[发明专利]一种基于深度学习的车间产品质量评估方法

权利要求书

1.一种基于深度学习的车间产品质量评估方法，其特征在于：分为构造模型和车间产品质量评估两个阶段；构造模型阶段包括数据采集模块、数据预处理及扩充模块、模型训练模块三个部分，车间产品质量评估阶段包括模型预测模块；具体过程如下：

在构造模型阶段，数据采集模块使用摄像头对车间产品进行多方位多角度的图片信息采集；

数据预处理及扩充模块将数据采集模块采集到的车间产品图片样本数据进行预处理，并将预处理后的数据进行数据的扩充操作生成更多数据，再将扩充后的样本数据按照一定比例分成训练样本和测试样本；

模型训练模块利用深度全连接神经网络训练数据扩充后的样本数据，并将训练好的模型的权重和偏置保存到数据库中；

模型预测模块将需要预测的车间产品图片传入训练好的模型中预测是优质合格还是劣质产品。

2.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：数据采集模块中，摄像头采集的车间产品图片清晰且无其它干扰背景，采集车间产品图片的数量在十万以上，且优质、合格和劣质产品的数量比例相同，不存在正负样本不均衡的问题，然后将采集的图片进行优质、合格和劣质分类标注。

3.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：在数据预处理及扩充模块中，将数据采集模块采集到的车间产品图片样本信息预处理，对图片进行高斯滤波处理，将图片的部分噪声清除，同时使用裁剪、旋转、缩放、翻转、随机设置图片亮度和对比度来对图片数据进行数据扩充，扩充后正负样本总数量在一百万以上；训练样本和测试样本的分割比例为采取99:1。

4.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：模型训练模块中，训练模型的损失函数为交叉熵，激活函数为Relu；交叉熵损失函数计算公式为：

其中，x表示输入的样本，n表示样本量，y表示样本真实分类值，这里定义优质产品的分类值为[1,0,0]，合格产品的分类值为[0,1,0]，劣质产品的分类值为[0,0,1]，表示模型预测出的样本分类概率值，

Relu计算公式为：

5.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：模型预测模块将需要预测的车间产品图片传入训练好的模型中预测是优质、合格还是劣质产品。

6.根据权利要求1所述的一种基于深度学习的车间产品质量评估方法，其特征在于：模型预测模块具体步骤如下：

(1)模型预测模块将收到需要预测的命令，之后把需要预测的车间产品图片进行高斯滤波处理，清除部分图片噪声，然后将预处理后的图片数据传入目标定位模块；

(3)目标定位模块从模型训练模块中得到训练好的神经网络模型，传入上述预处理后的图片数据，得到预测结果；

(3)将预测后的分类结果信息输出。

7.根据权利要求6所述的一种基于深度学习的车间产品质量评估方法，其特征在于：产品质量预测后的分类结果：优质、合格、劣质；通过颜色、形状、材质等特征确定。