CN114742828B - 基于机器视觉的工件定损智能分析方法及装置 - Google Patents

基于机器视觉的工件定损智能分析方法及装置 Download PDF

Info

Publication number
CN114742828B
CN114742828B CN202210646675.8A CN202210646675A CN114742828B CN 114742828 B CN114742828 B CN 114742828B CN 202210646675 A CN202210646675 A CN 202210646675A CN 114742828 B CN114742828 B CN 114742828B
Authority
CN
China
Prior art keywords
workpiece
picture
training
neural network
convolutional neural
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
CN202210646675.8A
Other languages
English (en)
Other versions
CN114742828A (zh
Inventor
唐湘辉
陈明凯
申晴晴
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.)
Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Original Assignee
Wuhan Dongfang Junchi Precision Manufacturing 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 Wuhan Dongfang Junchi Precision Manufacturing Co ltd filed Critical Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Priority to CN202210646675.8A priority Critical patent/CN114742828B/zh
Publication of CN114742828A publication Critical patent/CN114742828A/zh
Application granted granted Critical
Publication of CN114742828B publication Critical patent/CN114742828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/20—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，揭露了一种基于机器视觉的工件定损智能分析方法及装置，包括：对工件图片集进行聚类，得到多个工件图片簇，在任意一个所述工件图片簇选择文本构建正负样本对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；在训练完成的两个模型中选择一个模型对对所述待识别工件图片进行损伤识别，得到损伤识别结果。本发明提高工件定损分析的准确度。

Description

基于机器视觉的工件定损智能分析方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于机器视觉的工件定损智能分析方法及装置。
背景技术
工件的质量对产品的质量、性能和寿命有着重要影响。不仅影响其摩擦、密封、磨损、润滑等机械性能，还影响其导电、导热、腐蚀等物理化学性能。如果工件在加工过程中出现的裂纹、划痕等，会对工件质量产生影响。因此，需要识别工件的损伤，对工件进行定损（定位损伤的类型），从而保证产品质量。
目前，利用深度学习模型对工件的图片进行识别，从而对工件进行定损分析，但是模型对相似工件图片的识别分辨能力较差（如不同损伤类型的相似工件图片，模型无法正确分类），容易出现误分类的情况，工件定损分析的准确度较低。
发明内容
本发明提供一种基于机器视觉的工件定损智能分析方法及装置，其主要目的在于提高工件定损分析的准确度较低。
为实现上述目的，本发明提供的一种基于机器视觉的工件定损智能分析方法，包括：
获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；
将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；
依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；
筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；
对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；
当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果。
可选地，所述将所述工件图片转换为向量，得到工件向量，包括：
将所述工件图片进行二值化，得到二值化图片；
获取所述二值化图片中每个像素的灰度值，将所有所述灰度值按照对应像素在二值化图片中排列的先后顺序进行连接，得到所述工件向量。
可选地，所述利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇，包括：
步骤A：在所有所述工件向量中随机选取预设数量的工件向量，并将选取的每个工件向量作为质心；
步骤B：计算每一个所述工件向量与每个所述质心的距离，将每条所述工件向量向距离最近的所述质心凝集汇总，得到对应初始向量簇；
步骤C：根据所述初始向量簇及所述质心进行质心波动计算，得到质心波动值；
步骤D：判断所述质心波动值是否为0，
步骤E：当所述质心波动值为0，将所述初始向量簇确定为所述工件向量簇，并将每个所述工件向量簇中所有工件向量对应的工件图片汇总，得到对应的工件图片簇；
步骤F：当所述质心波动值不为0，将所述簇平均值作为新的质心，并返回步骤B。
可选地，所述选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片，包括：
筛选所述训练图片集中与所述训练图片损伤类别相同的图片，得到第一筛选图片集；
计算所述训练图片与所述第一筛选图片集中每个图片的相似度，得到对应的图片相似度；
将所述第一筛选图片集中最大图片相似度对应的图片确认为所述训练图片对应的正样本图片。
可选地，所述计算所述训练图片与所述第一筛选图片集中每个图片的相似度，得到对应的图片相似度，包括：
将所述训练图片转化为向量，得到训练图片向量；
将所述第一筛选图片集中每个图片转化为向量，得到对应的工件向量；
计算所述训练图片向量与所述第一筛选图片集中每个图片的工件向量的向量相似度，得到对应的图片相似度。
可选地，所述利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的模型相同的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，包括：
利用所述第一卷积神经网络模型对所述训练图片进行特征提取，得到训练图片特征向量；
利用所述第二卷积神经网络模型对所述正样本图片进行特征提取，得到正样本图片特征向量；
利用所述第二卷积神经网络模型对所述负样本图片进行特征提取，得到负样本图片特征向量；
分别计算所述训练图片特征向量与所述正样本图片特征向量及所述负样本图片特征向量的相似度，得到第一相似度分数及第二相似度分数；
构建损失函数，并基于所述损失函数利用所述第一相似度分数及所述第二相似度分数进行计算，得到目标损失值；
当所述目标损失值大于或等于预设损失阈值，则更新所述第一卷积神经网络模型及所述第二卷积神经网络模型的模型参数，并返回所述在任意一个所述工件图片簇中随机选取预设第二数量的工件图片步骤；
当所述目标损失值小于预设损失阈值，则输出训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型。
可选地，所述利用所述第一卷积神经网络模型对所述训练图片进行特征提取，得到训练图片特征向量，包括：
将所述训练图片输入所述第一卷积神经网络模型，获取所述第一卷积神经网络模型中最后一层全连接层每个节点的输出值；
将所有所述输出值按照对应节点在所述全连接层中的先后顺序进行连接，得到所述训练图片特征向量。
可选地，所述构建损失函数，并利用所述第一相似度分数及所述第二相似度分数进行计算，得到目标损失值，包括：
Figure 100007DEST_PATH_IMAGE001
其中，i为所述训练图片集中训练图片的序号，N为所述训练图片集中训练图片的数量，
Figure 582941DEST_PATH_IMAGE002
为训练图片i对应的第一相似度分数，
Figure 930877DEST_PATH_IMAGE003
为训练图片i对应的第二相似度分数，
Figure 355911DEST_PATH_IMAGE004
为预设的损失参数，L为所述损失函数。
可选地，所述对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型，包括：
提取所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型中每种模型参数的最大参数值；
将每种所述模型参数的最大参数值替换所述训练完成的第一卷积神经网络模型中相同模型参数对应的参数值，得到所述工件损伤识别模型；或
将每种所述模型参数的最大参数值替换所述训练完成的第二卷积神经网络模型中相同模型参数对应的参数值，得到所述工件损伤识别模型。
为了解决上述问题，本发明还提供一种基于机器视觉的工件定损智能分析装置，所述装置包括：
图片聚类模块，用于获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
样本构建模块，用于在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
模型训练模块，用于利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；
损伤识别模块，用于对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于机器视觉的工件定损智能分析方法。
为了解决上述问题，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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于机器视觉的工件定损智能分析方法。
本发明实施例将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；从一个工件图片簇中选取图片对模型进行训练，模型可以更好的学习相似图片的分辨能力，对相似工件图片的识别效果更好，进而提高了工件定损分析的准确度，因此本发明提出的基于机器视觉的工件定损智能分析方法、装置，可以提高了工件定损分析的准确度。
附图说明
图1为本发明一实施例提供的基于机器视觉的工件定损智能分析方法的流程示意图；
图2为图1实施例其中一个步骤的流程示意图；
图3为图1实施例其中一个步骤的流程示意图；
图4为本发明一实施例提供的基于机器视觉的工件定损智能分析装置的功能模块图；
图5为本发明一实施例提供的实现所述基于机器视觉的工件定损智能分析方法的电子设备的结构示意图。
本发明目的实现、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。
本申请实施例提供一种基于机器视觉的工件定损智能分析方法。所述基于机器视觉的工件定损智能分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于机器视觉的工件定损智能分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
参照图1所示，为本发明一实施例提供的基于机器视觉的工件定损智能分析方法的流程示意图。在本实施例中，所述基于机器视觉的工件定损智能分析方法包括：
S1、获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；
本发明实施例中所述工件图片集为标记有损伤类型的工件的图片的集合，所述损伤类型为所述工件的损伤类型，所述损伤类型包括：裂缝或划痕或缺失等表面损伤类型。可选地，所述工件为用于磨削加工用的工件。
S2、将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
本发明实施例中为了将相似的图片聚为一类，将所述工件图片转换为向量，得到工件向量。
具体地，参阅图2所示，本发明实施例中将所述工件图片转换为向量，得到工件向量，包括：
S21、将所述工件图片进行二值化，得到二值化图片；
S22、获取所述二值化图片中每个像素的灰度值，将所有所述灰度值按照对应像素在二值化图片中排列的先后顺序进行连接，得到所述工件向量。
进一步地，本发明实施例中利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇，包括：
步骤A：在所有所述工件向量中随机选取预设数量的工件向量，并将选取的每个工件向量作为质心；
步骤B：计算每一个所述工件向量与每个所述质心的距离，将每条所述工件向量向距离最近的所述质心凝集汇总，得到对应初始向量簇；
步骤C：根据所述初始向量簇及所述质心进行质心波动计算，得到质心波动值；
步骤D：判断所述质心波动值是否为0，
步骤E：当所述质心波动值为0，将所述初始向量簇确定为所述工件向量簇，并将每个所述工件向量簇中所有工件向量对应的工件图片汇总，得到对应的工件图片簇；
步骤F：当所述质心波动值不为0，将所述簇平均值作为新的质心，并返回步骤B。
具体地，本发明实施例中根据所述初始向量簇及所述质心进行质心波动计算，得到质心波动值，包括：
计算所述初始向量簇中所有工件向量的平均值，得到簇平均向量；
计算所述初始向量簇对应的簇平均向量与质心的向量距离，得到所述质心波动值。
S3、在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；
本发明实施例中为了保证每个训练工件图片集中的工件图片在同一工件图片簇中，在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练工件图片集。
S4、依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；
详细地，参阅图3所示，本发明实施例中筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片，包括：
S41、筛选所述训练图片集中与所述训练图片损伤类别相同的图片，得到第一筛选图片集；
S42、计算所述训练图片与所述第一筛选图片集中每个图片的相似度，得到对应的图片相似度；
S43、将所述第一筛选图片集中最大图片相似度对应的图片确认为所述训练图片对应的正样本图片。
具体地，本发明实施例中计算所述训练图片与所述第一筛选图片集中每个图片的相似度，得到对应的图片相似度，包括：
将所述训练图片转化为向量，得到训练图片向量；
将所述第一筛选图片集中每个图片转化为向量，得到对应的工件向量；
计算所述训练图片向量与所述第一筛选图片集中每个图片的工件向量的向量相似度，得到对应的图片相似度。
本发明实施例中对计算所述训练图片与所述筛选文本集中每个文本的相似度的方法不做限制。
S5、筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
详细地，本发明实施例中筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片，包括：
筛选所述训练图片集中与所述训练图片损伤类别相同的图片，得到第二筛选图片集；
计算所述训练图片与所述第二筛选图片集中每个图片的相似度，得到对应的图片相似度；
将所述第二筛选图片集中最大文本相似度对应的图片确认为所述训练图片对应的负样本图片。
S6、利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；
本发明实施例中所述第一卷积神经网络模型与第二卷积神经网络模型为相同的初始化的卷积神经网络模型。
详细地，本发明实施例中利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的模型相同的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，包括：
利用所述第一卷积神经网络模型对所述训练图片进行特征提取，得到训练图片特征向量；
利用所述第二卷积神经网络模型对所述正样本图片进行特征提取，得到正样本图片特征向量；
利用所述第二卷积神经网络模型对所述负样本图片进行特征提取，得到负样本图片特征向量；
分别计算所述训练图片特征向量与所述正样本图片特征向量及所述负样本图片特征向量的相似度，得到第一相似度分数及第二相似度分数；
构建损失函数，并基于所述损失函数利用所述第一相似度分数及所述第二相似度分数进行计算，得到目标损失值；
当所述目标损失值大于或等于预设损失阈值，则更新所述第一卷积神经网络模型及所述第二卷积神经网络模型的模型参数，并返回所述在任意一个所述工件图片簇中随机选取预设第二数量的工件图片步骤；
当所述目标损失值小于预设损失阈值，则输出训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型。
具体地，本发明实施例中利用所述第一卷积神经网络模型对所述训练图片进行特征提取，得到训练图片特征向量，包括：
将所述训练图片输入所述第一卷积神经网络模型，获取所述第一卷积神经网络模型中最后一层全连接层每个节点的输出值；
将所有所述输出值按照对应节点在所述全连接层中的先后顺序进行连接，得到所述训练图片特征向量。
进一步地，本发明实施例中分别计算所述训练图片特征向量与所述正样本图片特征向量及所述负样本图片特征向量的相似度，得到第一相似度分数及第二相似度分数，包括：
将所述训练图片特征向量与所述正样本图片特征向量拼接，得到正样本拼接向量；
利用多层感知机对所述正样本拼接向量进行相似特征提取，得到正样本相似特征向量；
利用softmax函数对所述正样本相似特征向量进行计算，得到所述第一相似度分数；
将所述训练图片特征向量与所述负样本图片特征向量拼接，得到负样本拼接向量；
利用多层感知机对所述负样本拼接向量进行相似特征提取，得到负样本相似特征向量；
利用softmax函数对所述负样本相似特征向量进行计算，得到所述第二相似度分数。
具体地，本发明实施例中所述损失函数为：
Figure 343458DEST_PATH_IMAGE001
其中，i为所述训练图片集中训练图片的序号，N为所述训练图片集中图片的数量，
Figure 443132DEST_PATH_IMAGE005
为训练图片i对应的第一相似度分数，
Figure 878531DEST_PATH_IMAGE006
为训练图片i对应的第二相似度分数，
Figure 975931DEST_PATH_IMAGE004
为预设的损失参数，L为所述损失函数。
S7、对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；
详细地，本发明实施例中对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型，包括：
获取测试图片集，其中，所述测试图片集中每个测试图片都有对应的损伤类别；
本发明实施例中所述测试图片与所述工件图片相同类型工件图片，所述测试图片与所述工件图片的内容不相同。
对所述训练完成的第一卷积神经网络模型对所述测试图片集中每个测试图片进行分类以判断分类结果与对应的测试图片的损伤类别是否一致，得到第一测试准确率；
对所述训练完成的第二卷积神经网络模型对所述测试图片集中每个测试图片进行分类以判断分类结果与对应的测试图片的损伤类别是否一致，得到第二测试准确率；
例如：测试图片集共有10个测试图片，其中，有9个测试图片的分类结果与对应的损伤类别一致，那么对应的第二测试准确率为9/10*100%=90%。
判断所述第一测试准确率是否大于所述第二测试准确率，并根据判断结果对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到所述工件损伤识别模型。
详细地，本发明实施例中根据测试结果对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到所述工件损伤识别模型，包括：
当所述判断结果为第一测试准确率大于第二测试准确率，将所述训练完成的第一卷积神经网络模型确定为所述工件损伤识别模型；
当所述判断结果为第一测试准确率不大于所述第二测试准确率，将所述训练完成的第二卷积神经网络模型确定为所述工件损伤识别模型。
本发明另一实施例中对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型，包括：
提取所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型中每种模型参数的最大参数值；
将每种所述模型参数的最大参数值替换所述训练完成的第一卷积神经网络模型中相同模型参数对应的参数值，得到所述工件损伤识别模型；或
将每种所述模型参数的最大参数值替换所述训练完成的第二卷积神经网络模型中相同模型参数对应的参数值，得到所述工件损伤识别模型。
S8、当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果。
本发明实施例中所述待识别工件图片为与所述工件图片类型相同内容不同。
进一步地，本发明实施例中，将所述待识别工件图片输入所述损伤分类模型，得到所述损伤识别结果。
具体地，本发明实施例中利用所述工件损伤识别模型对所述待识别工件图片进行分类，得到损伤识别结果，包括：
利用所述工件损伤识别模型对所述待识别工件图片进行特征提取，得到待识别工件图片向量；
利用softmax函数对所述待识别工件图片向量进行计算，得到不同预设损伤识别类别的识别概率；
将最大的所述识别概率对应的损伤识别类别确认为所述损伤识别结果。
实施例2：
如图4所示，是本发明一实施例提供的基于机器视觉的工件定损智能分析装置的功能模块图，其可以实现实施例1中的基于机器视觉的工件定损智能分析方法。
本发明所述基于机器视觉的工件定损智能分析装置100可以安装于电子设备中。根据实现的功能，所述基于机器视觉的工件定损智能分析装置100可以包括图片聚类模块101、样本构建模块102、模型训练模块103、损伤识别模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述图片聚类模块101用于获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
所述样本构建模块102用于在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
所述模型训练模块103用于利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；
所述损伤识别模块104用于对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果。
详细地，本发明实施例中所述基于机器视觉的工件定损智能分析装置100中的所述各模块在使用时采用与上述的图1中所述的基于机器视觉的工件定损智能分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图5所示，是本发明一实施例提供的实现基于机器视觉的工件定损智能分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于机器视觉的工件定损智能分析方法程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于机器视觉的工件定损智能分析方法程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于机器视觉的工件定损智能分析方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于机器视觉的工件定损智能分析方法程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；
将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；
依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；
筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；
对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；
当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；
将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；
依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；
筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；
对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；
当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于机器视觉的工件定损智能分析方法，其特征在于，所述方法包括：
获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；
将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；
依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；
筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；
对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；
当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果；
所述利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的模型相同的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，包括：
利用所述第一卷积神经网络模型对所述训练图片进行特征提取，得到训练图片特征向量；
利用所述第二卷积神经网络模型对所述正样本图片进行特征提取，得到正样本图片特征向量；
利用所述第二卷积神经网络模型对所述负样本图片进行特征提取，得到负样本图片特征向量；
分别计算所述训练图片特征向量与所述正样本图片特征向量及所述负样本图片特征向量的相似度，得到第一相似度分数及第二相似度分数；
构建损失函数，并基于所述损失函数利用所述第一相似度分数及所述第二相似度分数进行计算，得到目标损失值；
当所述目标损失值大于或等于预设损失阈值，则更新所述第一卷积神经网络模型及所述第二卷积神经网络模型的模型参数，并返回所述在任意一个所述工件图片簇中随机选取预设第二数量的工件图片步骤；
当所述目标损失值小于预设损失阈值，则输出训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型。
2.如权利要求1所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述将所述工件图片转换为向量，得到工件向量，包括：
将所述工件图片进行二值化，得到二值化图片；
获取所述二值化图片中每个像素的灰度值，将所有所述灰度值按照对应像素在二值化图片中排列的先后顺序进行连接，得到所述工件向量。
3.如权利要求1所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇，包括：
步骤A：在所有所述工件向量中随机选取预设数量的工件向量，并将选取的每个工件向量作为质心；
步骤B：计算每一个所述工件向量与每个所述质心的距离，将每条所述工件向量向距离最近的所述质心凝集汇总，得到对应初始向量簇；
步骤C：根据所述初始向量簇及所述质心进行质心波动计算，得到质心波动值；
步骤D：判断所述质心波动值是否为0，
步骤E：当所述质心波动值为0，将所述初始向量簇确定为所述工件向量簇，并将每个所述工件向量簇中所有工件向量对应的工件图片汇总，得到对应的工件图片簇；
步骤F：当所述质心波动值不为0，将所述簇平均值作为新的质心，并返回步骤B。
4.如权利要求1所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片，包括：
筛选所述训练图片集中与所述训练图片损伤类别相同的图片，得到第一筛选图片集；
计算所述训练图片与所述第一筛选图片集中每个图片的相似度，得到对应的图片相似度；
将所述第一筛选图片集中最大图片相似度对应的图片确认为所述训练图片对应的正样本图片。
5.如权利要求4所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述计算所述训练图片与所述第一筛选图片集中每个图片的相似度，得到对应的图片相似度，包括：
将所述训练图片转化为向量，得到训练图片向量；
将所述第一筛选图片集中每个图片转化为向量，得到对应的工件向量；
计算所述训练图片向量与所述第一筛选图片集中每个图片的工件向量的向量相似度，得到对应的图片相似度。
6.如权利要求1所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述利用所述第一卷积神经网络模型对所述训练图片进行特征提取，得到训练图片特征向量，包括：
将所述训练图片输入所述第一卷积神经网络模型，获取所述第一卷积神经网络模型中最后一层全连接层每个节点的输出值；
将所有所述输出值按照对应节点在所述全连接层中的先后顺序进行连接，得到所述训练图片特征向量。
7.如权利要求1所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述构建损失函数，并利用所述第一相似度分数及所述第二相似度分数进行计算，得到目标损失值，包括：
Figure 535107DEST_PATH_IMAGE002
其中，
Figure 32341DEST_PATH_IMAGE004
为所述训练图片集中训练图片的序号，
Figure 343236DEST_PATH_IMAGE006
为所述训练图片集中图片的数量，
Figure 472866DEST_PATH_IMAGE008
为训练图片
Figure 818397DEST_PATH_IMAGE010
对应的第一相似度分数，
Figure 922750DEST_PATH_IMAGE012
为训练图片
Figure DEST_PATH_IMAGE014
对应的第二相似度分数，
Figure DEST_PATH_IMAGE016
为预设的损失参数，L为所述损失函数。
8.如权利要求1至7中任意一项所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型，包括：
提取所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型中每种模型参数的最大参数值；
将每种所述模型参数的最大参数值替换所述训练完成的第一卷积神经网络模型中相同模型参数对应的参数值，得到所述工件损伤识别模型；或
将每种所述模型参数的最大参数值替换所述训练完成的第二卷积神经网络模型中相同模型参数对应的参数值，得到所述工件损伤识别模型。
9.一种基于机器视觉的工件定损智能分析装置，用于执行如权利要求1-8任一项所述的基于机器视觉的工件定损智能分析方法，其特征在于，所述装置包括：
图片聚类模块，用于获取工件图片集，其中，所述工件图片集中每个工件图片都有标记有对应的损伤类型，其中，所述损伤类型包括：裂缝或划痕或缺失；将所述工件图片转换为向量，得到工件向量，并利用所述工件向量将所述工件图片集中的所有工件图片进行聚类，得到预设第一数量的工件图片簇；
样本构建模块，用于在任意一个所述工件图片簇中随机选取预设第二数量的工件图片，得到训练图片集；依次选取所述训练图片集的工件图片为训练图片，并筛选所述训练图片集中与所述训练图片损伤类别相同的相似图片，得到所述训练图片对应的正样本图片；筛选所述训练图片集中与所述训练图片损伤类别不同的相似图片，得到所述训练图片对应的负样本图片；
模型训练模块，用于利用每个所述训练图片及该训练图片对应的正样本图片及负样本图片对预构建的第一卷积神经网络模型及第二卷积神经网络模型进行训练，得到训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型，其中，所述第一卷积神经网络模型与所述第二卷积神经网络模型相同；具体包括：
利用所述第一卷积神经网络模型对所述训练图片进行特征提取，得到训练图片特征向量；
利用所述第二卷积神经网络模型对所述正样本图片进行特征提取，得到正样本图片特征向量；
利用所述第二卷积神经网络模型对所述负样本图片进行特征提取，得到负样本图片特征向量；
分别计算所述训练图片特征向量与所述正样本图片特征向量及所述负样本图片特征向量的相似度，得到第一相似度分数及第二相似度分数；
构建损失函数，并基于所述损失函数利用所述第一相似度分数及所述第二相似度分数进行计算，得到目标损失值；
当所述目标损失值大于或等于预设损失阈值，则更新所述第一卷积神经网络模型及所述第二卷积神经网络模型的模型参数，并返回所述在任意一个所述工件图片簇中随机选取预设第二数量的工件图片步骤；
当所述目标损失值小于预设损失阈值，则输出训练完成的第一卷积神经网络模型及训练完成的第二卷积神经网络模型；
损伤识别模块，用于对所述训练完成的第一卷积神经网络模型及所述训练完成的第二卷积神经网络模型进行模型筛选，得到工件损伤识别模型；当获取待识别工件图片时，利用所述工件损伤识别模型对所述待识别工件图片进行损伤识别，得到损伤识别结果。
CN202210646675.8A 2022-06-09 2022-06-09 基于机器视觉的工件定损智能分析方法及装置 Active CN114742828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210646675.8A CN114742828B (zh) 2022-06-09 2022-06-09 基于机器视觉的工件定损智能分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210646675.8A CN114742828B (zh) 2022-06-09 2022-06-09 基于机器视觉的工件定损智能分析方法及装置

Publications (2)

Publication Number Publication Date
CN114742828A CN114742828A (zh) 2022-07-12
CN114742828B true CN114742828B (zh) 2022-10-14

Family

ID=82288164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210646675.8A Active CN114742828B (zh) 2022-06-09 2022-06-09 基于机器视觉的工件定损智能分析方法及装置

Country Status (1)

Country Link
CN (1) CN114742828B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107607554A (zh) * 2017-09-26 2018-01-19 天津工业大学 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
EP3623882A1 (en) * 2018-09-13 2020-03-18 Siemens Aktiengesellschaft Identifying type and alignment of a workpiece
CN111598124A (zh) * 2020-04-07 2020-08-28 深圳市商汤科技有限公司 图像处理及装置、处理器、电子设备、存储介质
CN112053317A (zh) * 2020-04-26 2020-12-08 张辉 一种基于级联神经网络的工件表面缺陷检测方法
CN113155851A (zh) * 2021-04-30 2021-07-23 西安交通大学 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7668388B2 (en) * 2005-03-03 2010-02-23 Mitutoyo Corporation System and method for single image focus assessment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107607554A (zh) * 2017-09-26 2018-01-19 天津工业大学 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
EP3623882A1 (en) * 2018-09-13 2020-03-18 Siemens Aktiengesellschaft Identifying type and alignment of a workpiece
CN111598124A (zh) * 2020-04-07 2020-08-28 深圳市商汤科技有限公司 图像处理及装置、处理器、电子设备、存储介质
CN112053317A (zh) * 2020-04-26 2020-12-08 张辉 一种基于级联神经网络的工件表面缺陷检测方法
CN113155851A (zh) * 2021-04-30 2021-07-23 西安交通大学 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置

Also Published As

Publication number Publication date
CN114742828A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
WO2022141858A1 (zh) 行人检测方法、装置、电子设备及存储介质
CN112581227A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN112137591A (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN113268665A (zh) 基于随机森林的信息推荐方法、装置、设备及存储介质
CN113704474A (zh) 银行网点设备操作指引生成方法、装置、设备及存储介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN113157739A (zh) 跨模态检索方法、装置、电子设备及存储介质
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN115049836B (zh) 图像分割方法、装置、设备及存储介质
CN114742828B (zh) 基于机器视觉的工件定损智能分析方法及装置
CN114627435B (zh) 基于图像识别的智能灯光调节方法、装置、设备及介质
CN115221274A (zh) 文本情感分类方法、装置、电子设备及存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN114120347A (zh) 表单校验方法、装置、电子设备及存储介质
CN114677526A (zh) 图像分类方法、装置、设备及介质
CN113888265A (zh) 产品推荐方法、装置、设备及计算机可读存储介质
CN114996386A (zh) 业务角色识别方法、装置、设备及存储介质
CN114049676A (zh) 疲劳状态检测方法、装置、设备及存储介质

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