[发明专利]一种智能标识识别的直线滑台模组质量检测方法及系统

权利要求书

1.一种智能标识识别的直线滑台模组质量检测方法，其特征在于，所述方法应用于一种智能标识识别的直线滑台模组质量检测系统，所述系统与一摄像装置通信连接，所述方法包括：

获得第一直线滑台模组属性信息；

基于所述摄像装置获得所述第一直线滑台模组的第一质检视频；

根据SlowFast神经网络的构建设计，获得SlowFast深度特征提取模型；

基于所述第一质检视频，获得第一质检图像序列和第二质检图像序列，其中所述第二质检图像序列为从所述第一质检图像序列中采样确定的；

将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型，获得第一预测结果；

根据所述第一预测结果，获得第一预警信息；

将所述第一预警信息发送至第一质检人员，进行所述第一直线滑台模组的快速维修。

2.如权利要求1所述的方法，其特征在于，所述智能标识识别的直线滑台模组质量检测系统还与一温度传感器和一声音采集装置通讯连接，所述方法还包括：

基于所述温度传感器实时采集所述第一直线滑台模组的电机温度，获得所述第一直线滑台模组的第一作业温度；

基于所述声音采集装置实时采集所述第一直线滑台模组的声音信息，获得第一作业噪音信息；

获得预设温度阈值，若所述第一作业温度超出所述预设温度阈值，获得第二预警信息；

获得预设噪音阈值，若所述第一作业噪音信息超出所述预设噪音阈值，获得第三预警信息。

3.如权利要求1所述的方法，其特征在于，所述将所述第一质检图像序列、所述第二质检图像序列输入所述SlowFast深度特征提取模型，获得第一预测结果，所述方法还包括：

基于所述SlowFast深度特征提取模型分别对所述第一质检图像序列、所述第二质检图像序列中的所述第一直线滑台模组进行检测；

判断是否出现第一异常情况、第二异常情况和第三异常情况，其中所述第一异常情况为出现异常抖动，所述第二异常情况为滚珠丝杆停转，所述第三异常情况为重复定位精度异常；

若出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况，则获得第一异常结果；

若未出现所述第一异常情况和/或所述第二异常情况和/或所述第三异常情况，则获得第一正常结果；

将所述第一异常结果或所述第一正常结果作为所述第一预测结果。

4.如权利要求1所述的方法，其特征在于，所述根据SlowFast神经网络的构建设计，获得SlowFast深度特征提取模型，所述方法还包括：

将第一直线滑台模组的历史质检视频集合划分为第三质检图像序列和第四质检图像序列，其中所述第三质检图像序列为预设帧数的连续历史质检图像；

将所述第三质检图像序列的首帧图像、尾帧图像和以预定间隔从第三质检图像序列中采样获得的若干质检图像作为所述第四质检图像序列，获得所述第四质检图像序列；

基于所述第三质检图像序列和所述第四质检图像序列，构建第三质检图像序列训练集、第四质检图像序列训练集；

获得所述第三质检图像序列对应的历史质检结果数据集，其中所述历史质检结果数据集为人工质检结果数据集；

基于所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集训练所述SlowFast神经网络；

当所述SlowFast神经网络的损失函数输出满足预设阈值，完成所述SlowFast神经网络模型训练。

5.如权利要求4所述的方法，其特征在于，所述当所述SlowFast神经网络的损失函数输出满足预设阈值，完成所述SlowFast神经网络模型训练，所述方法还包括：

构建所述的所述SlowFast神经网络的损失函数包括均方差损失函数；

将所述第三质检图像序列训练集、所述第四质检图像序列训练集和所述历史质检结果数据集输入所述SlowFast神经网络模型，获得第一输出结果；

计算所述第一输出结果与历史质检结果之间的损失函数，使用梯度下降法更新网络参数，直到满足预设阈值，完成所述SlowFast神经网络模型训练。