CN117333726A - 基于深度学习的石英晶体切割异常监测方法、系统及装置 - Google Patents
基于深度学习的石英晶体切割异常监测方法、系统及装置 Download PDFInfo
- Publication number
- CN117333726A CN117333726A CN202311628325.XA CN202311628325A CN117333726A CN 117333726 A CN117333726 A CN 117333726A CN 202311628325 A CN202311628325 A CN 202311628325A CN 117333726 A CN117333726 A CN 117333726A
- Authority
- CN
- China
- Prior art keywords
- cutting
- video data
- quartz crystal
- abnormality detection
- abnormal
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 308
- 230000005856 abnormality Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 96
- 239000013078 crystal Substances 0.000 title claims abstract description 85
- 239000010453 quartz Substances 0.000 title claims abstract description 85
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 44
- 238000012937 correction Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000003754 machining Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 8
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000000306 recurrent effect Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 239000012776 electronic material Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (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)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的石英晶体切割异常监测方法、系统及装置,方法包括获取连续的石英晶体切割过程图像帧组成视频序列,捕捉石英晶体切割过程中的初始视频数据;对初始视频数据进行预处理得到视频数据;基于视频数据,通过深度学习算法模型提取表示切割特征信息;基于随机异常监测模块构建切割异常检测预训练模型,基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型,基于标记阈值设置单元寻找最佳切割标记阈值,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据,本发明实现自动检测和识别石英晶体切割过程异常情况,及早发现石英晶体切割错误。
Description
技术领域
本发明涉及异常监测技术领域,且更具体地涉及一种基于深度学习的石英晶体切割异常监测方法、系统及装置。
背景技术
石英晶体切割过程异常监测方法的作用是用于检测和监控石英晶体切割过程中的异常情况,以确保产品质量和生产效率,具体而言,石英晶体是一种重要的电子材料,在半导体、光电子、通信等领域有广泛应用,在制备石英晶体器件时,切割过程是一个关键的工序,异常情况可能会导致以下问题,1、切割质量问题:异常情况可能影响切割精度和表面质量,导致产品尺寸偏差或表面缺陷,从而降低产品的性能和可靠性;2、生产效率问题:异常情况可能导致切割过程中断或停滞,增加生产时间和成本。因此,石英晶体切割过程异常监测方法的作用包括但不限于以下几个方面:1、实时监测:通过采集和分析实时数据,可以对切割过程进行实时监测,并及时发现任何异常情况;2、异常检测:利用传感器、图像处理、机器学习等技术手段,对关键参数(如温度、压力、速度、切割力等)进行监测和分析,以检测异常情况;3、报警和处理:一旦发现异常情况,系统可以及时发出报警信号,通知相关人员采取相应的处理措施,如停机、调整设备参数等;4、数据分析和优化:对异常数据进行统计和分析,可以帮助识别潜在问题的原因,并进行工艺优化,以提高切割质量和生产效率。总之,石英晶体切割过程异常监测方法的作用是确保切割过程稳定、高效,并提供准确的反馈信息,以帮助优化工艺并提高产品质量。
现有技术中,石英晶体切割过程异常监测方法存在很多弊端,一方面,缺少视频数据预处理方法对采集到的视频数据进行预处理,导致视频数据特征提取不够准确,不能从预处理后的视频数据中精准获得特征信息,另一方面,缺少切割异常检测模型自动检测和识别视频数据中的切割异常情况,不能及早发现石英晶体切割错误,不能快速地触发报警,导致运维人员不能及时了解石英晶体切割错误信息,因此,本发明提出一种基于深度学习的石英晶体切割异常监测方法,旨在提供一种能够自动检测和识别石英晶体切割过程异常的石英晶体切割过程异常监测方法。
发明内容
针对上述技术的不足,本发明公开一种基于深度学习的石英晶体切割异常监测方法、系统及装置,视频数据预处理方法通过视频去噪模块、视频降采样模块和色彩校正模块对采集到的视频数据进行预处理,解决缺少视频数据预处理方法对采集到的视频数据进行预处理问题,深度学习算法从预处理后的视频数据中提取和表示切割特征信息,解决不能从预处理后的视频数据中精准获得特征信息问题,随机异常监测模块通过模型创建单元、标记阈值设置单元和模型应用单元实现石英晶体切割过程异常监测,解决不能及早发现石英晶体切割错误问题,声光报警器采用异常数据触发机制及时触发报警,解决运维人员不能及时了解石英晶体切割错误信息问题。
分析有鉴于此,本发明提供了一种基于深度学习的石英晶体切割异常监测方法:包括以下步骤:
获取连续的石英晶体切割过程图像帧组成视频序列,捕捉石英晶体切割过程中的初始视频数据;
对所述初始视频数据进行预处理,所述预处理包括视频去噪、视频降采样和色彩校正,得到视频数据;
基于视频数据,通过深度学习算法模型提取表示切割特征信息,所述切割特征信息至少包括切削力、切削速度、加工尺寸偏差和刀具磨损情况,其中,所述深度学习算法模型包括特征提取单元和特征表示单元,所述特征提取单元的输出作为所述特征表示单元的输入;
基于随机异常监测模块构建切割异常检测预训练模型,所述随机异常监测模块包括模型创建单元、标记阈值设置单元及模型应用单元,基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型,基于标记阈值设置单元寻找最佳切割标记阈值,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据。
作为一种可实施方式,采用降噪算法对所述初始视频数据进行视频去噪,所述降噪算法通过小波变换对视频数据帧进行阈值处理来去除初始视频数据噪声,所述视频降采样模块通过空间域下采样降低初始视频数据的分辨率和帧率,所述空间域下采样通过4:3的标准分辨率比例控制降采样比例,所述色彩校正模块采用色彩矫正矩阵对初始视频数据进行颜色校正,所述色彩矫正矩阵通过调整红、绿和蓝三个颜色通道的增益和偏移量来实现颜色校正。
作为一种可实施方式,所述特征提取单元基于循环神经网络实现切割特征信息提取,所述循环神经网络通过在网络中引入循环连接捕捉视频数据序列中的时序依赖关系,得到时序依赖关系上的切割特征信息,所述特征表示单元通过特征向量化将视频数据的切割特征信息所对应的特征向量串联形成向量组,所述向量组作为整个视频数据的切割特征信息表示。
作为一种可实施方式,所述模型创建单元包括样本构建单元和模型训练单元,所述样本构建单元的输出端与所述模型训练单元的输入端连接,所述样本构建单元采用特征分类机制将切割特征信息进行分类形成异常训练集和正常训练集,所述异常训练集和正常训练集应用高斯模糊到视频数据中模拟切割特征信息,识别在视频数据中丢失的切割特征信息,进行数据增强操作。
作为一种可实施方式,所述模型训练单元通过梯度下降方法实现切割异常检测模型的建立和优化,所述梯度下降方法通过马尔可夫决策过程的强化学习对异常训练集和正常训练集进行迭代学习,得到初始切割异常检测模型,所述初始切割异常检测模型通过反向传播算法将损失函数的梯度从输出层往输入层进行反向传播,所述初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解,获得最终的切割异常检测模型,所述切割异常检测模型收敛最优解计算公式为:
其中,表示切割异常检测模型收敛最优解,/>表示随机梯度下降规则的学习率,/>表示损失函数的梯度,x表示输出层往输入层进行反向传播的权重梯度,c表示迭代学习的频数。
作为一种可实施方式,所述标记阈值设置单元采用遗传优化算法寻找最佳切割标记阈值,所述遗传优化算法通过石英晶体正常切割数据定义适应度函数,所述适应度函数通过交叉操作生成待更新的切割适应度,所述适应度函数再通过初始化种群对待更新的切割适应度进行迭代更新,最终迭代更新的切割适应度作为最佳切割标记阈值,所述最佳切割标记阈值计算公式为:
其中,表示最佳切割标记阈值,/>表示迭代更新的次数,/>表示石英晶体正常切割数据的加工尺寸偏差,/>表示石英晶体正常切割数据的切削力,/>表示石英晶体正常切割数据的切削速度,/>表示石英晶体正常切割数据的切割时间。
作为一种可实施方式,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据,包括以下步骤:
所述切割异常检测模型通过视频切割算法将预处理后的视频数据每一帧视频进行切割形成数据帧,所述切割异常检测模型通过时间序列分析对数据帧进行时域分析,所述时间序列分析采用目标偏离函数计算得到数据帧的异常指标,所述异常指标计算公式为:
其中,表示异常指标值,/>表示数据帧数量,/>表示数据帧的时间区间大小,/>表示数据帧中石英晶体切割的切削力,/>表示数据帧中石英晶体切割的切削速度;
所述切割异常检测模型根据数据帧的异常指标与最佳切割标记阈值比较实现石英晶体切割过程异常检测,所述数据帧的异常指标大于所述最佳切割标记阈值,所述数据帧的视频数据判定为异常,所述切割异常检测模型使用二进制标记异常视频数据,1表示异常视频数据,0表示正常视频数据;
所述切割异常检测模型通过关联规则挖掘比较异常视频数据与正常视频数据在切割特征信息的差异,挖掘异常视频数据的异常切割特征信息,所述关联规则挖掘通过分析异常切割特征信息中的频繁项集识别异常切割行为。
作为一种可实施方式,还包括以下步骤:
基于异常数据触发机制及计数器触发方法记录异常视频数据数量,计数器初始化为0,所述计数器计数为1时,所述计数器触发方法通过自适应反馈触发声光报警器报警。
一种基于深度学习的石英晶体切割异常监测系统,包括图像处理模块、预处理模块、特征提取模块及随机异常监测模块;
所述图像处理模块,用于获取连续的石英晶体切割过程图像帧组成视频序列,捕捉石英晶体切割过程中的初始视频数据;
所述预处理模块,用于对所述初始视频数据进行预处理,所述预处理包括视频去噪、视频降采样和色彩校正,得到视频数据;
所述特征提取模块,基于视频数据,通过深度学习算法模型提取表示切割特征信息,所述切割特征信息至少包括切削力、切削速度、加工尺寸偏差和刀具磨损情况,其中,所述深度学习算法模型包括特征提取单元和特征表示单元,所述特征提取单元的输出作为所述特征表示单元的输入;
所述随机异常监测模块,基于随机异常监测模块构建切割异常检测预训练模型,所述随机异常监测模块包括模型创建单元、标记阈值设置单元及模型应用单元,基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型,基于标记阈值设置单元寻找最佳切割标记阈值,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的方法。
一种基于深度学习的石英晶体切割异常监测装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法。
本发明区别于现有技术的积极有益效果:
本发明视频数据预处理方法通过视频去噪模块、视频降采样模块和色彩校正模块对采集到的视频数据进行预处理,提高后续切割特征信息提取的准确性,深度学习算法从预处理后的视频数据中提取和表示切割特征信息,实现从预处理后的视频数据中精准获得特征信息,随机异常监测模块通过模型创建单元、标记阈值设置单元和模型应用单元实现石英晶体切割过程异常监测,能够自动检测和识别视频数据中的切割异常情况,及早发现石英晶体切割错误,声光报警器采用异常数据触发机制及时触发报警,实现运维人员及时了解石英晶体切割错误信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明一种基于深度学习的石英晶体切割异常监测方法流程图;
图2为本发明模型应用单元的工作流程图;
图3为本发明深度学习算法的结构示意图;
图4为本发明随机异常监测模块的结构示意图。
具体实施方式
下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例1:
一种基于深度学习的石英晶体切割异常监测方法,如图1所示,所述方法包括如下步骤:
S100、获取连续的石英晶体切割过程图像帧组成视频序列,捕捉石英晶体切割过程中的初始视频数据;
S200、对所述初始视频数据进行预处理,所述预处理包括视频去噪、视频降采样和色彩校正,得到视频数据;
S300、基于视频数据,通过深度学习算法模型提取表示切割特征信息,所述切割特征信息至少包括切削力、切削速度、加工尺寸偏差和刀具磨损情况,其中,所述深度学习算法模型包括特征提取单元和特征表示单元,所述特征提取单元的输出作为所述特征表示单元的输入;
S400、基于随机异常监测模块构建切割异常检测预训练模型,所述随机异常监测模块包括模型创建单元、标记阈值设置单元及模型应用单元,基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型,基于标记阈值设置单元寻找最佳切割标记阈值,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据。
在进一步的实施例中,所述视频去噪模块采用降噪算法对初始视频数据进行处理,所述降噪算法通过小波变换对初始视频数据进行阈值处理来去除初始视频数据噪声,所述视频降采样模块通过空间域下采样降低初始视频数据的分辨率和帧率,所述空间域下采样通过4:3的标准分辨率比例控制降采样比例,所述色彩校正模块采用色彩矫正矩阵对初始视频数据进行颜色校正,所述色彩矫正矩阵通过调整红、绿和蓝三个颜色通道的增益和偏移量来实现颜色校正。
在具体实施例中,网络摄像头可以用于捕捉石英晶体切割过程中的视频数据,当网络摄像头连接到计算机或其他设备时,它可以实时采集石英晶体切割过程的图像帧并将其组成视频序列,在捕捉视频数据时,可以通过以下步骤进行操作:1、连接网络摄像头:将网络摄像头正确连接到计算机或其他设备上,并确保设备驱动程序已正确安装;2、打开视频采集软件:使用适当的视频采集软件(如OpenCV、FFmpeg等)打开摄像头设备;3、设置采集参数:根据需要,设置视频采集参数,如分辨率、帧率等,这些参数将决定最终生成的视频质量和文件大小;4、开始捕捉:通过调用相应的函数或方法,开始从摄像头中获取图像帧数据,并按照一定的时间间隔连续地获取图像帧;4、组成视频序列:将连续获取的图像帧按顺序组合起来,形成一个完整的视频序列,可以使用相应的库或工具来处理和保存生成的视频文件。
色彩矫正矩阵(Color Correction Matrix)是一种用于调整视频颜色的数学工具,它是一个3x3的矩阵,用来对红、绿、蓝三个颜色通道进行线性变换,从而实现颜色校正,色彩矫正矩阵中的每个元素代表了对应颜色通道的增益和偏移量。通过调整这些参数,可以改变图像中各个颜色通道的亮度和饱和度,从而达到修复或调整图像颜色的目的,在进行颜色校正时,可以使用以下步骤来计算和应用色彩矫正矩阵:1、提取参考图像中的颜色特征:从视频数据中提取出每个颜色通道(红、绿、蓝)的平均值,这些值将作为参考样本,用于与其他视频数据进行比较;2、比较待校正视频数据与参考视频数据:将待校正视频数据与参考视频数据进行比较,并计算出每个颜色通道的增益和偏移量;3、计算矫正矩阵:通过对比待校正视频数据和参考视频数据中相同区域的颜色特征,可以计算出一个变换矩阵,其中包括增益和偏移量,用于调整待校正视频数据的颜色;4、应用矫正矩阵:将计算得到的矫正矩阵应用于待校正视频数据的每个颜色通道,通过调整增益和偏移量来实现颜色校正,这样可以使视频数据中的颜色更加准确和真实。
在进一步的实施例中,所述特征提取单元采用循环神经网络实现切割特征信息提取,所述循环神经网络通过在网络中引入循环连接捕捉视频数据序列中的时序依赖关系,得到时序依赖关系上的切割特征信息,所述特征表示单元通过特征向量化将视频数据的切割特征信息所对应的特征向量串联形成向量组,所述向量组作为整个视频数据的切割特征信息表示。
在进一步的实施例中,所述模型创建单元包括样本构建单元和模型训练单元,所述样本构建单元的输出端与所述模型训练单元的输入端连接,所述样本构建单元采用特征分类机制将切割特征信息进行分类形成异常训练集和正常训练集,所述异常训练集和正常训练集应用高斯模糊到视频数据中模拟切割特征信息,识别在视频数据中丢失的切割特征信息,进行数据增强操作。
在进一步的实施例中,所述模型训练单元通过梯度下降方法实现切割异常检测模型的建立和优化,所述梯度下降方法通过马尔可夫决策过程的强化学习对异常训练集和正常训练集进行迭代学习,得到初始切割异常检测模型,所述初始切割异常检测模型通过反向传播算法将损失函数的梯度从输出层往输入层进行反向传播,所述初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解,获得最终的切割异常检测模型,所述切割异常检测模型收敛最优解计算公式为:
(1)
在公式(1)中,为切割异常检测模型收敛最优解,/>为随机梯度下降规则的学习率,/>为损失函数的梯度,x为输出层往输入层进行反向传播的权重梯度,c为迭代学习的频数。
在具体实施例中,循环神经网络(Recurrent Neural Network,RNN)是一种具有循环连接的神经网络结构,用于处理序列数据和时序依赖关系的模型,与传统的前馈神经网络不同,循环神经网络在每个时间步都接收输入,并将隐藏状态(hidden state)作为额外的信息传递给下一个时间步,这种循环连接使得网络能够捕捉到输入序列中的时序依赖关系,在处理视频数据时,循环神经网络可以通过在每个时间步骤中输入视频帧并利用之前时间步骤中计算得到的隐藏状态来建模视频数据的时序特性,通过这种方式,循环神经网络可以学习到视频数据中不同帧之间的相关性和演变规律,由于循环连接的存在,RNN 具有一种记忆能力,它能够将先前的信息存储在隐藏状态中,并在后续时间步骤中使用这些信息进行预测或分类任务,这使得 RNN 在处理具有长期依赖关系的序列数据时表现出色,循环神经网络是一种通过循环连接捕捉序列数据中时序依赖关系的神经网络模型,能够有效处理视频、文本、语音等具有时序性的数据。
马尔可夫决策过程的强化学习是一种机器学习方法,用于解决序列决策问题,它基于马尔可夫性质,通过在一个环境中进行交互式的学习和决策,使智能体能够在不确定性和动态变化的环境中做出最优的行动,在马尔可夫决策过程(Markov DecisionProcess, MDP)中,智能体通过观察当前状态来选择一个行动,并且会根据环境给予的奖励或惩罚来调整其行为,每个状态转移都有一个相关联的概率,表示从一个状态转移到另一个状态的可能性,马尔可夫性质指的是当前状态包含了过去所有状态的信息,强化学习旨在通过与环境进行交互来找到最优策略,使得智能体能够最大化累积奖励或最小化累积惩罚。这一过程通常使用价值函数或者Q值函数来评估每个状态-行动对的价值,并利用贝尔曼方程进行更新迭代,在异常检测领域中,使用马尔可夫决策过程强化学习方法可以将异常检测问题视为序列决策问题。通过在训练集中的正常样本和异常样本上进行迭代学习,智能体可以学习到最优的行动策略,从而得到一个初始的异常检测模型,具体来说,在训练过程中,智能体观察当前状态(例如输入特征向量),选择一个行动(例如判断该样本是否为异常),并根据环境给予的奖励或惩罚调整其行为。通过不断与环境交互、学习和优化,智能体逐步提升其异常检测能力,并得到一个初步的切割异常检测模型,初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解,实现初始切割异常检测模型优化,切割异常检测模型收敛最优解计算结果统计表如表1所示:
表1切割异常检测模型收敛最优解计算结果统计表
如表1所示,设置四个测试组,采用两种方法计算切割异常检测模型收敛最优解,方法1通过最小化损失函数使切割异常检测模型逐步接近最优解,方法2为初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解,方法1的误差大于方法2的误差,可知本发明初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解具有突出的技术效果。
在进一步的实施例中,所述标记阈值设置单元采用遗传优化算法寻找最佳切割标记阈值,所述遗传优化算法通过石英晶体正常切割数据定义适应度函数,所述适应度函数通过交叉操作生成待更新的切割适应度,所述适应度函数再通过初始化种群对待更新的切割适应度进行迭代更新,最终迭代更新的切割适应度作为最佳切割标记阈值,所述最佳切割标记阈值计算公式为:
(2)
在公式(2)中,为最佳切割标记阈值,/>为迭代更新的次数,/>为石英晶体正常切割数据的加工尺寸偏差,/>为石英晶体正常切割数据的切削力,/>为石英晶体正常切割数据的切削速度,/>为石英晶体正常切割数据的切割时间。
在具体实施例中,遗传优化算法(Genetic Algorithm, GA)是一种受到生物进化思想启发的优化算法,它模拟了自然界中的遗传、交叉和变异等基本操作,通过不断迭代和演化来寻找问题的最优解,遗传优化算法的基本思想是通过对候选解的编码、选择、交叉和变异等操作,以产生更好的候选解,遗传优化算法通过不断地迭代和演化,逐渐搜索到问题的最优解,其中,适应度函数的选择对算法的性能至关重要,它决定了每个候选解在进化过程中的生存概率,同时,交叉和变异操作能够引入新的候选解,并增加种群的多样性,有助于避免陷入局部最优解,相比于其他优化算法,遗传优化算法具有以下特点:1、并行处理能力:由于种群内个体之间是独立演化的,可以利用并行计算技术进行加速;2、全局搜索能力:通过保留较好个体和引入随机性操作,有较高概率在搜索空间中找到全局最优解;3、对问题结构无依赖性:遗传优化算法不对问题的具体结构做任何假设,在很多实际问题中都可以应用。切割异常检测模型使用适应度函数来评估待更新的切割适应度,并通过初始化种群对其进行迭代更新,最终迭代更新的切割适应度被认为是最佳的切割标记阈值,最佳切割标记阈值计算结果统计表如表2所示:
表2最佳切割标记阈值计算结果统计表
如表2所示,设置四个测试组,采用两种方法计算最佳切割标记阈值,方法3将视频数据进行聚类操作,然后根据不同类别之间的差异性来确定最佳切割标记阈值,方法4为适应度函数通过交叉操作生成待更新的切割适应度,适应度函数再通过初始化种群对待更新的切割适应度进行迭代更新,最终迭代更新的切割适应度作为最佳切割标记阈值,方法3的误差大于方法4的误差,可知本发明适应度函数通过交叉操作生成待更新的切割适应度,所述适应度函数再通过初始化种群对待更新的切割适应度进行迭代更新具有突出的技术效果。
在进一步的实施例中,如图2所示,所述模型应用单元的工作方法为:
S410、所述切割异常检测模型通过视频切割算法将预处理后的视频数据每一帧视频进行切割形成数据帧,所述切割异常检测模型通过时间序列分析对数据帧进行时域分析,所述时间序列分析采用目标偏离函数计算得到数据帧的异常指标,所述异常指标计算公式为:
(3)
在公式(3)中,为异常指标值,/>为数据帧数量,/>为数据帧的时间区间大小,/>为数据帧中石英晶体切割的切削力,/>为数据帧中石英晶体切割的切削速度;
S420、所述切割异常检测模型根据数据帧的异常指标与最佳切割标记阈值比较实现石英晶体切割过程异常检测,所述数据帧的异常指标大于所述最佳切割标记阈值,所述数据帧的视频数据判定为异常,所述切割异常检测模型使用二进制标记异常视频数据,1表示异常视频数据,0表示正常视频数据;
S430、所述切割异常检测模型通过关联规则挖掘比较异常视频数据与正常视频数据在切割特征信息的差异,挖掘异常视频数据的异常切割特征信息,所述关联规则挖掘通过分析异常切割特征信息中的频繁项集识别异常切割行为。
在具体实施例中,视频切割算法是指将预处理后的视频数据按照一定规则,将每一帧视频切割成数据帧的过程,这个过程通常包括以下几个步骤:1、视频解码:将原始视频数据进行解码,获取每一帧的像素信息和其他相关信息;2、帧间差分或关键帧提取:对连续的视频帧进行比较,通过计算相邻帧之间的差异或检测关键帧(例如场景变化较大的帧)来确定切割点;3、切割点选择:根据差异度、时间间隔等标准,选择适合切割点作为切割位置,常见的方法有基于阈值、基于运动向量、基于图像质量评估等;4、数据帧提取:在确定了切割点后,将视频数据按照这些切割点进行分段,并提取出每个数据帧;5、数据帧处理:对每个数据帧进行必要的处理,如去噪、调整大小、转换格式等。
目标偏离函数是时间序列分析中用于计算数据帧的异常指标,它主要用于衡量某个时间序列数据点与其所对应的预期值之间的差异程度,从而判断该数据点是否异常,根据目标偏离函数计算出来的差异值或误差,将其转化为异常指标,使用切割标记阈值来确定何种程度上被认为是异常,异常指标计算结果统计表如表3所示:
表3异常指标计算结果统计表
如表3所示,设置四个测试组,采用两种方法计算异常指标,方法5基于聚类分析:将数据帧划分为不同的簇或群组,并将离群簇或离群点视为异常指标,方法6为时间序列分析采用目标偏离函数计算得到数据帧的异常指标,方法5的误差大于方法6的误差,可知本发明时间序列分析采用目标偏离函数计算得到数据帧的异常指标具有突出的技术效果。
在进一步的实施例中,所述异常数据触发机制通过计数器触发方法记录异常视频数据数量,计数器初始化为0,所述计数器计数为1时,所述计数器触发方法通过自适应反馈触发声光报警器报警。
实施例2:
一种基于深度学习的石英晶体切割异常监测系统,包括图像处理模块、预处理模块、特征提取模块及随机异常监测模块;
所述图像处理模块,用于获取连续的石英晶体切割过程图像帧组成视频序列,捕捉石英晶体切割过程中的初始视频数据;
所述预处理模块,用于对所述初始视频数据进行预处理,所述预处理包括视频去噪、视频降采样和色彩校正,得到视频数据;
所述特征提取模块,基于视频数据,通过深度学习算法模型提取表示切割特征信息,所述切割特征信息至少包括切削力、切削速度、加工尺寸偏差和刀具磨损情况,其中,如图3所示,所述深度学习算法模型包括特征提取单元和特征表示单元,所述特征提取单元的输出作为所述特征表示单元的输入;
所述随机异常监测模块,基于随机异常监测模块构建切割异常检测预训练模型,如图4所示,所述随机异常监测模块包括模型创建单元、标记阈值设置单元及模型应用单元,基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型,基于标记阈值设置单元寻找最佳切割标记阈值,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型,所有等同的技术方案也属于本发明的范畴。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同、相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (11)
1.一种基于深度学习的石英晶体切割异常监测方法,其特征在于:包括以下步骤:
获取连续的石英晶体切割过程图像帧组成视频序列,捕捉石英晶体切割过程中的初始视频数据;
对所述初始视频数据进行预处理,所述预处理包括视频去噪、视频降采样和色彩校正,得到视频数据;
基于视频数据,通过深度学习算法模型提取表示切割特征信息,所述切割特征信息至少包括切削力、切削速度、加工尺寸偏差和刀具磨损情况,其中,所述深度学习算法模型包括特征提取单元和特征表示单元,所述特征提取单元的输出作为所述特征表示单元的输入;
基于随机异常监测模块构建切割异常检测预训练模型,所述随机异常监测模块包括模型创建单元、标记阈值设置单元及模型应用单元,基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型,基于标记阈值设置单元寻找最佳切割标记阈值,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据。
2.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法,其特征在于:采用降噪算法对所述初始视频数据进行视频去噪,所述降噪算法通过小波变换对视频数据帧进行阈值处理来去除初始视频数据噪声,所述视频降采样模块通过空间域下采样降低初始视频数据的分辨率和帧率,所述空间域下采样通过4:3的标准分辨率比例控制降采样比例,所述色彩校正模块采用色彩矫正矩阵对初始视频数据进行颜色校正,所述色彩矫正矩阵通过调整红、绿和蓝三个颜色通道的增益和偏移量来实现颜色校正。
3.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法,其特征在于:所述特征提取单元基于循环神经网络实现切割特征信息提取,所述循环神经网络通过在网络中引入循环连接捕捉视频数据序列中的时序依赖关系,得到时序依赖关系上的切割特征信息,所述特征表示单元通过特征向量化将视频数据的切割特征信息所对应的特征向量串联形成向量组,所述向量组作为整个视频数据的切割特征信息表示。
4.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法,其特征在于:所述模型创建单元包括样本构建单元和模型训练单元,所述样本构建单元的输出端与所述模型训练单元的输入端连接,所述样本构建单元采用特征分类机制将切割特征信息进行分类形成异常训练集和正常训练集,所述异常训练集和正常训练集应用高斯模糊到视频数据中模拟切割特征信息,识别在视频数据中丢失的切割特征信息,进行数据增强操作。
5.根据权利要求4所述的一种基于深度学习的石英晶体切割异常监测方法,其特征在于:所述模型训练单元通过梯度下降方法实现切割异常检测模型的建立和优化,所述梯度下降方法通过马尔可夫决策过程的强化学习对异常训练集和正常训练集进行迭代学习,得到初始切割异常检测模型,所述初始切割异常检测模型通过反向传播算法将损失函数的梯度从输出层往输入层进行反向传播,所述初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解,获得最终的切割异常检测模型,所述切割异常检测模型收敛最优解计算公式为:
其中,表示切割异常检测模型收敛最优解,/>表示随机梯度下降规则的学习率,/>表示损失函数的梯度,x表示输出层往输入层进行反向传播的权重梯度,c表示迭代学习的频数。
6.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法,其特征在于:所述标记阈值设置单元采用遗传优化算法寻找最佳切割标记阈值,所述遗传优化算法通过石英晶体正常切割数据定义适应度函数,所述适应度函数通过交叉操作生成待更新的切割适应度,所述适应度函数再通过初始化种群对待更新的切割适应度进行迭代更新,最终迭代更新的切割适应度作为最佳切割标记阈值,所述最佳切割标记阈值计算公式为:
其中,表示最佳切割标记阈值,/>表示迭代更新的次数,/>表示石英晶体正常切割数据的加工尺寸偏差,/>表示石英晶体正常切割数据的切削力,/>表示石英晶体正常切割数据的切削速度,/>表示石英晶体正常切割数据的切割时间。
7.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法,其特征在于:所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据,包括以下步骤:
所述切割异常检测模型通过视频切割算法将预处理后的视频数据每一帧视频进行切割形成数据帧,所述切割异常检测模型通过时间序列分析对数据帧进行时域分析,所述时间序列分析采用目标偏离函数计算得到数据帧的异常指标,所述异常指标计算公式为:
其中,表示异常指标值,/>表示数据帧数量,/>表示数据帧的时间区间大小,/>表示数据帧中石英晶体切割的切削力,/>表示数据帧中石英晶体切割的切削速度;
所述切割异常检测模型根据数据帧的异常指标与最佳切割标记阈值比较实现石英晶体切割过程异常检测,所述数据帧的异常指标大于所述最佳切割标记阈值,所述数据帧的视频数据判定为异常,所述切割异常检测模型使用二进制标记异常视频数据,1表示异常视频数据,0表示正常视频数据;
所述切割异常检测模型通过关联规则挖掘比较异常视频数据与正常视频数据在切割特征信息的差异,挖掘异常视频数据的异常切割特征信息,所述关联规则挖掘通过分析异常切割特征信息中的频繁项集识别异常切割行为。
8.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法,其特征在于:还包括以下步骤:
基于异常数据触发机制及计数器触发方法记录异常视频数据数量,计数器初始化为0,所述计数器计数为1时,所述计数器触发方法通过自适应反馈触发声光报警器报警。
9.一种基于深度学习的石英晶体切割异常监测系统,其特征在于,包括图像处理模块、预处理模块、特征提取模块及随机异常监测模块;
所述图像处理模块,用于获取连续的石英晶体切割过程图像帧组成视频序列,捕捉石英晶体切割过程中的初始视频数据;
所述预处理模块,用于对所述初始视频数据进行预处理,所述预处理包括视频去噪、视频降采样和色彩校正,得到视频数据;
所述特征提取模块,基于视频数据,通过深度学习算法模型提取表示切割特征信息,所述切割特征信息至少包括切削力、切削速度、加工尺寸偏差和刀具磨损情况,其中,所述深度学习算法模型包括特征提取单元和特征表示单元,所述特征提取单元的输出作为所述特征表示单元的输入;
所述随机异常监测模块,基于随机异常监测模块构建切割异常检测预训练模型,所述随机异常监测模块包括模型创建单元、标记阈值设置单元及模型应用单元,基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型,基于标记阈值设置单元寻找最佳切割标记阈值,所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的方法。
11.一种基于深度学习的石英晶体切割异常监测装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628325.XA CN117333726B (zh) | 2023-12-01 | 2023-12-01 | 基于深度学习的石英晶体切割异常监测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628325.XA CN117333726B (zh) | 2023-12-01 | 2023-12-01 | 基于深度学习的石英晶体切割异常监测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117333726A true CN117333726A (zh) | 2024-01-02 |
CN117333726B CN117333726B (zh) | 2024-03-01 |
Family
ID=89279615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311628325.XA Active CN117333726B (zh) | 2023-12-01 | 2023-12-01 | 基于深度学习的石英晶体切割异常监测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333726B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625997A (zh) * | 2020-05-27 | 2020-09-04 | 山东天岳先进材料科技有限公司 | 一种晶体切割工艺优化方法及装置 |
CN114550021A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市华汉伟业科技有限公司 | 基于特征融合的表面缺陷检测方法及设备 |
CN116141514A (zh) * | 2023-03-30 | 2023-05-23 | 上海天岳半导体材料有限公司 | 一种在线监测的晶体切割装置及切割方法 |
CN116168017A (zh) * | 2023-04-18 | 2023-05-26 | 南京信息工程大学 | 一种基于深度学习的pcb元件检测方法、系统及存储介质 |
CN116168033A (zh) * | 2023-04-25 | 2023-05-26 | 厦门福信光电集成有限公司 | 基于深度学习的晶圆晶格位错图像检测方法及系统 |
CN116385778A (zh) * | 2023-03-20 | 2023-07-04 | 同济大学 | 基于深度学习的小样本不平衡晶圆数据的缺陷分类方法 |
WO2023143950A1 (en) * | 2022-01-27 | 2023-08-03 | Carl Zeiss Smt Gmbh | Computer implemented method for the detection and classification of anomalies in an imaging dataset of a wafer, and systems making use of such methods |
CN116843950A (zh) * | 2023-06-01 | 2023-10-03 | 浙江晶盛机电股份有限公司 | 一种单晶硅拉晶复投检测方法、装置、设备及存储介质 |
WO2023186833A1 (en) * | 2022-03-28 | 2023-10-05 | Carl Zeiss Smt Gmbh | Computer implemented method for the detection of anomalies in an imaging dataset of a wafer, and systems making use of such methods |
-
2023
- 2023-12-01 CN CN202311628325.XA patent/CN117333726B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625997A (zh) * | 2020-05-27 | 2020-09-04 | 山东天岳先进材料科技有限公司 | 一种晶体切割工艺优化方法及装置 |
WO2023143950A1 (en) * | 2022-01-27 | 2023-08-03 | Carl Zeiss Smt Gmbh | Computer implemented method for the detection and classification of anomalies in an imaging dataset of a wafer, and systems making use of such methods |
WO2023186833A1 (en) * | 2022-03-28 | 2023-10-05 | Carl Zeiss Smt Gmbh | Computer implemented method for the detection of anomalies in an imaging dataset of a wafer, and systems making use of such methods |
CN114550021A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市华汉伟业科技有限公司 | 基于特征融合的表面缺陷检测方法及设备 |
CN116385778A (zh) * | 2023-03-20 | 2023-07-04 | 同济大学 | 基于深度学习的小样本不平衡晶圆数据的缺陷分类方法 |
CN116141514A (zh) * | 2023-03-30 | 2023-05-23 | 上海天岳半导体材料有限公司 | 一种在线监测的晶体切割装置及切割方法 |
CN116168017A (zh) * | 2023-04-18 | 2023-05-26 | 南京信息工程大学 | 一种基于深度学习的pcb元件检测方法、系统及存储介质 |
CN116168033A (zh) * | 2023-04-25 | 2023-05-26 | 厦门福信光电集成有限公司 | 基于深度学习的晶圆晶格位错图像检测方法及系统 |
CN116843950A (zh) * | 2023-06-01 | 2023-10-03 | 浙江晶盛机电股份有限公司 | 一种单晶硅拉晶复投检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
YUFEI XU 等: "modeling of temperature-frequency characteristics of crystal oscillator based on BP neural network", AINIT * |
余石龙 等: "基于误差注意力的晶圆制造数据异常检测", 中国机械工程, vol. 31, no. 14 * |
沈宗礼 等: "基于迁移学习与深度森林的晶圆图缺陷识别", 浙江大学学报(工学版), vol. 54, no. 6 * |
Also Published As
Publication number | Publication date |
---|---|
CN117333726B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190442B (zh) | 一种基于深度级联卷积神经网络的快速人脸检测方法 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN111429415B (zh) | 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法 | |
CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN112766429B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN109919032A (zh) | 一种基于动作预测的视频异常行为检测方法 | |
CN110929848A (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
CN115331172A (zh) | 一种基于监控视频的车间危险行为识别报警方法及系统 | |
CN113283368B (zh) | 一种模型训练方法、人脸属性分析方法、装置及介质 | |
WO2018107492A1 (zh) | 基于直觉模糊随机森林的目标跟踪方法及装置 | |
CN108268632A (zh) | 异常情报数据识别机器学习方法 | |
CN111931654A (zh) | 一种人员跟踪智能监测方法、系统和装置 | |
CN110084201A (zh) | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 | |
CN113011322A (zh) | 监控视频特定异常行为的检测模型训练方法及检测方法 | |
CN112149612A (zh) | 一种基于深度神经网络的海洋生物识别系统及识别方法 | |
CN114842371A (zh) | 一种无监督视频异常检测方法 | |
CN117193121B (zh) | 涂布机模头的控制系统 | |
CN117333726B (zh) | 基于深度学习的石英晶体切割异常监测方法、系统及装置 | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 | |
CN111496784B (zh) | 一种用于机器人智能化服务的空间环境识别方法及系统 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN114494441B (zh) | 基于深度学习的葡萄及其采摘点同步识别定位方法、装置 | |
Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
CN115374931A (zh) | 一种基于元对抗训练的深度神经网络鲁棒性增强方法 |
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 |