[發明專利]一種基于5G和圖嵌入優化的TSVM模型自優化與預測方法、設備及存儲介質

有效

• 申請號: 202110451360.3
• 申請日: 2021-04-26
• 公開（公告）號: CN113128608B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 張海霞;王翊州;袁東風;馬睿
• 申請（專利權）人: 山東大學
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G06F18/23;G06N20/10
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 楊樹云

1.一種基于5G和圖嵌入優化的TSVM離散制造業外觀質檢模型自優化與預測方法，其特征在于，對生產的空調外機及其配件進行外觀質檢，質檢指標包括旋風網型號、連機管數量以及種類、logo的種類以及數量，包括步驟如下：

(1)在已有的未標注數據集中隨機抽取若干數量的數據作為訓練集，并對其進行數據標注，形成帶標記數據集；在已有的工業相機拍攝的空調外機照片數據庫中隨機抽取若干數量的圖片作為訓練集，使用深度學習訓練網絡，用以對目標進行識別，標記好的圖片的信息轉化為向量x，步驟如下：

①使用OpenCV提取空調外機圖像，并對空調外機圖像進行歸一化處理，即將所有空調外機圖像放縮至相同大?。?/p>

②將特征轉化為特征向量，對旋風網型號進行編號，即將四種型號的旋風網型號分別對應0、1、2、3；每個空調上有兩根連機管，有兩種型號的連機管頭，取5-9個標注框內中心點像素進行平均濾波，計算得出連機管頭三通道顏色向量，若無連機管則為(-1，-1，-1，-1，-1，-1)^T向量；十種logo的種類對應0-9，logo的識別率為0-1，計算logo識別框中黑色像素比例；將這些特征向量拉直，按該順序組合成新的列向量，此時新的10維向量就是該樣本的特征向量；

(2)用步驟(1)得到的帶標記數據集訓練TSVM模型；

同時，利用圖嵌入技術將步驟(1)得到的帶標記數據集中的數據作為節點嵌入到流形空間當中，節點間的權重為兩個節點的相似程度，即：節點間的權重是指兩個節點之間的歐式距離的倒數；

(3)將未標注數據集中的樣本數據輸入到步驟(2)訓練好的TSVM模型中進行預測，

若該樣本數據到TSVM模型劃分超平面距離比較遠，即樣本數據到超平面的距離大于閾值，則能夠有把握判斷該樣本是否合格，此時直接輸出識別結果；

否則，利用圖嵌入技術將該樣本數據作為節點嵌入到流形空間當中，計算該節點與周圍節點的距離以及位置關系，根據圖嵌入聚類判斷該樣本數據是否合格，并輸出識別結果。

2.根據權利要求1所述的一種基于5G和圖嵌入優化的TSVM離散制造業外觀質檢模型自優化與預測方法，其特征在于，步驟(3)中，利用圖嵌入技術將該樣本數據作為節點嵌入到流形空間當中，計算該節點與周圍節點的距離以及位置關系，根據圖嵌入聚類判斷該樣本數據是否合格，包括步驟如下：

a、對樣本數據經過步驟(2)訓練好的TSVM模型得到的識別結果進行歸一化，并根據判斷樣本圖片是否合格的約束條件，將相應的特征轉換為n個特征值，并將所有特征值寫為n維的特征向量x^T；

b、利用圖嵌入技術將n維的特征向量x^T嵌入到流形空間當中，計算該樣本數據與相鄰最近的若干個向量之差并進行比較，判斷出該樣本數據與其它樣本間的關系，從而判斷出該樣本是否合格。

3.根據權利要求2所述的一種基于5G和圖嵌入優化的TSVM離散制造業外觀質檢模型自優化與預測方法，其特征在于，所述步驟b的具體實現過程為：

令所有n維的特征向量x^T的尾均在原點O處，原點O是流形空間中的原點，即所有n維的特征向量x^T首的點為以坐標為x^T的點，且該節點表示所對應樣本特征；

利用k近鄰算法計算該節點與周圍節點的距離，如果計算結果表明該節點靠近合格節點群，則說明該節點所代表的樣本合格；如果結果表明該節點靠近不合格節點群或者其為孤立節點，則說明該節點所代表的樣本不合格。

4.根據權利要求1所述的一種基于5G和圖嵌入優化的TSVM離散制造業外觀質檢模型自優化與預測方法，其特征在于，步驟(3)中，根據圖嵌入聚類判斷該樣本數據不合格時，直接輸出識別結果，結束；根據圖嵌入聚類判斷該樣本數據合格時，直接輸出識別結果，并分別執行以下步驟A及步驟B：

步驟A是指：將該樣本數據作為一個訓練集中的訓練樣本，繼續對TSVM模型參數進行優化，改善其性能；

步驟B是指：得到該樣本數據與標準樣本間差距，進而分析出此時是否有生產誤差存在，該生產誤差作為生產線的反饋，根據其對生產流程進行調整以及生產線的維護。