一种塑料软管生产中检测次品的方法、系统、设备及介质技术方案

本发明专利技术公开一种塑料软管生产中检测次品的方法、系统、设备及介质，涉及软管检测技术领域，该方法包括：获取目标塑料软管的图像；利用塑料软管检测模型对所述目标塑料软管的图像进行检测，确定所述目标塑料软管是否为次品；所述塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的。本发明专利技术实现了对塑料软管生产时的软管质量的自动检测，能够及时发现出现次品的情况，降低塑料软管生产操作工人在极端天气情况下的劳动强度，减少现场操作工人的数量，提高生产效率，降低生产成本，实现智能化生产。实现智能化生产。实现智能化生产。

【技术实现步骤摘要】
一种塑料软管生产中检测次品的方法、系统、设备及介质


[0001]本专利技术涉及软管检测
，特别是涉及一种塑料软管生产中检测次品的方法、系统、设备及介质。

技术介绍

[0002]在实际单螺杆塑料挤出机生产塑料软管过程中，会出现正品和次品，参见图1及图2，其中，如图1所示的正样本塑料软管是正品，如图2所示的负样本塑料软管是次品。负样本塑料软管的中间部分明显比上下两端部分粗。出现次品时，还会堵塞塑料软管下端的口子，使得后续产出的软管堆积在上面，严重影响生产。
[0003]目前工厂一般采用人工方法，现场监视机器的生产情况，发现问题，及时处理。但是一人无法同时管理多台机器，而且机器需要每天24小时工作，生产车间环境比较恶劣，冬天会很冷，夏天很热，晚上通宵上班的工人们会很辛苦，容易疲劳，有时候不能及时发现问题，影响生产效率。

技术实现思路

[0004]本专利技术的目的是提供一种塑料软管生产中检测次品的方法、系统、设备及介质，以实现对塑料软管生产时的软管质量的自动检测。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种塑料软管生产中检测次品的方法，所述方法包括：
[0007]获取目标塑料软管的图像；
[0008]利用塑料软管检测模型对所述目标塑料软管的图像进行检测，确定所述目标塑料软管是否为次品；
[0009]所述塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的。
[0010]可选地，所述塑料软管检测模型的确定方法，具体包括：
[0011]获取训练样本集；所述训练样本集包括多幅样本塑料软管的图像；
[0012]构建支持向量机分类器；
[0013]将第k
‑
1次训练的合并样本集确定为第k次训练的标签样本集，并将第k
‑
1次训练的第二剩余集确定为第k次训练的剩余样本集；其中，k为从1开始的整数，第1次训练的标签样本集为从所述训练样本集中选择多幅样本塑料软管的图像进行标记后得到的，第1次训练的剩余样本集为从所述训练样本集中剔除第1次训练的标签样本集后得到的；
[0014]若第k次训练的剩余样本集不为空集且k未达到设定值，则从第k次训练的剩余样本集中选择多幅样本塑料软管的图像，得到第k次训练的未标签训练样本集，并将第k次训练的剩余样本集中的剩余图像确定为第k次训练的第一剩余集；
[0015]采用直推式学习的方法，根据第k次训练的伪标签样本集、第k次训练的标签样本集和第k次训练的未标签训练样本集训练所述支持向量机分类器，得到第k次训练的第一分
类模型；其中，第1次训练的伪标签样本集为空集；
[0016]将第k次训练的未标签训练样本集并入第k
‑
1次训练的伪标签候选样本集中，得到第k次训练的伪标签候选样本集；其中，第1次训练的伪标签样本集为空集；
[0017]采用第k次训练的第一分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第一分类标签；
[0018]采用基于不确定度的采样策略从第k次训练的第一剩余集中选择满足第一设定条件的样本塑料软管的图像进行标记后并入第k次训练的标签样本集中，得到第k次训练的合并样本集，并将第k次训练的第一剩余集中的剩余图像确定为第k次训练的第二剩余集；
[0019]采用监督学习的方法，根据第k次训练的合并样本集训练所述支持向量机分类器，得到第k次训练的第二分类模型；
[0020]采用第k次训练的第二分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第二分类标签；
[0021]将第k次训练的伪标签候选样本集中的所述第一分类标签与所述第二分类标签相同的样本塑料软管的图像和对应的分类标签确定为第k+1次训练的伪标签样本集；
[0022]更新k的值，并返回“将第k
‑
1次训练的合并样本集确定为第k次训练的标签样本集，并将第k
‑
1次训练的第二剩余集确定为第k次训练的剩余样本集”的步骤；
[0023]若第k次训练的剩余样本集为空集或k达到设定值，则将第k
‑
1次训练的第一分类模型确定为塑料软管检测模型。
[0024]可选地，所述采用直推式学习的方法，根据第k次训练的伪标签样本集、第k次训练的标签样本集和第k次训练的未标签训练样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型，具体包括：
[0025]将第k次训练的标签样本集确定为第一样本集，并根据所述第一样本集训练所述支持向量机分类器，得到初始分类模型；
[0026]将第k次训练的未标签训练样本集确定为第二样本集，并采用所述初始分类模型对所述第二样本集中的样本塑料软管的图像进行分类，得到所述第二样本集中的样本塑料软管的图像的伪标签；
[0027]将第k次训练的伪标签样本集和带有伪标签的所述第二样本集确定为第三样本集；
[0028]确定选择所述第一样本集的初始权重为第一权重，确定选择所述第三样本集的初始权重为第二权重；
[0029]比较所述第一权重和所述第二权重；
[0030]若所述第二权重小于所述第一权重，则根据所述第一权重、所述第二权重、所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第三分类模型；
[0031]根据所述第三分类模型确定所述第三样本集中的样本塑料软管的图像的松弛变量；
[0032]根据所述松弛变量判断所述第三样本集中是否存在两幅样本塑料软管的图像满足第二设定条件；
[0033]若存在，则将满足第二设定条件的两幅样本塑料软管的图像对应的伪标签互换以更新所述第三样本集，并返回“根据所述第一权重、所述第二权重、所述第一样本集和所述
第三样本集训练所述支持向量机分类器，得到第三分类模型”的步骤；
[0034]若不存在，则将所述第二权重的值增大至设定倍数，并返回“比较所述第一权重和所述第二权重”的步骤；
[0035]若所述第二权重大于或等于所述第一权重，则根据所述第一样本集和所述第三样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型。
[0036]可选地，所述第二设定条件为所述第三样本集中的两幅伪标签相反的样本塑料软管的图像对应的松弛变量均为正数且和大于2。
[0037]可选地，所述第一设定条件为所述样本塑料软管的图像与所述第一分类模型的超平面的距离在设定范围内。
[0038]可选地，所述方法还包括：
[0039]若确定所述目标塑料软管为次品，则生成报警信号。
[0040]可选地，所述获取训练样本集，具体包括：
[0041]获取初始样本集；所述初始样本集包括多幅样本塑料软管的初始图像；
[0042]对所述初始样本集中的样本塑料软管的初始图像分别进行预处理，得到训练样本集；所述预处理包括：灰度化处理和特征提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种塑料软管生产中检测次品的方法，其特征在于，所述方法包括：获取目标塑料软管的图像；利用塑料软管检测模型对所述目标塑料软管的图像进行检测，确定所述目标塑料软管是否为次品；所述塑料软管检测模型是采用基于主动学习的协同训练方法对支持向量机分类器进行训练得到的。2.根据权利要求1所述的塑料软管生产中检测次品的方法，其特征在于，所述塑料软管检测模型的确定方法，具体包括：获取训练样本集；所述训练样本集包括多幅样本塑料软管的图像；构建支持向量机分类器；将第k
‑
1次训练的合并样本集确定为第k次训练的标签样本集，并将第k
‑
1次训练的第二剩余集确定为第k次训练的剩余样本集；其中，k为从1开始的整数，第1次训练的标签样本集为从所述训练样本集中选择多幅样本塑料软管的图像进行标记后得到的，第1次训练的剩余样本集为从所述训练样本集中剔除第1次训练的标签样本集后得到的；若第k次训练的剩余样本集不为空集且k未达到设定值，则从第k次训练的剩余样本集中选择多幅样本塑料软管的图像，得到第k次训练的未标签训练样本集，并将第k次训练的剩余样本集中的剩余图像确定为第k次训练的第一剩余集；采用直推式学习的方法，根据第k次训练的伪标签样本集、第k次训练的标签样本集和第k次训练的未标签训练样本集训练所述支持向量机分类器，得到第k次训练的第一分类模型；其中，第1次训练的伪标签样本集为空集；将第k次训练的未标签训练样本集并入第k
‑
1次训练的伪标签候选样本集中，得到第k次训练的伪标签候选样本集；其中，第1次训练的伪标签候选样本集等于第1次训练的未标签训练样本集；采用第k次训练的第一分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第一分类标签；采用基于不确定度的采样策略从第k次训练的第一剩余集中选择满足第一设定条件的样本塑料软管的图像进行标记后并入第k次训练的标签样本集中，得到第k次训练的合并样本集，并将第k次训练的第一剩余集中的剩余图像确定为第k次训练的第二剩余集；采用监督学习的方法，根据第k次训练的合并样本集训练所述支持向量机分类器，得到第k次训练的第二分类模型；采用第k次训练的第二分类模型对第k次训练的伪标签候选样本集中的样本塑料软管的图像进行分类，得到各图像对应的第二分类标签；将第k次训练的伪标签候选样本集中的所述第一分类标签与所述第二分类标签相同的样本塑料软管的图像和对应的分类标签确定为第k+1次训练的伪标签样本集；更新k的值，并返回“将第k
‑
1次训练的合并样本集确定为第k次训练的标签样本集，并将第k
‑
1次训练的第二剩余集确定为第k次训练的剩余样本集”的步骤；若第k次训练的剩余样本集为空集或k达到设定值，则将第k
‑
1次训练的第一分类模型确定为塑料软管检测模型。3.根据权利要求2所述的塑料软管生产中检测次品的方法，其特征在于，所述采用直推
式学习的方法，根据第k次训练的伪标签样本集、第k次训练的标签样本集和第k次训练的未标签训练样本集训练所述支持向量机分类器，得到第k次训练的第一分类...

【专利技术属性】
技术研发人员：施慧彬，沈鑫浩，黄圣君，刘亮，蒋夏军，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：