【技术实现步骤摘要】
基于机器学习的汽车零部件生产质量优化方法及系统
[0001]本专利技术涉及汽车零部件生产质量优化
，具体是指基于机器学习的汽车零部件生产质量优化方法及系统
。
技术介绍
[0002]基于机器学习的汽车零部件生产质量优化方法是利用机器学习算法和技术，在汽车零部件生产过程中对数据进行分析和预测，以优化生产质量
、
减少缺陷和废品率的方法，这项技术的应用可以帮助汽车制造商实现对零部件生产质量的监控和预测，提高质量控制效率，减少缺陷和废品率
。
[0003]但是，在已有的汽车零部件生产质量优化方法中，存在着用于质量评估的图像数据的缺陷区域和背景区域的对比度低，难以突出缺陷区域的特征信息的技术问题；在已有的汽车零部件生产质量优化方法中，存在着经典算法在进行质量评估时存在缺陷检测效率较低且自动性能较低的技术问题；在已有的汽车零部件生产质量优化方法中，存在着缺少一种能面向多任务
、
多阶段的生产进而进行生产质量预测的方法的技术问题
。
技术实现思路
[0004]针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于机器学习的汽车零部件生产质量优化方法及系统，针对在已有的汽车零部件生产质量优化方法中，存在着用于质量评估的图像数据的缺陷区域和背景区域的对比度低，难以突出缺陷区域的特征信息的技术问题，本方案创造性地采用基于多尺度细节对比度增强算法的特征信息增强方法，提高了用于汽车零部件质量评估的数据的质量，提高了任务的整体准确率；针对在已有的汽车零部
【技术保护点】
【技术特征摘要】
1.
基于机器学习的汽车零部件生产质量优化方法，其特征在于：该方法包括以下步骤：步骤
S1
：数据采集；步骤
S2
：数据预处理；步骤
S3
：零部件表面质量评估；步骤
S4
：零部件多阶段质量预测；步骤
S5
：汽车零部件生产质量优化在步骤
S1
中，通过数据采集，得到生产质量优化原始数据，所述生产质量优化原始数据包括传感器数据
、
图像数据
、
时序数据和操作日志数据；在步骤
S2
中，所述数据预处理，用于对生产质量优化数据中的图像数据进行数据增强，具体为采用基于多尺度细节对比度增强算法的特征信息增强方法，对所述生产质量优化原始数据中的图像数据进行数据增强，得到特征增强汽车零部件图像数据，所述特征增强汽车零部件图像数据，具体指细节增强图像数据，包括以下步骤：步骤
S21
：计算局部均值；步骤
S22
：计算局部标准差；步骤
S23
：图像特征增强；步骤
S24
：多尺度图像细节对比度增强；在步骤
S3
中，所述零部件表面质量评估，用于从汽车零部件图像数据中检测汽车零部件的表面缺陷，具体为采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估，得到汽车零部件表面质量检测信息；所述结合特征金字塔和空间金字塔池化的卷积神经网络，包括基本骨干网络
、
特征金字塔网络
、
空间金字塔池化层和预测检测层；所述基本骨干网络，用于从输入的图像中提取特征，包括输入层
、
卷积层
、
残差注意力层和输出层，所述卷积层包括基本卷积
、
归一化结构和激活函数；所述特征金字塔网络，用于进行特征融合处理细节信息丢失问题；所述空间金字塔池化层，用于增加预测模型对不同尺度特征的适用性；所述预测检测层，用于执行零部件表面质量评估操作
。2.
根据权利要求1所述的基于机器学习的汽车零部件生产质量优化方法，其特征在于：在步骤
S21
中，所述计算局部均值，具体为计算所述图像数据中每个像素的局部均值，计算公式为：；式中，
M(i,j)
是每个像素的局部均值，
i
是像素点水平坐标索引，
j
是像素点垂直坐标索引，
n
是水平方向像素总数，
m
是垂直方向像素总数，
s
是水平方向像素索引，
k
是垂直方向像素索引，
(s,k)
是用于计算局部均值的图像像素矩阵坐标点，
f(
·
)
是像素值计算函数；在步骤
S22
中，所述计算局部标准差，计算所述图像数据中每个像素的局部标准差，计算公式为：
；式中，是每个像素的局部方差，是每个像素的局部标准差，
i
是像素点水平坐标索引，
j
是像素点垂直坐标索引，
n
是水平方向像素总数，
m
是垂直方向像素总数，
s
是水平方向像素索引，
k
是垂直方向像素索引，
(s,k)
是用于计算局部均值的图像像素矩阵坐标点，
f(
·
)
是像素值计算函数，
M(i,j)
是每个像素的局部均值；在步骤
S23
中，所述图像特征增强，具体为采用多尺度高斯滤波器进行改进滤波，并对多层细节特征信息赋予权重，进行图像增强，所述图像特征增强的计算公式为：；式中，是增强像素值，
M(i,j)
是每个像素的局部均值，
i
是像素点水平坐标索引，
j
是像素点垂直坐标索引，
f(i,j)
是点
(i,j)
的像素值，
G
是图像增强参数，是图像增强参数控制系数，其中，所述图像增强参数控制系数的取值范围为
(0,1)
，是每个像素的局部标准差
。3.
根据权利要求1所述的基于机器学习的汽车零部件生产质量优化方法，其特征在于：在步骤
S24
中，多尺度图像细节对比度增强，包括以下步骤：步骤
S241
：采用具有不同大小的模糊核的多尺度高斯滤波器，进行图像滤波；步骤
S242
：从原始图像中减去多个尺度的频域信息，用于获取多层次细节特征信息；步骤
S243
：对多层次细节特征信息赋予不同的权重，并将所述权重与图像的均值进行融合，得到细节增强图像数据，所述将所述权重与图像的均值进行融合的计算公式为：；式中，是细节增强后的像素值，用于构成细节增强图像数据，
M(i,j)
是每个像素的局部均值，
i
是像素点水平坐标索引，
j
是像素点垂直坐标索引，
N
是所述多尺度高斯滤波器的尺度总数，
n
是尺度索引，
I
n
(i,j)
是尺度为
n
的增强后像素，
f(i,j)
是点
(i,j)
的像素值，
F
n
(i,j)
是尺度为
n
的高斯滤波器，是尺度为
n
的特征信息权重
。4.
根据权利要求3所述的基于机器学习的汽车零部件生产质量优化方法，其特征在于：所述采用结合特征金字塔和空间金字塔池化的卷积神经网络对所述细节增强图像数据进行汽车零部件表面质量评估，得到汽车零部件表面质量检测图的步骤，包括：步骤
S31
：构建基本骨干网络，包括以下步骤：步骤
S311
：构建输入层，具体为通过线性插值算法修改所述细节增强图像数据的大小，得到输入图像，构建所述输入层；步骤
S312
：构建卷积层，具体为通过构建基本卷积
、
归一化结构和激活函数构建所述卷积层，所述归一化结构用于对特征图进行归一化和标准化处理，所述激活函数具体为参数修正线性函数，所述参数修正线性函数的计算公式为：
；式中，
PReLU(
·
)
是参数修正线性函数，是输入图像，是图像索引，是可学习修正参数；步骤
S313
：构建残差注意力层，具体为通过构建全局池化层
、
两个全连接层和
S
型激活函数构建所述残差注意力层；步骤
S314
：构建输出层，具体为通过计算基本骨干网络输出构建所述输出层，计算公式为：；式中，是基本骨干网络输出，所述基本骨干网络输出，具体指特征图数据，
F(
·
)
是卷积操作，是输入图像，是图像索引，是卷积权重；步骤
S32
：构建特征金字塔网络，具体为构建三层特征金字塔结构对所述基本骨干网络输出的特征图数据进行特征融合操作，并采用所述参数修正线性函数作为激活函数；步骤
S33
：构建空间金字塔池化层，具体为通过在所述三层特征金字塔结构中添加空间金字塔池化层结构，构建所述构建空间金字塔池化层，所述空间金字塔池化层，具体为最大池化操作和串联操作的组合运算，用于确保输入图像和输出图像的连接关系；步骤
S34
：构建预测检测层，具体为通过设置阈值过滤掉置信度较低的预测结果，并通过非极大值抑制方法消除冗余的预测值，构建所述预测检测层；步骤
S35
：质量评估模型训练，具体为通过所述构建基本骨干网络
、
所述构建特征金字塔网络
、
所述构建空间金字...
【专利技术属性】
技术研发人员：彭志，陈海斌，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。