[发明专利]一种转盘异常识别方法、系统、电子设备及介质

权利要求书

1.一种转盘异常识别方法，其特征在于，包括：

采集转盘的图像信息，并对所述图像信息中钢条进行标注，获取数据集；

对所述数据集中的图像信息进行归一化处理；

提供神经网络，所述神经网络包括SSD网络；

将归一化处理后的数据集中的图像信息分别输入所述神经网络进行训练，获取训练模型；

通过所述训练模型确定所述钢条在图像信息中位置，并通过所述钢条的位置判断所述转盘是否发生异常；

通过所述训练模型确定所述钢条在图像信息中位置，并通过所述钢条的位置判断所述转盘是否发生异常包括，通过所述钢条的位置确定钢条的转动角度，通过钢条的转动角度与钢条的设定阈值进行对比，当钢条的转动超过该设定阈值时，则判定钢条发生了异常转动，进而判定转盘发生了异常传送。

2.根据权利要求1所述的转盘异常识别方法，其特征在于，对所述数据集中的图像信息进行归一化处理的步骤包括：对所述数据集中的图像信息进行归一化处理的步骤包括：将图像信息的灰度值从0至255归一化为0至1。

3.根据权利要求1所述的转盘异常识别方法，其特征在于，对所述数据集中的图像信息进行归一化处理的数学表达为：

其中，其中xi表示图像像素点灰度值，max(x)表示图像像素灰度值的最大值，max(x)表示为图像像素灰度值的最小值。

4.根据权利要求1所述的转盘异常识别方法，其特征在于，提供神经网络的步骤包括：

提供SSD网络，所述SSD网络包括基础网络和金字塔网络；

所述基础网络包括MobileNetV2网络。

5.根据权利要求4所述的转盘异常识别方法，其特征在于，所述MobileNetV2网络包括用于增强图像特征的Inverted Residual模块和用于捕捉信息的Linear Bottleneck模块。

6.根据权利要求5所述的转盘异常识别方法，其特征在于，所述Linear Bottleneck模块包括用于增加维度的维度层、用于采样的采样层以及用于降低维度的输出层；

维度层通过第一卷积核和激活函数将图像信息维度由k维增加至tk维；

采样层通过第二卷积核和激活函数将图像信息进行采样；

输出层通过第三卷积核将图像信息进行降低维度，图像信息的维度由tk维降低至k’维。

7.根据权利要求5或6所述的转盘异常识别方法，其特征在于，在Linear Bottleneck模块的神经网络层中，当卷积核的步长为1时，则将神经网络层的输入连接至输出。

8.根据权利要求6所述的转盘异常识别方法，其特征在于，激活函数的数学表达为：

ReLU_6＝min(max(x,0),6)。

9.根据权利要求1所述的转盘异常识别方法，其特征在于，将归一化处理后的数据集中的图像信息分别输入所述神经网络进行训练的步骤还包括：

通过指数衰减法设置神经网络学习率，并通过L2正则化对训练模型的参数进行更新。

10.根据权利要求9所述的转盘异常识别方法，其特征在于，L2正则化的数学表达为：

其中，C表示为目标函数，C₀代表原始的代价函数，n是样本的个数，λ是正则项系数，w为正则项与C₀项的比重。