一种基于机器学习的汽车零部件生产检测方法及系统技术方案

本发明专利技术公开了一种基于机器学习的汽车零部件生产检测方法及系统，方法包括图像采集、图像预处理、特征融合、特征提取、基于长短期神经网络构建生产检测模型和汽车零部件生产检测。本发明专利技术属于汽车零部件检测技术领域，具体是指一种基于机器学习的汽车零部件生产检测方法及系统，本方案采用傅里叶变换对图像进行操作，有助于图像进一步处理，使得图像更加清晰可靠，提高了检测算法的准确性；采用跨层特征融合，获取更丰富的特征信息，提升了生产检测模型的性能；采用基于长短期神经网络的汽车零部件生产检测算法，分析和处理特征矩阵并进行汽车零部件生产检测，优化了汽车零部件生产检测的效率。检测的效率。检测的效率。

【技术实现步骤摘要】
一种基于机器学习的汽车零部件生产检测方法及系统


[0001]本专利技术属于汽车零部件检测
，具体是指一种基于机器学习的汽车零部件生产检测方法及系统。

技术介绍

[0002]汽车零部件生产检测是汽车零部件生产过程的一项重要环节，它旨在及时排除零部件的缺陷，提高生产效率，降低生产成本，确保零部件的质量符合技术标准和规范要求，保证汽车的安全性和可靠性，减少事故风险。
[0003]但在现有的汽车零部件生产检测过程中，传统检测方法存在误报、漏报的问题，导致检测的准确性和鲁棒性弱的技术问题；存在因汽车零部件种类繁多，缺陷类型多样化，在适应零部件多样性和复杂性方面较弱的技术问题；存在零部件生产过程产生的数据量庞大，缺乏一种高效地处理大规模数据的检测方法的技术问题。

技术实现思路

[0004]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于机器学习的汽车零部件生产检测方法及系统，针对在已有的汽车零部件生产检测过程中，传统检测方法存在误报、漏报的问题，导致检测的准确性和鲁棒性弱的技术问题，本方案采用傅里叶变换对图像进行操作，有助于图像进一步处理，使得图像更加清晰可靠，提高了检测算法的准确性；针对在已有的汽车零部件生产检测过程中，存在因汽车零部件种类繁多，缺陷类型多样化，在适应零部件多样性和复杂性方面较弱的技术问题，本方案采用跨层特征融合，获取更丰富的特征信息，提升了生产检测模型的性能；针对在现有的汽车零部件生产检测过程中，存在零部件生产过程产生的数据量庞大，缺乏一种高效地处理大规模数据的检测方法的技术问题，本方案采用基于长短期神经网络的汽车零部件生产检测算法，分析和处理特征矩阵并进行汽车零部件生产检测，优化了汽车零部件生产检测的效率。
[0005]本专利技术采取的技术方案如下：本专利技术提供的一种基于机器学习的汽车零部件生产检测方法，应用于汽车零部件生产检测系统，该方法包括以下步骤：步骤S1：采集汽车零部件静态图像AutoI；
[0006]步骤S2：图像预处理，采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵M
o
，对汽车零部件静态图像AutoI进行傅里叶变换和小波变换，得到降噪后的图像AutoI'；
[0007]步骤S3：特征融合，采用深度残差网络从图像AutoI'中提取多尺度特征D，采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，最后将相同分辨率的特征融合成深度融合特征；
[0008]步骤S4：特征提取，通过矩阵降维对深度融合特征进行重塑，通过矩阵乘法和softmax函数，生成特征交互矩阵，通过矩阵乘法和重塑操作，生成语义特征矩阵，采用基于信道关注的特征细化，优化语义特征，得到优化后的语义特征矩阵D
S
；
[0009]步骤S5：生产检测模型构建，通过线性变换，将优化后的语义特征矩阵D
S
变换为适合机器学习的特征向量，采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，通过设置隐藏门、输入门和输出门，得到零部件生产检测模型Model
CoDF
；
[0010]步骤S6：汽车零部件生产检测。
[0011]作为本方案的进一步改进，在步骤S1中，所述汽车零部件静态图像AutoI包括汽车零部件的正面视图、背面视图、侧面视图、上方视图和下方视图。
[0012]作为本方案的进一步改进，在步骤S2中，所述图像预处理，包括以下步骤：步骤S21：采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵M
o
，计算公式为：；式中，F（x，y）是对应于位置（x，y）的频谱分量的复数值，x是频率分量在水平方向上的索引，y是频率分量在垂直方向上的索引，N是输入图像的宽度，M是输入图像的高度，f（a，b）是输入图像中位置为（a，b）的复数值，j是虚数单位，是频谱分量的复指数项；
[0013]步骤S22：采用小波变换，对复数矩阵M
o
进行处理，得到小波系数矩阵M
o
'；
[0014]步骤S23：对小波系数矩阵M
o
'进行阈值处理并进行小波逆变换，得到降噪后的图像AutoI'。
[0015]作为本方案的进一步改进，在步骤S3中，所述特征融合具体指跨层特征融合，包括以下步骤：步骤S31：采用深度残差网络提取图像AutoI'的多尺度特征D，用于特征融合；
[0016]步骤S32：采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，包括以下步骤：步骤S321：对多尺度特征D中相邻的两层特征进行聚合，计算公式为：；式中，是第i层特征的平方，d3×3是3
×
3的卷积操作，Cat是对2个张量进行连接操作，D
i
是第i层的特征，U是上采样操作；
[0017]步骤S322：对多尺度特征D中相邻的三层特征进行聚合，计算公式为：；式中，是第i层特征矩阵的立方；
[0018]步骤S33：采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，包括以下步骤：步骤S331：对多尺度特征D中连续的四层特征进行融合，计算公式为：；式中，是第i层特征的四次方；
[0019]步骤S332：对多尺度特征D中连续的五层特征进行融合，计算公式为：
；式中，是第i层特征的五次方；
[0020]步骤S34：将相同分辨率的特征融合成深度融合特征、、、、。
[0021]作为本方案的进一步改进，在步骤S4中，所述特征提取，具体指语义感知特征提取，包括以下步骤：步骤S41：生成特征交互矩阵，包括以下步骤：步骤S411：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：；式中，是重塑后的第3层特征矩阵，满足，reshape（）是重塑操作，reshape函数是编程语言操作，是第3层的深度融合特征，R是特征矩阵的样本数，C是通道数，H是特征矩阵的高度，W是特征矩阵的宽度；
[0022]步骤S412：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：；式中，是重塑后的第4层特征矩阵，满足，是第4层的深度融合特征；
[0023]步骤S413：通过矩阵乘法和softmax函数，构造交互矩阵，计算公式为：；式中，V1是特征交互矩阵，σ（）是softmax函数，是矩阵乘法操作，T是转置操作，M1是权重矩阵；
[0024]步骤S42：生成语义特征矩阵，包括以下步骤：步骤S421：通过矩阵乘法和重塑操作，生成左分支语义特征矩阵，计算公式为：；式中，是左分支语义特征矩阵；
[0025]步骤S422：生成右分支的语义特征矩阵，包括以下步骤：步骤S4221：通过softmax函数和矩阵乘法，生成特征相似矩阵，计算公式为：；式中，V2是特征相似矩阵；
[0026]步骤S4222：通过矩阵乘法和重塑操作，生成右分支语义特征矩阵，计算公式为：；式中，是右分支语义特征矩阵；...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的汽车零部件生产检测方法，其特征在于：该方法包括以下步骤：步骤S1：采集汽车零部件静态图像AutoI；步骤S2：图像预处理，采用傅里叶变换将静态图像AutoI从空间域变换到频域，得到复数矩阵M
o
，对汽车零部件静态图像AutoI进行傅里叶变换和小波变换，得到降噪后的图像AutoI'；步骤S3：特征融合，采用深度残差网络从图像AutoI'中提取多尺度特征D，采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，最后将相同分辨率的特征融合成深度融合特征；步骤S4：特征提取，通过矩阵降维对深度融合特征进行重塑，通过矩阵乘法和softmax函数，生成特征交互矩阵，通过矩阵乘法和重塑操作，生成语义特征矩阵，采用基于信道关注的特征细化，优化语义特征，得到优化后的语义特征矩阵D
S
；步骤S5：生产检测模型构建，通过线性变换，将优化后的语义特征矩阵D
S
变换为适合机器学习的特征向量，采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，通过设置隐藏门、输入门和输出门，得到零部件生产检测模型Model
CoDF
；步骤S6：汽车零部件生产检测。2.根据权利要求1所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S3中，所述特征融合具体指跨层特征融合，包括以下步骤：步骤S31：采用深度残差网络提取图像AutoI'的多尺度特征D，用于特征融合；步骤S32：采用邻接交互算法，对多尺度特征D中的相邻层特征进行聚合，包括以下步骤：步骤S321：对多尺度特征D中相邻的两层特征进行聚合，计算公式为：；式中，是第i层特征的平方，d3×3是3
×
3的卷积操作，Cat是对2个张量进行连接操作，D
i
是第i层的特征，U是上采样操作；步骤S322：对多尺度特征D中相邻的三层特征进行聚合，计算公式为：；式中，是第i层特征矩阵的立方；步骤S33：采用多级特征融合算法，对多尺度特征D中的连续特征进行融合，包括以下步骤：步骤S331：对多尺度特征D中连续的四层特征进行融合，计算公式为：；式中，是第i层特征的四次方；步骤S332：对多尺度特征D中连续的五层特征进行融合，计算公式为：；式中，是第i层特征的五次方；步骤S34：将相同分辨率的特征融合成深度融合特征、、、、。3.根据权利要求2所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：
在步骤S4中，所述特征提取，具体指语义感知特征提取，包括以下步骤：步骤S41：生成特征交互矩阵，包括以下步骤：步骤S411：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：；式中，是重塑后的第3层特征矩阵，满足，reshape（）是重塑操作，reshape函数是编程语言操作，是第3层的深度融合特征，R是特征矩阵的样本数，C是通道数，H是特征矩阵的高度，W是特征矩阵的宽度；步骤S412：通过矩阵降维，对深度融合特征进行重塑操作，计算公式为：；式中，是重塑后的第4层特征矩阵，满足，是第4层的深度融合特征；步骤S413：通过矩阵乘法和softmax函数，构造交互矩阵，计算公式为：；式中，V1是特征交互矩阵，σ（）是softmax函数，是矩阵乘法操作，T是转置操作，M1是权重矩阵；步骤S42：生成语义特征矩阵，包括以下步骤：步骤S421：通过矩阵乘法和重塑操作，生成左分支语义特征矩阵，计算公式为：；式中，是左分支语义特征矩阵；步骤S422：生成右分支的语义特征矩阵，包括以下步骤：步骤S4221：通过softmax函数和矩阵乘法，生成特征相似矩阵，计算公式为：；式中，V2是特征相似矩阵；步骤S4222：通过矩阵乘法和重塑操作，生成右分支语义特征矩阵，计算公式为：；式中，是右分支语义特征矩阵；步骤S43：采用基于信道关注的特征细化，优化语义特征，包括以下步骤：步骤S431：将左分支语义特征矩阵和右分支语义特征矩阵拼接，生成新的语义特征矩阵，计算公式为：；式中，C是语义特征矩阵；步骤S432：采用平均池化操作，将语义特征矩阵压缩成一个通道注意力向量，计算公式为：；式中，A是通道注意力向量，δ（）是Sigmoid激活函数，d1×
1，2
是2个1
×
1的卷积层，g（）是平均池化操作；
步骤S433：通过卷积操作，优化语义特征矩阵，计算公式为：；式中，D
S
是优化后的语义特征矩阵，
⊙
是逐元素相乘操作，是逐元素求和操作。4.根据权利要求3所述的一种基于机器学习的汽车零部件生产检测方法，其特征在于：在步骤S5中，所述生产检测模型构建，包括以下步骤：步骤S51：通过线性变换，将优化后的语义特征矩阵D
S
变换为适合机器学习的特征向量，计算公式为：；式中，h
t
是经过线性变换的特征向量，t是时间步，K
h
是线性变换的权重矩阵，w
h
是线性变换的偏置项；步骤S52：采用基于长短期神经网络的汽车零部件生产检测算法，建立生产检测模型，包括以下步骤：步骤S521：设置遗忘门来控制记忆的更新，计算公式为：；式...

【专利技术属性】
技术研发人员：彭志，吴治国，赵如意，
申请(专利权)人：宁德市天铭新能源汽车配件有限公司，
类型：发明
国别省市：