基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置，方法包括：获取纸箱切割后的图像数据；将数据按设定比例划分为训练集和测试集，并将训练集和测试集均打上数据标签；构建对抗生成网络，利用所述对抗生成网络对所述训练集进行样本扩展，得到扩展训练集；所述对抗生成网络包括生成器和判别器；构建多尺度卷积神经网络硬膜切刀退化预测模型；利用所述扩展训练集对所述退化预测模型进行训练；将测试集输入训练好网络参数的退化预测模型中，对退化预测效果进行评估并最终判断模切刀的磨损。本发明专利技术基于纸箱包装设备质检的图像数据，通过生成式对抗神经网络和卷积神经网络实现硬膜切刀的磨损建模和预测。积神经网络实现硬膜切刀的磨损建模和预测。积神经网络实现硬膜切刀的磨损建模和预测。

【技术实现步骤摘要】
基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置


[0001]本专利技术属于机械模切刀磨损检测的
，具体涉及一种基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置。

技术介绍

[0002]随着国内快递行业的发展，市场对瓦楞纸箱的质量、生产效益的要求也越来越高，因此对纸箱机械设备尤其是能一次性实现印刷、开槽、模切、粘箱等工艺的高端、柔性、智能成套设备的市场需求迫切。当纸箱生产的硬膜切刀发生磨损时，不仅影响生产效率，还会因硬膜切刀的损坏导致生产出来的纸箱良品率底下进而导致原材料的浪费，所以对硬膜切刀及时进行磨损的预测能够有效避免损失，因此具有十分重要的现实意义。
[0003]硬膜切刀在工作过程中时常会发生磨损和断裂的状况，而目前针对刀具的磨损预测方式主要以数据驱动为主。基于数据驱动的方法可以通过信号处理和人工智能两者相结合，从而降低对机理知识的需求。然而对于硬膜切刀的磨损预测，目前存在如下问题：1、与硬膜切刀磨损的信号难监测。由于纸箱硬膜切部内各部件具有紧耦合特性，无法加装额外的振动传感器收集刀具磨损的信号。导致刀具磨损预测建模难实现。2、收集到的数据通常会遇到收集故障数据过少难以做出准确的判断。获得准确的预测模型还需要经过大量的磨损相关数据进行预测，这在实际生产中难以获得。硬膜切刀的诊断中通常会遇到小样本的问题，这使得目前的样本数还不足以训练出精确的深度学习模型。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置，基于纸箱包装设备质检的图像数据，通过生成式对抗神经网络和卷积神经网络实现硬膜切刀的磨损建模和预测。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]第一方面，本专利技术提供了一种基于质量检测图像的纸箱包装机械模切刀磨损预测方法，包括下述步骤：
[0007]获取纸箱切割后的图像数据；
[0008]将数据按设定比例划分为训练集和测试集，并将训练集和测试集均打上数据标签；
[0009]构建对抗生成网络，利用所述对抗生成网络对所述训练集进行样本扩展，得到扩展训练集；所述对抗生成网络包括生成器和判别器；
[0010]构建多尺度卷积神经网络硬膜切刀退化预测模型；
[0011]利用所述扩展训练集对所述退化预测模型进行训练；
[0012]将测试集输入训练好网络参数的退化预测模型中，对退化预测效果进行评估并最终判断模切刀的磨损。
[0013]作为优选的技术方案，在所述对抗生成网络中，所述生成器和判别器采用3层二维卷积神经网络，卷积核大小为3，从而确定模型结构及模型参数θ；
[0014]使用KL散度来衡量真实样本的概率分布和生成样本的概率分布的差异，因此通过最小化KL散度优化对抗生成网络的参数θ，从而确定对抗生成网络；
[0015]因此对于生成器，目标函数如下：
[0016][0017]其中，G
*
表示优化后的生成器的参数，G表示优化前生成器的参数，Div(
·
)表示最小化真实样本的概率分布和生成样本的概率分布之间的散度，P
G
表示生成样本的概率分布，P
data
表示真实样本的概率分布。
[0018]作为优选的技术方案，，对于判别器，目标是在高维空间中找出一个高维“平面”，用这个“平面”分割真实样本的分布和生成样本的分布，从而区分真实样本和生成样本，采用log
‑
likelihood描述真实样本分布和生成样本分布间的差异，通过最大化V(G,D)使判别器达到最优的判别效果，同样最小化V(G,D)优化对抗生成网络的生成效果，V(G,D)的表示如下：
[0019][0020]其中，V(G,D)表示GAN优化的损失函数，表示了生成器和判别器的性能，D(x)表示判别器，该判别器的作用是判断输入的样本是真实的还是生成的；
[0021]同样的,通过证明得出最大化V(G,D)等价为最大化真实样本和生成样本之间的JS散度，JS散度的表达如下：
[0022][0023]对于判别器，目标函数转化为：
[0024][0025]最终,对抗生成网络GAN优化后的目标函数表示如下：
[0026][0027]其中，V表示JS散度。
[0028]作为优选的技术方案，，在公式中，在处取得最大值,也就是说当时,判别器才能达到最优，而生成器的不断优化使生成样本的分布无限接近真实样本的分布,即P
data
(x)≈P
G
(x)，所以最终得到此时生成器所生成样本可欺骗判别器，具有一定的质量，随后将所生成的样本与原始样本混合，用于硬膜切刀磨损预测建模。
[0029]作为优选的技术方案，，所述多尺度卷积神经网络包括五个卷积层conv、三个池化层pooling、两个局部响应归一化层LRN和两个全连接层fc，所对应的网络结构为：
[0030](conv+ReLU+pooling+LRN)
×
2+(conv+ReLU)
×
2,
[0031]+(conv+ReLU+pooling)+(fc+ReLU)+fc+MSE
[0032]其中损失函数采用均方根误差：
[0033][0034]式中y
i
表示刀片的实际磨损状态，表示卷积神经网络预测的刀片磨损状态；n为用于训练卷积神经网络的样本数。
[0035]作为优选的技术方案，，在所述卷积神经网络中，卷积层中包含着多个可学习的卷积核，通过卷积核将输入的特征图进行卷积操作并将卷积结果输出至激活函数得到硬膜切刀磨损相关的特征图，卷积层l的第j单元的输出值的计算为公式如下：
[0036][0037]其中表示选择的输入特征图的集合，k表示可学习的卷积核；
[0038]在经过卷积之后图像的输出宽度和输出高度如式下式所示：
[0039][0040][0041]池化层的引入是仿照人的视觉系统对视觉输入对象进行降维，其设置在卷积层之后；池化层比卷积层更大幅度的减少了连接个数，降低了特征的维度，从而避免过拟合，同时还使得池化输出的特征具有平移不变性，输入数据大小类似卷积层的计算方法，而池化层l中激活值的计算公式如下：
[0042][0043]其中，down(
·
)表示池化函数，为偏置，为乘数残差，M
l
表示第l层所采用的池化框大小为M
l
*M
l
，而对于最大池化来说，M
l
*M
l
为所选取图像的非重叠滑动框所有像素的最大值；
[0044]局部响应归一化层的引入能够在使用ReLU的情况下有效实现局部抑制，并且LRN层能够有效实现归一化并有助于快速收敛以及增强模型的泛化能力，随后通过全连接层对特征图进行学习，输出最后的硬膜切刀磨损预测结果。...

【技术保护点】

【技术特征摘要】
1.基于质量检测图像的纸箱包装机械模切刀磨损预测方法，其特征在于，包括下述步骤：获取纸箱切割后的图像数据；将数据按设定比例划分为训练集和测试集，并将训练集和测试集均打上数据标签；构建对抗生成网络，利用所述对抗生成网络对所述训练集进行样本扩展，得到扩展训练集；所述对抗生成网络包括生成器和判别器；构建多尺度卷积神经网络硬膜切刀退化预测模型；利用所述扩展训练集对所述退化预测模型进行训练；将测试集输入训练好网络参数的退化预测模型中，对退化预测效果进行评估并最终判断模切刀的磨损。2.根据权利要求1所述基于质量检测图像的纸箱包装机械模切刀磨损预测方法，其特征在于，在所述对抗生成网络中，所述生成器和判别器采用3层二维卷积神经网络，卷积核大小为3，从而确定模型结构及模型参数θ；使用KL散度来衡量真实样本的概率分布和生成样本的概率分布的差异，因此通过最小化KL散度优化对抗生成网络的参数θ，从而确定对抗生成网络；因此对于生成器，目标函数如下：其中，G
*
表示优化后的生成器的参数，G表示优化前生成器的参数，Div(
·
)表示最小化真实样本的概率分布和生成样本的概率分布之间的散度，P
G
表示生成样本的概率分布，P
data
表示真实样本的概率分布。3.根据权利要求1所述基于质量检测图像的纸箱包装机械模切刀磨损预测方法，其特征在于，对于判别器，目标是在高维空间中找出一个高维“平面”，用这个“平面”分割真实样本的分布和生成样本的分布，从而区分真实样本和生成样本，采用log
‑
likelihood描述真实样本分布和生成样本分布间的差异，通过最大化V(G,D)使判别器达到最优的判别效果，同样最小化V(G,D)优化对抗生成网络的生成效果，V(G,D)的表示如下：其中，V(G,D)表示GAN优化的损失函数，表示了生成器和判别器的性能，D(x)表示判别器，该判别器的作用是判断输入的样本是真实的还是生成的；同样的,通过证明得出最大化V(G,D)等价为最大化真实样本和生成样本之间的JS散度，JS散度的表达如下：对于判别器，目标函数转化为：最终,对抗生成网络GAN优化后的目标函数表示如下：其中，V表示JS散度。
4.根据权利要求3所述基于质量检测图像的纸箱包装机械模切刀磨损预测方法，其特征在于，在公式中，在处取得最大值,也就是说当时,判别器才能达到最优，而生成器的不断优化使生成样本的分布无限接近真实样本的分布,即P
data
(x)≈P
G
(x)，所以最终得到此时生成器所生成样本可欺骗判别器，具有一定的质量，随后将所生成的样本与原始样本混合，用于硬膜切刀磨损预测建模。5.根据权利要求1所述基于质量检测图像的纸箱包装机械模切刀磨损预测方法，其特征在于，所述多尺度卷积神经网络包括五个卷积层conv、三个池化层pooling、两个局部响应归一化层LRN和两个全连接层fc，所对应的网络结构为：(conv+ReLU+pooling+LRN)
×
2+(conv+ReLU)
×
2,+(conv+ReLU+pooling)+(fc+ReLU)+fc+MSE其中损失函数采用均方根误差：式中y
i
表示刀片的实际磨损状态，表示卷积神经网络预测的刀片磨损状态；n为用于训练卷积神经网络的样本数。6.根据权利要求5所述基于质量检测图像的纸箱包装机械模切刀磨损预测方法，其特征在于，在所述卷...

【专利技术属性】
技术研发人员：王卓微，邓磊，张裕彬，
申请(专利权)人：广州科盛隆纸箱包装机械有限公司，
类型：发明
国别省市：