CN117349683B - 基于光谱数据的汽车配件涂装色差异常检测系统 - Google Patents
基于光谱数据的汽车配件涂装色差异常检测系统 Download PDFInfo
- Publication number
- CN117349683B CN117349683B CN202311641228.4A CN202311641228A CN117349683B CN 117349683 B CN117349683 B CN 117349683B CN 202311641228 A CN202311641228 A CN 202311641228A CN 117349683 B CN117349683 B CN 117349683B
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum data
- wave band
- band
- wave
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 230000003595 spectral effect Effects 0.000 title claims description 52
- 238000001228 spectrum Methods 0.000 claims abstract description 269
- 230000004044 response Effects 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000000576 coating method Methods 0.000 claims abstract description 35
- 239000011248 coating agent Substances 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 34
- 230000004043 responsiveness Effects 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001266 bandaging Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010422 painting Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000012431 wafers Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及光谱数据处理技术领域,提出了基于光谱数据的汽车配件涂装色差异常检测系统,包括:采集汽车配件涂装表面若干样品的光谱数据,以及若干样品多种属性的色差数据;得到每个光谱数据的若干波段范围;获取任意两个样品的波段范围匹配结果;根据每个样品不同波段的光谱数据值及不同属性的色差数据,获取每个样品在每个波段的自身信息分布性及信息响应性,得到不同样品任意两个波段的距离度量;得到任意两个样品的光谱数据DTW匹配结果;获取每个样品的光谱基线及校正后光谱数据;通过校正后光谱数据进行异常检测模型的构建并进行色差异常检测。本发明旨在解决光谱数据处理过程中由于背景噪声影响而导致基线校正结果不准确的问题。
Description
技术领域
本发明涉及光谱数据处理技术领域,具体涉及基于光谱数据的汽车配件涂装色差异常检测系统。
背景技术
近年来,汽车行业对于产品的外观质量要求越来越高,其中涂装是汽车外观质量的重要组成部分,而涂装的颜色一致性是影响外观质量的重要因素之一。然而在实际生产中,由于涂装过程中各种因素如温度、湿度等的影响,以及人为操作的误差,往往会导致汽车配件涂装后出现色差异常;因此开发一种快速准确的配件涂装色差异常检测系统对于提高汽车涂装质量具有重要的意义,而基于光谱数据的涂装色差检测方法相比于传统的目视检测方法具有更高的精度和可靠性。
由于光谱数据本身复杂多变,包含的信息量极为丰富,因此需要进行有效的预处理才能更好地应用于涂装色差检测中。光谱数据预处理的过程中有一个重要的步骤为基线校正,在获取基线的过程中,由于光谱数据的不同波段对背景噪声的响应不同,而不同波段范围对应的是不同的物理过程和分子吸收特征,均会导致不同波段的基线不同;同时基线校正时,不能仅根据单个样品的光谱数据进行,需要结合多个样品的光谱数据,但是不同样品的光谱数据由于涂装的影响,会使得不同样品光谱数据的不同波段范围不对应,需要对不同样品光谱数据的波段范围内各个波段进行匹配来综合获取基线。
发明内容
本发明提供基于光谱数据的汽车配件涂装色差异常检测系统,以解决现有的光谱数据处理过程中由于背景噪声影响而导致基线校正结果不准确的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于光谱数据的汽车配件涂装色差异常检测系统,该系统包括:
光谱及色差数据采集模块,用于采集汽车配件涂装表面若干样品的光谱数据,以及若干样品多种属性的色差数据,所述光谱数据包含样品在不同波段的光谱数据值;
光谱数据基线校正模块,用于对每个样品的光谱数据通过EMD分解得到若干分量,根据各分量的幅值变化得到每个光谱数据的若干波段范围;根据不同样品的波段范围的分布,获取任意两个样品的波段范围匹配结果;
根据每个样品不同波段的光谱数据值及不同属性的色差数据,获取每个样品在每个波段的自身信息分布性及信息响应性,得到不同样品任意两个波段的距离度量;结合不同样品的波段范围匹配结果,得到任意两个样品的光谱数据DTW匹配结果;根据光谱数据DTW匹配结果,获取每个样品的光谱基线及校正后光谱数据;
光谱检测色差异常模块,用于通过若干校正后光谱数据进行异常检测模型的构建,通过异常检测模型进行色差异常检测。
进一步的,所述对每个样品的光谱数据通过EMD分解得到若干分量,根据各分量的幅值变化得到每个光谱数据的若干波段范围,包括的具体方法为:
对于任意一个样品的光谱数据,对该光谱数据进行EMD分解,得到若干IMF分量,记为该光谱数据的若干分量;
对于任意一个分量,根据该分量中幅值分布,获取该分量的若干极值点,包括若干极大值点及若干极小值点,记录每个极值点的斜率;
对于该分量中所有极大值点,连接相邻极大值点得到该分量的极大值点分布曲线,对极大值点分布曲线中除第一个极大值点之外,每个极大值点都与相邻前一个极大值点计算斜率的差值绝对值,得到的结果记为每个极大值点的变化系数;预设一个变化阈值,若变化系数大于变化阈值,将对应的极大值点记为一个初始特征点,对极大值点分布曲线中除第一个极大值点之外每个极大值点都进行初始特征点的判断,将第一个极大值点作为一个初始特征点,根据该分量的极大值点分布曲线得到若干初始特征点;
对于该分量的所有极小值点,连接相邻极小值点得到极小值点分布曲线,根据极小值点分布曲线中相邻两个极小值点的斜率,得到除第一个极小值点之外每个极小值点的变化系数,并与所述变化阈值比较,变化系数大于变化阈值的极小值点作为一个初始特征点,将第一个极小值点作为一个初始特征点,结合极小值点分布曲线中的若干初始特征点,得到该分量的若干初始特征点,将所有初始特征点对应的波段,组成一个集合,记为该分量的初始特征点集合;
获取该光谱数据每个分量的初始特征点集合,对于任意一个波段,获取该波段在所有分量的初始特征点集合中出现的次数,将出现的次数与分量的数量的比值,记为该波段的特征系数,预设一个特征阈值,若特征系数大于特征阈值,将该波段作为该光谱数据的一个目标特征点;获取该光谱数据中每个波段的特征系数,得到该光谱数据的若干目标特征点,将该光谱数据中第一个波段及最后一个波段都作为目标特征点得到该光谱数据的所有目标特征点,通过目标特征点对该光谱数据进行波段范围的划分,得到该光谱数据的若干波段范围。
进一步的,所述任意两个样品的波段范围匹配结果,具体的获取方法为:
根据样品的光谱数据中波段范围的位置分布,获取不同样品的任意两个波段范围的匹配度;构建二分图,二分图中左侧节点为样品1的每个波段范围,右侧节点为样品2的每个波段范围,两侧节点之间的边值为对应的两个波段范围的匹配度,对二分图进行KM匹配,得到样品1与样品2的波段范围匹配结果。
进一步的,所述不同样品的任意两个波段范围的匹配度,具体的获取方法为:
对于样品1的光谱数据中第个波段范围,以及样品2的光谱数据中第/>个波段范围,匹配度/>的计算方法为:
其中,表示样品1的光谱数据中第/>个波段范围在样品1的光谱数据所有波段范围中的序号,/>表示样品2的光谱数据中第/>个波段范围在样品2的光谱数据所有波段范围中的序号,/>表示光谱数据中的波段数量,/>表示样品1的光谱数据中第/>个波段范围中第一个波段的序号与样品2的光谱数据中第/>个波段范围中第一个波段的序号的差值绝对值;/>表示样品1的光谱数据中第/>个波段范围中最后一个波段的序号与样品2的光谱数据中第/>个波段范围中最后一个波段的序号的差值绝对值;/>表示以自然常数为底的指数函数。
进一步的,所述每个样品在每个波段的自身信息分布性及信息响应性,具体的获取方法为:
对于任意一种属性的色差数据,根据该种属性的色差数据对所有样品进行DBSCAN聚类,聚类的距离采用色差数据之间的差值绝对值,得到若干聚簇,记为该种属性的若干聚簇;
对于任意一个聚簇,以及任意一个波段,获取该聚簇中每个样品在该波段的光谱数据值,对该聚簇中任意两个样品的光谱数据值计算差值绝对值,将所有差值绝对值的均值的倒数,记为该波段在该种属性该聚簇的平均密度,获取该波段在该种属性每个聚簇的平均密度,将所有平均密度的均值,记为该波段在该种属性的整体信息分布性;
预设一个邻近数量,根据邻近数量及聚类的距离,获取样品1的若干邻近样品,在样品1与若干邻近样品对应的所有样品中,对任意两个样品在该波段的光谱数据值计算差值绝对值,将得到的所有差值绝对值的均值的倒数,记为样品1在该波段该种属性的局部信息分布性;
获取每个波段在每种属性的整体信息分布性,以及每个样品在每个波段每种属性的局部信息分布性;对于任意一种属性,获取所有波段在该种属性的整体信息分布性的最大值及最小值,将最大值与最小值的差值,记为该种属性的信息波动系数,将记为该种属性的信息参考系数,其中/>表示该种属性的信息波动系数,/>表示以自然常数为底的指数函数;获取每种属性的信息参考系数,对所有信息参考系数进行softmax归一化,得到的结果记为每种属性的信息参考权重;
其中,表示样品1在第/>个波段的自身信息分布性,/>表示属性的数量,/>表示第/>种属性的信息参考权重,/>表示第/>个波段在第/>种属性的整体信息分布性,/>表示样品1在第/>个波段第/>种属性的局部信息分布性,/>表示求绝对值;/>表示以自然常数为底的指数函数;
根据不同样品在不同波段的光谱数据值及不同属性的色差数据,得到每个样品在每个波段的信息响应性。
进一步的,所述得到每个样品在每个波段的信息响应性,包括的具体方法为:
对于任意一种属性,以及任意一个波段,获取样品1在该波段的光谱数据值,以及样品1在该种属性的色差数据,获取光谱数据值与色差数据的差值绝对值,记为样品1在该波段该种属性的响应值;
获取每个样品在该波段该种属性的响应值,计算样品1在该波段该种属性的响应值的方差贡献率,记为样品1在该波段该种属性的贡献参数;
获取每个样品在每个波段每种属性的响应值,对于任意一种属性,获取所有样品在所有波段该种属性的响应值的最大值与最小值,将最大值与最小值的差值,记为该种属性的响应波动系数,将记为该种属性的响应参考系数,其中/>表示该种属性的响应波动系数,/>表示以自然常数为底的指数函数;
获取每种属性的响应参考系数,对所有响应参考系数进行softmax归一化,得到的结果记为每种属性的响应参考权重;对于样品1及任意一个波段,对样品1在该波段每种属性的响应值,根据每种属性的响应参考权重进行加权求和,得到的和值记为样品1在该波段的信息响应性。
进一步的,所述得到不同样品任意两个波段的距离度量,包括的具体方法为:
预设一个邻域数量,对于任意一个波段,将该波段相邻前5个波段及相邻后5个波段,以及该波段,作为该波段的初始响应范围;当该波段不存在相邻前5个波段及相邻后5个波段时,以与该波段相邻最近的10个波段为初始响应范围;对于初始响应范围中与该波段不在同一波段范围的波段进行去除,仅保留同一波段范围的波段,去除后的初始响应范围记为该波段的目标范围;获取每个样品的光谱数据中每个波段的目标范围;
其中,表示样品1的第/>个波段与样品2的第/>个波段的距离度量,表示样品1的第/>个波段所属波段范围中所有光谱数据值的峰度值与样品2的第/>个波段所属波段范围中所有光谱数据值的峰度值均值;/>表示样品1在第/>个波段的自身信息分布性,/>表示样品2在第/>个波段的自身信息分布性;/>表示样品1的第个波段与样品2的第/>个波段在各自目标范围内信息响应性的差异均值,所述样品1的第个波段与样品2的第/>个波段在各自目标范围内信息响应性的差异均值的具体获取方法为:获取在两个波段的目标范围内均存在的若干波段,记为两个波段的若干目标波段,获取样品1与样品2在每个目标波段的信息响应性的差值绝对值,对所有差值绝对值求均值,记为信息响应性的差异均值;/>表示求绝对值。
进一步的,所述得到任意两个样品的光谱数据DTW匹配结果,包括的具体方法为:
样品1与样品2的波段范围匹配结果中存在若干波段范围对,对于其中任意一个波段范围对,根据两个波段范围中波段的距离度量构建DTW距离矩阵,得到该波段范围对的DTW匹配结果,对所有波段范围对获取DTW匹配结果,所有DTW匹配结果获取结束后,按照波段范围在两个样品中的光谱数据中各自的排列顺序,对DTW匹配结果进行拼接,得到样品1与样品2的光谱数据DTW匹配结果。
进一步的,所述每个样品的光谱基线及校正后光谱数据,具体的获取方法为:
对于样品1的光谱数据与样品2的光谱数据,通过光谱数据DTW匹配结果,得到两个样品中波段之间的若干匹配关系,若两个样品的波段为一对一匹配,对匹配的两个波段的光谱数据值求均值,作为样品1中的波段的更新光谱数据值;
若两个样品的波段为一对多匹配,即样品1的一个波段与样品2的多个波段匹配,其中“一”为样品1中的波段,“多”为样品2中的波段,将样品1中的波段分别与匹配到的样品2中的每个波段计算光谱数据值的均值,再对所有均值求均值,作为样品1中的波段的更新光谱数据值;
若两个样品的波段为多对一匹配,即样品1的多个波段与样品2的一个波段匹配,其中“多”为样品1中的波段,“一”为样品2中的波段,将样品1中匹配的每个波段分别与样品2中匹配的波段计算光谱数据值的均值,分别作为样品1的每个波段的更新光谱数据值;
样品1与样品2进行DTW匹配后,所有波段的更新光谱数据值,组成样品1与样品2的更新光谱数据;
获取样品1与除样品1之外每个样品的更新光谱数据,对所有更新光谱数据求均值,得到的结果记为样品1的光谱基线,根据光谱基线对样品1的光谱数据进行校正,得到的结果记为样品1的校正后光谱数据。
进一步的,所述通过若干校正后光谱数据进行异常检测模型的构建,包括的具体方法为:
将所有样品的校正后光谱数据作为训练集,同时对训练集中每个校正后光谱数据进行人工标注,通过每个校正后光谱数据对应样品多个属性的色差数据,进行色差等级的标注,通过DNN神经网络构建异常检测模型,损失函数采用交叉熵损失函数,通过训练集及标注的色差等级对异常检测模型进行训练,输入校正后光谱数据,输出色差等级,得到训练完成的异常检测模型。
本发明的有益效果是:本发明通过对汽车配件涂装表面的多个样品的光谱数据进行自适应的DTW匹配,得到光谱基线并进行基线校正,通过校正后光谱数据来构建对于色差的异常检测模型,避免光谱数据受背景噪声影响的同时,提高光谱数据对于异常检测模型构建的准确性,进而得到较为准确的色差异常检测结果。其中通过EMD分解获取光谱数据中不同频率信息上的初始特征点,进而可以获取样品的光谱数据的波段范围,避免了由于噪声影响造成的错误特征点的获取;再根据波段范围的位置分布,进行波段范围匹配结果的获取,为波段之间自适应的DTW匹配提供基础;在此基础上,对不同样品在每个波段上,结合色差数据进行自身信息分布性及信息响应性的量化,而后通过自身信息分布性及局部范围下信息响应性的差异,调整波段之间的距离,并通过DTW距离矩阵完成不同样品的光谱数据之间的DTW匹配,其中自身信息分布性及信息响应性能够反映光谱数据与色差数据之间的信息表征关系,进而为异常检测模型构建提供基础;从而避免传统DTW匹配过程中仅考虑波段的光谱信息相似关系,而忽略色差数据的分布,导致匹配结果误差较大而影响色差异常检测的缺点。
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。
图1为本发明一个实施例所提供的基于光谱数据的汽车配件涂装色差异常检测系统的结构框图。
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。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。
请参阅图1,其示出了本发明一个实施例所提供的基于光谱数据的汽车配件涂装色差异常检测系统的结构框图,该系统包括:
光谱及色差数据采集模块101,用于采集汽车配件涂装表面若干样品的光谱数据,以及若干样品多种属性的色差数据。
本实施例的目的是通过光谱数据来对汽车配件涂装表面色差的异常检测,因此需要通过光谱数据来对色差数据进行异常检测模型的构建,从而通过输入光谱数据能够直接输出相应的色差等级,实现异常检测的效果,因此需要对汽车配件涂装获取光谱数据及色差数据;同时通过单个样品的光谱数据与色差数据构建异常检测模型存在一定偶然性,因此需要采集大量样片来综合进行构建。
具体的,本实施例共对150个汽车配件进行涂装表面的光谱数据及色差数据的采集,将每个汽车配件涂装表面作为一个样品,对每个样品通过红外光谱仪进行光谱采集,红外光谱范围设置为400-2500nm;同时通过色差检测仪来获取每个样品的色差数据,色差检测仪会得到多种属性的数据,本实施例采集色温、色强及CIE Lab参数共3种属性的数据;采集到光谱数据及每种属性的数据后,均需要进行数值化处理,即对所有光谱中所有波段的反射率进行线性归一化,得到的结果记为每个波段的光谱数据值,通过波段的光谱数据值,排列形成的横坐标为波段、纵坐标为光谱数据值的曲线形式,记为对应样品的光谱数据,即对光谱中各反射率数值化后得到的曲线记为光谱数据;同时对每种属性的数据分别进行线性归一化处理,得到的记为每个样品每种属性的色差数据。
至此,采集到每个样品的光谱数据及多种属性的色差数据。
光谱数据基线校正模块102:
需要说明的是,DTW是常用的数据匹配方法,根据数据之间的欧式距离来进行匹配,但是在光谱数据处理场景中,由于不同样品的光谱数据的横坐标为波段,纵坐标为光谱数据值,波段范围会表现为不同的横坐标范围,同时也会表现为不同的纵坐标范围,因此不能仅根据光谱波段之间的欧式距离来进行匹配;因此需要对DTW匹配过程中的距离度量进行自适应调整,以获取准确的波段范围的匹配结果,从而使得不同样品的波段数据能够得到自适应的基线,进而完成光谱数据的基线校正。
(1)对每个样品的光谱数据通过EMD分解得到若干分量,根据各分量的幅值变化得到每个光谱数据的若干波段范围;根据不同样品的波段范围的分布,获取任意两个样品的波段范围匹配结果。
需要说明的是,在进行光谱数据的波段范围匹配之前,需要对不同样品的光谱数据进行波段范围的划分,即对应的在光谱波段匹配的过程中,首先需要进行波段范围的匹配,使得在光谱波段匹配过程中,其所在的波段范围表示的是同一种物理过程和分子吸收特征,因此需要先获取每个样品的光谱数据的波段范围;在获取光谱数据的波段范围过程中,需要根据光谱数据的特征点的分布特征来确定,在确定分布特征时由于噪声的存在(会造成细小的波动),因此需要在不同频率信息上获取特征点,进而得到特征点的分布特征。其中通过EMD分解对光谱数据进行处理,通过各分量上幅值变化得到极值点,再通过极值点的分布,获取在不同分量上作为极值点出现频率较大的波段,作为特征点来进行波段范围的划分。
进一步需要说明的是,获取到波段范围后,则需要通过波段范围在光谱数据上的位置分布,量化不同样品的波段范围之间的匹配度,进而根据匹配度通过KM匹配来获取不同样品的波段范围的匹配结果,通过波段范围的匹配结果为后续不同样品光谱数据中波段的自适应DTW匹配提供基础。
具体的,对于任意一个样品的光谱数据,光谱数据表现为横坐标为波段、纵坐标为光谱数据值的曲线形式,对该光谱数据进行EMD分解,得到若干IMF分量,记为该光谱数据的若干分量;对于任意一个分量,根据该分量中幅值分布,获取该分量的若干极值点,包括若干极大值点及若干极小值点,同时记录每个极值点的斜率,根据分量中幅值变化获取极值点为现有技术,本实施例不再赘述;对于该分量中所有极大值点,连接相邻极大值点得到该分量的极大值点分布曲线,对极大值点分布曲线中除第一个极大值点之外,每个极大值点都与相邻前一个极大值点计算斜率的差值绝对值,得到的结果记为每个极大值点的变化系数;预设一个变化阈值,本实施例变化阈值采用0.45进行叙述,若变化系数大于变化阈值,则将对应的极大值点记为一个初始特征点,对极大值点分布曲线中除第一个极大值点之外每个极大值点都进行初始特征点的判断,将第一个极大值点直接作为一个初始特征点,则根据该分量的极大值点分布曲线得到若干初始特征点;按照上述方法对于该分量的所有极小值点,连接相邻极小值点得到极小值点分布曲线,根据极小值点分布曲线中相邻两个极小值点的斜率,得到除第一个极小值点之外每个极小值点的变化系数,并与所述变化阈值比较,变化系数大于变化阈值的极小值点作为一个初始特征点,同时将第一个极小值点直接作为一个初始特征点,结合极大值点分布曲线中的若干初始特征点,得到该分量的若干初始特征点,将所有初始特征点的横坐标即对应的波段,组成一个集合,记为该分量的初始特征点集合;按照上述方法获取该光谱数据每个分量的初始特征点集合,对于任意一个波段,获取该波段在所有分量的初始特征点集合中出现的次数,将出现的次数与分量的数量的比值,记为该波段的特征系数,预设一个特征阈值,本实施例特征阈值采用0.45进行叙述,若特征系数大于特征阈值,则将该波段作为该光谱数据的一个目标特征点;按照上述方法获取该光谱数据中每个波段的特征系数,得到该光谱数据的若干目标特征点,同时将该光谱数据中第一个波段及最后一个波段都作为目标特征点,则得到该光谱数据的所有目标特征点,通过目标特征点对该光谱数据进行波段范围的划分,得到该光谱数据的若干波段范围;需要说明的是,除最后一个目标特征点,其他目标特征点均作为每个波段范围中第一个波段。
进一步的,对每个样品的光谱数据进行EMD分解,得到每个光谱数据的若干分量,通过分量中幅值变化的分析,按照上述方法获取每个光谱数据的若干目标特征点及若干波段范围。
进一步的,对于样品1的光谱数据中第个波段范围,以及样品2的光谱数据中第/>个波段范围,两个样品的两个波段范围的匹配度/>的计算方法为:
其中,表示样品1的光谱数据中第/>个波段范围在样品1的光谱数据所有波段范围中的序号,/>表示样品2的光谱数据中第/>个波段范围在样品2的光谱数据所有波段范围中的序号,/>表示光谱数据中的波段数量,需要说明的是,所有样品的光谱数据中波段数量均是相同的;/>表示样品1的光谱数据中第/>个波段范围中第一个波段的序号与样品2的光谱数据中第/>个波段范围中第一个波段的序号的差值绝对值;/>表示样品1的光谱数据中第/>个波段范围中最后一个波段的序号与样品2的光谱数据中第/>个波段范围中最后一个波段的序号的差值绝对值;/>表示以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数;不同样品的光谱数据中波段范围的序号差异越大,两个波段范围的位置差异较大,应使得匹配度较小;同时波段范围匹配度量化过程中,还需要考虑两个波段范围第一个波段的序号差异以及最后一个波段的序号差异,序号差异越大,同样使得波段范围的位置相差较大,匹配度较小。
进一步的,按照上述方法获取样品1的每个波段范围与样品2的每个波段范围的匹配度,构建二分图,二分图中左侧节点为样品1的每个波段范围,右侧节点为样品2的每个波段范围,两侧节点之间的边值为对应的两个波段范围的匹配度,对二分图进行KM匹配,匹配规则为边值越大越容易匹配,得到样品1与样品2的波段范围匹配结果,按照上述方法获取任意两个样品的波段范围匹配结果。
至此,通过对样品的光谱数据进行EMD分解,根据分量中幅值变化量化得到光谱数据的若干目标特征点,分段得到若干波段范围,再通过波段范围的位置分布,得到任意两个样品的波段范围匹配结果。
(2)根据每个样品不同波段的光谱数据值及不同属性的色差数据,获取每个样品在每个波段的自身信息分布性及信息响应性,得到不同样品任意两个波段的距离度量;结合不同样品的波段范围匹配结果,得到任意两个样品的光谱数据DTW匹配结果;根据光谱数据DTW匹配结果,获取每个样品的光谱基线及校正后光谱数据。
需要说明的是,获取到波段范围匹配结果后,则需要对不同样品进行波段的自适应DTW匹配,DTW匹配过程中需要获取距离矩阵,传统方法会导致仅考虑波段之间的分布而为考虑与色差数据之间的关系,导致较大误差,因此需要结合相邻波段的之间的变化关系以及其本身所表征的光谱的信息程度之间的差异,差异越小表明越相似,距离度量应越小,以此来进行距离度量的获取;获取到距离度量后,则通过DTW匹配来进行波段匹配,再通过不同样品的光谱数据之间的DTW匹配结果,对每个样品的光谱数据获取光谱基线,并进行基线校正。
具体的,对于任意一种属性的色差数据,根据该种属性的色差数据对所有样品进行DBSCAN聚类,聚类的距离采用色差数据之间的差值绝对值,得到若干聚簇,记为该种属性的若干聚簇;对于任意一个聚簇,以及任意一个波段,获取该聚簇中每个样品在该波段的光谱数据值,对该聚簇中任意两个样品的光谱数据值计算差值绝对值,将所有差值绝对值的均值的倒数,记为该波段在该种属性该聚簇的平均密度,获取该波段在该种属性每个聚簇的平均密度,将所有平均密度的均值,记为该波段在该种属性的整体信息分布性;预设一个邻近数量,本实施例邻近数量采用5进行叙述,对于样品1,获取样品1在所属聚簇中最邻近的5个其他样品,其中最邻近根据该种属性的色差数据之间的差值绝对值来进行量化,即聚类的距离获取最邻近,记为样品1的若干邻近样品,在样品1与若干邻近样品对应的所有样品中,对任意两个样品在该波段的光谱数据值计算差值绝对值,将得到的所有差值绝对值的均值的倒数,记为样品1在该波段该种属性的局部信息分布性;按照上述方法获取每个波段在每种属性的整体信息分布性,以及每个样品在每个波段每种属性的局部信息分布性;对于任意一种属性,获取所有波段在该种属性的整体信息分布性的最大值及最小值,将最大值与最小值的差值,记为该种属性的信息波动系数,将记为该种属性的信息参考系数,其中/>表示该种属性的信息波动系数,/>表示以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数;按照上述方法获取每种属性的信息参考系数,对所有信息参考系数进行softmax归一化,得到的结果记为每种属性的信息参考权重。
进一步的,样品1在第个波段的自身信息分布性/>的计算方法为:
其中,表示属性的数量,/>表示第/>种属性的信息参考权重,/>表示第/>个波段在第/>种属性的整体信息分布性,/>表示样品1在第/>个波段第/>种属性的局部信息分布性,/>表示求绝对值;/>表示以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数;局部信息分布性与整体信息分布性的比值越接近1,对应样品在该波段该种属性的信息分布与整体越接近,相应的自身信息分布性应越大,同时属性的信息参考权重越大,对自身信息分布性的影响越大;按照上述方法获取每个样品在每个波段的自身信息分布性。
进一步的,对于任意一种属性,以及任意一个波段,获取样品1在该波段的光谱数据值,以及样品1在该种属性的色差数据,获取光谱数据值与色差数据的差值绝对值,记为样品1在该波段该种属性的响应值,需要说明的是,光谱数据值及色差数据均为数值化处理后的数据,范围均在0-1中,因此量纲相同可以计算差值绝对值;获取每个样品在该波段该种属性的响应值,计算样品1在该波段该种属性的响应值的方差贡献率,记为样品1在该波段该种属性的贡献参数,对响应值及所有响应值计算方差贡献率为公知技术,本实施例不再赘述;按照上述方法获取每个样品在每个波段每种属性的响应值,对于任意一种属性,获取所有样品在所有波段该种属性的响应值的最大值与最小值,将最大值与最小值的差值,记为该种属性的响应波动系数,将记为该种属性的响应参考系数,其中/>表示该种属性的响应波动系数,/>表示以自然常数为底的指数函数,本实施例采用模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数;按照上述方法获取每种属性的响应参考系数,对所有响应参考系数进行softmax归一化,得到的结果记为每种属性的响应参考权重;对于样品1及任意一个波段,对样品1在该波段每种属性的响应值,根据每种属性的响应参考权重进行加权求和,得到的和值记为样品1在该波段的信息响应性,按照上述方法获取每个样品在每个波段的信息响应性。
进一步的,预设一个邻域数量,本实施例邻域数量采用5进行叙述,对于任意一个波段,将该波段相邻前5个波段及相邻后5个波段,以及该波段,作为该波段的初始响应范围;当该波段不存在相邻前5个波段及相邻后5个波段时,以与该波段相邻最近的10个波段为初始响应范围;同时由于不同样品的波段范围存在差异,而响应范围的获取需要保证在同一波段范围内,因此若波段靠近波段范围的边界,对于初始响应范围中与该波段不在同一波段范围的波段进行去除,仅保留同一波段范围的波段,去除后的初始响应范围记为该波段的目标范围;按照上述方法获取每个样品的光谱数据中每个波段的目标范围。
进一步的,对于样品1的第个波段与样品2的第/>个波段,则两个样品的两个波段的距离度量/>的计算方法为:
/>
其中,表示样品1的第/>个波段所属波段范围中所有光谱数据值的峰度值与样品2的第/>个波段所属波段范围中所有光谱数据值的峰度值均值,峰度值计算为公知技术,本实施例不再赘述;/>表示样品1在第/>个波段的自身信息分布性,/>表示样品2在第/>个波段的自身信息分布性;/>表示样品1的第/>个波段与样品2的第/>个波段在各自目标范围内信息响应性的差异均值,具体计算方法为:获取在两个波段的目标范围内均存在的若干波段,记为两个波段的若干目标波段,获取样品1与样品2在每个目标波段的信息响应性的差值绝对值,对所有差值绝对值求均值,记为信息响应性的差异均值,需要说明的是,若不存在目标波段,则不计算信息响应性的差异均值,距离度量计算仅考虑自身信息分布性;/>表示求绝对值;峰度值均值越大,波段范围内光谱数据值呈现高窄峰形式,距离度量时应更多考虑波段自身的信息分布,即自身信息分布性的差异;峰度值均值越小,则越需要考虑相邻波段的信息分布,则从信息响应性及目标范围来进行量化;按照上述方法获取样品1与样品2的任意两个波段的距离度量。
进一步的,样品1与样品2的波段范围匹配结果中存在若干波段范围对,对于其中任意一个波段范围对,根据两个波段范围中波段的距离度量构建DTW距离矩阵,得到该波段范围对的DTW匹配结果,按照上述方法对所有波段范围对获取DTW匹配结果,所有DTW匹配结果获取结束后,则按照波段范围在两个样品中的光谱数据中各自的排列顺序,对DTW匹配结果进行拼接,最终得到样品1与样品2的光谱数据DTW匹配结果;按照上述方法获取任意两个样品的任意两个波段的距离度量,得到任意两个样品的光谱数据DTW匹配结果。
进一步的,对于样品1的光谱数据与样品2的光谱数据,通过光谱数据DTW匹配结果,能够得到两个样品中波段之间的若干匹配关系,若两个样品的波段为一对一匹配,则对匹配的两个波段的光谱数据值求均值,并作为样品1中的波段的更新光谱数据值;若两个样品的波段为一对多匹配,即样品1的一个波段与样品2的多个波段匹配,其中“一”为样品1中的波段,“多”为样品2中的波段,则将样品1中的波段分别与匹配到的样品2中的每个波段计算光谱数据值的均值,再对所有均值求均值,作为样品1中的波段的更新光谱数据值;若两个样品的波段为多对一匹配,即样品1的多个波段与样品2的一个波段匹配,其中“多”为样品1中的波段,“一”为样品2中的波段,则将样品1中匹配的每个波段分别与样品2中匹配的波段计算光谱数据值的均值,分别作为样品1的每个波段的更新光谱数据值;则按照上述方法样品1与样品2进行DTW匹配后,所有波段的更新光谱数据值,组成样品1与样品2的更新光谱数据;按照上述方法获取样品1与除样品1之外每个样品的更新光谱数据,对所有更新光谱数据求均值,即对所有更新光谱数据中相同波段的不同更新光谱数据值求均值,得到的结果记为样品1的光谱基线,根据光谱基线对样品1的光谱数据进行校正,得到的结果记为样品1的校正后光谱数据;按照上述方法获取每个样品的光谱基线及校正后光谱数据。
至此,对每个样品通过在每个波段获取自身信息分布性及信息响应性,进而对不同样品的波段之间的距离度量进行调整,实现自适应的DTW匹配,根据DTW匹配结果,最终得到每个样品的光谱基线以及校正后光谱数据。
光谱检测色差异常模块103,用于通过若干校正后光谱数据进行异常检测模型的构建,通过异常检测模型进行色差异常检测。
获取到每个样品的校正后光谱数据后,将所有样品的校正后光谱数据作为训练集,同时对训练集中每个校正后光谱数据进行人工标注,通过每个校正后光谱数据对应样品多个属性的色差数据,进行色差等级的标注,通过DNN神经网络构建异常检测模型,损失函数采用交叉熵损失函数,通过训练集及标注的色差等级对异常检测模型进行训练,输入校正后光谱数据,输出色差等级,得到训练完成的异常检测模型;在对汽车配件涂装表面进行色差异常检测时,通过红外光谱仪获取汽车配件涂装表面的光谱数据(光谱数值化处理后为光谱数据),将光谱数据输入到训练完成的异常检测模型中,输出得到汽车配件涂装表面的色差等级,实现通过光谱数据对汽车配件涂装的色差异常检测。
至此,通过对汽车配件涂装表面获取光谱数据,完成对汽车配件涂装的色差异常检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,该系统包括:
光谱及色差数据采集模块,用于采集汽车配件涂装表面若干样品的光谱数据,以及若干样品多种属性的色差数据,所述光谱数据包含样品在不同波段的光谱数据值;
光谱数据基线校正模块,用于对每个样品的光谱数据通过EMD分解得到若干分量,根据各分量的幅值变化得到每个光谱数据的若干波段范围;根据不同样品的波段范围的分布,获取任意两个样品的波段范围匹配结果;
根据每个样品不同波段的光谱数据值及不同属性的色差数据,获取每个样品在每个波段的自身信息分布性及信息响应性,得到不同样品任意两个波段的距离度量;结合不同样品的波段范围匹配结果,得到任意两个样品的光谱数据DTW匹配结果;根据光谱数据DTW匹配结果,获取每个样品的光谱基线及校正后光谱数据;
光谱检测色差异常模块,用于通过若干校正后光谱数据进行异常检测模型的构建,通过异常检测模型进行色差异常检测;
所述每个样品在每个波段的自身信息分布性及信息响应性,具体的获取方法为:
对于任意一种属性的色差数据,根据该属性的色差数据对所有样品进行DBSCAN聚类,聚类的距离采用色差数据之间的差值绝对值,得到若干聚簇,记为该属性的若干聚簇;
对于任意一个聚簇,以及任意一个波段,获取该聚簇中每个样品在该波段的光谱数据值,对该聚簇中任意两个样品的光谱数据值计算差值绝对值,将所有差值绝对值的均值的倒数,记为该波段在该属性该聚簇的平均密度,获取该波段在该属性每个聚簇的平均密度,将所有平均密度的均值,记为该波段在该属性的整体信息分布性;
预设一个邻近数量,根据邻近数量及聚类的距离,获取样品1的若干邻近样品,在样品1与若干邻近样品对应的所有样品中,对任意两个样品在该波段的光谱数据值计算差值绝对值,将得到的所有差值绝对值的均值的倒数,记为样品1在该波段该属性的局部信息分布性;
获取每个波段在每种属性的整体信息分布性,以及每个样品在每个波段每种属性的局部信息分布性;对于任意一种属性,获取所有波段在该属性的整体信息分布性的最大值及最小值,将最大值与最小值的差值,记为该属性的信息波动系数,将记为该属性的信息参考系数,其中/>表示该属性的信息波动系数,/>表示以自然常数为底的指数函数;获取每种属性的信息参考系数,对所有信息参考系数进行softmax归一化,得到的结果记为每种属性的信息参考权重;
其中,表示样品1在第/>个波段的自身信息分布性,/>表示属性的数量,/>表示第/>种属性的信息参考权重,/>表示第/>个波段在第/>种属性的整体信息分布性,/>表示样品1在第/>个波段第/>种属性的局部信息分布性,/>表示求绝对值;/>表示以自然常数为底的指数函数;
根据不同样品在不同波段的光谱数据值及不同属性的色差数据,得到每个样品在每个波段的信息响应性;
所述得到每个样品在每个波段的信息响应性,包括的具体方法为:
对于任意一种属性,以及任意一个波段,获取样品1在该波段的光谱数据值,以及样品1在该属性的色差数据,获取光谱数据值与色差数据的差值绝对值,记为样品1在该波段该属性的响应值;
获取每个样品在该波段该属性的响应值,计算样品1在该波段该属性的响应值的方差贡献率,记为样品1在该波段该属性的贡献参数;
获取每个样品在每个波段每种属性的响应值,对于任意一种属性,获取所有样品在所有波段该属性的响应值的最大值与最小值,将最大值与最小值的差值,记为该属性的响应波动系数,将记为该属性的响应参考系数,其中/>表示该属性的响应波动系数,表示以自然常数为底的指数函数;
获取每种属性的响应参考系数,对所有响应参考系数进行softmax归一化,得到的结果记为每种属性的响应参考权重;对于样品1及任意一个波段,对样品1在该波段每种属性的响应值,根据每种属性的响应参考权重进行加权求和,得到的和值记为样品1在该波段的信息响应性。
2.根据权利要求1所述的基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,所述对每个样品的光谱数据通过EMD分解得到若干分量,根据各分量的幅值变化得到每个光谱数据的若干波段范围,包括的具体方法为:
对于任意一个样品的光谱数据,对该光谱数据进行EMD分解,得到若干IMF分量,记为该光谱数据的若干分量;
对于任意一个分量,根据该分量中幅值分布,获取该分量的若干极值点,包括若干极大值点及若干极小值点,记录每个极值点的斜率;
对于该分量中所有极大值点,连接相邻极大值点得到该分量的极大值点分布曲线,对极大值点分布曲线中除第一个极大值点之外,每个极大值点都与相邻前一个极大值点计算斜率的差值绝对值,得到的结果记为每个极大值点的变化系数;预设一个变化阈值,若变化系数大于变化阈值,将对应的极大值点记为一个初始特征点,对极大值点分布曲线中除第一个极大值点之外每个极大值点都进行初始特征点的判断,将第一个极大值点作为一个初始特征点,根据该分量的极大值点分布曲线得到若干初始特征点;
对于该分量的所有极小值点,连接相邻极小值点得到极小值点分布曲线,根据极小值点分布曲线中相邻两个极小值点的斜率,得到除第一个极小值点之外每个极小值点的变化系数,并与所述变化阈值比较,变化系数大于变化阈值的极小值点作为一个初始特征点,将第一个极小值点作为一个初始特征点,结合极小值点分布曲线中的若干初始特征点,得到该分量的若干初始特征点,将所有初始特征点对应的波段,组成一个集合,记为该分量的初始特征点集合;
获取该光谱数据每个分量的初始特征点集合,对于任意一个波段,获取该波段在所有分量的初始特征点集合中出现的次数,将出现的次数与分量的数量的比值,记为该波段的特征系数,预设一个特征阈值,若特征系数大于特征阈值,将该波段作为该光谱数据的一个目标特征点;获取该光谱数据中每个波段的特征系数,得到该光谱数据的若干目标特征点,将该光谱数据中第一个波段及最后一个波段都作为目标特征点得到该光谱数据的所有目标特征点,通过目标特征点对该光谱数据进行波段范围的划分,得到该光谱数据的若干波段范围。
3.根据权利要求1所述的基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,所述任意两个样品的波段范围匹配结果,具体的获取方法为:
根据样品的光谱数据中波段范围的位置分布,获取不同样品的任意两个波段范围的匹配度;构建二分图,二分图中左侧节点为样品1的每个波段范围,右侧节点为样品2的每个波段范围,两侧节点之间的边值为对应的两个波段范围的匹配度,对二分图进行KM匹配,得到样品1与样品2的波段范围匹配结果。
4.根据权利要求3所述的基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,所述不同样品的任意两个波段范围的匹配度,具体的获取方法为:
对于样品1的光谱数据中第个波段范围,以及样品2的光谱数据中第/>个波段范围,匹配度/>的计算方法为:
其中,表示样品1的光谱数据中第/>个波段范围在样品1的光谱数据所有波段范围中的序号,/>表示样品2的光谱数据中第/>个波段范围在样品2的光谱数据所有波段范围中的序号,/>表示光谱数据中的波段数量,/>表示样品1的光谱数据中第/>个波段范围中第一个波段的序号与样品2的光谱数据中第/>个波段范围中第一个波段的序号的差值绝对值;/>表示样品1的光谱数据中第/>个波段范围中最后一个波段的序号与样品2的光谱数据中第/>个波段范围中最后一个波段的序号的差值绝对值;/>表示以自然常数为底的指数函数。
5.根据权利要求1所述的基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,所述得到不同样品任意两个波段的距离度量,包括的具体方法为:
预设一个邻域数量,对于任意一个波段,将该波段相邻前5个波段及相邻后5个波段,以及该波段,作为该波段的初始响应范围;当该波段不存在相邻前5个波段及相邻后5个波段时,以与该波段相邻最近的10个波段为初始响应范围;对于初始响应范围中与该波段不在同一波段范围的波段进行去除,仅保留同一波段范围的波段,去除后的初始响应范围记为该波段的目标范围;获取每个样品的光谱数据中每个波段的目标范围;
其中,表示样品1的第/>个波段与样品2的第/>个波段的距离度量,/>表示样品1的第/>个波段所属波段范围中所有光谱数据值的峰度值与样品2的第/>个波段所属波段范围中所有光谱数据值的峰度值均值;/>表示样品1在第/>个波段的自身信息分布性,/>表示样品2在第/>个波段的自身信息分布性;/>表示样品1的第/>个波段与样品2的第/>个波段在各自目标范围内信息响应性的差异均值,所述样品1的第/>个波段与样品2的第/>个波段在各自目标范围内信息响应性的差异均值的具体获取方法为:获取在两个波段的目标范围内均存在的若干波段,记为两个波段的若干目标波段,获取样品1与样品2在每个目标波段的信息响应性的差值绝对值,对所有差值绝对值求均值,记为信息响应性的差异均值;/>表示求绝对值。
6.根据权利要求1所述的基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,所述得到任意两个样品的光谱数据DTW匹配结果,包括的具体方法为:
样品1与样品2的波段范围匹配结果中存在若干波段范围对,对于其中任意一个波段范围对,根据两个波段范围中波段的距离度量构建DTW距离矩阵,得到该波段范围对的DTW匹配结果,对所有波段范围对获取DTW匹配结果,所有DTW匹配结果获取结束后,按照波段范围在两个样品中的光谱数据中各自的排列顺序,对DTW匹配结果进行拼接,得到样品1与样品2的光谱数据DTW匹配结果。
7.根据权利要求1所述的基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,所述每个样品的光谱基线及校正后光谱数据,具体的获取方法为:
对于样品1的光谱数据与样品2的光谱数据,通过光谱数据DTW匹配结果,得到两个样品中波段之间的若干匹配关系,若两个样品的波段为一对一匹配,对匹配的两个波段的光谱数据值求均值,作为样品1中的波段的更新光谱数据值;
若两个样品的波段为一对多匹配,即样品1的一个波段与样品2的多个波段匹配,其中“一”为样品1中的波段,“多”为样品2中的波段,将样品1中的波段分别与匹配到的样品2中的每个波段计算光谱数据值的均值,再对所有均值求均值,作为样品1中的波段的更新光谱数据值;
若两个样品的波段为多对一匹配,即样品1的多个波段与样品2的一个波段匹配,其中“多”为样品1中的波段,“一”为样品2中的波段,将样品1中匹配的每个波段分别与样品2中匹配的波段计算光谱数据值的均值,分别作为样品1的每个波段的更新光谱数据值;
样品1与样品2进行DTW匹配后,所有波段的更新光谱数据值,组成样品1与样品2的更新光谱数据;
获取样品1与除样品1之外每个样品的更新光谱数据,对所有更新光谱数据求均值,得到的结果记为样品1的光谱基线,根据光谱基线对样品1的光谱数据进行校正,得到的结果记为样品1的校正后光谱数据。
8.根据权利要求1所述的基于光谱数据的汽车配件涂装色差异常检测系统,其特征在于,所述通过若干校正后光谱数据进行异常检测模型的构建,包括的具体方法为:
将所有样品的校正后光谱数据作为训练集,同时对训练集中每个校正后光谱数据进行人工标注,通过每个校正后光谱数据对应样品多个属性的色差数据,进行色差等级的标注,通过DNN神经网络构建异常检测模型,损失函数采用交叉熵损失函数,通过训练集及标注的色差等级对异常检测模型进行训练,输入校正后光谱数据,输出色差等级,得到训练完成的异常检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641228.4A CN117349683B (zh) | 2023-12-04 | 2023-12-04 | 基于光谱数据的汽车配件涂装色差异常检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311641228.4A CN117349683B (zh) | 2023-12-04 | 2023-12-04 | 基于光谱数据的汽车配件涂装色差异常检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349683A CN117349683A (zh) | 2024-01-05 |
CN117349683B true CN117349683B (zh) | 2024-02-02 |
Family
ID=89356030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311641228.4A Active CN117349683B (zh) | 2023-12-04 | 2023-12-04 | 基于光谱数据的汽车配件涂装色差异常检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349683B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589741B (zh) * | 2024-01-18 | 2024-04-05 | 天津博霆光电技术有限公司 | 基于光学特征的吲哚菁绿智能检测方法 |
CN117647501B (zh) * | 2024-01-29 | 2024-04-26 | 中国计量科学研究院 | 基于icp光谱特征的食品中元素智能检测方法及系统 |
CN117745150B (zh) * | 2024-02-21 | 2024-05-03 | 冠兴(西安)通信电子工程有限公司 | 一种路基压实质量智能评估方法 |
CN118051862B (zh) * | 2024-04-16 | 2024-06-21 | 洛阳禾安工程技术服务有限公司 | 一种建筑涂料的检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105556285A (zh) * | 2013-02-26 | 2016-05-04 | 涂层国外知识产权有限公司 | 用于匹配涂层的颜色与外观的方法 |
CN113781013A (zh) * | 2021-09-26 | 2021-12-10 | 广域铭岛数字科技有限公司 | 一种涂装色点监测方法、系统、介质及终端 |
CN114117197A (zh) * | 2020-08-27 | 2022-03-01 | 美光科技公司 | 用于颜色匹配和推荐的设备和方法 |
CN114676999A (zh) * | 2022-03-18 | 2022-06-28 | 成都飞机工业(集团)有限责任公司 | 一种飞机外观漆料涂层颜色质量控制及评价方法 |
EP4030155A1 (en) * | 2021-01-19 | 2022-07-20 | Fyla Laser, S.L. | System and method for measuring the color of an area of a sample |
CN115547270A (zh) * | 2022-10-26 | 2022-12-30 | 深圳新视光电科技有限公司 | 基于光谱分析的色差调整方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6816572B2 (ja) * | 2017-03-09 | 2021-01-20 | 株式会社リコー | 色測定装置、色測定方法及びプログラム |
MX2022001499A (es) * | 2019-08-06 | 2022-03-17 | Basf Coatings Gmbh | Metodo y sistema para un solido proceso de combinacion de colores y ajuste de colores de efecto. |
-
2023
- 2023-12-04 CN CN202311641228.4A patent/CN117349683B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105556285A (zh) * | 2013-02-26 | 2016-05-04 | 涂层国外知识产权有限公司 | 用于匹配涂层的颜色与外观的方法 |
CN114117197A (zh) * | 2020-08-27 | 2022-03-01 | 美光科技公司 | 用于颜色匹配和推荐的设备和方法 |
EP4030155A1 (en) * | 2021-01-19 | 2022-07-20 | Fyla Laser, S.L. | System and method for measuring the color of an area of a sample |
CN113781013A (zh) * | 2021-09-26 | 2021-12-10 | 广域铭岛数字科技有限公司 | 一种涂装色点监测方法、系统、介质及终端 |
CN114676999A (zh) * | 2022-03-18 | 2022-06-28 | 成都飞机工业(集团)有限责任公司 | 一种飞机外观漆料涂层颜色质量控制及评价方法 |
CN115547270A (zh) * | 2022-10-26 | 2022-12-30 | 深圳新视光电科技有限公司 | 基于光谱分析的色差调整方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
汽车外饰件色差防治分析;李楠;《时代汽车》(第18期);第93-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117349683A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117349683B (zh) | 基于光谱数据的汽车配件涂装色差异常检测系统 | |
CN111524181B (zh) | 一种基于扫描电镜图像分割的多孔材料孔洞自动测量方法 | |
CN111307751B (zh) | 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法 | |
CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN111504942A (zh) | 一种提高牛奶中蛋白质预测精度的近红外光谱分析方法 | |
CN116665057A (zh) | 一种基于图像处理的河道水质监测方法及系统 | |
CN114216877B (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 | |
CN116935384A (zh) | 一种细胞异常样本智能化检测方法 | |
CN113076692B (zh) | 一种反演叶片氮素含量的方法 | |
CN116778520B (zh) | 一种海量证照数据质量检验方法 | |
CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN107169161B (zh) | 分段直接矫正及斜率和截距修正的土壤养分模型转移方法 | |
CN112945901A (zh) | 一种基于近红外光谱的青贮大豆品质检测方法 | |
CN112485238A (zh) | 一种基于拉曼光谱技术鉴别姜黄精油产地的方法 | |
CN116380869A (zh) | 一种基于自适应稀疏分解的拉曼光谱去噪方法 | |
CN111337452A (zh) | 一种验证光谱数据模型转移算法可行性的方法 | |
CN116662751A (zh) | 一种基于主成分分析与杠杆值法剔除异常样本的烟叶含水率检测方法 | |
CN113984708B (zh) | 一种化学指标检测模型的维护方法和装置 | |
CN111415715B (zh) | 一种基于多元光谱数据的智能校正方法、系统及装置 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN113177188B (zh) | 一种基于光谱新特征的反演叶片叶绿素含量的方法 | |
CN109766522B (zh) | 一种刮板输送机链轮的非概率可靠性灵敏度分析方法 | |
CN112161708B (zh) | 用于颜色三刺激值计算的光谱预处理方法 | |
CN115236028A (zh) | 基于有标样模型传递的提高模型稳健性的波段筛选方法 | |
CN115630332A (zh) | 一种小麦粉粉质特性预测方法 |
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 |