CN111753877B - 一种基于深度神经网络迁移学习的产品质量检测方法 - Google Patents
一种基于深度神经网络迁移学习的产品质量检测方法 Download PDFInfo
- Publication number
- CN111753877B CN111753877B CN202010426325.1A CN202010426325A CN111753877B CN 111753877 B CN111753877 B CN 111753877B CN 202010426325 A CN202010426325 A CN 202010426325A CN 111753877 B CN111753877 B CN 111753877B
- Authority
- CN
- China
- Prior art keywords
- product
- quality
- sensor
- vector
- feature library
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000013508 migration Methods 0.000 title claims description 14
- 230000005012 migration Effects 0.000 title claims description 14
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000013526 transfer learning Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 16
- 239000013074 reference sample Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003326 Quality management system Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络迁移学习的产品质量检测方法包括以下步骤：S1、采集传感器的数据并进行归一化处理后得到灰度图；S2、将人脸识别模型进行迁移学习构建传感器特征提取网络；利用该传感器特征提取网络对步骤S1中的灰度图进行降维处理，得到传感器特征向量；S3、将步骤S2中的传感器特征向量与产品特征库中的向量比较后判断待测产品质量。本发明首先利用迁移学习将人脸识别模型应用的产品质量检测中，由于在经过人脸特征模型后，关键的特征得到保留，计算速度更快，准确性更高；同时实现了在没有差样本的情况下也可以进行模型训练。
Description
技术领域
本发明涉及数据采集和分析领域，尤其涉及一种基于深度神经网络迁移学习的产品质量检测方法。
背景技术
随着全球工业化和人工智能技术的蓬勃发展，人工智能技术越来越多的在工业生产领域得到应用。各国新的工业互联网发展计划也将人工智能技术作为一个重点推广技术。目前在工业生产领域的质量控制方面，主要依靠产品人工抽查，使用测量设备进行测量等方式。人工抽查和设备测量需要花费大量的人力物力和时间，求其对于一些需要检查封闭空间内部质量的产品，人工抽查意味着要破坏此产品。
现有技术CN108682003A公开了一种产品质量检测方法，包含两个部分的内容，第一部分是构建识别器，第二部分是采用识别器对待测产品的质量进行检测，所述识别器包括：判断待测对象是否符合检测类别的产品的二分类器，判断产品在图片中位置的产品检测器，以及判断产品为良品或次品的多分类器。现有技术CN109710636A公布了一种基于深度迁移学习的无监督工业系统异常检测方法。本发明利用了来自迁移源的有标注的机器传感器序列数据和来自迁移目标的没有标注的传感器序列数据，训练出一个具有良好泛化能力的工业系统异常检测模型，并对其进行训练，测试，最终生成一个训练好的工业系统异常判别模型。
综上，现在急需设计一种基于深度神经网络迁移学习的产品质量检测方法，将人脸识别模型应用到产品质量检测的模型中，能够解决在没有差样本情况下无法训练的问题。
发明内容
为解决上述现有技术中问题，本发明提供一种基于深度神经网络迁移学习的产品质量检测方法，基于设备传感器数据如温湿度，震动，噪音，电流，电压等，设计深度神经网络模型对工业产品进行实时无损检测，并反应机器的运行状况，以此给质检人员提供参考。
本发明采用如下技术方案：
一种基于深度神经网络迁移学习的产品质量检测方法，包括以下步骤：
S1、采集传感器的数据并进行归一化处理后得到灰度图；
S2、将人脸识别模型进行迁移学习构建传感器特征提取网络；利用该传感器特征提取网络对步骤S1中的灰度图进行降维处理，得到传感器特征向量；
S3、将步骤S2中的传感器特征向量与产品特征库中的向量比较后判断待测产品质量。
在本发明的一些实施例中，重复步骤S1-S2得到所述步骤S3中产品特征库；所述产品特征库中的向量均带有质量标签。
在本发明的一些实施例中，所述步骤S1中灰度图的维度大小为M*N；其中，M为传感器的个数，N为每个传感器采集的数据个数。
在本发明的一些实施例中，所述步骤S3具体包括以下步骤：
S31、通过欧式距离公式计算所述步骤S2中的传感器特征向量与所述产品特征库中的每一个向量的欧式距离，得到最小欧式距离d c ；
S32、判断所述产品特征库中的质量标签为不合格的向量数量是否等于0；若是，选择第一类计算方法判断待测产品质量；否则继续判断所述产品特征库中的质量标签为不合格的向量数量是否小于3；若是，选择第二类计算方法判断待测产品质量；否则选择第三类计算方法判断待测产品质量。
在本发明的一些实施例中，第一类计算方法的步骤为：
S321、计算所述产品特征库中任意两个向量间的最大距离d max ；
S322、采用下式计算相似度S：
；
S323、根据相似度S的区间大小设置阈值，将最小欧式距离d c 与所述阈值进行比较，若d c <阈值，则判断待测产品为质量不合格；否则为合格。
在本发明的一些实施例中，所述步骤S321中的计算公式为：
；其中A为所述传感器特征向量的维度大小；x1=[0,0,0...0]，x2=[1,1,1...1]。
在本发明的一些实施例中，所述第二类方法的步骤为：
首先设置K近邻算法的参数K=1；然后根据步骤S31中的所述最小欧式距离d c 得到对应的产品特征库中参考样本z的质量标签；最后判断待测产品的质量与参考样本z的质量相同。
在本发明的一些实施例中，所述第三类方法的步骤为：
首先设置K近邻算法的参数K=3；然后根据步骤S31中的所述最小欧式距离d c 得到对应的产品特征库中三个参考样本z1、z2和z3的质量标签；若质量标签中不合格的数量大于合格的数量，则判断待测产品的质量为不合格，否则为合格。
在本发明的一些实施例中，所述步骤S31中所述最小欧式距离d c 由下式可得：
；
其中x为所述的传感器特征向量，y为所述产品特征库中的任一向量，N为x的维度大小，i为向量中的第i个值。
在本发明的一些实施例中，所述步骤S1中传感器数据的种类包括：温度、湿度、震动、噪音、电流、电压。
本发明的技术方案相对现有技术具有如下技术效果：
一、本发明首先利用迁移学习将人脸识别模型应用的产品质量检测中，构建产品特征库，然后再利用相同的方法和模型对待测产品的的传感器数据进行特征提取，相当于进行降维处理，使用降维后的特征向量进行相关的质量预测，由于在经过人脸特征模型后，关键的特征得到保留，计算速度更快，准确性更高；同时实现了在没有差样本的情况下也可以进行模型训练。
二、本发明利用欧式距离公式和K近邻算法直接对待测产品的质量进行判断，算法简单，准确率高。
三、本发明提取产品的传感器数据特征，从而进行产品质量好坏的判断。不需要对产品进行破快性抽检，不影响产品的正常生产流程，且具有在线识别的好处，对于实际的工业生产的辅助决策具有现实意义。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例提出利用产品生产过程中采集的传感器数据作为产品的识别信息，并且提出一下假设，相同的设备在同样的外界条件下生产同一种产品的传感器信息具有相似性。这样就可以用产品的传感器信息作为产品质量的简介评价标准。在产品生产过程中采集的传感器数据属于高频数据，数据维度可能高达百万以上，直接进行相似性处理，由于空间维度大，准确性较差，这类似于人脸识别，直接对人脸进行比对，由于人脸图像维度大，在欧氏空间上难以区分，因此使用深度卷积神经网络对人脸图片进行降维，映射在低维度的欧式空间，使得数据能够被区分。
深度神经网络的训练需要大量无关性带有标签的数据，但在实际的工业产品生产过程中，企业有先进的设备，严格的质量管理体系，造成年生产产品质量差的存在的比例非常小，这造成样本分布非常不均匀，直接训练网络带来困难，甚至不可行，因此本实施例提出使用人脸识别模型进行迁移学习，用来作为工业传感器数据的降维模型，而人脸识别模型经过多年的发展已经非常成熟，机器的识别率已经超过人眼，经过高达百万张人脸训练的网络在空间降维上效果非常明显，因此本文提出的方案是将产品的传感器数据经过归一化后转换维二维灰度图像，使用迁移学习人脸模型进行数据降维，然后使用欧式距离和K近邻算法对产品质量进行预测，解决了在没有差样本情况下无法训练的问题。如图1所示，具体采用以下技术方案：
一种基于深度神经网络迁移学习的产品质量检测方法，包括以下步骤：
S1、采集传感器的数据并进行归一化处理后得到灰度图：
首先对设备安装需要的传感器，如温度、湿度、震动、噪音、电流、电压等，安装的传感器采用非侵入式安装不影响产品的正常生产；在产品生产期间，对生产的每一个产品进行编号，采集此产品生产过程中的传感器数据，形成对应每一个产品的传感器特征信息。对产品的每一种传感器的数据进行归一化处理，由于每一种传感器的量纲，不同的传感器使用自己的量纲进行归一化，公式如下：
其中是传感器采集的实时数据，/>和/>分别为此传感器的能够检测的最大值和最小值。
并按照传感器类型为行，传感器数据为列，构造灰度图，维度大小为M*N，其中M为传感器的个数，N为每个传感器采集的数据个数。
S2、将人脸识别模型进行迁移学习构建传感器特征提取网络；利用该传感器特征提取网络对步骤S1中的灰度图进行降维处理，得到传感器特征向量：
使用国际上成熟的人脸识别模型，构建传感器特征提取网络，进行迁移学习；每个产品的传感器数据构成一个二维灰度图，通过人脸特征提取网络提取传感器数据的关键特征，这相当于对高维数据进行降维的操作，例如采集的传感器数据转化为640*640的灰度图，通过人脸特征模型后转化得到128维的传感器特征向量[0.08,0.9,0.1....0.3]，使用降维后的特征向量进行相关的质量预测，计算速度更快，准确性更高，因为在经过人脸特征模型后，关键的特征得到保留，这类似于传统的PCA等降维方法，但PCA需要大量的样本进行关联计算。
将128维的传感器向量存在产品特征库中，如表1所示，并由人工进行打质量标签，即输入当日此产品的质量合格或不合格，1代表质量合格，0代表质量不合格。
表1产品特征库
完成产品特征库后，将待测产品的传感器数据进行上述的操作得到传感器特征向量。
S3、将待测产品的传感器特征向量与产品特征库中的向量比较后判断待测产品质量：
S31、通过欧式距离公式计算所述步骤S3中的传感器特征向量与所述产品特征库中的每一个向量的欧式距离，得到最小欧式距离d c ；其中所述最小欧式距离d c 由下式可得：
；
其中x为待测产品的传感器特征向量，y为产品特征库中的任一向量，N为x的维度大小，i为向量中的第i个值。
S32、使用K近邻算法判断新产品的质量，K一般取奇数；即根据最小欧式距离d c ，获得产品特征库中最相似的K个向量，如果K个向量中质量不合格的比例多，那么判断此产品质量不合格，否则判断产品质量合格。根据产品特征库中向量的质量标签为不合格的数量不同，分为三种情况如下：
（1）当前产品特征库中的质量标签为不合格的向量数量为0：
待测产品经过模型提取的特征向量是a=[0.3,0.5,0.5,...0.91]，a向量的维度大小是128，根据步骤S31得到最小的欧式距离d c ；
S321、计算产品特征库中任意两个向量间的最大距离d max ；可以由两个全0和全1的128维向量计算得到；计算公式如下：
；
其中，x1=[0,0,0...0]是全为0的128维向量，x2=[1,1,1...1]是全为1的128维向量；经计算，。
S322、采用下式计算相似度S：
；
S323、相似度S的区间是[0，1],设置阈值，越接近1 代表越相似，越接近0代表越不相似；设置阈值，若d c <0.8，则判断待测产品为质量不合格；否则为合格。
（2）当前产品特征库中的质量标签为不合格的向量数量小于3：
首先设置K近邻算法的参数K=1；然后根据步骤S31中的所述最小欧式距离d c 得到对应的产品特征库中参考样本z的质量标签；最后判断待测产品的质量与参考样本z的质量相同。
（3）当前产品特征库中的质量标签为不合格的向量数量不小于3：
首先设置K近邻算法的参数K=3；然后根据步骤S31中的所述最小欧式距离d c 得到对应的产品特征库中三个参考样本z1、z2和z3的质量标签；若质量标签中不合格的数量大于合格的数量，则判断待测产品的质量为不合格，否则为合格。
在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于深度神经网络迁移学习的产品质量检测方法，其特征在于，包括以下步骤：
S1、采集传感器的数据并进行归一化处理后得到灰度图；
S2、将人脸识别模型进行迁移学习构建传感器特征提取网络；利用该传感器特征提取网络对步骤S1中的灰度图进行降维处理，得到传感器特征向量；
S3、将步骤S2中的传感器特征向量与产品特征库中的向量比较后判断待测产品质量；
所述步骤S3具体包括以下步骤：
S31、通过欧式距离公式计算所述步骤S2中的传感器特征向量与所述产品特征库中的每一个向量的欧式距离，得到最小欧式距离dc；
S32、判断所述产品特征库中的质量标签为不合格的向量数量是否等于0；若是，选择第一类计算方法判断待测产品质量；否则继续判断所述产品特征库中的质量标签为不合格的向量数量是否小于3；若是，选择第二类计算方法判断待测产品质量；否则选择第三类计算方法判断待测产品质量；
第一类计算方法的步骤为：
S321、计算所述产品特征库中任意两个向量间的最大距离dmax；
S322、采用下式计算相似度S：
S323、根据相似度S的区间大小设置阈值，将最小欧式距离dc与所述阈值进行比较，若dc<阈值，则判断待测产品为质量不合格；否则为合格；
第二类计算方法的步骤为：
首先设置K近邻算法的参数K＝1；然后根据步骤S31中的所述最小欧式距离dc得到对应的产品特征库中参考样本z的质量标签；最后判断待测产品的质量与参考样本z的质量相同；
第三类计算方法的步骤为：
首先设置K近邻算法的参数K＝3；然后根据步骤S31中的所述最小欧式距离dc得到对应的产品特征库中三个参考样本z1、z2和z3的质量标签；若质量标签中不合格的数量大于合格的数量，则判断待测产品的质量为不合格，否则为合格。
2.根据权利要求1所述的一种基于深度神经网络迁移学习的产品质量检测方法，其特征在于，重复步骤S1-S2得到所述步骤S3中产品特征库；所述产品特征库中的向量均带有质量标签。
3.根据权利要求1所述的一种基于深度神经网络迁移学习的产品质量检测方法，其特征在于，所述步骤S1中灰度图的维度大小为M*N；其中，M为传感器的个数，N为每个传感器采集的数据个数。
4.根据权利要求1所述的一种基于深度神经网络迁移学习的产品质量检测方法，其特征在于，所述步骤S321中的计算公式为：
其中A为所述传感器特征向量的维度大小；x1＝[0,0,0...0]，x2＝[1,1,1...1]；x1i为元素全是0的向量，x2i为元素全为1的向量；i为向量中的第i个值。
5.根据权利要求1所述的一种基于深度神经网络迁移学习的产品质量检测方法，其特征在于，所述步骤S31中所述最小欧式距离dc由下式可得：
其中x为所述的传感器特征向量，y为所述产品特征库中的任一向量，N为x的维度大小，i为向量中的第i个值。
6.根据权利要求1所述的一种基于深度神经网络迁移学习的产品质量检测方法，其特征在于，所述步骤S1中传感器数据的种类包括：温度、湿度、震动、噪音、电流、电压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426325.1A CN111753877B (zh) | 2020-05-19 | 2020-05-19 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426325.1A CN111753877B (zh) | 2020-05-19 | 2020-05-19 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111753877A CN111753877A (zh) | 2020-10-09 |
| CN111753877B true CN111753877B (zh) | 2024-03-05 |
Family
ID=72674026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010426325.1A Active CN111753877B (zh) | 2020-05-19 | 2020-05-19 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111753877B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287184B (zh) * | 2020-10-30 | 2022-12-20 | 创新奇智(青岛)科技有限公司 | 基于神经网络的迁移标注方法、装置、设备及存储介质 |
| CN114354654B (zh) * | 2022-01-07 | 2023-03-21 | 中国矿业大学 | 基于dw-knn的煤炭水分含量快速无损检测方法 |
| CN114862283B (zh) * | 2022-07-05 | 2022-10-11 | 和尘自仪(嘉兴)科技有限公司 | 机床加工的质检方法、质检装置 |
Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
| CN101398898A (zh) * | 2008-10-20 | 2009-04-01 | 中国科学院合肥物质科学研究院 | 基于流形学习的植物叶片识别方法 |
| CN102158486A (zh) * | 2011-04-02 | 2011-08-17 | 华北电力大学 | 一种网络入侵快速检测方法 |
| WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
| CN105787940A (zh) * | 2016-02-29 | 2016-07-20 | 长安大学 | 一种高频电阻直缝焊接质量状态的在线检测方法 |
| CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
| CN106199174A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于迁移学习的挤压机能耗异常预测方法 |
| CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
| CN106650709A (zh) * | 2017-01-22 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于传感器数据的深度学习脚步检测方法 |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN107908685A (zh) * | 2017-10-31 | 2018-04-13 | 西安交通大学 | 基于迁移学习的多视角商品图像检索与识别方法 |
| CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
| CN108682003A (zh) * | 2018-04-04 | 2018-10-19 | 睿视智觉（厦门）科技有限公司 | 一种产品质量检测方法 |
| CN108805160A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技（深圳）有限公司 | 迁移学习方法、装置、计算机设备和存储介质 |
| CN108898123A (zh) * | 2018-07-09 | 2018-11-27 | 成都考拉悠然科技有限公司 | 一种基于特征分析的人脸识别方法 |
| CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
| CN109815801A (zh) * | 2018-12-18 | 2019-05-28 | 北京英索科技发展有限公司 | 基于深度学习的人脸识别方法及装置 |
| CN110097127A (zh) * | 2019-05-07 | 2019-08-06 | 杭州麦迪特检测技术服务有限公司 | 基于核主成分分析的黄芪谱图特征提取与产地鉴别方法 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
| CN110458049A (zh) * | 2019-07-24 | 2019-11-15 | 东北师范大学 | 一种基于多视觉的行为测量与分析方法 |
| CN110598603A (zh) * | 2019-09-02 | 2019-12-20 | 深圳力维智联技术有限公司 | 人脸识别模型获取方法、装置、设备和介质 |
| CN110609917A (zh) * | 2019-08-08 | 2019-12-24 | 中国地质大学（武汉） | 基于卷积神经网络和显著性检测的图像检索方法及系统 |
| CN110705407A (zh) * | 2019-09-20 | 2020-01-17 | 五邑大学 | 基于多任务迁移的人脸美丽预测方法及装置 |
| CN110866915A (zh) * | 2019-11-22 | 2020-03-06 | 郑州智利信信息技术有限公司 | 基于度量学习的圆形砚台质量检测方法 |
| CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
| CN111160120A (zh) * | 2019-12-11 | 2020-05-15 | 重庆邮电大学 | 基于迁移学习的Faster R-CNN物品检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2906411T3 (es) * | 2015-06-29 | 2022-04-18 | Suez Groupe | Procedimiento de detección de anomalías en un sistema de distribución de agua |
| US11663067B2 (en) * | 2017-12-15 | 2023-05-30 | International Business Machines Corporation | Computerized high-speed anomaly detection |
-
2020
- 2020-05-19 CN CN202010426325.1A patent/CN111753877B/zh active Active
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
| CN101398898A (zh) * | 2008-10-20 | 2009-04-01 | 中国科学院合肥物质科学研究院 | 基于流形学习的植物叶片识别方法 |
| CN102158486A (zh) * | 2011-04-02 | 2011-08-17 | 华北电力大学 | 一种网络入侵快速检测方法 |
| WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
| CN105787940A (zh) * | 2016-02-29 | 2016-07-20 | 长安大学 | 一种高频电阻直缝焊接质量状态的在线检测方法 |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN106199174A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于迁移学习的挤压机能耗异常预测方法 |
| CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
| CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
| CN106650709A (zh) * | 2017-01-22 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于传感器数据的深度学习脚步检测方法 |
| CN107908685A (zh) * | 2017-10-31 | 2018-04-13 | 西安交通大学 | 基于迁移学习的多视角商品图像检索与识别方法 |
| CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
| CN108682003A (zh) * | 2018-04-04 | 2018-10-19 | 睿视智觉（厦门）科技有限公司 | 一种产品质量检测方法 |
| CN108805160A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技（深圳）有限公司 | 迁移学习方法、装置、计算机设备和存储介质 |
| CN108898123A (zh) * | 2018-07-09 | 2018-11-27 | 成都考拉悠然科技有限公司 | 一种基于特征分析的人脸识别方法 |
| CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
| CN109815801A (zh) * | 2018-12-18 | 2019-05-28 | 北京英索科技发展有限公司 | 基于深度学习的人脸识别方法及装置 |
| CN110097127A (zh) * | 2019-05-07 | 2019-08-06 | 杭州麦迪特检测技术服务有限公司 | 基于核主成分分析的黄芪谱图特征提取与产地鉴别方法 |
| CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
| CN110458049A (zh) * | 2019-07-24 | 2019-11-15 | 东北师范大学 | 一种基于多视觉的行为测量与分析方法 |
| CN110609917A (zh) * | 2019-08-08 | 2019-12-24 | 中国地质大学（武汉） | 基于卷积神经网络和显著性检测的图像检索方法及系统 |
| CN110598603A (zh) * | 2019-09-02 | 2019-12-20 | 深圳力维智联技术有限公司 | 人脸识别模型获取方法、装置、设备和介质 |
| CN110705407A (zh) * | 2019-09-20 | 2020-01-17 | 五邑大学 | 基于多任务迁移的人脸美丽预测方法及装置 |
| CN110866915A (zh) * | 2019-11-22 | 2020-03-06 | 郑州智利信信息技术有限公司 | 基于度量学习的圆形砚台质量检测方法 |
| CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
| CN111160120A (zh) * | 2019-12-11 | 2020-05-15 | 重庆邮电大学 | 基于迁移学习的Faster R-CNN物品检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像内容的常见蔬菜病害诊治研究;相林;侯潮;孙敏;;淮阴工学院学报(第03期);全文 * |
| 相林 ; 侯潮 ; 孙敏 ; .基于图像内容的常见蔬菜病害诊治研究.淮阴工学院学报.2016,(第03期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111753877A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
| Wang et al. | Surface defects detection using non-convex total variation regularized RPCA with kernelization | |
| CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
| Zhang et al. | Data recovery of magnetic flux leakage data gaps using multifeature conditional risk | |
| CN109374631A (zh) | 一种隧道状态评测方法 | |
| CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
| CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
| Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
| Lu et al. | GAN-LSTM predictor for failure prognostics of rolling element bearings | |
| Shen et al. | SSCT-Net: A semisupervised circular teacher network for defect detection with limited labeled multiview MFL samples | |
| CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
| CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
| CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
| Deng et al. | A novel framework for classifying leather surface defects based on a parameter optimized residual network | |
| Li et al. | Semantic‐Segmentation‐Based Rail Fastener State Recognition Algorithm | |
| Niu et al. | Learning trustworthy model from noisy labels based on rough set for surface defect detection | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| Zhu et al. | Residual attention dual autoencoder for anomaly detection and localization in cigarette packaging | |
| Zhang et al. | ECF-STPM: A robust crack detection method for railway catenary components |
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 |