CN113343429B - 一种工业加工过程中内胆附着力质量预测方法和系统 - Google Patents
一种工业加工过程中内胆附着力质量预测方法和系统 Download PDFInfo
- Publication number
- CN113343429B CN113343429B CN202110535227.6A CN202110535227A CN113343429B CN 113343429 B CN113343429 B CN 113343429B CN 202110535227 A CN202110535227 A CN 202110535227A CN 113343429 B CN113343429 B CN 113343429B
- Authority
- CN
- China
- Prior art keywords
- network
- product quality
- data set
- data
- quality
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种工业加工过程中内胆附着力质量预测方法和系统,方法包括:获取内胆附着力的动态产品质量数据集和静态产品质量数据集;将动态产品质量数据集载入第一网络中,从时序数据中提取特征,然后利用分类器得出第一内胆附着力质量预测结果;将静态产品质量数据集载入第二网络中,从静态数据中提取特征,然后利用分类器得出第二内胆附着力质量预测结果;将第一网络提取的特征和第二网络提取的特征融合,送入第三网络中,进行密集型质量预测,得出第三内胆附着力质量预测结果;综合分析三个预测结果,得出最终的内胆附着力质量预测结果。与现有技术相比,本发明实现了在生产过程中实时、快速、准确地预测海尔内胆附着力质量。
Description
技术领域
本发明涉及产品质量预测技术领域,尤其是涉及一种工业加工过程中内胆附着力质量预测方法和系统。
背景技术
产品质量预测是工业生产过程中的一项关键任务,它有助于及时发现故障、降低制造成本、优化生产流程、提高工业安全和实现可持续生产。同时,提高产品质量可以显著提升制造商的竞争力,增加直接经济效益。因此,建立产品质量预测模型引起了人们的极大关注。然而,产品质量预测任务艰巨而复杂,受多种因素的影响。一方面,生产过程中包含了大量的零部件和操作单元,产生了大规模的包含不同类型的高维数据,给数据处理和降维带来了挑战。这些数据包含人为记录的静态数据和电子传感器记录的实时动态数据,如传感器记录温度、湿度、旋转等随时间的变化,因此在这一阶段形成一个多元时间序列数据。通过研究这些数据,可以实现实时产品质量预测。多变量时间序列数据与产品质量高度相关,因此设计出一种既包含静态数据又包含多源异构动态数据的质量预测模型是重点。另一方面,在工业实践中,有标记的数据只占所有数据的一小部分,大部分数据都是无标签的。如果能够合理利用隐藏在大量未标注数据中的信息,可以提高产品质量预测模型的性能,特别是在标注数据非常有限的情况下。
为了确保最终产品质量符合规范要求,研究人员开展了广泛研究,包括机械建模方法和数据驱动方法。这些模型可分为有监督机器学习模型和无监督机器学习模型,在线测量法和离线测量法等。近年来,自动预测实现统计分析的基础上,作为一个传统方法,已被用于从工业的数据中提取隐藏的有价值的信息。在其理论基础上,发展了线性回归、非线性回归、推理学习、专家系统等方法。近年来,针对单一和小规模过程,研究人员提出了质量相关的监测方法。其中,PLS是应用最广泛的方法,它将过程变量空间分解为两个子空间:质量相关子空间和质量无关子空间。基于mapreduce的Hadoop是一种流行的分布式并行平台,已应用于大数据的交通流量预测、质量预测、进程监控。
一些智能和软计算模型已被应用于各种各样的制造过程,如生产、故障检测、过程规划和监控、机器维护和质量预测和控制。用多层感知器神经网络预测模具表面粗糙度和波峰焊接过程中的产品质量误差。支持向量机和径向基函数神经网络用于预测工业过程中丙烯聚合的质量。Chien等人应用K-means聚类算法和决策树来检测半导体制造中的缺陷。利用反向传播神经网络、支持向量机和遗传算法对塑料注射成型过程的质量预测进行了研究。Ghorai等人利用一些核分类器,如支持向量机和向量值正则化核函数逼近,开发了一种视觉检测系统来定位热轧钢表面的缺陷。Wu等人介绍了一种基于随机森林的刀具磨损预测方法,并与支持向量回归和前馈反向传播神经网络的性能进行了比较
然而,传统的建模和监控系统主要是建立在小规模过程,对于大规模复杂场景的加工过程不具有通用性,特别是随着生产结构的日益复杂,机械建模方法已逐渐不适用于质量预测问题。数据驱动方法将复杂的工业过程作为黑盒系统,重视对复杂工业数据进行处理以实现质量预测问题。近年来,随着计算机技术的发展,人工智能由于不考虑制造过程对信息的最低要求而引起了研究者的关注。人工神经网络(ANN)是其中最著名的一种表示,如自组织神经网络,反向传播神经网络,径向基函数神经网络,概率神经网络。为了保证预测的准确性,运用深度学习的方法从复杂的数据结构中发现知识并构建具有密集特征学习能力的新网络成为研究重点。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种对产品质量数据进行预测的工业加工过程中内胆附着力质量预测方法和系统。
本发明的目的可以通过以下技术方案来实现:
一种工业加工过程中内胆附着力质量预测方法,包括以下步骤:
S1:获取内胆附着力的动态产品质量数据集和静态产品质量数据集,所述动态产品质量数据集和静态产品质量数据集均包括有标签数据和无标签数据,对所述动态产品质量数据集和静态产品质量数据集分别进行预处理;
S2:将所述动态产品质量数据集载入预先建立并训练好的第一网络中,从时序数据中提取特征,然后利用分类器得出第一内胆附着力质量预测结果;
S3:将所述静态产品质量数据集载入预先建立并训练好的第二网络中,从静态数据中提取特征,然后利用分类器得出第二内胆附着力质量预测结果;
S4:将第一网络从动态产品质量数据集中提取的特征和第二网络从静态产品质量数据集中提取的特征融合,然后送入预先建立并训练好的第三网络中,进行密集型质量预测,得出第三内胆附着力质量预测结果;
S5:综合分析第一内胆附着力质量预测结果、第二内胆附着力质量预测结果和第三内胆附着力质量预测结果,得出最终的内胆附着力质量预测结果。
进一步地,通过执行所述步骤S1,获取训练用的动态产品质量数据集和静态产品质量数据集,并划分为训练集和测试集,用于所述第一网络、第二网络和第三网络的训练。
进一步地,所述第一网络为ResNet-TCN(时序卷积网络,Temporal convolutionalnetwork,TCN)网络,所述第二网络为深度残差收缩网络,所述第三网络为DenseNet网络。
进一步地,所述ResNet-TCN网络的训练过程包括以下步骤:
S21:将所述动态产品质量数据集中的有标签数据送入并联的ResNet-TCN网络中,提取时序特征,并运用分类器对内胆附着力进行二分类评估,得到初步训练的ResNet-TCN网络;
S22:将所述动态产品质量数据集中的无标签数据先进行聚类操作,然后再送入初步训练的ResNet-TCN网络中,运用半监督学习机制对无标签数据贴上伪标签;
S23:将带有伪标签的动态数据和有标签的动态数据送入初步训练的多任务ResNet-TCN网络中,进一步训练ResNet-TCN网络,得到最优的内胆附着力产品质量预测ResNet-TCN网络模型。
进一步地,所述深度残差收缩网络的训练过程包括以下步骤:
S31:将所述静态产品质量数据集中的有标签数据送入深度残差收缩网络中,提取特征,并运用分类器对内胆附着力进行二分类评估,得到初步训练的深度残差收缩网络;
S32:对所述静态产品质量数据集中的无标签数据先进行聚类操作,然后再送入初步训练的深度残差收缩网络中,运用半监督学习机制对无标签数据贴上伪标签;
S33:将带有伪标签的动态数据和有标签的静态数据送入初步训练的深度残差收缩网络中,进一步训练深度残差收缩网络,得到最优的内胆附着力产品质量预测深度残差收缩网络模型。
进一步地,所述DenseNet网络的训练过程包括以下步骤:
将ResNet-TCN网络从动态产品质量数据集中提取的特征和深度残差收缩网络从静态产品质量数据集中提取的特征融合,然后送入DenseNet网络中,进行密集型质量预测,多次训练调优得到最优的内胆附着力产品质量预测DenseNet网络模型。
进一步地,所述通过训练集和测试集,训练所述第一网络、第二网络和第三网络具体为:
通过训练集对所述第一网络、第二网络和第三网络进行训练,通过测试集验证所述最终的内胆附着力质量预测结果,并判断验证结果准确率是否达到预设的准确度阈值,若是,则完成网络训练,若否,则重新进行网络训练。
进一步地,所述预处理包括对动态产品质量数据集和静态产品质量数据集进行标准化和离散化操作,并对无标签数据进行聚类操作。
进一步地,所述第一网络、第二网络和第三网络的运行环境均包括开源的Python3.6、Tensorflow框架、Nvidia 1080Ti GPU和windows 10。
本发明还提供一种工业加工过程中内胆附着力质量预测系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上任一所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
本发明提出了一种新的内胆附着力质量预测方法,各网络模型中引入多任务学习机制和半监督学习技术,并同时考虑了动态数据、静态数据、有标签数据和无标签数据,此方法不仅准确率高速度快,而且具有很好的逼近能力和全局最优性能;并且大量的综合实验,验证了新方法与现有方法相比准确率更高和鲁棒性更强。
附图说明
图1为本发明实施例中工业加工过程中内胆附着力质量预测方法的流程示意图;
图2为本发明实施例中工业加工过程中海尔内胆附着力质量预测模型的结构示意图;
图3为ResNet-TCN网络的结构示意图;
图4为深度残差收缩网络的结构示意图;
图5为本实施例提出的模型对产品质量数据进行预测的预测结果示意图;
图中,TCN为Temporal convolutional network:时序卷积网络,FC为fullyconnected layers:全连接层,Conv Block为卷积块,Task为数据任务,WeightNorm为WeightNorm函数,Relu为Relu激活函数,Dropout为池化,GAP为GAP函数,BN为BN函数,Identity Shortcut为身份快捷方式,Absolute为绝对值。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例1
如图1所示,本实施例提供一种工业加工过程中内胆附着力质量预测方法,具体应用在海尔内胆附着力质量预测中,包括以下步骤:
S1、获取动态和静态产品质量数据集,包含有标签和无标签数据,并对其预处理。
S2、将动态数据集送入ResNet-TCN网络,从时序数据中提取特征,然后利用分类器得出海尔内胆附着力质量预测结果;
S3、将静态数据集送入深度残差收缩网络,从静态数据中提取特征,然后利用分类器得出海尔内胆附着力质量预测结果;
S4、将从动态数据提取的特征和静态数据提取的特征融合,然后送入DenseNet网络中,进行密集型质量预测。
S5、综合分析三个模型的预测输出结果,得出最终的海尔内胆附着力质量预测结果。
本实施例中,海尔热水器内胆附着力数据集包含7560条数据,静态数据含有3230条,含有标签的数据1220条,其余的为无标签数据,每条数据含有为21维,即在生产过程中,影响最终产品质量的因素有21个。动态数据含有4330条,含有标签的数据1830条,其余的为无标签数据,共有五类动态数据。对数据集进行标准化、离散化操作,并对无标签数据进行聚类操作。
本发明提出的工业加工过程中海尔内胆附着力质量预测模型结构如图2所示,模型包括用于处理静态数据的深度残差收缩网络DRSN、用于处理动态数据的多任务学习模型Res-Net-TCN和预测补充模型DenseNet。
在具体的工业加工过程中海尔内胆附着力质量预测模型进行训练时,可在开源的Python 3.6、Tensorflow框架,Nvidia 1080Ti GPU,Windows 10上运行提出的模型。
模型训练过程具体包括以下步骤:
对数据集进行标准化、离散化操作,并对无标签数据进行聚类操作。
将数据预处理操作后的工业加工过程中关于海尔内胆附着力产品质量数据集的70%作为训练集、30%作为测试集。
ResNet-TCN网络的训练过程包括以下步骤:
S21:将动态数据中的有标签数据送入并联的ResNet-TCN网络中,提取时序特征,并运用分类器对海尔内胆附着力进行二分类评估,得到初步训练的网络。
S22:将动态数据中的无标签数据先进行聚类操作,然后再送入初步训练的并联的ResNet-TCN网络中,运用半监督学习机制对无标签数据贴上伪标签。
S23:将带有伪标签的动态数据和有标签的动态数据送入初步训练的多任务ResNet-TCN网络中,进一步训练ResNet-TCN网络,得到最优的海尔内胆附着力产品质量预测ResNet-TCN网络模型。
深度残差收缩网络的训练过程包括以下步骤:
S31:将静态数据中的有标签数据送入DRSN网络中,提取特征,并运用分类器对海尔内胆附着力进行二分类评估,得到初步训练的网络。
S32:将静态数据中的无标签数据先进行聚类操作,然后再送入初步训练的DRSN网络中,运用半监督学习机制对无标签数据贴上伪标签。
S33:将带有伪标签的动态数据和有标签的静态数据送入初步训练的DRSN网络中,进一步训练DRSN网络,得到最优的海尔内胆附着力产品质量预测DRSN网络模型。
DenseNet网络的训练过程包括以下步骤:
将运用ResNet-TCN网络从动态数据提取的特征和运用DRSN网络从静态数据提取的特征融合,然后送入DenseNet网络中,进行密集型质量预测。多次训练调优得到最优的海尔内胆附着力产品质量预测网络模型
上述网络模型运行环境包括开源的Python 3.6、Tensorflow框架,Nvidia 1080TiGPU,windows 10。
按照上述过程完成工业加工过程中海尔内胆附着力质量预测模型的训练之后,再将测试集输入训练好的工业加工过程中海尔内胆附着力质量预测模型,若输出结果准确率大于或等于预设的准确度阈值,则该训练好的工业加工过程中海尔内胆附着力质量预测模型为最优模型,否则返回重新进行模型训练。
本实施例针对产品质量数据进行预测,实验效果如图5所示。结合多任务学习机制和半监督学习机制,本发明提出的模型在海尔内胆附着力质量预测方面不仅准确率高速度快,而且具有很好的逼近能力和全局最优性能。
本实施例还提供一种工业加工过程中内胆附着力质量预测系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的工业加工过程中内胆附着力质量预测方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种工业加工过程中内胆附着力质量预测方法,其特征在于,包括以下步骤:
S1:获取内胆附着力的动态产品质量数据集和静态产品质量数据集,所述动态产品质量数据集和静态产品质量数据集均包括有标签数据和无标签数据,对所述动态产品质量数据集和静态产品质量数据集分别进行预处理;
S2:将所述动态产品质量数据集载入预先建立并训练好的第一网络中,从时序数据中提取特征,然后利用分类器得出第一内胆附着力质量预测结果;
S3:将所述静态产品质量数据集载入预先建立并训练好的第二网络中,从静态数据中提取特征,然后利用分类器得出第二内胆附着力质量预测结果;
S4:将第一网络从动态产品质量数据集中提取的特征和第二网络从静态产品质量数据集中提取的特征融合,然后送入预先建立并训练好的第三网络中,进行密集型质量预测,得出第三内胆附着力质量预测结果;
S5:综合分析第一内胆附着力质量预测结果、第二内胆附着力质量预测结果和第三内胆附着力质量预测结果,得出最终的内胆附着力质量预测结果。
2.根据权利要求1所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,通过执行所述步骤S1,获取训练用的动态产品质量数据集和静态产品质量数据集,并划分为训练集和测试集,用于所述第一网络、第二网络和第三网络的训练。
3.根据权利要求2所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,所述第一网络为ResNet-TCN网络,所述第二网络为深度残差收缩网络,所述第三网络为DenseNet网络。
4.根据权利要求3所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,所述ResNet-TCN网络的训练过程包括以下步骤:
S21:将所述动态产品质量数据集中的有标签数据送入并联的ResNet-TCN网络中,提取时序特征,并运用分类器对内胆附着力进行二分类评估,得到初步训练的ResNet-TCN网络;
S22:将所述动态产品质量数据集中的无标签数据先进行聚类操作,然后再送入初步训练的ResNet-TCN网络中,运用半监督学习机制对无标签数据贴上伪标签;
S23:将带有伪标签的动态数据和有标签的动态数据送入初步训练的多任务ResNet-TCN网络中,进一步训练ResNet-TCN网络,得到最优的内胆附着力产品质量预测ResNet-TCN网络模型。
5.根据权利要求3所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,所述深度残差收缩网络的训练过程包括以下步骤:
S31:将所述静态产品质量数据集中的有标签数据送入深度残差收缩网络中,提取特征,并运用分类器对内胆附着力进行二分类评估,得到初步训练的深度残差收缩网络;
S32:对所述静态产品质量数据集中的无标签数据先进行聚类操作,然后再送入初步训练的深度残差收缩网络中,运用半监督学习机制对无标签数据贴上伪标签;
S33:将带有伪标签的动态数据和有标签的静态数据送入初步训练的深度残差收缩网络中,进一步训练深度残差收缩网络,得到最优的内胆附着力产品质量预测深度残差收缩网络模型。
6.根据权利要求3所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,所述DenseNet网络的训练过程包括以下步骤:
将ResNet-TCN网络从动态产品质量数据集中提取的特征和深度残差收缩网络从静态产品质量数据集中提取的特征融合,然后送入DenseNet网络中,进行密集型质量预测,多次训练调优得到最优的内胆附着力产品质量预测DenseNet网络模型。
7.根据权利要求3所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,所述通过训练集和测试集,训练所述第一网络、第二网络和第三网络具体为:
通过训练集对所述第一网络、第二网络和第三网络进行训练,通过测试集验证所述最终的内胆附着力质量预测结果,并判断验证结果准确率是否达到预设的准确度阈值,若是,则完成网络训练,若否,则重新进行网络训练。
8.根据权利要求1所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,所述预处理包括对动态产品质量数据集和静态产品质量数据集进行标准化和离散化操作,并对无标签数据进行聚类操作。
9.根据权利要求1所述的一种工业加工过程中内胆附着力质量预测方法,其特征在于,所述第一网络、第二网络和第三网络的运行环境均包括开源的Python 3.6、Tensorflow框架、Nvidia 1080Ti GPU和windows 10。
10.一种工业加工过程中内胆附着力质量预测系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1至9任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535227.6A CN113343429B (zh) | 2021-05-17 | 2021-05-17 | 一种工业加工过程中内胆附着力质量预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535227.6A CN113343429B (zh) | 2021-05-17 | 2021-05-17 | 一种工业加工过程中内胆附着力质量预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343429A CN113343429A (zh) | 2021-09-03 |
CN113343429B true CN113343429B (zh) | 2022-10-25 |
Family
ID=77468923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110535227.6A Active CN113343429B (zh) | 2021-05-17 | 2021-05-17 | 一种工业加工过程中内胆附着力质量预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343429B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
CN108961339A (zh) * | 2018-07-20 | 2018-12-07 | 深圳辰视智能科技有限公司 | 一种基于深度学习的点云物体姿态估计方法、装置及其设备 |
CN110674984A (zh) * | 2019-09-18 | 2020-01-10 | 国网浙江省电力有限公司 | 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法 |
CN110837842A (zh) * | 2019-09-12 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 一种视频质量评估的方法、模型训练的方法及装置 |
CN111126472A (zh) * | 2019-12-18 | 2020-05-08 | 南京信息工程大学 | 一种基于ssd改进的目标检测方法 |
CN111798439A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 线上线下融合的医疗影像质量判读方法、系统及存储介质 |
CN112291424A (zh) * | 2020-10-29 | 2021-01-29 | 上海观安信息技术股份有限公司 | 一种诈骗号码识别方法、装置、计算机设备及存储介质 |
CN112348800A (zh) * | 2020-11-11 | 2021-02-09 | 北方民族大学 | 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法 |
-
2021
- 2021-05-17 CN CN202110535227.6A patent/CN113343429B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951825A (zh) * | 2017-02-13 | 2017-07-14 | 北京飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
CN108961339A (zh) * | 2018-07-20 | 2018-12-07 | 深圳辰视智能科技有限公司 | 一种基于深度学习的点云物体姿态估计方法、装置及其设备 |
CN110837842A (zh) * | 2019-09-12 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 一种视频质量评估的方法、模型训练的方法及装置 |
CN110674984A (zh) * | 2019-09-18 | 2020-01-10 | 国网浙江省电力有限公司 | 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法 |
CN111126472A (zh) * | 2019-12-18 | 2020-05-08 | 南京信息工程大学 | 一种基于ssd改进的目标检测方法 |
CN111798439A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 线上线下融合的医疗影像质量判读方法、系统及存储介质 |
CN112291424A (zh) * | 2020-10-29 | 2021-01-29 | 上海观安信息技术股份有限公司 | 一种诈骗号码识别方法、装置、计算机设备及存储介质 |
CN112348800A (zh) * | 2020-11-11 | 2021-02-09 | 北方民族大学 | 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法 |
Non-Patent Citations (3)
Title |
---|
"prediction of narrow channel sand body by dynamic and static data";Sun Libo;《ICMSP 2020》;20210401;pp1-6 * |
"基于残差校正互补网络的相互学习机制改进半监督分类";李继昌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210215;I138-2070 * |
网络入侵检测技术综述;蹇诗婕等;《信息安全学报》;20200715(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113343429A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784965B (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
Caiazzo et al. | Towards Zero Defect Manufacturing paradigm: A review of the state-of-the-art methods and open challenges | |
Liu et al. | A novel imbalanced data classification method based on weakly supervised learning for fault diagnosis | |
Yu et al. | Challenges and opportunities of deep learning-based process fault detection and diagnosis: a review | |
Tan et al. | Network fault prediction based on CNN-LSTM hybrid neural network | |
CN111160687A (zh) | 主动资产监控 | |
Liu et al. | A cost-effective manufacturing process recognition approach based on deep transfer learning for CPS enabled shop-floor | |
Wang et al. | A sequence-to-sequence model with attention and monotonicity loss for tool wear monitoring and prediction | |
Zhao et al. | A novel cap-LSTM model for remaining useful life prediction | |
Liu et al. | Defect classification on limited labeled samples with multiscale feature fusion and semi-supervised learning | |
Sridhar et al. | Handling data imbalance in predictive maintenance for machines using SMOTE-based oversampling | |
Hou et al. | Tool wear prediction based on domain adversarial adaptation and channel attention multiscale convolutional long short-term memory network | |
Nasiri et al. | Faults and failures prediction in injection molding process | |
Behera et al. | A multi-model data-fusion based deep transfer learning for improved remaining useful life estimation for IIOT based systems | |
Su et al. | Failure prognosis of complex equipment with multistream deep recurrent neural network | |
Alshathri et al. | Digital twin-based automated fault diagnosis in industrial IoT applications | |
Manjunath et al. | Monitoring of machining process anomalies in diamond turning of Ti6Al4V alloy using transfer learning-based algorithms | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
Li et al. | Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions | |
CN113343429B (zh) | 一种工业加工过程中内胆附着力质量预测方法和系统 | |
Trabelsi et al. | Obsolescence Prediction based on Joint Feature Selection and Machine Learning Techniques. | |
Azyus et al. | Determining rul predictive maintenance on aircraft engines using gru | |
Fang et al. | ACRM: Attention cascade R-CNN with Mix-NMS for metallic surface defect detection | |
Guo et al. | Remaining useful life prediction of mechanical equipment based on temporal convolutional network and asymmetric loss function | |
CN113696454A (zh) | 一种基于人工智能的挤塑设备故障预警方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |