—-一、大賽內容、形式和成績計算（一）競賽內容本賽項內容包含理論知識和實際操作兩部分。（二）競賽形式本賽項為雙人團體賽，分為職工組（含教師）和學生組兩個組別。（四）成績計算理論知識競賽滿分為100分，按20%的比例折算計入競賽總成績。賽題均為客觀題，采用機考方式實現。實際操作競賽滿分為100分，按80%的比例折算計入競賽總成績。折算后的理論知識競賽成績與實際操作競賽成績相加得出參賽選手競賽總成績，滿分為100分。二、大賽命題原則在命題方向上，聚焦新一代信息技術與制造技術深度融合領域，以解決工業大數據應用實際需求為命題方向，設置算法賽題。在考核重點上，考核工業大數據算法等基本技能的同時，重點突出企業所需專業技能及新技術應用。重點考察參賽選手構建大數據算法模型實現問題解析、數據處理、特征工程、模型構建、訓練優化的能力和技術水平，以及對智能制造系統原理的掌握程度。三、大賽范圍、賽題類型和其他（一）理論知識競賽以工業大數據和工業人工智能算法應用知識為主，智能制造技術、數據信息安全法律法規等相關知識為輔。工業大數據平臺架構(數據架構、數據技術架構、應用平臺架構)、數據分析概述、數據收集與導入、數據清洗與預處理、數據挖掘基礎、主成分分析、分類器與決策樹、聚類思想與建模、神經網絡思想與建模、深度學習基礎。神經網絡思想與建模、深度學習基礎、工業人工智能算法的選擇與應用，機器視覺理論基礎與框架、圖像分析基礎和圖像變換、圖像預處理、邊緣檢測與輪廓表示。智能制造技術基礎、智能制造典型技術、智能制造技術應用、機電一體化基礎基本認知、可編程控制器（PLC）基礎。信息安全相關的法律法規：網絡安全法、數據安全法、個人信息保護法。賽題分為三種類型：單項選擇題、多項選擇題和判斷題。理論競賽時間為1小時。由大賽組委會組織專家組統一命題。采用計算機考試。（二）實際操作競賽本賽項的實際操作競賽突出工業大數據算法在工業生產中的應用，針對數控加工系統中的機器視覺識別準確性和加工精度穩定性問題，通過大數據及人工智能算法，實現智能加工的誤差實時補償。實際操作競賽以考核工業大數據及工業人工智能算法應用技術技能為主，包括圖像數據采集、云平臺使用、算法模型訓練及優化以及安全文明競賽等在實際操作競賽考查。為全面考查參賽選手的職業綜合素質和技術技能水平，實際技能操作競賽分為5個環節：硬件設備搭建、訓練數據樣本采集、工業視覺模型訓練與部署、誤差補償算法模型訓練與部署和模擬生產驗證。具體內容見表1。表1競賽范圍與內容序號內容說明1硬件安裝接線數據采集硬件平臺安裝與調試。智能加工設備基準設置通訊系統建立連接和測試2圖像訓練數據采集通過工業視覺進行工件訓練樣本數據采集，并進行數據預處理。采集足夠訓練使用數量的圖片訓練集。樣本數據分類保存、云平臺存儲。3工業視覺模型訓練與部署模型訓練工具設置，將訓練集配置為模型的制定輸入參數。優化模型訓練方法，選定恰當的激活函數，以及訓練參數。在云平臺給定環境中進行模型訓練，更新迭代模型，并將訓練模型進行固化。優化訓練算法模型，配置傳入參數。配置結果應用，以接口方式輸出給設備。4誤差算法模型訓練與部署設計誤差補償模型，或選定恰當的模型，以及設定訓練參數。更新迭代模型，將訓練完成的模型進行固化。完成誤差實時補償模型部署。驗證誤差補償模型部署效果。5模擬生產驗證正確進行產線動作測試、加載補償算法，通過運動控制單元模擬智能加工進行加工生產驗證。補償參數微調。產線生產效率調整。正確使用防護用具。符合安全操作要求。保持工作區域內場地、材料和設備的清潔。良好的職業素養。實際操作部分由參賽選手按工作任務書的要求完成。具體包含以下工作任務：根據任務書給定的任務要求，選手進行數控加工裝置、工業視覺相關設備測試，包括相機測試、光源環境調試、通訊線路連接、設備基準點設置等。根據任務書給定的任務要求，選手使用視覺系統進行若干工件圖像數據采集，以豐富工件樣本圖像數據庫。該環節所采集到的樣本圖片數據的數量和質量將會直接影響后續的模型訓練環節。根據任務書給定的任務要求，選手進行基于數據采集的樣本圖片進行視覺模型訓練，可選擇、調用云端已提供的完整模型框架（基于TensorFlow），通過設定相應參數進行模型訓練；也允許選手自行搭建視覺模型，上傳云端進行訓練。訓練好的模型能夠返回待測工件和標準件的相似度。模型訓練完成之后,參賽選手需要將模型部署在服務器上，并且在云平臺上進行相關適配。根據任務書給定的任務要求，選手基于組委會提供的工件樣本圖片及對應的工件加工工藝參數數據集，進行誤差補償算法模型的構建。選手需完成數據清洗、模型訓練、模型部署等過程。模型訓練完成之后，參賽選手需要將模型部署在服務器上，并且在云平臺上進行相關適配。根據任務書給定的任務要求，選手根據組委會提供的加工圖紙進行若干個待加工件的生產驗證，軟件導入加工對象的坐標集，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進行質量驗證。實操比賽時間為4小時。由大賽組委會組織專家組統一命題。四、大賽設施（一）大賽平臺本賽項由清華大學大數據系統軟件國家工程實驗室、工業大數據應用技術國家工程實驗室、北京工業大數據創新中心和重慶工業大數據創新中心指導，對賽項場景設置、賽題設計、考核標準等總體技術方案等進行專業評估，并對賽項可行性進行綜合認證。大賽平臺由技術支持單位——易往數字科技（北京）有限公司、深圳市物新智能科技有限公司提供，負責競賽數據環境構建、數據驗證等工作，為賽項實際操作競賽提供軟硬件平臺環境。大賽平臺支撐實際操作競賽全流程閉環操作，包括工業大數據的采集、處理、存儲、應用、誤差補償算法和視覺檢測算法的構建、訓練、調優和驗證。（二）耗材根據大賽需要，賽場提供耗材見表2。表2賽場提供耗材（根據實際需要提供）序號名稱說明數量單位1待加工件210mm×297mmA4硬卡紙若干個（三）工具、儀器比賽工具（由大賽組委會現場提供）儀器見表3。表3比賽工具、儀器（根據實際需要提供）序號名稱說明單位數量1內六角扳手7件套1套2十字螺絲刀5×75mm1把3活動扳手小號1把4活動扳手8寸1把5繪圖筆2把（四）選手防護裝備參賽選手必須按照規定穿戴防護裝備，且只允許選手現場使用表中所示防護用具，見表4，違規者不得參賽；表4選手必備的防護裝備防護項目圖示說明絕緣鞋選手自備，要求：絕緣、防滑、防砸、防穿刺工作服選手自備（五）其他選手禁止攜帶易燃易爆品、U盤、智能電子設備等與比賽無關的物品，違規者取消比賽資格。五、大賽評分標準制定原則、評分方法、評分細則及技術規范（一）評分標準制定原則本著“科學嚴謹、公正公平、可操作性強、突出工匠精神”的原則制定評分標準，圍繞技能大賽技術裁判組制定的考核標準，依據參賽選手完成的情況實施綜合評定，全面評價參賽選手職業能力。（二）評分方法裁判組在堅持“公平、公正、公開、科學、規范”的原則下，各負其責，按照制訂的評分細則進行評分。結果評分：比賽結束后，裁判組根據參賽選手提交的比賽結果進行評分。成績匯總：實操比賽成績經過加密裁判組解密后與選手理論成績進行加權計算，確定最終比賽成績，經總裁判長審核、仲裁組長復核后簽字確認。總成績相同時，以實操總成績得分高的名次在前；總成績和實操比賽總成績相同時，模擬加工驗證環節得分高的名次在前；總成績、實操比賽總成績和模擬加工驗證環節得分相同時，模擬加工驗證環節時間短的名次在前。（三）評分細則(評分指標)理論知識部分總分為100分，各題型分值占比分別為單項選擇題（30分）、多項選擇題（40分）和判斷題（30分）。本次大賽的實際操作部分以工業大數據算法為主，實際操作部分的評分以各競賽環節操作完成度、模擬生產驗證的結果、職業素養為評分依據。（1）競賽平臺操作部分評分實操評分細則見表6。表6實操評分細則序號競賽環節名稱競賽內容與提交要求評分要點和方法評分標準1硬件設備搭建(5分)相機安裝(配1分)（1）安裝正確且穩固：1分（2）安裝松動搖晃：0分依據硬件設備情況鏡頭安裝(配1分)（1）鏡頭裝在相機上且穩固：1分（2）安裝松動搖晃：0分依據硬件設備情況光源安裝(配1分)（1）安裝正確且穩固：1分（2）未安裝或不穩固：0分依據硬件設備情況電纜安裝(配1分)（1）小號環形光源連接線、相機電源線、千兆網線接線正確：1分（2）工藝不規范，線纜凌亂：0分；依據硬件設備情況加工夾具安裝(配1分)（1）加工夾具安裝牢固，可以生成畫出圖像：1分；（2）安裝不成功或者畫出圖像不連續：0分依據硬件設備情況2圖像訓練數據采集(5分)上傳訓練樣本圖片(配1分)（1）成功上傳：1分（2）上傳不成功：0分訓練樣本圖片上傳成功標準采集訓練樣本圖片(配4分)（1）采集產品圖片≥320張：得4分；（2）采集產品圖片在200-319張之間：得2分；（3）采集產品圖片在1-199張之間：得1分；（4）采集產品圖片0張，不得分；圖像采集數量參考判斷標準3工業視覺模型訓練與部署(共20分)加載視覺算法訓練數據集(配2分)（1）完成數據加載：2分（2）未完成數據加載：0分數據集加載成功參考判斷標準圖像預處理(配6分)（1）進行5種及以上有效預處理方式：6分（2）進行4種有效預處理方式：5分（3）進行3種有效預處理方式：4分（4）進行2種有效預處理方式：3分（5）進行1種有效預處理方式：2分（6）沒有對圖片進行有效預：0分選手在程序中對圖像樣本進行了有效的預處理，并將處理方法記錄在任務書中指定填框中，闡述圖像預處理方式，并依據其代碼進行評判。部署視覺算法模型(配2分)（1）部署完成：2分（2）部署不完成：0分視覺算法模型部署成功參考標準完成對算法模型的部署，利用打印出算法模型部署的路徑判斷。驗證視覺算法模型(配10分)（1）識別正確識別率：10分*識別率（2）未完成模型驗證：0分*識別率計算法方式：識別率=識別成功樣本數量/測試樣本總數視覺算法識別率判斷標準4誤差算法模型訓練與部署(共20分)加載誤差算法訓練數據集(配2分)（1）完成數據加載：2分（2）未完成數據加載：0分數據集加載判斷標準數據預處理(配6分)（1）進行5種及以上有效預處理方式：6分（2）進行4種有效預處理方式：5分（3）進行3種有效預處理方式：4分（4）進行2種有效預處理方式：3分（5）進行1種有效預處理方式：2分（6）沒有對數據進行有效預：0分選手在代碼中對數據進行了有效的預處理，并將處理方法記錄在任務書中指定填框中，并闡述數據預處理方式，依據其代碼進行評判。驗證誤差算法模型(配10分)（1）驗證模型的MSE均方誤差(值的范圍為0-1)：10分*（1-MSE）。若得分小于3分則為3分（2）僅完成模型驗證：3分（3）未完成模型驗證：0分*MSE均方誤差計算方式：其中，MSE_i為一個樣本的均方誤差;n表示樣本數量；y_pred_i表示預測值；y_true_i表示真實值；Σ表示求和符號。誤差算法模型驗證判斷標準誤差算法模型部署(配2分)（1）部署完成：2分（2）部署不完成：0分誤差算法模型部署判斷標準完成對算法模型的部署，利用打印出算法模型部署的路徑判斷。5模擬加工驗證(共50分)按照指定數量加工工件得分(配50分)裁判程序顯示的模擬加工驗證分數（滿分100分）*50%輸入裁判程序密鑰，查看模擬加工驗證的成績，并按照50%進行計算。競賽平臺操作得分100分步驟2、3、4、5采用自動評分的方式，由評分軟件根據每個步驟的操作考核評分點完成結果自動評分。步驟5為模擬加工，自動評分系統依據模擬加工后的工件加工精度評分，與對應工件視覺檢測準確性得分加權相乘，得到單個工件綜合得分Si，對所有模擬加工工件的綜合得分相加得到的總分，作為最終的模擬加工得分。模擬加工得分=i其中，N為要求加工件總數。最終加工誤差由軟件自動計算得出。（2）職業素養評分表6職業素養評分一級指標二級指標（）5分防護用具使用著裝規范精神文明職業素養為扣分項。此外，參賽選手如出現嚴重擾亂賽場秩序、干擾裁判和監考正常工作等不文明行為的，取消比賽資格，實際操作部分成績為0分；參賽選手如有作弊行為的，取消比賽資格，實際操作部分成績為0分；參賽選手如有在競賽結果上標注含有本參賽隊信息的，取消獎項評比資格。六、大賽硬件平臺說明（一）賽項硬件平臺大賽硬件平臺采用模塊化設計如圖3，主要由三個部分組成：智能加工模塊、智能視覺檢測模塊、工控機及周邊設備。涵蓋視覺識別、多軸運動控制系統、PLC控制系統等功能單元，內置圖像數據采集單元和插補運動控制功能。圖3工業大數據算法技術技能賽項平臺智能加工模塊是硬件平臺最核心的模塊，由三軸直線模組、多軸運動控制系統、繪圖筆及夾具臺等部件組成。直線模組直線模組模擬加工裝置模擬加工工件圖4智能加工模塊（1）三軸直線模組為步進控制系統，X、Y軸有效行程為200mm，Z軸行程為50mm。（2）多軸運動控制系統，能夠接收虛擬系統系統的加工代碼，并根據云端計算的誤差分析結果自動進行誤差補償，使智能加工單元能夠加工出合格產品。多軸運控系統可以通過上位機通訊實現精確的運動控制指令，輸出脈沖或模擬量指令，支持點位和連續軌跡,多軸同步,直線、圓弧、螺旋線、空間直線插補和硬件位置比較等功能。（3）繪圖筆及夾具臺主要用于實現加工軌跡，讓加工結果可視化。智能視覺檢測模塊主要實現對來料物料的視覺樣本采集、視覺檢測識別，使用時固定安裝在三坐標模擬加工系統的上部。光源工業相機光源工業相機鏡頭圖5智能視覺檢測模塊智能視覺檢測模塊配置如下：（1）2D工業相機一臺，分辨率2500x1940像素,滾動快門CMOS芯片，芯片尺寸1/2.5”,幀率14fps。相機兼容GigEVISION或USB3VISION協議，并支持GenlCam標準。（2）鏡頭一個，最大光圈F2.8，均支持500萬像素成像，支持2/3英寸芯片相機成像。（3）環形光源一個，環形光源為白色，發光面外徑120mm，內徑80mm。工控機是本地操作臺，由工作臺、工控機、顯示器等部件組成。該單元主要用于調試模擬加工、運動控制通訊、視覺系統檢測、數據顯示與傳輸、平臺數據監控與調度、云平臺處理平臺交互等。（二）賽項軟件平臺大賽軟件平臺包含云端算法軟件和本地端應用軟件，通過賽場提供的網絡為大賽提供平臺支撐。云端算法軟件主要由圖像檢測人工智能算法、加工誤差運算補償算法和振動數據處理算法等組成。云端算法平臺是本次大賽的考核重點，基于工業大數據技術，形成工業大數據系統，可應對智能制造背景下海量工業數據采集、存儲、分析、服務、以及可視化展示需求。該平臺由WEB管理端(前端界面)、Jupyter工作臺、MongoDB數據庫、RestfulAPI、算法模型服務等部分組成,主要用于云端大數據算法訓練、深度學習、數據處理等，適用于各類工業零件的圖像識別分揀、信號特征分析等。圖6云端算法軟件平臺（1）WEB管理端是用戶接入操作的界面。通過WEB管理端對設備、檢測加工工件、合格不合格分類的配置，可以適配硬件平臺，以及后續采集數據的存儲。圖7WEB管理端用戶界面圖8WEB管理端用戶界面（2）Jupyter工作臺是部署在軟件平臺上的python和TensorFlow的操作運行環境，集成了大數據、人工智能等工具可直接通過工作臺進行操作和使用無需安裝，通過web端即可讀取設備上傳的數據，并且可以將上傳的數據進行分類、模型訓練等,同時可以將訓練好的模型進行部署，通過REST-API的方式進行模型的驗證。圖9jupyter操作臺界面（3）MongoDB數據庫是用于硬件平臺采集的數據存儲的非結構化的大數據數據庫，可以對文