CN116933185A - 一种铜管精整复绕的评估方法及系统 - Google Patents
一种铜管精整复绕的评估方法及系统 Download PDFInfo
- Publication number
- CN116933185A CN116933185A CN202310926365.6A CN202310926365A CN116933185A CN 116933185 A CN116933185 A CN 116933185A CN 202310926365 A CN202310926365 A CN 202310926365A CN 116933185 A CN116933185 A CN 116933185A
- Authority
- CN
- China
- Prior art keywords
- copper pipe
- rewinding
- information
- evaluation
- winding
- 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.)
- Pending
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 338
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 338
- 239000010949 copper Substances 0.000 title claims abstract description 338
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 81
- 238000004804 winding Methods 0.000 claims abstract description 61
- 238000003066 decision tree Methods 0.000 claims abstract description 50
- 238000013210 evaluation model Methods 0.000 claims abstract description 38
- 238000003709 image segmentation Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 239000000463 material Substances 0.000 claims abstract description 13
- 230000010365 information processing Effects 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009270 solid waste treatment Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 35
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及固体废物处理技术领域，尤其涉及一种铜管精整复绕的评估方法及系统，方法包括：获取铜管复绕数据信息，并构建铜管复绕特征决策树，通过铜管复绕特征决策树对铜管复绕数据信息进行分类，获得铜管复绕特征信息；获取铜管复绕图像信息，并对铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息；构建铜管复绕评估模型，得到铜管复绕评估的标准指标；将待检测的铜管复绕特征信息和铜管复绕图像分割信息输入铜管复绕评估模型中，获得铜管复绕评估结果。通过本发明，有效解决了原先人工方法效率低，易破坏材料等问题，实现了对铜管复绕质量的自动化评估，具有更高的准确性和一致性，降低了人工成本，节省了时间。
Description
技术领域
本发明涉及金属复绕加工技术领域，尤其涉及一种铜管精整复绕的评估方法及系统。
背景技术
铜管复绕是通过双卷复绕机将生产的成品铜管缠绕在棍子上，可以高效地将长而脆弱的铜管卷绕成紧凑的形状，以方便存储、运输和使用。在复绕过程中，铜管需要按照特定的方式进行弯曲、排列，以达到后期存储或运输的需求。
然而传统的人工评估方法通常涉及人员对铜管复绕进行目测和手动测量，这种方法效率低下且容易破坏材料，由于人的主观因素和不确定性，评估结果可能存在差异和不一致性。此外，铜管复绕涉及复杂的形状和几何特征，例如：螺旋线圈形状、折弯角度、外径和壁厚变化、螺旋管层间距离等，更高精度的测量和分析需要专业的技术和设备，增加了人力成本和技术要求。
公开于该背景技术部分的信息仅仅旨在加深对本公开总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种铜管精整复绕的评估方法及系统，可有效解决背景技术中的问题。
为了达到上述目的，本发明所采用的技术方案是：
一种铜管精整复绕的评估方法，所述方法包括：
获取铜管复绕数据信息，并构建铜管复绕特征决策树，通过所述铜管复绕特征决策树对所述铜管复绕数据信息进行分类，获得铜管复绕特征信息；
获取铜管复绕图像信息，并对所述铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息；
构建铜管复绕评估模型，得到铜管复绕评估的标准指标；
将待检测的所述铜管复绕特征信息和所述铜管复绕图像分割信息输入所述铜管复绕评估模型中，获得铜管复绕评估结果。
进一步地，所述通过所述铜管复绕特征决策树对所述铜管复绕数据信息进行分类，获得铜管复绕特征信息，包括：
将需要分类的所述铜管复绕数据信息进行整理；
获取与所述铜管复绕特征决策树中使用的特征相对应的特征值；
其中，特征值为所述铜管复绕特征决策树中使用的特征相对应的具体取值；
通过所述铜管复绕特征决策树的分支和判断条件判断所述铜管复绕数据信息是否满足所述特征值，并获得判断结果；
根据所述判断结果确定所述铜管复绕数据信息在所述铜管复绕特征决策树的分支上的路径，直到叶子节点；
其中，所述特征值和判断条件在所述分支的节点上；
根据所述叶子节点的分类标签确认所述铜管复绕数据信息所属类别，获得所述铜管复绕特征信息。
进一步地，所述构建铜管复绕特征决策树包括：
选择不同所述铜管复绕数据信息构建决策树节点；
根据选定的所述铜管复绕数据信息将数据集划分为不同的子集，每个子集对应于所述铜管复绕数据信息的一个取值；
对每个子集，重复上述步骤，选择最佳的所述铜管复绕数据信息作为所述特征值来构建子节点；
将最合适的铜管复绕特征类别作为所述叶节点的分类标签，完成所述铜管复绕特征决策树的构建。
进一步地，对所述铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息，包括：
对所述铜管复绕图像进行预处理；
设置所述有限元分割的特定区域，并将处理后的所述铜管复绕图像按所述特定区域进行网格划分；
根据网格划分结果定义对应的所述铜管复绕材料相关的材料属性；
通过所述网格划分和相应的材料属性形成离散的有限元网络模型；
通过所述有限元网络模型获得所述铜管复绕图像分割信息。
进一步地，所述构建铜管复绕评估模型，得到铜管复绕评估的标准指标，包括：
整理和准备所述铜管复绕特征信息、所述铜管复绕图像分割信息以及与铜管复绕质量的评估指标，用于构建评估模型的数据集；
根据所收集到的所述数据集，选择最合适的信息和指标用于评估模型的构建；
根据评估铜管复绕质量的实际要求，构建铜管复绕评估的卷积神经网络模型并对构建好的所述卷积神经网络模型进行测试，获得所述铜管复绕评估的标准指标。
进一步地，所述铜管复绕评估模型为双通道设计的卷积神经网络模型，所述双通道为数据信息处理通道和图像信息处理通道。
进一步地，所述将所述铜管复绕特征信息和所述铜管复绕图像信息输入所述铜管复绕评估模型中，获得铜管复绕评估结果，包括：
将所述铜管复绕特征信息和所述铜管复绕图像信息分别输入所述数据信息处理通道和所述图像信息处理通道；
对所述数据处理通道进行特征提取，获得第一特征信息；
对所述图像信息处理通道进行图像处理，捕捉关键的视觉特征，获得第二特征信息；
将所述第一特征信息和所述第二特征信息进行组合，获得融合特征信息；
将所述特征融合信息经过全连接层和输出层进行处理和预测，得到铜管复绕评估结果。
进一步地，将所述特征融合信息经过全连接层和输出层进行处理和预测，得到铜管复绕评估结果，包括：
通过所述融合特征信息得到一个特征向量或特征矩阵；
将所述特征向量或特征矩阵作为输入，通过所述全连接层进行神经网络的前向传播；
在所述全连接层之后，添加一个所述输出层，通过所述输出层对铜管进行复绕评估预测；
将所述复绕评估预测和所述铜管复绕评估的标准指标进行比较，得到所述铜管复绕评估结果。
一种铜管精整复绕的评估系统，所述系统包括：
特征信息模块，获取铜管复绕数据信息，并构建铜管复绕特征决策树，通过所述铜管复绕特征决策树对所述铜管复绕数据信息进行分类，获得铜管复绕特征信息；
图像分割模块，获取铜管复绕图像信息，并对所述铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息；
模型构建模块，构建铜管复绕评估模型，得到铜管复绕评估的标准指标；
复绕评估模块，将待检测的铜管复绕特征信息和所述铜管复绕图像分割信息输入所述铜管复绕评估模型中，获得铜管复绕评估结果。
进一步地，所述模型构建模块，包括：
数据集构建单元，整理和准备所述铜管复绕特征信息、所述铜管复绕图像分割信息以及与铜管复绕质量的评估指标，用于构建评估模型的数据集；
特征选取单元，根据所收集到的所述数据集，选择最合适的信息和指标用于评估模型的构建；
模型测试单元，根据评估铜管复绕质量的实际要求，构建铜管复绕评估的卷积神经网络模型并对构建好的所述卷积神经网络模型进行测试，获得所述铜管复绕评估的标准指标。
通过本发明的技术方案，可实现以下技术效果：
有效解决了原先人工方法效率低，易破坏材料等问题，实现了对铜管复绕质量的自动化评估，具有更高的准确性和一致性，降低了人工成本，节省了时间。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为铜管精整复绕的评估方法的流程示意图；
图2为获得铜管复绕特征信息的流程示意图；
图3为获得铜管复绕图像分割信息的流程示意图；
图4为获得铜管复绕评估结果的流程示意图；
图5为铜管精整复绕的评估系统的结构示意图。
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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示，本申请提供了一种铜管精整复绕的评估方法，方法包括：
S100：获取铜管复绕数据信息，并构建铜管复绕特征决策树，通过铜管复绕特征决策树对铜管复绕数据信息进行分类，获得铜管复绕特征信息；
具体而言，收集关于铜管复绕的数据信息，包括各种与质量评估相关的特征数据，例如：尺寸特征、温度特征等，可以使用传感器、仪器、测量设备或其他可用的数据源。对收集到的数据进行预处理，以确保数据的质量和一致性，一般而言包括去除异常值、处理缺失值等操作。从预处理的数据中提取特征，以帮助构建铜管复绕特征决策树，决策树是一种基于特征条件进行判断的层次结构模型，对构建好的特征决策树进行评估，包括准确度、叶节点纯度、信息增益等指标，通过评估和调整决策树，得到铜管复绕特征信息。
S200：获取铜管复绕图像信息，并对铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息；
使用合适的图像采集设备获取铜管复绕的图像，图像采集设备的设置和光照条件要与实际应用场景匹配。对采集到的图像进行预处理，提高后续分割算法的准确性，常见的预处理操作包括去噪、图像增强、颜色空间转换等。应用有限元分割算法来将铜管复绕图像进行分割，有限元分割是一种基于图像边缘检测和区域生长的技术，可以将图像中不同的区域或对象分割出来，根据具体情况和需求，对有限元分割算法的参数进行调优，并从有限元分割结果中提取铜管复绕图像的分割信息，例如分割后的区域轮廓、面积、形状等特征。
S300：构建铜管复绕评估模型，得到铜管复绕评估的标准指标；
S400：将待检测的铜管复绕特征信息和铜管复绕图像分割信息输入铜管复绕评估模型中，获得铜管复绕评估结果。
具体而言，通过已获得的复绕图像分割信息和复绕特征信息，以及相应的检测结果，设计合适的评估模型，并将待检测的铜管的复绕特征信息和复绕图像分割信息输入铜管复绕评估模型，输出相应的评估结果，其中，铜管复绕评估的标准指标嵌入铜管复绕评估模型，用于评价铜管复绕特征信息和铜管复绕图像分割信息。
通过本发明的技术方案，有效解决了原先人工方法效率低，易破坏材料等问题，实现了对铜管复绕质量的自动化评估，具有更高的准确性和一致性，降低了人工成本，节省了时间。
进一步来说，如图2所示，通过铜管复绕特征决策树对铜管复绕数据信息进行分类，获得铜管复绕特征信息，包括：
A10：将需要分类的铜管复绕数据信息进行整理；
A20：获取与铜管复绕特征决策树中使用的特征相对应的特征值；
其中，特征值为铜管复绕特征决策树中使用的特征相对应的具体取值；
A30：通过铜管复绕特征决策树的分支和判断条件判断铜管复绕数据信息是否满足特征值，并获得判断结果；
A40：根据判断结果确定铜管复绕数据信息在铜管复绕特征决策树的分支上的路径，直到叶子节点；
其中，特征值和判断条件在分支的节点上；
A50：根据叶子节点的分类标签确认铜管复绕数据信息所属类别，获得铜管复绕特征信息。
具体而言，将需要分类的铜管复绕数据信息整理为可供特征决策树分类的形式，确保每条数据都包含与特征决策树中使用的特征相对应的特征值。根据铜管复绕特征决策树中使用的特征，在整理好的数据中找到相应的特征值，特征值为铜管复绕特征决策树中使用的特征相对应的具体取值，通过铜管复绕特征决策树的分支和判断条件，依次判断铜管复绕数据信息是否满足特征值，并获得判断结果，根据判断结果，确定铜管复绕数据信息在铜管复绕特征决策树的分支上根据叶子节点的分类标签，确认铜管复绕数据信息所属类别，这将获得铜管复绕的特征信息，该特征信息描述了铜管复绕在特征决策树中被分类到的特定类别。
进一步来说，构建铜管复绕特征决策树包括：
选择不同铜管复绕数据信息构建决策树节点；
根据选定的铜管复绕数据信息将数据集划分为不同的子集，每个子集对应于铜管复绕数据信息的一个取值；
对每个子集，重复上述步骤，选择最佳的铜管复绕数据信息作为特征值来构建子节点；
将最合适的铜管复绕特征类别作为叶节点的分类标签，完成铜管复绕特征决策树的构建。
具体而言，整理铜管复绕的数据信息，并将其划分为训练集和测试集。确保数据的质量和一致性。根据铜管复绕的数据信息，选择一个最佳特征作为当前节点，可以使用不同的特征选择算法，如信息增益、基尼系数等来评估每个特征对分类的重要性，选取最佳特征。根据选定的特征，将数据集划分为不同的子集，每个子集对应于该特征的一个取值。例如：如果选择直径作为特征，则将数据集中直径为某个取值的样本划分为一个子集。对于每个子集，重复上述步骤，选择最佳特征作为子节点，并再次划分数据集。这是一个递归过程，直到达到停止条件，比如子集中所有样本属于相同类别或无法继续划分就可以停止划分。当达到停止条件时，将最合适的铜管复绕特征类别作为叶节点的分类标签，完成铜管复绕特征决策树的构建。
进一步来说，如图3所示，对铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息，包括：
S210：对铜管复绕图像进行预处理；
S220设置有限元分割的特定区域，并将处理后的铜管复绕图像按特定区域进行网格划分；
S230：根据网格划分结果定义对应的铜管复绕材料相关的材料属性；
S240：通过网格划分和相应的材料属性形成离散的有限元网络模型；
S250：通过有限元网络模型获得铜管复绕图像分割信息。
具体而言，对采集到的铜管复绕图像进行预处理，以提高后续有限元分割算法的准确性和鲁棒性，预处理操作可能包括去噪、平滑、增强对比度等。基于图像强度或颜色信息的阈值分割，根据不同的像素灰度值或颜色阈值将图像分为多个区域，根据分割结果，将处理后的铜管复绕图像按照所需的几何形状进行网格划分。将每个网格单元上的像素值作为新图像中的像素值，将网格划分后的铜管复绕图像转换为标准的图像表示格式，如灰度图像或彩色图像，可以通过为每个网格单元计算平均像素值或使用其他插值方法来实现，得到的灰度图像或彩色图像即为铜管复绕图像的分割信息。
进一步来说，构建铜管复绕评估模型，得到铜管复绕评估的标准指标，包括：
整理和准备铜管复绕特征信息、铜管复绕图像分割信息以及与铜管复绕质量的评估指标，用于构建评估模型的数据集；
根据所收集到的数据集，选择最合适的信息和指标用于评估模型的构建；
根据评估铜管复绕质量的实际要求，构建铜管复绕评估的卷积神经网络模型并对构建好的卷积神经网络模型进行测试，获得铜管复绕评估的标准指标。
具体而言，收集铜管复绕特征信息和铜管复绕图像分割信息，并进行数据整理和预处理，确定与铜管复绕质量评估相关的评估指标，如强度、稳定性等。根据收集到的数据集，选择最适合的特征信息和图像分割信息，这里的最合适的特征信息应是最能反映铜管复绕是否成功的指标信息。利用已经处理好的复绕特征信息和图像分割信息并根据收集到的数据集，构建一个卷积神经网络模型，以评估铜管复绕的质量。使用构建好的训练数据集，将输入数据和标签输入卷积神经网络模型进行训练，通过调整模型参数和优化算法，使模型能够逐渐学习到铜管复绕质量评估的规律和关联，并且得到一个稳定的标准指标，用于评估铜管复绕是否符合要求。
进一步来说，铜管复绕评估模型为双通道设计的卷积神经网络模型，双通道为数据信息处理通道和图像信息处理通道。
具体而言，双通道设计的卷积神经网络模型通过将数据信息处理通道和图像信息处理通道结合在一起，模型能够充分利用来自不同来源的信息，从而提供更全面和准确的评估结果。数据信息可以包含铜管复绕的特征信息，如尺寸、形状等，而图像信息可以提供更直观和丰富的视觉特征。同时，这样的设计可以在不同层次和角度上对铜管复绕进行建模和学习，数据信息处理通道可以处理和学习传统的数值特征，而图像信息处理通道可以学习到更细节和局部的视觉特征，这样的组合可以提高模型的表达能力，使其更好地适应铜管复绕评估的复杂性和多样性。
进一步来说，如图4所示，铜管复绕特征信息和铜管复绕图像信息输入铜管复绕评估模型中，获得铜管复绕评估结果，包括：
S410：将铜管复绕特征信息和铜管复绕图像信息分别输入数据信息处理通道和图像信息处理通道；
S420：对数据处理通道进行特征提取，获得第一特征信息；
S430：对图像信息处理通道进行图像处理，捕捉关键的视觉特征，获得第二特征信息；
S440：将第一特征信息和第二特征信息进行组合，获得融合特征信息；
S450：将特征融合信息经过全连接层和输出层进行处理和预测，得到铜管复绕评估结果。
具体而言，将铜管复绕特征信息输入数据信息处理通道，该通道可以包括全连接层、池化层、卷积层等层次结构，用于提取与复绕质量相关的数据特征，并获取第一特征信息，这些特征可能涉及到铜管尺寸、螺旋管的层间距等数据信息。将铜管复绕图像信息输入图像信息处理通道，该通道可以包括卷积层、池化层等用于提取图像特征的层次结构。通过前向传播操作将铜管复绕图像信息输入模型，并获取第二特征信息，这些特征可能涉及到图像纹理、轮廓等与复绕质量相关的视觉特征。将第一特征信息和第二特征信息进行融合，可以使用连接或拼接等方式将两个特征向量合并成一个融合特征向量。将融合后的特征向量输入全连接层和输出层，进行处理和预测，以获得铜管复绕评估结果。
进一步来说，将特征融合信息经过全连接层和输出层进行处理和预测，得到铜管复绕评估结果，包括：
通过融合特征信息得到一个特征向量或特征矩阵；
将特征向量或特征矩阵作为输入，通过全连接层进行神经网络的前向传播；
在全连接层之后，添加一个输出层，通过输出层对铜管进行复绕评估预测；
将复绕评估预测和铜管复绕评估的标准指标进行比较，得到铜管复绕评估结果。
具体而言，将特征融合信息作为输入，通过一系列全连接层进行处理。每个全连接层包括多个神经元，每个神经元与上一层的所有神经元相连接，可以使用激活函数来引入非线性变换。全连接层中的神经元会对输入特征进行加权和组合，以提取更高级别的表达，这些神经元参数是通过训练过程中的反向传播算法来自动学习的，通过最小化损失函数来优化模型的性能。全连接层的最后一层是输出层，通常是一个包含相应数量的神经元的全连接层，输出层的神经元的数量取决于具体的评估任务，例如针对铜管精整复绕的评估是一个二分类问题只需要一个神经元，根据网络输出层的预测结果将输出结果与标准指标进行比较，以判断铜管复绕质量的合格与否。
实施例二：
基于与前述实施例中一种铜管精整复绕的评估方法同样发明构思，本发明还提供了一种铜管精整复绕的评估系统，如图5所示，系统包括：
特征信息模块，获取铜管复绕数据信息，并构建铜管复绕特征决策树，通过铜管复绕特征决策树对铜管复绕数据信息进行分类，获得铜管复绕特征信息；
图像分割模块，获取铜管复绕图像信息，并对铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息；
模型构建模块，构建铜管复绕评估模型，得到铜管复绕评估的标准指标；
复绕评估模块，将待检测的铜管复绕特征信息和铜管复绕图像分割信息输入铜管复绕评估模型中，获得铜管复绕评估结果。
本发明中的上述调整系统可有效的实现铜管精整复绕的评估方法，能够起到的技术效果如上述实施例所描述的，此处不再赘述。
进一步来说，模型构建模块，包括：
数据集构建单元，整理和准备铜管复绕特征信息、铜管复绕图像分割信息以及与铜管复绕质量的评估指标，用于构建评估模型的数据集；
特征选取单元，根据所收集到的数据集，选择最合适的信息和指标用于评估模型的构建；
模型测试单元，根据评估铜管复绕质量的实际要求，构建铜管复绕评估的卷积神经网络模型并对构建好的卷积神经网络模型进行测试，获得铜管复绕评估的标准指标。
同样地，对系统的上述优化方案，也分别地可对应实现实施例一中方法对应的优化效果，此处同样不再赘述。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种铜管精整复绕的评估方法，其特征在于，所述方法包括：
获取铜管复绕数据信息，并构建铜管复绕特征决策树，通过所述铜管复绕特征决策树对所述铜管复绕数据信息进行分类，获得铜管复绕特征信息；
获取铜管复绕图像信息，并对所述铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息；
构建铜管复绕评估模型，得到铜管复绕评估的标准指标；
将待检测的所述铜管复绕特征信息和所述铜管复绕图像分割信息输入所述铜管复绕评估模型中，获得铜管复绕评估结果。
2.根据权利要求1所述的铜管精整复绕的评估方法，其特征在于，所述通过所述铜管复绕特征决策树对所述铜管复绕数据信息进行分类，获得铜管复绕特征信息，包括：
将需要分类的所述铜管复绕数据信息进行整理；
获取与所述铜管复绕特征决策树中使用的特征相对应的特征值；
其中，特征值为所述铜管复绕特征决策树中使用的特征相对应的具体取值；
通过所述铜管复绕特征决策树的分支和判断条件判断所述铜管复绕数据信息是否满足所述特征值，并获得判断结果；
根据所述判断结果确定所述铜管复绕数据信息在所述铜管复绕特征决策树的分支上的路径，直到叶子节点；
其中，所述特征值和判断条件在所述分支的节点上；
根据所述叶子节点的分类标签确认所述铜管复绕数据信息所属类别，获得所述铜管复绕特征信息。
3.根据权利要求2所述的铜管精整复绕的评估方法，其特征在于，所述构建铜管复绕特征决策树包括：
选择不同所述铜管复绕数据信息构建决策树节点；
根据选定的所述铜管复绕数据信息将数据集划分为不同的子集，每个子集对应于所述铜管复绕数据信息的一个取值；
对每个子集，重复上述步骤，选择最佳的所述铜管复绕数据信息作为所述特征值来构建子节点；
将最合适的铜管复绕特征类别作为所述叶节点的分类标签，完成所述铜管复绕特征决策树的构建。
4.根据权利要求1所述的铜管精整复绕的评估方法，其特征在于，对所述铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息，包括：
对所述铜管复绕图像进行预处理；
设置所述有限元分割的特定区域，并将处理后的所述铜管复绕图像按所述特定区域进行网格划分；
根据网格划分结果定义对应的所述铜管复绕材料相关的材料属性；
通过所述网格划分和相应的材料属性形成离散的有限元网络模型；
通过所述有限元网络模型获得所述铜管复绕图像分割信息。
5.根据权利要求1所述的铜管精整复绕的评估方法，其特征在于，所述构建铜管复绕评估模型，得到铜管复绕评估的标准指标，包括：
整理和准备所述铜管复绕特征信息、所述铜管复绕图像分割信息以及与铜管复绕质量的评估指标，用于构建评估模型的数据集；
根据所收集到的所述数据集，选择最合适的信息和指标用于评估模型的构建；
根据评估铜管复绕质量的实际要求，构建铜管复绕评估的卷积神经网络模型并对构建好的所述卷积神经网络模型进行测试，获得所述铜管复绕评估的标准指标。
6.根据权利要求1所述的铜管精整复绕的评估方法，其特征在于，所述铜管复绕评估模型为双通道设计的卷积神经网络模型，所述双通道为数据信息处理通道和图像信息处理通道。
7.根据权利要求6所述的铜管精整复绕的评估方法，其特征在于，所述将所述铜管复绕特征信息和所述铜管复绕图像信息输入所述铜管复绕评估模型中，获得铜管复绕评估结果，包括：
将所述铜管复绕特征信息和所述铜管复绕图像信息分别输入所述数据信息处理通道和所述图像信息处理通道；
对所述数据处理通道进行特征提取，获得第一特征信息；
对所述图像信息处理通道进行图像处理，捕捉关键的视觉特征，获得第二特征信息；
将所述第一特征信息和所述第二特征信息进行组合，获得融合特征信息；
将所述特征融合信息经过全连接层和输出层进行处理和预测，得到铜管复绕评估结果。
8.根据权利要求7所述的铜管精整复绕的评估方法，其特征在于，将所述特征融合信息经过全连接层和输出层进行处理和预测，得到铜管复绕评估结果，包括：
通过所述融合特征信息得到一个特征向量或特征矩阵；
将所述特征向量或特征矩阵作为输入，通过所述全连接层进行神经网络的前向传播；
在所述全连接层之后，添加一个所述输出层，通过所述输出层对铜管进行复绕评估预测；
将所述复绕评估预测和所述铜管复绕评估的标准指标进行比较，得到所述铜管复绕评估结果。
9.一种铜管精整复绕的评估系统，其特征在于，所述系统包括：
特征信息模块，获取铜管复绕数据信息，并构建铜管复绕特征决策树，通过所述铜管复绕特征决策树对所述铜管复绕数据信息进行分类，获得铜管复绕特征信息；
图像分割模块，获取铜管复绕图像信息，并对所述铜管复绕图像信息进行有限元分割，获得铜管复绕图像分割信息；
模型构建模块，构建铜管复绕评估模型，得到铜管复绕评估的标准指标；
复绕评估模块，将待检测的所述铜管复绕特征信息和所述铜管复绕图像分割信息输入所述铜管复绕评估模型中，获得铜管复绕评估结果。
10.根据权利要求9所述的铜管精整复绕的评估系统，其特征在于，所述模型构建模块，包括：
数据集构建单元，整理和准备所述铜管复绕特征信息、所述铜管复绕图像分割信息以及与铜管复绕质量的评估指标，用于构建评估模型的数据集；
特征选取单元，根据所收集到的所述数据集，选择最合适的信息和指标用于评估模型的构建；
模型测试单元，根据评估铜管复绕质量的实际要求，构建铜管复绕评估的卷积神经网络模型并对构建好的所述卷积神经网络模型进行测试，获得所述铜管复绕评估的标准指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310926365.6A CN116933185A (zh) | 2023-07-26 | 2023-07-26 | 一种铜管精整复绕的评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310926365.6A CN116933185A (zh) | 2023-07-26 | 2023-07-26 | 一种铜管精整复绕的评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116933185A true CN116933185A (zh) | 2023-10-24 |
Family
ID=88387578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310926365.6A Pending CN116933185A (zh) | 2023-07-26 | 2023-07-26 | 一种铜管精整复绕的评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933185A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004157814A (ja) * | 2002-11-07 | 2004-06-03 | Fuji Electric Holdings Co Ltd | 決定木生成方法およびモデル構造生成装置 |
| CN102260804A (zh) * | 2011-07-26 | 2011-11-30 | 中色奥博特铜铝业有限公司 | 一种改善紫铜管加工性能的熔炼方法 |
| CN114693659A (zh) * | 2022-04-07 | 2022-07-01 | 海门市创睿机械有限公司 | 基于图像处理的铜管表面清洗效果评估方法及系统 |
| CN116226726A (zh) * | 2023-05-04 | 2023-06-06 | 济南东方结晶器有限公司 | 一种结晶器铜管的应用性能评估方法、系统、设备及介质 |
| CN116432482A (zh) * | 2023-03-03 | 2023-07-14 | 沈阳理工大学 | 一种铜管水平连铸温度场在线计算方法 |
| CN116452588A (zh) * | 2023-06-15 | 2023-07-18 | 苏州松德激光科技有限公司 | 一种焊接质量评估方法及系统 |
-
2023
- 2023-07-26 CN CN202310926365.6A patent/CN116933185A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004157814A (ja) * | 2002-11-07 | 2004-06-03 | Fuji Electric Holdings Co Ltd | 決定木生成方法およびモデル構造生成装置 |
| CN102260804A (zh) * | 2011-07-26 | 2011-11-30 | 中色奥博特铜铝业有限公司 | 一种改善紫铜管加工性能的熔炼方法 |
| CN114693659A (zh) * | 2022-04-07 | 2022-07-01 | 海门市创睿机械有限公司 | 基于图像处理的铜管表面清洗效果评估方法及系统 |
| CN116432482A (zh) * | 2023-03-03 | 2023-07-14 | 沈阳理工大学 | 一种铜管水平连铸温度场在线计算方法 |
| CN116226726A (zh) * | 2023-05-04 | 2023-06-06 | 济南东方结晶器有限公司 | 一种结晶器铜管的应用性能评估方法、系统、设备及介质 |
| CN116452588A (zh) * | 2023-06-15 | 2023-07-18 | 苏州松德激光科技有限公司 | 一种焊接质量评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| ZHANG, GD: "A Manganin Thin Film Ultra-High Pressure Sensor for Microscale Detonation Pressure Measurement", SENSORS, vol. 18, no. 3, pages 736 * |
| 周力行;: "一种新型紫铜管加工工艺探究", 世界有色金属, no. 08, pages 182 - 183 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114896437B (zh) | 基于可用域的遥感影像推荐方法 | |
| CN114693942A (zh) | 一种仪器仪表智能运维的多模态故障理解及辅助标注方法 | |
| CN113779260B (zh) | 一种基于预训练模型的领域图谱实体和关系联合抽取方法及系统 | |
| CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN114155213A (zh) | 基于主动学习的芯片缺陷检测方法和装置 | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| CN117095754B (zh) | 一种利用机器学习进行蛋白质分类的方法 | |
| CN112287689B (zh) | 一种司法二审案情辅助分析方法及系统 | |
| CN111291189B (zh) | 一种文本处理方法、设备及计算机可读存储介质 | |
| CN112287674A (zh) | 企业间同名大节点识别方法、系统、电子设备及存储介质 | |
| CN116933185A (zh) | 一种铜管精整复绕的评估方法及系统 | |
| CN116432053A (zh) | 基于模态交互深层超图神经网络的多模态数据表示方法 | |
| CN114218487B (zh) | 一种视频推荐方法、系统、装置及存储介质 | |
| CN116051159A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
| CN115730248A (zh) | 一种机器账号检测方法、系统、设备及存储介质 | |
| CN109165587A (zh) | 智能图像信息抽取方法 | |
| CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
| CN114627076A (zh) | 一种联合主动学习和深度学习技术的工业检测方法 | |
| CN113869194A (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及系统 | |
| CN114153975A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN111476357A (zh) | 基于三重融合卷积gru的共享单车需求预测方法 | |
| CN111078882A (zh) | 一种文本情感测量方法和装置 | |
| CN116957166B (zh) | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 | |
| CN116843368B (zh) | 基于arma模型的营销数据处理方法 | |
| CN115457540B (zh) | 点云目标检测模型的构建方法、目标检测标注方法及装置 |
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 |