[發(fā)明專利]一種基于人工智能的條碼異常檢測方法

有效

• 申請?zhí)枺?/td>: 201911406949.0
• 申請日: 2019-12-31
• 公開（公告）號: CN111178110B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設(shè)計）人: 王妍軍;徐利東;閔衛(wèi)豐
• 申請（專利權(quán)）人: 江蘇金帆電源科技有限公司
• 主分類號: G06K7/14
• 分類號: G06K7/14;G06N3/045;G06N3/048;G06N3/084;G06F18/2411
• 代理公司: 南京天華專利代理有限責(zé)任公司 32218
• 代理人: 夏平

1.一種基于人工智能的條碼異常檢測方法，其步驟為：

1)在標(biāo)簽數(shù)據(jù)小于初始設(shè)定值時，對于掃碼得到的條形碼，采用基本統(tǒng)計規(guī)則，判斷條形碼是否異常，對于符合基本統(tǒng)計規(guī)則的加入至正常標(biāo)簽數(shù)據(jù)組，不符合的加入異常標(biāo)簽數(shù)據(jù)組；

2)當(dāng)標(biāo)簽數(shù)據(jù)達(dá)到初始設(shè)定值后，對于掃碼得到的條形碼采用異常檢測算法預(yù)測條形碼是否異常，并通過人工干預(yù)判斷是否確實異常，對于提示為異常的條形碼，如確定確實為異常，則將數(shù)據(jù)加入異常標(biāo)簽數(shù)據(jù)組，否則，加入正常標(biāo)簽數(shù)據(jù)組；對于未預(yù)測提示異常的條形碼，如果也主動修正條形碼，此時該條形碼加入異常標(biāo)簽數(shù)據(jù)組；所述的異常檢測算法為統(tǒng)計假設(shè)檢驗，其具體步驟為：

取條形碼的ASSIC編碼映射到數(shù)字，假設(shè)條形碼最大長度不超過三十個字符，就將條形碼字符按順序映射到長度為30的向量，長度不足的用0補(bǔ)齊；這樣三十個數(shù)值就是每個條碼的特征值X；對于其中的特征稱之為特征x，x₁表示第一個特征值，即字符對應(yīng)值，x₂表示第二個特征值，即第二個字符對應(yīng)值，依此類推，x_i表示第i個特征值，即第i個字符對應(yīng)值；定義用n來表示特征值的個數(shù)，即：n為30；假設(shè)條形碼分布服從高斯分布，即：

那么高斯分布對應(yīng)的概率密度p為：

聯(lián)合概率密度為：

簡化表達(dá)即：

給定一組條形碼對應(yīng)的特征值組{x¹,x²,x³,...,xⁱ...,x^m}，即不同的條形碼，其中：x¹表示第一個條形碼樣本對應(yīng)的特征值，x²表示第二個條形碼樣本對應(yīng)的特征值，依此類推，m表示訓(xùn)練的樣本數(shù)；然后通過多個電池條形碼樣本轉(zhuǎn)換成為特征向量數(shù)組，通過下面的公式計算擬合參數(shù)

假設(shè)給定了新的條形碼，那么可以根據(jù)前面的規(guī)則映射到特征向量x，代入下面的公式計算概率密度p(x)：

當(dāng)：p(x)ε，則認(rèn)為條形碼異常，ε為判斷閾值，可以通過正負(fù)樣本做交叉驗證不斷修正，使其判斷準(zhǔn)確率越來越高；

3)當(dāng)標(biāo)簽數(shù)據(jù)超過初始設(shè)置值的10倍后，對于輸入的條形碼采用分類預(yù)測算法來判斷條形碼輸入是否異常，預(yù)測結(jié)果需要人工確認(rèn)；對于檢查到的疑似異常條形碼時，如果確定確實為異常，則將該數(shù)據(jù)加入異常標(biāo)簽數(shù)據(jù)組，否則加入正常標(biāo)簽數(shù)據(jù)組；對于未預(yù)測提示異常的條形碼，如果也主動修正條形碼，此時該條形碼加入異常標(biāo)簽數(shù)據(jù)組；所述的分類預(yù)測算法為神經(jīng)網(wǎng)絡(luò)，其具體步驟為：

取條形碼的ASSIC編碼映射到數(shù)字，假設(shè)條形碼最大長度不超過三十個字符，就將條形碼字符按順序映射到長度為30的向量，長度不足的用0補(bǔ)齊；這樣三十個數(shù)值就是每個條碼的特征值X；對于其中的特征稱之為特征x，x₁表示第一個特征值，即字符對應(yīng)值，x₂表示第二個特征值，即第二個字符對應(yīng)值，依此類推，x_i表示第i個特征值，即第i個字符對應(yīng)值；定義用n來表示特征值的個數(shù)，即：n為30；

首先選用的神經(jīng)元模型為：

為sigmod激活函數(shù),h_θ＝g(θ^Tx)；

其中：x₀＝0；為模型參數(shù)；

由許多的神經(jīng)元模型組成了神經(jīng)網(wǎng)絡(luò)：

其中，layer1為第一層,也叫輸入層，layer2為第二層，也叫隱藏層，layer3為第三層，也叫輸出層；隱藏層的層數(shù)和每一層的神經(jīng)元數(shù)可以有多種選擇；

第j層第i個激活單元，Θ^(j)為從第j層到j(luò)+1層權(quán)重控制矩陣；

令：

則可以得到：

綜合上面公式可以向量化表示：

z⁽²⁾＝Θ⁽¹⁾x

a⁽²⁾＝g(z⁽²⁾)

z⁽³⁾＝Θ⁽²⁾a⁽²⁾

h_Θ(x)＝a⁽³⁾＝g(z⁽³⁾)

前面的計算過程稱為前向傳播，給定模型參數(shù)和輸入，計算出輸出；通過數(shù)據(jù)推算可以得到神經(jīng)網(wǎng)絡(luò)的代價函數(shù)：

其中：(h_Θ(x⁽ⁱ⁾))_i表示第i個輸出；

對于單個樣本代價函數(shù)cost(i)

cost(i)＝y(tǒng)⁽ⁱ⁾log(h_Θ(x⁽ⁱ⁾))+(1-y⁽ⁱ⁾)log(h_Θ(x⁽ⁱ⁾))

訓(xùn)練學(xué)習(xí)的過程就是最小化代價函數(shù)：minizeJ(Θ)，具體計算過程：

a)隨機(jī)初始化模型參數(shù)Θ；

b)對于每個輸入x⁽ⁱ⁾通過前向傳導(dǎo)計算h_Θ(x⁽ⁱ⁾)；

c)計算代價函數(shù)J(Θ)；

d)通過反向傳播計算偏導(dǎo)

e)使用梯度下降算法優(yōu)化minize?J(Θ)。