本發明涉及質量檢測，具體地說，涉及一種用于質量檢測的人工智能系統。

背景技術：

1、塑料模具在工業生產中扮演著至關重要的角色，尤其是在注塑成型、壓塑成型和吹塑成型的工藝中，模具的質量直接影響最終產品的精度、外觀和性能，然而，傳統的人工檢測方法存在效率低、主觀性強、易出錯的問題，難以滿足現代工業對高質量和高效率的需求，塑料模具質量檢測的人工智能是一種融合了人工智能技術，如機器學習、深度學習、支持向量機，可以對塑料模具的質量進行自動檢測、分析和評估，由于在生產完成一個塑料模具時，塑料模具會的邊緣會產生少量或細微的毛邊情況，無法有效的捕捉塑料模具邊緣點的曲率變化來檢測塑料模具邊緣是否存在毛邊點，常常將正常塑料模具邊緣點誤判為毛邊點，加大了生產塑料模具的資源浪費情況，降低了檢測的可靠性，當在確定毛邊點的情況下不能根據毛邊點變化的梯度方向準確地連接毛邊點，使生成毛邊區域不準確，導致后續遺漏處理毛邊區域，影響檢測塑料模具質量的效率，從而使質量檢測效率的降低，于是我們提供了一種用于質量檢測的人工智能系統。

技術實現思路

1、本發明的目的在于提供一種用于質量檢測的人工智能系統，以解決上述背景技術中提出的問題。

2、為實現上述目的，本發明提供一種用于質量檢測的人工智能系統，包括轉換處理單元、計算篩選單元、模型檢測單元和質量檢測單元；

3、所述轉換處理單元通過人工智能獲取生產塑料模具的整體外觀數據來建立機器學習模型，機器學習模型從塑料模具整體外觀數據中提取像素點坐標進行平滑處理；

4、所述計算篩選單元用于接收轉換處理單元中平滑處理的外觀數據和像素點坐標，機器學習模型根據平滑處理的外觀數據計算水平梯度和垂直梯度，再計算像素點變化的梯度幅值，機器學習模型利用像素點變化的梯度幅值篩選出塑料模具整體外觀的像素點是否是強弱邊緣點，當則篩選出塑料模具整體外觀的像素點是弱邊緣點時，將像素點坐標視為弱邊緣點坐標；

5、所述模型檢測單元用于接收計算篩選單元中篩選出塑料模具整體外觀的像素點是弱邊緣點的命令，模型檢測單元向計算篩選單元中獲取水平梯度、垂直梯度和弱邊緣點坐標來計算弱邊緣點變化的梯度方向和弱邊緣點坐標的二階導數，機器學習模型根據弱邊緣點的二階導數檢測塑料模具整體外觀的弱邊緣點是否是毛邊點，當檢測塑料模具整體外觀的弱邊緣點是毛邊點時，記錄邊緣毛邊點坐標點，機器學習模型根據毛邊點連接成不規則的毛邊區域；

6、所述質量檢測單元用于接收模型檢測單元中不規則的毛邊區域，機器學習模型根據邊緣毛邊點坐標點計算不規則的毛邊區域面積，利用機器學習中的支持向量機算法根據計算的不規則毛邊區域面積檢測塑料模具整體的質量是否合格。

7、作為本技術方案的進一步改進，所述轉換處理單元包括建立轉換模塊和模型處理模塊；

8、所述建立轉換模塊通過人工智能獲取生產塑料模具的整體外觀數據，根據獲取的塑料模具整體數據建立機器學習模型，機器學習模型將獲取的塑料模具整體外觀數據存儲為三維矩陣，并確保獲取的塑料模具整體數據為rgb格式，從獲取的塑料模具整體外觀數據中提取像素點坐標，根據像素點坐標從三維矩陣中提取對應的紅通道值、綠通道值、藍通道值，機器學習模型根據紅通道值、綠通道值、藍通道值將獲取的塑料模具整體外觀數據轉換為塑料模具整體灰度外觀數據；

9、所述模型處理模塊用于接收建立轉換模塊中灰度外觀和像素點坐標，機器學習模型對獲取的塑料模具整體外觀數據進行高斯核覆蓋，并提取像素點坐標周邊行和列的偏移量，根據偏移量計算高斯核，機器學習模型從灰度外觀中提取像素點坐標的鄰邊像素點，根據鄰邊像素點和高斯核對灰度外觀進行平滑處理。

10、作為本技術方案的進一步改進，所述計算篩選單元包括計算梯度模塊和模型篩選模塊；

11、所述計算梯度模塊用于接收模型處理模塊中平滑處理的外觀數據和建立轉換模塊中像素點坐標，機器學習模型利用多元函數根據平滑處理的外觀數據計算出像素點坐標的軸方向上的微小變化量和軸方向上的微小變化量，根據軸方向上的微小變化量和軸方向上的微小變化量計算水平梯度和垂直梯度；

12、所述模型篩選模塊用于接收計算梯度模塊中水平梯度和垂直梯度，機器學習模型根據水平梯度和垂直梯度計算像素點變化的梯度幅值，利用雙閾值檢測算法根據像素點變化的梯度幅值與設定的標準高梯度幅值和設定的標準高梯度幅值進行篩選，篩選出塑料模具整體外觀的像素點是否是強弱邊緣點，記錄邊緣點數量。

13、作為本技術方案的進一步改進，所述模型篩選模塊中具體篩選情況包括：

14、情況①、當像素點變化的梯度幅值大于或等于設定的標準高梯度幅值時，則篩選出塑料模具整體外觀的像素點是強邊緣點；

15、情況②、當設定的標準高梯度幅值小于或等于像素點變化的梯度幅值，且像素點變化的梯度幅值小于設定的標準高梯度幅值時，則篩選出塑料模具整體外觀的像素點是弱邊緣點，將像素點坐標視為弱邊緣點坐標；

16、情況③、當像素點變化的梯度幅值小于設定的標準高梯度幅值時，則篩選出塑料模具整體外觀的像素點不是邊緣點。

17、作為本技術方案的進一步改進，所述模型檢測單元用于接收模型篩選模塊中篩選出塑料模具整體外觀的像素點是弱邊緣點的命令，模型檢測單元向計算梯度模塊中獲取水平梯度、垂直梯度和模型篩選模塊中弱邊緣點坐標、邊緣點數量，機器學習模型再根據水平梯度和垂直梯度計算弱邊緣點變化的梯度方向，根據弱邊緣點坐標計算弱邊緣點坐標的二階導數，機器學習模型利用平滑度算法根據弱邊緣點的二階導數和邊緣點數量檢測塑料模具整體外觀的弱邊緣點是否是毛邊點，當檢測塑料模具整體外觀的弱邊緣點是毛邊點時，機器學習模型根據毛邊點和毛邊點變化的梯度方向連接成不規則的毛邊區域，記錄不規則的毛邊區域數量。

18、作為本技術方案的進一步改進，所述模型檢測單元中機器學習模型利用平滑度算法檢測毛邊點實現步驟：

19、步驟①、收集弱邊緣點的二階導數和邊緣點數量，機器學習模型根據弱邊緣點的二階導數和邊緣點數量計算塑料模具整體外觀弱邊緣點的平滑度，得出計算的平滑度，具體算法公式：

20、；

21、步驟②、機器學習模型利用計算的平滑度與設定的標準平滑度閾值檢測塑料模具整體外觀的弱邊緣點是否是毛邊點，具體檢測情況包括：

22、情況1、當計算的平滑度小于設定的標準平滑度閾值時，計算的平滑度小，說明塑料模具整體外觀輪廓的曲率小，塑料模具整體外觀邊緣較為平滑，檢測出塑料模具整體外觀邊緣的弱邊緣點不是毛邊點；

23、情況2、當計算的平滑度大于設定的標準平滑度閾值時，檢測出計算的平滑度大，說明塑料模具整體外觀輪廓的曲率大，塑料模具整體外觀邊緣邊緣存在不規則情況，檢測出塑料模具整體外觀邊緣的弱邊緣點是毛邊點，記錄邊緣毛邊點坐標點和邊緣毛邊點數量，此時弱邊緣點變化的梯度方向視為毛邊點變化的梯度方向。

24、作為本技術方案的進一步改進，所述質量檢測單元用于接收模型檢測單元中不規則的毛邊區域、不規則的毛邊區域數量、邊緣毛邊點數量、邊緣毛邊點坐標點，機器學習模型利用多邊形面積算法根據邊緣毛邊點坐標點和邊緣毛邊點數量計算不規則的毛邊區域面積，利用機器學習中的支持向量機算法根據計算的不規則毛邊區域面積和不規則的毛邊區域數量檢測塑料模具整體的質量是否合格。

25、作為本技術方案的進一步改進，所述質量檢測單元中機器學習模型利用多邊形面積算法計算不規則的毛邊區域面積實現原理:

26、機器學習模型收集邊緣毛邊點坐標點、相鄰點邊緣毛邊點坐標點和邊緣毛邊點數量計算不規則的毛邊區域面積，得出計算的不規則毛邊區域面積，具體算法公式：

27、；

28、其中，1和2指的是常數。

29、作為本技術方案的進一步改進，所述質量檢測單元利用支持向量機算法檢測塑料模具整體的質量是否合格實現步驟：

30、步驟一、收集計算的不規則毛邊區域面積和不規則的毛邊區域數量并輸入機器學習模型中，機器學習模型對輸入的數據進行學習并輸出相應的權重系數、；

31、步驟二、根據計算的不規則毛邊區域面積、不規則的毛邊區域數量和權重系數、計算塑料模具整體的質量指標，得出計算的質量指標，具體算法公式：

32、；

33、其中，指的是偏導數；

34、步驟三、利用計算的質量指標與設定的標準質量指標檢測塑料模具整體的質量是否合格，具體檢測情況包括：

35、情況一、當計算的質量指標大于設定的標準質量指標時，則塑料模具整體外觀邊緣存在大量毛邊，檢測出塑料模具整體的質量不合格，并利用人工智能設備對塑料模具進行銷毀重新加工；

36、情況二、當計算的質量指標小于設定的標準質量指標時，則塑料模具整體外觀邊緣存在少量毛邊，檢測出塑料模具整體的質量合格，并利用人工智能設備根據不規則的毛邊區域對塑料模具整體邊緣的少量毛邊進行處理加工。

37、與現有技術相比，本發明的有益效果：

38、1、該一種用于質量檢測的人工智能系統中，模型檢測單元向計算梯度模塊中獲取水平梯度、垂直梯度和模型篩選模塊中弱邊緣點坐標、邊緣點數量，根據水平梯度和垂直梯度計算弱邊緣點變化的梯度方向，再根據弱邊緣點坐標計算弱邊緣點坐標的二階導數，根據弱邊緣點的二階導數和邊緣點數量檢測塑料模具整體外觀的弱邊緣點是否是毛邊點，當檢測塑料模具整體外觀的弱邊緣點是毛邊點時，機器學習模型根據毛邊點和毛邊點變化的梯度方向連接成不規則的毛邊區域，通過二階導數能夠有效捕捉邊緣點的曲率變化，避免將正常邊緣點誤判為毛邊點，提升檢測的可靠性，同時在確定毛邊點的情況下分析弱毛邊點變化的梯度方向，能夠更準確地連接毛邊點，生成不規則的毛邊區域，避免后續遺漏處理毛邊區域和快速檢測塑料模具質量，提高質量檢測效率。

39、2、該一種用于質量檢測的人工智能系統中，質量檢測單元用于接收模型檢測單元中不規則的毛邊區域、不規則的毛邊區域數量、邊緣毛邊點數量、邊緣毛邊點坐標點，機器學習模型利用多邊形面積算法根據邊緣毛邊點坐標點和邊緣毛邊點數量計算不規則的毛邊區域面積，利用機器學習中的支持向量機算法根據計算的不規則毛邊區域面積和不規則的毛邊區域數量檢測塑料模具整體的質量是否合格，通過檢測檢測塑料模具整體的質量，及時停止對不合格塑料模具的進一步加工，減少對不合格塑料模具的后續打磨、拋光處理，降低能源消耗，同時減少對不合格塑料模具的后續處理，可以避免無效加工，減少因質量問題導致的生產線停機時間，提高生產效率。