CN113720862B - 零件异常检测方法、装置、设备及存储介质 - Google Patents

零件异常检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113720862B
CN113720862B CN202110943024.0A CN202110943024A CN113720862B CN 113720862 B CN113720862 B CN 113720862B CN 202110943024 A CN202110943024 A CN 202110943024A CN 113720862 B CN113720862 B CN 113720862B
Authority
CN
China
Prior art keywords
echo signal
signal information
microwave
abnormal state
backward
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
Application number
CN202110943024.0A
Other languages
English (en)
Other versions
CN113720862A (zh
Inventor
陈锦辉
李喜林
唐杰
宋德超
刘洪钊
杨舒
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology 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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202110943024.0A priority Critical patent/CN113720862B/zh
Publication of CN113720862A publication Critical patent/CN113720862A/zh
Application granted granted Critical
Publication of CN113720862B publication Critical patent/CN113720862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/02—Investigating the presence of flaws
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种零件异常检测方法、装置、设备及存储介质，涉及零件检测领域。该零件异常检测方法包括：获取预设时间段内的微波可穿透零件反射的回波信号信息；提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。本申请用以解决无法在保证人体安全的情况下检测出塑料零件是否异常的问题。

Description

零件异常检测方法、装置、设备及存储介质
技术领域
本申请涉及零件检测领域，尤其涉及一种零件异常检测方法、装置、设备及存储介质。
背景技术
生产中的塑料件中间有气泡、有杂质或者有裂痕，会导致塑料件整体硬度、柔韧度发生变化，如果超出设计要求范围，则会导致塑料件质量较差，塑料件在实际使用中不满足使用年限，导致不必要的用户投诉。
现有的对塑料件的检测方法，使用X光等对人体有害的射线能够检测出塑料件内部的异常状态，但是危害人体健康。
发明内容
本申请提供了一种零件异常检测方法、装置、设备及存储介质，用以解决无法在保证人体安全的情况下检测出塑料零件是否异常的问题。
第一方面，本申请实施例提供了一种零件异常检测方法，包括：
获取预设时间段内的微波可穿透零件反射的回波信号信息；
提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
可选地，所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态，包括：
将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征；
将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
可选地，所述将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态，包括：
将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；
将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；
将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；
根据所述整体输出特征，获得所述异常状态。
可选地，所述将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征，包括：
根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。
可选地，所述根据所述整体输出特征，获得所述异常状态，包括：
计算所述整体输出特征属于各个异常状态的概率；
将概率最大的异常状态作为目标异常状态。
可选地，所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态之前，所述方法还包括：
将所述回波信号信息进行卡尔曼滤波，去除噪声数据。
第二方面，本申请实施例提供了一种零件异常检测系统，包括微波雷达发射组件、微波雷达接收组件和处理组件；
所述微波雷达发射组件，用于向微波可穿透零件发射微波雷达信号；
所述微波雷达接收组件，用于接收预设时间段内的微波可穿透零件反射的回波信号信息，并将所述回波信号信息发送至处理组件；
所述处理组件，用于获取所述微波雷达接收组件发送的回波信号信息；提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
第三方面，本申请实施例提供了一种零件异常检测装置，包括：
获取模块，用于获取预设时间段内的微波可穿透零件反射的回波信号信息；
处理模块，用于提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
可选地，所述处理模块包括第一处理子模块和第二处理子模块；
所述第一处理子模块，用于将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征；
所述第二处理子模块，用于将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
可选地，所述第二处理子模块包括第一处理单元、第二处理单元、整合单元和第三处理单元；
所述第一处理单元，用于将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；
所述第二处理单元，用于将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；
所述整合单元，用于将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；
所述第三处理单元，用于根据所述整体输出特征，获得所述异常状态。
可选地，所述整合单元，用于根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。
可选地，所述第三处理单元包括计算子单元和处理子单元；
所述计算子单元，用于计算所述整体输出特征属于各个异常状态的概率；
所述处理子单元，用于将概率最大的异常状态作为目标异常状态。
可选地，所述零件异常检测装置还包括滤波模块；
所述滤波模块，用于将所述回波信号信息进行卡尔曼滤波，去除噪声数据。
第四方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和通信总线，其中，处理器和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现第一方面所述的零件异常检测方法。
第五方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的零件异常检测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，获取预设时间段内的微波可穿透零件反射的回波信号信息，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。相对于现有技术中使用X光等对人体有害的射线能够检测出塑料件内部的异常状态，但是危害人体健康，由于塑料零件属于微波可穿透零件，本申请实施例中微波雷达信号能够穿透微波可穿透零件，通过微波可穿透零件反射的回波信号信息能够确定微波可穿透零件内部的异常状态，而且微波雷达信号不会危害人体健康，解决了无法在保证人体安全的情况下检测出塑料零件是否异常的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中零件异常检测方法的流程示意图；
图2为本申请一个具体实施例中卷积神经网络模型和前后向长短期记忆网络模型组合后的结构示意图；
图3为本申请一个具体实施例中获得前后向长短期记忆网络模型输出的异常状态的方法流程示意图；
图4为本申请一个具体实施例中零件异常检测方法的流程示意图；
图5为本申请实施例中零件异常检测装置的结构示意图；
图6为本申请实施例中电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中，提供了一种零件异常检测方法，该方法应用于零件异常检测系统的处理组件。
本申请实施例中，如图1所示，零件异常检测的方法流程主要包括：
步骤101，获取预设时间段内的微波可穿透零件反射的回波信号信息。
其中，微波可穿透零件是指能够被微波雷达信号穿透的零件，而不是微波雷达接触到零件表面就被反射的零件。微波雷达信号能够检测到微波可穿透零件内部情况。微波可穿透零件可以是塑料零件，可以是玻璃零件，也可以是瓷器，只要能够被微波雷达信号穿透即可。
回波信号信息由微波雷达接收模块采集得到。回波信号信息包括回波信号的点云数据，点云数据包括微波可穿透零件中每个点的三维坐标。根据需要，点云数据还可以包括其他信息，例如，每个点的回波信号强度信息，每个点的RGB信息等，本申请并不对点云数据包括的信息作出限定。
构建微波雷达天线阵列，微波雷达天线阵列中的发射模块发射微波雷达信号，微波雷达信号穿透微波可穿透零件后反射，形成回波信号。微波雷达天线阵列的接收模块接收反射的回波信号信息，并将回波信号信息发送至零件异常检测系统的处理组件。
预设时间段可以是经验值，也可以是用户设定的数值。例如，预设时间段为1分钟，2分钟等，能够至少两次收集到微波可穿透零件中每个点的点云数据，能够绘制出至少两个点云图即可，收集到微波可穿透零件中每个点的点云数据的次数越多，最后获得的微波可穿透零件的异常状态就越准确。
步骤102，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。
其中，异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
其中，回波信号信息的特征可以是根据回波信号的点云数据绘制的点云图。
一个具体实施例中，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态，包括：将回波信号信息输入至卷积神经网络模型，获得卷积神经网络模型输出的回波信号信息的特征；将回波信号信息的特征输入至前后向长短期记忆网络模型，获得前后向长短期记忆网络模型输出的异常状态。
其中，卷积神经网络(Convolutional Neural Networks,CNN)模型能够准确提取回波信号信息的特征。
前后向长短期记忆网络(Bi-directional Long Short-Term Memory，BiLSTM)模型，能够根据回波信号信息的特征，准确识别到微波可穿透零件的异常部位以及异常状态。
一个具体实施例中，如图2所示，为卷积神经网络模型和前后向长短期记忆网络模型组合后的结构示意图。
将预设时间段内每个时刻采集到的回波信号的点云数据(x1，x2，……，xT)输入至卷积神经网络，其中，T表示采集到回波信号的点云数据的时刻。卷积神经网络输出回波信号的点云数据的特征，分别输入前后向长短期记忆网络(BiLSTM)的前向LSTM(Long Short-Term Memory，长短期记忆网络)层，和长短期记忆网络(BiLSTM)的后向LSTM(Long Short-Term Memory，长短期记忆网络)层，将前向LSTM层输出的前向输出特征，和后向LSTM层输出的后向输出特征，输入分类层(Softmax)，获得微波可穿透零件的异常状态。
一个具体实施例中，如图3所示，将回波信号信息的特征输入至前后向长短期记忆网络模型，获得前后向长短期记忆网络模型输出的异常状态，包括：
步骤301，将回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征。
具体地，将预设时间段内每个时刻采集到的回波信号的点云数据(x1，x2，……，xT)，按照时刻从小到大的顺序(x1，x2，……，xT)，输入至前向LSTM(Long Short-TermMemory，长短期记忆网络)层，获得前向输出特征Of。
步骤302，将回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征。
具体地，将预设时间段内每个时刻采集到的回波信号的点云数据(x1，x2，……，xT)，按照时刻从大到小的顺序(xT，xT-1，……，x1)，输入至后向LSTM(Long Short-TermMemory，长短期记忆网络)层，获得后向输出特征Ob。
步骤303，将前向输出特征和后向输出特征进行整合，获得整体输出特征。
一个具体实施例中，将前向输出特征和后向输出特征进行整合，获得整体输出特征，包括：根据前向输出特征的权重和后向输出特征的权重，计算前向输出特征和后向输出特征的加权平均值，获得整体输出特征。
具体地，O＝αOf+βOb。
O为整体输出特征，Of为前向输出特征，Ob为后向输出特征，α为前向输出特征Of的权重，β为后向输出特征Ob的权重。其中，α+β＝1，αOf+βOb即为前向输出特征和后向输出特征的加权平均值。
计算前向输出特征和后向输出特征的加权平均值，获得整体输出特征，整体输出特征能够准确反映微波可穿透零件各个点周围的情况，整体输出特征为微波可穿透零件整体的点云图。
步骤304，根据整体输出特征，获得异常状态。
一个具体实施例中，根据整体输出特征，获得异常状态，包括：计算整体输出特征属于各个异常状态的概率；将概率最大的异常状态作为目标异常状态。
具体地，整体输出特征为微波可穿透零件整体的点云图，比较微波可穿透零件整体的点云图和无异常的点云图、存在杂质的点云图、存在气泡的点云图、存在内部裂痕的点云图、存在杂质且存在气泡的点云图、存在杂质且存在内部裂痕的点云图、存在气泡且存在内部裂痕的点云图、存在杂质且存在气泡且存在内部裂痕的点云图，计算微波可穿透零件整体的点云图属于各个异常状态的概率，将概率最大的异常状态作为目标异常状态。
一个具体实施例中，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态之前，零件异常检测方法还包括：将回波信号信息进行卡尔曼滤波，去除噪声数据。
进行卡尔曼滤波，能够去除噪声数据，保证提取到的回波信号信息的特征更加准确。
一个具体实施例中，如图4所示，零件异常检测的方法流程主要包括：
步骤401，获取微波可穿透零件反射的回波信号。
步骤402，经过模数转换(Analogue-to-Digital Conversion，ADC)将回波信号，转换为数字信号。
步骤403，经过数字信号处理(Digital Signal Process，DSP)，将数字信号转换为目标回波数据。
步骤404，经过卡尔曼滤波，去除目标回波数据中的噪声数据。
步骤405，提取目标回波数据的特征，并根据目标回波数据的特征获得微波可穿透零件的异常状态，其中，异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
综上，本申请实施例提供的该方法，获取预设时间段内的微波可穿透零件反射的回波信号信息，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。相对于现有技术中使用X光等对人体有害的射线能够检测出塑料件内部的异常状态，但是危害人体健康，由于塑料零件属于微波可穿透零件，本申请实施例中微波雷达信号能够穿透微波可穿透零件，通过微波可穿透零件反射的回波信号信息能够确定微波可穿透零件内部的异常状态，而且微波雷达信号不会危害人体健康，解决了无法在保证人体安全的情况下检测出塑料零件是否异常的问题。能够在整机装配前将异常零件提前筛选出来，保障了物料的质量。
本申请实施例中提供了一种零件异常检测系统，包括微波雷达发射组件、微波雷达接收组件和处理组件；
微波雷达发射组件，用于向微波可穿透零件发射微波雷达信号；
微波雷达接收组件，用于接收预设时间段内的微波可穿透零件反射的回波信号信息，并将回波信号信息发送至处理组件；
处理组件，用于获取微波雷达接收组件发送的回波信号信息；提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。
其中，异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
基于同一构思，本申请实施例中提供了一种零件异常检测装置，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图5所示，该装置主要包括：
获取模块501，用于获取预设时间段内的微波可穿透零件反射的回波信号信息；
处理模块502，用于提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
其中，所述异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
可选地，所述处理模块包括第一处理子模块和第二处理子模块；
所述第一处理子模块，用于将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征；
所述第二处理子模块，用于将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
可选地，所述第二处理子模块包括第一处理单元、第二处理单元、整合单元和第三处理单元；
所述第一处理单元，用于将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；
所述第二处理单元，用于将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；
所述整合单元，用于将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；
所述第三处理单元，用于根据所述整体输出特征，获得所述异常状态。
可选地，所述整合单元，用于根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。
可选地，所述第三处理单元包括计算子单元和处理子单元；
所述计算子单元，用于计算所述整体输出特征属于各个异常状态的概率；
所述处理子单元，用于将概率最大的异常状态作为目标异常状态。
可选地，所述零件异常检测装置还包括滤波模块；
所述滤波模块，用于将所述回波信号信息进行卡尔曼滤波，去除噪声数据。
基于同一构思，本申请实施例中还提供了一种电子设备，如图6所示，该电子设备主要包括：处理器601、存储器602和通信总线603，其中，处理器601和存储器602通过通信总线603完成相互间的通信。其中，存储器602中存储有可被处理器601执行的程序，处理器601执行存储器602中存储的程序，实现如下步骤：
获取预设时间段内的微波可穿透零件反射的回波信号信息；提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。
上述电子设备中提到的通信总线603可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线603可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器602可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等，还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行上述实施例中所描述的零件异常检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种零件异常检测方法，其特征在于，包括：
获取预设时间段内的微波可穿透零件反射的回波信号信息；
提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态；
所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态，包括：
将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征，所述回波信号信息包括所述回波信号的点云数据，所述点云数据包括所述微波可穿透零件中每个点的三维坐标、回波信号强度信息和RGB信息，所述回波信号信息的特征包括根据所述回波信号的点云数据绘制的点云图；
将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
2.根据权利要求1所述的零件异常检测方法，其特征在于，所述将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态，包括：
将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；
将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；
将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；
根据所述整体输出特征，获得所述异常状态。
3.根据权利要求2所述的零件异常检测方法，其特征在于，所述将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征，包括：
根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。
4.根据权利要求2所述的零件异常检测方法，其特征在于，所述根据所述整体输出特征，获得所述异常状态，包括：
计算所述整体输出特征属于各个异常状态的概率；
将概率最大的异常状态作为目标异常状态。
5.根据权利要求1-4任一项所述的零件异常检测方法，其特征在于，所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态之前，所述方法还包括：
将所述回波信号信息进行卡尔曼滤波，去除噪声数据。
6.一种零件异常检测系统，其特征在于，包括微波雷达发射组件、微波雷达接收组件和处理组件；
所述微波雷达发射组件，用于向微波可穿透零件发射微波雷达信号；
所述微波雷达接收组件，用于接收预设时间段内的微波可穿透零件反射的回波信号信息，并将所述回波信号信息发送至处理组件；
所述处理组件，用于获取所述微波雷达接收组件发送的回波信号信息；将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征，所述回波信号信息包括所述回波信号的点云数据，所述点云数据包括所述微波可穿透零件中每个点的三维坐标、回波信号强度信息和RGB信息，所述回波信号信息的特征包括根据所述回波信号的点云数据绘制的点云图；将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述微波可穿透零件的异常状态。
7.一种零件异常检测装置，其特征在于，包括：
获取模块，用于获取预设时间段内的微波可穿透零件反射的回波信号信息；
处理模块，用于提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态；
所述处理模块，具体用于将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征，所述回波信号信息包括所述回波信号的点云数据，所述点云数据包括所述微波可穿透零件中每个点的三维坐标、回波信号强度信息和RGB信息，所述回波信号信息的特征包括根据所述回波信号的点云数据绘制的点云图；将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
8.一种电子设备，其特征在于，包括：处理器、存储器和通信总线，其中，处理器和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1至5任一项所述的零件异常检测方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的零件异常检测方法。
CN202110943024.0A 2021-08-17 2021-08-17 零件异常检测方法、装置、设备及存储介质 Active CN113720862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110943024.0A CN113720862B (zh) 2021-08-17 2021-08-17 零件异常检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110943024.0A CN113720862B (zh) 2021-08-17 2021-08-17 零件异常检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113720862A CN113720862A (zh) 2021-11-30
CN113720862B true CN113720862B (zh) 2023-01-13

Family

ID=78676103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110943024.0A Active CN113720862B (zh) 2021-08-17 2021-08-17 零件异常检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113720862B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116148277B (zh) * 2023-04-19 2023-07-04 武汉精一微仪器有限公司 一种透明体缺陷三维检测方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2704060A1 (fr) * 1993-04-16 1994-10-21 Descombes Michel Appareil compact de mesure par micro-ondes pour le contrôle non destructif de milieux, matériaux ou pièces diélectriques .
JP2005043230A (ja) * 2003-07-23 2005-02-17 Institute Of Physical & Chemical Research 細長部材の欠陥検出方法及び装置
CN107421967A (zh) * 2017-07-28 2017-12-01 昆山国显光电有限公司 一种玻璃检测装置及检测方法
CN107505337A (zh) * 2017-08-03 2017-12-22 国网江苏省电力公司连云港供电公司 一种复合绝缘子缺陷检测用微波反射信号特征数据库
CN108918557A (zh) * 2018-05-23 2018-11-30 哈尔滨理工大学 一种非导电性产品结构缺陷无损检测的方法
CN110044933A (zh) * 2019-03-27 2019-07-23 上海航天精密机械研究所 相控阵微波成像无损检测装置及方法
CN110717478A (zh) * 2019-10-22 2020-01-21 中国电子科技集团公司信息科学研究院 一种基于微波的物体检测系统及方法
CN110751103A (zh) * 2019-10-22 2020-02-04 中国电子科技集团公司信息科学研究院 一种用于物体内部检测的微波信号分类方法及系统
CN110895860A (zh) * 2019-10-22 2020-03-20 珠海格力电器股份有限公司 一种区域监测方法、装置、电子设备及存储介质
CN111814728A (zh) * 2020-07-22 2020-10-23 同济大学 数控机床刀具磨损状态识别方法和存储介质
CN111965639A (zh) * 2020-09-09 2020-11-20 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) 基于双向长短时记忆神经网络的雷达信号分析方法
CN112986950A (zh) * 2020-12-25 2021-06-18 南京理工大学 基于深度学习的单脉冲激光雷达回波特征提取方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6501414B2 (en) * 2001-04-02 2002-12-31 The United States Of America As Represented By The United States National Aeronautics And Space Administration Method for locating a concealed object
US20150301167A1 (en) * 2009-12-18 2015-10-22 Christopher Gary Sentelle Detection of movable objects
CN104856678B (zh) * 2015-02-15 2018-02-16 东华大学 基于模板信号相似度的复杂体内部异物的微波检测系统
CN105067641A (zh) * 2015-07-16 2015-11-18 东华大学 基于模板粒子群寻优的复杂体异物的微波检测系统
CN105654145A (zh) * 2016-03-14 2016-06-08 东华大学 基于交叉点的复杂体异物微波检测定位方法
US11726210B2 (en) * 2018-08-05 2023-08-15 COM-IoT Technologies Individual identification and tracking via combined video and lidar systems
CN109581361A (zh) * 2018-11-22 2019-04-05 九牧厨卫股份有限公司 一种检测方法、检测装置、终端以及检测系统
CN113474674A (zh) * 2019-03-05 2021-10-01 宝洁公司 对人-产品交互的无线测量
US11126885B2 (en) * 2019-03-21 2021-09-21 Infineon Technologies Ag Character recognition in air-writing based on network of radars
CN111047901B (zh) * 2019-11-05 2021-07-20 珠海格力电器股份有限公司 停车管理方法、装置、存储介质、计算机设备
CN111461037B (zh) * 2020-04-07 2023-04-07 电子科技大学 一种基于fmcw雷达的端到端手势识别方法
CN111695420B (zh) * 2020-04-30 2024-03-08 华为技术有限公司 一种手势识别方法以及相关装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2704060A1 (fr) * 1993-04-16 1994-10-21 Descombes Michel Appareil compact de mesure par micro-ondes pour le contrôle non destructif de milieux, matériaux ou pièces diélectriques .
JP2005043230A (ja) * 2003-07-23 2005-02-17 Institute Of Physical & Chemical Research 細長部材の欠陥検出方法及び装置
CN107421967A (zh) * 2017-07-28 2017-12-01 昆山国显光电有限公司 一种玻璃检测装置及检测方法
CN107505337A (zh) * 2017-08-03 2017-12-22 国网江苏省电力公司连云港供电公司 一种复合绝缘子缺陷检测用微波反射信号特征数据库
CN108918557A (zh) * 2018-05-23 2018-11-30 哈尔滨理工大学 一种非导电性产品结构缺陷无损检测的方法
CN110044933A (zh) * 2019-03-27 2019-07-23 上海航天精密机械研究所 相控阵微波成像无损检测装置及方法
CN110717478A (zh) * 2019-10-22 2020-01-21 中国电子科技集团公司信息科学研究院 一种基于微波的物体检测系统及方法
CN110751103A (zh) * 2019-10-22 2020-02-04 中国电子科技集团公司信息科学研究院 一种用于物体内部检测的微波信号分类方法及系统
CN110895860A (zh) * 2019-10-22 2020-03-20 珠海格力电器股份有限公司 一种区域监测方法、装置、电子设备及存储介质
CN111814728A (zh) * 2020-07-22 2020-10-23 同济大学 数控机床刀具磨损状态识别方法和存储介质
CN111965639A (zh) * 2020-09-09 2020-11-20 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) 基于双向长短时记忆神经网络的雷达信号分析方法
CN112986950A (zh) * 2020-12-25 2021-06-18 南京理工大学 基于深度学习的单脉冲激光雷达回波特征提取方法

Also Published As

Publication number Publication date
CN113720862A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
US11954852B2 (en) Medical image classification method, model training method, computing device, and storage medium
CN113720862B (zh) 零件异常检测方法、装置、设备及存储介质
CN111028237B (zh) 图像分割方法、装置及终端设备
CN108389195B (zh) 图像检测方法及装置
CN110738235B (zh) 肺结核判定方法、装置、计算机设备及存储介质
US11501431B2 (en) Image processing method and apparatus and neural network model training method
CN109146891B (zh) 一种应用于mri的海马体分割方法、装置及电子设备
Akbari et al. COVID-19 lesion segmentation using lung CT scan images: Comparative study based on active contour models
CN111640119A (zh) 一种图像处理方法、处理装置、电子设备及存储介质
WO2022237902A1 (zh) 对象检测方法、装置、设备及计算机存储介质
CN111374698A (zh) 超声成像系统及相关的工作流系统和方法
EP4290406A1 (en) Saliency map generation method, and abnormal object detection method and device
Sim et al. Diagnostic performance of a deep learning model deployed at a national COVID-19 screening facility for detection of pneumonia on frontal chest radiographs
CN111079560B (zh) 一种摔倒监测方法、装置及终端设备
CN111860623A (zh) 基于改进ssd神经网络的统计树木数量的方法及系统
CN116206764A (zh) 风险分级方法、装置、电子设备及存储介质
US11576627B2 (en) Systems and methods for data collection in a medical device
US20160097845A1 (en) Ultrasound scanning method and system
EP3821398A1 (en) Detecting subject motion in medical imaging
US11973639B2 (en) Information processing system, information processing method, and recording medium
WO2022196433A1 (ja) モデル生成装置、分類装置、データ生成装置、モデル生成方法、及びモデル生成プログラム
CN109602454A (zh) 胎儿月份解析系统
CN118053499A (zh) 一种基于多模态的菌群丰度检测方法及系统
CN117422688A (zh) 一种血管异常检测方法、装置、电子设备及存储介质
Li et al. MaskID: An effective deep-learning-based algorithm for dense rebar counting

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