一种基于机器学习的铝型材落砂检测方法技术

本发明专利技术公开了一种基于机器学习的铝型材落砂检测方法，本发明专利技术采用神经网络进行前预测处理，并结合Q‑学习算法进行具体情况的策略处理，神经网络前处理部分可以预测出初次落砂的量，确保在尽量少操作的情况下，接近黑点直径所要求的效果，并在此基础上引入耐磨性质量等级作为Q‑学习算法的一部分输入，并根据实时的黑点直径与电阻阻值进行不同落砂量的调控，最大化检测效率和准确性。本发明专利技术作为一种基于机器学习的铝型材落砂检测方法可广泛应用于工业领域。

【技术实现步骤摘要】
一种基于机器学习的铝型材落砂检测方法
本专利技术涉及工业领域，尤其是一种基于机器学习的铝型材落砂检测方法。
技术介绍
在铝型材生产过程中，质量检测尤为重要，其中，铝型材的耐磨性检测是质量检测的重要工作。目前，行业内对于铝型材的耐磨性检测采用的方法是落砂试验法，主要依靠人手工完成落砂试验，然而落砂试验过程尤其漫长，人需要不停加砂的同时观察铝型材表面的变化，容易出现疲劳导致的数据不准确和人力的耗费，这些都足以表明单纯依靠人力难以满足需求。进行自动化改造有利于降低人力成本，同时能够提高效率。在整个落砂试验过程中，当砂子冲击铝型材表面时，铝型材表面会慢慢出现一个黑点(涂层被磨损的标志)，当黑点直径大于等于经验直径时，即表示铝型材将要被磨损掉，此时通过测量黑点位置的电阻以确认是否被磨损掉，当电阻阻值小于经验值时，表明涂层已被磨损掉，此时所用总砂量的多少用于衡量该铝型材的耐磨性。因为该试验法的特点，在试验过程中，需要实时监控黑点直径和电阻阻值。常用的方法是通过图像处理技术对黑点直径进行图像处理，电阻阻值则可以通过电阻模块测量得出。常见的控制方法有通过经验获得固定落砂量，通过固定落砂一定量，测量黑点直径，循环操作，直到黑点直径大于等于经验值，此时更改固定落砂量，进行电阻测试，循环操作，直到电阻小于经验电阻，停止操作。更高级的智能化改造则通过大量实验数据推导出预测函数，得到固定落砂量与时间轴的关系，提高效率。采用固定落砂量进行试验的话，效率很低，若落砂量的值设置的比较小，所需时间过长，若落砂量设置过大，容易出现过操作，使数据不准确。采用通过数据模拟出落砂量与时间轴的关系，可以提高效率问题，但是落砂试验法是要衡量不同铝型材的质量，因此不同质量耐磨性的铝型材其落砂量与时间轴的关系不同，难以准确模拟出其关系。
技术实现思路
为了解决上述技术问题，本专利技术的目的是：提供一种基于机器学习的铝型材落砂检测方法。本专利技术所采用的技术方案是：一种基于机器学习的铝型材落砂检测方法，包括有以下步骤：A、根据落砂检测的实验数据，训练出以铝型材膜厚和工艺条件为输入、铝型材标准质量等级下的初始落砂量为输出的BP神经网络；B、根据上述初始落砂量以及铝型材表面黑点直径计算得到铝型材表面质量等级；C、以实时检测到的铝型材表面质量等级、铝型材表面黑点直径和电阻为输入，采用Q-学习算法计算控制落砂时间；D、当铝型材表面黑点的检测电阻值达到经验电阻值，输出落砂总量作为铝型材耐磨性检测结果。进一步，所述步骤C中Q-学习算法中，根据模糊控制原理和历史数据得到离散的状态空间D＝[d1,d2,d3,...,dn]，R＝[r1,r2,r3,...,rn]与动作空间T＝[t1,t2,t3,...,tn]，状态函数δ＝f(d,r,degree)，f为与D、R和degree有关的函数，d、r和degree为分别当前检测到的直径、电阻和质量等级，奖励函数Q(δ,t)＝Q(δ,t)+α(r+γQ(δ',t')-Q(δ,t))，α为更新步长，γ为学习速率，t为时间矩阵T中的参数，策略函数π(δ)＝argmaxδQ(δ,t')，策略函数为贪心算法的状态空间。进一步，所述步骤B中根据初始落砂量以及铝型材表面黑点直径，参照行业标准计算得到铝型材表面质量等级数值。本专利技术的有益效果是：本专利技术采用神经网络进行前预测处理，并结合Q-学习算法进行具体情况的策略处理，神经网络前处理部分可以预测出初次落砂的量，确保在尽量少操作的情况下，接近黑点直径所要求的效果，并在此基础上引入耐磨性质量等级作为Q-学习算法的一部分输入，并根据实时的黑点直径与电阻阻值进行不同落砂量的调控，最大化检测效率和准确性。附图说明图1为本专利技术方法的步骤流程图。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步说明：参照图1，一种基于机器学习的铝型材落砂检测方法，其特征在于，包括有以下步骤：A、根据落砂检测的实验数据，训练出以铝型材膜厚和工艺条件为输入、铝型材标准质量等级下的初始落砂量为输出的BP神经网络；B、根据上述初始落砂量以及铝型材表面黑点直径计算得到铝型材表面质量等级；C、以实时检测到的铝型材表面质量等级、铝型材表面黑点直径和电阻为输入，采用Q-学习算法计算控制落砂时间；D、当铝型材表面黑点的检测电阻值达到经验电阻值，输出落砂总量作为铝型材耐磨性检测结果。进一步作为优选的实施方式，所述步骤C中Q-学习算法中，根据模糊控制原理和历史数据得到离散的状态空间D＝[d1,d2,d3,...,dn]，R＝[r1,r2,r3,...,rn]与动作空间T＝[t1,t2,t3,...,tn]，状态函数δ＝f(d,r,degree)，f为与D、R和degree有关的函数，d、r和degree为分别当前检测到的直径、电阻和质量等级，奖励函数Q(δ,t)＝Q(δ,t)+α(r+γQ(δ',t')-Q(δ,t))，α为更新步长，γ为学习速率，t为时间矩阵T中的参数，策略函数π(δ)＝argmaxδQ(δ,t')，策略函数为贪心算法的状态空间。进一步作为优选的实施方式，所述步骤B中根据初始落砂量以及铝型材表面黑点直径，参照行业标准计算得到铝型材表面质量等级数值。以上是对本专利技术的较佳实施进行了具体说明，但本专利技术创造并不限于所述实施例，熟悉本领域的技术人员在不违背本专利技术精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。本文档来自技高网...

【技术保护点】
一种基于机器学习的铝型材落砂检测方法，其特征在于，包括有以下步骤：A、根据落砂检测的实验数据，训练出以铝型材膜厚和工艺条件为输入、铝型材标准质量等级下的初始落砂量为输出的BP神经网络；B、根据上述初始落砂量以及铝型材表面黑点直径计算得到铝型材表面质量等级；C、以实时检测到的铝型材表面质量等级、铝型材表面黑点直径和电阻为输入，采用Q‑学习算法计算控制落砂时间；D、当铝型材表面黑点的检测电阻值达到经验电阻值，输出落砂总量作为铝型材耐磨性检测结果。

【技术特征摘要】
2017.07.05 CN 20171054069031.一种基于机器学习的铝型材落砂检测方法，其特征在于，包括有以下步骤：A、根据落砂检测的实验数据，训练出以铝型材膜厚和工艺条件为输入、铝型材标准质量等级下的初始落砂量为输出的BP神经网络；B、根据上述初始落砂量以及铝型材表面黑点直径计算得到铝型材表面质量等级；C、以实时检测到的铝型材表面质量等级、铝型材表面黑点直径和电阻为输入，采用Q-学习算法计算控制落砂时间；D、当铝型材表面黑点的检测电阻值达到经验电阻值，输出落砂总量作为铝型材耐磨性检测结果。2.根据权利要求1所述的一种基于机器学习的铝型材落砂检测方法，其特征在于：所述步骤C中Q-学习算法中，根据模糊控制原...

【专利技术属性】
技术研发人员：利啟东，肖盼，蔡念，陈新度，王晗，
申请(专利权)人：佛山缔乐视觉科技有限公司，
类型：发明
国别省市：广东,44