CN111553557A - 一种基于深度学习的车间产品质量评估方法 - Google Patents

一种基于深度学习的车间产品质量评估方法 Download PDF

Info

Publication number
CN111553557A
CN111553557A CN202010236677.0A CN202010236677A CN111553557A CN 111553557 A CN111553557 A CN 111553557A CN 202010236677 A CN202010236677 A CN 202010236677A CN 111553557 A CN111553557 A CN 111553557A
Authority
CN
China
Prior art keywords
data
workshop
model
module
picture
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.)
Pending
Application number
CN202010236677.0A
Other languages
English (en)
Inventor
袁海飞
宋之克
张勋兵
李聪聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuzhou XCMG Excavator Machinery Co Ltd
Original Assignee
Xuzhou XCMG Excavator Machinery Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xuzhou XCMG Excavator Machinery Co Ltd filed Critical Xuzhou XCMG Excavator Machinery Co Ltd
Priority to CN202010236677.0A priority Critical patent/CN111553557A/zh
Publication of CN111553557A publication Critical patent/CN111553557A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的车间产品质量评估方法，涉及车间产品质量评估技术领域。本方法包括数据采集模块、数据预处理及扩充模块、模型训练模块和模型预测模块四个部分。首先，数据采集模块采集车间产品图片样本数据；其次，数据预处理及扩充模块将数据采集模块采集到的车间产品图片样本数据进行预处理，并将预处理后的数据进行数据的扩充操作生成更多数据；然后，模型训练模块利用深度全连接神经网络训练扩充后的样本数据，并将训练好的模型的权重和偏置保存到数据库中；最后，模型预测模块将需要预测的产品图片数据传入训练好的模型中预测其质量。本方法通过智能检测的方式提高了检测效率，节约了质量评估时间，节省大量人力物力。

Description

一种基于深度学习的车间产品质量评估方法
技术领域
本发明涉及车间产品质量评估技术领域，具体是一种基于深度学习的车间产品质量评估方法。
背景技术
车间生产线上的产品种类繁多，产品数量庞大，但产品的质量却很难把控。传统方法往往都是通过人工的方式去检验产品质量，比如将成品通过随机抽样的方式对产品进行评估。但这种检测产品质量的方式效率低，成本高，速度慢，且评估的质量受主观影响较大。
而随着深度学习的大面积普及，计算机设备计算能力的不断提高和车间智慧化管理的兴起，利用深度学习来解决传统车间中存在的问题取得了很大优势，如今基于深度学习的分类网络的准确率在有大数据量的情况下可以达到甚至超越人类。
发明内容
为了克服上述现有技术的缺点，本发明提供了一种基于深度学习的车间产品质量评估方法，通过深度学习方法来判断车间产品的质量，通过自动化智能检测弥补了传统检测方法的缺陷，提高了效率，节省大量人力物力。
本发明是以如下技术方案实现的:一种基于深度学习的车间产品质量评估方法，其特征在于：分为构造模型和车间产品质量评估两个阶段；构造模型阶段包括数据采集模块、数据预处理及扩充模块、模型训练模块三个部分，车间产品质量评估阶段包括模型预测模块；具体过程如下：
在构造模型阶段，数据采集模块使用摄像头对车间产品进行多方位多角度的图片信息采集；
数据预处理及扩充模块将数据采集模块采集到的车间产品图片样本数据进行预处理，并将预处理后的数据进行数据的扩充操作生成更多数据，再将扩充后的样本数据按照一定比例分成训练样本和测试样本；
模型训练模块利用深度全连接神经网络训练数据扩充后的样本数据，并将训练好的模型的权重(w)和偏置(b)保存到数据库中，训练模型的损失函数为交叉熵，激活函数为Relu；
模型预测模块将需要预测的车间产品图片传入训练好的模型中预测是优质合格还是劣质产品。
优选的，数据采集模块中，摄像头采集的车间产品图片清晰且无其它干扰背景，采集车间产品图片的数量在十万以上，且优质、合格和劣质产品的数量比例相同，不存在正负样本不均衡的问题，然后将采集的图片进行优质、合格和劣质分类标注。
优选的，在数据预处理及扩充模块中，将数据采集模块采集到的车间产品图片样本信息预处理，对图片进行高斯滤波处理，将图片的部分噪声清除，同时使用裁剪、旋转、缩放、翻转、随机设置图片亮度和对比度来对图片数据进行数据扩充，扩充后正负样本总数量在一百万以上；训练样本和测试样本的分割比例为采取99:1，因为1％的测试样本也在一万之多，足够测试使用。
优选的，模型训练模块中，交叉熵损失函数计算公式为：
Figure BDA0002431225820000021
其中，x表示输入的样本，n表示样本量，y表示样本真实分类值，这里定义优质产品的分类值为[1,0,0]，合格产品的分类值为[0,1,0]，劣质产品的分类值为[0,0,1]，
Figure BDA0002431225820000022
表示模型预测出的样本分类概率值，
Figure BDA0002431225820000023
Relu计算公式为：
Figure BDA0002431225820000024
优选的，模型预测模块将需要预测的车间产品图片传入训练好的模型中预测是优质合格还是劣质产品。
优选的，模型预测模块具体步骤如下：
(1)模型预测模块将收到需要预测的命令，之后把需要预测的车间产品图片进行高斯滤波处理，清除部分图片噪声，然后将预处理后的图片数据传入目标定位模块；
(3)目标定位模块从模型训练模块中得到训练好的神经网络模型，传入上述预处理后的图片数据，得到预测结果；
(3)将预测后的分类结果信息输出。
优选的，产品质量预测后的分类结果：优质、合格、劣质；通过颜色、形状、材质等特征确定。
与现有技术方案相比，本发明的有益效果是：在深度学习的基础上利用大量的车间产品数据集训练一个产品质量分类网络，实现了一种高效的产品质量评估方法，通过智能检测弥补了传统检测方法的缺陷，提高了效率，节省大量人力物力。
附图说明
下面结合附图对本发明作进一步说明。
图1为本发明中的整体结构示意图；
图2为本发明中整体模块流程图；
图3为本发明中方法模块划分示意图。
具体实施方式
如图1和图2所示，一种基于深度学习的车间产品质量评估方法，它分为构造模型和车间产品质量评估两个阶段，工作流程具体如下：
S1，在构造模型阶段，数据采集模块使用摄像头对车间产品进行多方位多角度的图片信息采集。摄像头采集的车间产品图片清晰且无其它干扰背景，采集产品图片的数量在十万以上，且优质、合格和劣质产品的数量比例相同，不存在正负样本不均衡的问题。然后将采集的图片进行优质、合格和劣质分类标注，
S2，数据预处理及扩充模块将数据采集模块采集到的车间产品图片样本信息预处理，对图片进行高斯滤波处理，将图片的部分噪声清除，同时使用裁剪、旋转、缩放、翻转、随机设置图片亮度和对比度来对图片数据进行数据扩充，扩充后正负样本总数量在一百万以上，并将样本数据按照一定比例分成训练样本和测试样本。
为了提高模型训练的精度，所述训练样本和测试样本的分割比例为n:m，本文中样本总量在百万以上，分割比例因此可以采取99:1，因为1％的测试样本也在一万之多，足够测试使用。
S3，模型训练模块利用深度全连接神经网络训练数据扩充后的样本数据，并将训练好的模型的权重(w)和偏置(b)保存到数据库中，训练模型的损失函数为交叉熵，激活函数为Relu。
交叉熵损失函数计算公式为：
Figure BDA0002431225820000041
其中，x表示输入的样本，n表示样本量，y表示样本真实分类值，这里定义优质产品的分类值为[1,0,0]，合格产品的分类值为[0,1,0]，劣质产品的分类值为[0,0,1]，
Figure BDA0002431225820000042
表示模型预测出的样本分类概率值，
Figure BDA0002431225820000043
Relu计算公式为：
Figure BDA0002431225820000044
S4，在车间产品质量评估阶段，模型预测模块将需要预测的车间产品图片传入训练好的模型中预测是优质、合格还是劣质产品，具体包括如下步骤：
(1)模型预测模块将收到需要预测的命令，之后把需要预测的车间产品图片进行高斯滤波处理，清除部分图片噪声，然后将预处理后的图片数据传入目标定位模块；
(2)目标定位模块从模型训练模块中得到训练好的神经网络模型，传入上述预处理后的图片数据，得到预测结果；
(3)将预测后的分类结果(优质/合格/劣质)信息输出。
如图3所示，本方法主要划分为数据采集模块、数据预处理及扩充模块、模型训练模块和模型预测模块四个部分。每个部分各司其职，明确分工，便于代码的实现和维护。
由上述技术方案可知，本方法集成了已有技术方案的优点，在深度学习的基础上利用大量的车间产品数据集训练一个产品质量分类网络，实现了一种高效的车间产品质量评估方法，通过智能检测弥补了传统检测方法的缺陷，提高了效率，节省大量人力物力。

Claims (7)

1.一种基于深度学习的车间产品质量评估方法，其特征在于：分为构造模型和车间产品质量评估两个阶段；构造模型阶段包括数据采集模块、数据预处理及扩充模块、模型训练模块三个部分，车间产品质量评估阶段包括模型预测模块；具体过程如下：
在构造模型阶段，数据采集模块使用摄像头对车间产品进行多方位多角度的图片信息采集；
数据预处理及扩充模块将数据采集模块采集到的车间产品图片样本数据进行预处理，并将预处理后的数据进行数据的扩充操作生成更多数据，再将扩充后的样本数据按照一定比例分成训练样本和测试样本；
模型训练模块利用深度全连接神经网络训练数据扩充后的样本数据，并将训练好的模型的权重和偏置保存到数据库中；
模型预测模块将需要预测的车间产品图片传入训练好的模型中预测是优质合格还是劣质产品。
2.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：数据采集模块中，摄像头采集的车间产品图片清晰且无其它干扰背景，采集车间产品图片的数量在十万以上，且优质、合格和劣质产品的数量比例相同，不存在正负样本不均衡的问题，然后将采集的图片进行优质、合格和劣质分类标注。
3.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：在数据预处理及扩充模块中，将数据采集模块采集到的车间产品图片样本信息预处理，对图片进行高斯滤波处理，将图片的部分噪声清除，同时使用裁剪、旋转、缩放、翻转、随机设置图片亮度和对比度来对图片数据进行数据扩充，扩充后正负样本总数量在一百万以上；训练样本和测试样本的分割比例为采取99:1。
4.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：模型训练模块中，训练模型的损失函数为交叉熵，激活函数为Relu；交叉熵损失函数计算公式为：
Figure FDA0002431225810000021
其中，x表示输入的样本，n表示样本量，y表示样本真实分类值，这里定义优质产品的分类值为[1,0,0]，合格产品的分类值为[0,1,0]，劣质产品的分类值为[0,0,1]，
Figure FDA0002431225810000022
表示模型预测出的样本分类概率值，
Figure FDA0002431225810000023
Relu计算公式为：
Figure FDA0002431225810000024
5.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：模型预测模块将需要预测的车间产品图片传入训练好的模型中预测是优质、合格还是劣质产品。
6.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：模型预测模块具体步骤如下：
(1)模型预测模块将收到需要预测的命令，之后把需要预测的车间产品图片进行高斯滤波处理，清除部分图片噪声，然后将预处理后的图片数据传入目标定位模块；
(3)目标定位模块从模型训练模块中得到训练好的神经网络模型，传入上述预处理后的图片数据，得到预测结果；
(3)将预测后的分类结果信息输出。
7.根据权利要求6所述的一种基于深度学习的车间产品质量评估方法，其特征在于：产品质量预测后的分类结果：优质、合格、劣质；通过颜色、形状、材质等特征确定。
CN202010236677.0A 2020-03-30 2020-03-30 一种基于深度学习的车间产品质量评估方法 Pending CN111553557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010236677.0A CN111553557A (zh) 2020-03-30 2020-03-30 一种基于深度学习的车间产品质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010236677.0A CN111553557A (zh) 2020-03-30 2020-03-30 一种基于深度学习的车间产品质量评估方法

Publications (1)

Publication Number Publication Date
CN111553557A true CN111553557A (zh) 2020-08-18

Family

ID=72001923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010236677.0A Pending CN111553557A (zh) 2020-03-30 2020-03-30 一种基于深度学习的车间产品质量评估方法

Country Status (1)

Country Link
CN (1) CN111553557A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308489A (zh) * 2018-09-03 2019-02-05 中国人民解放军国防科技大学 一种元件电弧焊焊接质量检测方法
CN110059549A (zh) * 2019-03-11 2019-07-26 齐鲁工业大学 一种基于深度学习的木材薄板分类系统及算法
CN110210522A (zh) * 2019-05-10 2019-09-06 无线生活(北京)信息技术有限公司 图片质量分数模型的训练方法及装置
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN110610482A (zh) * 2019-08-12 2019-12-24 浙江工业大学 一种基于resnet的工件瑕疵检测方法
CN110751170A (zh) * 2019-09-06 2020-02-04 武汉精立电子技术有限公司 面板质量检测方法、系统、终端设备及计算机可读介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN109308489A (zh) * 2018-09-03 2019-02-05 中国人民解放军国防科技大学 一种元件电弧焊焊接质量检测方法
CN110059549A (zh) * 2019-03-11 2019-07-26 齐鲁工业大学 一种基于深度学习的木材薄板分类系统及算法
CN110210522A (zh) * 2019-05-10 2019-09-06 无线生活(北京)信息技术有限公司 图片质量分数模型的训练方法及装置
CN110610482A (zh) * 2019-08-12 2019-12-24 浙江工业大学 一种基于resnet的工件瑕疵检测方法
CN110751170A (zh) * 2019-09-06 2020-02-04 武汉精立电子技术有限公司 面板质量检测方法、系统、终端设备及计算机可读介质

Similar Documents

Publication Publication Date Title
CN109800631B (zh) 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN110097053B (zh) 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法
CN110135486B (zh) 基于自适应卷积神经网络的筷子图像分类方法
CN107328787A (zh) 一种基于深度卷积神经网络的金属板带表面缺陷检测系统
CN112070727B (zh) 一种基于机器学习的金属表面缺陷检测方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN113870260A (zh) 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN112907561A (zh) 一种基于深度学习的笔记本外观瑕疵检测方法
CN112232328A (zh) 基于卷积神经网络的遥感影像建筑区提取方法、装置
CN113506239B (zh) 一种基于跨阶段局部网络的带钢表面缺陷检测方法
CN111291806A (zh) 一种基于卷积神经网络工业产品标签号的识别方法
CN114627082A (zh) 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法
Puno et al. Quality Assessment of Mangoes using Convolutional Neural Network
CN116883393A (zh) 一种基于无锚框目标检测算法的金属表面缺陷检测方法
CN115452376A (zh) 基于改进轻量级深度卷积神经网络的轴承故障诊断方法
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
CN114841957A (zh) 一种基于深度学习的钢板表面缺陷检测方法
CN116205832A (zh) 一种基于stm r-cnn的金属表面缺陷检测方法
CN114186617A (zh) 一种基于分布式深度学习的机械故障诊断方法
CN117788950A (zh) 基于改进YOLOv8模型的路面病害检测方法
CN111553557A (zh) 一种基于深度学习的车间产品质量评估方法
CN111563455A (zh) 基于时间序列信号和压缩卷积神经网络的伤损识别方法
CN112927222B (zh) 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法
CN115345846A (zh) 一种中低碳钢晶粒度智能评级方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200818