CN112215834B - 基于卷积神经网络的动力电池焊接质量检测方法及系统 - Google Patents
基于卷积神经网络的动力电池焊接质量检测方法及系统 Download PDFInfo
- Publication number
- CN112215834B CN112215834B CN202011139458.7A CN202011139458A CN112215834B CN 112215834 B CN112215834 B CN 112215834B CN 202011139458 A CN202011139458 A CN 202011139458A CN 112215834 B CN112215834 B CN 112215834B
- Authority
- CN
- China
- Prior art keywords
- value
- convolutional neural
- neural network
- model
- curve
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于卷积神经网络的动力电池焊接质量检测方法及系统,其中,方法包括:构建初始卷积神经网络模型;获取第一样本数据,将第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;基于训练集、验证集合测试集对初始卷积神经网络模型进行训练,获得检测模型;将待测试图像输入检测模型,获取第一检测结果。本发明的基于卷积神经网络的动力电池焊接质量检测方法,基于计算机视觉的检测方法来自动检测激光焊接缺陷,具有稳定高效的特点,可以从根本上避免人为因素导致的检测错误。
Description
技术领域
本发明涉及网络数据传输技术领域,特别涉及一种基于卷积神经网络的动力电池焊接质量检测方法及系统。
背景技术
目前,动力电池是电动汽车的动力来源,工业上为了防止电池受到挤压、碰撞而导致爆炸,会在电池上用激光焊接一块防爆阀。防爆阀的焊接质量会直接影响到动力电池的泄压效果,因此,对其进行焊后质量检测对动力电池安全性能的提升具有重大意义。防爆阀在全自动激光焊接过程中一般会出现6种不同的缺陷,分别是焊洞,焊塌,焊高,漏焊,防爆阀损坏和防爆阀丢失。在工业生产中,人工质检是最常用于检测产品缺陷的方法。但是传统的人工检测容易受到人的主观经验和各种生理因素的影响,检测的准确性和可靠性得不到保障。
发明内容
本发明目的之一在于提供了一种基于卷积神经网络的动力电池焊接质量检测方法,基于计算机视觉的检测方法来自动检测激光焊接缺陷,具有稳定高效的特点,可以从根本上避免人为因素导致的检测错误。
本发明实施例提供的一种基于卷积神经网络的动力电池焊接质量检测方法,包括:
构建初始卷积神经网络模型;
获取第一样本数据,将第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;
基于训练集、验证集和测试集对初始卷积神经网络模型进行训练,获得检测模型;
将待测试图像输入检测模型,获取第一检测结果。
优选的,构建初始卷积神经模型包括:
获取第一SqueezeNet模型在ImageNet数据集上进行训练后的模型的模型参数;
基于模型参数对预存的第二SqueezeNet模型进行初始化后获得初始化后的第二SqueezeNet模型作为初始卷积神经网络模型。
优选的,基于训练集、验证集和测试集对初始卷积神经网络模型进行训练,获得检测模型;包括:
将训练集输入初始卷积神经网络模型中进行训练,获取训练结果;
在训练结束后将验证集输入初始卷积神经网络模型中进行验证,获取验证结果;
基于训练结果构建第一曲线;
基于验证结果构建第二曲线;
计算第一曲线和第二曲线的相似度,当相似度小于预设阈值时,执行回退操作,重新采用训练集对初始卷积神经网络模型训练;当相似度大于等于预设阈值时,继续采用训练集对初始卷积神经网络模型进行训练;
重复训练和验证,直至初始卷积神经网络模型收敛;
采用测试集对收敛后的初始卷积神经网络模型进行测试,当测试通过时,将初始卷积神经网络模型作为检测模型。
优选的,基于卷积神经网络的动力电池焊接质量检测方法,还包括:
定时从第三方平台获取第二样本数据;
解析第二样本数据,获取第二样本图像和对应于第二样本图像的第二样本结果;
将第二样本数据输入检测模型,获取第二检测结果;
比对第二检测结果与第二样本结果;当比对结果为第二检测结果与第二样本结果不同时,获取第二样本数据的原始来源;
对第二样本数据的原始来源进行可靠性验证,当验证通过时,将第二样本数据添加进第一样本数据中,形成新的第一样本数据;
基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型;
其中,对第二样本数据的原始来源进行验证,包括:
获取第三方平台对于原始来源配置的第一可信值;
获取用户对于原始来源配置的第二可信值;
获取第三方平台上其他来源对于原始来源配置的第三可信值;
基于第一可信值、第二可信值和第三可信值,计算原始来源的可信度,计算公式如下:
其中,H为原始来源的可信度;D1为第一可信值;D2为第二可信值;D3,j为第j个其他来源对于原始来源的第三可信值;N为其他来源的数目;α为用户预先配置的第一可信值的权重;β为用户预先配置的第二可信值的权重;γ为用户预先配置的第三可信值的权重;δj为用户预先配置的对于第j个其他来源的信任系数;
当可信度大于预设的验证阈值时,通过可靠性验证;
的基于卷积神经网络的动力电池焊接质量检测方法还包括:
在从第三方平台获取第二样本数据之前,采用测试集对检测模型进行测试,获取第一测试结果;
在基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型之后,采用测试集对检测模型进行测试,获取第二测试结果;
比较第一测试结果和第二测试结果,获取第一测试结果和第二测试结果的差异情况;
基于差异情况调整第一可信值和/或第二可信值和/或第三可信值;
其中,基于差异情况调整第一可信值和/或第二可信值和/或第三可信值,包括:
当差异情况为第一测试结果小于第二测试结果且第一测试结果与第二测试结果的差值大于等于第一预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行上调,上调公式如下:
其中,k0表示上调前的第一可信值或第二可信值或第三可信值;k1为预设的上调幅度值;K1表示上调后的第一可信值或第二可信值或第三可信值;kH表示预设的上调上限值;X表示第一可信值或第二可信值或第三可信值在计算可信度时的占比;
当差异情况为第一测试结果大于第二测试结果且第一测试结果与第二测试结果的差值大于等于第二预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行下调,下调公式如下:
其中,K2表示下调后的第一可信值或第二可信值或第三可信值;k1为预设的下调幅度值;kL表示预设的下调下限值。
优选的,计算第一曲线和第二曲线的相似度包括:
对第一曲线和第二曲线进行特征提取,分别获取对应第一曲线的第一特征向量和对应第二曲线的第二特征向量;
计算第一特征向量与第二特征向量的相似度,计算公式如下:
其中,M为相似度;ai表示第一特征向量中第i个参数值;bi表示第二特征向量中第i个参数值;m表示第一特征向量中参数值的个数;
其中,对第一曲线和第二曲线进行特征提取的特征提取方法包括:
基于预设的采样规则在第一曲线和第二曲线上进行采样获取多个采样点;
将采样点两两关联确定多个采样向量;
计算第一曲线和第二曲线的长度值;
将采样点的坐标值和/或采样向量的参数值和/或长度值作为第一特征向量的参数值或第二特征向量的参数值。
本发明还提供一种基于卷积神经网络的动力电池焊接质量检测系统,包括:
模型构建模块,用于构建初始卷积神经网络模型;
样本获取模块,用于获取第一样本数据,将第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;
训练模块,用于基于训练集、验证集和测试集对初始卷积神经网络模型进行训练,获得检测模型;
测试模块,用于将待测试图像输入检测模型,获取第一检测结果。
优选的,模型构建模块执行如下操作:
获取第一SqueezeNet模型在ImageNet数据集上进行训练后的模型的模型参数;
基于模型参数对预存的第二SqueezeNet模型进行初始化后获得初始化后的第二SqueezeNet模型作为初始卷积神经网络模型。
优选的,训练模块执行如下操作:
将训练集输入初始卷积神经网络模型中进行训练,获取训练结果;
在训练结束后将验证集输入初始卷积神经网络模型中进行验证,获取验证结果;
基于训练结果构建第一曲线;
基于验证结果构建第二曲线;
计算第一曲线和第二曲线的相似度,当相似度小于预设阈值时,执行回退操作,重新采用训练集对初始卷积神经网络模型训练;当相似度大于等于预设阈值时,继续采用训练集对初始卷积神经网络模型进行训练;
重复训练和验证,直至初始卷积神经网络模型收敛;
采用测试集对收敛后的初始卷积神经网络模型进行测试,当测试通过时,将初始卷积神经网络模型作为检测模型。
优选的,基于卷积神经网络的动力电池焊接质量检测系统,还包括:更新模块,用于采用第三方平台的第二样本数据对检测模型进行更新;
更新模块执行如下操作:
定时从第三方平台获取第二样本数据;
解析第二样本数据,获取第二样本图像和对应于第二样本图像的第二样本结果;
将第二样本数据输入检测模型,获取第二检测结果;
比对第二检测结果与第二样本结果;当比对结果为第二检测结果与第二样本结果不同时,获取第二样本数据的原始来源;
对第二样本数据的原始来源进行可靠性验证,当验证通过时,将第二样本数据添加进第一样本数据中,形成新的第一样本数据;
基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型;
其中,对第二样本数据的原始来源进行验证,包括:
获取第三方平台对于原始来源配置的第一可信值;
获取用户对于原始来源配置的第二可信值;
获取第三方平台上其他来源对于原始来源配置的第三可信值;
基于第一可信值、第二可信值和第三可信值,计算原始来源的可信度,计算公式如下:
其中,H为原始来源的可信度;D1为第一可信值;D2为第二可信值;D3,j为第j个其他来源对于原始来源的第三可信值;N为其他来源的数目;α为用户预先配置的第一可信值的权重;β为用户预先配置的第二可信值的权重;γ为用户预先配置的第三可信值的权重;δj为用户预先配置的对于第j个其他来源的信任系数;
当可信度大于预设的验证阈值时,通过可靠性验证;
的基于卷积神经网络的动力电池焊接质量检测方法还包括:
在从第三方平台获取第二样本数据之前,采用测试集对检测模型进行测试,获取第一测试结果;
在基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型之后,采用测试集对检测模型进行测试,获取第二测试结果;
比较第一测试结果和第二测试结果,获取第一测试结果和第二测试结果的差异情况;
基于差异情况调整第一可信值和/或第二可信值和/或第三可信值;
其中,基于差异情况调整第一可信值和/或第二可信值和/或第三可信值,包括:
当差异情况为第一测试结果小于第二测试结果且第一测试结果与第二测试结果的差值大于等于第一预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行上调,上调公式如下:
其中,k0表示上调前的第一可信值或第二可信值或第三可信值;k1为预设的上调幅度值;K1表示上调后的第一可信值或第二可信值或第三可信值;kH表示预设的上调上限值;X表示第一可信值或第二可信值或第三可信值在计算可信度时的占比;
当差异情况为第一测试结果大于第二测试结果且第一测试结果与第二测试结果的差值大于等于第二预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行下调,下调公式如下:
其中,K2表示下调后的第一可信值或第二可信值或第三可信值;k1为预设的下调幅度值;kL表示预设的下调下限值。
优选的,计算第一曲线和第二曲线的相似度包括:
对第一曲线和第二曲线进行特征提取,分别获取对应第一曲线的第一特征向量和对应第二曲线的第二特征向量;
计算第一特征向量与第二特征向量的相似度,计算公式如下:
其中,M为相似度;ai表示第一特征向量中第i个参数值;bi表示第二特征向量中第i个参数值;m表示第一特征向量中参数值的个数;
其中,对第一曲线和第二曲线进行特征提取的特征提取方法包括:
基于预设的采样规则在第一曲线和第二曲线上进行采样获取多个采样点;
将采样点两两关联确定多个采样向量;
计算第一曲线和第二曲线的长度值;
将采样点的坐标值和/或采样向量的参数值和/或长度值作为第一特征向量的参数值或第二特征向量的参数值。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于卷积神经网络的动力电池焊接质量检测方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于卷积神经网络的动力电池焊接质量检测方法,如图1所示,包括:
构建初始卷积神经网络模型;
获取第一样本数据,将第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;
基于训练集、验证集和测试集对初始卷积神经网络模型进行训练,获得检测模型;
将待测试图像输入检测模型,获取第一检测结果。
上述技术方案的工作原理及有益效果为:
样本采集,即在工业现场采集约4万张焊接缺陷样本,再将缺陷样本随机按比例(6:2:2)分为训练集,验证集,测试集。将SqueezeNet模型在ImageNet数据集上进行预训练,再将整个模型的所有参数提取。将提取的预训练参数作为SqueezeNet模型的初始化参数,再将训练集放入模型中进行训练。在每轮的训练后,会将验证集样本输入模型进行验证,如果验证结果跟训练结果的曲线相近,则可以证明训练的过程中没有出现过拟合或者欠拟合的情况,训练出来的参数泛化性能较好。再重复多轮训练跟验证过程,直到模型的损失值连续5轮没有下降,则可判定训练过程结束,将训练好的参数保存下来。最后用测试样本进行检验,判断模型的可信度。将保存好的模型参数部署到嵌入式平台,可以实现实时的对输入的焊接样本进行检测,以识别其具体的缺陷类型。
传统图像处理的方式,如模板匹配法,需要花费大量的时间建立不同缺陷类型的模板,再根据模板来对目标图像进行匹配,以判断其缺陷类型。在焊接缺陷纹理复杂,外形多变的情况下,识别效果不佳。本发明提供一种基于卷积神经网络模型的缺陷检测方法,通过采集大量训练样本,再根据样本的缺陷情况进行分类,制作出适合训练和测试的分类数据集,最后再基于该训练集训练出能够将缺陷图像准确分类的卷积神经网络模型。该方法能有效克服传统分类技术中准确率低、特征提取困难等问题。
为实现初始卷积神经模型的构建,在一个实施例中,构建初始卷积神经模型包括:
获取第一SqueezeNet模型在ImageNet数据集上进行训练后的模型的模型参数;
基于模型参数对预存的第二SqueezeNet模型进行初始化后获得初始化后的第二SqueezeNet模型作为初始卷积神经网络模型。
在一个实施例中,基于训练集、验证集和测试集对初始卷积神经网络模型进行训练,获得检测模型;包括:
将训练集输入初始卷积神经网络模型中进行训练,获取训练结果;
在训练结束后将验证集输入初始卷积神经网络模型中进行验证,获取验证结果;
基于训练结果构建第一曲线;
基于验证结果构建第二曲线;
计算第一曲线和第二曲线的相似度,当相似度小于预设阈值时,执行回退操作,重新采用训练集对初始卷积神经网络模型训练;当相似度大于等于预设阈值时,继续采用训练集对初始卷积神经网络模型进行训练;
重复训练和验证,直至初始卷积神经网络模型收敛;
采用测试集对收敛后的初始卷积神经网络模型进行测试,当测试通过时,将初始卷积神经网络模型作为检测模型。
上述技术方案的工作原理及有益效果为:
在每次采用训练集训练后需要采用验证集进行验证;以保证本次训练的可信;当验证集验证时采用训练结果和验证结果分别构建第一曲线和第二曲线;以第一曲线和第二曲线的相似度作为第一曲线和第二曲线相近的标示;当相似度下于预设阈值时,说明本次训练的参数泛化性能并不好,需要进行回退操作,即将模型的参数重置到上一训练后的状态;重新进行训练;以此保证最后训练的检测模型的可行性;在训练完成后需要对训练后的模型进行测试,当测试结果为通过时将训练后的模型作为检测模型。
在一个实施例中,基于卷积神经网络的动力电池焊接质量检测方法,还包括:
定时从第三方平台获取第二样本数据;
解析第二样本数据,获取第二样本图像和对应于第二样本图像的第二样本结果;
将第二样本数据输入检测模型,获取第二检测结果;
比对第二检测结果与第二样本结果;当比对结果为第二检测结果与第二样本结果不同时,获取第二样本数据的原始来源;
对第二样本数据的原始来源进行可靠性验证,当验证通过时,将第二样本数据添加进第一样本数据中,形成新的第一样本数据;
基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型;
上述技术方案的工作原理及有益效果为:
为了保证检测样本的活力及提高其准确度;通过定时从第三方平台获取第二样本数据,将第二样本数据和第一样本数据合并后对初始卷积神经网络模型进行训练,获得更新后的新的检测模型。
在一个实施例中,对第二样本数据的原始来源进行验证,包括:
获取第三方平台对于原始来源配置的第一可信值;
获取用户对于原始来源配置的第二可信值;
获取第三方平台上其他来源对于原始来源配置的第三可信值;
基于第一可信值、第二可信值和第三可信值,计算原始来源的可信度,计算公式如下:
其中,H为原始来源的可信度;D1为第一可信值;D2为第二可信值;D3,j为第j个其他来源对于原始来源的第三可信值;N为其他来源的数目;α为用户预先配置的第一可信值的权重;β为用户预先配置的第二可信值的权重;γ为用户预先配置的第三可信值的权重;δj为用户预先配置的对于第j个其他来源的信任系数;
当可信度大于预设的验证阈值时,通过可靠性验证;
上述技术方案的工作原理及有益效果为:
通过对第二样本数据的原始来源的可信度进行确定,保证第二样本数据的准确,避免采用错误的第二样本数据对模型进行训练;可信度主要可以从三方面进行确定:一、第三方平台对原始来源的配置,体现了第三方平台对原始来源提供的样本数据的认可,第三方平台对原始来源的配置综合考虑了原始来源的历史上传的样本数据的可靠性;二、用户对原始来源的配置,体现了用户自身对于原始来源的认可;三、第三方平台的其他数据来源对原始来源的认可度,其他数据来源可以是第三方平台的其他用户,体现了原始来源在用户群内的可信度;综合三个方面,保证数据来源可靠性验证的准确性。
在一个实施例中,的基于卷积神经网络的动力电池焊接质量检测方法还包括:
在从第三方平台获取第二样本数据之前,采用测试集对检测模型进行测试,获取第一测试结果;
在基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型之后,采用测试集对检测模型进行测试,获取第二测试结果;
比较第一测试结果和第二测试结果,获取第一测试结果和第二测试结果的差异情况;
基于差异情况调整第一可信值和/或第二可信值和/或第三可信值;
其中,基于差异情况调整第一可信值和/或第二可信值和/或第三可信值,包括:
当差异情况为第一测试结果小于第二测试结果且第一测试结果与第二测试结果的差值大于等于第一预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行上调,上调公式如下:
其中,k0表示上调前的第一可信值或第二可信值或第三可信值;k1为预设的上调幅度值;K1表示上调后的第一可信值或第二可信值或第三可信值;kH表示预设的上调上限值;X表示第一可信值或第二可信值或第三可信值在计算可信度时的占比;
当差异情况为第一测试结果大于第二测试结果且第一测试结果与第二测试结果的差值大于等于第二预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行下调,下调公式如下:
其中,K2表示下调后的第一可信值或第二可信值或第三可信值;k1为预设的下调幅度值;kL表示预设的下调下限值。
当差异情况为第一测试结果大于第二测试结果且第一测试结果与第二测试结果的差值小于第二预设差值时,或,当差异情况为第一测试结果小于第二测试结果且第一测试结果与第二测试结果的差值小于第一预设差值时,不进行上调和下调操作。
上述技术方案的工作原理及有益效果为:
在对模型进行更新前后模型进行测试,以验证模型更新前后的效果,当模型更新后的准确率提高时,对提供第二样本数据的原始数据的可靠性验证的三个可信值进行上调;当模型更新后的准确率降低,进行下调;以保证后续更新时对原始来源的可靠性验证的准确。
在一个实施例中,计算第一曲线和第二曲线的相似度包括:
对第一曲线和第二曲线进行特征提取,分别获取对应第一曲线的第一特征向量和对应第二曲线的第二特征向量;
计算第一特征向量与第二特征向量的相似度,计算公式如下:
其中,M为相似度;ai表示第一特征向量中第i个参数值;bi表示第二特征向量中第i个参数值;m表示第一特征向量中参数值的个数;
其中,对第一曲线和第二曲线进行特征提取的特征提取方法包括:
基于预设的采样规则在第一曲线和第二曲线上进行采样获取多个采样点;
将采样点两两关联确定多个采样向量;
计算第一曲线和第二曲线的长度值;
将采样点的坐标值和/或采样向量的参数值和/或长度值作为第一特征向量的参数值或第二特征向量的参数值。
上述技术方案的工作原理及有益效果为:
在确定第一曲线和第二曲线的相似度时,可以采用特征提取的方式,获取表征第一曲线的第一特征向量和表征第二曲线的第二特征向量;采用余弦相似度计算方法计算特征向量之间相似度作为第一曲线和第二曲线的相似度;特征提取主要提取曲线上的特征点、特征点之间的关系和曲线的本身长度。
本发明还提供一种基于卷积神经网络的动力电池焊接质量检测系统,包括:
模型构建模块,用于构建初始卷积神经网络模型;
样本获取模块,用于获取第一样本数据,将第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;
训练模块,用于基于训练集、验证集和测试集对初始卷积神经网络模型进行训练,获得检测模型;
测试模块,用于将待测试图像输入检测模型,获取第一检测结果。
上述技术方案的工作原理及有益效果为:
样本获取模块主要目的为样本采集,即在工业现场采集约4万张焊接缺陷样本,再将缺陷样本随机按比例(6:2:2)分为训练集,验证集,测试集。将SqueezeNet模型在ImageNet数据集上进行预训练,再将整个模型的所有参数提取。将提取的预训练参数作为SqueezeNet模型的初始化参数,再将训练集放入模型中进行训练。在每轮的训练后,会将验证集样本输入模型进行验证,如果验证结果跟训练结果的曲线相近,则可以证明训练的过程中没有出现过拟合或者欠拟合的情况,训练出来的参数泛化性能较好。再重复多轮训练跟验证过程,直到模型的损失值连续5轮没有下降,则可判定训练过程结束,将训练好的参数保存下来。最后用测试样本进行检验,判断模型的可信度。将保存好的模型参数部署到嵌入式平台,可以实现实时的对输入的焊接样本进行检测,以识别其具体的缺陷类型。
传统图像处理的方式,如模板匹配法,需要花费大量的时间建立不同缺陷类型的模板,再根据模板来对目标图像进行匹配,以判断其缺陷类型。在焊接缺陷纹理复杂,外形多变的情况下,识别效果不佳。本发明提供一种基于卷积神经网络模型的缺陷检测系统,通过采集大量训练样本,再根据样本的缺陷情况进行分类,制作出适合训练和测试的分类数据集,最后再基于该训练集训练出能够将缺陷图像准确分类的卷积神经网络模型。该方法能有效克服传统分类技术中准确率低、特征提取困难等问题。
为实现初始卷积神经模型的构建,在一个实施例中,模型构建模块执行如下操作:
获取第一SqueezeNet模型在ImageNet数据集上进行训练后的模型的模型参数;
基于模型参数对预存的第二SqueezeNet模型进行初始化后获得初始化后的第二SqueezeNet模型作为初始卷积神经网络模型。
在一个实施例中,训练模块执行如下操作:
将训练集输入初始卷积神经网络模型中进行训练,获取训练结果;
在训练结束后将验证集输入初始卷积神经网络模型中进行验证,获取验证结果;
基于训练结果构建第一曲线;
基于验证结果构建第二曲线;
计算第一曲线和第二曲线的相似度,当相似度小于预设阈值时,执行回退操作,重新采用训练集对初始卷积神经网络模型训练;当相似度大于等于预设阈值时,继续采用训练集对初始卷积神经网络模型进行训练;
重复训练和验证,直至初始卷积神经网络模型收敛;
采用测试集对收敛后的初始卷积神经网络模型进行测试,当测试通过时,将初始卷积神经网络模型作为检测模型。
上述技术方案的工作原理及有益效果为:
在每次采用训练集训练后需要采用验证集进行验证;以保证本次训练的可信;当验证集验证时采用训练结果和验证结果分别构建第一曲线和第二曲线;以第一曲线和第二曲线的相似度作为第一曲线和第二曲线相近的标示;当相似度下于预设阈值时,说明本次训练的参数泛化性能并不好,需要进行回退操作,即将模型的参数重置到上一训练后的状态;重新进行训练;以此保证最后训练的检测模型的可行性;在训练完成后需要对训练后的模型进行测试,当测试结果为通过时将训练后的模型作为检测模型。
在一个实施例中,基于卷积神经网络的动力电池焊接质量检测系统,还包括:更新模块,用于采用第三方平台的第二样本数据对检测模型进行更新;
更新模块执行如下操作:
定时从第三方平台获取第二样本数据;
解析第二样本数据,获取第二样本图像和对应于第二样本图像的第二样本结果;
将第二样本数据输入检测模型,获取第二检测结果;
比对第二检测结果与第二样本结果;当比对结果为第二检测结果与第二样本结果不同时,获取第二样本数据的原始来源;
对第二样本数据的原始来源进行可靠性验证,当验证通过时,将第二样本数据添加进第一样本数据中,形成新的第一样本数据;
基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型;
上述技术方案的工作原理及有益效果为:
为了保证检测样本的活力及提高其准确度;通过定时从第三方平台获取第二样本数据,将第二样本数据和第一样本数据合并后对初始卷积神经网络模型进行训练,获得更新后的新的检测模型。
在一个实施例中,对第二样本数据的原始来源进行验证,包括:
获取第三方平台对于原始来源配置的第一可信值;
获取用户对于原始来源配置的第二可信值;
获取第三方平台上其他来源对于原始来源配置的第三可信值;
基于第一可信值、第二可信值和第三可信值,计算原始来源的可信度,计算公式如下:
其中,H为原始来源的可信度;D1为第一可信值;D2为第二可信值;D3,j为第j个其他来源对于原始来源的第三可信值;N为其他来源的数目;α为用户预先配置的第一可信值的权重;β为用户预先配置的第二可信值的权重;γ为用户预先配置的第三可信值的权重;δj为用户预先配置的对于第j个其他来源的信任系数;
当可信度大于预设的验证阈值时,通过可靠性验证;
上述技术方案的工作原理及有益效果为:
通过对第二样本数据的原始来源的可信度进行确定,保证第二样本数据的准确,避免采用错误的第二样本数据对模型进行训练;可信度主要可以从三方面进行确定:一、第三方平台对原始来源的配置,体现了第三方平台对原始来源提供的样本数据的认可,第三方平台对原始来源的配置综合考虑了原始来源的历史上传的样本数据的可靠性;二、用户对原始来源的配置,体现了用户自身对于原始来源的认可;三、第三方平台的其他数据来源对原始来源的认可度,其他数据来源可以是第三方平台的其他用户,体现了原始来源在用户群内的可信度;综合三个方面,保证数据来源可靠性验证的准确性。
在一个实施例中,的基于卷积神经网络的动力电池焊接质量检测方法还包括:
在从第三方平台获取第二样本数据之前,采用测试集对检测模型进行测试,获取第一测试结果;
在基于新的第一样本数据对初始卷积神经网络模型进行训练,获取新的检测模型之后,采用测试集对检测模型进行测试,获取第二测试结果;
比较第一测试结果和第二测试结果,获取第一测试结果和第二测试结果的差异情况;
基于差异情况调整第一可信值和/或第二可信值和/或第三可信值;
其中,基于差异情况调整第一可信值和/或第二可信值和/或第三可信值,包括:
当差异情况为第一测试结果小于第二测试结果且第一测试结果与第二测试结果的差值大于等于第一预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行上调,上调公式如下:
其中,k0表示上调前的第一可信值或第二可信值或第三可信值;k1为预设的上调幅度值;K1表示上调后的第一可信值或第二可信值或第三可信值;kH表示预设的上调上限值;X表示第一可信值或第二可信值或第三可信值在计算可信度时的占比;
当差异情况为第一测试结果大于第二测试结果且第一测试结果与第二测试结果的差值大于等于第二预设差值时,对第一可信值和/或第二可信值和/或第三可信值进行下调,下调公式如下:
其中,K2表示下调后的第一可信值或第二可信值或第三可信值;k1为预设的下调幅度值;kL表示预设的下调下限值。
上述技术方案的工作原理及有益效果为:
在对模型进行更新前后模型进行测试,以验证模型更新前后的效果,当模型更新后的准确率提高时,对提供第二样本数据的原始数据的可靠性验证的三个可信值进行上调;当模型更新后的准确率降低,进行下调;以保证后续更新时对原始来源的可靠性验证的准确。
在一个实施例中,计算第一曲线和第二曲线的相似度包括:
对第一曲线和第二曲线进行特征提取,分别获取对应第一曲线的第一特征向量和对应第二曲线的第二特征向量;
计算第一特征向量与第二特征向量的相似度,计算公式如下:
其中,M为相似度;ai表示第一特征向量中第i个参数值;bi表示第二特征向量中第i个参数值;m表示第一特征向量中参数值的个数;
其中,对第一曲线和第二曲线进行特征提取的特征提取方法包括:
基于预设的采样规则在第一曲线和第二曲线上进行采样获取多个采样点;
将采样点两两关联确定多个采样向量;
计算第一曲线和第二曲线的长度值;
将采样点的坐标值和/或采样向量的参数值和/或长度值作为第一特征向量的参数值或第二特征向量的参数值。
上述技术方案的工作原理及有益效果为:
在确定第一曲线和第二曲线的相似度时,可以采用特征提取的方式,获取表征第一曲线的第一特征向量和表征第二曲线的第二特征向量;采用余弦相似度计算方法计算特征向量之间相似度作为第一曲线和第二曲线的相似度;特征提取主要提取曲线上的特征点、特征点之间的关系和曲线的本身长度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于卷积神经网络的动力电池焊接质量检测方法,其特征在于,包括:
构建初始卷积神经网络模型;
获取第一样本数据,将所述第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;
基于所述训练集、所述验证集和所述测试集对所述初始卷积神经网络模型进行训练,获得检测模型;
将待测试图像输入所述检测模型,获取第一检测结果;
定时从第三方平台获取第二样本数据;
解析所述第二样本数据,获取第二样本图像和对应于所述第二样本图像的第二样本结果;
将所述第二样本数据输入所述检测模型,获取第二检测结果;
比对所述第二检测结果与所述第二样本结果;当比对结果为所述第二检测结果与所述第二样本结果不同时,获取所述第二样本数据的原始来源;
对所述第二样本数据的原始来源进行可靠性验证,当验证通过时,将所述第二样本数据添加进所述第一样本数据中,形成新的第一样本数据;
基于新的所述第一样本数据对所述初始卷积神经网络模型进行训练,获取新的检测模型;
其中,对所述第二样本数据的原始来源进行验证,包括:
获取所述第三方平台对于所述原始来源配置的第一可信值;
获取用户对于所述原始来源配置的第二可信值;
获取所述第三方平台上其他来源对于所述原始来源配置的第三可信值;
基于所述第一可信值、所述第二可信值和所述第三可信值,计算所述原始来源的可信度,计算公式如下:
其中,H为所述原始来源的所述可信度;D1为所述第一可信值;D2为所述第二可信值;D3,j为第j个其他来源对于所述原始来源的第三可信值;N为所述其他来源的数目;α为用户预先配置的所述第一可信值的权重;β为用户预先配置的所述第二可信值的权重;γ为用户预先配置的所述第三可信值的权重;δj为用户预先配置的对于第j个其他来源的信任系数;
当所述可信度大于预设的验证阈值时,通过所述可靠性验证;
所述的基于卷积神经网络的动力电池焊接质量检测方法还包括:
在从第三方平台获取第二样本数据之前,采用所述测试集对所述检测模型进行测试,获取第一测试结果;
在所述基于新的所述第一样本数据对所述初始卷积神经网络模型进行训练,获取新的检测模型之后,采用所述测试集对所述检测模型进行测试,获取第二测试结果;
比较所述第一测试结果和所述第二测试结果,获取所述第一测试结果和所述第二测试结果的差异情况;
基于所述差异情况调整所述第一可信值和/或所述第二可信值和/或所述第三可信值;
其中,基于所述差异情况调整所述第一可信值和/或所述第二可信值和/或所述第三可信值,包括:
当所述差异情况为所述第一测试结果小于所述第二测试结果且所述第一测试结果与所述第二测试结果的差值大于等于第一预设差值时,对所述第一可信值和/或所述第二可信值和/或所述第三可信值进行上调,上调公式如下:
其中,k0表示上调前的所述第一可信值或所述第二可信值或所述第三可信值;k1为预设的上调幅度值;K1表示上调后的所述第一可信值或所述第二可信值或所述第三可信值;kH表示预设的上调上限值;X表示所述第一可信值或所述第二可信值或所述第三可信值在计算所述可信度时的占比;
当所述差异情况为所述第一测试结果大于所述第二测试结果且所述第一测试结果与所述第二测试结果的差值大于等于第二预设差值时,对所述第一可信值和/或所述第二可信值和/或所述第三可信值进行下调,下调公式如下:
其中,K2表示下调后的所述第一可信值或所述第二可信值或所述第三可信值;k1为预设的下调幅度值;kL表示预设的下调下限值;
其中,所述第一样本数据为在往动力电池上焊接防爆阀的工业现场采集的焊接缺陷样本。
2.如权利要求1所述的基于卷积神经网络的动力电池焊接质量检测方法,其特征在于,所述构建初始卷积神经模型包括:
获取第一SqueezeNet模型在ImageNet数据集上进行训练后的模型的模型参数;
基于所述模型参数对预存的第二SqueezeNet模型进行初始化后获得初始化后的第二SqueezeNet模型作为所述初始卷积神经网络模型。
3.如权利要求1所述的基于卷积神经网络的动力电池焊接质量检测方法,其特征在于,所述基于所述训练集、所述验证集合所述测试集对所述初始卷积神经网络模型进行训练,获得检测模型;包括:
将所述训练集输入所述初始卷积神经网络模型中进行训练,获取训练结果;
在训练结束后将所述验证集输入所述初始卷积神经网络模型中进行验证,获取验证结果;
基于所述训练结果构建第一曲线;
基于所述验证结果构建第二曲线;
计算所述第一曲线和所述第二曲线的相似度,当所述相似度小于预设阈值时,执行回退操作,重新采用所述训练集对所述初始卷积神经网络模型训练;当所述相似度大于等于预设阈值时,继续采用所述训练集对所述初始卷积神经网络模型进行训练;
重复训练和验证,直至所述初始卷积神经网络模型收敛;
采用所述测试集对收敛后的所述初始卷积神经网络模型进行测试,当测试通过时,将所述初始卷积神经网络模型作为所述检测模型。
4.如权利要求3所述的基于卷积神经网络的动力电池焊接质量检测方法,其特征在于,所述计算所述第一曲线和所述第二曲线的相似度包括:
对所述第一曲线和所述第二曲线进行特征提取,分别获取对应所述第一曲线的第一特征向量和对应所述第二曲线的第二特征向量;
计算所述第一特征向量与所述第二特征向量的相似度,计算公式如下:
其中,M为所述相似度;ai表示所述第一特征向量中第i个参数值;bi表示所述第二特征向量中第i个参数值;m表示所述第一特征向量中所述参数值的个数;
其中,对所述第一曲线和所述第二曲线进行特征提取的特征提取方法包括:
基于预设的采样规则在所述第一曲线和所述第二曲线上进行采样获取多个采样点;
将所述采样点两两关联确定多个采样向量;
计算所述第一曲线和第二曲线的长度值;
将所述采样点的坐标值和/或所述采样向量的参数值和/或所述长度值作为所述第一特征向量的参数值或所述第二特征向量的参数值。
5.一种基于卷积神经网络的动力电池焊接质量检测系统,其特征在于,包括:
模型构建模块,用于构建初始卷积神经网络模型;
样本获取模块,用于获取第一样本数据,将所述第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;
训练模块,用于基于所述训练集、所述验证集和所述测试集对所述初始卷积神经网络模型进行训练,获得检测模型;
测试模块,用于将待测试图像输入所述检测模型,获取第一检测结果;
更新模块,用于采用第三方平台的第二样本数据对所述检测模型进行更新;
所述更新模块执行如下操作:
定时从第三方平台获取第二样本数据;
解析所述第二样本数据,获取第二样本图像和对应于所述第二样本图像的第二样本结果;
将所述第二样本数据输入所述检测模型,获取第二检测结果;
比对所述第二检测结果与所述第二样本结果;当比对结果为所述第二检测结果与所述第二样本结果不同时,获取所述第二样本数据的原始来源;
对所述第二样本数据的原始来源进行可靠性验证,当验证通过时,将所述第二样本数据添加进所述第一样本数据中,形成新的第一样本数据;
基于新的所述第一样本数据对所述初始卷积神经网络模型进行训练,获取新的检测模型;
其中,对所述第二样本数据的原始来源进行验证,包括:
获取所述第三方平台对于所述原始来源配置的第一可信值;
获取用户对于所述原始来源配置的第二可信值;
获取所述第三方平台上其他来源对于所述原始来源配置的第三可信值;
基于所述第一可信值、所述第二可信值和所述第三可信值,计算所述原始来源的可信度,计算公式如下:
其中,H为所述原始来源的所述可信度;D1为所述第一可信值;D2为所述第二可信值;D3,j为第j个其他来源对于所述原始来源的第三可信值;N为所述其他来源的数目;α为用户预先配置的所述第一可信值的权重;β为用户预先配置的所述第二可信值的权重;γ为用户预先配置的所述第三可信值的权重;δj为用户预先配置的对于第j个其他来源的信任系数;
当所述可信度大于预设的验证阈值时,通过所述可靠性验证;
所述的基于卷积神经网络的动力电池焊接质量检测方法还包括:
在从第三方平台获取第二样本数据之前,采用所述测试集对所述检测模型进行测试,获取第一测试结果;
在所述基于新的所述第一样本数据对所述初始卷积神经网络模型进行训练,获取新的检测模型之后,采用所述测试集对所述检测模型进行测试,获取第二测试结果;
比较所述第一测试结果和所述第二测试结果,获取所述第一测试结果和所述第二测试结果的差异情况;
基于所述差异情况调整所述第一可信值和/或所述第二可信值和/或所述第三可信值;
其中,基于所述差异情况调整所述第一可信值和/或所述第二可信值和/或所述第三可信值,包括:
当所述差异情况为所述第一测试结果小于所述第二测试结果且所述第一测试结果与所述第二测试结果的差值大于等于第一预设差值时,对所述第一可信值和/或所述第二可信值和/或所述第三可信值进行上调,上调公式如下:
其中,k0表示上调前的所述第一可信值或所述第二可信值或所述第三可信值;k1为预设的上调幅度值;K1表示上调后的所述第一可信值或所述第二可信值或所述第三可信值;kH表示预设的上调上限值;X表示所述第一可信值或所述第二可信值或所述第三可信值在计算所述可信度时的占比;
当所述差异情况为所述第一测试结果大于所述第二测试结果且所述第一测试结果与所述第二测试结果的差值大于等于第二预设差值时,对所述第一可信值和/或所述第二可信值和/或所述第三可信值进行下调,下调公式如下:
其中,K2表示下调后的所述第一可信值或所述第二可信值或所述第三可信值;k1为预设的下调幅度值;kL表示预设的下调下限值;
其中,所述第一样本数据为在往动力电池上焊接防爆阀的工业现场采集的焊接缺陷样本。
6.如权利要求5所述的基于卷积神经网络的动力电池焊接质量检测系统,其特征在于,所述模型构建模块执行如下操作:
获取第一SqueezeNet模型在ImageNet数据集上进行训练后的模型的模型参数;
基于所述模型参数对预存的第二SqueezeNet模型进行初始化后获得初始化后的第二SqueezeNet模型作为所述初始卷积神经网络模型。
7.如权利要求5所述的基于卷积神经网络的动力电池焊接质量检测系统,其特征在于,所述训练模块执行如下操作:
将所述训练集输入所述初始卷积神经网络模型中进行训练,获取训练结果;
在训练结束后将所述验证集输入所述初始卷积神经网络模型中进行验证,获取验证结果;
基于所述训练结果构建第一曲线;
基于所述验证结果构建第二曲线;
计算所述第一曲线和所述第二曲线的相似度,当所述相似度小于预设阈值时,执行回退操作,重新采用所述训练集对所述初始卷积神经网络模型训练;当所述相似度大于等于预设阈值时,继续采用所述训练集对所述初始卷积神经网络模型进行训练;
重复训练和验证,直至所述初始卷积神经网络模型收敛;
采用所述测试集对收敛后的所述初始卷积神经网络模型进行测试,当测试通过时,将所述初始卷积神经网络模型作为所述检测模型。
8.如权利要求7所述的基于卷积神经网络的动力电池焊接质量检测系统,其特征在于,所述计算所述第一曲线和所述第二曲线的相似度包括:
对所述第一曲线和所述第二曲线进行特征提取,分别获取对应所述第一曲线的第一特征向量和对应所述第二曲线的第二特征向量;
计算所述第一特征向量与所述第二特征向量的相似度,计算公式如下:
其中,M为所述相似度;ai表示所述第一特征向量中第i个参数值;bi表示所述第二特征向量中第i个参数值;m表示所述第一特征向量中所述参数值的个数;
其中,对所述第一曲线和所述第二曲线进行特征提取的特征提取方法包括:
基于预设的采样规则在所述第一曲线和所述第二曲线上进行采样获取多个采样点;
将所述采样点两两关联确定多个采样向量;
计算所述第一曲线和第二曲线的长度值;
将所述采样点的坐标值和/或所述采样向量的参数值和/或所述长度值作为所述第一特征向量的参数值或所述第二特征向量的参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139458.7A CN112215834B (zh) | 2020-10-22 | 2020-10-22 | 基于卷积神经网络的动力电池焊接质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139458.7A CN112215834B (zh) | 2020-10-22 | 2020-10-22 | 基于卷积神经网络的动力电池焊接质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215834A CN112215834A (zh) | 2021-01-12 |
CN112215834B true CN112215834B (zh) | 2022-04-01 |
Family
ID=74054794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011139458.7A Active CN112215834B (zh) | 2020-10-22 | 2020-10-22 | 基于卷积神经网络的动力电池焊接质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215834B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113894390B (zh) * | 2021-10-15 | 2023-03-24 | 兰州理工大学 | 一种脉冲钨极氩弧焊熔透状态检测方系统、终端、介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023154A (zh) * | 2016-05-09 | 2016-10-12 | 西北工业大学 | 基于双通道卷积神经网络的多时相sar图像变化检测方法 |
CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
-
2020
- 2020-10-22 CN CN202011139458.7A patent/CN112215834B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023154A (zh) * | 2016-05-09 | 2016-10-12 | 西北工业大学 | 基于双通道卷积神经网络的多时相sar图像变化检测方法 |
CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
A lightweight deep learning algorithm for inspection of laser welding defects on safety vent of power battery;Yatao Yang等;《sciencedirect.com》;20200829;第1~8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112215834A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766103B (zh) | 一种机房巡检方法及装置 | |
WO2019233166A1 (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
CN109815770B (zh) | 二维码检测方法、装置及系统 | |
CN108734283B (zh) | 神经网络系统 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN109918523B (zh) | 一种基于yolo9000算法的电路板元器件检测方法 | |
US11721229B2 (en) | Question correction method, device, electronic equipment and storage medium for oral calculation questions | |
WO2021056914A1 (zh) | 一种目标检测模型的自动建模方法及装置 | |
US11783471B2 (en) | Method and device for determining whether object includes defect | |
US20210073628A1 (en) | Deep neural network training method and apparatus, and computer device | |
CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别系统 | |
CN112215834B (zh) | 基于卷积神经网络的动力电池焊接质量检测方法及系统 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN108509727B (zh) | 数据建模中的模型选择处理方法及装置 | |
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN113762049B (zh) | 内容识别方法、装置、存储介质和终端设备 | |
CN111340748A (zh) | 电池缺陷识别方法、装置、计算机设备和存储介质 | |
CN116167336B (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN106709598B (zh) | 一种基于单类样本的电压稳定性预测判断方法 |
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 |