[發(fā)明專(zhuān)利]產(chǎn)品缺陷管理方法、系統(tǒng)及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210282902.3
• 申請(qǐng)日: 2022-03-22
• 公開(kāi)（公告）號(hào): CN114723682A
• 公開(kāi)（公告）日: 2022-07-08
• 發(fā)明（設(shè)計(jì)）人: 陳明坤;陳宇;陳偉鋒;黃森金
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廈門(mén)微亞智能科技有限公司
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06N3/04;G06N3/08
• 代理公司: 廈門(mén)仕誠(chéng)聯(lián)合知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 35227
• 代理人: 蔡稷元

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，提供了一種產(chǎn)品缺陷管理方法包含：算法識(shí)別單元獲取產(chǎn)品的圖片，基于預(yù)設(shè)缺陷識(shí)別模型對(duì)圖片進(jìn)行識(shí)別，以獲取算法識(shí)別結(jié)果，并將圖片及算法識(shí)別結(jié)果存入數(shù)據(jù)庫(kù)；人工識(shí)別單元獲取算法識(shí)別結(jié)果為存在缺陷或無(wú)法識(shí)別的圖片，將圖片及算法識(shí)別結(jié)果提供給用戶(hù)進(jìn)行人工識(shí)別，并收集用戶(hù)反饋的人工識(shí)別結(jié)果，以作為產(chǎn)品的缺陷識(shí)別結(jié)果；缺陷識(shí)別模塊中的抽檢單元從數(shù)據(jù)庫(kù)中獲取預(yù)設(shè)比例的算法識(shí)別結(jié)果，轉(zhuǎn)發(fā)至人工識(shí)別單元進(jìn)行抽檢，并收集人工識(shí)別單元反饋的抽檢識(shí)別結(jié)果；監(jiān)控模塊統(tǒng)計(jì)人工識(shí)別結(jié)果和抽檢識(shí)別結(jié)果中與算法識(shí)別結(jié)果不一致的概率，若概率超過(guò)第一預(yù)設(shè)閾值，則對(duì)預(yù)設(shè)缺陷識(shí)別模型進(jìn)行優(yōu)化。

技術(shù)領(lǐng)域

本申請(qǐng)涉及計(jì)算機(jī)信息技術(shù)領(lǐng)域，尤其涉及一種產(chǎn)品缺陷管理方法、系統(tǒng)及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

目前大多數(shù)在線式AOI(Automated Optical Inspection，自動(dòng)光學(xué)檢測(cè))設(shè)備的檢測(cè)采用基于傳統(tǒng)圖像處理算法，雖然實(shí)時(shí)性好，導(dǎo)入便捷，但在應(yīng)對(duì)具有復(fù)雜圖案/紋理/背景的檢測(cè)目標(biāo)時(shí)，往往魯棒性不佳，極易過(guò)檢或漏檢。工廠為了確保品質(zhì)，只能?chē)?yán)控算法參數(shù)，提高缺陷檢出率，而后再安排人力對(duì)AOI設(shè)備判定的含有大量過(guò)檢的“不良品”進(jìn)行復(fù)判，以回收過(guò)檢品，且需要要工人實(shí)時(shí)監(jiān)控線上品質(zhì)異常，以便及時(shí)防范風(fēng)險(xiǎn)，這不僅需要耗費(fèi)大量的復(fù)判人力，而且很大程度依靠人員的檢測(cè)經(jīng)驗(yàn)來(lái)保障生產(chǎn)良率，在實(shí)際操作過(guò)程中，還發(fā)現(xiàn)人工判定存在效率低、產(chǎn)品無(wú)法及時(shí)得到修復(fù)、異常無(wú)法及時(shí)反饋、人員漏檢及誤判等等問(wèn)題，影響生產(chǎn)效益。

發(fā)明內(nèi)容

針對(duì)上述問(wèn)題，為了減少對(duì)人工的依賴(lài)，以及提高反饋的效率，本申請(qǐng)的實(shí)施例提供了一種產(chǎn)品缺陷管理方法，所述方法應(yīng)用于產(chǎn)品缺陷管理系統(tǒng)，其中，所述系統(tǒng)包含缺陷識(shí)別模塊及監(jiān)控模塊，所述方法包含步驟：所述缺陷識(shí)別模塊中的算法識(shí)別單元獲取產(chǎn)品的圖片，基于預(yù)設(shè)缺陷識(shí)別模型對(duì)所述圖片進(jìn)行識(shí)別，以獲取算法識(shí)別結(jié)果，并將所述圖片及所述算法識(shí)別結(jié)果存入數(shù)據(jù)庫(kù)；所述缺陷識(shí)別模塊中的人工識(shí)別單元獲取所述算法識(shí)別結(jié)果為存在缺陷或無(wú)法識(shí)別的所述圖片，將所述圖片及所述算法識(shí)別結(jié)果提供給用戶(hù)進(jìn)行人工識(shí)別，并收集用戶(hù)反饋的人工識(shí)別結(jié)果，以作為所述產(chǎn)品的缺陷識(shí)別結(jié)果；所述缺陷識(shí)別模塊中的抽檢單元從所述數(shù)據(jù)庫(kù)中獲取預(yù)設(shè)比例的算法識(shí)別結(jié)果，轉(zhuǎn)發(fā)至所述人工識(shí)別單元進(jìn)行抽檢，并收集所述人工識(shí)別單元反饋的抽檢識(shí)別結(jié)果；所述監(jiān)控模塊統(tǒng)計(jì)所述人工識(shí)別結(jié)果和所述抽檢識(shí)別結(jié)果中與所述算法識(shí)別結(jié)果不一致的概率，若所述概率超過(guò)第一預(yù)設(shè)閾值，則對(duì)所述預(yù)設(shè)缺陷識(shí)別模型進(jìn)行優(yōu)化。

在一實(shí)施中，所述產(chǎn)品的圖片為經(jīng)自動(dòng)光學(xué)檢測(cè)設(shè)備確定為缺陷產(chǎn)品的圖片。

在一實(shí)施中，所述方法還包含所述監(jiān)控模塊基于所述算法識(shí)別結(jié)果、所述人工識(shí)別結(jié)果以及所述抽檢識(shí)別結(jié)果計(jì)算產(chǎn)品合格率，若所述產(chǎn)品合格率超過(guò)第二預(yù)設(shè)閾值，則基于所述產(chǎn)品合格率對(duì)所述自動(dòng)光學(xué)檢測(cè)設(shè)備的參數(shù)進(jìn)行調(diào)整或向用戶(hù)反饋調(diào)整建議。

在一實(shí)施中，所述系統(tǒng)包含模型管理模塊，所述模型管理模塊基于產(chǎn)品類(lèi)型提供對(duì)應(yīng)的預(yù)設(shè)缺陷識(shí)別模型，所述基于預(yù)設(shè)缺陷識(shí)別模型對(duì)所述圖片進(jìn)行識(shí)別包含：所述算法識(shí)別單元基于所述產(chǎn)品所屬的產(chǎn)品類(lèi)型，確定對(duì)應(yīng)的所述預(yù)設(shè)缺陷識(shí)別模型，并通過(guò)調(diào)用所述模型管理模塊提供的所述預(yù)設(shè)缺陷識(shí)別模型，獲取所述算法識(shí)別結(jié)果。

在一實(shí)施中，所述監(jiān)控模塊對(duì)所述預(yù)設(shè)缺陷識(shí)別模型進(jìn)行優(yōu)化包括：將所述概率反饋給所述模型管理模塊，使得所述模型管理模塊基于所述概率重新設(shè)定所述預(yù)設(shè)缺陷識(shí)別模型的全局置信度閾值。

在一實(shí)施中，所述系統(tǒng)包括樣本管理模塊，其中所述樣本管理模塊從所述數(shù)據(jù)庫(kù)獲取各圖片及其對(duì)應(yīng)的算法識(shí)別結(jié)果、人工識(shí)別結(jié)果和抽檢識(shí)別結(jié)果，對(duì)各所述圖片進(jìn)行標(biāo)準(zhǔn)，生成所述預(yù)設(shè)缺陷模型的訓(xùn)練樣本，基于所述訓(xùn)練樣本對(duì)所述預(yù)設(shè)缺陷識(shí)別模型進(jìn)行訓(xùn)練。

在一實(shí)施中，所述算法識(shí)別結(jié)果包含缺陷區(qū)域和缺陷類(lèi)型，所述監(jiān)控管理模塊從所述數(shù)據(jù)庫(kù)獲取各所述產(chǎn)品對(duì)應(yīng)的算法識(shí)別結(jié)果、人工識(shí)別結(jié)果和抽檢識(shí)別結(jié)果，并統(tǒng)計(jì)各所述產(chǎn)品對(duì)應(yīng)的缺陷區(qū)域或缺陷類(lèi)型，若存在連續(xù)性或聚集性，則反饋告警信息，以提示用戶(hù)對(duì)產(chǎn)品工藝進(jìn)行改良。