Python與機器學(xué)習(xí)（第2版）（微課版） 課件 項目10 智能產(chǎn)線應(yīng)用

項目背景|項目概述|學(xué)習(xí)目標|任務(wù)實施步驟綜合實訓(xùn)智能產(chǎn)線應(yīng)用【數(shù)據(jù)挖掘應(yīng)用】01101111011010111101010000101101010100111101背景先導(dǎo)項目概述項目學(xué)習(xí)目標任務(wù)實施步驟01Background02BriefIntroduction03LearningObjectives04ImplementationSteps主要內(nèi)容智能制造

2015年，我國出臺《中國制造2025》，全面推進實施制造強國戰(zhàn)略，強調(diào)加快新一代信息技術(shù)與制造技術(shù)融合發(fā)展，推進生產(chǎn)過程智能化，培育新型生產(chǎn)方式，全面提升企業(yè)研發(fā)、生產(chǎn)、管理和服務(wù)智能化水平。

黨的十八大以來深入實施創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略和制造強國戰(zhàn)略，中國工業(yè)不僅在量上獲得極大的擴張，工業(yè)快速增長，中國工業(yè)總量世界第一。

黨的十二大報告指出，堅持把發(fā)展經(jīng)濟的著力點放在實體經(jīng)濟上，推進新型工業(yè)化，加快建設(shè)制造強國，推動制造業(yè)高端化、智能化、綠色化發(fā)展。中國是世界第一大工業(yè)強國，世界第二大經(jīng)濟體，擁有全世界最完善的工業(yè)體系認識智能產(chǎn)線

本項目聚焦以數(shù)控機床為代表的智能裝備的加工精度穩(wěn)定性問題，通過大數(shù)據(jù)、人工智能算法的應(yīng)用，圍繞視覺測量與檢測、加工誤差精度補償?shù)葘嵺`來減少機床加工誤差，有利于提升數(shù)控機床的應(yīng)用水平，對于提升國產(chǎn)數(shù)控機床等智能裝備的性能和技術(shù)競爭力、助力解決高端裝備“卡脖子”問題。典型工業(yè)場景

國內(nèi)某汽車零部件加工廠引進一臺高檔數(shù)控機床，該機床各方面指標均處于國際最先進水平，用于零件成品生產(chǎn)線上的關(guān)鍵工序加工，按照設(shè)計應(yīng)能提升整線生產(chǎn)精度的前提下，提升產(chǎn)能30%。而該機床引入到生產(chǎn)線上進行實際生產(chǎn)時發(fā)現(xiàn)，由于原材料與刀具性能不穩(wěn)定、產(chǎn)線其他設(shè)備引起的振動和溫度變化等因素導(dǎo)致原有的生產(chǎn)工藝無法實現(xiàn)高效率和高質(zhì)量的生產(chǎn)，無法發(fā)揮出機床該有的作用，產(chǎn)能反倒降低了5%。而解決這個問題的辦法就是引入一套自動閉環(huán)誤差補償控制系統(tǒng)，能在車間環(huán)境下在線自動柔性檢測工件，結(jié)合環(huán)境參數(shù)智能分析，當夾具、刀具、材料、溫度等產(chǎn)生變化時依然保持加工精度的穩(wěn)定。認識智能產(chǎn)線不合格工業(yè)真實應(yīng)用項目模擬加工程序G(x,y)數(shù)控加工產(chǎn)品三坐標檢測反饋誤差，人工調(diào)整加工工藝加工程序G(x,y)模擬數(shù)控加工G(x’,y’)產(chǎn)品視覺檢測虛擬環(huán)境變量反饋誤差，工業(yè)大數(shù)據(jù)算法自動補償加工程序合格合格不合格G(x’’,y’’)F(w1,w2,…,w18)認識智能產(chǎn)線認識智能產(chǎn)線分類槽1傳送帶分類槽2激光器雕刻驅(qū)動供料盤相機光源CNCPC1PLC電氣控制驅(qū)動PC1-工業(yè)控制計算機項目總體要求

智能產(chǎn)線應(yīng)用項目

通過一套智能數(shù)控產(chǎn)線模擬以上工業(yè)場景，提供一套虛擬機床系統(tǒng)來模擬多種誤差因素對機床加工精度的影響。通過工業(yè)大數(shù)據(jù)構(gòu)建智能誤差補償算法提升數(shù)控機床的加工精度訓(xùn)練視覺檢測模型，對加工后的工件進行檢測分揀，形成完整的加工、檢測生產(chǎn)全流程

項目總體要求①①②③②③②③①硬件操作：①智能視覺檢測模塊②智能數(shù)控模塊③數(shù)據(jù)顯示單元軟件操作：①WEB管理端②Jupyter工作臺③REST-API項目三維目標了解數(shù)據(jù)采集設(shè)備安裝、調(diào)試方法；掌握圖像數(shù)據(jù)采集和標注方法；掌握圖像數(shù)據(jù)預(yù)處理方法；

重點：阿里云大數(shù)據(jù)分析與應(yīng)用職業(yè)技能等級標準中級理解圖像智能識別算法原理；掌握模型部署和應(yīng)用驗證流程。

大數(shù)據(jù)工程技術(shù)人員國家職業(yè)技術(shù)技能標準中級6.3

知識目標能力目標素質(zhì)目標證崗項目三維目標會安裝、調(diào)試數(shù)據(jù)采集設(shè)備；會規(guī)范采集圖像數(shù)據(jù)并做標注；會選用方法對圖像數(shù)據(jù)進行預(yù)處理；懂得變通設(shè)計算法識別產(chǎn)品合格性；

重難點：阿里云大數(shù)據(jù)分析與應(yīng)用職業(yè)技能等級標準中級5.3.2會應(yīng)用模型實現(xiàn)智能分揀和調(diào)參。

知識目標能力目標素質(zhì)目標證011011110110101111010111100100001011010101001111101項目三維目標精心搭建，承崇尚勞動的精神；精細采集，持精益求精的態(tài)度；精密處理，樹數(shù)據(jù)質(zhì)量的意識；精準分類，有創(chuàng)新增效的擔當；精品展示，守賦能強國的使命。能力目標素質(zhì)目標知識目標011011110110101111010111100100001011010101001111101智能產(chǎn)線應(yīng)用項目任務(wù)數(shù)據(jù)準備智能分類誤差補償聯(lián)調(diào)與生產(chǎn)驗證環(huán)境搭建硬件設(shè)備搭建相機、鏡頭、光源安裝相機設(shè)置成像效果調(diào)整云平臺部署數(shù)據(jù)準備智能分類誤差補償聯(lián)調(diào)與生產(chǎn)驗證環(huán)境搭建訓(xùn)練數(shù)據(jù)樣本采集對訓(xùn)練數(shù)據(jù)樣本進行數(shù)據(jù)清洗對訓(xùn)練數(shù)據(jù)樣本進行增廣智能產(chǎn)線應(yīng)用項目任務(wù)數(shù)據(jù)準備智能分類誤差補償聯(lián)調(diào)與生產(chǎn)驗證環(huán)境搭建視覺樣本圖片預(yù)處理依照比例設(shè)置訓(xùn)練集和驗證集搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練和部署模型驗證視覺算法效果智能產(chǎn)線應(yīng)用項目任務(wù)數(shù)據(jù)準備智能分類誤差補償聯(lián)調(diào)與生產(chǎn)驗證環(huán)境搭建加工誤差實時補償模型選擇、訓(xùn)練、模型固化誤差實時補償模型部署、驗證智能產(chǎn)線應(yīng)用項目任務(wù)數(shù)據(jù)準備智能分類誤差補償聯(lián)調(diào)與生產(chǎn)驗證環(huán)境搭建模型聯(lián)調(diào)與部署評價與優(yōu)化自動化生產(chǎn)驗證智能產(chǎn)線應(yīng)用項目任務(wù)還在等什么？馬上動手實施智能產(chǎn)線應(yīng)用項目吧~1.認識智能產(chǎn)線2.智能產(chǎn)線任務(wù)實施要求3.機器學(xué)習(xí)模型的部署與應(yīng)用小結(jié)01101111011010111101011110010000101101010100100111101全國勞動模范蓋立亞蓋立亞通用技術(shù)集團所屬沈陽機床沈陽優(yōu)尼斯智能裝備有限公司總經(jīng)理，教授級高級工程師。一直埋頭在數(shù)控機床研制第一線為公司堅持自主研發(fā)，走“專精特新”的發(fā)展道路，以創(chuàng)新托起高質(zhì)量發(fā)展，以辛勤勞動托起中國夢，為實現(xiàn)“兩個一百年”奮斗目標貢獻央企力量以不斷突破進取的創(chuàng)新精神示范帶動廣大員工成為勞動模范和大國工匠。2020年全國勞動模范和先進工作者表彰大會，蓋立亞榮獲“全國勞動模范”榮譽稱號。01121110110101101101001001100110101010010011011010010110010111011010100110111010101010101101010011010010制造業(yè)是實體經(jīng)濟的基礎(chǔ)，實體經(jīng)濟是我國發(fā)展的本錢，是構(gòu)筑未來發(fā)展戰(zhàn)略優(yōu)勢的重要支撐。01121110110101101101001001100110101010010011011010010110010111011010100110111010101010101101010011010010瞄準創(chuàng)新理念，敢想敢干解決技術(shù)難題領(lǐng)先實現(xiàn)技術(shù)突破，征服頂級軸承企業(yè)跟蹤國家需求攻關(guān)，創(chuàng)造中國數(shù)控車床史奇跡圍繞客戶需求創(chuàng)新，研發(fā)新品類智能機床先進事跡蓋立亞堅定技術(shù)自信，跟蹤國家需求創(chuàng)新，主導(dǎo)多個重大專項項目，在高精、高速、車銑復(fù)合三個方向研制的機床取得重大突破。從技術(shù)員到產(chǎn)品線經(jīng)理，再到公司總經(jīng)理，她帶領(lǐng)團隊及時調(diào)整產(chǎn)品結(jié)構(gòu)，根據(jù)市場要求研發(fā)出全新T系列機床，兩年時間就將該類機床的市場保有量從50臺左右提升到2000多臺。蓋立亞主持和參與4項數(shù)控機床重大專項項目，取得主導(dǎo)實用新型專利22項、發(fā)明專利3項，她主導(dǎo)研發(fā)的HTM40100h臥式車銑復(fù)合加工中心獲2012年國家發(fā)明金獎、2013年中國機械工業(yè)科學(xué)技術(shù)二等獎；《汽車輪轂軸承加工自動線》項目獲2012年國家發(fā)明銀獎、沈陽市科技振興獎、2014年中國機械工業(yè)科學(xué)技術(shù)二等獎；HTC100t、CMU001數(shù)控機床獲遼寧省優(yōu)秀新產(chǎn)品一等獎；與河北工業(yè)大學(xué)合作的《數(shù)控機床集成監(jiān)控及產(chǎn)業(yè)化應(yīng)用》項目獲2015年河北省科技進步二等獎，為國內(nèi)機床發(fā)展作出重要貢獻。一把游標卡尺

一名大國工匠

讓中國制造走向世界工業(yè)云平臺搭建任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用>>數(shù)據(jù)采集環(huán)境搭建會熟練操作Linux操作系統(tǒng)；了解容器與鏡像的基本概念；會在Linux系統(tǒng)中對鏡像和容器進行管理；會啟動并管理工業(yè)云平臺運行所需要的容器；會在Linux系統(tǒng)中對GPU的運行情況進行監(jiān)控。知識與能力目標主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標準任務(wù)解決步驟數(shù)據(jù)采集云平臺搭建主要設(shè)備教學(xué)難點任務(wù)工單在Linux系統(tǒng)下利用Python、數(shù)據(jù)庫、Docker等技術(shù)完成整個云平臺的搭建。搭建完成之后需要在Web界面進行硬件設(shè)備的適配。任務(wù)概述

基于已有鏡像完成工業(yè)互聯(lián)網(wǎng)云平臺的搭建，并能在Web界面進行硬件設(shè)備的適配。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：（1）什么是鏡像和容器？兩者有何區(qū)別？（2）查一查什么是Docker？它和虛擬機有何異同？（3）Docker的優(yōu)勢在哪里？（4）如何安裝、配置和管理Docker？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分數(shù)評定自我評價1.任務(wù)實施啟動容器3分會啟動容器得1分，會查看并讀懂容器信息得2分

監(jiān)控GPU2分會使用GPU監(jiān)控命令得1分，會查看GPU運行信息得1分

重啟容器1分會重啟容器得1分，會啟動具體的窗口

2.任務(wù)測試工業(yè)云平臺登陸3分能正確打開工業(yè)云平臺得2分，可正常登陸平臺得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分

合計10分

任務(wù)解決方案（1）啟動、查看容器登錄“工業(yè)互聯(lián)網(wǎng)云平臺計算機”，右鍵點擊桌面，打開【終端】軟件。進入云平臺程序目錄，使用Docker和鏡像工具進行配置，輸入docker-composeup-d啟動容器；通過dockerps顯示所有容器的信息任務(wù)解決方案（2）查看鏡像信息使用dockerimages顯示鏡像dockerimages可以查看本地已經(jīng)下載的鏡像，如下：dockerimages[OPTIONS][REPOSITORY[:TAG]]任務(wù)解決方案（3）監(jiān)控GPU使用情況使用watch-n10nvidia-smi持續(xù)監(jiān)控GPU使用情況（watch最常用的參數(shù)是-n，后面指定是每多少秒來執(zhí)行一次命令。我們設(shè)置為每10s顯示一次nvidia-smi的情況）任務(wù)解決方案（4）重啟容器當某個容器有問題時，可通過dockerrestart容器ID重新啟動任務(wù)解決方案（5）訪問工業(yè)云平臺在瀏覽器中輸入工業(yè)互聯(lián)網(wǎng)云端控制系統(tǒng)訪問地址，查看系統(tǒng)是否可以正常使用小結(jié)1.如何查看鏡像信息？2.

如何啟動并查看容器信息？3.

如何監(jiān)控GPU的使用情況？不急后續(xù)會有詳細說明與講解哦~工件圖像數(shù)據(jù)采集任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用>>圖像采集與增強會根據(jù)需要正確地配置云平臺的產(chǎn)線參數(shù)；會正確配置機床的通訊參數(shù)；會操作數(shù)控機床完成工件圖像數(shù)據(jù)的采集；會操作云平臺檢查圖像數(shù)據(jù)。能力目標主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標準任務(wù)解決步驟工件圖像數(shù)據(jù)采集采集結(jié)果教學(xué)難點任務(wù)工單

采集的樣本圖片數(shù)據(jù)的數(shù)量和質(zhì)量將會直接影響后續(xù)的模型訓(xùn)練環(huán)節(jié)。使用視覺系統(tǒng)進行若干工件圖像數(shù)據(jù)采集，以豐富工件樣本圖像數(shù)據(jù)庫。任務(wù)概述

配置相機參數(shù)，啟動設(shè)備完成工件圖像數(shù)據(jù)的采集與檢查任務(wù)。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：物料與設(shè)備數(shù)據(jù)采集結(jié)果

任務(wù)要求任務(wù)概述

（1）圖像拍攝時，物料圖像的色調(diào)、明亮度、角度對模型的訓(xùn)練有沒有影響？（2）相機軟件的各項參數(shù)應(yīng)當如何設(shè)置？如有需要可再返回修改。（3）采集多少樣本圖像比較合適？（4）如何確保采集圖像輪廓的清晰度和圖案的完整性？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分數(shù)評定自我評價1.任務(wù)實施任務(wù)管理2分正確添加圖像任務(wù)得1分，正確添加誤差任務(wù)得1分

產(chǎn)線管理1分產(chǎn)線添加正確得1分

云平臺配置1分平臺配置通訊設(shè)置正確得1分設(shè)備啟動2分會正確操作機器得1分，設(shè)備正常運轉(zhuǎn)并采集得1分

2.效果查看圖像管理與編輯3分能正確采集圖像得1分，標記全部正確得1分，圖像數(shù)量超過100張得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分

合計10分

任務(wù)解決方案（1）添加圖片任務(wù)進入任務(wù)管理，添加任務(wù)，設(shè)置任務(wù)名稱、服務(wù)地址、任務(wù)類型、圖片類別信息。任務(wù)解決方案（2）添加誤差任務(wù)添加誤差任務(wù)，填寫任務(wù)名稱，選擇任務(wù)類型為誤差任務(wù)，設(shè)置服務(wù)地址。任務(wù)解決方案（3）添加產(chǎn)線進入產(chǎn)線管理添加產(chǎn)線任務(wù)，需要將添加的圖片任務(wù)與誤差任務(wù)進行關(guān)聯(lián)。任務(wù)解決方案（4）云平臺通信配置打開工作站中的管理軟件，進入云平臺通訊配置，配置本地軟件云平臺參數(shù)。任務(wù)解決方案（5）啟動設(shè)備采集圖像先對設(shè)備通電，確保設(shè)備狀態(tài)正常，無報警。參數(shù)設(shè)置為采集、不雕刻、上傳，打開光源，并啟動設(shè)備進行工件圖像采集，完成100張圖像的采集任務(wù)。任務(wù)解決方案（6）圖片檢查進入云平臺的圖像管理，查看圖像是否成功上傳。如上傳成功，檢查標注是否正確。小結(jié)1.如何操作云平臺完成產(chǎn)線的配置？2.

如何正確配置數(shù)控機床完成數(shù)據(jù)采集？3.

如何檢查數(shù)據(jù)采集結(jié)果？不急后續(xù)會有詳細說明與講解哦~工件圖像數(shù)據(jù)增強任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用>>圖像采集與增強會查看服務(wù)器API接口定義；會正確地調(diào)用API接口讀取工件圖像；會從服務(wù)器批量地讀取圖像并保存至指定文件夾；會使用正確的圖像增廣方法實現(xiàn)數(shù)據(jù)增強。能力目標主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標準任務(wù)解決步驟工件圖像數(shù)據(jù)增強代碼解析原始數(shù)據(jù)教學(xué)難點任務(wù)工單

通過數(shù)據(jù)增強，可以達到擴充數(shù)據(jù)集的目的。對一副圖片做翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪、變形、縮放等不同的變換，以達到擴充圖像數(shù)據(jù)集的目的。任務(wù)概述

登陸云平臺，使用適當?shù)姆椒▽D像做處理，以擴充數(shù)據(jù)集。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：原始數(shù)據(jù)圖像數(shù)據(jù)擴充結(jié)果

任務(wù)要求任務(wù)概述

（1）什么情況下需要做數(shù)據(jù)增強？（2）數(shù)據(jù)增強方法有哪些？圖像數(shù)據(jù)增強的方法有哪些？如何做選擇？（3）給圖像數(shù)據(jù)加噪聲對訓(xùn)練的模型有什么作用？（4）數(shù)據(jù)增強后對后期識別模型的訓(xùn)練會有什么影響？（5）數(shù)據(jù)擴充后到達什么數(shù)據(jù)量級比較合適？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分數(shù)評定自我評價1.任務(wù)實施圖像讀取4分會查看SwaggerUI得1分，會使用SwaggerUI獲取圖像信息得1分，能從服務(wù)器上正確獲取圖像并顯示得1分，能導(dǎo)出所有圖像到指定目錄得1分

圖像增強2分會圖像增強得1分，增強方法2種以上得1分

2.結(jié)果檢查查看圖像并評估效果2分指定目錄正常顯示增強后的數(shù)據(jù)得1分，增強后的數(shù)量量達到500張以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論2分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分，能有效比較增強方法異同得1分

合計10分

任務(wù)解決方案（1）查看API服務(wù)產(chǎn)線上傳的圖片通過RestfulAPI存儲在后端的MongoDB中。我們需要通過調(diào)用相應(yīng)的RestfulAPI讀取圖像數(shù)據(jù)。http://<服務(wù)器地址>:5000/api/ui了解所有的API服務(wù)任務(wù)解決方案（2）調(diào)用API接口調(diào)用api/image服務(wù)查看每張圖像的內(nèi)容，定義get_image_by_id()獲得指定的圖像defget_image_by_id(id):r=requests.get("http://服務(wù)器地址:5000/api/image/"+id)

ifr.status_code==200:returnPIL.Image.open(io.BytesIO(re.content))

else:raiseRuntimeError(r.text)img=get_image_by_id("60b57a02b08c790b7af038a8")#根據(jù)實際情況選擇圖片IDimg.show()任務(wù)解決方案（3）圖像導(dǎo)出將所有采集的圖像導(dǎo)出到指定目錄importnumpyasnpimportmathimage_dir='/tf/data/image'#注意,/tf為工作目錄的根目錄task_dir=os.path.join(image_dir,task_category_id)train_dir=os.path.join(task_dir,"train")test_dir=os.path.join(task_dir,"test")id_code_mapping={#根據(jù)web界面顯示情況設(shè)定"60b57a02b08c790b7af038a9":"0"

#合格工件"60b57a02b08c790b7af038aa":"1"#不合格工件}limit=10foriinrange(math.ceil(num_images=1.0//li)):#分批次讀取image_records=get_image_records(task_id,offset=i*limit,limit=limit)forrecordinimage_records:if'truth_id'notinrecord:continueifnp.random.ranf()<0.8:#需要通過修改數(shù)值來控制測試集的?例dst_dir=os.path.join(train_dir,id_code_mapping[record['truth_id']])else:dst_dir=os.path.join(test_dir,id_code_mapping[record['truth_id']])ifnotos.path.exists(dst_dir):os.makedirs(dst_dir)

dst=os.path.join(dst_dir,record['id']+'.png')img=get_image_by_id(record['id'])img.save(dst)任務(wù)解決方案（3）圖像導(dǎo)出將所有采集的圖像導(dǎo)出到指定目錄任務(wù)解決方案（4）統(tǒng)計圖像數(shù)量用戶可以在/tf/data/image目錄下查看到相應(yīng)的圖像。用戶也可以通過下面的程序查看目錄下的圖像數(shù)量。可比照圖像管理中的圖像，判斷是否讀取完整。importpathlibtrain_image_count=len(list(pathlib.Path(train_dir).glob('*/*.png')))test_image_count=len(list(pathlib.Path(test_dir).glob('*/*.png')))print(train_image_count,test_image_count)任務(wù)解決方案（5）數(shù)據(jù)增強對訓(xùn)練集中的圖像做數(shù)據(jù)增強，比如隨機旋轉(zhuǎn)。iftrain_flag:foriinrange(20):angle=np.random.randint(1,359)img2=img.rotate(angle)dst2=os.path.join(dst_dir,record['id']+'ro'+str(i)+'.png')img2.save(dst2)importpathlib小結(jié)1.如何調(diào)用API接口讀取工件圖像數(shù)據(jù)？2.

如何將圖像保存至指定目錄？3.

如何對圖像數(shù)據(jù)進行切分？4.如何實現(xiàn)圖像增廣？不急后續(xù)會有詳細說明與講解哦~工件圖像智能分類任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會根據(jù)需要正確設(shè)計神經(jīng)網(wǎng)絡(luò)模型；會正確地切分數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；會根據(jù)結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)實現(xiàn)優(yōu)化；會正確部署神經(jīng)網(wǎng)絡(luò)模型；會調(diào)用神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)智能分揀。能力目標智能分揀模型的訓(xùn)練與部署主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標準任務(wù)解決步驟代碼解析教學(xué)難點任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010圖像分類分析分揀模型合格品不合格品智能視覺檢測模塊原因：人工分揀慢、成本高途徑：通過圖像智能檢測，完成機器自動分揀目標：實現(xiàn)更快、更準的分揀指標：識別準確率和識別效率卷積神經(jīng)網(wǎng)絡(luò)教學(xué)難點任務(wù)工單

基于數(shù)據(jù)采集的樣本圖片進行視覺模型訓(xùn)練，可選擇、調(diào)用云端已提供的完整模型框架（基于TensorFlow），設(shè)計卷積神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練。任務(wù)概述

基于采集的圖像數(shù)據(jù)，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，并部署應(yīng)用于工件的合格品識別。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：教學(xué)難點任務(wù)概述010010011001101010100100110110100101110101000100001011011101001010101101010011010010不合格品合格品圖像分類模型構(gòu)建圖像分類模型訓(xùn)練圖像分類模型優(yōu)化圖像分類模型應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)信號1信號0用于智能化分揀可降低成本、提高識別效率（1）圖像識別領(lǐng)域中常見的圖像識別方法有哪些？（2）使用卷積神經(jīng)網(wǎng)絡(luò)模型有什么的優(yōu)劣勢？為什么不使用循環(huán)神經(jīng)網(wǎng)絡(luò)？（3）卷積神經(jīng)網(wǎng)絡(luò)包含哪些層？分別有什么作用？關(guān)鍵參數(shù)有哪些？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分數(shù)評定自我評價1.任務(wù)實施數(shù)據(jù)初始化2分訓(xùn)練集、驗證集準備正確得1分，測試集正確讀取得1分

模型構(gòu)建2分會設(shè)計卷積模型得1分，模型正確構(gòu)建得1分

模型訓(xùn)練1分模型訓(xùn)練能正確執(zhí)行得1分模型保存2分模型正確保存得1分，模型正確部署得1分

2.效果評估模型評估2分訓(xùn)練準確率92%以上得1分，測試集準確率90%以上得1分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分

合計10分

任務(wù)解決方案（1）切分數(shù)據(jù)集準備好模型訓(xùn)練所需的訓(xùn)練集與驗證集。按一定的比例切分數(shù)據(jù)。importtensorflowastftrain_ds=tf.keras.preprocessing.image_dataset_from_directory(train_dir,

validation_split=0.2,#設(shè)定驗證集比例subset="training",seed=123,batch_size=batch_size)卷積層池化層卷積層池化層展平全連接層+Dropout任務(wù)解決方案（2）設(shè)計神經(jīng)網(wǎng)絡(luò)根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)計卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。任務(wù)解決方案（2）設(shè)計神經(jīng)網(wǎng)絡(luò)使用Keras構(gòu)建

設(shè)計好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并進行訓(xùn)練。fromtensorflow.kerasimportlayersnum_classes=2#目標分為兩類：合格品與不合格品model=tf.keras.Sequential([#根據(jù)需要調(diào)整模型結(jié)構(gòu)layers.experimental.preprocessing.Resizing(img_height,img_width),layers.experimental.preprocessing.Rescaling(1./127.5,offset=-1),layers.Conv2D(32,3,activation='relu',padding="same"),layers.MaxPooling2D(pool_size=2,strides=2),layers.Conv2D(32,3,activation='relu',padding="same"),layers.MaxPooling2D(pool_size=2,strides=2),layers.Flatten(),layers.Dense(256,activation='relu'),layers.Dense(num_classes)])任務(wù)解決方案（3）模型編譯根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)置優(yōu)化器、損失函數(shù)、指標等參數(shù)。batch_size=8#每一批所處理的圖片數(shù)量img_height=160#圖片高度，單位為像素img_width=160#圖片寬度，單位為像素model.build((img_height,img_width,batch_size,3))model.compile(

optimizer='nadam',loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])任務(wù)解決方案（4）模型訓(xùn)練利用準備好的數(shù)據(jù)集，訓(xùn)練模型。訓(xùn)練過程中，要注意觀察模型的準確率變化。model.fit(train_ds,validation_data=val_ds,batch_size=128,shuffle=True,epochs=35)任務(wù)解決方案（5）模型部署當獲得較高的準確率時，保存訓(xùn)練好的模型。需要在Web平臺的“任務(wù)管理”頁面中配置相應(yīng)的服務(wù)地址。tf.keras.models.save_model(model,'/tf/models/image/1/',

#/tf/models為tensorflow-serving的模型根目錄overwrite=True,include_optimizer=True,save_format=None,signatures=None,options=None)任務(wù)解決方案（6）模型應(yīng)用修改圖像任務(wù)中的“服務(wù)地址”為最后的模型算法地址。在【PLC觸控操作面板】上切換模式運行。查看實際檢測效果是否滿意，如果不滿意可重復(fù)進行模型的訓(xùn)練與部署。小結(jié)1.如何設(shè)計神經(jīng)網(wǎng)絡(luò)實現(xiàn)圖像分類？2.

如何使用Keras實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型？3.

如何調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化模型？4.如何保存并部署神經(jīng)網(wǎng)絡(luò)模型？5.如何在智能產(chǎn)線上驗證模型？不急后續(xù)會有詳細說明與講解哦~誤差自動補償任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會對數(shù)據(jù)進行合理的預(yù)處理；會根據(jù)需要正確設(shè)計、訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)模型；會根據(jù)結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)實現(xiàn)優(yōu)化；會正確部署神經(jīng)網(wǎng)絡(luò)模型；會調(diào)用神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)誤差補償。能力目標誤差自動補償數(shù)據(jù)分析主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標準任務(wù)解決步驟代碼解析任務(wù)背景誤差補償分析補償模型自動誤差補償控制模塊原因：設(shè)備振動和溫度變化等因素導(dǎo)致原有生產(chǎn)工藝無法實現(xiàn)高質(zhì)量生產(chǎn)途徑：對參數(shù)進行分析，自動修正加工參數(shù)目標：更多合格品指標：產(chǎn)品加工精度溫度補償示例教學(xué)難點任務(wù)工單

基于給定CSV文件中的誤差數(shù)據(jù)進行模型訓(xùn)練，可選擇、調(diào)用云端已提供的完整模型框架，設(shè)計全連接神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練。任務(wù)概述

基于給定的誤差補償數(shù)據(jù)，訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)模型，并部署應(yīng)用于工件生產(chǎn)過程中的自動化調(diào)參。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：

加工

雕刻

圖案

繪制

結(jié)果誤差補償數(shù)據(jù)清洗誤差補償模型構(gòu)建誤差補償模型訓(xùn)練與優(yōu)化誤差補償模型應(yīng)用全連接神經(jīng)網(wǎng)絡(luò)用于設(shè)備自動調(diào)參可提高生產(chǎn)合格率、節(jié)省材料、提高加工精度自動誤差補償控制模塊加工雕刻過程顯示任務(wù)概述（1）全連接神經(jīng)網(wǎng)絡(luò)有什么特點？可以應(yīng)用在什么場合？（2）如何查找數(shù)據(jù)集中的異常值？該如何處理？（3）如何通過發(fā)現(xiàn)原始數(shù)據(jù)中的規(guī)律來尋找噪聲數(shù)據(jù)？（4）如何測試模型的優(yōu)劣？當測試結(jié)果較好但實際應(yīng)用效果不好時，會是什么原因？”

問題引導(dǎo)：任務(wù)概述

任務(wù)評價：任務(wù)概述評價內(nèi)容評價要點分值分數(shù)評定自我評價1.任務(wù)實施數(shù)據(jù)獲取與清洗2分數(shù)據(jù)正確讀取與顯示得1分，會清洗數(shù)據(jù)得1分

模型構(gòu)建2分會設(shè)計全連接神經(jīng)網(wǎng)絡(luò)模型得1分，模型正確構(gòu)建得1分

模型訓(xùn)練1分模型訓(xùn)練能正確執(zhí)行得1分模型保存2分模型正確保存得1分，模型正確部署得1分

2.效果評估模型評估2分訓(xùn)練MSE值0.5以下得1分，0.25以下得2分

3.任務(wù)總結(jié)依據(jù)任務(wù)實施情況總結(jié)結(jié)論1分總結(jié)內(nèi)容切中本任務(wù)的重點要點得1分

合計10分

任務(wù)解決方案（1）數(shù)據(jù)加載與清洗使用pandas工具從./wc.csv中讀取數(shù)據(jù)，并對數(shù)據(jù)做必要的清洗。importnumpyasnpimportpandasaspdraw_dataset=pd.read_csv('./wc.csv',sep=',',skipinitialspace=True)np.set_printoptions(precision=3,suppress=True)dataset=raw_dataset.copy()#做必要的清洗print("剔除前：",dataset.shape)dataset=dataset.dropna()dataset=dataset[dataset["score"]>90]print("剔除后：",dataset.shape)dataset.head()任務(wù)解決方案（2）切分數(shù)據(jù)集準備好模型訓(xùn)練所需的訓(xùn)練集與測試集。按一定的比例隨機切分數(shù)據(jù)。#數(shù)據(jù)集切分train_dataset=dataset.sample(

frac=0.8,random_state=0)test_dataset=dataset.drop(train_dataset.index)#分別獲取訓(xùn)練集和測試集的特征以及補償值train_features=train_dataset.copy()train_labels=train_features[['c'+str(i+1)foriinrange(8)]].copy()train_features=train_features.drop(['c'+str(i+1)foriinrange(8)],axis=1)train_features=train_features.drop(['score'],axis=1)任務(wù)解決方案（3）設(shè)計神經(jīng)網(wǎng)絡(luò)根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)計全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并進行訓(xùn)練。fromtensorflowimportkerasfromtensorflow.kerasimportlayersfromtensorflow.keras.layers.experimentalimportpreprocessingfromkerasimportregularizersmodel=tf.keras.Sequential([#根據(jù)情況調(diào)整模型結(jié)構(gòu)layers.Dense(100,input_dim=train_features.shape[1],

activation=‘tanh’)layers.Dense(100,activation="tanh"),layers.Dense(32,activation="tanh"),layers.Dropout(0.5),layers.Dense(train_labels.shape[1])])任務(wù)解決方案（4）模型編譯與訓(xùn)練根據(jù)應(yīng)用場景和數(shù)據(jù)特征，設(shè)置損失函數(shù)、優(yōu)化器、指標等參數(shù)。model.compile(loss="mse",

optimizer="adam",metrics='acc')#根據(jù)情況調(diào)整參數(shù)model.summary()model.fit(#根據(jù)情況調(diào)整參數(shù)train_features,train_labels,epochs=200,batch_size=32)任務(wù)解決方案（5）模型評估與保存使用測試集檢測模型效果。繼續(xù)修改結(jié)構(gòu)并訓(xùn)練直至獲得符合要求的MSE值。保存模型。test_preds=model.predict(test_features)print("y1MSE:%.4f"%

mean_squared_error(test_labels,test_preds))tf.keras.models.save_model(model,

'/tf/models/adjustment/tensorflow/1/',

#/tf/models/adjustment/tensorflow為tensorflow-serving的模型根目錄overwrite=True,include_optimizer=True,save_format=None,signatures=None,options=None)任務(wù)解決方案（6）模型部署與應(yīng)用修改誤差任務(wù)中的“服務(wù)地址”為最后的模型算法地址。在【PLC觸控操作面板】上切換模式，查看實際檢測效果是否滿意，如果不滿意可重復(fù)進行模型的訓(xùn)練與部署。小結(jié)1.如何設(shè)計全連接神經(jīng)網(wǎng)絡(luò)實現(xiàn)誤差補償？2.

如何使用Keras實現(xiàn)全連接神經(jīng)網(wǎng)絡(luò)模型？3.

如何調(diào)整全連接神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化模型？4.如何保存并部署全連接神經(jīng)網(wǎng)絡(luò)模型？5.如何在智能產(chǎn)線上調(diào)用模型？不急后續(xù)動手實踐掌握模型訓(xùn)練與操作~聯(lián)調(diào)與自動化生產(chǎn)驗證任務(wù)實施【數(shù)據(jù)挖掘應(yīng)用】課程智能產(chǎn)線應(yīng)用會建立和配置智能產(chǎn)線；會熟練操作數(shù)控機床采集工件圖像數(shù)據(jù)；會部署分類和誤差補償模型；會進行模型訓(xùn)練并對模型調(diào)優(yōu)；會在數(shù)控機床上應(yīng)用并驗證模型。知識與能力目標主要內(nèi)容任務(wù)工單引導(dǎo)問題任務(wù)評價標準任務(wù)解決步驟聯(lián)調(diào)與自動化生產(chǎn)驗證教學(xué)難點任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010聯(lián)調(diào)與自動化生產(chǎn)驗證圖像分類分析誤差補償分析新問題教學(xué)難點任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010獨立工作站（模塊）整體產(chǎn)線產(chǎn)線動作測試：調(diào)通產(chǎn)線生產(chǎn)效率調(diào)整：各模塊參數(shù)優(yōu)化正確使用防護用具：護目鏡教學(xué)難點任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010雕刻產(chǎn)生新的工件

有區(qū)別的圖案新的圖像數(shù)據(jù)新工件圖像數(shù)據(jù)的采集分揀模型的重新訓(xùn)練與部署V.S新工件訓(xùn)練集教學(xué)難點任務(wù)背景010010011001101010100100110110100101110101000100001011011101001010101101010011010010模擬產(chǎn)生環(huán)境因素加工精度加載補償算法：補償參數(shù)微調(diào)觀察有無過擬合問題新的雕刻坐標G(x‘’,y‘’)F(w1,w2,…,w18)基于提供的加工圖紙進行若干個待加工件的生產(chǎn)驗證，利用智能數(shù)控系統(tǒng)模擬數(shù)控機床加工出二維圖形，并通過誤差補償算法使加工出的圖形補償干擾因素造成的誤差，使加工圖形盡可能準確。最后通過視覺檢測系統(tǒng)進行質(zhì)量驗證，自動識別其合格性。教學(xué)難點任務(wù)工單任務(wù)概述

對誤差補償算法和工件智能分類算法進行聯(lián)調(diào)，并完成加工驗證。010010011001101010100100110110100101110101000100001011011101001010101101010011010010

任務(wù)描述：（1）聯(lián)調(diào)過程需要關(guān)注什么問題？這中間會產(chǎn)生什么樣的新問題？（2）聯(lián)調(diào)過程中，如何提高對新加工的物料的識別準確率？（3）生產(chǎn)過程中，哪些臨時數(shù)據(jù)比較重要？設(shè)計表格做好記錄。（4）如何提升產(chǎn)線的生