CN117217627B - 基于机器学习的汽车零部件生产质量优化方法及系统 - Google Patents
基于机器学习的汽车零部件生产质量优化方法及系统 Download PDFInfo
- Publication number
- CN117217627B CN117217627B CN202311486885.6A CN202311486885A CN117217627B CN 117217627 B CN117217627 B CN 117217627B CN 202311486885 A CN202311486885 A CN 202311486885A CN 117217627 B CN117217627 B CN 117217627B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- quality
- stage
- automobile part
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 164
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000011176 pooling Methods 0.000 claims abstract description 62
- 238000013441 quality evaluation Methods 0.000 claims abstract description 51
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000004913 activation Effects 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000012886 linear function Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000001303 quality assessment method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了基于机器学习的汽车零部件生产质量优化方法及系统,方法包括数据采集、数据预处理、零部件表面质量评估、零部件多阶段质量预测和汽车零部件生产质量优化。本发明涉及汽车零部件生产质量优化技术领域,具体是指基于机器学习的汽车零部件生产质量优化方法及系统,采用基于多尺度细节对比度增强算法的特征信息增强方法,提高了数据的质量,提高了任务的整体准确率;采用结合特征金字塔和空间金字塔池化的卷积神经网络进行汽车零部件表面质量评估,提高了汽车零部件表面质量评估地效率和自动性;采用多阶段多任务联合深度学习模型,进行零部件多阶段质量预测,提高了多任务生产质量预测的可行性和有效性。
Description
技术领域
本发明涉及汽车零部件生产质量优化技术领域,具体是指基于机器学习的汽车零部件生产质量优化方法及系统。
背景技术
基于机器学习的汽车零部件生产质量优化方法是利用机器学习算法和技术,在汽车零部件生产过程中对数据进行分析和预测,以优化生产质量、减少缺陷和废品率的方法,这项技术的应用可以帮助汽车制造商实现对零部件生产质量的监控和预测,提高质量控制效率,减少缺陷和废品率。
但是,在已有的汽车零部件生产质量优化方法中,存在着用于质量评估的图像数据的缺陷区域和背景区域的对比度低,难以突出缺陷区域的特征信息的技术问题;在已有的汽车零部件生产质量优化方法中,存在着经典算法在进行质量评估时存在缺陷检测效率较低且自动性能较低的技术问题;在已有的汽车零部件生产质量优化方法中,存在着缺少一种能面向多任务、多阶段的生产进而进行生产质量预测的方法的技术问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于机器学习的汽车零部件生产质量优化方法及系统,针对在已有的汽车零部件生产质量优化方法中,存在着用于质量评估的图像数据的缺陷区域和背景区域的对比度低,难以突出缺陷区域的特征信息的技术问题,本方案创造性地采用基于多尺度细节对比度增强算法的特征信息增强方法,提高了用于汽车零部件质量评估的数据的质量,提高了任务的整体准确率;针对在已有的汽车零部件生产质量优化方法中,存在着经典算法在进行质量评估时存在缺陷检测效率较低且自动性能较低的技术问题,本方案创造性地采用结合特征金字塔和空间金字塔池化的卷积神经网络进行汽车零部件表面质量评估,提高了汽车零部件表面质量评估地效率和自动性,实现了快速和准确的质量评估;针对在已有的汽车零部件生产质量优化方法中,存在着缺少一种能面向多任务、多阶段的生产进而进行生产质量预测的方法的技术问题,本方案创造性地采用多阶段多任务联合深度学习模型,进行零部件多阶段质量预测,探索了面向复杂的生产任务过程和任务数据时,进行多阶段多任务预测的可能性,提高了多任务生产质量预测的可行性和有效性。
本发明采取的技术方案如下:本发明提供的基于机器学习的汽车零部件生产质量优化方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:零部件表面质量评估;
步骤S4:零部件多阶段质量预测;
步骤S5:汽车零部件生产质量优化。
进一步地,在步骤S1中,所述数据采集,用于收集汽车零部件生产数据,具体为通过多种传感器、摄像机和生产信息系统从汽车零部件生产线中通过采集得到生产质量优化原始数据,所述生产质量优化原始数据包括传感器数据、图像数据、时序数据和操作日志数据。
进一步地,在步骤S2中,所述数据预处理,用于对生产质量优化数据中的图像数据进行数据增强,具体为采用基于多尺度细节对比度增强算法的特征信息增强方法,对所述生产质量优化原始数据中的图像数据进行数据增强,得到特征增强汽车零部件图像数据,所述特征增强汽车零部件图像数据,具体指细节增强图像数据,包括以下步骤:
步骤S21:计算局部均值,具体为计算所述图像数据中每个像素的局部均值,计算公式为:
式中,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,n是水平方向像素总数,m是垂直方向像素总数,s是水平方向像素索引,k是垂直方向像素索引,(s,k)是用于计算局部均值的图像像素矩阵坐标点,f()是像素值计算函数;
步骤S22:计算局部标准差,计算所述图像数据中每个像素的局部标准差,计算公式为:
式中,σ2(i,j)是每个像素的局部方差,σ(i,j)是每个像素的局部标准差,i是像素点水平坐标索引,j是像素点垂直坐标索引,n是水平方向像素总数,m是垂直方向像素总数,s是水平方向像素索引,k是垂直方向像素索引,(s,k)是用于计算局部均值的图像像素矩阵坐标点,f()是像素值计算函数;
步骤S23:图像特征增强,具体为采用多尺度高斯滤波器进行改进滤波,并对多层细节特征信息赋予权重,进行图像增强,所述图像特征增强的计算公式为:
式中,I(i,j)是增强像素值,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,f(i,j)是点(i,j)的像素值,G是图像增强参数,α是图像增强参数控制系数,其中,所述图像增强参数控制系数α的取值范围为(0,1),σ(i,j)是每个像素的局部标准差;
步骤S24:多尺度图像细节对比度增强,包括以下步骤:
步骤S241:采用具有不同大小的模糊核的多尺度高斯滤波器,进行图像滤波;
步骤S242:从原始图像中减去多个尺度的频域信息,用于获取多层次细节特征信息;
步骤S243:对多层次细节特征信息赋予不同的权重,并将所述权重与图像的均值进行融合,得到细节增强图像数据,所述将所述权重与图像的均值进行融合的计算公式为:
式中,I′(i,j)是细节增强后的像素值,用于构成细节增强图像数据,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,N是所述多尺度高斯滤波器的尺度总数,n是尺度索引,In(i,j)是尺度为n的增强后像素,f(i,j)是点(i,j)的像素值,Fn(i,j)是尺度为n的高斯滤波器,ωn是尺度为n的特征信息权重。
进一步地,在步骤S3中,所述零部件表面质量评估,用于从汽车零部件图像数据中检测汽车零部件的表面缺陷,具体为采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估,得到汽车零部件表面质量检测信息;
所述结合特征金字塔和空间金字塔池化的卷积神经网络,包括基本骨干网络、特征金字塔网络、空间金字塔池化层和预测检测层;
所述基本骨干网络,用于从输入的图像中提取特征,包括输入层、卷积层、残差注意力层和输出层,所述卷积层包括基本卷积、归一化结构和激活函数;
所述特征金字塔网络,用于进行特征融合处理细节信息丢失问题;
所述空间金字塔池化层,用于增加预测模型对不同尺度特征的适用性;
所述预测检测层,用于执行零部件表面质量评估操作;
所述采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估,得到汽车零部件表面质量检测图的步骤,包括:
步骤S31:构建基本骨干网络,包括以下步骤:
步骤S311:构建输入层,具体为通过线性插值算法修改所述细节增强图像数据的大小,得到输入图像,构建所述输入层;
步骤S312:构建卷积层,具体为通过构建基本卷积、归一化结构和激活函数构建所述卷积层,所述归一化结构用于对特征图进行归一化和标准化处理,所述激活函数具体为参数修正线性函数,所述参数修正线性函数的计算公式为:
式中,PReLU()是参数修正线性函数,xi′是输入图像,i′是图像索引,pi′是可学习修正参数;
步骤S313:构建残差注意力层,具体为通过构建全局池化层、两个全连接层和S型激活函数构建所述残差注意力层;
步骤S314:构建输出层,具体为通过计算基本骨干网络输出构建所述输出层,计算公式为:
yi′=F(xi′,Wi′)+xi′;
式中,yi′是基本骨干网络输出,所述基本骨干网络输出,具体指特征图数据,F()是卷积操作,xi′是输入图像,i′是图像索引,Wi′是卷积权重;
步骤S32:构建特征金字塔网络,具体为构建三层特征金字塔结构对所述基本骨干网络输出的特征图数据进行特征融合操作,并采用所述参数修正线性函数作为激活函数;
步骤S33:构建空间金字塔池化层,具体为通过在所述三层特征金字塔结构中添加空间金字塔池化层结构,构建所述构建空间金字塔池化层,所述空间金字塔池化层,具体为最大池化操作和串联操作的组合运算,用于确保输入图像和输出图像的连接关系;
步骤S34:构建预测检测层,具体为通过设置阈值过滤掉置信度较低的预测结果,并通过非极大值抑制方法消除冗余的预测值,构建所述预测检测层;
步骤S35:质量评估模型训练,具体为通过所述构建基本骨干网络、所述构建特征金字塔网络、所述构建空间金字塔池化层和所述构建预测检测层,得到质量评估模型ModelMP;
步骤S36:零部件表面质量评估,具体为采用所述质量评估模型ModelMP依据所述增强图像数据进行零部件表面质量评估,得到汽车零部件表面质量检测信息。
进一步地,在步骤S4中,所述零部件多阶段质量预测,用于依据传感器数据对汽车零部件的多阶段生产质量进行预测,具体为采用多阶段多任务联合深度学习模型,对所述生产质量优化原始数据进行零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告;
所述多阶段多任务联合深度学习模型,包括多尺度卷积神经网络、控制门网络、深度多任务质量预测网路和多级损失;
所述多尺度卷积神经网络,用于提取中间混合传播特征,所述中间混合传播特征,用于进行深度多任务质量预测;
所述控制门网络,用于计算中间混合传播特征的混合比例,并获取深度多任务质量预测的数据特征;
所述深度多任务质量预测网络,用于依据提取和传播获得的数据特征构建深度多任务质量预测模型;
所述多级损失,用于构建各级损失,具体为依据各级损失的加权和,组成所述多级损失;
所述采用多阶段多任务联合深度学习模型,对所述生产质量优化原始数据进行零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告的步骤,包括:
步骤S41:构建多尺度卷积神经网络,包括以下步骤:
步骤S411:构造多尺度卷积层,具体为计算卷积层输出,构造所述多尺度卷积层,所述卷积层输出的计算公式为:
式中,I1是卷积层输出,fσ()是激活函数,其中,所述激活函数的计算公式为fσ(x)=max(0,x),l是当前卷积层的序号索引,d是输入数据索引,是学习权重,表示第l层卷积层在k阶段,输入d数据的学习权重,/>是偏置项,表示第l层卷积层在k阶段,输入d数据的偏置项,/>是卷积操作,I1-1是前一层卷积层的输出;
步骤S412:构造多尺度池化层,具体为对所述卷积层输出进行最大池化操作,得到所述多尺度池化层,所述最大池化操作的计算公式为:
式中,z是池化层输出,poolH×H()是最大池化操作函数,H是池化大小,f′σ()是激活函数,其中,所述激活函数的计算公式为fσ(x)=max(0,x),W是卷积核,X是池化层的输入数据,用于表示所述卷积层输出I1,B是池化层偏置项;
步骤S413:通过构建所述多尺度卷积层和所述多尺度池化层,进行中间混合特征提取,得到中间混合特征;
步骤S42:构建控制门网络,具体为构建控制门,传递所述中间混合特征,并通过控制门激活函数激活,所述控制门激活函数的计算公式为:
式中,fc是控制门激活函数,exp()是以e为底的自然对数,xc是控制门网络的输入数据;
步骤S43:构建深度多任务质量预测网络,具体为采用共享深度神经网络进行深度多任务质量预测网络构建,包括以下步骤:
步骤S431:构建共享层,具体为构建三层共享层神经网络,用于将深度多任务质量预测网络的参数进行任务间共享;
步骤S432:采用注意力门网络确定三层共享层神经网络的共享权重,并用于进行多任务联合预测;
步骤S433:多任务联合预测,用于依据实际汽车零部件生产阶段进行至少三个任务的多任务联合生产质量预测;
步骤S44:构建多级损失,计算公式为:
式中,L是多级损失,N是任务总数,其中,任务总数N为3,i″是任务数索引,λi″是第i个任务的平衡参数,Li″是第i个任务的损失函数;
步骤S45:质量预测模型训练,具体为通过所述构建多尺度卷积神经网络、所述构建控制门网络、所述构建深度多任务质量预测网络和所述构建多级损失进行质量预测模型训练,得到多阶段质量预测模型ModelMC;
步骤S46:零部件多阶段质量预测,具体为采用所述多阶段质量预测模型ModelMC,依据所述生产质量优化原始数据中的传感器数据、时序数据和操作日志数据进行多阶段质量预测,得到汽车零部件多阶段生产质量预测报告。
进一步地,在步骤S5中,所述汽车零部件生产质量优化,用于依据汽车零部件已有的质量检测信息和预测得到的质量预测报告进行汽车零部件生产质量优化,具体为依据所述汽车零部件表面质量检测信息和所述汽车零部件多阶段生产质量预测报告进行汽车零部件生产质量优化改进,得到优化生产方案。
本发明提供的基于机器学习的汽车零部件生产质量优化系统,包括数据采集模块、数据预处理模块、零部件表面质量评估模块、零部件多阶段质量预测模块和汽车零部件生产质量优化模块;
所述数据采集模块,用于收集汽车零部件生产数据,通过数据采集,得到生产质量优化原始数据,并将所述生产质量优化原始数据发送至数据预处理模块和零部件多阶段质量预测模块;
所述数据预处理模块,用于对生产质量优化数据中的图像数据进行数据增强,通过数据增强,得到特征增强汽车零部件图像数据,并将所述特征增强汽车零部件图像数据发送至零部件表面质量评估模块;
所述零部件表面质量评估模块,用于从汽车零部件图像数据中检测汽车零部件的表面缺陷,通过汽车零部件表面质量评估,得到汽车零部件表面质量检测信息,并将所述汽车零部件表面质量检测信息发送至汽车零部件生产质量优化模块;
所述零部件多阶段质量预测模块,用于依据传感器数据对汽车零部件的多阶段生产质量进行预测,通过零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告,并将所述汽车零部件多阶段生产质量预测报告发送至汽车零部件生产质量优化模块;
所述汽车零部件生产质量优化模块,用于依据汽车零部件已有的质量检测信息和预测得到的质量预测报告进行汽车零部件生产质量优化,通过汽车零部件生产质量优化改进,得到优化生产方案。
采用上述方案本发明取得的有益效果如下:
(1)针对在已有的汽车零部件生产质量优化方法中,存在着用于质量评估的图像数据的缺陷区域和背景区域的对比度低,难以突出缺陷区域的特征信息的技术问题,本方案创造性地采用基于多尺度细节对比度增强算法的特征信息增强方法,提高了用于汽车零部件质量评估的数据的质量,提高了任务的整体准确率;
(2)针对在已有的汽车零部件生产质量优化方法中,存在着经典算法在进行质量评估时存在缺陷检测效率较低且自动性能较低的技术问题,本方案创造性地采用结合特征金字塔和空间金字塔池化的卷积神经网络进行汽车零部件表面质量评估,提高了汽车零部件表面质量评估地效率和自动性,实现了快速和准确的质量评估;
(3)针对在已有的汽车零部件生产质量优化方法中,存在着缺少一种能面向多任务、多阶段的生产进而进行生产质量预测的方法的技术问题,本方案创造性地采用多阶段多任务联合深度学习模型,进行零部件多阶段质量预测,探索了面向复杂的生产任务过程和任务数据时,进行多阶段多任务预测的可能性,提高了多任务生产质量预测的可行性和有效性。
附图说明
图1为本发明提供的基于机器学习的汽车零部件生产质量优化方法的流程示意图;
图2为本发明提供的基于机器学习的汽车零部件生产质量优化系统的示意图;
图3为步骤S2的流程示意图;
图4为步骤S3的流程示意图;
图5为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明采取的技术方案如下:本发明提供的基于机器学习的汽车零部件生产质量优化方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:零部件表面质量评估;
步骤S4:零部件多阶段质量预测;
步骤S5:汽车零部件生产质量优化。
实施例二,参阅图1和图2,在步骤S1中,所述数据采集,用于收集汽车零部件生产数据,具体为通过多种传感器、摄像机和生产信息系统从汽车零部件生产线中通过采集得到生产质量优化原始数据,所述生产质量优化原始数据包括传感器数据、图像数据、时序数据和操作日志数据。
实施例三,参阅图1、图2和图3,该实施例基于上述实施例,在步骤S2中,所述数据预处理,用于对生产质量优化数据中的图像数据进行数据增强,具体为采用基于多尺度细节对比度增强算法的特征信息增强方法,对所述生产质量优化原始数据中的图像数据进行数据增强,得到特征增强汽车零部件图像数据,包括以下步骤:
步骤S21:计算局部均值,具体为计算所述图像数据中每个像素的局部均值,计算公式为:
式中,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,n是水平方向像素总数,m是垂直方向像素总数,s是水平方向像素索引,k是垂直方向像素索引,(s,k)是用于计算局部均值的图像像素矩阵坐标点,f()是像素值计算函数;
步骤S22:计算局部标准差,计算所述图像数据中每个像素的局部标准差,计算公式为:
式中,σ2(i,j)是每个像素的局部方差,σ(i,j)是每个像素的局部标准差,i是像素点水平坐标索引,j是像素点垂直坐标索引,n是水平方向像素总数,m是垂直方向像素总数,s是水平方向像素索引,k是垂直方向像素索引,(s,k)是用于计算局部均值的图像像素矩阵坐标点,f()是像素值计算函数;
步骤S23:图像特征增强,具体为采用多尺度高斯滤波器进行改进滤波,并对多层细节特征信息赋予权重,进行图像增强,所述图像特征增强的计算公式为:
式中,I(i,j)是增强像素值,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,f(i,j)是点(i,j)的像素值,G是图像增强参数,α是图像增强参数控制系数,其中,所述图像增强参数控制系数α的取值范围为(0,1),σ(i,j)是每个像素的局部标准差;
步骤S24:多尺度图像细节对比度增强,包括以下步骤:
步骤S241:采用具有不同大小的模糊核的多尺度高斯滤波器,进行图像滤波;
步骤S242:从原始图像中减去多个尺度的频域信息,用于获取多层次细节特征信息;
步骤S243:对多层次细节特征信息赋予不同的权重,并将所述权重与图像的均值进行融合,得到细节增强图像数据,所述将所述权重与图像的均值进行融合的计算公式为:
式中,I′(i,j)是细节增强后的像素值,用于构成细节增强图像数据,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,N是所述多尺度高斯滤波器的尺度总数,n是尺度索引,In(i,j)是尺度为n的增强后像素,f(i,j)是点(i,j)的像素值,Fn(i,j)是尺度为n的高斯滤波器,ωn是尺度为n的特征信息权重。
通过执行上述操作,针对在已有的汽车零部件生产质量优化方法中,存在着用于质量评估的图像数据的缺陷区域和背景区域的对比度低,难以突出缺陷区域的特征信息的技术问题,本方案创造性地采用基于多尺度细节对比度增强算法的特征信息增强方法,提高了用于汽车零部件质量评估的数据的质量,提高了任务的整体准确率。
实施例四,参阅图1、图2和图4,该实施例基于上述实施例,在步骤S3中,所述零部件表面质量评估,用于从汽车零部件图像数据中检测汽车零部件的表面缺陷,具体为采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估,得到汽车零部件表面质量检测信息;
所述结合特征金字塔和空间金字塔池化的卷积神经网络,包括基本骨干网络、特征金字塔网络、空间金字塔池化层和预测检测层;
所述基本骨干网络,用于从输入的图像中提取特征,包括输入层、卷积层、残差注意力层和输出层,所述卷积层包括基本卷积、归一化结构和激活函数;
所述特征金字塔网络,用于进行特征融合处理细节信息丢失问题;
所述空间金字塔池化层,用于增加预测模型对不同尺度特征的适用性;
所述预测检测层,用于执行零部件表面质量评估操作;
所述采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估,得到汽车零部件表面质量检测图的步骤,包括:
步骤S31:构建基本骨干网络,包括以下步骤:
步骤S311:构建输入层,具体为通过线性插值算法修改所述细节增强图像数据的大小,得到输入图像,构建所述输入层;
步骤S312:构建卷积层,具体为通过构建基本卷积、归一化结构和激活函数构建所述卷积层,所述归一化结构用于对特征图进行归一化和标准化处理,所述激活函数具体为参数修正线性函数,所述参数修正线性函数的计算公式为:
式中,PReLU()是参数修正线性函数,xi′是输入图像,i′是图像索引,pi′是可学习修正参数;
步骤S313:构建残差注意力层,具体为通过构建全局池化层、两个全连接层和S型激活函数构建所述残差注意力层;
步骤S314:构建输出层,具体为通过计算基本骨干网络输出构建所述输出层,计算公式为:
yi′=F(xi′,Wi′)+xi′;
式中,yi′是基本骨干网络输出,所述基本骨干网络输出,具体指特征图数据,F()是卷积操作,xi′是输入图像,i′是图像索引,Wi′是卷积权重;
步骤S32:构建特征金字塔网络,具体为构建三层特征金字塔结构对所述基本骨干网络输出的特征图数据进行特征融合操作,并采用所述参数修正线性函数作为激活函数;
步骤S33:构建空间金字塔池化层,具体为通过在所述三层特征金字塔结构中添加空间金字塔池化层结构,构建所述构建空间金字塔池化层,所述空间金字塔池化层,具体为最大池化操作和串联操作的组合运算,用于确保输入图像和输出图像的连接关系;
步骤S34:构建预测检测层,具体为通过设置阈值过滤掉置信度较低的预测结果,并通过非极大值抑制方法消除冗余的预测值,构建所述预测检测层;
步骤S35:质量评估模型训练,具体为通过所述构建基本骨干网络、所述构建特征金字塔网络、所述构建空间金字塔池化层和所述构建预测检测层,得到质量评估模型ModelMP;
步骤S36:零部件表面质量评估,具体为采用所述质量评估模型ModelMP依据所述增强图像数据进行零部件表面质量评估,得到汽车零部件表面质量检测信息。
通过执行上述操作,针对在已有的汽车零部件生产质量优化方法中,存在着经典算法在进行质量评估时存在缺陷检测效率较低且自动性能较低的技术问题,本方案创造性地采用结合特征金字塔和空间金字塔池化的卷积神经网络进行汽车零部件表面质量评估,提高了汽车零部件表面质量评估地效率和自动性,实现了快速和准确的质量评估。
实施例五,参阅图1、图2和图5,该实施例基于上述实施例,在步骤S4中,所述零部件多阶段质量预测,用于依据传感器数据对汽车零部件的多阶段生产质量进行预测,具体为采用多阶段多任务联合深度学习模型,对所述生产质量优化原始数据进行零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告;
所述多阶段多任务联合深度学习模型,包括多尺度卷积神经网络、控制门网络、深度多任务质量预测网路和多级损失;
所述多尺度卷积神经网络,用于提取中间混合传播特征,所述中间混合传播特征,用于进行深度多任务质量预测;
所述控制门网络,用于计算中间混合传播特征的混合比例,并获取深度多任务质量预测的数据特征;
所述深度多任务质量预测网络,用于依据提取和传播获得的数据特征构建深度多任务质量预测模型;
所述多级损失,用于构建各级损失,具体为依据各级损失的加权和,组成所述多级损失;
所述采用多阶段多任务联合深度学习模型,对所述生产质量优化原始数据进行零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告的步骤,包括:
步骤S41:构建多尺度卷积神经网络,包括以下步骤:
步骤S411:构造多尺度卷积层,具体为计算卷积层输出,构造所述多尺度卷积层,所述卷积层输出的计算公式为:
式中,I1是卷积层输出,fσ()是激活函数,其中,所述激活函数的计算公式为fσ(x)=max(0,x),l是当前卷积层的序号索引,d是输入数据索引,是学习权重,表示第l层卷积层在k阶段,输入d数据的学习权重,/>是偏置项,表示第l层卷积层在k阶段,输入d数据的偏置项,/>是卷积操作,Il-1是前一层卷积层的输出;
步骤S412:构造多尺度池化层,具体为对所述卷积层输出进行最大池化操作,得到所述多尺度池化层,所述最大池化操作的计算公式为:
式中,z是池化层输出,poolH×H()是最大池化操作函数,H是池化大小,fσ()是激活函数,其中,所述激活函数的计算公式为fσ(x)=max(0,x),W是卷积核,X是池化层的输入数据,用于表示所述卷积层输出I1,B是池化层偏置项;
步骤S413:通过构建所述多尺度卷积层和所述多尺度池化层,进行中间混合特征提取,得到中间混合特征;
步骤S42:构建控制门网络,具体为构建控制门,传递所述中间混合特征,并通过控制门激活函数激活,所述控制门激活函数的计算公式为:
式中,fc是控制门激活函数,exp()是以e为底的自然对数,xc是控制门网络的输入数据;
步骤S43:构建深度多任务质量预测网络,具体为采用共享深度神经网络进行深度多任务质量预测网络构建,包括以下步骤:
步骤S431:构建共享层,具体为构建三层共享层神经网络,用于将深度多任务质量预测网络的参数进行任务间共享;
步骤S432:采用注意力门网络确定三层共享层神经网络的共享权重,并用于进行多任务联合预测;
步骤S433:多任务联合预测,用于依据实际汽车零部件生产阶段进行至少三个任务的多任务联合生产质量预测;
步骤S44:构建多级损失,计算公式为:
式中,L是多级损失,N是任务总数,其中,任务总数N为3,i″是任务数索引,λi″是第i个任务的平衡参数,Li″是第i个任务的损失函数;
步骤S45:质量预测模型训练,具体为通过所述构建多尺度卷积神经网络、所述构建控制门网络、所述构建深度多任务质量预测网络和所述构建多级损失进行质量预测模型训练,得到多阶段质量预测模型ModelMC;
步骤S46:零部件多阶段质量预测,具体为采用所述多阶段质量预测模型ModelMC,依据所述生产质量优化原始数据中的传感器数据、时序数据和操作日志数据进行多阶段质量预测,得到汽车零部件多阶段生产质量预测报告。
通过执行上述操作,针对在已有的汽车零部件生产质量优化方法中,存在着缺少一种能面向多任务、多阶段的生产进而进行生产质量预测的方法的技术问题,本方案创造性地采用多阶段多任务联合深度学习模型,进行零部件多阶段质量预测,探索了面向复杂的生产任务过程和任务数据时,进行多阶段多任务预测的可能性,提高了多任务生产质量预测的可行性和有效性。
实施例六,参阅图1和图2,该实施例基于上述实施例,在步骤S5中,所述汽车零部件生产质量优化,用于依据汽车零部件已有的质量检测信息和预测得到的质量预测报告进行汽车零部件生产质量优化,具体为依据所述汽车零部件表面质量检测信息和所述汽车零部件多阶段生产质量预测报告进行汽车零部件生产质量优化改进,得到优化生产方案。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的基于机器学习的汽车零部件生产质量优化系统,包括数据采集模块、数据预处理模块、零部件表面质量评估模块、零部件多阶段质量预测模块和汽车零部件生产质量优化模块;
所述数据采集模块,用于收集汽车零部件生产数据,通过数据采集,得到生产质量优化原始数据,并将所述生产质量优化原始数据发送至数据预处理模块和零部件多阶段质量预测模块;
所述数据预处理模块,用于对生产质量优化数据中的图像数据进行数据增强,通过数据增强,得到特征增强汽车零部件图像数据,并将所述特征增强汽车零部件图像数据发送至零部件表面质量评估模块;
所述零部件表面质量评估模块,用于从汽车零部件图像数据中检测汽车零部件的表面缺陷,通过汽车零部件表面质量评估,得到汽车零部件表面质量检测信息,并将所述汽车零部件表面质量检测信息发送至汽车零部件生产质量优化模块;
所述零部件多阶段质量预测模块,用于依据传感器数据对汽车零部件的多阶段生产质量进行预测,通过零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告,并将所述汽车零部件多阶段生产质量预测报告发送至汽车零部件生产质量优化模块;
所述汽车零部件生产质量优化模块,用于依据汽车零部件已有的质量检测信息和预测得到的质量预测报告进行汽车零部件生产质量优化,通过汽车零部件生产质量优化改进,得到优化生产方案。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (10)
1.基于机器学习的汽车零部件生产质量优化方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:零部件表面质量评估;
步骤S4:零部件多阶段质量预测;
步骤S5:汽车零部件生产质量优化
在步骤S1中,通过数据采集,得到生产质量优化原始数据,所述生产质量优化原始数据包括传感器数据、图像数据、时序数据和操作日志数据;
在步骤S2中,所述数据预处理,用于对生产质量优化数据中的图像数据进行数据增强,具体为采用基于多尺度细节对比度增强算法的特征信息增强方法,对所述生产质量优化原始数据中的图像数据进行数据增强,得到特征增强汽车零部件图像数据,所述特征增强汽车零部件图像数据,具体指细节增强图像数据,包括以下步骤:
步骤S21:计算局部均值;
步骤S22:计算局部标准差;
步骤S23:图像特征增强;
步骤S24:多尺度图像细节对比度增强;
在步骤S3中,所述零部件表面质量评估,用于从汽车零部件图像数据中检测汽车零部件的表面缺陷,具体为采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估,得到汽车零部件表面质量检测信息;
所述结合特征金字塔和空间金字塔池化的卷积神经网络,包括基本骨干网络、特征金字塔网络、空间金字塔池化层和预测检测层;
所述基本骨干网络,用于从输入的图像中提取特征,包括输入层、卷积层、残差注意力层和输出层,所述卷积层包括基本卷积、归一化结构和激活函数;
所述特征金字塔网络,用于进行特征融合处理细节信息丢失问题;
所述空间金字塔池化层,用于增加预测模型对不同尺度特征的适用性;
所述预测检测层,用于执行零部件表面质量评估操作。
2.根据权利要求1所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:在步骤S21中,所述计算局部均值,具体为计算所述图像数据中每个像素的局部均值,计算公式为:
式中,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,n是水平方向像素总数,m是垂直方向像素总数,s是水平方向像素索引,k是垂直方向像素索引,(s,k)是用于计算局部均值的图像像素矩阵坐标点,f()是像素值计算函数;
在步骤S22中,所述计算局部标准差,计算所述图像数据中每个像素的局部标准差,计算公式为:
式中,σ2(i,j)是每个像素的局部方差,σ(i,j)是每个像素的局部标准差,i是像素点水平坐标索引,j是像素点垂直坐标索引,n是水平方向像素总数,m是垂直方向像素总数,s是水平方向像素索引,k是垂直方向像素索引,(s,k)是用于计算局部均值的图像像素矩阵坐标点,f()是像素值计算函数;
在步骤S23中,所述图像特征增强,具体为采用多尺度高斯滤波器进行改进滤波,并对多层细节特征信息赋予权重,进行图像增强,所述图像特征增强的计算公式为:
式中,I(i,j)是增强像素值,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,f(i,j)是点(i,j)的像素值,G是图像增强参数,α是图像增强参数控制系数,其中,所述图像增强参数控制系数α的取值范围为(0,1),σ(i,j)是每个像素的局部标准差。
3.根据权利要求1所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:在步骤S24中,多尺度图像细节对比度增强,包括以下步骤:
步骤S241:采用具有不同大小的模糊核的多尺度高斯滤波器,进行图像滤波;
步骤S242:从原始图像中减去多个尺度的频域信息,用于获取多层次细节特征信息;
步骤S243:对多层次细节特征信息赋予不同的权重,并将所述权重与图像的均值进行融合,得到细节增强图像数据,所述将所述权重与图像的均值进行融合的计算公式为:
式中,I′(i,j)是细节增强后的像素值,用于构成细节增强图像数据,M(i,j)是每个像素的局部均值,i是像素点水平坐标索引,j是像素点垂直坐标索引,N是所述多尺度高斯滤波器的尺度总数,n是尺度索引,In(i,j)是尺度为n的增强后像素,f(i,j)是点(i,j)的像素值,Fn(i,j)是尺度为n的高斯滤波器,ωn是尺度为n的特征信息权重。
4.根据权利要求3所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:所述采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估,得到汽车零部件表面质量检测图的步骤,包括:
步骤S31:构建基本骨干网络,包括以下步骤:
步骤S311:构建输入层,具体为通过线性插值算法修改所述细节增强图像数据的大小,得到输入图像,构建所述输入层;
步骤S312:构建卷积层,具体为通过构建基本卷积、归一化结构和激活函数构建所述卷积层,所述归一化结构用于对特征图进行归一化和标准化处理,所述激活函数具体为参数修正线性函数,所述参数修正线性函数的计算公式为:
式中,PReLU()是参数修正线性函数,xi′是输入图像,i′是图像索引,pi′是可学习修正参数;
步骤S313:构建残差注意力层,具体为通过构建全局池化层、两个全连接层和S型激活函数构建所述残差注意力层;
步骤S314:构建输出层,具体为通过计算基本骨干网络输出构建所述输出层,计算公式为:
yi′=F(xi′,Wi′)+xi′;
式中,yi′是基本骨干网络输出,所述基本骨干网络输出,具体指特征图数据,F()是卷积操作,xi′是输入图像,i′是图像索引,Wi′是卷积权重;
步骤S32:构建特征金字塔网络,具体为构建三层特征金字塔结构对所述基本骨干网络输出的特征图数据进行特征融合操作,并采用所述参数修正线性函数作为激活函数;
步骤S33:构建空间金字塔池化层,具体为通过在所述三层特征金字塔结构中添加空间金字塔池化层结构,构建所述构建空间金字塔池化层,所述空间金字塔池化层,具体为最大池化操作和串联操作的组合运算,用于确保输入图像和输出图像的连接关系;
步骤S34:构建预测检测层,具体为通过设置阈值过滤掉置信度较低的预测结果,并通过非极大值抑制方法消除冗余的预测值,构建所述预测检测层;
步骤S35:质量评估模型训练,具体为通过所述构建基本骨干网络、所述构建特征金字塔网络、所述构建空间金字塔池化层和所述构建预测检测层,得到质量评估模型ModelMP;
步骤S36:零部件表面质量评估,具体为采用所述质量评估模型ModelMP依据所述增强图像数据进行零部件表面质量评估,得到汽车零部件表面质量检测信息。
5.根据权利要求4所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:在步骤S4中,所述零部件多阶段质量预测,用于依据传感器数据对汽车零部件的多阶段生产质量进行预测,具体为采用多阶段多任务联合深度学习模型,对所述生产质量优化原始数据进行零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告;
所述多阶段多任务联合深度学习模型,包括多尺度卷积神经网络、控制门网络、深度多任务质量预测网路和多级损失;
所述多尺度卷积神经网络,用于提取中间混合传播特征,所述中间混合传播特征,用于进行深度多任务质量预测;
所述控制门网络,用于计算中间混合传播特征的混合比例,并获取深度多任务质量预测的数据特征;
所述深度多任务质量预测网络,用于依据提取和传播获得的数据特征构建深度多任务质量预测模型;
所述多级损失,用于构建各级损失,具体为依据各级损失的加权和,组成所述多级损失。
6.根据权利要求5所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:在步骤S4中,所述采用多阶段多任务联合深度学习模型,对所述生产质量优化原始数据进行零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告的步骤,包括:
步骤S41:构建多尺度卷积神经网络,包括以下步骤:
步骤S411:构造多尺度卷积层,具体为计算卷积层输出,构造所述多尺度卷积层,所述卷积层输出的计算公式为:
式中,Il是卷积层输出,fσ()是激活函数,其中,所述激活函数的计算公式为fσ(x)=max(0,x),l是当前卷积层的序号索引,d是输入数据索引,是学习权重,表示第l层卷积层在k阶段,输入d数据的学习权重,/>是偏置项,表示第l层卷积层在k阶段,输入d数据的偏置项,/>是卷积操作,Il-1是前一层卷积层的输出;
步骤S412:构造多尺度池化层,具体为对所述卷积层输出进行最大池化操作,得到所述多尺度池化层,所述最大池化操作的计算公式为:
式中,z是池化层输出,poolH×H()是最大池化操作函数,H是池化大小,fσ()是激活函数,其中,所述激活函数的计算公式为fσ(x)=max(0,x),W是卷积核,X是池化层的输入数据,用于表示所述卷积层输出Il,B是池化层偏置项;
步骤S413:通过构建所述多尺度卷积层和所述多尺度池化层,进行中间混合特征提取,得到中间混合特征;
步骤S42:构建控制门网络,具体为构建控制门,传递所述中间混合特征,并通过控制门激活函数激活,所述控制门激活函数的计算公式为:
式中,fc是控制门激活函数,exp()是以e为底的自然对数,xc是控制门网络的输入数据;
步骤S43:构建深度多任务质量预测网络,具体为采用共享深度神经网络进行深度多任务质量预测网络构建,包括以下步骤:
步骤S431:构建共享层,具体为构建三层共享层神经网络,用于将深度多任务质量预测网络的参数进行任务间共享;
步骤S432:采用注意力门网络确定三层共享层神经网络的共享权重,并用于进行多任务联合预测;
步骤S433:多任务联合预测,用于依据实际汽车零部件生产阶段进行至少三个任务的多任务联合生产质量预测;
步骤S44:构建多级损失,计算公式为:
式中,L是多级损失,N是任务总数,其中,任务总数N为3,i″是任务数索引,λi″是第i个任务的平衡参数,Li″是第i个任务的损失函数;
步骤S45:质量预测模型训练,具体为通过所述构建多尺度卷积神经网络、所述构建控制门网络、所述构建深度多任务质量预测网络和所述构建多级损失进行质量预测模型训练,得到多阶段质量预测模型ModelMC;
步骤S46:零部件多阶段质量预测,具体为采用所述多阶段质量预测模型ModelMC,依据所述生产质量优化原始数据中的传感器数据、时序数据和操作日志数据进行多阶段质量预测,得到汽车零部件多阶段生产质量预测报告。
7.根据权利要求6所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:在步骤S5中,所述汽车零部件生产质量优化,用于依据汽车零部件已有的质量检测信息和预测得到的质量预测报告进行汽车零部件生产质量优化,具体为依据所述汽车零部件表面质量检测信息和所述汽车零部件多阶段生产质量预测报告进行汽车零部件生产质量优化改进,得到优化生产方案。
8.根据权利要求7所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:在步骤S1中,所述数据采集,用于收集汽车零部件生产数据,具体为通过多种传感器、摄像机和生产信息系统从汽车零部件生产线中通过采集得到生产质量优化原始数据,所述生产质量优化原始数据包括传感器数据、图像数据、时序数据和操作日志数据。
9.基于机器学习的汽车零部件生产质量优化系统,用于实现如权利要求1-8中任一项所述的基于机器学习的汽车零部件生产质量优化方法,其特征在于:包括数据采集模块、数据预处理模块、零部件表面质量评估模块、零部件多阶段质量预测模块和汽车零部件生产质量优化模块。
10.根据权利要求9所述的基于机器学习的汽车零部件生产质量优化系统,其特征在于:所述数据采集模块,用于收集汽车零部件生产数据,通过数据采集,得到生产质量优化原始数据,并将所述生产质量优化原始数据发送至数据预处理模块和零部件多阶段质量预测模块;
所述数据预处理模块,用于对生产质量优化数据中的图像数据进行数据增强,通过数据增强,得到特征增强汽车零部件图像数据,并将所述特征增强汽车零部件图像数据发送至零部件表面质量评估模块;
所述零部件表面质量评估模块,用于从汽车零部件图像数据中检测汽车零部件的表面缺陷,通过汽车零部件表面质量评估,得到汽车零部件表面质量检测信息,并将所述汽车零部件表面质量检测信息发送至汽车零部件生产质量优化模块;
所述零部件多阶段质量预测模块,用于依据传感器数据对汽车零部件的多阶段生产质量进行预测,通过零部件多阶段质量预测,得到汽车零部件多阶段生产质量预测报告,并将所述汽车零部件多阶段生产质量预测报告发送至汽车零部件生产质量优化模块;
所述汽车零部件生产质量优化模块,用于依据汽车零部件已有的质量检测信息和预测得到的质量预测报告进行汽车零部件生产质量优化,通过汽车零部件生产质量优化改进,得到优化生产方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486885.6A CN117217627B (zh) | 2023-11-09 | 2023-11-09 | 基于机器学习的汽车零部件生产质量优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486885.6A CN117217627B (zh) | 2023-11-09 | 2023-11-09 | 基于机器学习的汽车零部件生产质量优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217627A CN117217627A (zh) | 2023-12-12 |
CN117217627B true CN117217627B (zh) | 2024-02-06 |
Family
ID=89046711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311486885.6A Active CN117217627B (zh) | 2023-11-09 | 2023-11-09 | 基于机器学习的汽车零部件生产质量优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217627B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852948B (zh) * | 2023-12-21 | 2024-06-21 | 山东理工职业学院 | 基于人工智能的汽车生产监管方法及系统 |
CN117521271B (zh) * | 2024-01-04 | 2024-04-05 | 珠海本色成型成像材料研究院有限公司 | 一种3d模型生成系统 |
CN118154995A (zh) * | 2024-05-10 | 2024-06-07 | 国网安徽省电力有限公司电力科学研究院 | 基于时频关联自适应学习模型的图像质量裂化评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898419A (zh) * | 2020-06-17 | 2020-11-06 | 西安交通大学 | 基于级联深度卷积神经网络的分区滑坡检测系统及方法 |
CN111931781A (zh) * | 2020-08-10 | 2020-11-13 | 商汤集团有限公司 | 图像处理方法及装置、电子设备和存储介质 |
KR102206792B1 (ko) * | 2019-12-26 | 2021-01-22 | 고려대학교 산학협력단 | 병렬 특징 피라미드를 이용한 네트워크 영상 내 잡음 제거 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN115861380A (zh) * | 2023-02-16 | 2023-03-28 | 深圳市瓴鹰智能科技有限公司 | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 |
CN116524312A (zh) * | 2023-04-28 | 2023-08-01 | 中国人民解放军国防科技大学 | 一种基于注意力融合特征金字塔网络的红外小目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136136B (zh) * | 2019-05-27 | 2022-02-08 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
-
2023
- 2023-11-09 CN CN202311486885.6A patent/CN117217627B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102206792B1 (ko) * | 2019-12-26 | 2021-01-22 | 고려대학교 산학협력단 | 병렬 특징 피라미드를 이용한 네트워크 영상 내 잡음 제거 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN111898419A (zh) * | 2020-06-17 | 2020-11-06 | 西安交通大学 | 基于级联深度卷积神经网络的分区滑坡检测系统及方法 |
CN111931781A (zh) * | 2020-08-10 | 2020-11-13 | 商汤集团有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN115861380A (zh) * | 2023-02-16 | 2023-03-28 | 深圳市瓴鹰智能科技有限公司 | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 |
CN116524312A (zh) * | 2023-04-28 | 2023-08-01 | 中国人民解放军国防科技大学 | 一种基于注意力融合特征金字塔网络的红外小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117217627A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117217627B (zh) | 基于机器学习的汽车零部件生产质量优化方法及系统 | |
Meijer et al. | A defect classification methodology for sewer image sets with convolutional neural networks | |
Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
Chae et al. | Neuro-fuzzy approaches for sanitary sewer pipeline condition assessment | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN115238850A (zh) | 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法 | |
Yu et al. | Corrosion and coating defect assessment of coal handling and preparation plants (CHPP) using an ensemble of deep convolutional neural networks and decision-level data fusion | |
CN117349797B (zh) | 基于人工智能的飞机故障检测方法及系统 | |
CN114332749B (zh) | 一种基于深度学习的采砂船采砂监控方法 | |
CN110008947A (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
JP2019096255A (ja) | 下水道管渠内水位予測装置、下水道管渠内水位予測方法及び下水道管渠内水位予測プログラム | |
CN117351440B (zh) | 基于开放式文本检测的半监督船舶检测方法及系统 | |
CN112241844B (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
CN116385969B (zh) | 基于多摄像头协同和人类反馈的人员聚集检测系统 | |
CN116343039A (zh) | 一种环境监测方法及装置 | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 | |
CN114783593A (zh) | 基于机器学习的肾脏疾病自动检测的方法和系统 | |
CN114882375A (zh) | 一种尾矿库智能识别方法和装置 | |
CN113658274A (zh) | 用于灵长类动物种群行为分析的个体间距自动计算方法 | |
CN112861689A (zh) | 一种基于nas技术的坐标识别模型的搜索方法及装置 | |
CN114022586B (zh) | 一种基于对抗生成网络的缺陷图像生成方法 | |
CN117669008B (zh) | 一种基于深度学习的地基沉降预测方法及系统 | |
CN116385530B (zh) | 一种基于物联网技术的河湖漂浮物目标识别方法 | |
CN117853817B (zh) | 一种基于图像识别的智慧社区垃圾分类报警管理方法 | |
CN112396648B (zh) | 一种可定位目标物质心的目标识别方法和系统 |
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 |