T-GXDSL 038-2025 人工智能在制造业产品质量检测标准

ICS3524050C3499T/GXDSLQualityInspectionStandardforArtificialIntelligenceinMan广西电子商务企业联合会发布IT/GXDSL038—2025 一、引言 (二)适用范围 (三)规范性引用文件 二、术语和定义 (一)人工智能（AI） (二)产品质量检测 (三)机器学习 (四)数据标注 三、评估流程规范 (一)数据采集与处理 1.数据采集 2.数据预处理 (二)模型选择与训练 1.模型选择 2.模型训练 (三)检测算法 1.算法选择 2.算法优化 (四)系统集成 1.硬件集成 2.软件集成 (五)性能评估 1.评估指标 2.评估方法 四、实施要求 (一)人员培训 1.培训内容 2.培训方式 T/GXDSL038—20253.培训目的 (二)设备维护 2.故障处理 (三)数据安全 1.数据加密 2.访问控制 (四)持续改进 1.反馈机制 2.技术更新 五、附则 (一)标准解释 (二)实施日期 (三)修订与废止 T/GXDSL038—2025本文件依据GB/T1.1-2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由广西产学研科学研究院提出。本文件由广西电子商务企业联合会归口。本文件起草单位：广西研科院高新技术有限公司，广西产学研科学研究院，中国移动通信集团广西有限公司南宁分公司，深圳零一学院，西安交通大学，中国联合网络通信有限公司南宁市分公司，广西蓝脑科技有限公司，联通(广西)产业互联网有限公司，山东大学，西安蓝脑科技有限公司，成都锦城学院，西北工业大学，西北农林科技大学，海南大学，重庆大学，西安欧亚学院，西北大学，西那瓦留学服务(广州)有限公司，广西小太阳智能科技有限公司，广西奥云智能科技有限公司，广西研科院传媒有限公司，上海信昊信息科技有限公司，上海工程技术大学，广西自贸区蓝脑科技合伙企业(有限合伙)，上海蓝脑企业管理合伙企业(有限合伙)，新疆蓝脑科技有限公司，蓝脑人工智能科技(德州)有限公司，海口蓝脑医疗科技合伙企业(有限合伙)，广西立新科技产业有限公司，智链云(山东)人工智能科技有限公司，桂林电子科技大学，上海海事大学，东莞市敏宝电子有限公司，新疆智享联盟电子科技有限公司，中新数字科技(四川)有限公司，广西南方美丽文化科技有限公司。本文件主要起草人：庄文斌，韦新，龚才春，陈世卿，王建，李征骥，李三雁，张志敏，王博知，李翰贤，李鹏，张慧卿，韦博鲲，段玉聪，宋永端，杨猛，赵闪光，庞然、吴丹宁、麦栩鑫，黄海波，郑四海，郑小伟，赵国帅，周建伟，袁红，李高健，罗迪，王钊锦，包奇，陈虎虎，吕波，于波，赵春风，唐青柏，周超，林晓翔，路建国，蒙莉华，李河，刘捷，孟祥岭，陈伟强，李世恒。本文件为首次发布。1T/GXDSL038—2025人工智能在制造业产品质量检测标准一、引言本标准旨在规范人工智能在制造业产品质量检测中的应用，提高产品质量检测的准确性和效率，促进制造业的智能化升级。通过明确技术要求、实施要求和评估方法，本标准为制造业企业提供了科学、规范的人工智能产品质量检测指导，确保产品质量符合设计要求和相关标准。(二)适用范围本标准适用于制造业企业在生产过程中使用人工智能技术进行产品质量检测的活动。包括但不限于汽车制造、电子产品、机械设备、食品加工等行业。本标准适用于各类规模的企业，无论其生产规模大小，均可参照本标准进行产品质量检测。(三)规范性引用文件下列文件对于本标准的应用是必不可少的。凡是注日期的引用文件，仅注日期的版本适用于本标准。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本标准。GB/T19000-2016质量管理体系基础和术语GB/T19001-2016质量管理体系要求GB/T25000.51-2016系统与软件工程系统与软件质量要求和评价（SQuaRE）第51部分：就绪可用软件产品（RUSP）的质量要求和测试细则2T/GXDSL038—2025二、术语和定义(一)人工智能（AI）通过计算机系统模拟人类智能，进行学习、推理、规划、感知、自然语言处理等活动的技术。人工智能技术包括机器学习、自然语言处理、计算机视觉等。(二)产品质量检测通过一系列技术手段和方法，对产品的各项性能指标进行检测和评估，以确保产品符合设计要求和相关标准。(三)机器学习人工智能的一个分支，通过数据训练模型，使计算机系统能够从数据中学习并做出预测或决策。机器学习算法包括监督学习、无监督学习、强化学习等。(四)数据标注对原始数据进行标记和注释，以便机器学习模型能够理解和学习这些数据。数据标注包括图像标注、文本标注、音频标注等。三、评估流程规范(一)数据采集与处理3T/GXDSL038—20251.数据采集-数据来源：数据应来源于生产过程中的传感器、摄像头、扫描仪等设备，确保数据的真实性和可靠性。数据来源应多样化，涵盖不同生产环节和产品类型。-数据格式：数据格式应符合国际标准，如CSV、JSON、XML等，便于后续处理和分析。数据格式应统一，避免因格式不一致导致的数据处理困难。-数据频率：数据采集频率应根据生产过程的实际需求确定，确保数据的实时性和连续性。高频数据采集适用于快速变化的生产环境，低频数据采集适用于稳定生产环境。2.数据预处理-数据清洗：去除噪声数据、重复数据和异常值，确保数据的准确性和一致性。数据清洗方法包括去重、填充缺失值、平滑处理等。-数据归一化：对数据进行标准化处理，消除量纲影响，便于模型训练。归一化方法包括最小-最大归一化、Z-score归一化等。-数据增强：通过数据增强技术（如旋转、缩放、平移等）增加数据多样性，提高模型的泛化能力。数据增强适用于数据量不足的情况，能够有效提升模型性能。(二)模型选择与训练1.模型选择-模型类型：根据检测任务的特点选择合适的模型，如卷积神经网络（CNN）用于图像识别，循环神经网络（RNN）用于时间序列分析。模型选择应考虑任务复杂度、数据量和计算资源。-模型复杂度：模型复杂度应与数据量和任务复杂度相匹配，避免过拟合或欠拟合。复杂模型适用于大数据量和复杂任务，简单模型适用于小数据量和简单任务。4T/GXDSL038—20252.模型训练-训练数据：训练数据应具有代表性，覆盖各种生产场景和产品类型，确保模型的泛化能力。训练数据应分为训练集、验证集和测试集，比例通常为70%:15%:15%。-训练方法：采用交叉验证、早停法等技术，防止模型过拟合。交叉验证方法包括K折交叉验证、留一交叉验证等。-训练参数：合理设置学习率、批量大小、迭代次数等参数，确保模型训练的效率和效果。学习率设置应适中，过大导致震荡，过小导致收敛慢。(三)检测算法1.算法选择-算法类型：根据检测任务的特点选择合适的算法，如支持向量机（SVM）用于分类任务，YOLO用于目标检测任务。算法选择应考虑任务需求、数据特点和计算资源。-算法性能：算法应具有较高的准确率、召回率和F1值，确保检测结果的可靠性。算法性能评估应基于测试集进行，避免过拟合。2.算法优化-参数调优：通过网格搜索、随机搜索等方法优化算法参数，提高算法性能。参数调优应结合交叉验证进行，确保参数选择的合理性。-算法集成：采用集成学习方法（如Bagging、Boosting）提高算法的稳定性和准确性。集成学习方法适用于复杂任务和大数据量场景。(四)系统集成5T/GXDSL038—20251.硬件集成-硬件选择：选择高性能的硬件设备，如GPU、TPU等，确保系统运行的效率和稳定性。硬件选择应考虑计算需求、存储需求和网络需求。-硬件配置：合理配置硬件资源，确保系统能够处理大规模数据和高并发任务。硬件配置应动态调整，适应不同生产需求。2.软件集成-软件架构：采用模块化设计，确保系统的可扩展性和可维护性。软件架构应包括数据采集模块、数据处理模块、模型训练模块、检测模块等。-接口设计：设计统一的接口标准，便于系统与其他生产管理系统集成。接口设计应遵循国际标准，确保兼容性和互操作性。(五)性能评估1.评估指标-准确率：检测结果与真实结果的一致性。准确率计算公式为：(TP+TN)/(TP+TN+FP+FN)。TP（TruePositive）：实际为缺陷且被正确检出的样本数量，反映系统对真实缺陷的识别能力。TN（TrueNegative实际无缺陷且被正确判为正常的样本数量，体现系统对正常产品的判断准确性。FP（FalsePositive）：实际无缺陷但被误判为缺陷的样本数量，表示系统的误报情况。FN（FalseNegative）：实际有缺陷但未被检出的样本数量，反映系统的漏检风险。-召回率：检测系统能够识别出的缺陷比例。召回率计算公式为：TP/(TP+FN)。-F1值：准确率和召回率的调和平均数，综合评估检测系统的性能。F1值计算公式为：2*(准确率*召回率)/(准确率+召回率)。要求：整体F1值≥0.98。6T/GXDSL038—20252.评估方法-交叉验证：采用K折交叉验证方法，评估模型的稳定性和泛化能力。K折交叉验证将数据集分为K个子集，轮流使用K-1个子集训练模型，剩余1个子集验证模型。-混淆矩阵：通过混淆矩阵分析检测结果的分类情况，找出模型的不足之处。混淆矩阵包括真正例(TP)、假正例(FP)、真反例(TN)、假反例(FN)。真正例（TruePositive,TP）：实际存在质量缺陷且被系统正确识别的样本数量，反映系统对缺陷产品的准确检出能力。真反例（TrueNegative,TN）：实际合格产品且被系统正确判定为正常的样本数量，体现系统对合格产品的准确判断能力。假正例（FalsePositive,FP）：实际合格产品但被系统误判为缺陷的样本数量，代表系统的误报情况。假反例（FalseNegative,FN）：实际存在缺陷但未被系统检出的样本数量，反映系统的漏检风险。四、实施要求(一)人员培训1.培训内容-基础知识：人工智能、机器学习、深度学习等基础知识。培训内容应包括基本概念、算法原理、应用场景等。-技术应用：数据采集与处理、模型选择与训练、检测算法、系统集成等技术应用。培训内容应包括实际操作、案例分析、项目实践等。-操作技能：系统操作、故障排除、性能评估等操作技能。培训内容应包括系统安装、配置、调试、维护等。2.培训方式7T/GXDSL038—2025-理论培训：通过课堂讲授、在线课程等方式进行理论培训。理论培训应结合实际案例，增强学员的理解和应用能力。-实践培训：通过实际操作、案例分析等方式进行实践培训。实践培训应模拟真实生产环境，提高学员的动手能力和问题解决能力。3.培训目的-开展人工智能质量检测系统相关人员培训，旨在实现以下目标：-提升技术人员对AI检测系统的理解和应用能力，确保系统有效实施和稳定运行。-培养具备跨学科知识的复合型人才，弥合制造业与人工智能领域的技术鸿沟。-建立标准化操作流程，降低人为操作失误导致的检测偏差。-增强故障诊断和应急处理能力，保障生产线的连续稳定运行。-促进新技术在传统制造业的落地应用，推动产业智能化转型。(二)设备维护-硬件维护：定期检查硬件设备的运行状态，及时更换损坏的部件。硬件维护应包括清洁、润滑、紧固、更换等。-软件维护：定期更新软件系统，修复漏洞和bug，确保系统的安全性和稳定性。软件维护应包括版本更新、补丁安装、配置调整等。2.故障处理8T/GXDSL038—2025-故障诊断：通过日志分析、性能监控等手段诊断系统故障。故障诊断应包括故障定位、原因分析、影响评估等。-故障排除：根据故障诊断结果，采取相应的措施排除故障，恢复系统正常运行。故障排除应包括修复、替换、重启等。(三)数据安全1.数据加密-传输加密：采用SSL/TLS等加密技术，确保数据在传输过程中的安全性。传输加密应包括数据加密、身份认证、完整性校验等。-存储加密：采用AES等加密算法，确保数据在存储过程中的安全性。存储加密应包括文件加密、数据库加密、备份加密等。2.访问控制-权限管理：根据用户的角色和职责，设置不同的访问权限，确保数据的安全性和隐私性。权限管理应包括用户认证、权限分配、权限回收等。-审计日志：记录用户的访问和操作日志，便于事后审计和追踪。审计日志应包括登录日志、操作日志、错误日志等。(四)持续改进1.反馈机制9T/GXDSL038—2025-用户反馈：建立用户反馈机制，收集用户对系统的意见