[發(fā)明專利]一種基于5G和圖嵌入優(yōu)化的TSVM模型自優(yōu)化與預(yù)測方法、設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110451360.3
• 申請日: 2021-04-26
• 公開（公告）號: CN113128608B
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計）人: 張海霞;王翊州;袁東風(fēng);馬睿
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G06F18/23;G06N20/10
• 代理公司: 濟(jì)南金迪知識產(chǎn)權(quán)代理有限公司 37219
• 代理人: 楊樹云

本發(fā)明涉及一種基于5G和圖嵌入優(yōu)化的TSVM模型自優(yōu)化與預(yù)測方法、設(shè)備及存儲介質(zhì)，包括：(1)獲取訓(xùn)練集并進(jìn)行數(shù)據(jù)標(biāo)注，形成帶標(biāo)記數(shù)據(jù)集；(2)用帶標(biāo)記數(shù)據(jù)集訓(xùn)練TSVM模型；同時，利用圖嵌入技術(shù)將帶標(biāo)記數(shù)據(jù)集中的數(shù)據(jù)作為節(jié)點嵌入到流形空間中；(3)將未標(biāo)注數(shù)據(jù)集中的樣本數(shù)據(jù)輸入訓(xùn)練好的TSVM模型中進(jìn)行預(yù)測，若能夠有把握判斷該樣本是否合格，此時直接輸出識別結(jié)果；否則，將該樣本數(shù)據(jù)作為節(jié)點嵌入到流形空間當(dāng)中，判斷該樣本數(shù)據(jù)是否合格，并輸出識別結(jié)果。本發(fā)明能夠充分有效利用不帶標(biāo)簽的數(shù)據(jù)，通過半監(jiān)督學(xué)習(xí)，訓(xùn)練產(chǎn)品外觀質(zhì)檢的識別模型，大大節(jié)省了數(shù)據(jù)集標(biāo)注工作的人工成本。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于5G和圖嵌入優(yōu)化的直推式支持向量機(jī)(TransductiveSupport Vector Machine，下文均簡稱為TSVM)離散制造業(yè)外觀質(zhì)檢模型自優(yōu)化與預(yù)測方法、設(shè)備及存儲介質(zhì)，屬于半監(jiān)督學(xué)習(xí)技術(shù)領(lǐng)域。

背景技術(shù)

隨著中國制造2025以及工業(yè)4.0等智能制造進(jìn)程的推進(jìn)，越來越多的制造業(yè)向自動化智能化生產(chǎn)轉(zhuǎn)型，在離散制造業(yè)外觀質(zhì)檢環(huán)節(jié)，很多企業(yè)都引入現(xiàn)代傳感器來輔助人眼檢查，甚至代替人工檢查，最普遍的就是利用工業(yè)相機(jī)獲取待測產(chǎn)品外觀信息，利用計算機(jī)視覺技術(shù)來進(jìn)行檢測。但是，僅使用簡單的計算機(jī)視覺技術(shù)(如利用OpenCV進(jìn)行模板匹配等)并未賦予質(zhì)檢系統(tǒng)智能化，識別率差。

部分先進(jìn)企業(yè)采用人工智能的方法，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行產(chǎn)品外觀質(zhì)檢，給產(chǎn)線賦能，但仍然存在以下問題：首先，利用人工智能的手段進(jìn)行外觀質(zhì)檢，通常采用深度學(xué)習(xí)的方法(如卷積神經(jīng)網(wǎng)絡(luò)等)，此類方法屬于機(jī)器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)，即模型完全由標(biāo)記好的數(shù)據(jù)集訓(xùn)練得到，而在實際生產(chǎn)中，帶標(biāo)簽的數(shù)據(jù)集幾乎不存在，我們能輕易得到的數(shù)據(jù)幾乎都是不帶標(biāo)簽的；其次，深度學(xué)習(xí)模型的性能直接取決于訓(xùn)練集的大小，若要提升模型性能，則必須增加準(zhǔn)確的帶標(biāo)簽的數(shù)據(jù)集，增加人力和時間成本；另外，模型在訓(xùn)練結(jié)束后，性能將不再變化，若要提高優(yōu)化其識別正確率，則需要重新訓(xùn)練新的模型，浪費資源，不方便后期的產(chǎn)線升級。

現(xiàn)已有一部分人針對上述問題提出了提出各種半監(jiān)督學(xué)習(xí)半監(jiān)督的方案，如中國專利文獻(xiàn)CN103955462A公開的一種基于多視圖和半監(jiān)督學(xué)習(xí)機(jī)制的圖像標(biāo)注方法，但這些專利申請僅聚焦于圖像信息的標(biāo)注和分類等算法，并未與實際工業(yè)生產(chǎn)相結(jié)合，未形成完整的生產(chǎn)過程，沒有對實際生產(chǎn)生活進(jìn)行指導(dǎo)。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于5G和圖嵌入優(yōu)化的TSVM離散制造業(yè)外觀質(zhì)檢模型自優(yōu)化與預(yù)測方法。

本發(fā)明還提供了一種計算機(jī)設(shè)備及存儲介質(zhì)。

術(shù)語解釋：

1、TSVM模型，即直推式支持向量機(jī)(TSVM)，是支持向量機(jī)模型的一種，支持向量機(jī)是機(jī)器學(xué)習(xí)中一種分類方法，屬于判別式模型。其基本思想是對給定的數(shù)據(jù)集在樣本空間中找到一個劃分超平面，從而將不同的樣本分開。求解支持向量機(jī)模型，就是在尋找最大間隔的劃分超平面(即所有樣本點到超平面的距離最大)，使得該超平面能夠?qū)?shù)據(jù)樣本的分類效果最好。直推式支持向量機(jī)是一種要求超平面在訓(xùn)練集上的分類效果最好的支持向量機(jī)模型，其用于訓(xùn)練的數(shù)據(jù)集也是需要進(jìn)行分類的數(shù)據(jù)集。

2、圖嵌入(Graph Embedding，也叫Network Embedding)技術(shù)，是一種將圖數(shù)據(jù)(通常為高維稠密的矩陣)映射為低微稠密向量的過程，能夠很好地解決圖數(shù)據(jù)難以高效輸入機(jī)器學(xué)習(xí)算法的問題。

3、流形(Manifold)空間，是局部具有歐氏空間性質(zhì)的空間。而實際上歐氏空間就是流形最簡單的實例。一般的流形可以通過把許多平直的片折彎并粘連而成。

4、超平面(hyperplane)，是n維歐氏空間中余維度等于一的線性子空間(也就是必須是(n-1)維度)。這是平面中的直線、空間中的平面之推廣(n大于3才被稱為超平面)，是純粹的數(shù)學(xué)概念，不是現(xiàn)實的物理概念。因為是子空間，所以超平面一定經(jīng)過原點。