CN113628211A - 参数预测推荐方法、设备及计算机可读存储介质 - Google Patents
参数预测推荐方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113628211A CN113628211A CN202111173129.9A CN202111173129A CN113628211A CN 113628211 A CN113628211 A CN 113628211A CN 202111173129 A CN202111173129 A CN 202111173129A CN 113628211 A CN113628211 A CN 113628211A
- Authority
- CN
- China
- Prior art keywords
- parameter
- defect
- model
- recommendation
- result
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 124
- 230000011218 segmentation Effects 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000033228 biological regulation Effects 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 56
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000011176 pooling Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 230000017105 transposition Effects 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000004512 die casting Methods 0.000 abstract description 36
- 238000004519 manufacturing process Methods 0.000 abstract description 25
- 238000000611 regression analysis Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- SNAAJJQQZSMGQD-UHFFFAOYSA-N aluminum magnesium Chemical compound [Mg].[Al] SNAAJJQQZSMGQD-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种参数预测推荐方法、设备及计算机可读存储介质，所述参数预测推荐方法基于缺陷特征定制化设计了深度学习网络模型，然后使用这一模型来对目标产品图像进行特征分割来得到缺陷特征和生产压铸参数的预测值，并基于特定的特征分割算法和回归分析形成两者之间的闭环调节，使得模型能够实现对生产压铸参数的闭环调节，从源头上减少缺陷的产生，同时也实现了图片型数据的处理；通过不断对调节过程中的缺陷特征和/或参数预测值进行检验，并在满足条件时将此时的预测值进行推荐，使得生产压铸时按照最终推荐的参数预测值能够大大降低产品缺陷率，同时也保证了参数预测推荐的准确性。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及参数预测推荐方法、设备及计算机可读存储介质。
背景技术
在汽车轮毂压铸生产过程中，由于压铸温湿度，工艺流程等环境因素和原材料因素等，生产出的轮毂产品往往会存在缺陷，因此就需要对生产压铸参数进行调节。而在机器学习领域中，参数推荐预测问题通常使用XGBoost（eXtreme Gradient Boosting）模型，XGBoost高效地实现了梯度提升决策树（GBDT，Gradient Boosting Decision Tree）算法并进行了算法和工程上的许多改进。但目前现有的XGBoost的训练数据采用的都是结构化的数值型数据，在高维稀疏的数据集上，其预测准确性不佳，因此若是需要对图片型数据进行预测推荐，通过现有的基于结构化参数的参数预测推荐方式就难以得到准确的预测推荐结果。
发明内容
本发明的主要目的在于提出一种参数预测推荐方法、设备及计算机可读存储介质，旨在解决现有的基于结构化参数的参数预测推荐方式难以对图片型数据进行准确预测推荐的技术问题。
为实现上述目的，本发明提供一种参数预测推荐方法，所述参数预测推荐方法包括：
获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；
在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；
直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，
将此时的参数预测值作为目标预测值进行推荐。
可选地，所述在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值的步骤包括：
在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图；
通过非极大抑制算法得到所述缺陷特征图对应的缺陷特征，并根据所述缺陷特征得到所述参数预测值。
可选地，所述在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图的步骤包括：
在所述参数推荐模型中，对所述目标产品图像进行归一化处理，得到归一化数据；
将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果；
将所述归一化数据在第二分支中进行最大池化和平移缩放处理，得到第二分支结果；
将所述第一分支结果和所述第二分支结果组合得到组合结果，基于所述组合结果得到所述缺陷特征图。
可选地，所述将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果的步骤包括：
将所述归一化数据在第一分支中进行卷积处理，得到卷积结果；
对所述卷积结果进行张量变形和部分转置，得到转置变形结果；
将所述转置变形结果进行变形复原处理，得到组内打乱结果；
对所述组内打乱结果进行卷积和最大池化处理，得到所述第一分支结果。
可选地，所述直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐的步骤之前，还包括：
判断闭环调节过程中的缺陷特征是否满足预设的分割终止条件；
若满足所述分割终止条件，则判断闭环调节过程中的参数预测值是否在预设的参数推荐定义域内；
若在所述参数推荐定义域内，则判定闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件。
可选地，所述获取目标产品图像的步骤之前，还包括：
定义并搭建深度卷积神经网络模型和目标损失函数，其中，所述目标损失函数包括缺陷位置损失函数和推荐参数损失函数；
将预处理后的训练图像数据集作为所述深度卷积神经网络模型的输入，并将所述训练图像数据集至少切分为训练集和验证集；
基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估；
直至检测到基于所述深度卷积神经网络模型得到的评估结果满足预设调优条件时，冻结所述深度卷积神经网络此时的模型参数，并导出此时的深度卷积神经网络模型以作为所述参数推荐模型。
可选地，所述基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估的步骤包括：
通过所述训练集对所述深度卷积神经网络模型进行迭代训练，并按照预设评估指标通过所述验证集对所述深度卷积神经网络模型进行评估，其中，所述评估指标包括受试者工作特征曲线以及精确率和召回率的调和平均值。
可选地，所述获取目标产品图像的步骤包括：
获取由对接的X光机成像出的目标产品的X光图片，作为所述目标产品图像。
此外，为实现上述目的，本发明还提供一种参数预测推荐系统，所述参数预测推荐系统包括：
目标图像输入模块，用于获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；
缺陷特征分割模块，用于在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；
目标数值推荐模块，用于直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。
此外，为实现上述目的，本发明还提供一种参数预测推荐设备，所述参数预测推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的参数预测推荐程序，所述参数预测推荐程序被所述处理器执行时实现如上所述的参数预测推荐方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有参数预测推荐程序，所述参数预测推荐程序被处理器执行时实现如上所述的参数预测推荐方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现如上述的参数预测推荐方法的步骤。
本发明基于缺陷特征定制化设计了深度学习网络模型，然后使用这一模型来对目标产品图像进行特征分割来得到缺陷特征和生产压铸参数的预测值，并基于特定的特征分割算法和回归分析形成两者之间的闭环调节，使得模型能够实现对生产压铸参数的闭环调节，从源头上减少缺陷的产生，同时也实现了图片型数据的处理；通过不断对调节过程中的缺陷特征和/或参数预测值进行检验，并在满足条件时将此时的预测值进行推荐，使得生产压铸时按照最终推荐的参数预测值能够大大降低产品缺陷率，同时也保证了参数预测推荐的准确性，从而解决了现有的基于结构化参数的参数预测推荐方式难以对图片型数据进行准确预测推荐的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明参数预测推荐方法第一实施例的流程示意图；
图3为本发明参数预测推荐方法第二实施例中一具体实施例的特征分割示意图；
图4为本发明参数预测推荐方法第二实施例中一具体实施例的组内打乱示意图；
图5为本发明参数预测推荐方法第三实施例中一具体实施例的系统整体流程示意图；
图6为本发明参数预测推荐方法第三实施例中另一具体实施例的模型训练示意图；
图7为本发明参数预测推荐方法第三实施例中又一具体实施例的系统工作流示意图；
图8为本发明参数预测推荐系统的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在汽车轮毂压铸生产过程中，由于压铸温湿度，工艺流程等环境因素和原材料因素等，生产出的轮毂产品往往会存在缺陷，因此就需要对生产压铸参数进行调节。而在机器学习领域中，参数推荐预测问题通常使用XGBoost（eXtreme Gradient Boosting）模型，XGBoost高效地实现了梯度提升决策树（GBDT，Gradient Boosting Decision Tree）算法并进行了算法和工程上的许多改进。但目前现有的XGBoost的训练数据采用的都是结构化的数值型数据，在高维稀疏的数据集上，其预测准确性不佳，因此若是需要对图片型数据进行预测推荐，通过现有的基于结构化参数的参数预测推荐方式就难以得到准确的预测推荐结果。
为解决上述问题，本发明提供一种参数预测推荐方法，即基于缺陷特征定制化设计了深度学习网络模型，然后使用这一模型来对目标产品图像进行特征分割来得到缺陷特征和生产压铸参数的预测值，并基于特定的特征分割算法和回归分析形成两者之间的闭环调节，使得模型能够实现对生产压铸参数的闭环调节，从源头上减少缺陷的产生，同时也实现了图片型数据的处理；通过不断对调节过程中的缺陷特征和/或参数预测值进行检验，并在满足条件时将此时的预测值进行推荐，使得生产压铸时按照最终推荐的参数预测值能够大大降低产品缺陷率，同时也保证了参数预测推荐的准确性。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该参数预测推荐系统可以包括：处理器1001，例如CPU，用户接口1003，网络接口1004，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及参数预测推荐程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（程序员端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的参数预测推荐程序，并执行下述参数预测推荐方法中的操作。
基于上述硬件结构，提出本发明参数预测推荐方法实施例。
参照图2，图2为本发明参数预测推荐方法第一实施例的流程示意图。所述参数预测推荐方法包括；
步骤S10，获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；
在本实施例中，本发明应用于参数预测推荐系统。目标产品图像指的是能够展现目标产品的产品缺陷的图像。参数推荐系统的输入是目标产品图像，而输出是控制目标产品压铸成形的各个因素的具体参数取值。上述参数推荐模型是预先已训练好的网络模型。具体地，以汽车轮毂压铸生产为例，在汽车轮毂压铸生产过程中，由于压铸温湿度，工艺流程等环境因素和原材料因素等，产生了轮毂产品缺陷，本发明根据目标产品图片中缺陷在各维度上的特征闭环调节生产压铸参数，从源头上减少缺陷的产生；提出了一种新的网络模型，根据产品图像的特征定制化地设计了特征提取网络和损失函数，卷积层的大小和激活函数，能够解决输入批量产品图像到卷积神经网络进行训练的速度和精度问题，使用这种网络训练模型不需要有很高算力和内存等的计算资源，在训练数据集上训练完后导出模型，即可应用到其他数据上，实现实时的压铸参数闭环控制。
步骤S20，在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；
在本实施例中，特征分割算法为用于对目标产品图像进行缺陷特征提取的算法，具体可以设置多重卷积、非线性映射、最大池化等的处理方式。缺陷特征具体可包括缺陷的位置、类别、大小、长度、密度、轮廓、中心等维度的特征。参数预测值指的是生产压铸参数的预测值。
具体地，在参数推荐模型中，设置有特征分割网络，输入模型的图像首先需要经过预处理，将其转化为计算机可够处理的格式，然后再通过卷积等方式对其进行特征提取/分割，然后运用目标检测算法生成标注后的缺陷特征图，然后通过非极大抑制算法确定出图像中的缺陷，并得到缺陷对应的位置、类别等特征。通过对缺陷特征进行回归分析，使得其能够闭环调节对应的生产压铸参数，不断对生产压铸参数进行反馈调节。
步骤S30，直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。
在本实施例中，预设检验条件可仅基于缺陷特征进行设置，即缺陷特征满足相应条件则视为参数调优完成；也可仅基于参数预测值进行设置，即参数预测值满足相应条件则视为参数调优完成；还可基于缺陷特征和参数预测值进行设置，即缺陷特征和参数预测值均需满足相应条件才可视为参数调优完成。对于缺陷特征的检验条件可设置为是否满足分割终止条件，对于参数预测值的检验条件可以设置为是否在参数推荐定义域等。
具体地，在对生产压铸参数的闭环调节过程中，会不断对缺陷特征和/或参数预测值的反馈更新值进行判断，判断其是否满足验证条件，以确定目标预测值的获取时机。若是不满足验证条件，则需将流程返回至特征分割的流程，或是最初的图像输入的流程，以重新开始闭环调节。
本实施例提供一种参数预测推荐方法，基于缺陷特征定制化设计了深度学习网络模型，然后使用这一模型来对目标产品图像进行特征分割来得到缺陷特征和生产压铸参数的预测值，并基于特定的特征分割算法和回归分析形成两者之间的闭环调节，使得模型能够实现对生产压铸参数的闭环调节，从源头上减少缺陷的产生，同时也实现了图片型数据的处理；通过不断对调节过程中的缺陷特征和/或参数预测值进行检验，并在满足条件时将此时的预测值进行推荐，使得生产压铸时按照最终推荐的参数预测值能够大大降低产品缺陷率，同时也保证了参数预测推荐的准确性。
进一步地，基于上述图2所示的第一实施例，提出本发明参数预测推荐方法的第二实施例。在本实施例中，步骤S20包括：
步骤S21，在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图；
步骤S22，通过非极大抑制算法得到所述缺陷特征图对应的缺陷特征，并根据所述缺陷特征得到所述参数预测值。
在本实施例中，对于缺陷特征的获取过程，首先是利用预设的特征分割算法对目标产品图像进行处理，然后采用多目标检测方式例如Anchor box进行缺陷目标的定位，得到上述缺陷特征图，最后通过非极大抑制算法从缺陷特征图中确定出最终的缺陷特征，例如缺陷位置、缺陷类型等，其中，特征分割算法的实施过程可以是对目标产品图像进行归一化、卷积、组内打乱以及最大池化等处理，且这些处理方式的实施次数以及先后顺序可根据实际情况灵活设置。
进一步地，步骤S21包括：
步骤S211，在所述参数推荐模型中，对所述目标产品图像进行归一化处理，得到归一化数据；
步骤S212，将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果；
步骤S213，将所述归一化数据在第二分支中进行最大池化和平移缩放处理，得到第二分支结果；
步骤S214，将所述第一分支结果和所述第二分支结果组合得到组合结果，基于所述组合结果得到所述缺陷特征图。
在本实施例中，由于模型无法直接对图片型数据进行处理，因此需要先对目标产品图像进行归一化处理，然后将归一化数据分别输入两个不同的分支，在第一个分支中，对归一化数据进行卷积、组内打乱以及最大池化处理；在第二个分支中，对归一化数据进行最大池化以及平移缩放处理，最后将两个分支得到的结果进行组合，以获取到缺陷特征图。
作为一具体实施例，如图3所示，图3展示了特征分割算法的实施步骤，具体步骤如下：
第一步（图中的224 * 224 * 3 Image）：输入224 * 224 三通道图片，每一个通道减去各自的均值，除以方差，以归一化输入数据；
第二步（图中右侧分支的3 * 3 Conv）:右边的分支经过一个内核大小kernelsize 为3 * 3卷积核；内核步长kernel stride为1，保持特征图的空间分辨率，每个卷积Conv 后都有非线性整流函数ReLU修正，小卷积的堆叠可以使用多个非线性修正；
第三步（图中右侧分支的Shuffle）：组内打乱，也即进行了多次非线性映射，以增强网络的拟合表达能力，得到不受顺序影响的特征；
第四步（图中右侧分支的5 * 5 Conv）:经过一个kernel size 为5 * 5卷积核，卷积核扩大通道数，使得模型更深更宽的同时也控制了计算量增加规模；
第五步（图中右侧分支的3 * 3 Conv）:经过kernel size 为3 * 3卷积核，特征图的空间分辨率单调递减，特征图的通道数单调递增，更大的深度和更小的卷积核引起隐式正则化；
第六步（图中右侧分支的Max Pool）:对上一步的输出进行最大池化，大小MaxPool Size为2 * 2，步长stride为2，池化缩小了特征图的宽和高，在每个 max pooling 之后，相对于上一步卷积之前的通道数进行翻倍，重复第五步和第六步，直至通道数为512，通道数越多，就能够提取更多的信息，训练能收敛的情况下，效果也就越好；
第七步（图中右侧分支的1 * 1 Conv）:使用kernel size 为1 * 1卷积核；对像素特征进行线性变换组合，而不改变输出大小；
第八步（图中左侧分支的Max Pool）: a1归一化的数据在另一个分支经过最大池化，Max Pool Size：2 * 2, stride = 2，减少参数量；（图中左侧分支的Batch Norm）:Batch Normalization层，解决输入数据发生偏移的影响，进行平移和缩放处理。引入了γ和β两个参数。来训练γ和β两个参数。通过引入了这个可学习重构参数γ、β，使得网络可以学习恢复出原始网络所要学习的特征分布；
第九步（图中的hstack）: 最后把两个分支组合起来，配置两个分支网络输出的宽高相同，通道数水平相接，左边的分支易于训练，右边的分支易于提取特征。
进一步地，步骤S212包括：
步骤S2121，将所述归一化数据在第一分支中进行卷积处理，得到卷积结果；
步骤S2122，对所述卷积结果进行张量变形和部分转置，得到转置变形结果；
步骤S2123，将所述转置变形结果进行变形复原处理，得到组内打乱结果；
步骤S2124，对所述组内打乱结果进行卷积和最大池化处理，得到所述第一分支结果。
在本实施例中，如图4所示，组内打乱的计算方法具体为：第一步（图4中的（a））：把输入的张量从(N, H, W, C)变形到(N, H, W, G, C')；第二步（图4中的（b））：对（G, C')二维矩阵做转置；第三步（图4中的（c））：将得到的张量(N, H, W, G, C')再变形回到原来的(N, H, W, C)，其中：N指的是Batch 的大小; H指的是Height; W指的是Width; C指的是Channel的个数；G指的是组的个数；C'指的是Channel的个数/组的个数。即图4中的（a）展示的是变形过程，图4中的（b）展示的是转置过程，图4中的（c）展示的是最后的变形还原过程。
进一步地，基于上述第一实施例，提出本发明参数预测推荐方法的第三实施例。在本实施例中，步骤S30之前，还包括：
步骤A1，判断闭环调节过程中的缺陷特征是否满足预设的分割终止条件；
步骤A2，若满足所述分割终止条件，则判断闭环调节过程中的参数预测值是否在预设的参数推荐定义域内；
步骤A3，若在所述参数推荐定义域内，则判定闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件。
在本实施例中，分割终止条件具体可按照本领域常规条件进行设置，本实施例对此不做赘述。参数推荐定义域可根据实际产品需求灵活设置，本实施例对此不做限定。系统判断闭环调节过程中经过回归分析得到的缺陷特征是否满足分割终止条件，若不满足则返回到特征分割算法的执行步骤，继续进行特征分割；若满足则继续判断此时对应得到的参数预测值是否落在了定义域内，若不在定义域内（在预测值存在多个的情况下，可以是部分不处于或是全部不处于），则返回最初的图像输入步骤；若在定义域内，则可判定当前满足检验条件，此时模型所得出的压铸参数推荐结果即为最佳结果。
作为一具体实施例，如图5所示。图5为系统整体流程示意图。以目标产品图像为X光成像的轮毂图片为例，首先将为X光成像的轮毂图片输入系统，然后在模型中通过特征分割算法对图片进行特征分割，然后通过27个Anchor box进行多目标检测，以生成缺陷特征图，再通过非极大特征抑制确定缺陷特征，例如缺陷位置和缺陷类别等，对缺陷位置和类别进行回归分析，以对生成压铸参数的预测值进行闭环调节，并在过程中判断缺陷特征是否满足分割终止条件，若是不满足，则返回到特征分割的步骤；若满足，则继续判断此时所得到的参数预测值是否在参数推荐的定义域内，若不在定义域内，则返回到最初的图像输入步骤；若在定义域内，则将此时的压铸参数作为最终结果进行输出推荐。
进一步地，步骤S10之前，还包括：
步骤S01，定义并搭建深度卷积神经网络模型和目标损失函数，其中，所述目标损失函数包括缺陷位置损失函数和推荐参数损失函数；
步骤S02，将预处理后的训练图像数据集作为所述深度卷积神经网络模型的输入，并将所述训练图像数据集至少切分为训练集和验证集；
步骤S03，基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估；
步骤S04，直至检测到基于所述深度卷积神经网络模型得到的评估结果满足预设调优条件时，冻结所述深度卷积神经网络此时的模型参数，并导出此时的深度卷积神经网络模型以作为所述参数推荐模型。
在本实施例中，网络的总体目标损失函数由两级构成，第一级损失为图片缺陷位置的损失，第二级损失为推荐参数损失。损失计算公式如下：
其中，
为第一级损失图片缺陷位置的损失，
为第二级损失推荐参数损失；A为预测框，B为真实框；
为预测框中心点坐标；
为真实框中心点坐标；d()是欧式距离的计算；T为A和B最小包围框的对角线长度，两个框距离越远，
越接近2，距离越近，LOSS越接近0。第二级损失中，b为设定参数；y为目标值，f(x)为预测值。另外，需要说明的是，推荐参数的影响较大，权重较大，即在下面加权公式中p小于0.5，第二级损失对异常值不敏感，它同时利用了L1和L2损失。
的损失中的x项可以防止在训练过程中出现梯度消失的问题，同时也可以加快网络的收敛。
而对于预处理，由于计算机并不能直接处理非数值型数据，在将数据灌入机器学习算法之前，需要将数据处理成算法能理解的格式，包括图像预处理和数值预处理（归一化）等，也需要对数据进行一些组合处理如分桶、缺失值处理和异常值处理等。
具体地，如图6所示，图6为模型训练过程示意图。数据和特征决定了机器学习的上限，而模型与算法则是逼近这个上限而已。因此，特征工程做得好，能够得到的预期结果也就好。特征的类型有：文本特征、图像特征、数值特征和类别特征等。数据集切分为训练集、验证集和测试集。训练集用以训练深度学习模型；验证集用以评估模型结果，进而辅助模型调参；测试集用以模型的预测。训练集、验证集与测试集的比例设置为7:2:1。
经过长时间的训练与调优后，网络收敛时，需要冻结网络中训练的卷积核，权重，偏置等参数并导出AI深度学习网络模型，利用该网络模型（即上述参数推荐模型）即可以构建一套压铸参数推荐系统。与现有的技术方案相比，本系统可以实时计算出多达15个参数的合理取值，系统工作的精度和速度，贴合实际应用的需求，比现有的基于结构化数值参数的推荐系统，如XGBoost（XGBoost的训练数据都是结构化的数值型数据，无法处理图片型数据；GBDT在高维稀疏的数据集上，表现不如支持向量机或者神经网络；训练过程需要串行训练，只能在决策树内部采用一些局部并行的手段提高训练速度；虽然利用预排序和近似算法可以降低寻找最佳分裂点的计算量，但在节点分裂过程中仍需要遍历数据集；预排序过程的空间复杂度过高，不仅需要存储特征值，还需要存储特征对应样本的梯度统计值的索引，相当于消耗了两倍的内存），具有更高的准确率，并且使用方便智能，更能提高生产效率。
进一步地，步骤S03包括：
步骤S031，通过所述训练集对所述深度卷积神经网络模型进行迭代训练，并按照预设评估指标通过所述验证集对所述深度卷积神经网络模型进行评估，其中，所述评估指标包括受试者工作特征曲线以及精确率和召回率的调和平均值。
在本实施例中，所使用的评估指标包括是精确率和召回率的调和平均值
和受试者工作特征（ROC，Receiver Operating Characteristic)）曲线。
对于
，具体计算公式如下：
有时对精确率和召回率的重视程度不同，可以引入
，它是
的一般形式；
当
=1时，退化成
；当
>1时，侧重召回率；当
<1时，侧重精确率。
对于ROC曲线的绘制：真阳率TPR作为纵坐标，表示正样本中被分类器预测正类的数目与总正样本数目之比；假阳率FPR作为横坐标，表示负类样本中被分类器预测为正类的数目与总负样本数目之比。首先，根据标签统计出正负样本的数目，正样本数目记为P，负样本数目记为N；其次，横轴刻度记为1/N，纵轴刻度记为1/P；接着，将模型预测的概率从大到小进行排序；最后，从零点开始，依次遍历排序好的概率，遇到正样本则纵轴刻度上升1/P，遇到负样本则横轴刻度右移1/N，直至遍历完所有样本，最终停在点(1,1)上，至此，ROC曲线绘制完成。它的线下面积AUC一般在0.5~1，若小于0.5，直接将模型的预测概率反转为1-P，然后重新计算AUC即可。AUC 越大，说明分类器越稳健，将真正的正类样本放在前面的能力越强。
进一步地，步骤S10中的获取目标产品图像包括：
步骤S11，获取由对接的X光机成像出的目标产品的X光图片，作为所述目标产品图像。
在本实施例中，直接将轮毂X光成像出来图片作为上述目标产品图像。具体地，如图7所示。先将镁铝合金等原材料投入轮毂压铸成形系统，在该系统中进行冷却、去毛刺、轮毂粗车等工艺流程，得到目标产品，然后通过X光成像系统得到成像出的X光图片，最后将此图片输入本系统（轮毂缺陷检测反馈系统）。轮毂缺陷检测反馈系统的输入是X光机成像系统成像出来的X光图片，输出是控制轮毂压铸成形系统的各个因素的具体参数取值。
如图8所示，本发明还提供一种参数预测推荐系统，所述参数预测推荐系统包括：
目标图像输入模块10，用于获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；
缺陷特征分割模块20，用于在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；
目标数值推荐模块30，用于直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。
可选地，所述缺陷特征分割模块20包括：
特征图像生成单元，用于在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图；
预测参数生成单元，用于通过非极大抑制算法得到所述缺陷特征图对应的缺陷特征，并根据所述缺陷特征得到所述参数预测值。
可选地，所述特征图像生成单元还用于：
在所述参数推荐模型中，对所述目标产品图像进行归一化处理，得到归一化数据；
将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果；
将所述归一化数据在第二分支中进行最大池化和平移缩放处理，得到第二分支结果；
将所述第一分支结果和所述第二分支结果组合得到组合结果，基于所述组合结果得到所述缺陷特征图。
可选地，所述特征图像生成单元还用于：
将所述归一化数据在第一分支中进行卷积处理，得到卷积结果；
对所述卷积结果进行张量变形和部分转置，得到转置变形结果；
将所述转置变形结果进行变形复原处理，得到组内打乱结果；
对所述组内打乱结果进行卷积和最大池化处理，得到所述第一分支结果。
可选地，所述参数预测推荐系统还包括：
终止条件判断模块，用于判断闭环调节过程中的缺陷特征是否满足预设的分割终止条件；
定义范围判断模块，用于若满足所述分割终止条件，则判断闭环调节过程中的参数预测值是否在预设的参数推荐定义域内；
若在所述参数推荐定义域内，则判定闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件。
可选地，所述参数预测推荐系统还包括：
模型搭建定义模块，用于定义并搭建深度卷积神经网络模型和目标损失函数，其中，所述目标损失函数包括缺陷位置损失函数和推荐参数损失函数；
训练数据切分模块，用于将预处理后的训练图像数据集作为所述深度卷积神经网络模型的输入，并将所述训练图像数据集至少切分为训练集和验证集；
模型训练评估模块，用于基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估；
直至检测到基于所述深度卷积神经网络模型得到的评估结果满足预设调优条件时，冻结所述深度卷积神经网络此时的模型参数，并导出此时的深度卷积神经网络模型以作为所述参数推荐模型。
可选地，所述模型训练评估模块包括：
模型训练评估单元，用于通过所述训练集对所述深度卷积神经网络模型进行迭代训练，并按照预设评估指标通过所述验证集对所述深度卷积神经网络模型进行评估，其中，所述评估指标包括受试者工作特征曲线以及精确率和召回率的调和平均值。
可选地，所述目标图像输入模块10包括：
目标图像获取单元，用于获取由对接的X光机成像出的目标产品的X光图片，作为所述目标产品图像。
本发明还提供一种参数预测推荐设备。
所述参数预测推荐设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的参数预测推荐程序，其中所述参数预测推荐程序被所述处理器执行时，实现如上所述的参数预测推荐方法的步骤。
其中，所述参数预测推荐程序被执行时所实现的方法可参照本发明参数预测推荐方法的各个实施例，此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有参数预测推荐程序，所述参数预测推荐程序被处理器执行时实现如上所述的参数预测推荐方法的步骤。
其中，所述参数预测推荐程序被执行时所实现的方法可参照本发明参数预测推荐方法各个实施例，此处不再赘述。
本发明还提供一种计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现如上述的参数预测推荐方法的步骤。
其中，所述计算机程序被执行时所实现的方法可参照本发明参数预测推荐方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件系统的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种参数预测推荐方法，其特征在于，所述参数预测推荐方法包括：
获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；
在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；
直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。
2.如权利要求1所述的参数预测推荐方法，其特征在于，所述在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值的步骤包括：
在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图；
通过非极大抑制算法得到所述缺陷特征图对应的缺陷特征，并根据所述缺陷特征得到所述参数预测值。
3.如权利要求2所述的参数预测推荐方法，其特征在于，所述在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图的步骤包括：
在所述参数推荐模型中，对所述目标产品图像进行归一化处理，得到归一化数据；
将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果；
将所述归一化数据在第二分支中进行最大池化和平移缩放处理，得到第二分支结果；
将所述第一分支结果和所述第二分支结果组合得到组合结果，基于所述组合结果得到所述缺陷特征图。
4.如权利要求3所述的参数预测推荐方法，其特征在于，所述将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果的步骤包括：
将所述归一化数据在第一分支中进行卷积处理，得到卷积结果；
对所述卷积结果进行张量变形和部分转置，得到转置变形结果；
将所述转置变形结果进行变形复原处理，得到组内打乱结果；
对所述组内打乱结果进行卷积和最大池化处理，得到所述第一分支结果。
5.如权利要求1所述的参数预测推荐方法，其特征在于，所述直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐的步骤之前，还包括：
判断闭环调节过程中的缺陷特征是否满足预设的分割终止条件；
若满足所述分割终止条件，则判断闭环调节过程中的参数预测值是否在预设的参数推荐定义域内；
若在所述参数推荐定义域内，则判定闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件。
6.如权利要求1所述的参数预测推荐方法，其特征在于，所述获取目标产品图像的步骤之前，还包括：
定义并搭建深度卷积神经网络模型和目标损失函数，其中，所述目标损失函数包括缺陷位置损失函数和推荐参数损失函数；
将预处理后的训练图像数据集作为所述深度卷积神经网络模型的输入，并将所述训练图像数据集至少切分为训练集和验证集；
基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估；
直至检测到基于所述深度卷积神经网络模型得到的评估结果满足预设调优条件时，冻结所述深度卷积神经网络此时的模型参数，并导出此时的深度卷积神经网络模型以作为所述参数推荐模型。
7.如权利要求6所述的参数预测推荐方法，其特征在于，所述基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估的步骤包括：
通过所述训练集对所述深度卷积神经网络模型进行迭代训练，并按照预设评估指标通过所述验证集对所述深度卷积神经网络模型进行评估，其中，所述评估指标包括受试者工作特征曲线以及精确率和召回率的调和平均值。
8.如权利要求1-7任一项所述的参数预测推荐方法，其特征在于，所述获取目标产品图像的步骤包括：
获取由对接的X光机成像出的目标产品的X光图片，作为所述目标产品图像。
9.一种参数预测推荐设备，其特征在于，所述参数预测推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的参数预测推荐程序，所述参数预测推荐程序被所述处理器执行时实现如权利要求1至8中任一项所述的参数预测推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的参数预测推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173129.9A CN113628211B (zh) | 2021-10-08 | 2021-10-08 | 参数预测推荐方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173129.9A CN113628211B (zh) | 2021-10-08 | 2021-10-08 | 参数预测推荐方法、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113628211A true CN113628211A (zh) | 2021-11-09 |
| CN113628211B CN113628211B (zh) | 2022-02-15 |
Family
ID=78390706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111173129.9A Active CN113628211B (zh) | 2021-10-08 | 2021-10-08 | 参数预测推荐方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113628211B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114323725A (zh) * | 2022-01-26 | 2022-04-12 | 深圳市信润富联数字科技有限公司 | 点胶机健康度检测方法、装置、设备及存储介质 |
| CN114693467A (zh) * | 2022-04-29 | 2022-07-01 | 苏州康索机电有限公司 | 一种压铸件的生产方法和系统 |
| CN114882596A (zh) * | 2022-07-08 | 2022-08-09 | 深圳市信润富联数字科技有限公司 | 行为预警方法、装置、电子设备及存储介质 |
| CN115452842A (zh) * | 2022-10-20 | 2022-12-09 | 颖态智能技术(上海)有限公司 | 一种面向阀口袋包装机的褶皱检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171707A (zh) * | 2018-01-23 | 2018-06-15 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的Mura缺陷等级评判方法及装置 |
| CN108624880A (zh) * | 2018-08-10 | 2018-10-09 | 南通大学 | 一种激光熔覆质量智能控制系统及其智能控制方法 |
| CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
| CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
| CN111709991A (zh) * | 2020-05-28 | 2020-09-25 | 武汉工程大学 | 一种铁路工机具的检测方法、系统、装置和存储介质 |
| CN111929314A (zh) * | 2020-08-26 | 2020-11-13 | 湖北汽车工业学院 | 一种轮毂焊缝视觉检测方法及检测系统 |
| CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、系统 |
| CN113421264A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 轮毂质量检测方法、设备、介质及计算机程序产品 |
| CN113470018A (zh) * | 2021-09-01 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 |
-
2021
- 2021-10-08 CN CN202111173129.9A patent/CN113628211B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171707A (zh) * | 2018-01-23 | 2018-06-15 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的Mura缺陷等级评判方法及装置 |
| CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
| CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
| CN108624880A (zh) * | 2018-08-10 | 2018-10-09 | 南通大学 | 一种激光熔覆质量智能控制系统及其智能控制方法 |
| CN111709991A (zh) * | 2020-05-28 | 2020-09-25 | 武汉工程大学 | 一种铁路工机具的检测方法、系统、装置和存储介质 |
| CN111929314A (zh) * | 2020-08-26 | 2020-11-13 | 湖北汽车工业学院 | 一种轮毂焊缝视觉检测方法及检测系统 |
| CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、系统 |
| CN113421264A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 轮毂质量检测方法、设备、介质及计算机程序产品 |
| CN113470018A (zh) * | 2021-09-01 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| XISHI HUANG等: "《Quality Control on Manufacturing Computer Keyboards Using Multilevel Deep Neural Networks》", 《2020 IEEE 6TH INTERNATIONAL CONFERENCE ON CONTROL SCIENCE AND SYSTEMS ENGINEERING (ICCSSE)》 * |
| 张响: "《铝合金车轮数字化仿真及工艺优化》", 《中国博士论文全文数据库 工程科技I辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114323725A (zh) * | 2022-01-26 | 2022-04-12 | 深圳市信润富联数字科技有限公司 | 点胶机健康度检测方法、装置、设备及存储介质 |
| CN114693467A (zh) * | 2022-04-29 | 2022-07-01 | 苏州康索机电有限公司 | 一种压铸件的生产方法和系统 |
| CN114882596A (zh) * | 2022-07-08 | 2022-08-09 | 深圳市信润富联数字科技有限公司 | 行为预警方法、装置、电子设备及存储介质 |
| CN114882596B (zh) * | 2022-07-08 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 行为预警方法、装置、电子设备及存储介质 |
| CN115452842A (zh) * | 2022-10-20 | 2022-12-09 | 颖态智能技术(上海)有限公司 | 一种面向阀口袋包装机的褶皱检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113628211B (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113628211B (zh) | 参数预测推荐方法、设备及计算机可读存储介质 | |
| CN111950453B (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
| CN110119753B (zh) | 一种重构纹理识别岩性的方法 | |
| CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
| CN111986125B (zh) | 一种用于多目标任务实例分割的方法 | |
| CN109029363A (zh) | 一种基于深度学习的目标测距方法 | |
| CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
| CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
| CN117115640A (zh) | 一种基于改进YOLOv8的病虫害目标检测方法、装置及设备 | |
| CN111783819A (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
| CN116266387A (zh) | 基于重参数化残差结构和坐标注意力机制的yolov4的图像识别算法及系统 | |
| CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
| CN116740587A (zh) | 一种数据与模型双重不确定性感知的无人机航拍目标可信识别方法 | |
| CN115564983A (zh) | 目标检测方法、装置、电子设备、存储介质及其应用 | |
| CN115526850A (zh) | 冷冻电镜实空间解码器的训练方法、装置和电子设备 | |
| CN114972850A (zh) | 多分支网络的分发推理方法、装置、电子设备及存储介质 | |
| CN118212572A (zh) | 一种基于改进YOLOv7的道路损坏检测方法 | |
| CN117935259A (zh) | 一种多模态遥感图像分割装置及方法 | |
| CN117636298A (zh) | 基于多尺度特征学习的车辆重识别方法、系统及存储介质 | |
| CN113536896A (zh) | 基于改进Faser RCNN的小目标检测方法、装置及存储介质 | |
| CN116597275A (zh) | 一种基于数据增强的高速移动目标识别方法 | |
| CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
| CN113538278B (zh) | 基于可变形卷积的深度图补全方法 | |
| CN112418098B (zh) | 视频结构化模型的训练方法及相关设备 |
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 |