CN111178110B - 一种基于人工智能的条码异常检测方法 - Google Patents

Abstract

本发明公开了一种可实现无需预先配置的基于人工智能的条码异常检测方法，其步骤为：1)在标签数据较少时，对于扫码得到的条形码，采用基本统计规则，判断条形码是否异常，对于符合基本统计规则的加入至正常标签数据组，不符合的加入异常标签数据组；2)当标签数据达到初始设定值后，对于扫码得到的条形码采用异常检测算法预测条形码是否异常，并通过人工进行确认是加入异常标签数据组还是正常标签数据组；3)当标签数据达到一定数量时，对于输入的条形码采用分类预测算法来判断条形码输入是否异常，并由人工确认，对于检查到的疑似异常条形码，如果确定确实为异常，则加入异常标签数据组，否则加入正常标签数据组。本发明可以用于各种条形码的异常判断。

Description

一种基于人工智能的条码异常检测方法

技术领域

本发明涉及到电池生产制造领域，尤其是锂电池生产制造领域针对于化成分容生产工序扫码环节电池条形码异常的判断方法。

背景技术

目前，各个电池生产厂家在电池生产制造过程中，为了制造流程追溯及质量把控，很多的生产制造环节都需要扫码电池条形码。工序生产完成后，将相关数据连同电池条形码上传到各个系统，这些系统包括BMIS/MES/ERP/MRP等等，这些数据一旦上传到不同系统后，如果发现条形码异常而想要更改就会非常困难。因此，在工序执行前判断电池条形码(简称条码)输入正确与否非常重要。目前，一般会采取设定一些规则的方法来验证电池条形码的输入是否异常，这些规则有判断条形码长度是否是固定长度，或者判断条形码的开头和结尾，更为复杂比如设置正则表达式，但是，由于生产设备独立运行、条形码因产品不同而多变，这种方法在实际使用过程中由于过于复杂而弃用。

发明内容

本发明所要解决的技术问题是：提供一种可实现无需预先配置的基于人工智能的条码异常检测方法。

为解决上述技术问题，本发明所采用的技术方案为：一种基于人工智能的条码异常检测方法，其步骤为：

1)在标签数据小于初始设定值时，对于扫码得到的条形码，采用基本统计规则，判断条形码是否异常，对于符合基本统计规则的加入至正常标签数据组，不符合的加入异常标签数据组；

2)当标签数据达到初始设定值后，对于扫码得到的条形码采用异常检测算法预测条形码是否异常，并通过人工干预判断是否确实异常，对于提示为异常的条形码，如确定确实为异常，则将数据加入异常标签数据组，否则，加入正常标签数据组；对于未检测提示异常的条形码，如果也主动修正条形码，此时该条形码加入异常标签数据组；所述的异常检测算法为统计假设检验，其具体步骤为：

取条形码的ASSIC编码映射到数字，假设条形码最大长度不超过三十个字符，就将条形码字符按顺序映射到长度为30的向量，长度不足的用0补齐；这样三十个数值就是每个条码的特征值X；对于其中的特征称之为特征x，x₁表示第一个特征值，即字符对应值，x₂表示第二个特征值，即第二个字符对应值，依此类推，x_i表示第i个特征值，即第i个字符对应值；定义用n来表示特征值的个数，即：n为30；假设条形码分别服从高斯分布，即：

x＝X(μ，δ²)那么对应的概率密度p为：

联合概率密度为：

简化表达即：

给定一组条形码对应的特征值组{x¹,x²,x³,...,xⁱ...,x^m}，其中x¹表示第一个条形码样本对应的特征值，其中，x²表示第二个条形码样本对应的特征值，依此类推，m表示训练的样本数；然后通过多个电池条形码样本转换成为特征向量数组，通过下面的公式计算拟合参数

假设给定了新的条形码，那么可以根据前面的规则映射到特征向量x，代入下面的公式计算概率密度p(x)：

当：p(x)＜ε，则认为条形码异常，ε为判断阈值，可以通过正负样本做交叉验证不断修正，使其判断准确率越来越高；

3)当标签数据超过初始设置值的10倍后，对于输入的条形码采用分类预测算法来判断电池条形码输入是否异常，预测结果需要人工确认，对于检查到的疑似异常条形码时，如果确定确实为异常，则将数据加入异常标签数据组，否则加入正常标签数据组；对于未预测提示异常的条形码，如果也主动修正条形码，此时该条形码加入异常标签数据组；所述的分类预测算法为神经网络，其具体步骤为：

取条形码的ASSIC编码映射到数字，假设条形码最大长度不超过三十个字符，就将条形码字符按顺序映射到长度为30的向量，长度不足的用0补齐；这样三十个数值就是每个条码的特征值X；对于其中的特征称之为特征x，x₁表示第一个特征值，即字符对应值，x₂表示第二个特征值，即第二个字符对应值，依此类推，x_i表示第i个特征值，即第i个字符对应值；定义用n来表示特征值的个数，即：n为30；

首先选用的神经元模型为：

为sigmod激活函数，h_θ＝g(θ^Tx)

其中：x₀＝0。/>为模型参数

由许多的神经元模型组成了神经网络：

其中，layer1为第一层,也叫输入层，layer2为第二层，也叫隐藏层，layer3为第三层，也叫输出层；隐藏层的层数和每一层的神经元数可以有多种选择；

是第j层第i个激活单元(神经元)，Θ⁽ⁱ⁾为从第j层到j+1层权重控制矩阵；

令：

则可以得到：

综合上面公式可以向量化表示：

z⁽²⁾＝Θ⁽¹⁾x

a⁽²⁾＝g(z⁽²⁾)

z⁽³⁾＝Θ⁽²⁾a⁽²⁾

h_Θ(x)＝a⁽³⁾＝g(z⁽³⁾)

前面的计算过程称为前向传播，给定模型参数和输入，计算出输出；通过数据推算可以得到神经网络的代价函数：

其中：(h_Θ(x⁽ⁱ⁾))_i表示第i个输出；

对于单个样本代价函数cost(i)

cost(i)＝y⁽ⁱ⁾log(h_Θ(x⁽ⁱ⁾))+(1-y⁽ⁱ⁾)log(h_Θ(x⁽ⁱ⁾))

训练学习的过程就是最小化代价函数：minize J(Θ)，具体计算过程：

a)随机初始化模型参数Θ；

b)对于每个输入x⁽ⁱ⁾通过前向传导计算h_Θ(x⁽ⁱ⁾)；

c)计算代价函数J(Θ)；

d)通过反向传播计算偏导

e)使用梯度下降算法优化minize J(Θ)。

本发明的有益效果是：本发明所述的条码异常检测方法，整个检测过程中不需要用户显式设置条形码规则，真正做到无需预先配置。随着扫描的条形码越来越多，标签数据也会越来越多，异常判断会越来越准确。

具体实施方式

下面结合实施例，详细描述本发明所述的一种基于人工智能的条码异常检测方法的具体实施方案。

本发明所述的基于人工智能的条码异常检测方法，其步骤为：在检则初期接收到扫码的条形码，标签数据的总量(正常标签数据组+异常标签数据组的数量)小于初始设定值(比如1000条)时，则采用基本统计规则(同批次的条形码统计上应该是一样的条码字节长度)，判断电池扫码是否异常，比如同批次的电池条形码统计上应该是一样的条码字节长度；这些输入的条码符合统计一致的加入正常标签数据组，不符合的加入异常标签数据组；当已经录入的条码(标签数据)达到一定数量初始设定值(比如1000条)的时候，则采用异常检测(包括不限定于统计假设检验、DBSCAN、One Class SVM、Isolation Forest等等)算法预测电池条形码输入是否异常，并将结果显示在软件界面提醒用户验证，如果用户检查疑似异常条码，如果确定确实为异常，则将数据加入异常标签数据组，否则加入正常标签数据组；对于未检测提示异常的条形码，如果客户主动修正条形码，将该条码加入异常标签数据组；

下面以基于高斯分布的统计假设检验为例说明具体实现方法：

取条形码的字符，一般是ASSIC字符(即大部分是0～9,A-Z,a～z)映射到数字，比如就取其ASSIC编码，另外假设条形码最大长度不超过三十个字符，我们就将条形码字符按顺序映射到长度为30的向量，长度不足的用0补齐；这样三十个数值就是每个条码的特征值X。对于其中的特征可以称之为特征x。x₁表示第1个特征值，即字符对应值，x₂表示第2个特征值，即第二个字符对应值，依此类推，x_i表示第i个特征值，即第i个字符对应值。定义用n来表示特征值的个数，在这里n即为30；

假设：条码分别服从高斯分布，即：

那么对应的概率密度p为：

联合概率密度为：

简化表达即：

给定一组条形码对应的特征值组{x¹,x²,x³,...,xⁱ...,x^m}，其中x¹表示第1个条形码样本对应的特征值，其中x²表示第2个条形码样本对应的特征值，依此类推；m表示训练的样本数；

在此，通过多个电池条形码样本转换成为特征向量数组，通过下面的公式计算拟合参数

假设给定了新的条形码，则可以根据前面的规则映射到特征向量x，代入下面的公式计算概率密度p(x)：

当：p(x)＜ε，则认为条形码异常，ε为判断阈值，可以通过正负样本做交叉验证不断修正，使其判断准确率越来越高。

当标签数据超过初始设置值的10倍(比如10000条)时，此时，对于输入的条形码采用分类预测算法(包括但不限定于Logistic分类、神经网络、深度升级网络、KNN等)来判断电池条形码输入是否异常；预测结果显示在软件界面提醒用户验证，用户检查疑似异常条码，如果确定确实为异常，则将该数据加入至异常标签数据组，否则加入正常标签数据组；对于未预测提示异常的条形码，如果客户主动修正条形码，将该条码加入异常标签数据组，这里基于神经网络来实现分类预测，其具体过程为：

取条形码的字符，一般是ASSIC字符(即大部分是0～9,A-Z,a～z)映射到数字，比如就取其ASSIC编码，另外假设条形码最大长度不超过30个字符，我们就将条形码字符按顺序映射到长度为30的向量，长度不足的用0补齐；这样30个数值就是每个条码的特征值X。对于其中的特征可以称之为特征x。x₁表示第1个特征值，即字符对应值，x₂表示第2个特征值，即第二个字符对应值，依此类推，x_i表示第i个特征值，即第i个字符对应值。定义用n来表示特征值的个数，在这里n即为30；

首先选用的神经元模型为：

为sigmod激活函数，h_θ＝g(θ^Tx)

其中：x₀＝0。/>为模型参数

由许多的神经元模型组成了神经网络：

其中，layer1为第一层,也叫输入层，layer2为第二层，也叫隐藏层，layer3为第三层，也叫输出层。隐藏层的层数和每一层的神经元数可以有多种选择；

是第j层第i个激活单元(神经元)，Θ^(j)为从第j层到j+1层权重控制矩阵。

令：

则可以得到：

综合上面公式可以向量化表示：

z⁽²⁾＝Θ⁽¹⁾x

a⁽²⁾＝g(z⁽²⁾)

z⁽³⁾＝Θ⁽²⁾a⁽²⁾

h_Θ(x)＝a⁽³⁾＝g(z⁽³⁾)

前面的计算过程称为前向传播，给定模型参数和输入，计算出输出；通过数据推算可以得到神经网络的代价函数：

其中：(h_Θ(x⁽ⁱ⁾))_i表示第i个输出；

对于单个样本代价函数cost(i)

cost(i)＝y⁽ⁱ⁾log(h_Θ(x⁽ⁱ⁾))+(1-y⁽ⁱ⁾)log(h_Θ(x⁽ⁱ⁾))

训练学习的过程就是最小化代价函数：minizeJ(Θ)，具体计算过程：

a)随机初始化模型参数Θ；

b)对于每个输入x⁽ⁱ⁾通过前向传导计算h_Θ(x⁽ⁱ⁾)；

c)计算代价函数J(Θ)；

d)通过反向传播计算偏导

e)使用梯度下降算法优化minize J(Θ)。

综上所述，仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围，凡依本发明权利要求范围所述的形状、构造、特征及精神所作的均等变化与修饰，均应包括在本发明的权利要求范围内。

Claims (5)

1.一种基于人工智能的条码异常检测方法，其步骤为：

1)在标签数据小于初始设定值时，对于扫码得到的条形码，采用基本统计规则，判断条形码是否异常，对于符合基本统计规则的加入至正常标签数据组，不符合的加入异常标签数据组；

2)当标签数据达到初始设定值后，对于扫码得到的条形码采用异常检测算法预测条形码是否异常，并通过人工干预判断是否确实异常，对于提示为异常的条形码，如确定确实为异常，则将数据加入异常标签数据组，否则，加入正常标签数据组；对于未预测提示异常的条形码，如果也主动修正条形码，此时该条形码加入异常标签数据组；所述的异常检测算法为统计假设检验，其具体步骤为：

取条形码的ASSIC编码映射到数字，假设条形码最大长度不超过三十个字符，就将条形码字符按顺序映射到长度为30的向量，长度不足的用0补齐；这样三十个数值就是每个条码的特征值X；对于其中的特征称之为特征x，x₁表示第一个特征值，即字符对应值，x₂表示第二个特征值，即第二个字符对应值，依此类推，x_i表示第i个特征值，即第i个字符对应值；定义用n来表示特征值的个数，即：n为30；假设条形码分布服从高斯分布，即：

那么高斯分布对应的概率密度p为：/>

联合概率密度为：

简化表达即：

给定一组条形码对应的特征值组{x¹,x²,x³,...,xⁱ...,x^m}，即不同的条形码，其中：x¹表示第一个条形码样本对应的特征值，x²表示第二个条形码样本对应的特征值，依此类推，m表示训练的样本数；然后通过多个电池条形码样本转换成为特征向量数组，通过下面的公式计算拟合参数

假设给定了新的条形码，那么可以根据前面的规则映射到特征向量x，代入下面的公式计算概率密度p(x)：

当：p(x)<ε，则认为条形码异常，ε为判断阈值，可以通过正负样本做交叉验证不断修正，使其判断准确率越来越高；

3)当标签数据超过初始设置值的10倍后，对于输入的条形码采用分类预测算法来判断条形码输入是否异常，预测结果需要人工确认；对于检查到的疑似异常条形码时，如果确定确实为异常，则将该数据加入异常标签数据组，否则加入正常标签数据组；对于未预测提示异常的条形码，如果也主动修正条形码，此时该条形码加入异常标签数据组；所述的分类预测算法为神经网络，其具体步骤为：

取条形码的ASSIC编码映射到数字，假设条形码最大长度不超过三十个字符，就将条形码字符按顺序映射到长度为30的向量，长度不足的用0补齐；这样三十个数值就是每个条码的特征值X；对于其中的特征称之为特征x，x₁表示第一个特征值，即字符对应值，x₂表示第二个特征值，即第二个字符对应值，依此类推，x_i表示第i个特征值，即第i个字符对应值；定义用n来表示特征值的个数，即：n为30；

首先选用的神经元模型为：

为sigmod激活函数,h_θ＝g(θ^Tx)；

其中：x₀＝0；/>为模型参数；

由许多的神经元模型组成了神经网络：

其中，layer1为第一层,也叫输入层，layer2为第二层，也叫隐藏层，layer3为第三层，也叫输出层；隐藏层的层数和每一层的神经元数可以有多种选择；

第j层第i个激活单元，Θ^(j)为从第j层到j+1层权重控制矩阵；

令：

则可以得到：

综合上面公式可以向量化表示：

z⁽²⁾＝Θ⁽¹⁾x

a⁽²⁾＝g(z⁽²⁾)

z⁽³⁾＝Θ⁽²⁾a⁽²⁾

h_Θ(x)＝a⁽³⁾＝g(z⁽³⁾)

前面的计算过程称为前向传播，给定模型参数和输入，计算出输出；通过数据推算可以得到神经网络的代价函数：

其中：(h_Θ(x⁽ⁱ⁾))_i表示第i个输出；

对于单个样本代价函数cost(i)

cost(i)＝y⁽ⁱ⁾log(h_Θ(x⁽ⁱ⁾))+(1-y⁽ⁱ⁾)log(h_Θ(x⁽ⁱ⁾))

训练学习的过程就是最小化代价函数：minizeJ(Θ)，具体计算过程：

a)随机初始化模型参数Θ；

b)对于每个输入x⁽ⁱ⁾通过前向传导计算h_Θ(x⁽ⁱ⁾)；

c)计算代价函数J(Θ)；

d)通过反向传播计算偏导

e)使用梯度下降算法优化minize J(Θ)。

2.根据权利要求1所述的一种基于人工智能的条码异常检测方法，其特征在于，所述的基本统计规则为同批次的条形码统计上采用一样的条码字节长度。

3.根据权利要求1所述的一种基于人工智能的条码异常检测方法，其特征在于，所述的异常检测算法还可以是：DBSCAN、One Class SVM或Isolation Forest。

4.根据权利要求1所述的一种基于人工智能的条码异常检测方法，其特征在于，所述的分类预测算法还可以是Logistic分类、深度升级网络或KNN。

5.根据权利要求1至4中任一项所述的一种基于人工智能的条码异常检测方法，其特征在于，所述的初始设定值不小于1000。