(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111652409.8 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114004548 A (43)申请公布日 2022.02.01 (73)专利权人 北京瑞莱智慧科技有限公司 地址 100084 北京市海淀区中关村东路1号 院8号楼19层A1901 (72)发明人 不公告发明人 　 (74)专利代理 机构 北京箴思知识产权代理有限 公司 11913 代理人 李春晖 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/04(2012.01)G06F 16/36(2019.01) G06N 3/08(2006.01) 审查员 赵天奇 (54)发明名称 一种基于边缘计算的生产线管控 方法、 装置 及介质 (57)摘要 本申请涉及生产运维技术领域， 提供了一种 基于边缘计算的生产线管控方法、 装置及介质， 所述方法应用在控制平台， 包括： 获取各个生产 线的生产进度以及各个边缘计算设备的监控能 力； 根据各个生产线的生产进度， 确定即将进行 下一工序的第一生产线； 若所述第一生产线对应 的第一边缘计算设备的监控能力与所述第一生 产线的下一工序匹配， 则向所述第一边缘计算设 备发送所述第一生产线的下一工序标识； 所述边 缘计算设备具有多种监控模式， 每一监控模式用 于监控实时获取的装配动作是否符合装配要求； 若不匹配， 则向所述第一边缘计算设备发送更新 指令以及下一工序标识。 由此， 实现了对每个工 序的装配动作的细粒度精准监控， 为提升生产效 率提供了技 术支撑。 权利要求书3页 说明书15页 附图6页 CN 114004548 B 2022.03.18 CN 114004548 B 1.一种基于边缘计算的生产线管控方法， 其特征在于， 所述方法应用在控制平台， 包 括： 获取各个生产线的生产进度以及各个边 缘计算设备的监控能力； 根据各个生产线的生产进度， 确定即将进行 下一工序的第一 生产线； 若所述第一生产线对应的第一边缘计算设备的监控能力与所述第一生产线的下一工 序匹配， 则向所述第一边缘计算设备发送所述第一生产线的下一工序标识， 所述边缘计算 设备中部署有深度学习模型， 所述深度学习模型包括多种监控模式， 所述下一工序标识用 于指示所述第一边缘计算设备启动与所述下一工序匹配的监控模式， 每一监控模式用于监 控实时获取的装配动作是否符合对应的装配要求； 若不匹配， 则向所述第一边缘计算设备发送更新指令以及下一工序标识， 所述更新指 令至少用于采用第二深度学习模型替换所述第一边缘计算设备中部署的第一深度学习模 型， 所述第二深度学习模型至少包括用于监控所述第一 生产线的下一工序的监控 模式； 若所述第一生产线对应的第一边缘计算设备的监控能力与所述第一生产线的下一工 序不匹配， 所述方法还 包括： 确定监控能力与所述第 一生产线的下一工序匹配的第 二边缘计算设备， 所述第 二边缘 计算设备中部署的第三深度学习模型至少用于监控所述第一 生产线的下一工序； 以及 向所述第二边缘计算设备发送控制 指令以及下一工序标识， 所述控制 指令用于指示所 述第二边缘计算设备移动至所述第一 生产线的预设范围。 2.如权利要求1所述的基于边缘计算的生产线管控方法， 其特征在于， 向所述第 一边缘 计算设备发送更新指令之前， 所述方法还 包括： 获取知识图谱中所述下一工序的装配动作特 征； 根据所述下一工序的装配动作特 征确定用于监控所述下一工序的第二深度学习模型。 3.如权利要求2所述的基于边缘计算的生产线管控方法， 其特征在于， 所述知识图谱包 括各个工序的各个装配动作的装配要求和各个装配动作的特征以及各个工人的装配工作 信息； 所述方法还 包括： 获取各个边缘计算设备的监控数据， 所述监控数据至少包括所述各个边缘计算设备基 于实时采集的装配动作图像处 理得到的对应的装配动作是否符合装配要求的结果； 根据各个边 缘计算设备的监控数据更新所述知识图谱。 4.如权利要求3所述的基于边缘计算的生产线管控方法， 其特征在于， 所述方法还包 括： 根据所述知识图谱更新各个工序对应的深度学习模型； 和/或 根据所述知识图谱， 从候选 工人库中确定各个待执 行工序的操作人员。 5.一种基于边缘计算的生产线管控方法， 其特征在于， 所述方法由边缘计算设备执行， 所述边缘计算设备中部署有第一深度学习模型， 所述第一深度学习模型包括多种监控模 式， 每一监控模式用于监控实时获取的装配动作是否符合对应的装配要求， 所述方法包括： 接收控制平台发送的下一工序标识、 更新指令或控制指令； 其中， 所述下一工序标识用于指示所述边缘计算设备启动与 所述下一工序匹配的监控 模式； 所述更新指 令至少用于采用第二深度学习模型替换所述边缘计算设备中部署的第一权　利　要　求　书 1/3 页 2 CN 114004548 B 2深度学习模型， 所述第二深度学习模型至少包括用于监控所述下一工序的监控模式； 所述 控制指令用于指示所述 边缘计算设备移动至目标生产线的预设范围； 在仅接收到所述下一工序标识时， 若当前的监控模式与所述下一工序不匹配， 切换至 与所述下一工序匹配的监控 模式； 在接收到所述更新指令和下一工序标识时， 根据 所述更新指令从所述控制平台获取第 二深度学习模型并部署， 替换 所述边缘计算设备中部署的第一深度学习模型； 根据所述下一工序标识启动所述第二深度学习模型的对应监控 模式； 在接收到控制 指令和下一工序标识时， 根据 所述控制指令移动至目标生产线的预设范 围； 根据所述下一工序标识启动所述第一深度学习模型的对应监控 模式。 6.如权利要求5所述的基于边缘计算的生产线管控方法， 其特征在于， 所述方法还包 括： 从数据采集设备获取实时装配动作的图像； 将所述实时装配动作的图像输入所述边缘计算设备上部署的深度 学习模型进行处理， 得到所述实时装配动作是否符合对应的装配要求的结果。 7.一种基于边缘计算的生产线管控装置， 其特征在于， 所述装置部署在控制平台， 包 括： 获取模块， 被 配置为获取 各个生产线的生产进度以及各个边 缘计算设备的监控能力； 确定模块， 被配置为根据各个生产线的生产进度， 确定即将进行下一工序的第一生产 线； 发送模块， 被配置为若所述第 一生产线对应的第 一边缘计算设备的监控能力与所述第 一生产线的下一工序匹配， 则向所述第一边缘计算设备发送所述第一生产线的下一工序标 识， 所述边缘计算设备中部署深度学习模型， 所述深度学习模 型包括多种监控模式， 所述下 一工序标识用于指示所述第一边缘计算设备启动与所述下一工序匹配的监控模式， 每一监 控模式用于监控实时获取的装配动作是否符合对应的装配要求； 所述发送模块， 还被配置为若不匹配， 则向所述第一边缘计算设备发送更新指令以及 下一工序标识， 所述更新指令至少用于采用第二深度学习模型替换所述第一边缘计算设备 中部署的第一深度学习模型， 所述第二深度学习模型至少包括用于监控所述第一生产线的 下一工序的监控 模式； 所述确定模块， 还被配置为若不匹配， 则确定监控能力与所述第一生产线的下一工序 匹配的第二边缘计算设备， 所述第二边缘计算设备中部署的第三深度学习模型至少用于监 控所述第一 生产线的下一工序； 以及 所述发送模块， 还被配置为向所述第二边缘计算设备发送控制指令以及下一工序标 识， 所述控制指令用于指示所述第二 边缘计算设备移动至所述第一 生产线的预设范围。 8.一种基于边缘计算的生产线管控装置， 其特征在于， 所述装置部署在边缘计算设备， 所述边缘计算设备中部署有第一深度学习模型， 所述第一深度学习模型包括多种监控模 式， 每一监控模式用于监控实时获取的装配动作是否符合对应的装配要求， 所述装置包括： 接收模块， 被 配置为接收控制平台发送的下一工序标识、 更新指令或控制指令； 其中， 所述下一工序标识用于指示所述边缘计算设备启动与 所述下一工序匹配的监控权　利　要　求　书 2/3 页 3 CN 114004548 B 3