[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

本發明公開了一種基于深度學習的車間產品質量評估方法，涉及車間產品質量評估技術領域。本方法包括數據采集模塊、數據預處理及擴充模塊、模型訓練模塊和模型預測模塊四個部分。首先，數據采集模塊采集車間產品圖片樣本數據；其次，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；然后，模型訓練模塊利用深度全連接神經網絡訓練擴充后的樣本數據，并將訓練好的模型的權重和偏置保存到數據庫中；最后，模型預測模塊將需要預測的產品圖片數據傳入訓練好的模型中預測其質量。本方法通過智能檢測的方式提高了檢測效率，節約了質量評估時間，節省大量人力物力。

技術領域

本發明涉及車間產品質量評估技術領域，具體是一種基于深度學習的車間產品質量評估方法。

背景技術

車間生產線上的產品種類繁多，產品數量龐大，但產品的質量卻很難把控。傳統方法往往都是通過人工的方式去檢驗產品質量，比如將成品通過隨機抽樣的方式對產品進行評估。但這種檢測產品質量的方式效率低，成本高，速度慢，且評估的質量受主觀影響較大。

而隨著深度學習的大面積普及，計算機設備計算能力的不斷提高和車間智慧化管理的興起，利用深度學習來解決傳統車間中存在的問題取得了很大優勢，如今基于深度學習的分類網絡的準確率在有大數據量的情況下可以達到甚至超越人類。

發明內容

為了克服上述現有技術的缺點，本發明提供了一種基于深度學習的車間產品質量評估方法，通過深度學習方法來判斷車間產品的質量，通過自動化智能檢測彌補了傳統檢測方法的缺陷，提高了效率，節省大量人力物力。

本發明是以如下技術方案實現的:一種基于深度學習的車間產品質量評估方法，其特征在于：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(w)和偏置(b)保存到數據庫中，訓練模型的損失函數為交叉熵，激活函數為Relu；

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。

優選的，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。

優選的，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，因為1％的測試樣本也在一萬之多，足夠測試使用。

優選的，模型訓練模塊中，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：