[发明专利]一种基于深度学习的车间产品质量评估方法

说明书

本发明公开了一种基于深度学习的车间产品质量评估方法，涉及车间产品质量评估技术领域。本方法包括数据采集模块、数据预处理及扩充模块、模型训练模块和模型预测模块四个部分。首先，数据采集模块采集车间产品图片样本数据；其次，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；然后，模型训练模块利用深度全连接神经网络训练扩充后的样本数据，并将训练好的模型的权重和偏置保存到数据库中；最后，模型预测模块将需要预测的产品图片数据传入训练好的模型中预测其质量。本方法通过智能检测的方式提高了检测效率，节约了质量评估时间，节省大量人力物力。

技术领域

本发明涉及车间产品质量评估技术领域，具体是一种基于深度学习的车间产品质量评估方法。

背景技术

车间生产线上的产品种类繁多，产品数量庞大，但产品的质量却很难把控。传统方法往往都是通过人工的方式去检验产品质量，比如将成品通过随机抽样的方式对产品进行评估。但这种检测产品质量的方式效率低，成本高，速度慢，且评估的质量受主观影响较大。

而随着深度学习的大面积普及，计算机设备计算能力的不断提高和车间智慧化管理的兴起，利用深度学习来解决传统车间中存在的问题取得了很大优势，如今基于深度学习的分类网络的准确率在有大数据量的情况下可以达到甚至超越人类。

发明内容

为了克服上述现有技术的缺点，本发明提供了一种基于深度学习的车间产品质量评估方法，通过深度学习方法来判断车间产品的质量，通过自动化智能检测弥补了传统检测方法的缺陷，提高了效率，节省大量人力物力。

本发明是以如下技术方案实现的:一种基于深度学习的车间产品质量评估方法，其特征在于：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(w)和偏置(b)保存到数据库中，训练模型的损失函数为交叉熵，激活函数为Relu；

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。

优选的，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。

优选的，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，因为1％的测试样本也在一万之多，足够测试使用。

优选的，模型训练模块中，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：