CN116593890B - 永磁同步电机转子及其成型检测方法 - Google Patents
永磁同步电机转子及其成型检测方法 Download PDFInfo
- Publication number
- CN116593890B CN116593890B CN202310563113.1A CN202310563113A CN116593890B CN 116593890 B CN116593890 B CN 116593890B CN 202310563113 A CN202310563113 A CN 202310563113A CN 116593890 B CN116593890 B CN 116593890B
- Authority
- CN
- China
- Prior art keywords
- sector
- classification
- synchronous motor
- permanent magnet
- magnet synchronous
- 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
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 194
- 238000000465 moulding Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000015572 biosynthetic process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/64—Electric machine technologies in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
公开了一种永磁同步电机转子及其成型检测方法。在该方法中，其首先获取被检测永磁同步电机转子的检测图像并对所述检测图像进行扇形等分以得到多个扇形区域图像，接着，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量，然后，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示被检测永磁同步电机转子的成型质量是否符合预定要求的分类结果。这样，可以获得准确、稳定的检测结果。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种永磁同步电机转子的成型检测系统及其方法。
背景技术
永磁同步电机转子是一种利用永久磁铁产生磁场的电机转子，它与定子的交流电流相互作用，产生旋转力矩，驱动电机旋转。永磁同步电机转子的性能和质量直接影响电机的效率和可靠性，因此需要进行永磁同步电机转子的成型检测，以确保转子符合设计要求。
传统的永磁同步电机转子的成型检测主要采用电阻应变计或光纤光栅等传感器，这些传感器需要固定在转子表面或内部，不仅增加了转子的重量和成本，而且容易受到温度、湿度、电磁干扰等因素的影响，导致检测结果的不准确和不稳定。
因此，期待一种解决方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种永磁同步电机转子及其成型检测方法。在该方法中，其首先获取被检测永磁同步电机转子的检测图像并对所述检测图像进行扇形等分以得到多个扇形区域图像，接着，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量，然后，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示被检测永磁同步电机转子的成型质量是否符合预定要求的分类结果。这样，可以获得准确、稳定的检测结果。
根据本申请的一个方面，提供了一种永磁同步电机转子的成型检测方法，其包括：
获取被检测永磁同步电机转子的检测图像；
以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分以得到多个扇形区域图像；
将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量；
计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；
对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求。
在上述的永磁同步电机转子的成型检测方法中，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量，包括：
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个扇形区域特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个扇形区域图像。
在上述的永磁同步电机转子的成型检测方法中，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量，包括：
以如下余弦相似度计算公式计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到所述多个余弦相似度；
其中，所述余弦相似度计算公式为：
其中，Vi和Vj表示所述多个扇形区域特征向量中任意两个扇形区域特征向量，Vik和Vjk表示所述多个扇形区域特征向量中任意两个扇形区域特征向量中各个位置的特征值，d(Vi,Vj)表示所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦距离；以及
将所述多个余弦相似度进行一维排列以得到所述分类特征向量。
在上述的永磁同步电机转子的成型检测方法中，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的特征值集合的均值和标准差，v′i是所述优化分类特征向量的第i个位置的特征值。
在上述的永磁同步电机转子的成型检测方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求，包括：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种永磁同步电机转子，所述永磁同步电机转子以前述任一所述的方法运行。
与现有技术相比，本申请提供的永磁同步电机转子及其成型检测方法，在该方法中，其首先获取被检测永磁同步电机转子的检测图像并对所述检测图像进行扇形等分以得到多个扇形区域图像，接着，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量，然后，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示被检测永磁同步电机转子的成型质量是否符合预定要求的分类结果。这样，可以获得准确、稳定的检测结果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的永磁同步电机转子的成型检测方法的应用场景图。
图2为根据本申请实施例的永磁同步电机转子的成型检测方法的流程图。
图3为根据本申请实施例的永磁同步电机转子的成型检测方法的架构示意图。
图4为根据本申请实施例的永磁同步电机转子的成型检测方法的子步骤S160的流程图。
图5为根据本申请实施例的永磁同步电机转子的成型检测系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思是基于深度学习的图像处理技术，对检测图像进行特征提取与分类，从而判断被检测永磁同步电机转子的成型质量是否符合预定要求。通过这样的方式来实现永磁同步电机转子的成型质量检测。
具体地，在本申请的技术方案中，首先，获取被检测永磁同步电机转子的检测图像。其中，所述检测图像可以反映出转子表面或内部是否有缺陷，例如裂纹、变形等异常情况，这些情况会影响转子的力学性能和磁场分布，进而影响电机的效率和可靠性。通过获取所述检测图像可以避免使用传统的传感器，如电阻应变计或光纤光栅等，这些传感器需要固定在转子表面或内部，不仅增加了转子的重量和成本，而且容易受到温度、湿度、电磁干扰等因素的影响，导致检测结果的不准确和不稳定。而所述检测图像可以通过非接触的方式获取转子的信息，无需对转子进行任何改造或损伤，更加方便和可靠。
接着，以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分以得到多个扇形区域图像。这样，可以利用永磁同步电机转子的对称性，降低检测的复杂度和并减少检测图像中的噪声。
然后，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量。这里，卷积神经网络模型可以从图像中提取有用的特征，例如边缘、纹理、形状等。卷积神经网络模型由多个卷积层和池化层组成，每个卷积层都使用一个或多个卷积核(也称为滤波器)对输入图像进行卷积运算，得到一个或多个特征图。每个池化层都对特征图进行下采样，以减少参数数量和计算量，同时保留重要的特征信息。具体而言，卷积神经网络模型被用作过滤器，它的作用是对每个扇形区域图像进行特征提取，得到多个扇形区域特征向量。
应可以理解，永磁同步电机转子若存在局部的缺陷，那么存在缺陷的区域与其他正常的区域具有较大的差异性。也就是说，如果被检测永磁同步电机转子的成型质量良好，那么其检测图像中的多个扇形区域应该具有较高的相似性；反之，如果其成型质量不佳，那么其检测图像中的多个扇形区域应该具有较低的相似性。利用这一特性，在本申请的技术方案中，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量。这里，余弦相似度可以反映两个向量之间的相似程度。也就是，所述分类特征向量可以用于描述被检测转子各个扇形区域之间相似程度，以用于后续的分类处理。
进一步地，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求。也就是，通过分类器将用于描述多个扇形区域特征向量之间的相似程度的所述分类特征向量转化为一个可量化的指标，即分类结果，从而便于对转子的成型质量进行评价和判断。通过这样的方式，实现对未知成型质量的转子检测图像的自动识别和判别。
在本申请的技术方案中，当以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分得到所述多个扇形区域图像时，所述多个扇形区域图像会具有图像特征语义在全局下的相关性，因此，通过作为过滤器的卷积神经网络模型得到的所述多个扇形区域特征向量也具有特征分布的相关性，也就是，其在高维特征空间内的特征分布具有维度相关性，这样，在计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的所述分类特征向量时，可能会导致所述多个余弦相似度在高维特征空间内的概率密度表示下的维度区分度不够，影响所述分类特征向量的类概率表达，影响所述分类特征向量通过分类器得到的分类结果的准确性。
因此，本申请的申请人对所述分类特征向量，例如记为V进行高斯概率密度的流形曲面维度正交化，具体表示为：
其中μ和σ是特征值集合vi∈V的均值和标准差，且v′i是优化后的所述分类特征向量的第i个位置的特征值。
这里，通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长，可以将所述分类特征向量V的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影，从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整，以通过提升概率密度的维度正交化来提升优化后的所述分类特征向量的类概率表达的准确性，从而改进优化后的所述分类特征向量通过分类器得到的分类结果的准确性。
本申请的技术效果有如下几点：
1、提供了一种智能化的永磁同步电机转子的成型质量检测方案。
2、该方案无需在转子表面或内部安装传感器，避免了传感器带来的重量、成本、干扰等问题，同时利用深度学习技术提高了检测的精度和稳定性，能够有效地识别出转子表面或内部的缺陷、裂纹、变形等异常情况，保证了永磁同步电机转子的成型质量。
图1为根据本申请实施例的永磁同步电机转子的成型检测方法的应用场景图。如图1所示，在该应用场景中，首先，获取被检测永磁同步电机转子(例如，图1中所示意的N)的检测图像(例如，图1中所示意的D)，然后，将所述检测图像输入至部署有永磁同步电机转子的成型检测算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述永磁同步电机转子的成型检测算法对所述检测图像进行处理以得到用于表示被检测永磁同步电机转子的成型质量是否符合预定要求的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的永磁同步电机转子的成型检测方法的流程图。如图2所示，根据本申请实施例的永磁同步电机转子的成型检测方法，包括步骤：S110，获取被检测永磁同步电机转子的检测图像；S120，以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分以得到多个扇形区域图像；S130，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量；
S140，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；S150，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及，S160，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求。
图3为根据本申请实施例的永磁同步电机转子的成型检测方法的架构示意图。如图3所示，在该网络架构中，首先，获取被检测永磁同步电机转子的检测图像；接着，以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分以得到多个扇形区域图像；然后，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量；接着，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；然后，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求。
更具体地，在步骤S110中，获取被检测永磁同步电机转子的检测图像。检测图像可以反映出转子表面或内部是否有缺陷，例如裂纹、变形等异常情况，这些情况会影响转子的力学性能和磁场分布，进而影响电机的效率和可靠性。通过获取所述检测图像可以避免使用传统的传感器，如电阻应变计或光纤光栅等，这些传感器需要固定在转子表面或内部，不仅增加了转子的重量和成本，而且容易受到温度、湿度、电磁干扰等因素的影响，导致检测结果的不准确和不稳定。而所述检测图像可以通过非接触的方式获取转子的信息，无需对转子进行任何改造或损伤，更加方便和可靠。
更具体地，在步骤S120中，以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分以得到多个扇形区域图像。这样，可以利用永磁同步电机转子的对称性，降低检测的复杂度和并减少检测图像中的噪声。
更具体地，在步骤S130中，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量。这里，卷积神经网络模型可以从图像中提取有用的特征，例如边缘、纹理、形状等。卷积神经网络模型由多个卷积层和池化层组成，每个卷积层都使用一个或多个卷积核(也称为滤波器)对输入图像进行卷积运算，得到一个或多个特征图。每个池化层都对特征图进行下采样，以减少参数数量和计算量，同时保留重要的特征信息。具体而言，卷积神经网络模型被用作过滤器，它的作用是对每个扇形区域图像进行特征提取，得到多个扇形区域特征向量。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地，在一个具体示例中，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个扇形区域特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个扇形区域图像。
更具体地，在步骤S140中，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量。应可以理解，永磁同步电机转子若存在局部的缺陷，那么存在缺陷的区域与其他正常的区域具有较大的差异性。也就是说，如果被检测永磁同步电机转子的成型质量良好，那么其检测图像中的多个扇形区域应该具有较高的相似性；反之，如果其成型质量不佳，那么其检测图像中的多个扇形区域应该具有较低的相似性。利用这一特性，在本申请的技术方案中，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量。这里，余弦相似度可以反映两个向量之间的相似程度。也就是，所述分类特征向量可以用于描述被检测转子各个扇形区域之间相似程度，以用于后续的分类处理。
相应地，在一个具体示例中，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量，包括：以如下余弦相似度计算公式计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到所述多个余弦相似度；其中，所述余弦相似度计算公式为：
其中，Vi和Vj表示所述多个扇形区域特征向量中任意两个扇形区域特征向量，Vik和Vjk表示所述多个扇形区域特征向量中任意两个扇形区域特征向量中各个位置的特征值，d(Vi,Vj)表示所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦距离；以及，将所述多个余弦相似度进行一维排列以得到所述分类特征向量。
更具体地，在步骤S150中，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量。在本申请的技术方案中，当以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分得到所述多个扇形区域图像时，所述多个扇形区域图像会具有图像特征语义在全局下的相关性，因此，通过作为过滤器的卷积神经网络模型得到的所述多个扇形区域特征向量也具有特征分布的相关性，也就是，其在高维特征空间内的特征分布具有维度相关性，这样，在计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的所述分类特征向量时，可能会导致所述多个余弦相似度在高维特征空间内的概率密度表示下的维度区分度不够，影响所述分类特征向量的类概率表达，影响所述分类特征向量通过分类器得到的分类结果的准确性。因此，本申请的申请人对所述分类特征向量进行高斯概率密度的流形曲面维度正交化。
相应地，在一个具体示例中，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的特征值集合的均值和标准差，v′i是所述优化分类特征向量的第i个位置的特征值。
这里，通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长，可以将所述分类特征向量的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影，从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整，以通过提升概率密度的维度正交化来提升优化后的所述分类特征向量的类概率表达的准确性，从而改进优化后的所述分类特征向量通过分类器得到的分类结果的准确性。
更具体地，在步骤S160中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求。也就是，通过分类器将用于描述多个扇形区域特征向量之间的相似程度的所述分类特征向量转化为一个可量化的指标，即分类结果，从而便于对转子的成型质量进行评价和判断。通过这样的方式，实现对未知成型质量的转子检测图像的自动识别和判别。
也就是，在本申请的技术方案中，所述分类器的标签包括被检测永磁同步电机转子的成型质量符合预定要求(第一标签)，以及，被检测永磁同步电机转子的成型质量不符合预定要求(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被检测永磁同步电机转子的成型质量是否符合预定要求”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被检测永磁同步电机转子的成型质量是否符合预定要求的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被检测永磁同步电机转子的成型质量是否符合预定要求”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图4所示，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求，包括：S161，使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，S162，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的永磁同步电机转子的成型检测方法，其首先获取被检测永磁同步电机转子的检测图像并对所述检测图像进行扇形等分以得到多个扇形区域图像，接着，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量，然后，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示被检测永磁同步电机转子的成型质量是否符合预定要求的分类结果。这样，可以获得准确、稳定的检测结果。
进一步地，本申请的技术方案还提供一种永磁同步电机转子，所述永磁同步电机转子以前述任一所述的方法运行。
图5为根据本申请实施例的永磁同步电机转子的成型检测系统100的框图。如图5所示，根据本申请实施例的永磁同步电机转子的成型检测系统100，包括：图像获取模块110，用于获取被检测永磁同步电机转子的检测图像；扇形等分模块120，用于以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分以得到多个扇形区域图像；卷积编码模块130，用于将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量；余弦相似度计算模块140，用于计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；流形曲面优化模块150，用于对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及，分类模块160，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求。
在一个示例中，在上述永磁同步电机转子的成型检测系统100中，所述卷积编码模块130，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个扇形区域特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个扇形区域图像。
在一个示例中，在上述永磁同步电机转子的成型检测系统100中，所述余弦相似度计算模块140，用于：以如下余弦相似度计算公式计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到所述多个余弦相似度；其中，所述余弦相似度计算公式为：
其中，Vi和Vj表示所述多个扇形区域特征向量中任意两个扇形区域特征向量，Vik和Vjk表示所述多个扇形区域特征向量中任意两个扇形区域特征向量中各个位置的特征值，d(Vi,Vj)表示所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦距离；以及，将所述多个余弦相似度进行一维排列以得到所述分类特征向量。
在一个示例中，在上述永磁同步电机转子的成型检测系统100中，所述流形曲面优化模块150，用于：以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的特征值集合的均值和标准差，v′i是所述优化分类特征向量的第i个位置的特征值。
在一个示例中，在上述永磁同步电机转子的成型检测系统100中，所述分类模块160，用于：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述永磁同步电机转子的成型检测系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的永磁同步电机转子的成型检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的永磁同步电机转子的成型检测系统100可以实现在各种无线终端中，例如具有永磁同步电机转子的成型检测算法的服务器等。在一个示例中，根据本申请实施例的永磁同步电机转子的成型检测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该永磁同步电机转子的成型检测系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该永磁同步电机转子的成型检测系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该永磁同步电机转子的成型检测系统100与该无线终端也可以是分立的设备，并且该永磁同步电机转子的成型检测系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (6)
1.一种永磁同步电机转子的成型检测方法，其特征在于，包括：
获取被检测永磁同步电机转子的检测图像；
以所述被检测永磁同步电机转子的中心作为基准点，对所述检测图像进行扇形等分以得到多个扇形区域图像；
将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量；
计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量；
对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求。
2.根据权利要求1所述的永磁同步电机转子的成型检测方法，其特征在于，将所述多个扇形区域图像分别通过作为过滤器的卷积神经网络模型以得到多个扇形区域特征向量，包括：
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个扇形区域特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个扇形区域图像。
3.根据权利要求2所述的永磁同步电机转子的成型检测方法，其特征在于，计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到由多个余弦相似度组成的分类特征向量，包括：
以如下余弦相似度计算公式计算所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦相似度以得到所述多个余弦相似度；
其中，所述余弦相似度计算公式为：
其中，Vi和Vj表示所述多个扇形区域特征向量中任意两个扇形区域特征向量，Vik和Vjk表示所述多个扇形区域特征向量中任意两个扇形区域特征向量中各个位置的特征值，d(Vi,Vj)表示所述多个扇形区域特征向量中任意两个扇形区域特征向量之间的余弦距离；以及
将所述多个余弦相似度进行一维排列以得到所述分类特征向量。
4.根据权利要求3所述的永磁同步电机转子的成型检测方法，其特征在于，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的特征值集合的均值和标准差，vi′是所述优化分类特征向量的第i个位置的特征值。
5.根据权利要求4所述的永磁同步电机转子的成型检测方法，其特征在于，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测永磁同步电机转子的成型质量是否符合预定要求，包括：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.一种永磁同步电机转子，其特征在于，所述永磁同步电机转子以如权利要求1至5所述的方法运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310563113.1A CN116593890B (zh) | 2023-05-18 | 2023-05-18 | 永磁同步电机转子及其成型检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310563113.1A CN116593890B (zh) | 2023-05-18 | 2023-05-18 | 永磁同步电机转子及其成型检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116593890A CN116593890A (zh) | 2023-08-15 |
| CN116593890B true CN116593890B (zh) | 2023-10-20 |
Family
ID=87589302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310563113.1A Active CN116593890B (zh) | 2023-05-18 | 2023-05-18 | 永磁同步电机转子及其成型检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116593890B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2908542A1 (fr) * | 2006-11-15 | 2008-05-16 | Eurocopter France | Procede et systeme de detection et de localisation d'un dereglage ou d'un defaut d'un rotor de giravion |
| CN108932712A (zh) * | 2018-06-22 | 2018-12-04 | 东南大学 | 一种转子绕组质量检测系统及方法 |
| WO2019036095A1 (en) * | 2017-08-17 | 2019-02-21 | Siemens Aktiengesellschaft | DEFRONTED DETECTION BASED ON A DEVOLVED CONVOLUTION NEURONAL NETWORK FOR TRANSACTIVE ENERGY SYSTEMS |
| CN112037223A (zh) * | 2020-11-06 | 2020-12-04 | 中科创达软件股份有限公司 | 图像缺陷检测方法、装置及电子设备 |
| CN112488205A (zh) * | 2020-11-30 | 2021-03-12 | 桂林电子科技大学 | 基于优化kpca算法的神经网络图像分类识别方法 |
| CN113034359A (zh) * | 2020-10-16 | 2021-06-25 | 湖北白莲河抽水蓄能有限公司水电分公司 | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 |
| CN113689431A (zh) * | 2021-10-27 | 2021-11-23 | 常州微亿智造科技有限公司 | 工业产品外观缺陷检测方法和装置 |
| CN115564769A (zh) * | 2022-11-10 | 2023-01-03 | 苏州时新集成技术有限公司 | 使用深度学习进行电机转子并线缺陷检测的方法 |
| CN115965217A (zh) * | 2023-01-10 | 2023-04-14 | 吉安吉之模型有限公司 | 用于塑料模型的智能化生产监控方法及其系统 |
| CN116662504A (zh) * | 2023-05-29 | 2023-08-29 | 中国南方电网有限责任公司 | 电力知识语义分析系统及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9151802B2 (en) * | 2011-04-15 | 2015-10-06 | Schweitzer Engineering Laboratories, Inc. | Detection of broken rotor bar conditions in a motor using maximum current magnitude and average current magnitude |
-
2023
- 2023-05-18 CN CN202310563113.1A patent/CN116593890B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2908542A1 (fr) * | 2006-11-15 | 2008-05-16 | Eurocopter France | Procede et systeme de detection et de localisation d'un dereglage ou d'un defaut d'un rotor de giravion |
| WO2019036095A1 (en) * | 2017-08-17 | 2019-02-21 | Siemens Aktiengesellschaft | DEFRONTED DETECTION BASED ON A DEVOLVED CONVOLUTION NEURONAL NETWORK FOR TRANSACTIVE ENERGY SYSTEMS |
| CN108932712A (zh) * | 2018-06-22 | 2018-12-04 | 东南大学 | 一种转子绕组质量检测系统及方法 |
| CN113034359A (zh) * | 2020-10-16 | 2021-06-25 | 湖北白莲河抽水蓄能有限公司水电分公司 | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 |
| CN112037223A (zh) * | 2020-11-06 | 2020-12-04 | 中科创达软件股份有限公司 | 图像缺陷检测方法、装置及电子设备 |
| CN112488205A (zh) * | 2020-11-30 | 2021-03-12 | 桂林电子科技大学 | 基于优化kpca算法的神经网络图像分类识别方法 |
| CN113689431A (zh) * | 2021-10-27 | 2021-11-23 | 常州微亿智造科技有限公司 | 工业产品外观缺陷检测方法和装置 |
| CN115564769A (zh) * | 2022-11-10 | 2023-01-03 | 苏州时新集成技术有限公司 | 使用深度学习进行电机转子并线缺陷检测的方法 |
| CN115965217A (zh) * | 2023-01-10 | 2023-04-14 | 吉安吉之模型有限公司 | 用于塑料模型的智能化生产监控方法及其系统 |
| CN116662504A (zh) * | 2023-05-29 | 2023-08-29 | 中国南方电网有限责任公司 | 电力知识语义分析系统及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 鲜晴羽 ; 仇文革 ; 王泓颖 ; 许炜萍 ; 孙克国 ; .基于卷积神经网络的隧道掌子面图像质量评价方法研究.铁道科学与工程学报.2020,(03),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116593890A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van et al. | Bearing defect classification based on individual wavelet local fisher discriminant analysis with particle swarm optimization | |
| CN108709745B (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
| CN106408037B (zh) | 图像识别方法及装置 | |
| CN109270079B (zh) | 一种基于点云模型的工件表面缺陷精确检测方法 | |
| CN111046910A (zh) | 图像分类、关系网络模型训练、图像标注方法及装置 | |
| CN103544499A (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
| CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
| CN116580029B (zh) | 铝合金铸造成品的质检管控系统及其方法 | |
| CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
| CN116824481A (zh) | 基于图像识别的变电站巡检方法及其系统 | |
| CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
| CN110443169B (zh) | 一种边缘保留判别分析的人脸识别方法 | |
| CN116796248A (zh) | 森林康养环境评估系统及其方法 | |
| CN116593890B (zh) | 永磁同步电机转子及其成型检测方法 | |
| CN116278378B (zh) | 纸张的智能覆膜系统及其方法 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN117274689A (zh) | 用于包装盒缺陷检测的检测方法及其系统 | |
| CN116563251A (zh) | 汽车用拉杆球头的智能加工方法及其系统 | |
| CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
| CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
| Hu et al. | Detection of material on a tray in automatic assembly line based on convolutional neural network | |
| CN113780335A (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
| CN117197029B (zh) | 球销的自动化生产线及其方法 | |
| CN117935030B (zh) | 双视角相关性感知正则化的多标签置信度校准方法及系统 |
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 |