现场样本训练离线视觉物体有无检测系统、方法及存储介质与流程

本发明涉及机器视觉、工业传感器、嵌入式模型部署，尤其涉及一种现场样本训练离线视觉物体有无检测系统、方法及存储介质。

背景技术：

1、随着智能制造与柔性生产的快速推进，工业产线对物料到位检测、工位占位确认、零件上料识别、成品出料计数等物体有无检测场景的需求持续增长，且呈现出检测对象多样化、换产频次提升、现场部署人员非专业化等新特点。传统检测方案与新兴视觉方案之间的适配矛盾日益凸显，难以同时满足低成本、易部署、高可靠、离线运行等多重工业现场需求。

2、传统检测方案多采用红外传感器、光电传感器等接触或非接触式传感设备，此类设备硬件成本较低、响应速度快，在单一规格工件的标准化产线中应用广泛。但该类方案的检测性能高度依赖被测物的物理属性与安装工况，针对异形工件、半透明或高反光物料、深色背景下的深色物体等场景，误检与漏检率显著上升；且安装角度、检测距离、环境光强度的微小变动都可能引发检测失效，换产时往往需要人工反复调试灵敏度与安装位置，校准周期长，难以适配柔性产线的快速换型需求。

3、通用工业视觉系统依托高性能处理器与成熟视觉算法库，可通过模板匹配、深度学习检测等方式实现复杂目标的有无判断，环境适应性更强。但这类系统通常需要配套工控机、专用视觉软件及商业授权，整体硬件与部署成本是传统传感器的数十倍；且配置过程涉及感兴趣区域标注、特征参数调试、算法逻辑编写等专业操作，必须由具备视觉开发经验的技术人员完成，普通现场运维人员无法独立配置维护，在中小批量产线、长尾工位及中小型企业场景中，部署门槛与投入成本过高，难以大规模推广应用。

4、近年来，基于低成本相机模块的嵌入式视觉方案逐步兴起，试图在成本与性能之间取得平衡，但在实际工业落地中仍存在多处技术短板。其一，训练端与推理端的预处理逻辑缺乏统一绑定机制，多数方案仅下发模型权重文件，设备端采图、缩放、归一化等预处理逻辑由固件固定，不同硬件批次的成像差异、固件版本差异都会导致特征分布出现域偏移，使得现场推理准确率明显低于实验室训练验证效果；其二，模型更新机制不完善，更新过程中断电、传输中断或数据错误易导致设备端模型损坏，甚至造成设备无法启动，需返厂重新烧录固件，大幅提升运维成本与产线停机风险；其三，多数方案依赖上位机实时运算或云端算力支持，无法完全脱离上位机离线独立运行，在网络受限、防爆要求及移动作业场景中应用受限；其四，补光、曝光等采图参数与模型参数相互独立配置，现场环境光变化时，需分别调整硬件参数与模型判定阈值，参数脱节易引发检测精度波动，增加现场维护难度；其五，模型数据缺乏授权保护机制，存在被篡改、非法复制到未授权设备的风险，且接口适配性不足，难以兼容多样的工业现场总线与交互方式。

5、因此，本领域亟需一种部署门槛低、运行可靠性高、训练与推理一致性强、具备安全授权机制的低成本离线视觉物体有无检测方案。

技术实现思路

1、本发明的目的在于克服现有技术的不足，解决以下技术问题：

2、1.传统光电 / 红外传感器抗干扰能力弱，易受被测物特性与环境因素影响；

3、2.通用工业视觉系统部署成本高、配置复杂，普通现场人员无法独立操作；

4、3.低成本视觉设备训练端与推理端预处理、采图参数不一致，模型下发后精度下降；

5、4.模型更新过程易因断电、传输中断导致设备失效，且无法脱离上位机独立离线运行；

6、5.模型数据缺乏安全授权机制，易被篡改或非法复制，工业接口适配性不足。

7、为实现上述目的，本发明提供以下技术方案：

8、现场样本训练离线视觉物体有无检测系统，包括上位机和视觉传感器；

9、所述上位机被配置为：获取由所述视觉传感器在目标安装场景下采集的包含目标物的第一图像集和不包含目标物的第二图像集；对所述第一图像集与第二图像集执行与视觉传感器端一致的确定性预处理，提取特征并训练二分类模型；将预处理描述、模型参数、判定阈值及运行配置封装为带版本标识与完整性校验的运行模型包，并下发至所述视觉传感器；

10、所述视觉传感器包括图像采集单元、补光单元、处理器、非易失存储器、通信接口和状态输出接口；所述处理器被配置为：接收并校验所述运行模型包后存储至非易失存储器；在脱离上位机的离线状态下，按照运行模型包中的预处理描述处理待测图像，基于模型参数与判定阈值生成物体有无状态，并通过状态输出接口同步输出检测结果。

11、进一步的，所述运行配置至少包括补光参数、曝光参数、工作模式参数、去抖参数和输出极性参数中的两项；所述补光参数与曝光参数随图像采集过程同步记录，并在离线推理时由视觉传感器按参数执行，以匹配训练阶段的采图条件。

12、进一步的，所述预处理描述至少限定输入图像尺寸、颜色通道顺序、亮度计算方式、特征排列顺序、归一化方式、roi 使能状态、roi 坐标 / 尺寸 / 变换参数、量化参数及图像裁剪 / 缩放方式，使上位机训练端与视觉传感器推理端按同一规则生成维度与数值一致的特征向量；当新运行模型包未启用 roi 时，视觉传感器自动清除历史 roi 配置或默认采用全图区域进行检测。

13、进一步的，所述运行模型包内置授权校验字段，包含加密数据段、数字签名信息或设备唯一标识绑定信息；视觉传感器加载运行模型包时，先执行签名验签、设备绑定匹配校验与密文解密校验，校验不通过则拒绝加载该模型包，防止模型参数被篡改或复制至未授权设备运行。

14、进一步的，所述非易失存储器划分为活动模型区与非活动模型区；新接收的运行模型包写入非活动模型区，经长度校验、完整性校验、格式校验、维度校验与版本兼容性校验全部通过后，更新激活记录并原子切换为活动模型；校验失败或传输中断时，保持原活动模型区的模型正常运行。

15、进一步的，所述运行模型包以多个携带序号与偏移信息的模型数据块分块传输；视觉传感器针对每个数据块返回确认信息，上位机在超时或收到否定确认时重传对应数据块。

16、进一步的，所述视觉传感器支持触发工作模式与连续工作模式，两种模式共用同一采图、预处理、推理与去抖管线；触发模式响应外部触发信号或本地按键触发信号执行预定次数检测，连续模式按设定周期重复检测；检测结果经去抖处理后，通过通信接口输出含状态、置信度与推理耗时的报文，并同步更新 io 接口电平。

17、现场样本训练离线视觉物体有无检测方法，包括以下步骤：

18、s1、在目标安装场景下，采集包含目标物的第一图像集与不包含目标物的第二图像集，同步记录采图与补光参数；

19、s2、在上位机中对两类图像执行与传感器端一致的确定性预处理，提取特征后训练二分类模型，根据训练集、验证集、交叉验证结果或预设阈值策略确定判定阈值；

20、s3、将预处理描述、模型参数、判定阈值、补光采图参数与输出配置封装为带完整性校验的运行模型包；

21、s4、将运行模型包分块写入视觉传感器的非活动模型区，校验通过后原子切换为活动模型；

22、s5、视觉传感器脱离上位机后，从非易失存储器加载活动模型包，对待测图像执行与训练一致的预处理与二分类推理，输出物体有无检测结果。

23、进一步的，步骤 s4 中，若模型传输中断、校验不通过或版本不兼容，则保留原活动模型不变，设备持续以原模型正常工作；仅当全部校验通过后才更新激活记录，完成模型切换；当视觉传感器检测到无有效模型、图像采集单元异常或推理流程异常时，将输出接口置为预设故障输出状态，并通过通信接口上报对应故障码。

24、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第二方面任一项所述的现场样本训练离线视觉物体有无检测方法。

25、与现有技术相比，本发明具有以下有益效果：

26、1.部署门槛低：普通现场人员仅需采集少量有物体、无物体两类现场图像，即可完成模型训练与配置，无需专业视觉知识与规则编写，大幅降低工业视觉检测的应用门槛。

27、2.训练推理一致性强：将 roi 规则、预处理规则、补光曝光参数、模型权重、判定阈值与输出配置统一封装为运行模型包，确保训练端与设备端的采图、裁剪缩放、特征提取、推理全流程参数一致，有效减少域偏移，保障模型下发后的检测精度；roi 功能可聚焦目标区域，压缩计算量，提升推理速度。

28、3.模型更新可靠性高：采用双模型分区设计，新模型写入非活动区，经多重校验后原子激活，传输中断、断电或校验失败时均不破坏原有可用模型，设备可持续正常工作，避免更新故障导致产线停机。

29、4.安全授权机制完善：模型包内置加密、签名与设备绑定校验，可有效防止模型参数被篡改、非法复制，提升工业现场数据与设备的安全性。

30、5.离线独立运行且适配性强：模型与配置全部存储于非易失存储器，传感器断电重启后可自动加载模型，脱离上位机独立完成检测与输出；支持 usb cdc、uart、type-c、rs485、can 等多类通信接口，兼容按键触发与外部信号触发，同步输出报文与工业 io 电平，易于接入 plc 等工业控制设备，适配多样的工业现场场景。