CN108133261B - 基于bp神经网络的汽车胶管芯轴质量评价方法 - Google Patents
基于bp神经网络的汽车胶管芯轴质量评价方法 Download PDFInfo
- Publication number
- CN108133261B CN108133261B CN201710455979.5A CN201710455979A CN108133261B CN 108133261 B CN108133261 B CN 108133261B CN 201710455979 A CN201710455979 A CN 201710455979A CN 108133261 B CN108133261 B CN 108133261B
- Authority
- CN
- China
- Prior art keywords
- mandrel
- neural network
- quality
- training
- rubber hose
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于BP神经网络的汽车胶管芯轴质量评价方法,通过统计每段芯轴表面的不同种类缺陷的大小和数量,为胶管生产用芯轴的合格与否提供依据。包括以下步骤:步骤一、基于机器视觉系统对胶管芯轴的图像进行分析,得出芯轴表面的缺陷种类、大小和数量数据;步骤二、构造人工神经网络,包括神经网络的类型、层数、各层节点数;步骤三、根据步骤一确定的胶管芯轴表面的缺陷种类、大小、数量和芯轴质量情况构造训练样本;步骤四、利用步骤三构造的训练样本训练人工神经网络模型;步骤五、通过步骤四训练的神经网络模型对未知质量状态的芯轴表面进行检测,给出芯轴质量判断结果。
Description
技术领域
本发明涉及一种汽车胶管芯轴表面质量评价方法,该方法适用于胶管生产线芯轴表面缺陷数量的统计与表面质量判定与评价。
背景技术
我国汽车工业的发展迅速,加快了汽车更新换代的步伐。在迅猛发展的同时,汽车工业由于环境压力、能源问题、安全问题等对排气、动力、空调等过程都提出更加严格的要求。新型动力汽车采用更加环保的能源,空调采用新型制冷剂,制动系统采用DOT5等制动液,这些变化都对汽车用胶管的加工工艺和质量提出新的要求。
汽车胶管作为连接发动机与空气滤清器、发动机与散热系统、汽车空调系统的重要部分,在汽车中的应用十分广泛。在汽车胶管的生产过程当中,芯轴作为重要的生产工具,对胶管质量有着重要作用,芯轴表面质量直接影响着胶管的质量。在胶管生产过程中,芯轴是可以重复使用的。为了保证芯轴质量,在投入使用之前,需要对芯轴表面进行检测,表面质量较好时继续使用,当芯轴表面有较大缺陷时,则会去掉此段芯轴,因此对芯轴质量的判定显得尤为重要。
在汽车胶管生产企业,对于芯轴表面质量的评价主要基于现场操作工人通过人工检测的方式对芯轴进行判断,根据自身的经验决定芯轴是否进行更换或者维修,这样的方式存在很大程度的人为因素,不利于生产现场的快速生产以及芯轴的高效利用。
现有技术中,丁文锋等.一种颗粒增强钛基复合材料磨削表面质量评价方法[P].公开号:CN104296680A,2015-01-21、秦华锋等,基于卷积神经网络的手指静脉图像质量评估方法及评估系统[P].公开号:CN106326886A,2017-01-11公开了一种表面质量评价的方法,所用到的方法都较为复杂,不适合在生产现场对芯轴表面质量进行评价。国内外目前还没有文献针对汽车胶管生产线上芯轴的表面质量与缺陷数量的统计进行研究。
发明内容
本发明的目的是提供一种基于BP神经网络的汽车胶管芯轴质量评价方法,通过统计每段芯轴表面的不同种类缺陷的大小和数量,利用机器学习算法,判断芯轴的表面质量,为胶管生产用芯轴的合格与否提供依据。
本发明的目的是这样实现的,在对芯轴的机器视觉检测中,通过围绕芯轴圆周方向上的多个工业相机对生产线上的芯轴进行在线图像采集,利用后台处理程序对这些图像进行处理,完成芯轴的图像采集与处理过程。在生产线上通过机器视觉检测系统对芯轴的表面进行检测,得到芯轴表面质量的图像,通过处理软件统计芯轴的各类缺陷的数量,根据不同缺陷对最终结果的影响权重判断芯轴的质量,做出相应决策。
本发明所提供的技术方案是:
基于BP神经网络的汽车胶管芯轴质量评价方法,包括以下步骤:
步骤一、基于机器视觉系统对胶管芯轴的图像进行分析,得出芯轴表面的缺陷种类、大小和数量数据;
步骤二、构造人工神经网络,包括神经网络的类型、层数、各层节点数;
步骤三、根据步骤一确定的胶管芯轴表面的缺陷种类、大小、数量数据和芯轴质量情况构造训练样本;
步骤四、利用步骤三构造的训练样本训练人工神经网络模型;
步骤五、通过步骤四训练的神经网络模型对未知质量状态的芯轴进行检测,给出判断结果。
进一步的步骤一包括下列步骤:
1)、对胶管芯轴的表面图像进行采集;
2)、根据图像处理算法对芯轴的表面图像进行分析,得到芯轴表面的缺陷种类、大小和数量数据。
进一步的步骤三包括下列步骤:
1)、根据步骤一输出的芯轴表面的缺陷种类、大小、数量数据作为训练数据集;
2)、对芯轴的表面质量进行标定,并作为训练数据集的标签属性。
进一步的步骤四包括以下步骤:
1)、用有质量标定的训练数据集逐层训练神经网络模型;
2)、添加神经网络的输出层,用有质量标定的训练样本微调神经网络的模型的参数完成训练。
附图说明
图1是本发明的逻辑结构示意图;
图2是本发明的神经网络框架示意图;
图3是本发明的胶管机器视觉系统示意图。
具体实施方式
下面对本发明的具体实施方式进行详细说明:
一、本方法根据实际生产确定了芯轴的表面缺陷可以分为断裂、划痕、亮斑三种缺陷类型,芯轴的规格为每段100米,因此利用机器视觉系统检测每段芯轴的每种缺陷数量并输出到数据库。在三种缺陷中,断裂的影响较大,在出现断裂时芯轴需要进行更换,其他缺陷出现数量较少时由于对生产影响不大,所以在积累到一定数量时再进行更换,提高芯轴的重复利用率。
这里的更换阈值由于缺少客观标准,具有较大的主观随意性,受人为因素影响较大。因此采用机器学习算法对这一数量进行计算,最终对芯轴表面质量进行评定,建立评定芯轴表面质量的定量标准。本方法用到的机器学习算法为人工神经网络算法。
进一步的步骤一所述的过程为基于机器视觉系统对胶管芯轴的图像进行分析,得到芯轴表面的缺陷种类、大小和数量数据,并储存到数据库中。
二、构造人工神经网络,包括神经网络的类型、层数、各层节点数等。
进一步的步骤二所述的神经网络模型选择BP神经网络,根据Kolrnogorov定理,一个三层的BP神经网络能够实现对任意非线性函数进行逼近,所以选择三层,输入层节点数为5,分别为:是否有断裂、划痕数量、划痕长度、亮斑数量、亮斑面积,输出层为1;
三、根据步骤一确定的胶管芯轴表面的缺陷种类、大小和数量数据和实际生产现状中的芯轴质量情况构造训练样本;
进一步的步骤三中,由于目前对于芯轴表面质量的判定多应用人工检测的方式,暂时没有一个显著的标准定量的规定来芯轴表面质量,因此,选取其中部分芯轴表面质量数据,根据工人的经验和实际应用的效果对芯轴进行标定,然后,根据这一部分的训练集的机器学习结果对后续数据进行判断。
四、利用步骤三构造的训练样本训练人工神经网络模型;
给定一个有标签的样本训练集xm,包含m个含有x1~x4的输入信号,通过激励函数将训练样本转化为编码矢量h=fα(xm)=sf(wxm+b),BP神经网络通常采取Sigmoid可微函数作为网络的激励函数,本例采用S型正切函数tansig作为神经元的激励函数,α={w,b}为参数集合。若神经元的激活为正,则该神经元处于激活状态,相反则为抑制状态。
将一组训练集输入网络后,根据网络的实际输出与期望输出之间的差别来调整个神经元之间的连接权重,训练的过程为:从样本集合中取一个样本(Ai,Bi);计算网络的实际输出O;求D=Bi-O;根据D调整权矩阵W;对每个样本重复上述过程,直到对整个样本集来说,误差不超过规定范围。完成训练之后,微调训练参数,具备了可以自动检测芯轴表面质量、判定使用状态的能力。
五、通过之前训练的神经网络模型对之后的未知状态的表面质量数据进行检测,给出判断结果;
通过步骤一、二、三获得的测试数据集和BP神经网络模型,对芯轴的表面质量进行判定,判定流程为测试数据集通过构建的神经网络模型输出数值,输出结果为0或1,根据输出结果判断芯轴的表面质量情况并指导生产,必要时,可以通过网络与实际验证结果对比,不断反复训练、调整、验证,使得判断结果更加准确。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案、参数设计等进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.基于BP神经网络的汽车胶管芯轴质量评价方法,其特征在于,包括以下步骤:
步骤一、对胶管芯轴的表面图像进行采集;
步骤二、根据图像处理算法对芯轴的表面图像进行分析,得到芯轴表面是否有断
裂、划痕数量、划痕长度、亮斑数量、亮斑面积的数据;
步骤三、构造人工神经网络,包括神经网络的类型、层数、各层节点数;
步骤四、根据步骤二确定的胶管芯轴表面是否有断裂、划痕数量、划痕长度、亮斑数
量、亮斑面积和芯轴质量情况构造训练样本;
步骤五、利用步骤四构造的训练样本训练人工神经网络模型;
步骤六、通过步骤五训练的神经网络模型对未知质量状态的芯轴进行检测,给出判断
结果。
2.如权利要求1所述的基于BP神经网络的汽车胶管芯轴质量评价方法,其特征在
于,进一步的步骤四包括下列步骤:
1)、根据步骤二输出的芯轴表面的缺陷种类、大小、数量数据作为训练数据集;
2)、对芯轴的表面质量进行标定,并作为训练数据集的标签属性。
3.如权利要求1所述的基于BP神经网络的汽车胶管芯轴质量评价方法,其特征在
于,进一步的步骤五包括以下步骤:
1)、用有质量标定的训练数据集逐层训练神经网络模型;
2)、添加神经网络的输出层,用有质量标定的训练样本微调神经网络的模型的参数完
成训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455979.5A CN108133261B (zh) | 2017-06-16 | 2017-06-16 | 基于bp神经网络的汽车胶管芯轴质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455979.5A CN108133261B (zh) | 2017-06-16 | 2017-06-16 | 基于bp神经网络的汽车胶管芯轴质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133261A CN108133261A (zh) | 2018-06-08 |
CN108133261B true CN108133261B (zh) | 2021-04-06 |
Family
ID=62388501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710455979.5A Active CN108133261B (zh) | 2017-06-16 | 2017-06-16 | 基于bp神经网络的汽车胶管芯轴质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133261B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461481A (zh) * | 2020-02-25 | 2020-07-28 | 国网河南省电力公司电力科学研究院 | 基于神经网络的输电线缆质量分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103157772A (zh) * | 2011-12-14 | 2013-06-19 | 鞍钢股份有限公司 | 一种连铸坯内部质量的预报方法 |
KR101429389B1 (ko) * | 2013-02-20 | 2014-08-12 | 울산대학교 산학협력단 | 네트워크 모델을 이용한 모델링 장치 및 그 모델링 방법 |
CN104751186A (zh) * | 2015-04-10 | 2015-07-01 | 山东师范大学 | 一种基于bp网络和小波变换的虹膜图像质量分类方法 |
CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
-
2017
- 2017-06-16 CN CN201710455979.5A patent/CN108133261B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103157772A (zh) * | 2011-12-14 | 2013-06-19 | 鞍钢股份有限公司 | 一种连铸坯内部质量的预报方法 |
KR101429389B1 (ko) * | 2013-02-20 | 2014-08-12 | 울산대학교 산학협력단 | 네트워크 모델을 이용한 모델링 장치 및 그 모델링 방법 |
CN104751186A (zh) * | 2015-04-10 | 2015-07-01 | 山东师范大学 | 一种基于bp网络和小波变换的虹膜图像质量分类方法 |
CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
Non-Patent Citations (3)
Title |
---|
基于图像的木材机械加工表面质量评价研究;杨铁滨等;《森林工程》;20150131;第31卷(第1期);第59-62页 * |
基于小波变换的场道脱空 BP 神经网络预测法研究;刘国光等;《振动与冲击》;20161231;第35卷(第18期);第203-209页 * |
杨铁滨等.基于图像的木材机械加工表面质量评价研究.《森林工程》.2015,第31卷(第1期), * |
Also Published As
Publication number | Publication date |
---|---|
CN108133261A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
WO2016201947A1 (zh) | 一种轮形铸造产品缺陷自动检测方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN110992317A (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN110135486B (zh) | 基于自适应卷积神经网络的筷子图像分类方法 | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
CN108389180A (zh) | 一种基于深度学习的织物疵点检测方法 | |
CN116843323B (zh) | 基于动态图像扫描的螺杆铸造件质量控制监管系统 | |
CN112580935A (zh) | 一种基于机器视觉的工业产品生产流程溯源分析方法 | |
CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN108133261B (zh) | 基于bp神经网络的汽车胶管芯轴质量评价方法 | |
CN116088453A (zh) | 生产质量预测模型训练方法及装置、生产质量监控方法 | |
CN113592813B (zh) | 基于深度学习语义分割的新能源电池焊接缺陷检测方法 | |
CN111028207A (zh) | 基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法 | |
CN110120035A (zh) | 一种可判别病疵等级的轮胎x光病疵检测方法 | |
CN111815573B (zh) | 一种基于深度学习的接箍外壁检测方法及系统 | |
CN117541568A (zh) | 一种基于深度学习的汽车刹车盘表面缺陷检测方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
CN113435794B (zh) | 一种基于图像处理的喷嘴铸件后处理智能监测方法 | |
CN114863211A (zh) | 一种基于深度学习的磁瓦缺陷检测及分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |