CN110889458B - 一种基于机器学习的注塑产品缺陷分类方法 - Google Patents

Abstract

本发明提出一种基于机器学习的注塑产品缺陷分类方法，包括以下步骤：采集训练样本；将训练样本输入分类器中训练得到完成训练的分类器；对拍摄装置预设拍摄时间周期，获取待分类产品的图像并对其进行预处理；将待分类产品的图像输入完成训练的分类器中得到分类标签，再经独热编码转码得到标签矩阵；对标签矩阵进行堆叠处理，得到包含标签信息的堆叠矩阵；对堆叠矩阵进行数据分离，得到低秩矩阵和稀疏矩阵，将稀疏矩阵分解为训练样本的噪声和待分类产品的图像的噪声；对低秩矩阵进行迭代，取迭代后的最优解所对应的标签矩阵作为优化后的标签矩阵；注塑产品系统将优化后的标签矩阵转换为机器信号，实现生产线上机器对注塑产品缺陷分类的控制。

Description

一种基于机器学习的注塑产品缺陷分类方法

技术领域

本发明涉及产品缺陷分类技术领域，更具体地，涉及一种基于机器学习的注塑产品缺陷分类方法。

背景技术

目前注塑机制品的缺陷主要由模具的设计、制造精度和磨损程度等方面造成的，由于注塑周期本身很短，如果工艺条件掌握不好将会产生大量废品。

现有的一种对注塑产品智能二次检测的方法，其主要通过对比预设图像信息判断产品是否合格，然后对不合格产品进行二次检测以避免误减或者漏检的情况。该注塑产品检测方法中，虽然对不合格产品进行的二次检测有助于提高检测精度，但是增加了时间成本。而另一种对于注塑产品的分类是基于物理性判断形状是否一致来进行分类，因此存在分类过于单一的缺点，当存在分类产品形状一致的情况，则无法进行有效的分类。

发明内容

本发明为克服上述现有技术所述的注塑产品检测时间长、准确率低的缺陷，提供一种基于机器学习的注塑产品缺陷分类方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于机器学习的注塑产品缺陷分类方法，包括以下步骤：

S1：采集带有各类缺陷类型的注塑产品的图像作为训练样本，并对其进行预处理；

S2：将所述训练样本输入KNN分类器中训练，得到完成训练的KNN分类器；

S3：对拍摄装置预设拍摄时间周期，获取待分类产品的图像，并对其进行预处理；

S4：将所述完成预处理的待分类产品的图像输入所述完成训练的KNN分类器中，得到分类标签y，并将所述分类标签经独热编码转码后得到标签矩阵P；

S5：对所述标签矩阵P进行堆叠处理，得到包含标签信息的堆叠矩阵X；

S6：基于RPCA模型对所述堆叠矩阵X进行数据分离，得到一个包含真实测试结果的低秩矩阵Z，以及一个包含测试误差的稀疏矩阵E，并采用块稀疏方法将稀疏矩阵E分解为训练样本的噪声Ex和待分类产品的图像的噪声Ep；

S7：采用拉格朗日函数对低秩矩阵Z进行迭代，取迭代后的最优解Z所对应的标签矩阵P作为优化后的标签矩阵P′；注塑产品系统将优化后的标签矩阵P′转换为机器信号，实现生产线上机器对注塑产品缺陷分类的控制。

本技术方案中，通过采用传统的分类方法训练大量的带标签的训练样本得到完成训练的分类器，考虑传统的分类方法存在局限性，其所得到的分类结果存在一定的误差或噪声，因此结合RPCA模型进行改进，将经过传统分类处理的标签矩阵P先通过堆叠矩阵增强数据间的联系性从而达到恢复矩阵数据的目的，然后再通过基于RPCA模型改进，得到一个包含真实测试结果的低秩矩阵Z以及一个包含测试误差的稀疏矩阵E，将稀疏矩阵E分解为训练样本的噪声Ex和待分类产品的图像的噪声Ep；当Z秩最小时，其所对应的标签矩阵P为最优，得到完成去噪的标签矩阵P′，再应用于生产线上机器对注塑产品缺陷分类的控制，即可提高注塑产品缺陷分类准确率。

优选地，S1步骤中，对所述训练样本进行预处理的步骤包括：

S11：对所述训练样本中的图像[t1,t2,...,tn]进行人工标签，得到图像标签集合[s1,s2,...,sn]；

S12：对所述训练样本中的图像[t1,t2,...,tn]进行灰度化，并对其二维域做参数变换，其变换公式如下：

tn′＝tn×τ

其中，τ表示变换系数；

S13：对所述完成变换的图像[t1′,t2′,...,tn′]进行归一化处理，得到图像矩阵X_train＝[q1,q2,...,qn]；

S14：采用独热编码对所述图像标签集合[s1,s2,...,sn]进行转码处理，得到标签矩阵Y_train＝[s1′,s2′,...,sn′]。

优选地，S5步骤中，所述包含标签信息的堆叠矩阵X的表达公式如下：

优选地，S6步骤中，所述稀疏矩阵E的表达公式如下：

其中，E_x表示训练样本的噪声，E_p表示待分类产品的图像的噪声，且E_x和E_p中的权重α和β为超参数。

优选地，S7步骤中，对低秩矩阵Z进行迭代所使用的拉格朗日函数形式为：

s.t X＝Z+E

采用凸放松将所述拉格朗日函数转化为增广拉格朗日函数：

其中，Φ表示拉格朗日乘子，ρ表示惩罚系数；

本步骤采用交替方向乘子算法、软阈值法以及奇异值分解法对所述增广拉格朗日函数进行求解得到最优解Z中标签矩阵P优化后的结果P′，其中，采用交替方向乘子算法使得函数结果最小时，即Z的核范数最小时，此时的Z即为最优解Z。

与现有技术相比，本发明技术方案的有益效果是：通过采用大量训练样本对分类器进行训练，再应用于对待分类产品的图像的分类，能够实现的注塑产品缺陷的有效分类；对经分类器得到的标签矩阵进行堆叠处理，能够增强高维数据的联系性；将堆叠矩阵经改进的RPCA模型进一步分离去噪，能够有效提高注塑产品缺陷分类的准确率。

附图说明

图1为实施例1的一种基于机器学习的注塑产品缺陷分类方法的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提出一种基于机器学习的注塑产品缺陷分类方法，如图1所示，为本实施例的一种基于机器学习的注塑产品缺陷分类方法的流程图。

本实施例提出的一种基于机器学习的注塑产品缺陷分类方法中，包括以下步骤：

S1：采集带有各类缺陷类型的注塑产品的图像作为训练样本，并对其进行预处理。

本步骤中，对所述训练样本进行预处理的步骤包括：

S11：对所述训练样本中的图像[t1,t2,...,tn]进行人工标签，得到图像标签集合[s1,s2,...,sn]；

S12：对所述训练样本中的图像[t1,t2,...,tn]进行灰度化，并对其二维域做参数变换，其变换公式如下：

tn′＝tn×τ

其中，τ表示变换系数；

S13：对所述完成变换的图像[t1′,t2′,...,tn′]进行归一化处理，得到图像矩阵X_train＝[q1,q2,...,qn]；

S14：采用独热编码对所述图像标签集合[s1,s2,...,sn]进行转码处理，得到标签矩阵Y_train＝[s1′,s2′,...,sn′]。

本实施例中，通过对训练样本中的图像进行人工标签，使其带有准确的标签数据，用于对KNN分类器的训练；对图像进行二维域参数变换用于将图像对齐处理，避免图像拍摄过程中的抖动或其他外界因素影响照片质量，从而提高KNN分类器的训练效果。

S2：将所述训练样本输入KNN分类器中训练，得到完成训练的KNN分类器。

本实施例采用传统的KNN分类方法对带标签Y_train＝[s1′,s2′,...,sn′]的训练样本X_train＝[q1,q2,...,qn]进行分类，得到完成训练的分类器。

S3：对拍摄装置预设拍摄时间周期，获取待分类产品的图像，并对其进行预处理。

本实施例中，对拍摄装置预设拍摄时间周期为5秒，即拍摄装置5秒内对所有产品的照片进行抓拍，从而降低时间成本，提高分类效率。

本步骤中，对待分类产品的图像进行预处理的具体步骤如下：

S31：对所述待分类产品的图像[a1,a2,...,an]进行灰度化，并对其二维域做参数变换，其变换公式如下：

an′＝an×τ

其中，τ表示变换系数；

S32：对所述完成变换的图像[a1′,a2′,...,an′]进行归一化处理，得到图像矩阵X_test＝[r1,r2,...,rn]。

本实施例中，对述完成变换的图像[a1′,a2′,...,an′]进行归一化处理，虽然改变了数据的竖直，但数据间的关系及数据的性质不变，提高了数据的表现，有利于后续的数据计算。

S4：将所述完成预处理的待分类产品的图像输入所述完成训练的KNN分类器中，得到分类标签y，并将所述分类标签经独热编码转码后得到标签矩阵P。

S5：对所述标签矩阵P进行堆叠处理，得到包含标签信息的堆叠矩阵X。

本步骤中，对所述标签矩阵P进行堆叠处理的作用在于增强高维数据间的联系性，其中，包含标签信息的堆叠矩阵X的表达公式如下：

S6：基于RPCA模型对所述堆叠矩阵X进行数据分离，得到一个包含真实测试结果的低秩矩阵Z，以及一个包含测试误差的稀疏矩阵E，并采用块稀疏方法将稀疏矩阵E分解为训练样本的噪声Ex和待分类产品的图像的噪声Ep。

本步骤中，稀疏矩阵E的表达公式如下：

其中，E_x表示训练样本的噪声，E_p表示待分类产品的图像的噪声，且E_x和E_p中的权重α和β为超参数。

S7：采用拉格朗日函数对低秩矩阵Z进行迭代，取迭代后的最优解Z所对应的标签矩阵P作为优化后的标签矩阵P′；注塑产品系统将优化后的标签矩阵P′转换为机器信号，实现生产线上机器对注塑产品缺陷分类的控制。

本步骤中，对低秩矩阵Z进行迭代所使用的拉格朗日函数形式为：

s.t X＝Z+E

采用凸放松将所述拉格朗日函数转化为增广拉格朗日函数：

其中，Φ表示拉格朗日乘子，ρ表示惩罚系数；

然后采用交替方向乘子算法、软阈值法以及奇异值分解法对所述增广拉格朗日函数进行求解得到最优解Z中标签矩阵P优化后的结果P′，其中，采用交替方向乘子算法使得函数结果最小时，即Z的核范数最小时，此时的Z即为最优解Z。

本实施例提出的基于机器学习的注塑产品缺陷分类方法中，对RPCA模型进行改进，实现将输入的矩阵X进行数据分离，得到一个包含真实测试结果的低秩矩阵Z，以及一个包含测试误差的稀疏矩阵E，并采用块稀疏方法将稀疏矩阵E分解为训练样本的噪声Ex和待分类产品的图像的噪声Ep，再基于X＝Z+E公式对在误差稀疏的条件下，计算最优解Z，实现对待分类图像数据的去噪，从而有效提高分类准确率。此外，本实施例对拍摄装置预设拍摄时间周期，实现在某时间段内同时对多张图像进行处理，从而有效降低了时间成本。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于机器学习的注塑产品缺陷分类方法，其特征在于，包括以下步骤：

S1：采集带有各类缺陷类型的注塑产品的图像作为训练样本，并对其进行预处理；对所述训练样本进行预处理的步骤包括：

S11：对所述训练样本中的图像[t1,t2,...,tn]进行人工标签，得到图像标签集合[s1,s2,...,sn]；

S12：对所述训练样本中的图像[t1,t2,...,tn]进行灰度化，并对其二维域做参数变换，其变换公式如下：

tn′＝tn×τ

其中，τ表示变换系数；

S13：对所述完成变换的图像[t1′,t2′,...,tn′]进行归一化处理，得到图像矩阵X_train＝[q1,q2,...,qn]；

S14：采用独热编码对所述图像标签集合[s1,s2,...,sn]进行转码处理，得到标签矩阵Y_train＝[s1′,s2′,...,sn′]；

S2：将所述训练样本输入KNN分类器中训练，得到完成训练的KNN分类器；

S3：对拍摄装置预设拍摄时间周期，获取待分类产品的图像，并对其进行预处理；对所述待分类产品的图像进行预处理的具体步骤包括：S31：对所述待分类产品的图像[a1,a2,...,an]进行灰度化，并对其二维域做参数变换，其变换公式如下：

an′＝an×τ

其中，τ表示变换系数；

S32：对所述完成变换的图像[a1′,a2′,...,an′]进行归一化处理，得到图像矩阵X_test＝[r1,r2,...,rn]；

S4：将所述完成预处理的待分类产品的图像输入所述完成训练的KNN分类器中，得到分类标签y，并将所述分类标签经独热编码转码后得到标签矩阵P；

S5：对所述标签矩阵P进行堆叠处理，得到包含标签信息的堆叠矩阵X；所述包含标签信息的堆叠矩阵X的表达公式如下：

S6：基于RPCA模型对所述堆叠矩阵X进行数据分离，得到一个包含真实测试结果的低秩矩阵Z，以及一个包含测试误差的稀疏矩阵E，并采用块稀疏方法将稀疏矩阵E分解为训练样本的噪声Ex和待分类产品的图像的噪声Ep；

S7：采用拉格朗日函数对低秩矩阵Z进行迭代，取迭代后的最优解Z所对应的标签矩阵P作为优化后的标签矩阵P′；注塑产品系统将优化后的标签矩阵P′转换为机器信号，实现生产线上机器对注塑产品缺陷分类的控制。

2.根据权利要求1所述的注塑产品缺陷分类方法，其特征在于：所述S6步骤中，所述稀疏矩阵E的表达公式如下：

其中，E_x表示训练样本的噪声，E_p表示待分类产品的图像的噪声。

3.根据权利要求2所述的注塑产品缺陷分类方法，其特征在于：所述S7步骤中，对低秩矩阵Z进行迭代所使用的拉格朗日函数形式为：

s.t X＝Z+E

采用凸放松将所述拉格朗日函数转化为增广拉格朗日函数：

其中，Φ表示拉格朗日乘子，ρ表示惩罚系数；权重α和β为超参数；

采用交替方向乘子算法、软阈值法以及奇异值分解法对所述增广拉格朗日函数进行求解得到最优解Z中标签矩阵P优化后的结果P′，其中，采用交替方向乘子算法使得函数结果最小时，即Z的核范数最小时，此时的Z即为最优解Z。

Images