[發明專利]一種基于深度學習的車間產品質量評估方法

在審

• 申請號: 202010236677.0
• 申請日: 2020-03-30
• 公開（公告）號: CN111553557A
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 袁海飛;宋之克;張勛兵;李聰聰
• 申請（專利權）人: 徐州徐工挖掘機械有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/08;G06K9/62
• 代理公司: 徐州創榮知識產權代理事務所(普通合伙) 32353
• 代理人: 晏榮府

1.一種基于深度學習的車間產品質量評估方法，其特征在于：分為構造模型和車間產品質量評估兩個階段；構造模型階段包括數據采集模塊、數據預處理及擴充模塊、模型訓練模塊三個部分，車間產品質量評估階段包括模型預測模塊；具體過程如下：

在構造模型階段，數據采集模塊使用攝像頭對車間產品進行多方位多角度的圖片信息采集；

數據預處理及擴充模塊將數據采集模塊采集到的車間產品圖片樣本數據進行預處理，并將預處理后的數據進行數據的擴充操作生成更多數據，再將擴充后的樣本數據按照一定比例分成訓練樣本和測試樣本；

模型訓練模塊利用深度全連接神經網絡訓練數據擴充后的樣本數據，并將訓練好的模型的權重和偏置保存到數據庫中；

模型預測模塊將需要預測的車間產品圖片傳入訓練好的模型中預測是優質合格還是劣質產品。

2.根據權利要求1所述的一種基于深度學習的車間產品質量評估方法，其特征在于：數據采集模塊中，攝像頭采集的車間產品圖片清晰且無其它干擾背景，采集車間產品圖片的數量在十萬以上，且優質、合格和劣質產品的數量比例相同，不存在正負樣本不均衡的問題，然后將采集的圖片進行優質、合格和劣質分類標注。

3.根據權利要求1所述的一種基于深度學習的車間產品質量評估方法，其特征在于：在數據預處理及擴充模塊中，將數據采集模塊采集到的車間產品圖片樣本信息預處理，對圖片進行高斯濾波處理，將圖片的部分噪聲清除，同時使用裁剪、旋轉、縮放、翻轉、隨機設置圖片亮度和對比度來對圖片數據進行數據擴充，擴充后正負樣本總數量在一百萬以上；訓練樣本和測試樣本的分割比例為采取99:1。

4.根據權利要求1所述的一種基于深度學習的車間產品質量評估方法，其特征在于：模型訓練模塊中，訓練模型的損失函數為交叉熵，激活函數為Relu；交叉熵損失函數計算公式為：

其中，x表示輸入的樣本，n表示樣本量，y表示樣本真實分類值，這里定義優質產品的分類值為[1,0,0]，合格產品的分類值為[0,1,0]，劣質產品的分類值為[0,0,1]，表示模型預測出的樣本分類概率值，

Relu計算公式為：

5.根據權利要求1所述的一種基于深度學習的車間產品質量評估方法，其特征在于：模型預測模塊將需要預測的車間產品圖片傳入訓練好的模型中預測是優質、合格還是劣質產品。

6.根據權利要求1所述的一種基于深度學習的車間產品質量評估方法，其特征在于：模型預測模塊具體步驟如下：

(1)模型預測模塊將收到需要預測的命令，之后把需要預測的車間產品圖片進行高斯濾波處理，清除部分圖片噪聲，然后將預處理后的圖片數據傳入目標定位模塊；

(3)目標定位模塊從模型訓練模塊中得到訓練好的神經網絡模型，傳入上述預處理后的圖片數據，得到預測結果；

(3)將預測后的分類結果信息輸出。

7.根據權利要求6所述的一種基于深度學習的車間產品質量評估方法，其特征在于：產品質量預測后的分類結果：優質、合格、劣質；通過顏色、形狀、材質等特征確定。