CN115131347B - 一种用于锌合金零件加工的智能控制方法 - Google Patents

一种用于锌合金零件加工的智能控制方法 Download PDF

Info

Publication number
CN115131347B
CN115131347B CN202211038132.4A CN202211038132A CN115131347B CN 115131347 B CN115131347 B CN 115131347B CN 202211038132 A CN202211038132 A CN 202211038132A CN 115131347 B CN115131347 B CN 115131347B
Authority
CN
China
Prior art keywords
sample
loss function
initial sample
final
acquiring
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
CN202211038132.4A
Other languages
English (en)
Other versions
CN115131347A (zh
Inventor
盛建凯
孙小春
盛太纯
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.)
Jiangsu Maorong Intelligent Technology Co ltd
Original Assignee
Jiangsu Maorong Intelligent 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 Jiangsu Maorong Intelligent Technology Co ltd filed Critical Jiangsu Maorong Intelligent Technology Co ltd
Priority to CN202211038132.4A priority Critical patent/CN115131347B/zh
Publication of CN115131347A publication Critical patent/CN115131347A/zh
Application granted granted Critical
Publication of CN115131347B publication Critical patent/CN115131347B/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
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种用于锌合金零件加工的智能控制方法，该方法包括通过气泡缺陷特征获取重构损失函数，对初始样本聚类，利用初始样本、聚类后的样本类别得到变分自编码器对应的两个网络得到概率分布，根据两个概率分布对应得到正则化损失函数、均衡化损失函数，根据重构损失函数、正则化损失函数、均衡化损失函数得到最终损失函数，基于最终损失函数得到最终变分自编码器，从最终变分自编码器的推断网络输出的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数来扩充初始样本，根据扩充样本对神经网络训练得到最终工艺参数，根据最终工艺参数调整工艺参数，本发明方法能精确调整工艺参数，从而提高零件加工的质量。

Description

一种用于锌合金零件加工的智能控制方法
技术领域
本发明涉及智能控制技术领域，具体涉及一种用于锌合金零件加工的智能控制方法。
背景技术
在加工锌合金零件时，由于工艺参数的不同，零件表面会产生一些缺陷，气泡缺陷就是其中一种不可修复的缺陷，严重影响零件的合格率。
一般来说通过设置设备加工时的工艺参数，可以减少气泡缺陷的产生，提高零件的合格率。但是影响气泡缺陷产生的工艺参数有很多，并且工艺参数之间存在相互制约或者相互促进的关系，这就导致虽然只对某一个工艺参数做微小变化，但仍会对零件表面的气泡缺陷产生很大的影响。
在利用神经网络对锌合金零件加工工艺参数进行训练时，神经网络预测模型的准确性取决于样本的数据量和数据精度，但是在实际生产中，难以获取到足够多的高精度的样本，则神经网络模型无法学习到工艺参数和气泡缺陷的关系的特征，导致训练后的工艺参数的精度较低，从而使得根据训练后的工艺参数来调整加工工艺参数后生产出来的零件的质量并不好。
因此，需要一种用于锌合金零件加工的智能控制方法。
发明内容
本发明提供一种用于锌合金零件加工的智能控制方法，以解决现有的问题。
本发明的一种用于锌合金零件加工的智能控制方法采用如下技术方案：该方法包括：
获取多个零件图像，获取多个零件图像中的气泡缺陷特征，将所有零件图像中气泡缺陷特征及影响气泡缺陷的工艺参数作为初始样本；
根据初始样本利用变分自编码器获取生成样本，根据初始样本、生成样本获取重构损失函数；
对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别；
根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布，根据初始样本对应的概率分布的KL散度获取正则化损失函数，根据每个样本类别对应的概率分布的KL散度获取均衡化损失函数；
根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数，基于最终损失函数对变分自编码器的网络进行训练获取最终变分自编码器；
从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本；
对神经网络进行训练，其中，输入为扩充样本中的工艺参数，输出为扩充样本中的气泡缺陷特征，根据训练好的神经网络得到气泡缺陷特征中各个最少缺陷特征对应的最终工艺参数，根据最终工艺参数调整零件加工的工艺参数。
进一步的，获取多个零件图像中的气泡缺陷特征的步骤包括：
气泡缺陷特征包括气泡缺陷的数量、大小、缺陷程度、密集度；
获取零件图像的灰度图；
对灰度图进行阈值分割获得气泡缺陷，并得到气泡缺陷的二值图；
获取气泡缺陷的二值图进行连通域分析，连通域的数量即为气泡缺陷的数量，连通域的大小之和为气泡缺陷的大小；
根据连通域中对应的像素的灰度值获取气泡缺陷程度；
获取每个连通域的最小外接圆及最小外接圆的圆心，根据圆心的分布获得气泡缺陷密集度。
进一步的，根据初始样本、生成样本获取重构损失函数的步骤包括：
计算生成样本和初始样本的第一相似度；
根据初始样本中的气泡缺陷特征获取权重；
根据权重和第一相似度获取重构损失函数。
进一步的，对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别的步骤包括：
计算初始样本中每两个零件图像的气泡缺陷特征的第二相似度；
根据第二相似度对初始样本中的气泡缺陷特征进行聚类得到多个样本类别。
进一步的，根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布的步骤包括：
变分自编码器包括利用两个网络建立高斯混合模型和工艺参数的隐变量的变分概率分布模型；
根据样本类别的数量确定高斯混合模型中高斯模型的数量；
根据初始样本获取变分自编码器对应的高斯混合模型的高斯混合分布、隐变量的变分概率分布模型的第一隐变量分布；
根据每个样本类别获取变分自编码器对应的高斯模型的高斯分布及隐变量的变分概率分布模型的第二隐变量分布。
进一步的，根据初始样本对应的概率分布的KL散度获取正则化损失函数步骤包括：
根据下式（1）计算正则化损失函数
Figure DEST_PATH_IMAGE001
：
Figure 100002_DEST_PATH_IMAGE002
（1）
其中，
Figure DEST_PATH_IMAGE003
表示初始样本X对应的第一隐变量分布，
Figure 100002_DEST_PATH_IMAGE004
表示初始样本X对应的第一隐变量分布中的隐变量均值，
Figure DEST_PATH_IMAGE005
表示初始样本X对应的第一隐变量分布中的隐变量方差；
Figure 100002_DEST_PATH_IMAGE006
表示初始样本X对应的高斯混合分布，n表示高斯模型的数量，
Figure DEST_PATH_IMAGE007
表示初始样本X中高斯混合分布对应的所有高斯混合模型的均值构成的均值向量，
Figure 801617DEST_PATH_IMAGE007
=
Figure 100002_DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
第
Figure DEST_PATH_IMAGE011
个高斯模型对应的均值，
Figure 100002_DEST_PATH_IMAGE012
表示初始样本X中高斯混合分布对应的所有高斯混合模型的方差构成的方差向量，
Figure 656440DEST_PATH_IMAGE012
=
Figure DEST_PATH_IMAGE013
，
Figure 100002_DEST_PATH_IMAGE014
表示第
Figure 577123DEST_PATH_IMAGE011
个高斯模型对应的方差。
进一步的，根据每个样本类别对应的概率分布的KL散度获取正则化损失函数的步骤包括：
根据式（2）计算均衡化损失函数
Figure DEST_PATH_IMAGE015
：
Figure 100002_DEST_PATH_IMAGE016
（2）
其中，
Figure DEST_PATH_IMAGE017
表示第
Figure 100002_DEST_PATH_IMAGE018
个样本类别对应的第
Figure DEST_PATH_IMAGE019
个隐变量分布对应的均值，
Figure 100002_DEST_PATH_IMAGE020
表示第
Figure 454556DEST_PATH_IMAGE018
个样本类别中第
Figure 613136DEST_PATH_IMAGE019
个隐变量分布对应的方差，
Figure DEST_PATH_IMAGE021
表示第
Figure 232336DEST_PATH_IMAGE018
个样本类别对应的第
Figure 843577DEST_PATH_IMAGE019
个高斯模型的均值，
Figure 100002_DEST_PATH_IMAGE022
第
Figure 839215DEST_PATH_IMAGE018
个样本类别对应的第
Figure 976935DEST_PATH_IMAGE019
个高斯模型的方差，n表示高斯模型的数量。
进一步的，根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数的步骤包括：
根据下式（3）获取最终损失函数
Figure DEST_PATH_IMAGE023
：
Figure 100002_DEST_PATH_IMAGE024
（3）
其中，
Figure DEST_PATH_IMAGE025
表示重构损失函数；
Figure 186943DEST_PATH_IMAGE001
表示正则化损失函数；
Figure 410114DEST_PATH_IMAGE015
表示均衡化损失函数，
Figure 100002_DEST_PATH_IMAGE026
表示最终变分自编码器的网络的训练次数。
进一步的，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本的步骤包括：
若重构工艺参数在初始样本中，则重新进行采样；
若重构工艺参数不在初始样本，则将为重构工艺参数记为扩充后的工艺参数；
直至扩充的工艺参数的数据量达到初始样本的总工艺参数的数据量的50%，则将所有的扩充的工艺参数增添至初始样本的工艺参数中得到扩充样本。
本发明的有益效果是：本发明的一种用于锌合金零件加工的智能控制方法，通过对变分自编码器的损失函数进行更新得到最终损失函数，基于最终损失函数对变分自编码器进行训练得到最终变分自编码器，从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数来扩充初始样本，得到扩充样本，从而改进变分自编码器的损失函数，使得最终变分自编码器训练得到的扩充样本均衡化程度高，同时利用扩充样本对神经网络训练得到气泡缺陷特征中各个最少或者没有缺陷特征对应的最终工艺参数，然后在利用最终工艺参数调整零件加工的工艺参数，进而使得应用于零件加工过程中的工艺参数的调整的精确度更高，使得零件加工过程中的存在最少或者没有气泡缺陷特征，从而提高加工锌合金零件的质量。
附图说明
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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明的一种用于锌合金零件加工的智能控制方法的实施例总体步骤的流程图。
图2为S4步骤中获取变分自编码器的两个网络对应的概率分布的流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明的一种用于锌合金零件加工的智能控制方法的实施例，如图1所示，该方法包括：
S1、获取多个零件图像，获取多个零件图像中的气泡缺陷特征，将所有零件图像中气泡缺陷特征及影响气泡缺陷的工艺参数作为初始样本。
具体的，S11、获取多个零件图像中的气泡缺陷特征的步骤包括：气泡缺陷特征包括气泡缺陷的数量、大小、缺陷程度、密集度；S111、获取每个零件图像的灰度图；S112、对灰度图进行阈值分割获得气泡缺陷，并得到气泡缺陷的二值图；S113、获取气泡缺陷的二值图进行连通域分析，连通域的数量即为气泡缺陷的数量，连通域的大小之和为气泡缺陷的大小；S114、根据连通域中对应的像素的灰度值获取气泡缺陷程度；S115、获取每个连通域的最小外接圆及最小外接圆的圆心，根据圆心的分布获得气泡缺陷密集度：
Figure DEST_PATH_IMAGE027
，
Figure 100002_DEST_PATH_IMAGE028
为零件上的气泡缺陷的数量，
Figure DEST_PATH_IMAGE029
为第
Figure 84809DEST_PATH_IMAGE011
个气泡缺陷的最小外接圆的圆心坐标，
Figure 100002_DEST_PATH_IMAGE030
为
Figure 421244DEST_PATH_IMAGE028
个气泡缺陷所组成的多边形的中心的坐标。
具体的，S12、将所有零件图像中气泡缺陷特征及影响气泡缺陷的工艺参数作为初始样本的步骤包括：S121、获取影响气泡缺陷特征产生的工艺参数，将所有的工艺参数记为工艺参数特征，其中工艺参数特征包括：模具温度、填充速度、压射速度，开模时间；S122、将每个零件图像中的气泡缺陷特征记为M维特征向量、工艺参数特征记为N维特征向量；则每个零件图像即为一个M+N维的特征向量；S123、多个零件图像对应的M+N维的特征向量构成了初始样本。
S2、为了获取气泡缺陷特征最少或者没有对应的工艺参数，根据初始样本利用变分自编码器获取生成样本，其中，变分自编码器包括利用两个网络建立两个概率密度分布模型，具体，变分自编码器包括推断网络和生成网络，推断网络用于初始样本中数据的变分推断，生成工艺参数的隐变量的变分概率分布，生成网络用于根据推断网络生成的隐变量变分概率分布，还原生成初始样本中的数据的近似概率分布，根据初始样本、生成样本获取重构损失函数。具体的，S21、计算生成样本和初始样本的第一相似度；S22、根据初始样本中的气泡缺陷特征获取权重，根据下式（A）获取权重：
Figure DEST_PATH_IMAGE031
（A）
其中，
Figure 100002_DEST_PATH_IMAGE032
表示权重，a表示气泡缺陷的数量；b表示气泡缺陷的大小；c表示气泡缺陷的缺陷程度；d表示气泡缺陷的密集度；
Figure DEST_PATH_IMAGE033
表示气泡缺陷的数量的系数；
Figure 100002_DEST_PATH_IMAGE034
表示气泡缺陷的大小的系数；
Figure DEST_PATH_IMAGE035
表示气泡缺陷的缺陷程度的系数；
Figure 100002_DEST_PATH_IMAGE036
表示气泡缺陷的密集度的系数，系数是人为根据对气泡缺陷特征的关注情况给定，初始样本的气泡缺陷特征最少或者没有，则权重
Figure 457945DEST_PATH_IMAGE032
越大，以此保证气泡缺陷特征最少或者没有对应的工艺参数的重构的准确性越高。
S23、根据权重和第一相似度获取重构损失函数，其中，根据下式（B）获取重构损失函数
Figure DEST_PATH_IMAGE037
：
Figure 100002_DEST_PATH_IMAGE038
（B）
其中，
Figure DEST_PATH_IMAGE039
表示生成样本和初始样本的第一相似度，
Figure 100002_DEST_PATH_IMAGE040
表示权重。
S3、对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别。
具体的，计算初始样本中每两个零件图像的气泡缺陷特征的第二相似度；根据第二相似度对初始样本中的气泡缺陷特征进行均值漂移聚类算法得到多个样本类别，具体的，漂移距离和方向根据样本的气泡缺陷特征的第二相似度来确定，即沿着初始样本中气泡缺陷特征的第二相似度上升方向寻找聚簇点，在零件图像中选择多个聚簇点，计算以聚簇点为圆心、半径为D的圆形空间内所有的点与聚簇点的特征向量，计算整个圆形空间内所有特征向量的加权平均值，该统计特征向量的加权平均值的模即为该聚簇点的偏移距离，同时得到该聚簇点的偏移方向。
S4、为了保证扩充样本均衡化程度高，则需要保证聚类后的样本类别中工艺参数的隐变量分布服从对应的高斯混合模型，根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布，根据初始样本对应的概率分布的KL散度获取正则化损失函数，根据每个样本类别对应的概率分布的KL散度获取均衡化损失函数。
具体的，S41、根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布的步骤包括：S411、变分自编码器包括利用两个网络建立高斯混合模型和工艺参数的隐变量的变分概率分布模型；S412、根据样本类别的数量确定高斯混合模型中高斯模型的数量，高斯混合模型用来表征气泡缺陷特征对应的工艺参数的分布情况，高斯混合模型混合的高斯模型的数量越多，则准确性越大；S413、根据初始样本获取变分自编码器对应的高斯混合模型的高斯混合分布、隐变量的变分概率分布模型的第一隐变量分布；S414、根据每个样本类别获取变分自编码器对应的高斯模型的高斯分布及隐变量的变分概率分布模型的第二隐变量分布。
S42、根据初始样本对应的概率分布的KL散度获取正则化损失函数的步骤包括：具体的，根据下式（1）计算正则化损失函数
Figure 387986DEST_PATH_IMAGE001
：
Figure 866372DEST_PATH_IMAGE002
（1）
其中，
Figure 837739DEST_PATH_IMAGE003
表示初始样本X对应的第一隐变量分布，
Figure 251534DEST_PATH_IMAGE004
表示初始样本X对应的第一隐变量分布中的隐变量均值，
Figure 714876DEST_PATH_IMAGE005
表示初始样本X对应的第一隐变量分布中的隐变量方差；
Figure 387166DEST_PATH_IMAGE006
表示初始样本X对应的高斯混合分布，n表示高斯模型的数量，
Figure 88406DEST_PATH_IMAGE007
表示初始样本X中高斯混合分布对应的所有高斯混合模型的均值构成的均值向量，
Figure 935752DEST_PATH_IMAGE007
=
Figure 479866DEST_PATH_IMAGE008
，
Figure 831213DEST_PATH_IMAGE009
第
Figure 527904DEST_PATH_IMAGE011
个高斯模型对应的均值，
Figure 939294DEST_PATH_IMAGE012
表示初始样本X中高斯混合分布对应的所有高斯混合模型的方差构成的方差向量，
Figure 705125DEST_PATH_IMAGE012
=
Figure 594583DEST_PATH_IMAGE013
，
Figure 411361DEST_PATH_IMAGE014
表示第
Figure 993652DEST_PATH_IMAGE011
个高斯模型对应的方差。
具体的，S43、根据每个样本类别对应的概率分布的KL散度获取均衡化损失函数的步骤阿包括：根据式（2）计算均衡化损失函数
Figure 246779DEST_PATH_IMAGE015
：
Figure DEST_PATH_IMAGE041
（2）
其中，
Figure 284136DEST_PATH_IMAGE017
表示第
Figure 673529DEST_PATH_IMAGE018
个样本类别对应的第
Figure 426721DEST_PATH_IMAGE019
个隐变量分布对应的均值，
Figure 938384DEST_PATH_IMAGE020
表示第
Figure 559859DEST_PATH_IMAGE018
个样本类别中第
Figure 944704DEST_PATH_IMAGE019
个隐变量分布对应的方差，
Figure 478584DEST_PATH_IMAGE021
表示第
Figure 847249DEST_PATH_IMAGE018
个样本类别对应的第
Figure 741255DEST_PATH_IMAGE019
个高斯模型的均值，
Figure 387131DEST_PATH_IMAGE022
第
Figure 216547DEST_PATH_IMAGE018
个样本类别对应的第
Figure 197141DEST_PATH_IMAGE019
个高斯模型的方差，n表示高斯模型的数量。
S5、根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数，基于最终损失函数获取最终变分自编码器，具体的，基于最终损失函数对变分自编码器的推断网络和生成网络进行训练得到最终变分自编码器，推断网络的输入为初始样本中的工艺参数，输出为隐变量分布，其中，以推断网络的每一次的训练结果作为生成网络的每一次训练的初始化值，根据最终损失函数进行迭代训练，获得最终变分自编码器。其中，迭代训练的次数不能小于50次，从第55次开始，根据前5次的训练效果判断是否停止训练，当连续5次的训练效果都在变差或者不变时，说明训练已经不在有效果，此时停止训练，第51次训练的结果为最终的变分自编码器，其中，训练效果的好坏是根据最终损失函数来判断的，最终损失函数最少或者没有，则训练效果越好，反之，训练效果越差。
具体的，根据下式（3）获取最终损失函数
Figure 770205DEST_PATH_IMAGE023
：
Figure 5009DEST_PATH_IMAGE024
（3）
其中，
Figure 270905DEST_PATH_IMAGE025
表示重构损失函数；
Figure 207637DEST_PATH_IMAGE001
表示正则化损失函数；
Figure 722407DEST_PATH_IMAGE015
表示均衡化损失函数，
Figure 100002_DEST_PATH_IMAGE042
表示最终变分自编码器的推断网络的训练次数，
Figure DEST_PATH_IMAGE043
表示均衡化损失函数在训练过程中参与情况，即当
Figure 264247DEST_PATH_IMAGE042
为奇数次时，
Figure 100002_DEST_PATH_IMAGE044
有余数，则
Figure DEST_PATH_IMAGE045
，
Figure 373149DEST_PATH_IMAGE015
不参与到最终损失函数中，当
Figure 938122DEST_PATH_IMAGE042
为偶数次时，
Figure 993934DEST_PATH_IMAGE044
没有余数，
Figure 327963DEST_PATH_IMAGE015
参与到最终损失函数中。
S6、从最终变分自编码器的推断网络生成的隐变量分布中随机选取隐变量分布，根据随机选取的隐变量分布并利用最终变分自编码器的生成网络获得重构工艺参数，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本。
具体的，若重构工艺参数在初始样本中，则重新进行采样；若重构工艺参数不在初始样本，则将为重构工艺参数记为扩充后的工艺参数；直至扩充的工艺参数的数据量达到初始样本的总工艺参数的数据量的50%，则将所有的扩充的工艺参数增添至初始样本的工艺参数中得到扩充样本。
S7、对神经网络进行训练，其中，输入为扩充样本中的工艺参数，输出为扩充样本中的气泡缺陷特征，根据训练好的神经网络得到气泡缺陷特征中各个最少缺陷特征对应的工艺参数作为最优参数，根据最优参数调整零件加工的工艺参数。
综上所述，本发明提供一种用于锌合金零件加工的智能控制方法，通过对变分自编码器的损失函数进行更新得到最终损失函数，基于最终损失函数对变分自编码器进行训练得到最终变分自编码器，从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数来扩充初始样本，得到扩充样本，从而改进变分自编码器的损失函数，使得最终变分自编码器训练得到的扩充样本均衡化程度高，同时利用扩充样本对神经网络训练得到气泡缺陷特征中各个最少或者没有缺陷特征对应的最终工艺参数，然后在利用最终工艺参数调整零件加工的工艺参数，进而使得应用于零件加工过程中的工艺参数的调整的精确度更高，使得零件加工过程中的存在最少或者没有气泡缺陷特征，从而提高加工锌合金零件的质量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于锌合金零件加工的智能控制方法，其特征在于，该方法包括：
获取多个零件图像，获取多个零件图像中的气泡缺陷特征，将所有零件图像中气泡缺陷特征及影响气泡缺陷的工艺参数作为初始样本；
根据初始样本利用变分自编码器获取生成样本，根据初始样本、生成样本获取重构损失函数；
对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别；
根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布，根据初始样本对应的概率分布的KL散度获取正则化损失函数，根据每个样本类别对应的概率分布的KL散度获取均衡化损失函数；
根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数，基于最终损失函数对变分自编码器的网络进行训练获取最终变分自编码器；
从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重构工艺参数，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本；
对神经网络进行训练，其中，输入为扩充样本中的工艺参数，输出为扩充样本中的气泡缺陷特征，根据训练好的神经网络得到气泡缺陷特征中各个最少缺陷特征对应的最终工艺参数，根据最终工艺参数调整零件加工的工艺参数。
2.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，获取多个零件图像中的气泡缺陷特征的步骤包括：
气泡缺陷特征包括气泡缺陷的数量、大小、缺陷程度、密集度；
获取零件图像的灰度图；
对灰度图进行阈值分割获得气泡缺陷，并得到气泡缺陷的二值图；
获取气泡缺陷的二值图进行连通域分析，连通域的数量即为气泡缺陷的数量，连通域的大小之和为气泡缺陷的大小；
根据连通域中对应的像素的灰度值获取气泡缺陷程度；
获取每个连通域的最小外接圆及最小外接圆的圆心，根据圆心的分布获得气泡缺陷密集度。
3.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据初始样本、生成样本获取重构损失函数的步骤包括：
计算生成样本和初始样本的第一相似度；
根据初始样本中的气泡缺陷特征获取权重；
根据权重和第一相似度获取重构损失函数。
4.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，对初始样本中的气泡缺陷特征进行相似度聚类得到多个样本类别的步骤包括：
计算初始样本中每两个零件图像的气泡缺陷特征的第二相似度；
根据第二相似度对初始样本中的气泡缺陷特征进行聚类得到多个样本类别。
5.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据初始样本、每个样本类别依次获取变分自编码器的两个网络对应的概率分布的步骤包括：
变分自编码器包括利用两个网络建立高斯混合模型和工艺参数的隐变量的变分概率分布模型；
根据样本类别的数量确定高斯混合模型中高斯模型的数量；
根据初始样本获取变分自编码器对应的高斯混合模型的高斯混合分布、隐变量的变分概率分布模型的第一隐变量分布；
根据每个样本类别获取变分自编码器对应的高斯模型的高斯分布及隐变量的变分概率分布模型的第二隐变量分布。
6.根据权利要求5所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据初始样本对应的概率分布的KL散度获取正则化损失函数步骤包括：
根据下式（1）计算正则化损失函数
Figure DEST_PATH_IMAGE002
：
Figure DEST_PATH_IMAGE004
（1）
其中，
Figure DEST_PATH_IMAGE006
表示初始样本X对应的第一隐变量分布，
Figure DEST_PATH_IMAGE008
表示初始样本X对应的第一隐变量分布中的隐变量均值，
Figure DEST_PATH_IMAGE010
表示初始样本X对应的第一隐变量分布中的隐变量方差；
Figure DEST_PATH_IMAGE012
表示初始样本X对应的高斯混合分布，n表示高斯模型的数量，
Figure DEST_PATH_IMAGE014
表示初始样本X中高斯混合分布对应的所有高斯混合模型的均值构成的均值向量，
Figure 278988DEST_PATH_IMAGE014
=
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE018
表示第
Figure DEST_PATH_IMAGE020
个高斯模型对应的均值，
Figure DEST_PATH_IMAGE022
表示初始样本X中高斯混合分布对应的所有高斯混合模型的方差构成的方差向量，
Figure 946861DEST_PATH_IMAGE022
=
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE026
表示第
Figure 599035DEST_PATH_IMAGE020
个高斯模型对应的方差。
7.根据权利要求5所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据每个样本类别对应的概率分布的KL散度获取均衡化损失函数的步骤包括：
根据式（2）计算均衡化损失函数
Figure DEST_PATH_IMAGE028
：
Figure DEST_PATH_IMAGE030
（2）
其中，
Figure DEST_PATH_IMAGE032
表示第
Figure DEST_PATH_IMAGE034
个样本类别对应的第
Figure DEST_PATH_IMAGE036
个隐变量分布对应的均值，
Figure DEST_PATH_IMAGE038
表示第
Figure 276135DEST_PATH_IMAGE034
个样本类别中第
Figure 356086DEST_PATH_IMAGE036
个隐变量分布对应的方差，
Figure DEST_PATH_IMAGE040
表示第
Figure 788336DEST_PATH_IMAGE034
个样本类别对应的第
Figure 320948DEST_PATH_IMAGE036
个高斯模型的均值，
Figure DEST_PATH_IMAGE042
第
Figure 861126DEST_PATH_IMAGE034
个样本类别对应的第
Figure 61164DEST_PATH_IMAGE036
个高斯模型的方差，n表示高斯模型的数量。
8.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据重构损失函数、正则化损失函数、均衡化损失函数获取最终损失函数的步骤包括：
根据下式（3）获取最终损失函数
Figure DEST_PATH_IMAGE044
：
Figure DEST_PATH_IMAGE046
（3）
其中，
Figure DEST_PATH_IMAGE048
表示重构损失函数；
Figure 539681DEST_PATH_IMAGE002
表示正则化损失函数；
Figure 825168DEST_PATH_IMAGE028
表示均衡化损失函数，
Figure DEST_PATH_IMAGE050
表示最终变分自编码器的网络的训练次数。
9.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法，其特征在于，根据重构工艺参数与初始样本中的工艺参数确定得到扩充样本的步骤包括：
若重构工艺参数在初始样本中，则重新进行采样；
若重构工艺参数不在初始样本，则将为重构工艺参数记为扩充后的工艺参数；
直至扩充的工艺参数的数据量达到初始样本的总工艺参数的数据量的50%，则将所有的扩充的工艺参数增添至初始样本的工艺参数中得到扩充样本。
CN202211038132.4A 2022-08-29 2022-08-29 一种用于锌合金零件加工的智能控制方法 Active CN115131347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211038132.4A CN115131347B (zh) 2022-08-29 2022-08-29 一种用于锌合金零件加工的智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211038132.4A CN115131347B (zh) 2022-08-29 2022-08-29 一种用于锌合金零件加工的智能控制方法

Publications (2)

Publication Number Publication Date
CN115131347A CN115131347A (zh) 2022-09-30
CN115131347B true CN115131347B (zh) 2023-01-03

Family

ID=83387207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211038132.4A Active CN115131347B (zh) 2022-08-29 2022-08-29 一种用于锌合金零件加工的智能控制方法

Country Status (1)

Country Link
CN (1) CN115131347B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116466667A (zh) * 2023-04-20 2023-07-21 成都工业职业技术学院 一种零件加工的智能控制方法、系统及存储介质
CN116777292B (zh) * 2023-06-30 2024-04-16 北京京航计算通讯研究所 基于多批次小样本航天产品的缺陷率指标修正方法
CN116758527B (zh) * 2023-08-16 2023-11-10 山东巨野盛鑫电器材料有限公司 一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统
CN117115146B (zh) * 2023-10-19 2024-03-19 深圳宝铭微电子有限公司 一种碳化硅材质半导体表面镀膜质量检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243045B (zh) * 2020-01-10 2023-04-07 杭州电子科技大学 一种基于高斯混合模型先验变分自编码器的图像生成方法
CN114386534A (zh) * 2022-01-29 2022-04-22 安徽农业大学 一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法

Also Published As

Publication number Publication date
CN115131347A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN115131347B (zh) 一种用于锌合金零件加工的智能控制方法
CN110598806A (zh) 一种基于参数优化生成对抗网络的手写数字生成方法
CN110930996B (zh) 模型训练方法、语音识别方法、装置、存储介质及设备
CN112926265A (zh) 基于遗传算法优化神经网络的大气多孔探针测量校准方法
CN114842267A (zh) 基于标签噪声域自适应的图像分类方法及系统
CN112115967B (zh) 一种基于数据保护的图像增量学习方法
CN109284662B (zh) 一种基于迁移学习的水下声音信号分类方法
CN112861982A (zh) 一种基于梯度平均的长尾目标检测方法
CN116992779B (zh) 基于数字孪生模型的光伏储能系统仿真方法及系统
CN113743474A (zh) 基于协同半监督卷积神经网络的数字图片分类方法与系统
CN110674996A (zh) 一种城市交通噪声预测方法
CN115511069A (zh) 神经网络的训练方法、数据处理方法、设备及存储介质
CN115731396A (zh) 一种基于贝叶斯变分推断的持续学习方法
CN115062678A (zh) 设备故障检测模型的训练方法、故障检测方法及装置
CN115099657A (zh) 一种处理异质犹豫模糊偏好关系的群决策方法
CN117034060A (zh) 基于ae-rcnn的洪水分级智能预报方法
CN111652264A (zh) 基于最大均值差异的负迁移样本筛选方法
CN114418013A (zh) 基于数据分布的分层加权抗噪深度度量学习方法
CN113420870B (zh) 用于水声目标识别的U-Net结构生成对抗网络及方法
CN114897884A (zh) 基于多尺度边缘特征融合的无参考屏幕内容图像质量评估方法
CN114462466A (zh) 一种面向深度学习的数据去偏方法
CN111931412A (zh) 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法
CN112766403A (zh) 一种基于信息增益权重的增量聚类方法及装置
CN112613909A (zh) 一种基于改进lstm模型的农产品短期价格预测方法及装置
CN117593215B (zh) 一种生成模型增强的大规模视觉预训练方法及系统

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