一种深度自学习视觉分析系统的制作方法

本发明涉及各类生产线监控分析技术领域，包括生成流水线和生成冲压线，具体涉及一种深度自学习视觉分析系统。

背景技术：

出于安全生产的需要，在生产车间加装cctv监控设备，成为企业共识。在当前以德国工业4.0标准而引发的生产方式变革方兴未艾。该标准以大幅降低生产成本为方向，以高效提升设备产能为目标，因此如能通过摄像头监控流水线上工作运行状况，通过视频监控画面分析设备、人员的工作状况，对异常情况进行报警，工作有效无效时长分析。同时接入erp系统数据、设备监控数据等。对生产线运行状况和能效进行全部的分析。将为提高生产效率提供数据支撑依据。也有可能成为工业4.0标准的一个典范应用。所以在此方向投入研究将具有一定的意义。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种深度自学习视觉分析系统，以对场景的语义分析和对人的行为轨迹的分析为方向，在应用上取得了极大的突破，提升生产效能，降低生产成本。

本发明的目的是通过以下技术方案来实现的：一种深度自学习视觉分析系统，其包括采集模块、存储模块、数据分析模块和展示模块，存储模块、数据分析模块分别与采集模块连接，展示模块与采集模块连接，所述的采集模块用于采集系统数据并处理为标准数据集，然后传输给数据分析模块，所述的数据分析模块用于对数据进行分析，所述的展示模块将数据分析模块分析完成好的数据进行数据展示。

采集模块数据类型包括结构化数据、实时流数据和非结构化数据。

数据分析模块数据分析方式包括基础分析和高级分析，先做基础分析，再做高级分析；所述的基础分析包括交互式查询汇总分析和olap多维分析，所述的高级分析包括对数据进行挖掘建模。

展示模块数据展示方式包括olap方式、kpi方式、cockpit方式、map方式、report方式和charts方式。

所述的系统包括监控设备单元、视频分析服务器、大数据分析服务器、数据库服务器和应用平台，所述的监控设备单元包括公共输出端，视频分析服务器、大数据分析服务器、数据库服务器和应用平台分别与监控设备单元公共输出端连接，视频分析服务器再与大数据分析服务器连接，大数据分析服务器再与数据库服务器连接，数据库服务器再与应用单元平台。

视频分析服务器包括设备监控分析模块和人员监控分析模块，设备监控分析模块分析内容包括设备动作开始时间、完成时间、时长、停机时长、停机超时报警和异常报警，人员监控分析模块分析内容包括车型判断、工艺分解、工人动作、有效无效时长和异常报警。

设备包括机器人、机械臂等，有固定的运行轨迹和动作组合，我们定义好移动设备的轨迹和路径，即可完成检测监控。

人员监控分析对生产线上的工人的工作行为进行分析和跟踪，把每一个工位的工人的工作内容进行分类，分成一个个单独的动作事件，进行结构化处理，得到各种事件发生的判断。同时与设备的运行数据、标准工艺流程相结合，来对工人的工作效率进行分析和归类。车型判断时车辆类型分类，以对应不同车辆的不同工艺；工艺分解时分解工艺为多个动作，定义每个动作的开始和完成，以及整个动作工人的运动轨迹和每个动作的完成时长；工人动作分析时分析判断工人的每一个动作，开始时间、结束时间，记录工人所有的活动轨迹；有效无效时长分析时通过工艺的标准动作和站位与检测到的工人动作和轨迹对比分析，分类为有效工作时长和无效工作时长；异常报警分析时可以设定车门未关报警，非工人服装人员传入报警，未带安全帽报警，火焰烟雾报警等异常报警。

大数据分析服务器基于人员监控分析，对工位场景做语义分析和人员轨迹分析，以机器视觉采集的数据为输入端，通过与生产工艺、设备运行数据的对比分析，建立效率分析模型，分析工人的有效工时和无效工时。

大数据分析服务器包括采集模块、存储模块、分析模块和展示模块，存储模块和分析模块分别与采集模块连接，展示模块与分析模块连接，所述的采集模块用于采集系统数据并处理为标准数据集，然后传输给数据分析模块，所述的数据分析模块用于对数据进行分析，所述的展示模块将数据分析模块分析完成好的数据进行数据展示。

本发明的有益效果是：

1）在机器视觉分析得到大量的分析结果，通过工业大数据建模，不断调整模型和参数，得到的分析数据更精确；

2）大幅提升工厂生产效能，降低工厂生产成本；

3）以对场景的语义分析和对人的行为轨迹的分析为方向，在生产线的应用上取得极大的突破。

附图说明

图1为本发明的大数据分析服务器的示意图；

图2为本发明深度自学习视觉分析系统的结构框图；

图3为本发明的数据分析流程图。

具体实施方式

下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种深度自学习视觉分析系统，其包括采集模块、存储模块、数据分析模块和展示模块，存储模块、数据分析模块分别与采集模块连接，展示模块与采集模块连接，所述的采集模块用于采集系统数据并处理为标准数据集，然后传输给数据分析模块，所述的数据分析模块用于对数据进行分析，所述的展示模块将数据分析模块分析完成好的数据进行数据展示。

采集模块数据类型包括结构化数据、实时流数据和非结构化数据。

数据分析模块数据分析方式包括基础分析和高级分析，先做基础分析，再做高级分析；所述的基础分析包括交互式查询汇总分析和olap多维分析，所述的高级分析包括对数据进行挖掘建模。

展示模块数据展示方式包括olap方式、kpi方式、cockpit方式、map方式、report方式和charts方式。

实施例1

冲压车间-冷轧钢板：

对视频画面的钢板位移进行监控分析，运行过程中设备是否有停止；

冲次运行过程中为多少；

人员--人员等待设备时常，设备停机时长。

为了更好的检测分析，可能需要对监控设备的安装位置进行调整或者增加新的摄像头，能够完整显示钢板和人员的动作。

实施例2

冲压车间-车门：

对画面中的机械臂位置进行检测分析，对冲压设备的位移情况进行检测分析，可以判断设备工作是否正常，停机超时报警，每次冲压过程的时间统计，设备停机时长统计。

如图2所示，还包括监控设备单元、视频分析服务器、大数据分析服务器、数据库服务器和应用平台，所述的监控设备单元包括公共输出端，视频分析服务器、大数据分析服务器、数据库服务器和应用平台分别与监控设备单元公共输出端连接，视频分析服务器再与大数据分析服务器连接，大数据分析服务器再与数据库，服务器连接，数据库服务器再与应用平台连接。

视频分析服务器包括设备监控分析模块和人员监控分析模块，设备监控分析模块分析内容包括设备动作开始时间、完成时间、时长、停机时长、停机超时报警和异常报警，人员监控分析模块分析内容包括车型判断、工艺分解、工人动作、有效无效时长和异常报警。

设备包括机器人、机械臂等，有固定的运行轨迹和动作组合，我们定义好移动设备的轨迹和路径，即可完成检测监控。

人员监控分析对生产线上的工人的工作行为进行分析和跟踪，把每一个工位的工人的工作内容进行分类，分成一个个单独的动作事件，进行结构化处理，得到各种事件发生的判断。同时与设备的运行数据、标准工艺流程相结合，来对工人的工作效率进行分析和归类。车型判断时车辆类型分类，以对应不同车辆的不同工艺；工艺分解时分解工艺为多个动作，定义每个动作的开始和完成，以及整个动作工人的运动轨迹和每个动作的完成时长；工人动作分析时分析判断工人的每一个动作，开始时间、结束时间，记录工人所有的活动轨迹；有效无效时长分析时通过工艺的标准动作和站位与检测到的工人动作和轨迹对比分析，分类为有效工作时长和无效工作时长；异常报警分析时可以设定车门未关报警，非工人服装人员传入报警，未带安全帽报警，火焰烟雾报警等异常报警。

实施例3

总装车间-玻璃打胶；

动作分解：玻璃打胶、安放玻璃、抬走玻璃等动作，每个动作可以分析辨别，每个动作的用时可以检测统计，与设备的运行时间相结合，比如设备每个动作的运行时间点和时长，与工人动作的时间点和时长进行对比；

工人空闲状态检测：我们除了对工位的工艺动作进行分解，同时对场景的点位进行网格化处理，但工人位于非操作位置时长超过多少时间，我们会把该工人的这段时间计入无效工作时长。

大数据分析单元基于人员监控分析，对工位场景做语义分析和人员轨迹分析，以机器视觉采集的数据为输入端，通过与生产工艺、设备运行数据的对比分析，建立效率分析模型，分析工人的有效工时和无效工时。大数据分析单元包括采集模块、存储模块、分析模块和展示模块，存储模块和分析模块分别与采集模块连接，展示模块与分析模块连接，所述的采集模块用于采集系统数据并处理为标准数据集，然后传输给数据分析模块，所述的数据分析模块用于对数据进行分析，所述的展示模块将数据分析模块分析完成好的数据进行数据展示。

如图3所示，对监控设备数据进行采集和分类，再对数据进行多维统计报表分析、静态数据离线分析、动态实时流数据分析等处理，将处理后的数据做可视化展示。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。