步骤：S301、以待处理图像的像素为中心，做一个m×m的作用模板；
S302、在m×m的作用模板中，选择K个与待处理图像的像素的灰度差为最小的像素；
S303、将这K个像素的灰度均值替换掉原来的像素值，得到滤波、增强、平滑和锐化处理后的图像。
S4、图像特征提取模块对预处理后的图像利用卷积神经网络进行自我训练和特征提取，形成图像特征信号，其中自我训练和特征提取，包括以下步骤：
S401、将预处理后的卷烟图像分割为大小为m×m的图像块集合，然后对每一图像块集合块用Ii(i＝1,2,...,n)表示，i表示某一图像块集合；
S402、将每一块的图像集合Ii输入到卷积神经网络中进行多次训练；
S403、用大小为6×6，步数为3，输出为36的卷积核对图像Ii做卷积处理，每个卷积层地输出通过ReLU激活函数，ReLU激活函数为：
f(x)＝max(0,x)，当输入信号小于0，输出为0，当输入信号大于0时，输出等于输入。
S404、对步骤S404输出的特征图做2*2个单元，步数为2，输出为36的池化操作；
S405、用大小为4*4，步数为2，输出为96的卷积核做卷积处理；
S406、对S405步骤输出的特征图做2*2个单元，步数为2，输出为96的池化操作；
S407、经过四次的训练，进行图像提取特征，并将神经网络中输出的结果分类，形成图片特征信号。
S5、将图像特征提取模块形成的图像特征信号，利用特征比对模块与标准质量储存模块进行对比，得出比对数据；
S6、数据分析分级模块对特征比对模块得到的比对数据进行分析分级，分别分级为：无缺陷、A类缺陷、B类缺陷和C类缺陷，并通过第二操控模块输入每类缺陷的产生原因和解决方案；
S7、数据统计模块对总检测数、A类缺陷数、B类缺陷数和C类缺陷数进行统计，并对数据在缺陷数据存储器中进行存储；
S8、学习者通过第一登录验证单元登录到学习系统，通过检索单元的A类缺陷检索模块、B类缺陷检索模块、C类缺陷检索模块或者推荐学习模块进行检索，通过第一显示器由缺陷实例显示模块、原因产生模块、历次缺陷分析模块和方案解决模块对缺陷图像、产生原因、解决方案进行显示，供学习者学习。
其中，步骤S8中推荐学习模块自动匹配学习内容的方法，包括以下步骤：
S801、构建包括学习者人嵌入、学习者岗位信息、多种缺陷图像嵌入、不同岗位缺陷图像共享上下文嵌入和已标记点击行为的数据集，并采用层次差异注意力算法获得各个岗位特定用户岗位嵌入；
S802、采用负责控制信息流入的双门控网络将用户个人嵌入分别与不同岗位的学习者岗位信息嵌入融合；
S803、根据不同岗位缺陷图像嵌入为每个类型上下文嵌入分配权重，并通过加权融合得到对应领域的上下文嵌入；
S804、将各岗位学习者个人嵌入、上下文嵌入以及缺陷图像嵌入输入到一个共享特征交叉式双MMoE网络，基于动态学习集成策略，筛选得到各岗位推荐学习的案例。采用多任务学习模型MMoE进行跨岗位推荐，所述多任务学习模型采用两进两出的双MMoE网络架构，在每个岗位设置一个专门的MMoE网络，各岗位网络共享特征交叉层；每个MMoE网络通过两个特定岗位Tower网络实现跨域推荐，其中一个负责目标岗位的推荐学习，另一个负责岗位共享信息的迁移，并经过各岗位融合层得到各岗位最终预测结果；根据不同MMoE网络在不同岗位的表现设置权重，通过优化损失函数进行权重的调整；所述步骤S804中的特征交叉层采用了多种特征交叉方式，包括Concat、Inner-product、Outer-product，所述Inner-product操作为向量的内积运算，所述Outer-product操作是对输入特征向量的各个维度进行两两交叉，生成特征交叉矩阵；所述Tower网络采用普通全连接层，根据门控网络所传递的特定岗位表征进行预测。
其中，损失函数采用二分类交叉熵计算方法，为各岗位MMoE网络损失函数、集成MMoE网络损失函数Lensemble(W)和正则化项R(θ)的总和,具体为：
Figure BDA0003575803530000111
其中，k用来标志不同岗位MMoE网络的输入和输出，M为岗位数量，N为学习的总缺陷数量，W为MMoE网络在各岗位上的权重。
下面以在卷烟生产过程中的一个物理质量缺陷为例对本方法进行进一步的说明。
本实施例出现物理质量缺陷的如图9所示，其缺陷为烟盒内错支的情况，将其列为C类质量缺陷。
当如图9所示的这个具有缺陷的卷烟从输送带输送到拍摄相机下方时，摄像头对卷烟进行拍摄，形成拍摄图像，并通过图像AD转换为电子信号，由图像采集模块对图像进行采集，然后利用图像预处理模块对采集的图像电子信号进行滤波、增强、平滑和锐化处理，使得图像清晰，保证图像质量。
然后图像特征提取模块对预处理后的图像利用卷积神经网络进行自我训练和特征提取，形成图像特征信号，将图像特征提取模块形成的图像特征信号，利用特征比对模块与标准质量储存模块进行对比，得出比对数据。数据分析分级模块对特征比对模块得到的比对数据进行分析分级，数据分析分级模块将此类缺陷归类为C类缺陷模块。
该缺陷最后存储于数据在缺陷数据存储器中，当学习者学习时，通过第一登录验证单元登录到学习系统，学习系统可以通过推荐学习模块的自动计算，匹配到该学习内容，然后第一显示器的缺陷实例显示模块、原因产生模块、历次缺陷分析模块和方案解决模块对缺陷图像、产生原因、解决方案进行显示，主要内容如下：
缺陷编号：QX00-00-00A-001
缺陷名称：盒内错支
缺陷出现频率：C类(低频)
缺陷描述：
烟盒内出现与小盒品牌规格不符的卷烟。
标准要求：
国家标准：盒内不得错装，A类质量缺陷。
公司标准：盒内不得错装，A类质量缺陷。
工厂标准：盒内不得错装，A类质量缺陷。
主要原因分析：
烟支来料异常。
换牌后原生产品牌烟支未清理干净。
排查及调整方法：
换牌时要清理干净所有烟支输送通道及废烟盘内的烟支。
历史记录：
2021/11/1用户：***
原因：***
机台号：***
描述：***
2021/11/5用户：***
原因：***
机台号：***
描述：***
学习者通过上述对卷烟生产中缺陷的的学习，学习者可以对收集的各种物理质量和外观缺陷的案例进行学习，从而有利于提升工作人员的技能，以及卷烟生产企业的质量管理水平。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (10)

1.基于大数据的卷烟产品质量缺陷防控学习系统，其特征在于：包括数据采集单元、数据处理单元、数据存储单元和学习单元；
所述数据采集单元包括安装于卷烟生产线上的摄像头；
所述数据处理单元包括第一处理器，所述第一处理器设置有分析系统，所述分析系统包括图像处理单元和数据分析单元；
所述数据存储单元包括均与第一处理器电连接的标准质量特征存储器、拍摄图像特征存储器和缺陷数据存储器，所述缺陷数据存储器包括历史质量事故模块、A类缺陷储存模块、B类缺陷储存模块和C类缺陷储存模块；
所述学习单元包括第二处理器，所述第二处理器电连接有第一显示器、语音播放模块和第一操控模块，所述第二处理器上设置有多媒体接口；所述第二处理器设置有学习系统，所述学习系统包括第一登录验证单元和检索单元，所述检索单元包括A类缺陷检索模块、B类缺陷检索模块、C类缺陷检索模块和推荐学习模块，所述A类缺陷检索模块、B类缺陷检索模块、C类缺陷检索模块和推荐学习模块均包括缺陷实例显示模块、原因产生模块、历次缺陷分析模块、可以显示排查及设备调整的解决方案的方案解决模块。
2.根据权利要求1所述的基于大数据的卷烟产品质量缺陷防控学习系统，其特征在于：所述图像处理单元包括用于对摄像头拍摄图象进行采集的图像采集模块、对图像进行预处理的图像预处理模块、对图像的特征进行提取的图像特征提取模块；所述数据分析单元包括将提取的卷包特征与标准质量储存模块进行比对的特征比对模块、对总检测数和缺陷数进行统计的数据统计模块、对产生质量缺陷进行分析分类的数据分析分级模块；数据分析分级模块包括无缺陷模块、A类缺陷模块、B类缺陷模块和C类缺陷模块。
3.根据权利要求2所述的基于大数据的卷烟产品质量缺陷防控学习系统，其特征在于：所述摄像头电连接有将摄像头拍摄图像传输的第一通讯发送模块，所述第一处理器电连接有第一通讯接收模块、第二通讯发送模块，所述第一通讯发送模块与第一通讯接收模块通讯连接，所述第二处理器电连接有第二通讯接收模块，所述第二通讯接收模块与第二通讯发送模块通讯连接。
4.根据权利要求3所述的基于大数据的卷烟产品质量缺陷防控学习系统，其特征在于：所述数据采集单元还包括第二显示器，所述第二显示器与第一处理器电连接，所述第二显示器上设置有USB接口和第二操控模块，所述第二操控模块与第一处理器电连接，所述分析系统还包括第二登录验证模块。
5.根据权利要求4所述的基于大数据的卷烟产品质量缺陷防控学习系统，其特征在于：所述第一处理器还电连接有机台显示屏、生产班组显示屏、维修班组显示屏、质检组显示屏和车间管理显示屏，所述机台显示屏、生产班组显示屏、维修班组显示屏、质检组显示屏和车间管理显示屏上均安装有蜂鸣报警器。
6.根据权利要求5所述的基于大数据的卷烟产品质量缺陷防控学习系统，其特征在于：所述学习单元还包括支撑架，所述第一显示器通过螺钉固定安装在支撑架上，所述支撑架包括支撑板，所述支撑板上固定连接有伸缩杆，所述伸缩杆远离支撑板的一端设置有底座，所述伸缩杆包括第一支撑杆和第二支撑杆，所述第一支撑杆和第二支撑杆均为中空结构，所述第一支撑杆滑动的设置在第二支撑杆的中空结构内，所述第一支撑杆的中空结构内固定连接有固定螺母，所述固定螺母内螺纹连接有螺杆，所述第二支撑杆的中空底部固定安装有伺服电机，所述伺服电机的输出轴与螺杆固定连接；所述伺服电机与第二处理器电连接。
7.一种基于大数据的卷烟产品质量缺陷防控学习方法，其特征在于：包括以下步骤：
S1、摄像头对生产线上的卷烟进行拍摄，形成拍摄图像，并通过第一通讯传送模块和第一通讯接收模块将图像传送到图像处理单元，由图像采集模块对图像进行采集；
S2、将工作中发现的卷烟缺陷问题图像通过USB接口和第二操控模块手动的录入到缺陷数据存储器中，充实整个缺陷存储分析数据库；
S3、图像预处理模块对采集的图像电子信号进行滤波、增强、平滑和锐化处理，使得图像清晰，保证图像质量；
S4、图像特征提取模块对预处理后的图像利用卷积神经网络进行自我训练和特征提取，形成图像特征信号；
S5、将图像特征提取模块形成的图像特征信号，利用特征比对模块与标准质量储存模块进行对比，得出比对数据；
S6、数据分析分级模块对特征比对模块得到的比对数据进行分析分级，分别分级为：无缺陷、A类缺陷、B类缺陷和C类缺陷，并通过第二操控模块输入每类缺陷的产生原因和解决方案；
S7、数据统计模块对总检测数、A类缺陷数、B类缺陷数和C类缺陷数进行统计，并对数据在缺陷数据存储器中进行存储；
S8、学习者通过第一登录验证单元登录到学习系统，通过检索单元的A类缺陷检索模块、B类缺陷检索模块、C类缺陷检索模块或者推荐学习模块进行检索，通过第一显示器由缺陷实例显示模块、原因产生模块、历次缺陷分析模块和方案解决模块对缺陷图像、产生原因、解决方案进行显示，供学习者学习。
8.根据权利要求7所述的基于大数据的卷烟产品质量缺陷防控学习方法，其特征在于：所述步骤S8中推荐学习模块自动匹配学习内容的方法，包括以下步骤：
S801、构建包括学习者人嵌入、学习者岗位信息、多种缺陷图像嵌入、不同岗位缺陷图像共享上下文嵌入和已标记点击行为的数据集，并采用层次差异注意力算法获得各个岗位特定用户岗位嵌入；
S802、采用负责控制信息流入的双门控网络将用户个人嵌入分别与不同岗位的学习者岗位信息嵌入融合；
S803、根据不同岗位缺陷图像嵌入为每个类型上下文嵌入分配权重，并通过加权融合得到对应领域的上下文嵌入；
S804、将各岗位学习者个人嵌入、上下文嵌入以及缺陷图像嵌入输入到一个共享特征交叉式双MMoE网络，基于动态学习集成策略，筛选得到各岗位推荐学习的案例。
9.根据权利要求8所述的基于大数据的卷烟产品质量缺陷防控学习方法，其特征在于：所述步骤S804中采用多任务学习模型MMoE进行跨岗位推荐，所述多任务学习模型采用两进两出的双MMoE网络架构，在每个岗位设置一个专门的MMoE网络，各岗位网络共享特征交叉层；每个MMoE网络通过两个特定岗位Tower网络实现跨域推荐，其中一个负责目标岗位的推荐学习，另一个负责岗位共享信息的迁移，并经过各岗位融合层得到各岗位最终预测结果；根据不同MMoE网络在不同岗位的表现设置权重，通过优化损失函数进行权重的调整；所述步骤S804中的特征交叉层采用了多种特征交叉方式，包括Concat、Inner-product、Outer-product，所述Inner-product操作为向量的内积运算，所述Outer-product操作是对输入特征向量的各个维度进行两两交叉，生成特征交叉矩阵；所述Tower网络采用普通全连接层，根据门控网络所传递的特定岗位表征进行预测。
10.根据权利要求9所述的基于大数据的卷烟产品质量缺陷防控学习方法，其特征在于：所述步骤S804中的损失函数采用二分类交叉熵计算方法，为各岗位MMoE网络损失函数、集成MMoE网络损失函数Lensemble(W)和R(θ)的总和,具体为：
Figure FDA0003575803520000041
其中，k用来标志不同岗位MMoE网络的输入和输出，M为岗位数量，N为学习的总缺陷数量，W为MMoE网络在各岗位上的权重，R(θ)表示正则化项。
CN202210333292.5A 2022-03-31 2022-03-31 基于大数据的卷烟产品质量缺陷防控学习系统及方法 Active CN114708584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210333292.5A CN114708584B (zh) 2022-03-31 2022-03-31 基于大数据的卷烟产品质量缺陷防控学习系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210333292.5A CN114708584B (zh) 2022-03-31 2022-03-31 基于大数据的卷烟产品质量缺陷防控学习系统及方法

Publications (2)

Publication Number Publication Date
CN114708584A true CN114708584A (zh) 2022-07-05
CN114708584B CN114708584B (zh) 2024-07-23

Family

ID=82171383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210333292.5A Active CN114708584B (zh) 2022-03-31 2022-03-31 基于大数据的卷烟产品质量缺陷防控学习系统及方法

Country Status (1)

Country Link
CN (1) CN114708584B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998070A (zh) * 2022-08-03 2022-09-02 广州远程教育中心有限公司 一种企业数字学习平台沉浸式数字化学习方法及系统
CN115586744A (zh) * 2022-12-12 2023-01-10 南京专注智能科技股份有限公司 一种基于大数据的gd包装机卷烟智能分析检测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328646A (zh) * 2021-01-04 2021-02-05 平安科技（深圳）有限公司 多任务课程推荐方法、装置、计算机设备及存储介质
CN112905648A (zh) * 2021-02-04 2021-06-04 北京邮电大学 一种基于多任务学习的多目标推荐方法及系统
CN113670931A (zh) * 2021-08-09 2021-11-19 中冶南方工程技术有限公司 一种基于神经网络的钢板表面缺陷检测方法及系统
CN114022469A (zh) * 2021-11-15 2022-02-08 云南大学 一种烟支外观缺陷图像分类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328646A (zh) * 2021-01-04 2021-02-05 平安科技（深圳）有限公司 多任务课程推荐方法、装置、计算机设备及存储介质
CN112905648A (zh) * 2021-02-04 2021-06-04 北京邮电大学 一种基于多任务学习的多目标推荐方法及系统
CN113670931A (zh) * 2021-08-09 2021-11-19 中冶南方工程技术有限公司 一种基于神经网络的钢板表面缺陷检测方法及系统
CN114022469A (zh) * 2021-11-15 2022-02-08 云南大学 一种烟支外观缺陷图像分类方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998070A (zh) * 2022-08-03 2022-09-02 广州远程教育中心有限公司 一种企业数字学习平台沉浸式数字化学习方法及系统
CN115586744A (zh) * 2022-12-12 2023-01-10 南京专注智能科技股份有限公司 一种基于大数据的gd包装机卷烟智能分析检测系统
CN115586744B (zh) * 2022-12-12 2023-03-14 南京专注智能科技股份有限公司 一种基于大数据的gd包装机卷烟智能分析检测系统

Also Published As

Publication number Publication date
CN114708584B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN109165582B (zh) 一种城市街道垃圾检测和清洁度评估方法
CN111353413A (zh) 一种输电设备低漏报率缺陷识别方法
WO2017084186A1 (zh) 挠性电路板制造过程自动监测和智能分析系统及方法
CN114708584B (zh) 基于大数据的卷烟产品质量缺陷防控学习系统及方法
CN101105459A (zh) 一种空瓶瓶口缺陷的检测方法及装置
CN112966772A (zh) 一种多人在线的图像半自动标注方法及系统
CN114858806A (zh) 一种卷烟质量检验数据分析系统与方法
DE112019005951T5 (de) Zentralisierte Analyse mehrerer visueller Prüfvorrichtungen
CN111160432A (zh) 一种面板生产制造缺陷的自动分类方法及系统
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN111680738A (zh) 一种用于苹果品质检测的筛选装置及其检测方法
CN113850773A (zh) 一种检测方法、装置、设备及计算机可读存储介质
CN115908272A (zh) 一种基于视觉技术的皮带撕裂状态自动检测的方法和系统
CN117250201B (zh) 一种泳池砖层缺陷检测方法及系统
CN115830403B (zh) 一种基于深度学习的自动缺陷分类系统及方法
CN112836724A (zh) 物体缺陷识别模型训练方法、装置、电子设备和存储介质
CN118275442A (zh) 一种印刷电路板的质量检测系统及方法
CN117876329A (zh) 一种基于雷达、视频和数据分析的道路病害实时检测方法
CN110816902A (zh) 卫星结构平台孔内多余物检测系统、实时检测方法及介质
CN114820461A (zh) 基于图像识别算法的表面瑕疵质检平台及方法
CN117241007A (zh) 一种基于计算机视觉的广播电视故障判别定位方法及系统
CN113192068A (zh) 应用于印制线板的ai视觉检测系统
CN113989684A (zh) 一种机巡缺陷图片图像标注定级方法及缺陷定级系统
CN117973945B (zh) 一种针对个性化智能制造的质检模型持续优化方法及系统
CN115984833A (zh) 一种基于深度学习的自动识别斜线网的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant