CN115586256A - 实验器材的清洁等级检测方法、装置、设备及存储介质 - Google Patents
实验器材的清洁等级检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115586256A CN115586256A CN202211576195.5A CN202211576195A CN115586256A CN 115586256 A CN115586256 A CN 115586256A CN 202211576195 A CN202211576195 A CN 202211576195A CN 115586256 A CN115586256 A CN 115586256A
- Authority
- CN
- China
- Prior art keywords
- information
- experimental
- experimental equipment
- sound wave
- wave signal
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
-
- 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
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种实验器材的清洁等级检测方法、装置、设备及存储介质,涉及数据分析技术领域,包括将穿过清洁后的实验器材的声波信号发送至目标缺陷检测网络中进行检测,得到实验器材的缺陷位置信息;将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息;将所述实验器材使用前后的重量变化信息发送至训练后的异常判断模型进行检测,得到判断为异常的实验器材信息;将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,得到实验器材的清洁等级信息,本发明可以快速判断实验器材的清洁等级,减少人工判断的主观性和人工观察的盲点导致的误差。
Description
技术领域
本发明涉及数据分析技术领域,具体而言,涉及一种实验器材的清洁等级检测方法、装置、设备及存储介质。
背景技术
在实验过程后往往需要对实验器材进行清洗,进而进行重复利用,但是不同的实验器材往往用于不同的实验,有一部分实验要求的实验器材往往需要更加的干净,进而对于清洗的要求就会更高,而现有技术中常常人工进行判断,误差大客观因素多,并没有针对于实验器材判断清洁等级客观方法,因此现需要一种能够快速判断实验器材的清洁等级的方法。
发明内容
本发明的目的在于提供一种实验器材的清洁等级检测方法、装置、设备及存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种实验器材的清洁等级检测方法,包括:
获取清洁后的实验器材图像信息、实验器材使用前后的重量变化信息和第一声波信号,所述第一声波信号为穿过清洁后的实验器材的声波信号;
将所述第一声波信号发送至目标缺陷检测网络中进行检测,得到实验器材的缺陷位置信息;
将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息;
将所述实验器材使用前后的重量变化信息发送至训练后的异常判断模型进行检测,得到判断为异常的实验器材信息;
将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,得到实验器材的清洁等级信息。
第二方面,本申请还提供了一种实验器材的清洁等级检测装置,包括:
获取单元,用于获取清洁后的实验器材图像信息、实验器材使用前后的重量变化信息和第一声波信号,所述第一声波信号为穿过清洁后的实验器材的声波信号;
第一检测单元,用于将所述第一声波信号发送至目标缺陷检测网络中进行检测,得到实验器材的缺陷位置信息;
第一处理单元,用于将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息;
第二检测单元,用于将所述实验器材使用前后的重量变化信息发送至训练后的异常判断模型进行检测,得到判断为异常的实验器材信息;
第二处理单元,用于将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,得到实验器材的清洁等级信息。
第三方面,本申请还提供了一种实验器材的清洁等级检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述实验器材的清洁等级检测方法的步骤。
第四方面,本申请还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于实验器材的清洁等级检测方法的步骤。
本发明的有益效果为:
本发明通过对清洁后的实验器材图像信息、重量变化信息和声波检测装置检测到的声波信号信息,进而确定实验器材的缺陷位置,并基于实验器材图像信息进行表面是否有裂纹、是否有杂质等判断,进而判断是否清洁干净,其中还通过实验器材的重量变化判断,实验器材是否沾染有杂质或者其他物质,导致变的很重,进而表面清洁不到位,本发明通过神经网络和图像处理数据处理方式快速获取判断实验器材是否清洁干净的指标,进而通过这些指标数据进行分析判断,确定实验器材的清洁等级,快速方便的同时,减少人工判断的主观性和人工观察的盲点导致的误差。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的实验器材的清洁等级检测方法流程示意图;
图2为本发明实施例中所述的实验器材的清洁等级检测装置结构示意图;
图3为本发明实施例中所述的实验器材的清洁等级检测设备结构示意图。
图中标记:701、获取单元;702、第一检测单元;703、第一处理单元;704、第二检测单元;705、第二处理单元;7021、第一处理子单元;7022、第一拟合子单元;7023、第二拟合子单元;7024、第二处理子单元;70241、第一对比子单元;70242、第一分析子单元;70243、第二分析子单元;70244、第三处理子单元;7031、第四处理子单元;7032、第五处理子单元;7033、第六处理子单元;7034、第七处理子单元;7041、第二对比子单元;7042、第八处理子单元;7043、第九处理子单元;7051、第一分级子单元;7052、第二分级子单元;800、实验器材的清洁等级检测设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种实验器材的清洁等级检测方法。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取清洁后的实验器材图像信息、实验器材使用前后的重量变化信息和第一声波信号,所述第一声波信号为穿过清洁后的实验器材的声波信号;
可以理解的是本发明通过在清洁台旁边安装声波发送设备和声波采集设备、还有摄像装置和测重装置,这样可以快速获取实验器材的图像信息、实验器材使用前后的重量变化信息,其中,本发明中的穿过实验器材的声波信号是指声波发送设备对实验器材进行发送声波,进而通过声波采集设备采集穿过实验器材每个位置的声波信号,所述声波信号包括声速、波幅和主频,进而快速确定实验器材的缺陷位置。
步骤S2、将所述声波信号发送至目标缺陷检测网络中进行检测,得到实验器材的缺陷位置信息;
可以理解的是本步骤通过目标缺陷检测网络判断实验器材的缺陷位置,进而快速确定实验器材是否完整,防止清洁过程中造成实验器材损坏,本步骤中,步骤S2包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21、将所述第一声波信号作为实验集,预设的第二声波信号和预设的历史实验器材的缺陷位置作为训练集,所述第二声波信号为穿过清洁后的实验器材的历史声波信号;
步骤S22、基于最小二乘法对预设的第三声波信号进行拟合,得到第一子信息,所述第三声波信号为穿过无缺陷实验器材的声波信号,所述第一子信息包括第三声波信号的谐波幅值信号和谐波相位信号;
步骤S23、将所述实验集进行拟合,确定第二子信息,所述第二子信息包括实验集内每个第一声波信号的谐波幅值信号和谐波相位信号;
步骤S24、基于训练集和第一子信息构建目标缺陷检测网络模型,并将所述第二子信息发送至所述目标缺陷检测网络中进行处理,得到实验器材的缺陷位置信息。
可以理解的是本步骤中的穿过无缺陷实验器材的声波信号是指穿过确定为无缺陷的实验器材的声波信号,本步骤还通过最小二乘法对声波信号进行拟合得到无缺陷实验器材的谐波幅值信号和相位信号,进而判断穿过无缺陷的实验器材的声波信号和训练集内的声波信号的区别,其中所述区别为相位差和幅值差,基于相位差和幅值差来确定缺陷的位置,本步骤中步骤S24包括步骤S241、步骤S242、步骤S243和步骤S244。
步骤S241、将所述第二声波信号和第三声波信号进行对比,得到至少一个第三子信息,所述第三子信息包括所述第二声波信号和第三声波信号的谐波幅值差、第二声波信号和第三声波信号的谐波相位差;
可以理解的是本步骤通过将穿过清洁后的实验器材的历史声波信号和无缺陷的声波信号进行对比,确定两者之间的谐波幅值差和谐波相位差,为之后的谐波幅值差和谐波相位差分别与历史实验器材的缺陷位置的关联分析做准备。
步骤S242、将所有的第三子信息分别和历史实验器材的缺陷位置进行关联分析,得到所有的第三子信息和所述历史实验器材的缺陷位置的关联度值;
步骤S243、将所述历史实验器材的缺陷位置分别和每个第三子信息进行映射,其中,将历史实验器材的缺陷位置和其最大关联度值的第三子信息进行映射,得到每个实验器材的缺陷位置对应的第三子信息;
步骤S244、基于每个实验器材的缺陷位置对应的第三子信息建立关系网络,并基于所述关系网络构建目标缺陷检测网络模型,所述目标缺陷检测网络模型为基于所述关系网络确定实验器材缺陷位置的模型。
可以理解的是本步骤通过将所述第三子信息内的谐波幅值差和谐波相位差分别与历史实验器材的缺陷位置的进行关联分析,确定第三子信息与所述缺陷位置的关联度大小,并进行排序,确定最大的关联度,则将与第三子信息最大关联度的位置信息进行相映射,进而得到关系网络,所述关系网络中包含了所有的第三子信息对应的缺陷位置,本步骤还基于所述关系管理建立目标缺陷检测网络模型,其中目标缺陷检测网络模型在计算得到实验集与第三声波信号的谐波幅值差和谐波相位差后,就可以将实验集与第三声波信号的谐波幅值差和谐波相位差与所述关系网络对应,进而确定所述实验集对应的实验沏茶的缺陷位置,这样可以快速判断实验器材是否有缺陷,缺陷位置在哪里。
步骤S3、将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息;
可以理解的是本步骤通过图像识别,确定实验器材的外部轮廓,进而基于是否有杂质轮廓判断是否表面清洁干净,本步骤中,步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、基于边缘检测算法对所有的清洁后的实验器材图像信息进行图像裁剪,得到裁剪后的实验器材图像信息;
可以理解的是本步骤通过边缘检测算法确定每个实验器材图像的边界点,进而基于实验器材图像的边界点进行剪裁,确定实验器材的图像,防止一个实验器材图像出现两个器材,导致误差产生。
步骤S32、将裁剪后的所述实验器材图像信息进行按照预设实验类型进行分区,并将分区后的实验器材图像信息进行轮廓提取,得到每个区域的实验器材轮廓图像;
可以理解的是本步骤中的实验类型均将所述实验器材分别三个区域,化学区域、物理区域,生物区域,其中的实验类型包括化学实验类型、物理实验类型和生物实验类型。
步骤S33、采用卷积神经网络中Cascade结构,判断每个区域的实验器材轮廓图像和预设的无缺陷实验器材轮廓图像的差异区域;
步骤S34、将所述差异区域进行图像增强处理,并基于增强后的差异区域确定所述实验器材的表面清洁度。
可以理解的是本步骤通过对每个区域的实验器材轮廓图像和预设的的无缺陷实验器材轮廓图像的差异区域进行对比,确定出差异轮廓,并对差异区域的图像进行图像增强,并判断差异区域的轮廓是否为杂质,进而确定所述实验器材的表面清洁度,所述表面清洁度判断方式为0个差异图像为1度,1个至5个差异图像为2度,5个以上为3度。
步骤S4、将所述实验器材使用前后的重量变化信息发送至训练后的异常判断模型进行检测,得到判断为异常的实验器材信息;
可以理解的是本步骤通过对使用器材使用前后的重量变化信息进行检查,确定预设的变化阈值,将变化值大于阈值的标记为异常,本步骤汇中,步骤S4包括步骤S41、步骤S42和步骤S43。
步骤S41、将预设的实验器材使用前后的历史重量变化信息进行筛选,筛选得到历史重量变化信息中变化值大于预设阈值的信息,并对所述历史重量变化信息中的大于预设阈值的信息进行异常类型标定,得到标定后的异常信息;
步骤S42、基于CART算法建立CART决策树,并进行随机剪枝处理,得到所述CART决策树的常量和至少一个未训练的子决策树;
步骤S43、基于标定后的异常信息对所有的未训练的子决策树进行训练,并基于基尼指数计算方法确定最优的子决策树,得到异常类别识别模型,其中所述异常类别识别模型包含最优的子决策树及所述最优的子决策树对应的目标常数。
可以理解的是本步骤通过CART算法建立决策树,自动判断实验器材使用前后的重量变化信息是否为异常变化,进而快速确定每个实验器材的异常信息,减少人工判断的误差和主观性,提高判断效率。
步骤S5、将所述实验器材的声波检测信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,得到实验器材的清洁等级信息。
可以理解的是本步骤通过对实验器材的声波检测信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,并将汇总后的信息进行评分,进而判断每个实验器材的清洁等级,并基于所述等级判断是否符合要求,为下一次实验做准备,提高实验的准确性,本步骤中步骤S5包括步骤S51和步骤S52。
步骤S51、将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行一一遍历,并将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息按照预设的评分标准进行评分,得到实验器材清洁分值表;
步骤S52、将所述实验器材清洁分值表按照预设的阈值进行分级,并将分级后的实验器材信息插入值所述实验器材清洁分值表内,得到实验器材清洁等级表。
可以理解的是本步骤将所有的实验器材的缺陷位置信息、表面清洁度信息和判断为异常的实验器材信息进行遍历,将所有的信息按照预设的评分标准进行评分,所述评分标准中判断缺陷位置信息的标准为判断所述缺陷位置在实验器材外部,还是在实验器材内部,实验器材无缺陷位置为不扣分,实验器材缺陷位置外部则表明为清洗失误、则扣一分,若在实验器材内部,表明不是清洗不当、则扣两分,判断表面清洁度信息的标准为:实验器材表面清洁度中判断表面清洁度为1度则不扣分,实验器材表面清洁度中判断表面清洁度为2度扣一分,若实验器材表面清洁度中判断表面清洁度为3度则扣两分,判断异常的实验器材信息为出现异常的实验器材扣1分,没有异常的实验器材信息不扣分,然后将所有的评分分值进行相加,得到扣0分、扣1分、扣2分、扣3分和扣4分五个等级,扣0分为甲级、扣1分为乙级,扣2分为丙级、扣3分为丁级,扣4分为不合格。
实施例2:
如图2所示,本实施例提供了一种实验器材的清洁等级检测装置,所述装置包括获取单元701、第一检测单元702、第一处理单元703、第二检测单元704和第二处理单元705。
获取单元701,用于获取清洁后的实验器材图像信息、实验器材使用前后的重量变化信息和第一声波信号,所述第一声波信号为穿过清洁后的实验器材的声波信号;
第一检测单元702,用于将所述第一声波信号发送至目标缺陷检测网络中进行检测,得到实验器材的缺陷位置信息;
第一处理单元703,用于将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息;
第二检测单元704,用于将所述实验器材使用前后的重量变化信息发送至训练后的异常判断模型进行检测,得到判断为异常的实验器材信息;
第二处理单元705,用于将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,得到实验器材的清洁等级信息。
在本公开的一种具体实施方式中,所述第一检测单元702包括第一处理子单元7021、第一拟合子单元7022、第二拟合子单元7023和第二处理子单元7024。
第一处理子单元7021,用于将所述第一声波信号作为实验集,预设的第二声波信号和预设的历史实验器材的缺陷位置作为训练集,所述第二声波信号为穿过清洁后的实验器材的历史声波信号;
第一拟合子单元7022,用于基于最小二乘法对预设的第三声波信号进行拟合,得到第一子信息,所述第三声波信号为穿过无缺陷实验器材的声波信号,所述第一子信息包括第三声波信号的谐波幅值信号和谐波相位信号;
第二拟合子单元7023,用于将所述实验集进行拟合,确定第二子信息,所述第二子信息包括实验集内每个第一声波信号的谐波幅值信号和谐波相位信号;
第二处理子单元7024,用于基于训练集和第一子信息构建目标缺陷检测网络模型,并将所述第二子信息发送至所述目标缺陷检测网络中进行处理,得到实验器材的缺陷位置信息。
在本公开的一种具体实施方式中,所述第二处理子单元7024包括第一对比子单元70241、第一分析子单元70242、第二分析子单元70243和第三处理子单元70244。
第一对比子单元70241,用于将所述第二声波信号和第三声波信号进行对比,得到至少一个第三子信息,所述第三子信息包括所述第二声波信号和第三声波信号的谐波幅值差、第二声波信号和第三声波信号的谐波相位差;
第一分析子单元70242,用于将所有的第三子信息分别和历史实验器材的缺陷位置进行关联分析,得到所有的第三子信息和所述历史实验器材的缺陷位置的关联度值;
第二分析子单元70243,用于将所述历史实验器材的缺陷位置分别和每个第三子信息进行映射,其中,将历史实验器材的缺陷位置和其最大关联度值的第三子信息进行映射,得到每个实验器材的缺陷位置对应的第三子信息;
第三处理子单元70244,用于基于每个实验器材的缺陷位置对应的第三子信息建立关系网络,并基于所述关系网络构建目标缺陷检测网络模型,所述目标缺陷检测网络模型为基于所述关系网络确定实验器材缺陷位置的模型。
在本公开的一种具体实施方式中,所述第一处理单元703包括第四处理子单元7031、第五处理子单元7032、第六处理子单元7033和第七处理子单元7034。
第四处理子单元7031,用于基于边缘检测算法对所有的清洁后的实验器材图像信息进行图像裁剪,得到裁剪后的实验器材图像信息;
第五处理子单元7032,用于将裁剪后的所述实验器材图像信息进行按照预设实验类型进行分区,并将分区后的实验器材图像信息进行轮廓提取,得到每个区域的实验器材轮廓图像;
第六处理子单元7033,用于采用卷积神经网络中Cascade结构,判断每个区域的实验器材轮廓图像和预设的无缺陷实验器材轮廓图像的差异区域;
第七处理子单元7034,用于将所述差异区域进行图像增强处理,并基于增强后的差异区域确定所述实验器材的表面清洁度。
在本公开的一种具体实施方式中,所述第二检测单元704包括第二对比子单元7041、第八处理子单元7042和第九处理子单元7043。
第二对比子单元7041,用于将预设的实验器材使用前后的历史重量变化信息进行筛选,筛选得到历史重量变化信息中变化值大于预设阈值的信息,并对所述历史重量变化信息中的大于预设阈值的信息进行异常类型标定,得到标定后的异常信息;
第八处理子单元7042,用于基于CART算法建立CART决策树,并进行随机剪枝处理,得到所述CART决策树的常量和至少一个未训练的子决策树;
第九处理子单元7043,用于基于标定后的异常信息对所有的未训练的子决策树进行训练,并基于基尼指数计算方法确定最优的子决策树,得到异常类别识别模型,其中所述异常类别识别模型包含最优的子决策树及所述最优的子决策树对应的目标常数。
在本公开的一种具体实施方式中,所述第二处理单元705包括第一分级子单元7051和第二分级子单元7052。
第一分级子单元7051,用于将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行一一遍历,并将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息按照预设的评分标准进行评分,得到实验器材清洁分值表;
第二分级子单元7052,用于将所述实验器材清洁分值表按照预设的阈值进行分级,并将分级后的实验器材信息插入值所述实验器材清洁分值表内,得到实验器材清洁等级表。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种实验器材的清洁等级检测设备,下文描述的一种实验器材的清洁等级检测设备与上文描述的一种实验器材的清洁等级检测方法可相互对应参照。
图3是根据示例性实施例示出的一种实验器材的清洁等级检测设备800的框图。如图3所示,该实验器材的清洁等级检测设备800可以包括:处理器801,存储器802。该实验器材的清洁等级检测设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该实验器材的清洁等级检测设备800的整体操作,以完成上述的实验器材的清洁等级检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该实验器材的清洁等级检测设备800的操作,这些数据例如可以包括用于在该实验器材的清洁等级检测设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该实验器材的清洁等级检测设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,实验器材的清洁等级检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的实验器材的清洁等级检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机存储介质,该程序指令被处理器执行时实现上述的实验器材的清洁等级检测方法的步骤。例如,该计算机存储介质可以为上述包括程序指令的存储器802,上述程序指令可由实验器材的清洁等级检测设备800的处理器801执行以完成上述的实验器材的清洁等级检测方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种存储介质,下文描述的一种存储介质与上文描述的一种实验器材的清洁等级检测方法可相互对应参照。
一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的实验器材的清洁等级检测方法的步骤。
该存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种实验器材的清洁等级检测方法,其特征在于,包括:
获取清洁后的实验器材图像信息、实验器材使用前后的重量变化信息和第一声波信号,所述第一声波信号为穿过清洁后的实验器材的声波信号;
将所述第一声波信号发送至目标缺陷检测网络中进行检测,得到实验器材的缺陷位置信息;
将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息;
将所述实验器材使用前后的重量变化信息发送至训练后的异常判断模型进行检测,得到判断为异常的实验器材信息;
将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,得到实验器材的清洁等级信息。
2.根据权利要求1所述的实验器材的清洁等级检测方法,其特征在于,将所述第一声波信号发送至目标缺陷检测网络中进行检测,包括:
将所述第一声波信号作为实验集,预设的第二声波信号和预设的历史实验器材的缺陷位置作为训练集,所述第二声波信号为穿过清洁后的实验器材的历史声波信号;
基于最小二乘法对预设的第三声波信号进行拟合,得到第一子信息,所述第三声波信号为穿过无缺陷实验器材的声波信号,所述第一子信息包括第三声波信号的谐波幅值信号和谐波相位信号;
将所述实验集进行拟合,确定第二子信息,所述第二子信息包括实验集内每个第一声波信号的谐波幅值信号和谐波相位信号;
基于训练集和第一子信息构建目标缺陷检测网络模型,并将所述第二子信息发送至所述目标缺陷检测网络中进行处理,得到实验器材的缺陷位置信息。
3.根据权利要求2所述的实验器材的清洁等级检测方法,其特征在于,所述基于训练集和第一子信息构建目标缺陷检测网络模型,包括:
将所述第二声波信号和第三声波信号进行对比,得到至少一个第三子信息,所述第三子信息包括所述第二声波信号和第三声波信号的谐波幅值差、第二声波信号和第三声波信号的谐波相位差;
将所有的第三子信息分别和历史实验器材的缺陷位置进行关联分析,得到所有的第三子信息和所述历史实验器材的缺陷位置的关联度值;
将所述历史实验器材的缺陷位置分别和每个第三子信息进行映射,其中,将历史实验器材的缺陷位置和其最大关联度值的第三子信息进行映射,得到每个实验器材的缺陷位置对应的第三子信息;
基于每个实验器材的缺陷位置对应的第三子信息建立关系网络,并基于所述关系网络构建目标缺陷检测网络模型,所述目标缺陷检测网络模型为基于所述关系网络确定实验器材缺陷位置的模型。
4.根据权利要求1所述的实验器材的清洁等级检测方法,其特征在于,将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息,包括:
基于边缘检测算法对所有的清洁后的实验器材图像信息进行图像裁剪,得到裁剪后的实验器材图像信息;
将裁剪后的所述实验器材图像信息进行按照预设实验类型进行分区,并将分区后的实验器材图像信息进行轮廓提取,得到每个区域的实验器材轮廓图像;
采用卷积神经网络中Cascade结构,判断每个区域的实验器材轮廓图像和预设的无缺陷实验器材轮廓图像的差异区域;
将所述差异区域进行图像增强处理,并基于增强后的差异区域确定所述实验器材的表面清洁度。
5.一种实验器材的清洁等级检测装置,其特征在于,包括:
获取单元,用于获取清洁后的实验器材图像信息、实验器材使用前后的重量变化信息和第一声波信号,所述第一声波信号为穿过清洁后的实验器材的声波信号;
第一检测单元,用于将所述第一声波信号发送至目标缺陷检测网络中进行检测,得到实验器材的缺陷位置信息;
第一处理单元,用于将所述清洁后的实验器材图像信息发送至图像处理模块,确定所述实验器材的表面清洁度信息;
第二检测单元,用于将所述实验器材使用前后的重量变化信息发送至训练后的异常判断模型进行检测,得到判断为异常的实验器材信息;
第二处理单元,用于将所述实验器材的缺陷位置信息、实验器材的表面清洁度信息和判断为异常的实验器材信息进行汇总和分析,得到实验器材的清洁等级信息。
6.根据权利要求5所述的实验器材的清洁等级检测装置,其特征在于,所述装置包括:
第一处理子单元,用于将所述第一声波信号作为实验集,预设的第二声波信号和预设的历史实验器材的缺陷位置作为训练集,所述第二声波信号为穿过清洁后的实验器材的历史声波信号;
第一拟合子单元,用于基于最小二乘法对预设的第三声波信号进行拟合,得到第一子信息,所述第三声波信号为穿过无缺陷实验器材的声波信号,所述第一子信息包括第三声波信号的谐波幅值信号和谐波相位信号;
第二拟合子单元,用于将所述实验集进行拟合,确定第二子信息,所述第二子信息包括实验集内每个第一声波信号的谐波幅值信号和谐波相位信号;
第二处理子单元,用于基于训练集和第一子信息构建目标缺陷检测网络模型,并将所述第二子信息发送至所述目标缺陷检测网络中进行处理,得到实验器材的缺陷位置信息。
7.根据权利要求6所述的实验器材的清洁等级检测装置,其特征在于,所述装置包括:
第一对比子单元,用于将所述第二声波信号和第三声波信号进行对比,得到至少一个第三子信息,所述第三子信息包括所述第二声波信号和第三声波信号的谐波幅值差、第二声波信号和第三声波信号的谐波相位差;
第一分析子单元,用于将所有的第三子信息分别和历史实验器材的缺陷位置进行关联分析,得到所有的第三子信息和所述历史实验器材的缺陷位置的关联度值;
第二分析子单元,用于将所述历史实验器材的缺陷位置分别和每个第三子信息进行映射,其中,将历史实验器材的缺陷位置和其最大关联度值的第三子信息进行映射,得到每个实验器材的缺陷位置对应的第三子信息;
第三处理子单元,用于基于每个实验器材的缺陷位置对应的第三子信息建立关系网络,并基于所述关系网络构建目标缺陷检测网络模型,所述目标缺陷检测网络模型为基于所述关系网络确定实验器材缺陷位置的模型。
8.根据权利要求5所述的实验器材的清洁等级检测装置,其特征在于,所述装置包括:
第四处理子单元,用于基于边缘检测算法对所有的清洁后的实验器材图像信息进行图像裁剪,得到裁剪后的实验器材图像信息;
第五处理子单元,用于将裁剪后的所述实验器材图像信息进行按照预设实验类型进行分区,并将分区后的实验器材图像信息进行轮廓提取,得到每个区域的实验器材轮廓图像;
第六处理子单元,用于采用卷积神经网络中Cascade结构,判断每个区域的实验器材轮廓图像和预设的无缺陷实验器材轮廓图像的差异区域;
第七处理子单元,用于将所述差异区域进行图像增强处理,并基于增强后的差异区域确定所述实验器材的表面清洁度。
9.一种实验器材的清洁等级检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述实验器材的清洁等级检测方法的步骤。
10.一种存储介质,其特征在于:所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述实验器材的清洁等级检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211576195.5A CN115586256B (zh) | 2022-12-09 | 2022-12-09 | 实验器材的清洁等级检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211576195.5A CN115586256B (zh) | 2022-12-09 | 2022-12-09 | 实验器材的清洁等级检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115586256A true CN115586256A (zh) | 2023-01-10 |
CN115586256B CN115586256B (zh) | 2023-05-02 |
Family
ID=84783572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211576195.5A Active CN115586256B (zh) | 2022-12-09 | 2022-12-09 | 实验器材的清洁等级检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586256B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796846A (zh) * | 2023-01-31 | 2023-03-14 | 北京中海兴达建设有限公司 | 一种设备清洁服务推荐方法、装置、设备及可读存储介质 |
CN116337722A (zh) * | 2023-05-31 | 2023-06-27 | 国网湖北省电力有限公司超高压公司 | 基于图像处理的憎水性监测方法及系统 |
CN117409010A (zh) * | 2023-12-15 | 2024-01-16 | 菲特(天津)检测技术有限公司 | 漆面缺陷检测模型训练、检测、编码方法及检测系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991019035A1 (en) * | 1990-05-28 | 1991-12-12 | Kanebo, Ltd. | Method of inspecting cleanliness of top and device used therefor |
WO1999064854A1 (en) * | 1998-06-09 | 1999-12-16 | Tosoh Smd, Inc. | Method and apparatus for quantitative sputter target cleanliness characterization |
US20030226402A1 (en) * | 2000-05-11 | 2003-12-11 | Alexander Leybovich | Cleanliness evaluation in sputter targets using phase |
US20040199337A1 (en) * | 2001-08-09 | 2004-10-07 | Alexander Leybovich | Method and apparatus for non-destructive target cleanliness characterization by types of flaws sorted by size and location |
CN101988152A (zh) * | 2010-08-31 | 2011-03-23 | 吕军 | 连续退火炉炉内气体清洁度检测方法 |
EP2389573A2 (en) * | 2009-01-20 | 2011-11-30 | Myskin, Inc. | Skin analysis methods |
US20170066020A1 (en) * | 2014-02-27 | 2017-03-09 | Walter Surface Technologies Inc. | Industrial cleanliness measurement methodology |
CN107817297A (zh) * | 2017-11-23 | 2018-03-20 | 西安电子科技大学 | 一种基于超声回波rf数据的超声成像处理方法及处理系统 |
CN109383462A (zh) * | 2018-08-20 | 2019-02-26 | 吴英娜 | 超声波洗车系统及其商业模式 |
CN111114125A (zh) * | 2019-12-04 | 2020-05-08 | 深圳市智微智能软件开发有限公司 | 钢网清洗管理方法及系统 |
CN112014476A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 一种碳纤维复合材料制造缺陷分类、定量评估方法及系统 |
CN214585128U (zh) * | 2021-03-17 | 2021-11-02 | 中天钢铁集团有限公司 | 手持式超声探伤仪辅助检测装置 |
CN113793332A (zh) * | 2021-11-15 | 2021-12-14 | 山东德普检测技术有限公司 | 一种实验仪器缺陷识别分类方法及系统 |
CN114061902A (zh) * | 2021-11-29 | 2022-02-18 | 重庆交通大学 | 基于图像法的卵砾石输移实时监测装置、方法及系统 |
US20220381740A1 (en) * | 2019-10-09 | 2022-12-01 | Nsk Ltd. | Method for Evaluating Cleanliness of Steel Material |
-
2022
- 2022-12-09 CN CN202211576195.5A patent/CN115586256B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991019035A1 (en) * | 1990-05-28 | 1991-12-12 | Kanebo, Ltd. | Method of inspecting cleanliness of top and device used therefor |
WO1999064854A1 (en) * | 1998-06-09 | 1999-12-16 | Tosoh Smd, Inc. | Method and apparatus for quantitative sputter target cleanliness characterization |
US20030226402A1 (en) * | 2000-05-11 | 2003-12-11 | Alexander Leybovich | Cleanliness evaluation in sputter targets using phase |
US20040199337A1 (en) * | 2001-08-09 | 2004-10-07 | Alexander Leybovich | Method and apparatus for non-destructive target cleanliness characterization by types of flaws sorted by size and location |
EP2389573A2 (en) * | 2009-01-20 | 2011-11-30 | Myskin, Inc. | Skin analysis methods |
CN101988152A (zh) * | 2010-08-31 | 2011-03-23 | 吕军 | 连续退火炉炉内气体清洁度检测方法 |
US20170066020A1 (en) * | 2014-02-27 | 2017-03-09 | Walter Surface Technologies Inc. | Industrial cleanliness measurement methodology |
CN107817297A (zh) * | 2017-11-23 | 2018-03-20 | 西安电子科技大学 | 一种基于超声回波rf数据的超声成像处理方法及处理系统 |
CN109383462A (zh) * | 2018-08-20 | 2019-02-26 | 吴英娜 | 超声波洗车系统及其商业模式 |
US20220381740A1 (en) * | 2019-10-09 | 2022-12-01 | Nsk Ltd. | Method for Evaluating Cleanliness of Steel Material |
CN111114125A (zh) * | 2019-12-04 | 2020-05-08 | 深圳市智微智能软件开发有限公司 | 钢网清洗管理方法及系统 |
CN112014476A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 一种碳纤维复合材料制造缺陷分类、定量评估方法及系统 |
CN214585128U (zh) * | 2021-03-17 | 2021-11-02 | 中天钢铁集团有限公司 | 手持式超声探伤仪辅助检测装置 |
CN113793332A (zh) * | 2021-11-15 | 2021-12-14 | 山东德普检测技术有限公司 | 一种实验仪器缺陷识别分类方法及系统 |
CN114061902A (zh) * | 2021-11-29 | 2022-02-18 | 重庆交通大学 | 基于图像法的卵砾石输移实时监测装置、方法及系统 |
Non-Patent Citations (6)
Title |
---|
HIGUCHI, T 等: "DYNAMIC CURRICULUM LEARNING VIA DATA PARAMETERS FOR NOISE ROBUST KEYWORD SPOTTING", 《2021 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP 2021)》 * |
ZHANG WENZHEN 等: "Genotoxicity of formaldehyde and benzene joint inhalation on bone-marrow cells of male mice", 《JOURNAL OF ENVIRONMENTAL & OCCUPATIONAL MEDICINE》 * |
张志鸿 等: "两种清洗方法对根管锉清洗效果的比较", 《广东牙病防治》 * |
张莹 等: "基于清洁度的冷凝器污垢监测方法研究", 《湖南大学学报(自然科学版)》 * |
杨波: "污水氨氮检测方法问题分析及改进探究", 《山西化工》 * |
谷俊: "四轴全自动水浸法对杆中缺陷的重构研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796846A (zh) * | 2023-01-31 | 2023-03-14 | 北京中海兴达建设有限公司 | 一种设备清洁服务推荐方法、装置、设备及可读存储介质 |
CN116337722A (zh) * | 2023-05-31 | 2023-06-27 | 国网湖北省电力有限公司超高压公司 | 基于图像处理的憎水性监测方法及系统 |
CN116337722B (zh) * | 2023-05-31 | 2023-10-13 | 国网湖北省电力有限公司超高压公司 | 基于图像处理的憎水性监测方法及系统 |
CN117409010A (zh) * | 2023-12-15 | 2024-01-16 | 菲特(天津)检测技术有限公司 | 漆面缺陷检测模型训练、检测、编码方法及检测系统 |
CN117409010B (zh) * | 2023-12-15 | 2024-04-26 | 菲特(天津)检测技术有限公司 | 漆面缺陷检测模型训练、检测、编码方法及检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115586256B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115586256B (zh) | 实验器材的清洁等级检测方法、装置、设备及存储介质 | |
CN102473660B (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
TWI706318B (zh) | 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質 | |
JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
CN113344886A (zh) | 晶圆表面缺陷检测方法和设备 | |
CN115629127B (zh) | 一种货箱缺陷分析方法、装置、设备及可读存储介质 | |
CN110619691B (zh) | 一种板坯表面裂纹的预测方法及装置 | |
JP2009025015A (ja) | 知識作成支援装置及びプログラム | |
CN114445746A (zh) | 模型训练方法、铁路接触网异常检测方法及相关装置 | |
WO2023093919A2 (zh) | 一种洗衣机异音检测方法、装置、电子设备及存储介质 | |
CN113284094A (zh) | 获取玻璃基板缺陷信息的方法、装置、存储介质及设备 | |
CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
CN118070009A (zh) | 一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法 | |
CN114186644A (zh) | 一种基于优化随机森林的缺陷报告严重程度预测方法 | |
US11727052B2 (en) | Inspection systems and methods including image retrieval module | |
CN111879456B (zh) | 一种建筑幕墙安全性检测方法及系统 | |
CN115359412B (zh) | 一种盐酸中和实验评分方法、装置、设备及可读存储介质 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN104423807A (zh) | 传感器信息管理装置 | |
JP2013205320A (ja) | 検査条件決定方法、検査方法および検査装置 | |
CN114637893A (zh) | 一种fmea数据库系统及其处理方法 | |
CN112668634B (zh) | 基于深度学习的地下管网自动识别检测的云系统 | |
CN113920547A (zh) | 一种基于神经网络的手套检测方法及其系统 | |
CN114354755A (zh) | 一种城镇燃气聚乙烯管道的检测方法 | |
CN114565883A (zh) | 一种设备的运行故障用图形识别算法 |
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 |