基于CNNs的元件安装检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种基于CNNs的元件安装检测方法，包括：(a)以一预设频率获取采样数据，所述采样数据对应待测元件的各种安装状态；(b)根据一预设规则对所述采样数据进行切分，以过滤掉噪音信号；(c)对切分后的采样数据进行人工分类，以获得待导入数据；(d)将所述待导入数据导入至一卷积神经网络架构进行模型训练，并形成相应的模型文件；(e)将训练好的模型文件下载至一检测引擎中；以及(f)再次获取采样数据，所述检测引擎根据再次获取的采样数据及所述模型文件返回相应的检测结果。本发明专利技术的安装检测方法可实现高性能的快速识别和及时响应。本发明专利技术还提供一种基于CNNs的元件安装检测装置、电子设备及存储介质。

CNNs based component installation detection method, device, electronic equipment and storage medium

【技术实现步骤摘要】
基于CNNs的元件安装检测方法、装置、电子设备及存储介质
本专利技术涉及数据检测
，特别涉及一种基于卷积神经网络(Convolutionalneuralnetworks，简称CNNs)的元件安装检测方法、装置、电子设备及存储介质。
技术介绍
在组装生产领域，通常需要对产线上的各元件的安装进行有效的监测与诊断，以降低或减少元件安装不到位所带来的损失及危害。目前常用的检测方式为人工检测。然而，由于检测数量较多，导致人工检测效率低下，且无法及时响应。
技术实现思路
有鉴于此，有必要提供一种能快速识别且及时响应的基于CNNs的元件安装检测方法、装置、电子设备及计算机可读存储介质。本专利技术的实施例提供一种基于CNNs的元件安装检测方法，所述方法包括：(a)以一预设频率获取采样数据，所述采样数据对应待测元件的各种安装状态；(b)根据一预设规则对所述采样数据进行切分，以过滤掉噪音信号；(c)对切分后的采样数据进行人工分类，以获得待导入数据；(d)将所述待导入数据导入至一卷积神经网络架构进行模本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络(Convolutionalneuralnetworks，CNNs)的元件安装检测方法，其特征在于，所述方法包括：/n(a)以一预设频率获取采样数据，所述采样数据对应待测元件的各种安装状态；/n(b)根据一预设规则对所述采样数据进行切分，以过滤掉噪音信号；/n(c)对切分后的采样数据进行人工分类，以获得待导入数据；/n(d)将所述待导入数据导入至一卷积神经网络架构进行模型训练，并形成相应的模型文件，其中，所述卷积神经网络架构包括卷积层及全连接层，所述卷积层用以从所述待导入数据中抽取特征，所述全连接层用以对抽取后的特征进行多元分类；/n(e)将训练好的模型文件下载至一检测...

【技术特征摘要】
1.一种基于卷积神经网络(Convolutionalneuralnetworks，CNNs)的元件安装检测方法，其特征在于，所述方法包括：
(a)以一预设频率获取采样数据，所述采样数据对应待测元件的各种安装状态；
(b)根据一预设规则对所述采样数据进行切分，以过滤掉噪音信号；
(c)对切分后的采样数据进行人工分类，以获得待导入数据；
(d)将所述待导入数据导入至一卷积神经网络架构进行模型训练，并形成相应的模型文件，其中，所述卷积神经网络架构包括卷积层及全连接层，所述卷积层用以从所述待导入数据中抽取特征，所述全连接层用以对抽取后的特征进行多元分类；
(e)将训练好的模型文件下载至一检测引擎中；以及
(f)再次获取采样数据，所述检测引擎根据再次获取的采样数据及所述模型文件返回相应的检测结果。


2.如权利要求1所述的方法，其特征在于：所述采样数据至少包括电流大小及/或电流持续时间。


3.如权利要求1所述的方法，其特征在于：所述卷积神经网络架构还包括最大池化层及扁平层，所述最大池化层用以降低所述卷积层的输出维度，所述扁平层用以在特征输出至所述全连接层前将多维数组转换为相同数量的一维向量。


4.如权利要求1所述的方法，其特征在于：在执行步骤(c)前，所述方法还包括：
基于经验算法对切分后的采样数据进行初步分类，以获得过渡数据。


5.如权利要求1所述的方法，其特征在于：所述方法还包括根据所述检测结果输出相应的报警信号或提示信号。


6.如权利要求1所述的方法，其特征在于：在执行步骤(d)的模型训练前，所述方法还包括对所述待导入采样数据进行预处理的步骤，所述预处理步骤至少包括：
通过插值缩放和填充的方法将所述待导入数据的长度规整到一预设长度；及
对所述待导入数据中的正样本数量及负样本数量进行调整，以使训练偏向于负样本。


7.如权利要求6所述的方法，其特征在于：对所述待导入数据中的正样本数量及负样本数量进行调整包括：
利用过采样的方法，根据已有的负样本生成邻近样本，以增加所述负样本的数量；或
根据所述待导入数据中正样本及负样本的分布情况调整所述正样本数据及负样本数据的权重，以使训练偏向于负样本数据。


8.如权利要求1所述的方法，其特征在于：在执行步骤(e)前，所述方法还包括对所述训练模型进行优化的步骤，所述优化步骤包括：
采用保存点(Checkpoint)和EarlyStopping(早停法)的方式监控训练过程，并自动选择训练过程中获得的较优模型；
将默认模型(FP32)裁剪优化到FP16、INT8；或/及
将步骤(f)中再次获取到的采样数据作为训练样本，再次导入至所述卷积神经网络架构，以优化所述模型文件。


9.一种基于卷积神经网络(Convolutionalneuralnetworks，CNNs)的元件安装检测装置，其特征在于，所述装...

【专利技术属性】
技术研发人员：吴文烨，陈烨，张文祥，吴勇，林封世，吴勇明，郭宏记，
申请(专利权)人：玳能科技杭州有限公司，
类型：发明
国别省市：浙江;33