CN117689999B - 一种用于实现tc4卷带工艺优化的方法及系统 - Google Patents
一种用于实现tc4卷带工艺优化的方法及系统 Download PDFInfo
- Publication number
- CN117689999B CN117689999B CN202410156987.XA CN202410156987A CN117689999B CN 117689999 B CN117689999 B CN 117689999B CN 202410156987 A CN202410156987 A CN 202410156987A CN 117689999 B CN117689999 B CN 117689999B
- Authority
- CN
- China
- Prior art keywords
- processing
- defect
- data
- image
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 claims abstract description 241
- 238000012545 processing Methods 0.000 claims abstract description 198
- 238000004088 simulation Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 238000005096 rolling process Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000012805 post-processing Methods 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 24
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 229910001069 Ti alloy Inorganic materials 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- 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
- G06T2207/30136—Metal
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于实现TC4卷带工艺优化的方法及系统。采集预设批次的TC4卷带轧制加工前后图像集,并基于GAN的训练图像生成,生成模拟图像;基于k‑means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,最后将得到N组加工模拟数据作为识别模型训练数据,实时获取TC4卷带加工图像数据,并得到实时图像数据;将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案。通过本发明,能够在基于现有TC4加工图像进行自学习,形成高特征、高质量的训练数据,提高缺陷模型识别率,并进一步实现精准化的工艺优化过程。
Description
技术领域
本发明涉及TC4卷带图像分析领域,更具体的,涉及一种用于实现TC4卷带工艺优化的方法及系统。
背景技术
TC4钛合金是一种广泛应用于航空航天、石油化工和汽车制造等领域的钛合金材料。在TC4卷带加工过程中,由于材料特性、工艺参数、环境因素等多种因素的影响,常常会出现带材表面质量不稳定、厚度波动等问题。这些问题不仅影响了产品的质量,也造成了原材料的浪费和生产效率的低下。而现有技术中,缺少对已有加工的TC4卷带图像进行模拟学习的过程,缺少相应高质量的训练数据,导致相应的识别模型的缺陷识别率较低,影响后续工艺优化分析。因此,目前亟需一种用于实现TC4卷带工艺优化的方法。
发明内容
本发明克服了现有技术的缺陷,提出了一种用于实现TC4卷带工艺优化的方法及系统。
本发明第一方面提供了一种用于实现TC4卷带工艺优化的方法,包括:
在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集;
根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像;
对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据;
将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据;
将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案。
本方案中,所述在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集,具体为:
在一个历史预设时间段内,基于预设高清摄像装置,采集在轧制过程中N个不同工序中的初始图像数据;
将所述初始图像数据进行图像平滑、降噪、增强预处理;
将预处理后的初始图像数据基于加工工序进行划分,得到N份加工图像数据;
将所述N份加工图像数据作为加工前后图像集。
本方案中,所述根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像,具体为:
构建基于GAN的生成模型,所述生成模型包括生成器与判别器;
将加工前后图像集进行数据标准化并导入生成器,在生成模型中设定预设损失函数;
通过生成器,循环生成模拟数据,基于判别器循环地进行模拟数据判别,每次循环过程中,分别对生成器与判别器进行参数优化;
循环进行模型训练与图像自学习,每次数据生成与判别均对应调整生成器与判别器参数,直至生成器与判别器达到纳什平衡。
本方案中,所述根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像,具体为:
将训练后的生成模型进行预设数据量的加工图像数据生成,得到加工前模拟图像与加工后模拟图像;
将加工前模拟图像与加工后模拟图像进行数据整合,形成模拟数据集。
本方案中,所述对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据,具体为:
基于系统数据库,获取N个加工工序的缺陷对比特征数据;
构建基于k-means的聚类模型,将N个缺陷对比特征数据导入聚类模型并生成N个聚类中心;
将模拟数据集导入聚类模型并作为聚类样品数据,基于标准欧氏距离,计算聚类样品数据到N个聚类中心的距离,通过距离值进行数据聚类划分,基于聚类划分后的数据生成新的N个聚类中心;
重复进行聚类分析,直至聚类中心点不再移动;
基于此时聚类模型得到聚类结果,通过聚类结果获取N组加工模拟数据。
本方案中,所述将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据,具体为:
构建基于CNN的缺陷识别模型;
将所述N组加工模拟数据基于预设比例划分出训练数据集与测试数据集;
将所述训练数据集与测试数据集导入缺陷识别模型进行数据训练,基于反向传播算法和梯度下降优化器对缺陷识别模型进行参数调优,并得到训练后的缺陷识别模型。
本方案中,所述将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案,具体为:
基于TC4卷带加工过程,获取实时图像数据;
将所述实时图像数据进行图像降噪、增强预处理,基于预处理后数据进行图像特征数据提取,得到待识别特征数据;
将所述待识别特征数据导入缺陷识别模型进行缺陷识别,并得到缺陷类别信息与多个缺陷位置点;
基于相同缺陷类别的缺陷位置点进行围闭连线并构建出一定面积的区域,将所述区域标记为缺陷影响区域;
基于缺陷类别信息分析所有缺陷类别,并得到多个缺陷影响区域;
根据缺陷类别信息与多个缺陷影响区域,计算出每个缺陷影响区域的面积值,基于所述面积值,判断加工工序的质量情况,并生成基于多工序调控的加工优化方案;
在所述进行缺陷识别的过程中,将对应识别得到的实时缺陷特征更新到系统数据库。
本发明第二方面还提供了一种用于实现TC4卷带工艺优化系统,该系统包括:存储器、处理器,所述存储器中包括用于实现TC4卷带工艺优化程序,所述用于实现TC4卷带工艺优化程序被所述处理器执行时实现如下步骤:
在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集;
根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像;
对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据;
将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据;
将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案。
本发明公开了一种用于实现TC4卷带工艺优化的方法及系统。采集预设批次的TC4卷带轧制加工前后图像集,并基于GAN的训练图像生成,生成模拟图像;基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,最后将得到N组加工模拟数据作为识别模型训练数据,实时获取TC4卷带加工图像数据,并得到实时图像数据;将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案。通过本发明,能够在基于现有TC4加工图像进行自学习,形成高特征、高质量的训练数据,提高缺陷模型识别率,并进一步实现精准化的工艺优化过程。
附图说明
图1示出了本发明一种用于实现TC4卷带工艺优化的方法的流程图;
图2示出了本发明获取加工前后图像集流程图;
图3示出了本发明一种用于实现TC4卷带工艺优化系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种用于实现TC4卷带工艺优化的方法的流程图。
如图1所示,本发明第一方面提供了一种用于实现TC4卷带工艺优化的方法,包括:
S102,在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集;
S104,根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像;
S106,对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据;
S108,将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据;
S110,将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案。
需要说明的是,所述TC4卷带即指TC4钛合金卷带。
图2示出了本发明获取加工前后图像集流程图。
根据本发明实施例,所述在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集,具体为:
S202,在一个历史预设时间段内,基于预设高清摄像装置,采集在轧制过程中N个不同工序中的初始图像数据;
S204,将所述初始图像数据进行图像平滑、降噪、增强预处理;
S206,将预处理后的初始图像数据基于加工工序进行划分,得到N份加工图像数据;
S208,将所述N份加工图像数据作为加工前后图像集。
需要说明的是,在进行TC4生产的轧制加工过程中,由于生产采集数据量有限,在进行构建相应缺陷识别模型时难以拥有较好、特征较高、数据量较大的训练数据。现有技术中,缺少对已有加工的TC4卷带图像进行模拟学习,缺少相应高质量的训练数据,导致相应的识别模型的缺陷识别率较低,影响后续工艺优化分析。
在轧制过程中,一般包括多个不同工序的工序,不同的工序对应可能产生不同的缺陷,例如,表裂斑纹缺陷,一般由于材料准备阶段未仔细检查或缺失检查,酸斑,一般由于酸洗工序中,残酸未冲洗干净,划伤形成的缺陷,可能为轧件边部毛刺及尾部掉渣被压入产品表面。
采集的N个工序图像数据中,第一个工序可以设定为材料准备,即作为加工前图像数据,其余工序数量为N-1,均有对应工序加工后的图像数据。
根据本发明实施例,所述根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像,具体为:
构建基于GAN的生成模型,所述生成模型包括生成器与判别器;
将加工前后图像集进行数据标准化并导入生成器,在生成模型中设定预设损失函数;
通过生成器,循环生成模拟数据,基于判别器循环地进行模拟数据判别,每次循环过程中,分别对生成器与判别器进行参数优化;
循环进行模型训练与图像自学习,每次数据生成与判别均对应调整生成器与判别器参数,直至生成器与判别器达到纳什平衡。
需要说明的是,所述基于GAN的生成模型具有图像自学习的能力,能够循环进行对抗神经网络的自学习,能够在后续得到高质量的模拟数据。
根据本发明实施例,所述根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像,具体为:
将训练后的生成模型进行预设数据量的加工图像数据生成,得到加工前模拟图像与加工后模拟图像;
将加工前模拟图像与加工后模拟图像进行数据整合,形成模拟数据集。
根据本发明实施例,所述对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据,具体为:
基于系统数据库,获取N个加工工序的缺陷对比特征数据;
构建基于k-means的聚类模型,将N个缺陷对比特征数据导入聚类模型并生成N个聚类中心;
将模拟数据集导入聚类模型并作为聚类样品数据,基于标准欧氏距离,计算聚类样品数据到N个聚类中心的距离,通过距离值进行数据聚类划分,基于聚类划分后的数据生成新的N个聚类中心;
重复进行聚类分析,直至聚类中心点不再移动;
基于此时聚类模型得到聚类结果,通过聚类结果获取N组加工模拟数据。
需要说明的是,所述缺陷对比特征数据为存储于数据库中的标准缺陷图像特征数据,具有较好的参考意义,用于进行数据对比分析,在本发明中,用于生成聚类模型的初始聚类中心。
值得一提的是,现有技术中,缺少对TC4卷带的识别模型训练过程,针对于TC4钛合金卷带的缺陷识别技术较少,且一般训练数据也较少,而缺陷模型的训练流程也通过较为简单,没有基于一定的加工工序进行针对性的数据训练,最终识别效果较为一般。而在本发明中,通过GAN神经网络,对已有图像数据进行模拟分析与自学习,并生成一定数据量的模拟图像数据,该图像数据具有高度的真实性,能够作为训练数据提高模型的缺陷识别率。另外,本发明将模拟数据进行基于改进的k-means的聚类分组,在聚类分析中,通过N种缺陷特征生成N个聚类中心,基于聚类中心,对聚类样品进行聚类过程中,能够逐渐将模拟数据进行不同加工工序的缺陷聚类分组,并形成相互之间具有一定特征区别的N个聚类组数据(即N组加工模拟数据),在聚类过程中,实现模拟数据的合理分化与分组,有效提高训练数据的分组效果与后续训练效果。传统的k-means聚类算法基于随机选取的中心点,聚类后的数据虽然具有特征分层,却没有固定的目的划分,而本发明改进的聚类算法中,创新性地引入N种缺陷特征生成作为N个聚类中心,有效在聚类开始时进行一定目的性的数据分层划分,从而能够快速、高效地生成训练数据。
根据本发明实施例,所述将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据,具体为:
构建基于CNN的缺陷识别模型;
将所述N组加工模拟数据基于预设比例划分出训练数据集与测试数据集;
将所述训练数据集与测试数据集导入缺陷识别模型进行数据训练,基于反向传播算法和梯度下降优化器对缺陷识别模型进行参数调优,并得到训练后的缺陷识别模型。
根据本发明实施例,所述将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案,具体为:
基于TC4卷带加工过程,获取实时图像数据;
将所述实时图像数据进行图像降噪、增强预处理,基于预处理后数据进行图像特征数据提取,得到待识别特征数据;
将所述待识别特征数据导入缺陷识别模型进行缺陷识别,并得到缺陷类别信息与多个缺陷位置点;
基于相同缺陷类别的缺陷位置点进行围闭连线并构建出一定面积的区域,将所述区域标记为缺陷影响区域;
基于缺陷类别信息分析所有缺陷类别,并得到多个缺陷影响区域;
根据缺陷类别信息与多个缺陷影响区域,计算出每个缺陷影响区域的面积值,基于所述面积值,判断加工工序的质量情况,并生成基于多工序调控的加工优化方案;
在所述进行缺陷识别的过程中,将对应识别得到的实时缺陷特征更新到系统数据库。
需要说明的是,在普通轧制加工情况下,一般一种加工工序对应一种缺陷类别,通过对缺陷识别、统计与标注,能够基于图像数字化对缺陷情况进行分析,从而生成不同工序优化方案,并对相应工序的加工工艺进行优化或调整。所述将对应识别得到的实时缺陷特征更新到系统数据库中,能够实时更新数据库中的对比缺陷特征,在下一个生产周期或者数据分析周期中,对模拟数据集进行聚类分析时,能够基于更新后的缺陷特征进行初始聚类中心点的设定,从而使聚类分析更加符合实际生产情况。所述缺陷影响区域面积越大,则代表该类别的缺陷情况越严重,进一步地,对对应的加工工序需要进行更高优先级的调优分析。
一种缺陷影响区域对应一种缺陷类别,也对应一种加工工序。
根据本发明实施例,还包括:
在当前一个生产周期内,获取对应识别得到实时缺陷特征;
基于系统数据库,获取高特征度的第一缺陷特征;
将所述实时缺陷特征与第一缺陷特征进行基于马氏距离的特征差异度计算,得到第一差异度;
获取上一个生产周期内,实时缺陷特征对应的差异度,并标记为第二差异度;
以第一差异度与第二差异度差值作为缺陷特征趋势值;
基于当前一个生产周期,计算出所有缺陷影响区域的面积值之和,并得到第一面积值;
基于上一个生产周期,获取对应的缺陷影响区域的面积值之和,并得到第二面积值;
计算出第一面积值相对于第二面积值的增长率,并将增长率作为缺陷区域增长趋势值;
对所述缺陷特征趋势值与缺陷区域增长趋势值进行加权均值计算,将得到的均值作为TC4生产综合评估指标;
判断TC4生产综合评估指标是否超过预设生产阈值,若超过,则生成预警信息。
需要说明的是,所述第一缺陷特征为通过预设存储得到的,为一种用户筛选或机器筛选的高特征度缺陷特征数据,用于判断当前特征是否接近于所述高特征度缺陷特征数据,从而判断生产过程中的缺陷情况是否接近于较为严重缺陷,从而实现预警判断。缺陷特征趋势值越大,代表当前生产周期下,相较于上一周期缺陷特征趋势越高,加工工艺质量在下降。
本发明基于两个指标对生产工序进行预警分析,分别基于缺陷影响面积与图像特征变化趋势进行判断,并基于周期性进行数据判断缺陷的趋势走向,从而实现自动化、精准化的生产预警,减少依靠人工经验进行TC4卷带轧制生产过程监督的情况,提高生产智能化水平,实现生产减本增效。该评估方法精准高效,综合评估性强,能够对于整个生产流程进行综合性生产预警,如TC4卷带的轧制生产流程。
图3示出了本发明一种用于实现TC4卷带工艺优化系统的框图。
本发明第二方面还提供了一种用于实现TC4卷带工艺优化系统3,该系统包括:存储器31、处理器32,所述存储器中包括用于实现TC4卷带工艺优化程序,所述用于实现TC4卷带工艺优化程序被所述处理器执行时实现如下步骤:
在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集;
根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像;
对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据;
将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据;
将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案。
需要说明的是,所述TC4卷带即指TC4钛合金卷带。
所述系统在执行上述步骤时实现如本实施例一种用于实现TC4卷带工艺优化的方法中全部步骤。
本发明公开了一种用于实现TC4卷带工艺优化的方法及系统。采集预设批次的TC4卷带轧制加工前后图像集,并基于GAN的训练图像生成,生成模拟图像;基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,最后将得到N组加工模拟数据作为识别模型训练数据,实时获取TC4卷带加工图像数据,并得到实时图像数据;将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案。通过本发明,能够在基于现有TC4加工图像进行自学习,形成高特征、高质量的训练数据,提高缺陷模型识别率,并进一步实现精准化的工艺优化过程。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种用于实现TC4卷带工艺优化的方法,其特征在于,包括:
在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集;
根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像;
对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据;
将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据;
将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案;
其中,所述在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集,具体为:
在一个历史预设时间段内,基于预设高清摄像装置,采集在轧制过程中N个不同工序中的初始图像数据;
将所述初始图像数据进行图像平滑、降噪、增强预处理;
将预处理后的初始图像数据基于加工工序进行划分,得到N份加工图像数据;
将所述N份加工图像数据作为加工前后图像集;
其中,所述根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像,具体为:
构建基于GAN的生成模型,所述生成模型包括生成器与判别器;
将加工前后图像集进行数据标准化并导入生成器,在生成模型中设定预设损失函数;
通过生成器,循环生成模拟数据,基于判别器循环地进行模拟数据判别,每次循环过程中,分别对生成器与判别器进行参数优化;
循环进行模型训练与图像自学习,每次数据生成与判别均对应调整生成器与判别器参数,直至生成器与判别器达到纳什平衡;
将训练后的生成模型进行预设数据量的加工图像数据生成,得到加工前模拟图像与加工后模拟图像;
将加工前模拟图像与加工后模拟图像进行数据整合,形成模拟数据集;
其中,所述对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据,具体为:
基于系统数据库,获取N个加工工序的缺陷对比特征数据;
构建基于k-means的聚类模型,将N个缺陷对比特征数据导入聚类模型并生成N个聚类中心;
将模拟数据集导入聚类模型并作为聚类样品数据,基于标准欧氏距离,计算聚类样品数据到N个聚类中心的距离,通过距离值进行数据聚类划分,基于聚类划分后的数据生成新的N个聚类中心;
重复进行聚类分析,直至聚类中心点不再移动;
基于此时聚类模型得到聚类结果,通过聚类结果获取N组加工模拟数据;
其中,所述将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案,具体为:
基于TC4卷带加工过程,获取实时图像数据;
将所述实时图像数据进行图像降噪、增强预处理,基于预处理后数据进行图像特征数据提取,得到待识别特征数据;
将所述待识别特征数据导入缺陷识别模型进行缺陷识别,并得到缺陷类别信息与多个缺陷位置点;
基于相同缺陷类别的缺陷位置点进行围闭连线并构建出一定面积的区域,将所述区域标记为缺陷影响区域;
基于缺陷类别信息分析所有缺陷类别,并得到多个缺陷影响区域;
根据缺陷类别信息与多个缺陷影响区域,计算出每个缺陷影响区域的面积值,基于所述面积值,判断加工工序的质量情况,并生成基于多工序调控的加工优化方案;
在所述进行缺陷识别的过程中,将对应识别得到的实时缺陷特征更新到系统数据库。
2.根据权利要求1所述的一种用于实现TC4卷带工艺优化的方法,其特征在于,所述将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据,具体为:
构建基于CNN的缺陷识别模型;
将所述N组加工模拟数据基于预设比例划分出训练数据集与测试数据集;
将所述训练数据集与测试数据集导入缺陷识别模型进行数据训练,基于反向传播算法和梯度下降优化器对缺陷识别模型进行参数调优,并得到训练后的缺陷识别模型。
3.一种用于实现TC4卷带工艺优化系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括用于实现TC4卷带工艺优化程序,所述用于实现TC4卷带工艺优化程序被所述处理器执行时实现如下步骤:
在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集;
根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像;
对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据;
将N组加工模拟数据导入基于CNN的缺陷识别模型进行训练,基于机器视觉技术,实时获取TC4卷带加工图像数据,并得到实时图像数据;
将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案;
其中,所述在一个预设时间段内,采集预设批次的TC4卷带轧制加工前后图像集,具体为:
在一个历史预设时间段内,基于预设高清摄像装置,采集在轧制过程中N个不同工序中的初始图像数据;
将所述初始图像数据进行图像平滑、降噪、增强预处理;
将预处理后的初始图像数据基于加工工序进行划分,得到N份加工图像数据;
将所述N份加工图像数据作为加工前后图像集;
其中,所述根据所述加工前后图像集进行基于GAN的训练图像生成,并生成预设数据量的加工前模拟图像与加工后模拟图像,具体为:
构建基于GAN的生成模型,所述生成模型包括生成器与判别器;
将加工前后图像集进行数据标准化并导入生成器,在生成模型中设定预设损失函数;
通过生成器,循环生成模拟数据,基于判别器循环地进行模拟数据判别,每次循环过程中,分别对生成器与判别器进行参数优化;
循环进行模型训练与图像自学习,每次数据生成与判别均对应调整生成器与判别器参数,直至生成器与判别器达到纳什平衡;
将训练后的生成模型进行预设数据量的加工图像数据生成,得到加工前模拟图像与加工后模拟图像;
将加工前模拟图像与加工后模拟图像进行数据整合,形成模拟数据集;
其中,所述对加工前模拟图像与加工后模拟图像数据整合,并基于k-means聚类算法对模拟图像数据进行聚类分组,聚类分组基于加工工序中的缺陷特征,并最后得到N组加工模拟数据,具体为:
基于系统数据库,获取N个加工工序的缺陷对比特征数据;
构建基于k-means的聚类模型,将N个缺陷对比特征数据导入聚类模型并生成N个聚类中心;
将模拟数据集导入聚类模型并作为聚类样品数据,基于标准欧氏距离,计算聚类样品数据到N个聚类中心的距离,通过距离值进行数据聚类划分,基于聚类划分后的数据生成新的N个聚类中心;
重复进行聚类分析,直至聚类中心点不再移动;
基于此时聚类模型得到聚类结果,通过聚类结果获取N组加工模拟数据;
其中,所述将所述实时图像数据导入缺陷识别模型进行缺陷识别与标记,得到缺陷区域与缺陷类别,根据所述缺陷区域与缺陷类别进行加工工艺缺陷分析,基于不同加工工序,生成加工优化方案,具体为:
基于TC4卷带加工过程,获取实时图像数据;
将所述实时图像数据进行图像降噪、增强预处理,基于预处理后数据进行图像特征数据提取,得到待识别特征数据;
将所述待识别特征数据导入缺陷识别模型进行缺陷识别,并得到缺陷类别信息与多个缺陷位置点;
基于相同缺陷类别的缺陷位置点进行围闭连线并构建出一定面积的区域,将所述区域标记为缺陷影响区域;
基于缺陷类别信息分析所有缺陷类别,并得到多个缺陷影响区域;
根据缺陷类别信息与多个缺陷影响区域,计算出每个缺陷影响区域的面积值,基于所述面积值,判断加工工序的质量情况,并生成基于多工序调控的加工优化方案;
在所述进行缺陷识别的过程中,将对应识别得到的实时缺陷特征更新到系统数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156987.XA CN117689999B (zh) | 2024-02-04 | 2024-02-04 | 一种用于实现tc4卷带工艺优化的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156987.XA CN117689999B (zh) | 2024-02-04 | 2024-02-04 | 一种用于实现tc4卷带工艺优化的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689999A CN117689999A (zh) | 2024-03-12 |
CN117689999B true CN117689999B (zh) | 2024-05-07 |
Family
ID=90135778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156987.XA Active CN117689999B (zh) | 2024-02-04 | 2024-02-04 | 一种用于实现tc4卷带工艺优化的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689999B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005106498A (ja) * | 2003-09-29 | 2005-04-21 | Fuji Photo Film Co Ltd | 欠陥除去方法 |
CN110443412A (zh) * | 2019-07-18 | 2019-11-12 | 华中科技大学 | 动态优化加工过程中物流调度及路径规划的强化学习方法 |
CN114140373A (zh) * | 2021-06-16 | 2022-03-04 | 中山职业技术学院 | 一种基于LabVIEW深度学习的开关缺陷检测方法 |
CN115618546A (zh) * | 2021-07-13 | 2023-01-17 | 宝武特冶钛金科技有限公司 | 一种钛合金热加工过程中锻造工艺参数的优化方法 |
KR20230137788A (ko) * | 2022-03-22 | 2023-10-05 | 광동 유에하이 워터 서비스 인베스트먼트 컴퍼니 리미티드 | 셀프 어텐션 메커니즘 기반 다양한 유형의 배관 결함에 대한 검사, 추적 및 계수방법 |
CN117095247A (zh) * | 2023-10-20 | 2023-11-21 | 广东德力宏展智能装备有限公司 | 基于数控加工的加工姿态运行优化方法、系统及介质 |
CN117152114A (zh) * | 2023-09-21 | 2023-12-01 | 创远亿德(天津)集团有限公司 | 一种电机生产检测方法、装置、电子设备及存储介质 |
-
2024
- 2024-02-04 CN CN202410156987.XA patent/CN117689999B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005106498A (ja) * | 2003-09-29 | 2005-04-21 | Fuji Photo Film Co Ltd | 欠陥除去方法 |
CN110443412A (zh) * | 2019-07-18 | 2019-11-12 | 华中科技大学 | 动态优化加工过程中物流调度及路径规划的强化学习方法 |
CN114140373A (zh) * | 2021-06-16 | 2022-03-04 | 中山职业技术学院 | 一种基于LabVIEW深度学习的开关缺陷检测方法 |
CN115618546A (zh) * | 2021-07-13 | 2023-01-17 | 宝武特冶钛金科技有限公司 | 一种钛合金热加工过程中锻造工艺参数的优化方法 |
KR20230137788A (ko) * | 2022-03-22 | 2023-10-05 | 광동 유에하이 워터 서비스 인베스트먼트 컴퍼니 리미티드 | 셀프 어텐션 메커니즘 기반 다양한 유형의 배관 결함에 대한 검사, 추적 및 계수방법 |
CN117152114A (zh) * | 2023-09-21 | 2023-12-01 | 创远亿德(天津)集团有限公司 | 一种电机生产检测方法、装置、电子设备及存储介质 |
CN117095247A (zh) * | 2023-10-20 | 2023-11-21 | 广东德力宏展智能装备有限公司 | 基于数控加工的加工姿态运行优化方法、系统及介质 |
Non-Patent Citations (1)
Title |
---|
一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究;代小红;陈华江;朱超平;;表面技术;20201020(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117689999A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271374B (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN115860579B (zh) | 一种用于面粉加工的生产质量监测系统 | |
CN111898443B (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN112527604A (zh) | 一种基于深度学习的运维检测方法、系统、电子设备及介质 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN110580510B (zh) | 一种聚类结果评价方法和系统 | |
CN116385863B (zh) | 一种基于深度学习的水体中微塑料识别方法及系统 | |
CN112633998B (zh) | 税务大数据决策分析方法及系统 | |
CN112597865A (zh) | 热轧带钢边部缺陷智能识别方法 | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
CN112200000A (zh) | 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法 | |
CN118194186A (zh) | 一种基于物联网的螺蛳肉饲料制作管理方法及系统 | |
CN117689999B (zh) | 一种用于实现tc4卷带工艺优化的方法及系统 | |
CN111582440A (zh) | 一种基于深度学习的数据处理方法 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN116563598A (zh) | 一种网络度检测方法、装置、存储介质及电子设备 | |
CN115200513A (zh) | 一种旋转体夹具同轴度跳动检测分析控制系统 | |
CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
CN114742297A (zh) | 动力电池的处理方法 | |
CN118261914B (zh) | 一种基于人工智能的电感质量评估方法、系统及存储介质 | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 |
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 |