参数预测推荐方法、设备及计算机可读存储介质技术

本发明专利技术公开了一种参数预测推荐方法、设备及计算机可读存储介质，所述参数预测推荐方法基于缺陷特征定制化设计了深度学习网络模型，然后使用这一模型来对目标产品图像进行特征分割来得到缺陷特征和生产压铸参数的预测值，并基于特定的特征分割算法和回归分析形成两者之间的闭环调节，使得模型能够实现对生产压铸参数的闭环调节，从源头上减少缺陷的产生，同时也实现了图片型数据的处理；通过不断对调节过程中的缺陷特征和/或参数预测值进行检验，并在满足条件时将此时的预测值进行推荐，使得生产压铸时按照最终推荐的参数预测值能够大大降低产品缺陷率，同时也保证了参数预测推荐的准确性。推荐的准确性。推荐的准确性。

【技术实现步骤摘要】
参数预测推荐方法、设备及计算机可读存储介质


[0001]本专利技术涉及机器学习
，尤其涉及参数预测推荐方法、设备及计算机可读存储介质。

技术介绍

[0002]在汽车轮毂压铸生产过程中，由于压铸温湿度，工艺流程等环境因素和原材料因素等，生产出的轮毂产品往往会存在缺陷，因此就需要对生产压铸参数进行调节。而在机器学习领域中，参数推荐预测问题通常使用XGBoost（eXtreme Gradient Boosting）模型，XGBoost高效地实现了梯度提升决策树（GBDT，Gradient Boosting Decision Tree）算法并进行了算法和工程上的许多改进。但目前现有的XGBoost的训练数据采用的都是结构化的数值型数据，在高维稀疏的数据集上，其预测准确性不佳，因此若是需要对图片型数据进行预测推荐，通过现有的基于结构化参数的参数预测推荐方式就难以得到准确的预测推荐结果。

技术实现思路

[0003]本专利技术的主要目的在于提出一种参数预测推荐方法、设备及计算机可读存储介质，旨在解决现有的基于结构化参数的参数预测推荐方式难以对图片型数据进行准确预测推荐的技术问题。
[0004]为实现上述目的，本专利技术提供一种参数预测推荐方法，所述参数预测推荐方法包括：获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。
[0005]可选地，所述在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值的步骤包括：在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图；通过非极大抑制算法得到所述缺陷特征图对应的缺陷特征，并根据所述缺陷特征得到所述参数预测值。
[0006]可选地，所述在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图的步骤包括：在所述参数推荐模型中，对所述目标产品图像进行归一化处理，得到归一化数据；将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第
一分支结果；将所述归一化数据在第二分支中进行最大池化和平移缩放处理，得到第二分支结果；将所述第一分支结果和所述第二分支结果组合得到组合结果，基于所述组合结果得到所述缺陷特征图。
[0007]可选地，所述将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果的步骤包括：将所述归一化数据在第一分支中进行卷积处理，得到卷积结果；对所述卷积结果进行张量变形和部分转置，得到转置变形结果；将所述转置变形结果进行变形复原处理，得到组内打乱结果；对所述组内打乱结果进行卷积和最大池化处理，得到所述第一分支结果。
[0008]可选地，所述直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐的步骤之前，还包括：判断闭环调节过程中的缺陷特征是否满足预设的分割终止条件；若满足所述分割终止条件，则判断闭环调节过程中的参数预测值是否在预设的参数推荐定义域内；若在所述参数推荐定义域内，则判定闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件。
[0009]可选地，所述获取目标产品图像的步骤之前，还包括：定义并搭建深度卷积神经网络模型和目标损失函数，其中，所述目标损失函数包括缺陷位置损失函数和推荐参数损失函数；将预处理后的训练图像数据集作为所述深度卷积神经网络模型的输入，并将所述训练图像数据集至少切分为训练集和验证集；基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估；直至检测到基于所述深度卷积神经网络模型得到的评估结果满足预设调优条件时，冻结所述深度卷积神经网络此时的模型参数，并导出此时的深度卷积神经网络模型以作为所述参数推荐模型。
[0010]可选地，所述基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估的步骤包括：通过所述训练集对所述深度卷积神经网络模型进行迭代训练，并按照预设评估指标通过所述验证集对所述深度卷积神经网络模型进行评估，其中，所述评估指标包括受试者工作特征曲线以及精确率和召回率的调和平均值。
[0011]可选地，所述获取目标产品图像的步骤包括：获取由对接的X光机成像出的目标产品的X光图片，作为所述目标产品图像。
[0012]此外，为实现上述目的，本专利技术还提供一种参数预测推荐系统，所述参数预测推荐系统包括：目标图像输入模块，用于获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；缺陷特征分割模块，用于在所述参数推荐模型中，基于特定的特征分割算法得到
所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；目标数值推荐模块，用于直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。
[0013]此外，为实现上述目的，本专利技术还提供一种参数预测推荐设备，所述参数预测推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的参数预测推荐程序，所述参数预测推荐程序被所述处理器执行时实现如上所述的参数预测推荐方法的步骤。
[0014]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有参数预测推荐程序，所述参数预测推荐程序被处理器执行时实现如上所述的参数预测推荐方法的步骤。
[0015]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现如上述的参数预测推荐方法的步骤。
[0016]本专利技术基于缺陷特征定制化设计了深度学习网络模型，然后使用这一模型来对目标产品图像进行特征分割来得到缺陷特征和生产压铸参数的预测值，并基于特定的特征分割算法和回归分析形成两者之间的闭环调节，使得模型能够实现对生产压铸参数的闭环调节，从源头上减少缺陷的产生，同时也实现了图片型数据的处理；通过不断对调节过程中的缺陷特征和/或参数预测值进行检验，并在满足条件时将此时的预测值进行推荐，使得生产压铸时按照最终推荐的参数预测值能够大大降低产品缺陷率，同时也保证了参数预测推荐的准确性，从而解决了现有的基于结构化参数的参数预测推荐方式难以对图片型数据进行准确预测推荐的技术问题。
附图说明
[0017]图1是本专利技术实施例方案涉及的硬件运行环境的设备结构示意图；图2为本专利技术参数预测推荐方法第一实施例的流程示意图；图3为本专利技术参数预测推荐方法第二实施例中一具体实施例的特征分割示意图；图4为本专利技术参数预测推荐方法第二实施例中一具体实施例的组内打乱示意图；图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种参数预测推荐方法，其特征在于，所述参数预测推荐方法包括：获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。2.如权利要求1所述的参数预测推荐方法，其特征在于，所述在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值的步骤包括：在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图；通过非极大抑制算法得到所述缺陷特征图对应的缺陷特征，并根据所述缺陷特征得到所述参数预测值。3.如权利要求2所述的参数预测推荐方法，其特征在于，所述在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图的步骤包括：在所述参数推荐模型中，对所述目标产品图像进行归一化处理，得到归一化数据；将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果；将所述归一化数据在第二分支中进行最大池化和平移缩放处理，得到第二分支结果；将所述第一分支结果和所述第二分支结果组合得到组合结果，基于所述组合结果得到所述缺陷特征图。4.如权利要求3所述的参数预测推荐方法，其特征在于，所述将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果的步骤包括：将所述归一化数据在第一分支中进行卷积处理，得到卷积结果；对所述卷积结果进行张量变形和部分转置，得到转置变形结果；将所述转置变形结果进行变形复原处理，得到组内打乱结果；对所述组内打乱结果进行卷积和最大池化处理，得到所述第一分支结果。5.如权利要求1所述的参数预测推荐方法，其特征在于，所述直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行...

【专利技术属性】
技术研发人员：熊海飞，黄雪峰，陈彪，蔡恩祥，
申请(专利权)人：深圳市信润富联数字科技有限公司，
类型：发明
国别省市：