[发明专利]一种基于图像识别的标准化生产监测方法

说明书

本发明公开了一种基于图像识别的标准化生产监测方法，包括以下步骤：采集图像数据，构建图像数据集；构建YOLOv5网络模型；将所述YOLOv5网络模型通过图像数据集进行迭代训练以及量化、转换处理，得到最优模型，并通过所述最优模型实时输出标准化生产的监测结果；构建监测服务平台，对标准化生产的监测结果进行实时监测和处理。本发明解决了现有的生产监管方式不够便捷以及监管响应不及时的技术问题。

技术领域

本发明涉及生产监测技术领域，尤其涉及一种基于图像识别的标准化生产监测方法。

背景技术

随着人工智能技术的高速发展，智能制造时代已经来临，许多企业将对工厂进行各种智能化改造，用于确保整个工厂高效稳定运行。其中，在生产中为了保证生产的标准化和生产的安全性，往往会有多个监管人员对其进行实地巡逻检测。此种方式需要投入大量的人力和时间，以确保生产安全有序的进行。传统监管方式是一种非常效率低下，且浪费人力资源的情况，而且人工监管的方式也存在监管模式不全面以及监管响应不及时的问题，因此，亟待提出一种基于图像识别的标准化生产监测方法，解决现有的生产监管方式不够便捷以及监管响应不及时的技术问题。

发明内容

本发明的主要目的是提供一种基于图像识别的标准化生产监测方法，旨在解决现有的生产监管方式不够便捷以及监管响应不及时的技术问题。

为实现上述目的，本发明提供一种基于图像识别的标准化生产监测方法，其中，所述基于图像识别的标准化生产监测方法包括以下步骤：

S1、采集图像数据，构建图像数据集；

S2、构建YOLOv5网络模型；

S3、将所述YOLOv5网络模型通过图像数据集进行迭代训练以及量化、转换处理，得到最优模型，并通过所述最优模型实时输出标准化生产的监测结果；

S4、构建监测服务平台，对标准化生产的监测结果进行实时监测和处理。

优选方案之一，所述步骤S1采集图像数据，构建图像数据集之后，还包括：

对所述图像数据集中的图像数据进行数据增强。

优选方案之一，所述步骤S2构建YOLOv5网络模型，具体为：

S1、构造主干网络，通过所述主干网络提取图像数据的有效特征；

S2、构造检测头网络，通过所述检测头网络对有效特征进行融合，并进行目标分类和回归。

优选方案之一，所述主干网络包括Conv模块、CSP1CA_n模块和SPPF模块。

优选方案之一，所述检测头网络包括Conv模块、Upsample模块、Concat模块、CSP2_n模块和Detect模块。

优选方案之一，所述步骤S3中将YOLOv5网络模型通过图像数据集进行迭代训练，具体为：

构建dataloader，对数据进行预处理；

将预处理后的数据输入至YOLOv5网络模型，进行前向推理；

构建损失函数，并通过所述损失函数计算YOLOv5网络模型的损失值；

计算YOLOv5网络模型各参数的梯度值，并进行更新。

优选方案之一，所述计算YOLOv5网络模型各参数的梯度值，并进行更新，具体为：

通过反向传播计算YOLOv5网络模型各参数的梯度值，并采用优化函数更新所述YOLOv5网络模型中的各参数。

优选方案之一，所述步骤S3中量化处理，具体为：