[发明专利]一种基于深度学习流水线产品追溯方法及系统

说明书

本发明公开了一种基于深度学习流水线产品追溯方法，包括以下步骤：采集生产流水线图片，并根据图片检测目标产品；获取唯一虚拟标签，并与S1中目标产品进行绑定；将采集的图片、目标产品及虚拟标签的信息发送至后台数据；将虚拟标签与实体标签进行绑定；通过搜索实体标签找到对应的虚拟标签，根据对应的虚拟标签追溯目标产品的生产过程。本发明解决在生产过程中无法使用实体标签的产品的生产追溯问题。

技术领域

本发明涉及产品追踪领域，具体涉及一种基于深度学习流水线产品追溯方法及系统。

背景技术

追溯系统目前已经被广泛应用于各个行业中，它其实就是一种可以对产品进行正向，逆向或不定向追踪的生产控制系统，可适用于各种类型的过程和生产控制系统，但是目前在生产过程中，很多产品无法进行实体标签，由于缺乏标签，对追溯产品生产过程造成困难，无法了解每个产品的生产过程。

发明内容

本发明的目的是提供一种基于深度学习流水线产品追溯方法，解决在生产过程中无法使用实体标签的产品的生产追溯问题。

为了解决上述技术问题，本发明提供了一种基于深度学习流水线产品追溯方法，包括以下步骤：

S1：采集生产流水线图片，并根据图片检测目标产品；

S2：获取唯一虚拟标签，并与S1中目标产品进行绑定；

S3：将采集的图片、目标产品及虚拟标签的信息发送至后台数据；

S4：将虚拟标签与实体标签进行绑定；

S5：通过搜索实体标签找到对应的虚拟标签，根据对应的虚拟标签追溯目标产品的生产过程。

作为本发明的进一步改进，所述步骤S1中采集生产流水线图片采用多个工业相机进行整条流水线图片采集。

作为本发明的进一步改进，所述步骤S1中检测目标产品的检测方法，包括以下步骤：

S11：根据采集的图片制作数据集；

S12：将数据集输入深度学习目标检测模型进行训练；

S13：训练完成后进行模型剪切和量化；

S14：使用训练后的模型对采集的图片进行目标检测。

作为本发明的进一步改进，所述深度学习目标检测模型包括基础模型和检测模型，所述基础模型采用MobileNet网络结构，所述检测模型采用SSD网络，所述MobileNet网络结构提取目标特征，并在SSD网络中进行目标位置检测得到检测框和物体类别。

作为本发明的进一步改进，所述步骤S14中的目标检测结果包括产品的形状及颜色，所述颜色根据产品均匀分别的点像素值判断，采集多点像素值，减去均值，并根据三原色数值关系准确得到产品颜色。

作为本发明的进一步改进，所述步骤S2中虚拟标签与目标产品进行绑定的方法，具体包括以下步骤：

S21：基于SORT跟踪算法对目标进行跟踪；

S22：针对第一个工业相机，当有新的目标进入，在指定位置流入相机则根据相机序列号赋予一个新的虚拟标签；当有新的目标未从指定位置流入相机，则赋予一个特别标签，表明该产品是非正常流入，需做处理；

S23：当同一目标产品从上一个相机视野流入下一个相机视野，从上一个相机获取虚拟标签赋予下一个相机此目标产品。

作为本发明的进一步改进，所述步骤S21中对目标进行跟踪，包括以下步骤：

S211：采用卡尔曼滤波通过历史帧的目标框数据预测得到当前帧目标框的预测值；