气缸套表面缺陷检测解决方案

目前,国内大多工厂生产环节逐渐实现了无人化,但在复杂系数较高的质检环节,还不能脱离一线工人。国内大多数工业制品在线检测系统仍采用人工目测法,主观的目测法是将工业制品成品或半成品与标准产品直接或借助反射光源等辅助工具进行人为的对比,主观评价产品的好坏,该方法虽然灵活,但容易受操作人员的经验和心理等因素影响,存在效率低、精度低、稳定性差等缺点。同时我们也对现有基于图像识别技术的工业制品表面缺陷识别算法进行总结,并参考其他类似产品缺陷检测的经验,得出的结论是现有的工业制品表面缺陷检测算法在实际使用中存在较大的问题,在误判、漏判以及识别速度上都不能满足当前业务要求。现有的工业制品缺陷检测算法主要集中在图像处理、人工特征比对、浅层机器学习等技术方向,对于机器视觉方面仅有一些初步研究,很多是在实验室环境下进行,具有很大局限性,并没有充分考虑生产中的复杂环境。 工业制品多类型智能在线检测系统是金惠利用公司多年在视觉算法技术方面积累,创新性的将人工智能技术应用到机器视觉领域,打造的面向智能工厂、智能车间工业制品高精度、智能化的在线表面缺陷检测方案。

  • 2021-04-28
  • 阅读326
  • 下载0
  • 18页
  • docx

数据驱动的精准化学习评价机制与方法

综合素质评价是深化教育改革、落实立德树人根本任务的必然要求。信息技术赋能教育教学过程,使得传统教育评价机制向数据驱动的精准化学习评价方向迈进。数据驱动的精准化学习评价是一种不断获取、整合、分析学习过程中的多模态数据,对教学和学习活动的信息流与运行轨迹作出观测、解释和反馈,以发现教育中存在的问题,辅助课堂教学干预的评价方法,包含多场景数据采集、多空间数据融合、精准分析模型构建、分析结果可视化四个关键组成部分。多场景数据采集为学习评价提供数据来源和量化手段支撑,多空间数据融合为学习评价提供统一数据标准,精准分析模型为学习评价提供数据驱动的学习分析与评价方法,分析结果可视化为学习评价提供反馈和应用服务。数据驱动的精准化学习评价框架,应以区块链技术为基础,融合人工智能、云计算、学习分析、情境感知等新兴技术,在多维时空尺度上全面采集学习过程中的多元海量数据,通过全面、系统的统计分析和数据挖掘,从学习者的内在动机到认知发展、情感表现,再到社会综合交互能力,多维度、及时、准确地评估学生的学习状况。当前,探索数据驱动的精准化学习评价,可从构建符合多空间数据特征的综合素质评价框架,完善过程性数据的采集与共享机制,突破情感、认知、动机与社交评价的关键技术,以及研制数据驱动的学习评价平台等方面入手。

  • 2022-04-15
  • 阅读325
  • 下载0
  • 21页
  • docx