[发明专利]基于多信息分析的工业检测方法、系统、终端和介质

说明书

基于多信息分析的工业检测方法、系统、终端和介质涉及工业检测技术领域，解决了现有基于深度学习的工业检测方法的通用性不强和需要大量训练数据才能保证检测准确率的问题，过程为：基于工业目标类别库、基于具有多标签类别标注的集成工业场景数据集训练卷积神经网络得到工业目标识别模型；将待检测工业场景的数据输入到工业目标识别模型中输出通用工业场景的识别结果；对通用工业场景的识别结果和该待检测工业场景的信息进行融合分析得到该待检测工业场景的识别结果；筛除非兴趣目标和对相似目标进行区分，得到最终识别结果。本发明无需要大量数据且场景依赖性不强。

技术领域

本发明涉及工业检测技术领域，具体涉及基于多信息分析的工业检测方法、系统、终端和介质。

背景技术

当前工业生产线中，大量任务包括质量检查、过程控制、错误跟踪等依赖于人眼对目标进行识别，这就大大提高了生产线的人力成本以及误操作的可能。为解决该问题，视觉检测方法是一种低成本且高度自动化的方案。基于视觉的工业目标检测是实现在复杂工业场景下，目标为工业检测中涉及的物体，通过视觉传感器对所需的、具体的目标（包括但不限于螺栓、孔洞、机架、工件等）进行定位以及识别。通过对所需目标的准确定位和分类，能够实现瑕疵样品检测、错误状态跟踪、精准控制以及异常状态监控等操作。

随着DL（deep learning，深度学习）技术的发展，大量深度CNN（卷积神经网络）已被开发用于2D目标检测。现有基于视觉的工业目标检测是直接利用现有深度CNN网络实现工业目标检测，其过程包括以下几个步骤：1）利用2D视觉传感器，在工业现场进行大量的图片数据采集；2）对采集到的图片进行标注，明确每张图片中所需目标的坐标信息以及类别；3）利用采集到的图片构建数据集，对现有深度CNN网络进行训练；4）将训练好的深度CNN网络进行现场部署，根据需求实现现场目标检测。但是，该方法存在如下缺点：

1）需要大量数据才能训练得到精度高的CNN网络，当训练数据不足时，误差率较大；

2）场景依赖性强，当场景更换，需要重新训练CNN网络，研发成本高。

发明内容

为了解决上述现有基于DL的工业检测方法的通用性不强和需要大量训练数据才能保证检测准确率的问题，本发明提供基于多信息分析的工业检测方法、系统、终端和介质。

本发明为解决技术问题所采用的技术方案如下：

一种基于多信息分析的工业检测方法，包括如下步骤：

步骤1、基于工业目标类别库、基于具有多标签类别标注的集成工业场景数据集训练卷积神经网络得到工业目标识别模型；所述多标签类别标注包括目标定位信息标注、目标表面形貌尺寸信息标注、目标物质属性信息标注；所述工业目标类别库包括目标定位信息、目标表面形貌尺寸信息和目标属性信息；所述工业目标类别库中包括目标缺陷类别，所述多标签类别标注包括目标缺陷类别标注；

步骤2、将待检测工业场景的数据输入到步骤1得到的工业目标识别模型中，输出该待检测工业场景对应的通用工业场景的识别结果；

步骤3、对步骤2得到的识别结果和该待检测工业场景的信息进行融合分析，得到该待检测工业场景的识别结果；所述待检测工业场景的信息包括：待检测工业场景的场景信息、待检测工业场景的任务信息、待检测工业场景的目标信息和待检测工业场景的目标与目标间的关系信息；

步骤4、筛除待检测工业场景的非兴趣目标，根据目标与目标间的关系信息对相似目标进行区分，得到待检测工业场景的最终识别结果。

一种基于多信息分析的工业检测系统，包括：