T-TCCT 003-2022 基于人工智能算法的设备计量方法

ICS17.020CCSA50TCCTMeasuringmethodappIT/TCCT003—2022前言 12规范性引用文件 13术语和定义 14概述 35计量性能要求 35.1测量示值误差 35.2漏检率 45.3误检率 45.4准确率 46计量条件 56.1环境条件 56.2测量标准及其他设备 57计量方法 57.1计量前准备 57.2计量过程 6附录A（资料性）应用实例 8T/TCCT003—2022本文件按照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》的规定起草。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。本文件由天津市质检服务商会提出并归口。本文件主要起草单位：天津量传计量检测技术有限公司、天津福莱迪科技发展有限公司、北京量传计量技术服务有限公司、德中（天津）技术发展股份有限公司、奥测世纪（北京）技术股份有限公司、天津励测检测技术服务有限公司本文件参与起草单位：中国电子技术标准化研究院、中国电子质量管理协会、中国出入境检验检疫协会、国家水运工程检测设备计量站、天津市标准化研究院、天津市工商业联合会标准化工作委员会、天津港（集团）有限公司计量中心站、上海感图网络科技有限公司、江苏昆华智能科技有限公司、津海威视技术（天津）有限公司本文件主要起草人：朱凯、姜晓丹、朱奎锋、郝继博、洪少彬、陈泽、张庆庆、丁兆旭、曹新、候智全、杨智宝、李勃、张琳、韩鸿胜、范旭、于静、付卫国、朱磊、张伟、胡煜T/TCCT003—20221基于人工智能算法的设备计量方法本文件规定了一种应用在以人工智能算法为基础的设备计量方法。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB3101-1993有关量、单位和符号的一般原则GB/T4883-2008数据的统计处理和解释正态样本离群值的判断和处理GB/T5271.28-2001信息技术词汇第28部分:人工智能基本概念与专家系统GB/T8170-2008数值修约规则与极限数值的表示和判定JJF1001-2011通用计量术语及定义JJF1059.1-2012测量不确定度评定与表示JJF1094-2002测量仪器特性评价3术语和定义JJF1001-2011《通用计量术语及定义》和GB/T5271.28-2001《信息技术词汇第28部分:人工智能基本概念与专家系统》确定的术语与定义以及下列术语适用于本标准。3.1人工智能设备artificialintelligencedevice人工智能设备通常是以人工智能算法为核心，以计算机自动化设备为基础，以网络通讯为连接开发的一套计算机设备。3.2认知建模cognitivemodeling通过信息处理对人类的感知、动作、记忆和推理建模。3.3图像识别imagerecognition通过功能单元对图像、图像的构成对象、这些对象的特征和对象间的空间关系的感知与分析。3.4语音识别speechrecognition通过功能单元对人的语音所表示信息的感知和分析。3.5机器视觉machinevision计算机视觉在机器、机器人、过程或质量控制中的应用。3.6对象（对于人工智能）object（artificialintelligence）具有一种或多种属性的物理或概念实体。3.7模式（用于人工智能）pattern（inartificialintelligence）T/TCCT003—20222一组特征及其相互关系，用来识别在给定背景中的实体。3.8单位制systemofunits对于给定量制的一组基本单位、导出单位、其倍数单位和分数单位及使用这些单位的规则。3.9计量metrology实现单位统一、量制准确可靠的活动。3.10被测量measurand拟测量的量。3.11计量图metrologydiagram表示示值与对应测量结果关系的图形。3.12计量曲线metrologycurve表示示值与对应测得值间关系的曲线。3.13图像生成imagegeneration从现有数据集生成图像的过程。3.14计量溯源性metrologicaltraceability通过文件规定的不间断的计量链，测量结果与参照对象联系起来的特性，计量链中的每项计量均会引入测量不确定度。3.15测量结果measurementresult与其他有用的相关信息一起赋予被测量的一组量值。3.16测量误差measurementerror测得的量值减去参考量值。3.17测量标准measurementstandard具有确定的量值和相关联的测量不确定度，实现给定量定义的参照对象。3.18实物标准器physicalstandard具有足够均匀和稳定的特定特性的测量标准，其特性被证实适用于测量中或标称特性检查中的预期用途。3.19参考模型referencemodel用于定义系统测试要求的标准化的模型。3.20多通道融合multi-imagefusion采集不同光学环境下的相同被检对象视觉信息，获取该对象不同特征进行融合。3.21缺陷知识库DefectKnowledgeBase按照缺陷的各种相关属性及其关系，构建一个缺陷知识库。3.22模板推荐TemplateRecommendation根据分析被检对象的属性，自动推荐缺陷检测模板。T/TCCT003—202233.23少样本学习Few-shotLearning是从已有缺陷知识库数据集中学习知识，将其应用到新被检对象的模型训练中。3.24主动学习ActiveLearning对智能设备推理的结果进行分类，让人工再次确认和审核，并且将人工修正过的数据再次进行模型训练。3.25学习平台LearningPlatform收集和存储智能设备的数据，凭借各种学习方法，从数据中提炼模型的平台。4概述人工智能是表现出与人类智能（如推理和学习）相关的各种功能的功能单元的能力。机器视觉在计量检测领域的应用，基本功能就是应用摄像机或其他图像系统进行信息采集，然后对采集的信息进行特征处理后获取计量“示值”，应用机器视觉技术进行计量检测，一方面自动化程度高，另一方面读数的稳定性比较好。测量传感器是用于测量的，提供与输入量有确定关系的输出量的器件或器具。如热电偶、互感器、应变片、pH电极、双金属片等。本文所述的人工智能算法系统，主要是指连接在传感器或者机器视觉测量系统之后，对输入的信号数据或图像进行处理的应用系统，分为预处理模块与模型两部分。其中预处理模块主要是针对信号数据或者图像输入做的一些必要的处理，模型部分主要是针对预处理的信息进行推断以及模型的建立、输出。人工智能算法系统也包含，人工根据设备推理结果进行干预，重新生成训练数据用于优化模型的学习平台。人工智能算法系统基本框架见图1。图1人工智能算法系统基本框架5计量性能要求5.1测量示值误差人工智能设备的最大允许误差一般用以下几种表达方式，其评定基本原则和通用方法应按照JJF1094-2002《测量仪器特性评价》中的要求进行。T/TCCT003—202245.1.1以固定值表示的测量示值误差示值误差按公式（1）计算：式中：Δ——允许的基本误差；N——允许的误差值。5.1.2以准确度等级表示的测量示值误差示值误差按公式（2）计算：式中：a——准确度等级；YX——被测量的读数值；FS——仪器的量程。5.1.3以函数关系表示的测量示值误差示值误差按公式（3）计算：式中：mY——被测量的量程值；ma——与读数值有关的误差系数；b——与量程值有关的误差系数。注:首次计量时按用户和制造商达成的技术协5.2漏检率漏检率指的是在检测中未发现的不合格品数量占实际不合格品数量的百分比,漏检率按公式（4）计算：式中：L——漏检率FP——被检测工件为不合格品，检测结果为合格品，漏检；TN——被检测工件为不合格品，检测结果为不合格品，正确检出。5.3误检率误检率指的是将合格品检测为不合格品的数量占实际合格品数量的百分比,误检率按公式（5）计算：式中：F——误检率FN——被检测工件为合格品，检测结果为不合格品，误检；TP——被检测工件为合格品，检测结果为合格品，正确检出。5.4准确率准确率指的是检测中正确检出的数量占检测总数的百分比,准确率按公式（6）计算：T/TCCT003—20225式中：α——准确率FP——被检测工件为不合格品，检测结果为合格品，漏检；TN——被检测工件为不合格品，检测结果为不合格品，正确检出。FN——被检测工件为合格品，检测结果为不合格品，误检；TP——被检测工件为合格品，检测结果为合格品，正确检出。6计量条件6.1环境条件6.1.1一般条件：计量所用的环境条件应由制造商说明。6.1.2其他条件：周围无强电磁场、无强振源、无腐蚀性液体。6.2实物标准器可根据仪器测量范围和实际使用情况选用不同的实物标准器，实物标准器的测量参数的扩展不确定度应不大于被测人工智能对应参数的最大允许误差的1/3。应确保实物标准器表面洁净,避免划痕、腐蚀和氧化。实物标准器外观尺寸及材质应尽可能接近人工智能设备的样本材质及外观尺寸，应包括所需要计量参数的所有参数指标，可为单只或者由一组实物标准器组成的实物标准器组。实物标准器参数应能直接或者间接计算出被测产品的所有参数。值，通过欧姆定律来对设备的电压电流值进行定标，通过数据的采集可以得到几条电压电流的标准模型曲线，分别来定义耐压、绝缘、接地导通、泄漏电流项目7计量方法7.1计量前准备7.1.1外观检查对设备外观进行检查，应无影响其计量性能的机械损伤；各紧固件应紧固良好；调节旋钮、按键、开关等均应工作正常，无松动现象；各接插件紧密配合，接触良好；显示值清晰。7.1.2设备自校设备在使用前，如有自校功能，应严格按照操作流程对设备进行自校，所需标准设备应经过校准或者检定，需在校准或者检定有效期内以确保精度。7.1.3性能检查计量前应将设备运行半个小时，被测设备应能正常运行。7.1.4标准器检查T/TCCT003—20226计量前应对被计量设备的参数进行分析，由于不同的检测产品，每一个参数都对应一个实物标准器。7.2计量过程7.2.1数据采集将设备按照说明书规定的预热时间进行预热，按照实际工况条件设置必要的参数，并根据测量的参数以及规定的方法设定好测量程序，将实物标准器指定位置，运行设定好的程序，通过各种传感器或者机器视觉系统等数据采集系统对实物标准器的参数信息进行测量，采集后存储在计算机或者服务器中，重复采集三次数据，三次测量结果的算术平均值作为最终测量结果。通过各种传感器，配合周围不同模拟照明环境，获取不同状态下的视觉测量值，融合不同特征，存储在计算机或者服务器中。采集得到的数据中的异常值应按照GB/T4883-2008《数据的统计处理和解释正态样本离群值的判断和处理》中的要求进行异常值的剔除。7.2.2参考模型的建立利用实物标准器采集得到的测量结果，根据不用的产品需求，由机器算法拟制出针对不同产品的标准曲线，这条曲线就是参考模型，一个普适性的参考模型几乎不可能得到，需要人工智能算法针对不同的样品得到不同的测量参考模型，针对每种产品都应建立相应的模型，在使用时从模型库中选择适合的模型。以此建立的标准曲线模型作为基线，对产品进行测试。参考模型生成后，就可以将标准曲线用于对产品的检测，从而达到质量控制的目的。对不同的产品规定好容差，对产品进行测试，得到一条实际的曲线，与标准曲线模型进行比对。新建模型过程中，针对某种产品缺陷样品特别少的情况，可以从已有缺陷知识库中筛选数据，将其应用到未来模型训练中，缩短建立参考模型时间。新建模型过程中，根据待检产品属性，推荐最近似的检测模板，自动调整模型参数，缩短参考模型优化时间。对智能设备推理的结果进行分类，让人工再次确认和审核，并且将人工修正过的数据再次进行模型训练，不断提高参考模型准确度。应用实例见附录A。7.2.3检测结果判定若实际曲线与标准曲线的上下偏差在容差之内，则该检测产品符合要求，若实际曲线与标准曲线的上下偏差超出容差，则该检测产品不符合要求。容差曲线如图2所示。图2容差曲线7.2.4不确定度的分量A类评定方法：由测量重复性引入的不确定度分量，重复测量次数应≥10次，应尽可能考虑随机效应的来源，使其反映到测得值中去，可以用贝塞尔公式或者极差法计算A类的不确定度；注:T/TCCT003—20227每次调零的随机变化导致的不确定度分量；2通过直径的测量计算圆的面积时，在直径的重复测量中，应随机地选B类评定方法：由实物标准器引入的标准不确定度分量，即实物标准器标准值不准确引入的不确定度，实物标准器引入的不确定度分量可以通过实物标准器的最大允许误差或者准确度等级计算得到，或者可以从上级的溯源证书中获取修正值的不确定度；由原始数据到模型的建立是基于人工智能算法，所以在模型的建立过程当中精度几乎没有损失，由模型引入的不确定度是由于模型的建立不完善引入的不确定度分量。所以针对不同的参考模型应分别进行测量结果不确定度的评定；数据采集系统的分辨力引入的不确定度分量；环境温度、湿度或者其他条件不理想引入的不确定度分量。不确定度的评定过程应按照JJF1059.1-2012《测量不确定度评定与表示》中的要求进行评定；其中量、单位和符号的表达应按照GB3101-1993《有关量、单位和符号的一般原则》中的要求；数值修约应符合GB/T8170-2008《数值修约规则与极限数值的表示和判定》中的相关要求。7.2.5计量方法优势一是不会影响生产节奏，不需要对设备进行拆卸，相对于常采用的拆分送检的计量方法，工况原位计量更能