一种基于工业互联网特征样本库的附件检测系统及方法与流程

1.本发明属于零件检查技术领域，尤其涉及一种基于工业互联网特征样本库的附件检测系统及方法。


背景技术：

2.随着生产的需要和生活水平的提高，经常会购买各种设备和家电产品，这些产品包装内均会附带附件袋，附件袋中物品包含了各种标准零件或非标准零件、如螺钉、螺栓、开口销、扎带、橡胶垫、固定扳手、起子、结构连接件、说明书等。这些附件袋中的东西需要我们进行仔细阅读、简单装配后，才能保证产品的正常功能和使用安全，故它是不可缺少的东西。
3.产品附件是否齐备是关系到用户能否正常使用产品的先决条件，每一个产品的附件明细及数量是根据产品设计技术状况确定的，都有明确的产品《附件bom清单》，工厂严格按照《附件bom清单》工艺文件进行配置。
4.工厂对各种产品的附件分拣与检测主要有两种方式：一种是利用专用设备进行，如专利号为cn217295062u，《一种附件袋自动预装装置》，这种方式分拣速度快，准确度高，差错率低。该种分拣方式因投入大、适应性不强，主要应用到大批量的产品包装生产中。对于中小批量生产的产品附件，由于其单次生产任务的产品数量不多（如只生产几天甚至几个小时），若使用自动化预装装置，其成本会过高，并且，中小批量生产的厂商，由于每次生产任务的附件中零件通常都会存在差异，自动化预装装置的灵活性同样难以满足其要求。因此，目前，中小批量生产的厂商，大都通过人工分操作方式对产品的附件进行分拣和检测。
5.旋耕机、洗衣机、小型发电机、水泵等产品的包装生产过程中，需要在包装环节向产品包装箱内放入配件及附件袋，其中附件袋内放有供用户使用的说明书、橡胶管、扎带、螺钉、螺母、垫圈、密封圈、开口销等零件。目前，在生产过程中需通过生产人员手动将不同种类和数量的零件分装到附件袋中，经常发生漏装、错装、多装的异常状况，其分装差错率高，给用户使用过程带来问题，客户投诉率高。为了发现人工分拣中出现的差错问题，工厂专门设置人工复检岗位，对附件袋内物品进行100％全检，但存在的问题是，人工逐个复检确认附件袋中的各个附件，容易产生视觉疲劳，导致检验结果不可控，且进而导致检验效率也难以保障，复检方法还直接提高了人工成本。人工复检附件袋的方式会导致生产效率下降和用户满意度降低的问题。而机器检测的方式，目前只有超大批量的单一零件检测且成本高昂，并不适用于零件数量多个且每次生产任务中零件类型会发生变动的小批量设备。
6.综上，在中小批量生产过程中，怎样才能在兼顾成本与效率的前提下，保证附件袋内的零件的准确性，成为目前亟待解决的问题。


技术实现要素：

7.针对上述现有技术的不足，本发明提供了一种基于工业互联网特征样本库的附件
检测系统及方法，可以在中小批量生产过程中，在兼顾成本与效率的前提下，保证附件袋内的零件的准确性。
8.为了解决上述技术问题，本发明采用了如下的技术方案：基于工业互联网特征样本库的附件检测系统，包括相互通信的边缘应用端和云端平台；边缘应用端包括检测台、图像采集机构和控制器；检测台用于放置待检测的附件袋或零件；控制器包括存储单元和处理单元；存储单元包括本地样本库，用于存储零件的特征集；处理单元用于接收检测需求，所述检测需求包括检测清单和检测精度要求，检测清单的内容包括标准零件和/或非标准零件；处理单元还用于接收到检测清单后，判断本地样本库中是否存在检测清单上所有零件对应的特征集，若是则依据检测精度匹配出检测清单上所有零件的检测特征集后生成检测信号，若否，则将不存在特征集的零件打包生成需求清单后，与检测精度要求一起发送给云端平台；云端平台包括运算中心和云端库；云端库内预存有所有标准零件的特征集；运算中心用于接收到需求清单及检测精度要求后，根据检测精度要求生成需求清单中标准零件的检测特征集发送给边缘应用端，之后，运算中心判断需求清单上是否存在非标准零件，若不存在则给处理单元发送零件完整信号，若存在则给处理单元发送非标准零件采集信号；处理单元用于接收到非标准零件采集信号后发出非标准零件采集提醒，并控制图像采集机构采集检测台上的零件的图像后，发送给运算中心；运算中心还用于接收到非标准零件的图像后，按照预设的识别要求进行特征提取识别，并生成该非标准零件的特征集；运算中心还用于生成需求清单上所有非标准零件的特征集后，根据对应的检测精度要求，生成需求清单上所有的非标准零件的检测特征集并发送给处理单元，并发送零件完整信号给处理单元；处理单元用于接收到云端平台发送的标准零件或非标准零件的检测特征集后存储在本地样本库中；处理单元还用于接收到零件完整信号后，依据对应的检测精度匹配出检测清单上所有零件的检测特征集后生成检测信号；处理单元还用于生成检测信号且接收到检测开始指令后，控制图像采集机构采集检测台上的附件袋的图像，并对附件袋的图像进行预处理及特征提取后，与检测清单上所有零件的检测特征集进行识别匹配，判断零件带内的零件是否与检测清单上的零件一致。
9.名词说明：标准零件，即，有行业标准的零件，如m10螺栓。
10.优选地，所述边缘应用端还包括放置盘，用于放置待检测的附件袋或零件；放置盘与检测台的顶部可拆卸连接；所述检测台包括与处理单元电连接的振动机构，用于振动放置盘；处理单元控制图像采集机构采集检测台上的附件袋或零件的图像时，还分析是否存在被遮挡的零件，若存在则控制振动机构振动预设时长。
11.优选地，处理单元对附件袋的图像进行预处理及特征提取的过程包括：通过二维小波变换，对图像进行预处理，并对小波变换后得到低频区域进行特征提取。
12.优选地，处理单元对小波变换后得到低频区域进行特征提取时，采用主成分分析法基于变量协方差矩阵对信息进行处理、压缩和提取，得到对应的特征向量。
13.优选地，处理单元对附件袋的图像进行预处理及特征提取后，通过向量机与检测
清单上所有零件的检测特征集进行识别匹配。
14.优选地，处理单元判断本地样本库中是否存在检测清单上所有零件对应的特征集时，还判断本地样本库中已存在的零件的特征集是否满足对应的检测精度要求，若不满足，则将该零件放入需求清单；处理单元将云端平台发送的标准零件或非标准零件的检测特征集存储在本地样本库时，若一个零件在本地样本库中已存在特征集，则删除该已存在的特征集。
15.优选地，所述图像采集机构为工业ccd相机。
16.本发明还提供一种基于工业互联网特征样本库的附件检测方法，使用上述基于工业互联网特征样本库的附件检测系统，包括以下步骤：s1、通过边缘应用端获取检测清单及检测精度要求，所述检测清单的内容包括标准零件和/或非标准零件；s2、判断本地样本库内是否存在检测清单上的所有零件，若是，则基于检测精度要求匹配出检测清单上各零件对应的检测特征集，并转到s8；若否，则转到s3；s3、通过边缘应用端将不存在特征集的零件打包生成需求清单后，与检测精度要求一起发送给云端平台；s4、云端平台根据检测精度要求生成需求清单中标准零件的检测特征集，并发送给处理单元存储在本地样本库；并通过云端平台判断需求清单上是否存在非标准零件，若不存在则返回s2，若存在则转到s5；s5、云端平台给处理单元发送非标准零件采集信号后，处理单元控制图像采集机构采集检测台上的零件的图像并发送给运算中心；s6、运算中心对接收到的非标准零件的图像进行特征识别，并生成该非标准零件的特征集；并判断是否已生成需求清单上所有非标准零件的特征集，若是则转到s7，若否则返回s5；s7、通过云端平台基于检测精度，生成需求清单上所有的非标准零件的检测特征集，并发送给处理单元存储在本地样本库；再返回s2；s8、通过处理单元控制图像采集机构采集检测台上的附件袋的图像，并对附件袋的图像进行预处理及特征提取后，与检测清单上所有零件的检测特征集进行识别匹配，判断零件带内的零件是否与检测清单上的零件一致。
17.本发明与现有技术相比，具有如下有益效果：1、使用本发明对小批量生产过程中的附件袋进行检测时，可由工作人员或者通过erp系统给处理单元发送检测清单（即检测的零件的名称和数量）和检测精度要求。之后，处理单元会判断本地样本库内是否存在所有要检查的零件的特征集，并在本地样本库不包括所有要检查的零件的特征集时，将缺少的零件打包生成需求清单后与检测精度要求一起发送给云端平台。
18.之后，云端平台会先基于检测精度要求，将云端库中存在的需求清单零件生成对应的检测特征集发送给处理单元；并将云端库中不存在的零件通过非标准零件采集信号的方式告知处理单元；工作人员接收到该信号后，可将非标准零件放在检测台上，由处理单元控制图像采集机构采集这些非标准零件的图像并发送给运算中心，并由运算中心对其进行处理及特征识别并生成对应的特征集后，基于对应的检测精度生成这些非标准零件的检测
特征集发送给处理单元存储在本地样本库中。这样，可保证本地样本库中拥有检测清单中所有的零件的特征集。再然后工作人员可开始正式的检测，在给处理单元输入检测开始指令后逐一将附件袋放置在检测台上，由处理单元控制控制图像采集机构采集检测台上的零件的图像，并与本地样本库中存在的检测清单上所有零件的检测特征集进行识别匹配，判断零件带内的零件是否与检测清单上的零件一致。
19.通过这样的方式，边缘应用端平时只需要存储少量工厂长期检测的零件的特征集即可，甚至不存储任何零件的特征集也可以。边缘应用端进行检测时，再利用云端平台的存储优势和运算优势，快速在本地样本库中存入检测情况上各零件的特征集。在正式检测时，由于本地样本库中的零件特征集非常少，需要的运算资源很少且运算速度会非常快。并且，检测精度要求不同，同一个零件的需要的样本集也不同（例如，某型号的螺母在云端平台中的特征集中的特征有18个；对螺母进行常规检测时需要的特征集中的特征为8个，则将排名前8的特征作为对应的检测特征集；进行严格检测时需要的特征为11个，则将排名前11的特征作为对应的检测特征集；进行高精度检测时需要的特征为15个，则将排名前15的特征作为对应的检测特征集），而检测特征越多，其检测效率也就越低。通过这样的方式，工厂可以根据自己的实际需求设置对应的检测精度要求，以平衡检测效率和检测精度。除此，由于工厂只需要购入边缘应用端，云端平台可各工厂共用（即由平台方提供），而边缘应用端对存储及运算的要求都很低，可有效的控制成本。因此，本发明兼顾了检测成本与检测效率；符合中小批量厂家的使用需求。
20.综上，本发明可以在中小批量生产过程中，在兼顾成本与效率的前提下，保证附件袋内的零件的准确性。
21.2、将零件或附件袋放置在检测台上时，可能会存在零件重叠的情况，从而导致部分零件被遮挡，无论是对生成非标准零件的特征集还是正式进行检测时，都会造成较大的干扰。本发明中，边缘应用端还包括放置待检测附件袋或零件的放置盘，且检测台包括与处理单元电连接的，用于振动放置盘振动机构；但出现上述情况时，处理单元会控制振动机构振动预设时长，从而使放置盘上的零件振动，将重叠的零件振散，保证后续流程的有效性。
22.3、即使是用于那些单次检测项目只有几个小时，且各检测项目中的零件均不同的工厂，使用本发明，均可以方便、快速的完成检测。本发明的适用性和灵活性非常强。
23.4、虽然检测的具体执行内容是本地边缘端进行，但系统提供的云端平台却兼顾了存储各标准零件的特征集、为各本地边缘端配置对应零件的检测特征集、以及处理非标准检测零件的作用。这样的方式，可充分利用工业互联网的运算能力和存储空间，且不会增加工厂的使用成本。
24.5、本发明通过小波分解的方式对零件图像进行预处理，并对小波变换后得到低频区域进行特征提取。这样的方式，一方面，在降噪基础上，又能在保留主要特征的情况下具有较大压缩比例；并且，低频区域中的信息有效性较高、干扰较少，可以尽可能的保证预处理的效率和有效性。在进行特征提取时，本发明通过主成分分析法基于变量协方差矩阵对信息进行处理、压缩和提取，得到对应的特征向量；并通过向量机与检测清单上所有零件的检测特征集进行识别匹配。这样的方式，可以保证提取的特征的有效性以及整体运算的效率。
25.6、由于本地样本库中存储的零件的特征集，可能并不足以满足工厂当前的检测精
度要求，本发明在这种情况下会基于当前的检测精度要求，使用云端平台对该零件的特征集进行更新。从而保证实际检测时的有效性。并且，基于上述功能，系统提供方可对不同的检测精度要求的检测精度特征集设置不同的收费，实现商业功能的拓展。
附图说明
26.为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：图1为实施例一中系统的逻辑框图；图2为实施例一中的小波变换分解示意图；图3为实施例一中的方法的流程图；图4为实施例四中的边缘应用端的结构示意图；图5为实施例四中的云端平台的示意图。
具体实施方式
27.下面通过具体实施方式进一步详细的说明：实施例一如图1所示，本实施例中公开了一种基于工业互联网特征样本库的附件检测系统，包括相互通信的边缘应用端和云端平台。图1中的检测装置即为本实施例中的边缘应用端，云端即为云端平台。使用本系统，厂家只需要购入1套边缘检测装置即可，云端平台可由系统方提供。本实施例中本地边缘端通过4/5g通讯技术与云端平台进行通信。
28.边缘应用端包括检测台、图像采集机构和控制器；本实施例中所述图像采集机构为工业ccd相机。检测台用于放置待检测的附件袋或零件。检测台的具体结构，本领域技术人员可根据自己的偏好具体设置，只要能满足本技术中的功能即可，该结构并非本发明的发明点，且本领域技术人员依据说明书中的内容已足以完成结构的设置，故在此不再赘述。
29.控制器包括存储单元和处理单元；存储单元包括本地样本库，用于存储零件的特征集。
30.处理单元用于接收检测需求，所述检测需求包括检测清单和检测精度要求，检测清单的内容包括标准零件和/或非标准零件。标准零件，即，有行业标准的零件，如m10螺栓。
31.处理单元还用于接收到检测清单后，判断本地样本库中是否存在检测清单上所有零件对应的特征集，若是则依据检测精度匹配出检测清单上所有零件的检测特征集后生成检测信号，若否，则将不存在特征集的零件打包生成需求清单后，与检测精度要求一起发送给云端平台。
32.云端平台包括运算中心和云端库；云端库内预存有所有标准零件的特征集；运算中心用于接收到需求清单及检测精度要求后，根据检测精度要求生成需求清单中标准零件的检测特征集发送给边缘应用端，之后，运算中心判断需求清单上是否存在非标准零件，若不存在则给处理单元发送零件完整信号，若存在则给处理单元发送非标准零件采集信号；处理单元用于接收到非标准零件采集信号后发出非标准零件采集提醒，并控制图像采集机构采集检测台上的零件的图像后，发送给运算中心；运算中心还用于接收到非标准零件的图像后，按照预设的识别要求进行特征提取识别，并生成该非标准零件的特征集；
运算中心还用于生成需求清单上所有非标准零件的特征集后，根据对应的检测精度要求，生成需求清单上所有的非标准零件的检测特征集并发送给处理单元，并发送零件完整信号给处理单元；处理单元用于接收到云端平台发送的标准零件或非标准零件的检测特征集后存储在本地样本库中。
33.处理单元还用于接收到零件完整信号后，依据对应的检测精度匹配出检测清单上所有零件的检测特征集后生成检测信号。
34.处理单元还用于生成检测信号且接收到检测开始指令后，控制图像采集机构采集检测台上的附件袋的图像，并对附件袋的图像进行预处理及特征提取后，与检测清单上所有零件的检测特征集进行识别匹配，判断零件带内的零件是否与检测清单上的零件一致。其中，处理单元对附件袋的图像进行预处理及特征提取的过程包括：通过二维小波变换，对图像进行预处理，并对小波变换后得到低频区域进行特征提取。具体地，处理单元对小波变换后得到低频区域进行特征提取时，采用主成分分析法基于变量协方差矩阵对信息进行处理、压缩和提取，得到对应的特征向量；且处理单元对附件袋的图像进行预处理及特征提取后，通过向量机与检测清单上所有零件的检测特征集进行识别匹配。
35.本发明通过小波分解的方式对零件图像进行预处理，并对小波变换后得到低频区域进行特征提取。这样的方式，一方面，在降噪基础上，又能在保留主要特征的情况下具有较大压缩比例；并且，低频区域中的信息有效性较高、干扰较少，可以尽可能的保证预处理的效率和有效性。在进行特征提取时，本发明通过主成分分析法基于变量协方差矩阵对信息进行处理、压缩和提取，得到对应的特征向量；并通过向量机与检测清单上所有零件的检测特征集进行识别匹配。这样的方式，可以保证提取的特征的有效性以及整体运算的效率。
36.小波变换的工作原理是通过构造一对正交镜像滤波器，对图像进行滤波处理得到不同尺度不同方向的高低频分量。对二维图像进行小波变换是分别在水平方向与垂直方向作一维小波变换来实现一层二维小波变换，图像通过一层二维小波变换分解可以得到4个区域：低频区域 ll、高频符合中小批量厂家的使用需求区域符合中小批量厂家的使用需求hl、lh、hh。其中，低频区域符合中小批量厂家的使用需求ll表示近似分量，为原图的平滑像，高频符合中小批量厂家的使用需求区域符合中小批量厂家的使用需求hl、符合中小批量厂家的使用需求lh、hh分别表示水平分量符合中小批量厂家的使用需求、垂直分量和对角分量。对于每次变换得到的低频区域符合中小批量厂家的使用需求ll可以再次进行小波变换，一幅图像作符合中小批量厂家的使用需求n次二维小波变换后，低频区域图像的尺寸为原图像尺寸的符合中小批量厂家的使用需求1／4。符合中小批量厂家的使用需求小波变换分解如图2所示。根据对附件的属性机理特点分析，附件特征主要识别点集中在外形包络线，在小波变换中，识别点低频区域符合中小批量厂家的使用需求ll集中了图像的大部分信息，而高频区域则包含了大量的冗余信息和干扰，所以本系统采取直接对低频区域ll进行特征提取。
37.根据对通用标准附件的特征机理分析，本发明特征提取主要针对图像中外形轮廓特征进行提取。各种不同附件特征形式是不同的，特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。图像的特征分为颜色特征、纹理特征、形状特征、局部特征。特征图像提取主要针对上面的附件外形形态进行区分，划分为不同的子集如孤
立的点、连续曲线、连续区域等。特征提取识别图片经小波变换符合中小批量厂家的使用需求，大小已缩小至原图像的1／4，但是维数仍然太多，不利于后续识别计算，需要进一步进行特征提取符合中小批量厂家的使用需求，系统采用主成分分析法符合中小批量厂家的使用需求(pca)基于变量协方差矩阵对信息进行处理、压缩和提取。pca算法主要利用k—符合中小批量厂家的使用需求l变换提取图像的主要成分，构成特征空间，识别时将测试图像投影到此空间符合中小批量厂家的使用需求，得到一组投影系数，即该测试图像的特征向量。
38.主成分分析符合中小批量厂家的使用需求(pca)具体算法为：(1)将图像的二维矩阵按行转换成一维向量符合中小批量厂家的使用需求，把一幅大小为符合中小批量厂家的使用需求m
×
n的图像的像素矩阵的每行连在一起构造成一个长度符合中小批量厂家的使用需求d=符合中小批量厂家的使用需求m
×
n的特征向量符合中小批量厂家的使用需求，设有符合中小批量厂家的使用需求n个训练样本符合中小批量厂家的使用需求，则构成符合中小批量厂家的使用需求d
×
n向量矩阵；(2)求每列均值；(3)计算每列值与均值的差，构建新的符合中小批量厂家的使用需求d
×
n向量矩阵；(4)构建协方差矩阵。
39.(5)求协方差矩阵的特征值和特征向量，构造特征图像空间。
40.(6)为了减少维数，可以按照特征值的影响选取影响最大的前q个特征值及其特征向量符合中小批量厂家的使用需求。由此原始的符合中小批量厂家的使用需求m
×
n维图像经上述转换变成符合中小批量厂家的使用需求q维。根据这一维数，从主成分系数矩阵和训练样本投影矩阵中取出相应的构成新的主成分系数矩阵和样本投影矩阵。识别时符合中小批量厂家的使用需求，只需将识别样本向主成分系数矩阵上投影就得到要提取的特征向量。
41.图像特征匹配主要是把提取附件特征向量跟通用标准样本特征库的图像进行相似性比对，而图像之间的相似性比对过程系统会随着算法要求（及检测精度要求）的不同而改变，系统会动态的根据检测精度要求进行阈值控制。相似性匹配是使用图像匹配算法来判断两幅不同图像中的物体相同性。由于图像的复杂性以及图像获取时的光照、角度、环境的不同，所以图相匹配需要选取合适的特征点来简化图像，增强识别准确性。图像特征匹配是根据不同附件特征向量进行分类匹配识别，如距离分类符合中小批量厂家的使用需求、聚类分析符合中小批量厂家的使用需求、神经网络符合中小批量厂家的使用需求、支持向量机(svm)等符合中小批量厂家的使用需求。其中支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法符合中小批量厂家的使用需求，能解决小样本符合中小批量厂家的使用需求、维数灾难符合中小批量厂家的使用需求、过学习等识别匹配问题。支持向量机以构造最优超平面为目标，将不可分的数据映射到高维特征空间中，在高维特征空间中正确区分各类样本特征。
42.如图3所示，本实施例中，还提供一种基于工业互联网特征样本库的附件检测方法，使用上述基于工业互联网特征样本库的附件检测系统，包括以下步骤：s1、通过边缘应用端获取检测清单及检测精度要求，所述检测清单的内容包括标准零件和/或非标准零件；
s2、判断本地样本库内是否存在检测清单上的所有零件，若是，则基于检测精度要求匹配出检测清单上各零件对应的检测特征集，并转到s8；若否，则转到s3；s3、通过边缘应用端将不存在特征集的零件打包生成需求清单后，与检测精度要求一起发送给云端平台；s4、云端平台根据检测精度要求生成需求清单中标准零件的检测特征集，并发送给处理单元存储在本地样本库；并通过云端平台判断需求清单上是否存在非标准零件，若不存在则返回s2，若存在则转到s5；s5、云端平台给处理单元发送非标准零件采集信号后，处理单元控制图像采集机构采集检测台上的零件的图像并发送给运算中心；s6、运算中心对接收到的非标准零件的图像进行特征识别，并生成该非标准零件的特征集；并判断是否已生成需求清单上所有非标准零件的特征集，若是则转到s7，若否则返回s5；s7、通过云端平台基于检测精度，生成需求清单上所有的非标准零件的检测特征集，并发送给处理单元存储在本地样本库；再返回s2；s8、通过处理单元控制图像采集机构采集检测台上的附件袋的图像，并对附件袋的图像进行预处理及特征提取后，与检测清单上所有零件的检测特征集进行识别匹配，判断零件带内的零件是否与检测清单上的零件一致。
43.使用本发明对小批量生产过程中的附件袋进行检测时，可由工作人员或者通过erp系统给处理单元发送检测清单（即检测零件的名称和数量）和检测精度要求。之后，处理单元会判断本地样本库内是否存在所有要检查的零件的特征集，并在本地样本库不包括所有要检查的零件的特征集时，将缺少的零件打包生成需求清单后，与检测精度要求一起发送给云端平台。之后，云端平台会先基于检测精度要求，将云端库中存在的需求清单零件生成对应的检测特征集发送给处理单元；并将云端库中不存在的零件通过非标准零件采集信号的方式告知处理单元；工作人员接收到该信号后，可将非标准零件放在检测台上，由处理单元控制图像采集机构采集这些非标准零件的图像并发送给运算中心，并由运算中心对其进行处理及特征识别并生成对应的特征集后，基于对应的检测精度生成这些非标准零件的检测特征集发送给处理单元存储在本地样本库中。这样，可保证本地样本库中拥有检测清单中所有的零件的特征集。再然后工作人员可开始正式的检测，在给处理单元输入检测开始指令后逐一将附件袋放置在检测台上，由处理单元控制控制图像采集机构采集检测台上的零件的图像，并与本地样本库中存在的检测清单上所有零件的检测特征集进行识别匹配，判断零件带内的零件是否与检测清单上的零件一致。
44.通过这样的方式，边缘应用端平时只需要存储少量工厂长期检测的零件的特征集即可，甚至不存储任何零件的特征集也可以。边缘应用端进行检测时，再利用云端平台的存储优势和运算优势，快速在本地样本库中存入检测情况上各零件的特征集。在正式检测时，由于本地样本库中的零件特征集非常少，需要的运算资源很少且运算速度会非常快。并且，检测精度要求不同，同一个零件的需要的样本集也不同（例如，某型号的螺母在云端平台中的特征集中的特征有18个；对螺母进行常规检测时需要的特征集中的特征为8个，则将排名前8的特征作为对应的检测特征集；进行严格检测时需要的特征为11个，则将排名前11的特征作为对应的检测特征集；进行高精度检测时需要的特征为15个，则将排名前15的特征作
为对应的检测特征集），而检测特征越多，其检测效率也就越低。通过这样的方式，工厂可以根据自己的实际需求设置对应的检测精度要求，以平衡检测效率和检测精度。除此，由于工厂只需要购入边缘应用端，云端平台可各工厂共用（即由平台方提供），而边缘应用端对存储及运算的要求都很低，可有效的控制成本。因此，本发明兼顾了检测成本与检测效率；符合中小批量厂家的使用需求。并且，即使是用于那些单次检测项目只有几个小时，且各检测项目中的零件均不同的工厂，使用本发明，均可以方便、快速的完成检测。本发明的适用性和灵活性非常强。除此，虽然检测的具体执行内容是本地边缘端进行，但系统提供的云端平台却兼顾了存储各标准零件的特征集、为各本地边缘端配置对应零件的检测特征集、以及处理非标准检测零件的作用。这样的方式，可充分利用工业互联网的运算能力和存储空间，且不会增加工厂的使用成本。
45.实施例二与实施例一不同的是，本实施例中，处理单元判断本地样本库中是否存在检测清单上所有零件对应的特征集时，还判断本地样本库中已存在的零件的特征集是否满足对应的检测精度要求，若不满足，则将该零件放入需求清单；处理单元将云端平台发送的标准零件或非标准零件的检测特征集存储在本地样本库时，若一个零件在本地样本库中已存在特征集，则删除该已存在的特征集。由于本地样本库中存储的零件的特征集，可能并不足以满足工厂当前的检测精度要求，本发明在这种情况下会基于当前的检测精度要求，使用云端平台对该零件的特征集进行更新。从而保证实际检测时的有效性。并且，基于上述功能，系统提供方可对不同的检测精度要求的检测精度特征集设置不同的收费，实现商业功能的拓展。
46.实施例三与实施例一不同的是，本实施例中，边缘应用端还包括放置盘，用于放置待检测的附件袋或零件；放置盘与检测台的顶部可拆卸连接。本实施例中，放置盘与检测台通过磁铁连接，其他实施例中，也可以采用其他的可拆卸连接方式。所述检测台包括与处理单元电连接的振动机构，用于振动放置盘；处理单元控制图像采集机构采集检测台上的附件袋或零件的图像时，还分析是否存在被遮挡的零件，若存在则控制振动机构振动预设时长。振动的具体时长，本领域技术人员可依据放置盘的大小、振动机构的振动强度等因素具体设置，在此不再赘述。
47.将零件或附件袋放置在检测台上时，可能会存在零件重叠的情况，从而导致部分零件被遮挡，无论是对生成非标准零件的特征集还是正式进行检测时，都会造成较大的干扰。本发明中，边缘应用端还包括放置待检测附件袋或零件的放置盘，且检测台包括与处理单元电连接的，用于振动放置盘振动机构；但出现上述情况时，处理单元会控制振动机构振动预设时长，从而使放置盘上的零件振动，将重叠的零件振散，保证后续流程的有效性。
48.实施例四本实施例中的附图标记包括：装置底座1、检测台2、放置盘3、控制器4、工业ccd相机5、控制显示面板6。
49.为了便于本领域技术人员更好的实施本发明中的技术，本实施例中提供了一个具体的示例，对边缘应用端及云端平台的结构/架构进行说明。
50.本地边缘端的结构如图4所示。包括检测台2、放置盘3、工业ccd相机、控制器4、4/
5g通讯模块、装置底座1、控制显示面板6和电源。
51.检测附件放在放置盘3中的位置是随机的，可能存在附件重叠遮挡情况发生，造成图像采集遗漏，故检测台2安装有振动器，可消除附件重叠问题，协助ccd相机进行多幅图像的采集。
52.当然，具体实施时，也可以在检测台2上设置称重单元，对附件带进行总重量称重。
53.放置盘3待检测附件放置的器具，也是附件检测时的搁置容器，可以方便的进行附件的放置和拿取。
54.工业ccd相机图像数据的采集传感器，负责对检测附件进行图像采集。
55.控制器4对装置的本地检测过程进行自动控制，并接受面板的各种操控指令；负责与云端平台的协调工作，接受平台云端指令工作，如样本数据上传，样本库更新、检测数据处理；系统内置样本数据存储模块管理，本地样本的优化及部署。
56.4/5g通讯模块借助于现代高速无线通讯技术4g/5g，实现本地端设备与平台云端的数据交换工作。如检测过程的图像数据信号通讯，样本数据库的样本更新，检测工作过程的协调。
57.控制显示面板6交互屏，采用触摸电容感应屏，完成检测工作过程的人机交互。
58.电源提供边缘应用端的运行电源。
59.本地边缘端如图5所示，图中的超算中心即为实施例一到实施例三中的运算中心，云端样本库即为实施例一到实施例三中的云端库。由于实施例一到实施例三已经对其工作流程进行了详细的描述，因此在此不再赘述。
60.云端平台的结构及功能如下：iaas基础设施层符合中小批量厂家的使用需求是工业互联网云基础设施，如计算资源、网络资源、存储资源等，是支撑工业互联网平台的整体运行基础。其核心是虚拟化技术，利用分布式存储、并发式计算、高负载调度等新技术，实现资源服务设施的动态管理，提升资源服务有效利用率，也确保资源服务的安全包含云安全、cds、弹性云服务、云存储等。
61.gpaas平台容器管理、微服务框架功能。
62.工业apaas（平台层）提供各种不同金属材料的附件工业机理分析模型、根据不同附件形态的机理分析模型配置各种附件特征识别算法模型。数据中心提供各种行业不同金属附件样本的仓储、数据治理、数据归类、样本分发等工作。
63.工业saas（应用层）提供云端工业互联网金属成分附件检测系统的日常应用管理工作，它是边缘段和
云端工作协调的管理中心，如数据采集管理、数据通讯、样本检测管理、样本库更新等。
64.平台大型通用标准附件样本数据库可以为边缘端和平台云端的特征识别组件提供样本服务，同时自动更新和充实样本库样本资源，并提供边缘端本地部署样本库的更新服务工作。
65.具体实施时，对于新的附件样本检测，当系统遇到检测困难时，工业互联网平台可启动专家组进行服务评定，调用行业资源和国家标准化库进行样本标准修订，确保系统功能的有效性、专业性、完整性、权威性。
66.最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。