应用于工业互联网的产品质量异常检测方法及其系统技术方案

本申请涉及智能制造的领域，其具体地公开了一种应用于工业互联网的产品质量异常检测方法及其系统，其通过第一到第n缺陷检测模型的第一到第n卷积神经网络分别提取出电子屏幕的图像的局部高维特征分布以获得第一到第n特征向量，进一步基于这些所述特征向量构造联合高斯概率密度模型，以通过联合高斯概率密度模型的模型学习来对各个所述卷积神经网络的参数进行联合更新，从而整体上生成具有更强的特征表征能力的更优的联合概率分布，并且对于第一到第n分类器，对其中的每个权重矩阵进行本征值分解，以更新所述分类器的权重矩阵，从而保留所述各个原分类器在主逻辑回归方向上的参数结构，以提高分类器训练的效率和分类效果。果。果。

【技术实现步骤摘要】
应用于工业互联网的产品质量异常检测方法及其系统


[0001]本申请涉及智能制造领域，且更为具体地，涉及一种应用于工业互联网的产品质量异常检测方法及其系统。

技术介绍

[0002]工业互联网是新一代信息通信技术与现代工业技术深度融合的产物，是制造业数字化、网络化、智能化的重要载体，也是全球新一轮产业竞争的制高点。并且工业互联网是一种开放的、全球化的网络，其将人、数据和机器连接了起来，属于泛互联网的目录分类，其本质是通过构建精准、实时、高效的数据采集互联体系，建立面向工业大数据存储、集成、访问、分析、管理的开发环境，实现工业技术、经验、知识的模型化、标准化、软件化、复用化，不断优化研发设计、生产制造、运营管理等资源配置效率，形成资源富集、多方参与、合作共赢、协同演进的制造业新生态。
[0003]近年来，随着工业互联网的不断发展，数字化设备也越来越多，为了满足各类数字化设备的控制和显示功能，数字化显示器屏幕就被广泛的应用于各种数字化设备以及各种电子产品中。但是在产品的制造过程中，由于生产环境、生产设备和生产工艺等因素的影响，产品缺陷的出现是不可避免的。这些产品缺陷会严重影响到整合产品的质量，因此，为了保证产品的综合质量，就需要对生产出的产品进行质量检测。但是，现有的技术中，常用的方式是通过人工来进行对比检测，而人工检测不仅需要消耗大量的劳动力，还会使得检测的效率和准确率较低。
[0004]电子屏幕的质量是否过关，这取决于实际生产出屏幕的亮度均匀性、受压指数、污点涵盖率、质量缺陷等因素，但是现有的仪器在对屏幕的某些具体因素进行检测时，只能检测出一项内容，例如，在对屏幕亮度的均匀性进行检测时，只能通过色彩分析仪与电子设备连接来进行均匀性的检测，这样整体检测的过程耗时较长，且各个因素整合的整体质量的准确度较低，从而也就会严重影响到电子屏幕的生产效率和生产质量。因此，期望一种应用于工业互联网的产品质量异常检测方法。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种应用于工业互联网的产品质量异常检测方法及其系统，其通过第一到第n缺陷检测模型的第一到第n卷积神经网络分别提取出电子屏幕的图像的局部高维特征分布以获得第一到第n特征向量，进一步基于这些所述特征向量构造联合高斯概率密度模型，以通过联合高斯概率密度模型的模型学习来对各个所述卷积神经网络的参数进行联合更新，从而整体上生成具有更强的特征表征能力的更优的联合概率分布，并且对于第一到第n分类器，对其中的每个权重矩阵进行本征值分解，以更新所述分类器的权重矩阵，从而保留所述各个原分类器在主逻辑回归方向上的参数结构，以提高分类器训练的效率和分类效果。
[0006]根据本申请的一个方面，提供了一种应用于工业互联网的产品质量异常检测方
法，其包括：训练阶段，包括：获取待检测电子屏幕的图像；将所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量；构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型，其中，所述高斯概率密度模型的均值向量为所述第一到第N特征向量中对应的特征向量，所述高斯概率密度模型的协方差矩阵为所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量的转置乘以所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量；构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型，其中，所述联合高斯概率密度模型的均值向量为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的均值向量的按位置加权和，所述联合高斯概率密度模型的协方差矩阵为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的协方差矩阵的按位置加权和；对所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵；分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量；分别提取按照降维序列排列的前m/n个本征值对应的本征向量后对所述前m个本征值对应的本征向量进行二维排列作为所述第一到第缺陷检测模型的第一到第N分类器的初始权重矩阵；将所述分类特征矩阵分别通过所述第一到第缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值；以及计算所述第一到第N分类损失函数值的加权和作为损失函数值对所述第一到第n缺陷检测模型进行训练；以及检测阶段，包括：获取待检测电子屏幕的图像；将所述待检测电子屏幕的图像分别通过经训练阶段训练完成的所述用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量；将所述第一到第N特征向量分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得N个分类结果，所述分类结果用于表示各个特征向量归属于各个缺陷标签的概率值。
[0007]根据本申请提供的应用于工业互联网的产品质量异常检测方法及其系统，其通过第一到第n缺陷检测模型的第一到第n卷积神经网络分别提取出电子屏幕的图像的局部高维特征分布以获得第一到第n特征向量，进一步基于这些所述特征向量构造联合高斯概率密度模型，以通过联合高斯概率密度模型的模型学习来对各个所述卷积神经网络的参数进行联合更新，从而整体上生成具有更强的特征表征能力的更优的联合概率分布，并且对于第一到第n分类器，对其中的每个权重矩阵进行本征值分解，以更新所述分类器的权重矩阵，从而保留所述各个原分类器在主逻辑回归方向上的参数结构，以提高分类器训练的效率和分类效果。
附图说明
[0008]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0009]图1为根据本申请实施例的应用于工业互联网的产品质量异常检测方法的场景示意图。
[0010]图2A为根据本申请实施例的应用于工业互联网的产品质量异常检测方法中训练阶段的流程图。
[0011]图2B为根据本申请实施例的应用于工业互联网的产品质量异常检测方法中检测阶段的流程图。
[0012]图3A为根据本申请实施例的应用于工业互联网的产品质量异常检测方法中训练阶段的架构示意图。
[0013]图3B为根据本申请实施例的应用于工业互联网的产品质量异常检测方法中检测阶段的架构示意图。
[0014]图4为根据本申请实施例的应用于工业互联网的产品质量异常检测系统的框图。
具体实施方式
[0015]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0016]场景概述
[0017]如前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于工业互联网的产品质量异常检测方法，其特征在于，包括：训练阶段，包括：获取待检测电子屏幕的图像；将所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量；构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型，其中，所述高斯概率密度模型的均值向量为所述第一到第N特征向量中对应的特征向量，所述高斯概率密度模型的协方差矩阵为所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量的转置乘以所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量；构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型，其中，所述联合高斯概率密度模型的均值向量为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的均值向量的按位置加权和，所述联合高斯概率密度模型的协方差矩阵为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的协方差矩阵的按位置加权和；对所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵；分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量；分别提取按照降维序列排列的前m/n个本征值对应的本征向量后对所述前m个本征值对应的本征向量进行二维排列作为所述第一到第缺陷检测模型的第一到第N分类器的初始权重矩阵；将所述分类特征矩阵分别通过所述第一到第缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值；以及计算所述第一到第N分类损失函数值的加权和作为损失函数值对所述第一到第n缺陷检测模型进行训练；以及检测阶段，包括：获取待检测电子屏幕的图像；将所述待检测电子屏幕的图像分别通过经训练阶段训练完成的所述用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量；将所述第一到第N特征向量分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得N个分类结果，所述分类结果用于表示各个特征向量归属于各个缺陷标签的概率值。2.根据权利要求1所述的应用于工业互联网的产品质量异常检测方法，其中，将所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量，包括：所述第一到第N卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一到第N卷积神经网络的最后一层生成所述第一到第N特征向量，其中，所述第一到第N卷积神经网络的第一层的输入为所述待检测电子屏幕的图像。3.根据权利要求2所述的应用于工业互联网的产品质量异常检测方法，其中，构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型，包括：以如下公式构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型；其中，所述公式为：N(μ
i
,∑
i
)其中μ
i
＝v
i
，且为v1到v
n
的按位置均值构成的向量。4.根据权利要求3所述的应用于工业互联网的产品质量异常检测方法，其中，构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型，包括：以如下公式构造所述第一到
第N高斯概率密度模型的联合高斯概率密度模型；其中，所述公式为：其中：5.根据权利要求4所述的应用于工业互联网的产品质量异常检测方法，其中，对所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵，包括：对所述联合高斯概率密度模型中各个位置的高斯分布进行高斯离散化处理以将所述联合高斯概率密度模型中各个位置的高斯分布降维为一维的特征向量；以及将所述各个位置的一维的特征向量进行二维排列以生成所述分类特征矩阵。6.根据权利要求5所述的应用于工业互联网的产品质量异常检测方法，其中，分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量，包括：以如下公式分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量；其中，所述公式为：M＝QΛQ
T
其中M为所述全连接权重矩阵，Λ＝diag(λ1,λ2,
…
,λ
N
),λ1≥λ2≥
…
≥λ
N
，是有序的对角本征值矩阵，λ1,λ2,

【专利技术属性】
技术研发人员：喻晨，吴戈，
申请(专利权)人：马鞍山远昂科技有限公司，
类型：发明
国别省市：