[發明專利]一種基于深度神經網絡遷移學習的產品質量檢測方法在審
| 申請號： | 202010426325.1 | 申請日： | 2020-05-19 |
| 公開（公告）號： | CN111753877A | 公開（公告）日： | 2020-10-09 |
| 發明（設計）人： | 謝德威;李尚勇;王雪濤;惠偉 | 申請（專利權）人： | 海克斯康制造智能技術（青島）有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08;G06Q10/06 |
| 代理公司： | 青島聯智專利商標事務所有限公司 37101 | 代理人： | 曹艷芳 |
| 地址： | 266000 山東省青島市*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 神經網絡 遷移 學習 產品質量 檢測 方法 | ||
1.一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，包括以下步驟：
S1、采集傳感器的數據并進行歸一化處理后得到灰度圖；
S2、將人臉識別模型進行遷移學習構建傳感器特征提取網絡；利用該傳感器特征提取網絡對步驟S1中的灰度圖進行降維處理，得到傳感器特征向量；
S3、將步驟S2中的傳感器特征向量與產品特征庫中的向量比較后判斷待測產品質量。
2.根據權利要求1所述的一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，重復步驟S1-S2得到所述步驟S3中產品特征庫；所述產品特征庫中的向量均帶有質量標簽。
3.根據權利要求1所述的一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，所述步驟S1中灰度圖的維度大小為M*N；其中，M為傳感器的個數，N為每個傳感器采集的數據個數。
4.根據權利要求1所述的一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，所述步驟S3具體包括以下步驟：
S31、通過歐式距離公式計算所述步驟S2中的傳感器特征向量與所述產品特征庫中的每一個向量的歐式距離，得到最小歐式距離
S32、判斷所述產品特征庫中的質量標簽為不合格的向量數量是否等于0；若是，選擇第一類計算方法判斷待測產品質量；否則繼續判斷所述產品特征庫中的質量標簽為不合格的向量數量是否小于3；若是，選擇第二類計算方法判斷待測產品質量；否則選擇第三類計算方法判斷待測產品質量。
5.根據權利要求4所述的一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，第一類計算方法的步驟為：
S321、計算所述產品特征庫中任意兩個向量間的最大距離
S322、采用下式計算相似度S：
；
S323、根據相似度S的區間大小設置閾值，將最小歐式距離
6.根據權利要求5所述的一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，所述步驟S321中的計算公式為：
；其中A為所述傳感器特征向量的維度大小；x1=[0,0,0...0]，x2=[1,1,1...1]。
7.根據權利要求4所述的一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，所述第二類方法的步驟為：
首先設置K近鄰算法的參數K=1；然后根據步驟S31中的所述最小歐式距離
8.根據權利要求4所述的一種基于深度神經網絡遷移學習的產品質量檢測方法，其特征在于，所述第三類方法的步驟為：
首先設置K近鄰算法的參數K=3；然后根據步驟S31中的所述最小歐式距離
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于海克斯康制造智能技術（青島）有限公司，未經海克斯康制造智能技術（青島）有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010426325.1/1.html，轉載請聲明來源鉆瓜專利網。
