【技术实现步骤摘要】
本专利技术属于视觉检测领域，具体涉及一种基于多中心深度度量学习的轮型识别方法与智能运维系统。
技术介绍
1、视觉检测是重要应用。以轮毂生产线为例，视觉检测广泛分布于轮毂生产制造全流程各个环节的关键工序，包括尺寸自动检测、轮毂型号识别、表面瑕疵检测与结构缺陷检测等。其中，轮型识别的结果会发送至机械臂以调用轮型对应的抓取配方，进而完成轮毂的抓取与上架，并进入后续工序。轮型的误识别会引发轮毂与抓取配方的失配，进而导致抓取位置错误，造成轮毂的脱落、机械手与轮毂托架的缠绕等严重的经济损失与安全事故，因此，精准的轮型识别对于工业系统的高效稳定生产具有至关重要的意义。随着人工智能的发展，模式识别技术被广泛的应用于工业生产中，wang在[1]中引入了一种新的softmax损失函数来解决数据分布不平衡的问题并应用于智能故障诊断，yu等在[2]中提出了一种用于轴承故障诊断的三阶段半监督学习方法，该方法采用数据增强和度量学习来处理有限的标记数据。huang等人基于深度度量学习提出了一个统一的故障识别与异常检测任务框架(mlfdad)，在交叉熵损失的基础上增加了两个正则化方法约束模型的训练过程，并利用特征层距离度量作为异常检测的标准[3]，实现了识别与检测的统一。
2、然而，现有模式识别框架在应用于实际轮毂生产过程的轮型识别时通常面临三大挑战。首先，实际生产过程由于操作失误等原因，存在未经注册的新类别轮毂混入的可能，机械臂没有存储抓取新轮型的配方，必然导致故障的发生，因此轮型识别系统需要准确识别已知轮型外，还需检测到未知轮型混入的异常；其次
技术实现思路
1、面向轮毂生产制造过程的实际特点，本专利技术提供一种基于多中心深度度量学习的轮型识别方法与智能运维系统，轮型识别方法提高识别精度，运维系统可以根据每日生产计划的进行小批量类别模型的动态部署与实时迭代，实现轻量级高精度轮型识别服务。
2、为实现上述技术目的，本专利技术采用如下技术方案：
3、一种基于多中心深度度量学习的轮型识别方法，包括：
4、搭建多中心深度度量学习模型框架，包括特征提取模块、异常检测模块、分类模块；所述特征提取模块对输入的轮型图像进行特征提取；所述分类模块根据提取的特征进行分类预测进而构建分类损失；所述异常检测模块对提取的特征聚合进而根据聚合特征构建多中心损失，以及根据聚合特征与所属轮型类别各中心的距离计算各中心的控制限；
5、基于分类损失和多中心损失构建损失函数，并基于训练样本的损失函数值训练多中心深度度量学习模型；
6、当训练完模型且需要对轮型测试样本进行识别时：异常检测模块根据控制限和测试样本的聚合特征到各中心的距离，对测试样本进行异常检测，识别未知类别的异常；分类模块根据测试样本的特征进行已知类别的分类预测；最终综合异常检测结果和分类预测结果以输出决策向量。
7、进一步的，特征提取模块使用基于cnn的主干网络。
8、进一步的，分类模块由全连接层和softmax分类器组成，对特征提取模块最后一层输出的特征图进行分类预测，使用交叉熵构建分类损失celoss为：
9、
10、式中，yi和分别为第i个训练样本的真实标签和分类预测的标签，n为训练样本的总数量。
11、进一步的，特征提取模块包括n层特征提取层，对应的输出特征图分别为{f1，f2，...，fn}，异常检测模块选取后m层特征图{fn-m+1，fn-m+2，...，fn}进行聚合；聚合过程包括：
12、首先对不同特征图进行平均池化操作，将尺寸为w×h×c的特征图下采样为大小为1×1×c特征向量f′1×1×c，其中c为通道数目，表示如下：
13、f′1×1×c＝avgpoolw×h(fw×h×c)
14、对池化后的m层特征图{f′n-m+1，f′n-m+2，...，f′n}进行拼接操作，表示如下：
15、fagg＝cat(f′n-m+1，f′n-m+2，...，f′n)
16、
17、式中，avgpool为平均池化操作，fagg为聚合特征，cat为拼接操作，{cn+m+1，cn-m+2，…，cn}为后m层特征图{f′n-m+1，f′n-m+2，...，f′n}对应的通道数目。
18、进一步的，根据聚合特征构建的多中心损失具体为：
19、设每种已知类别包括k个中心点，计算该类别下各训练样本与各中心的隶属关系：
20、
21、其中，z为样本标签，nz为第z类训练样本的数量，fiz为第z类中的第i个训练样本的聚合特征，为第z类的第j个中心；
22、根据隶属关系构建多中心损失metricsloss的数学表达如下：
23、
24、其中，z为总的类别数目，为第z类隶属于第j个中心的第i个训练样本的聚合特征。
25、进一步的，所述根据聚合特征与所属轮型类别各中心的距离计算各中心的控制限，具体为：计算每个训练样本的聚合特征与其隶属的中心之间的距离，并构建每个中心与隶属于该中心的样本距离的集合，然后将集合中最大值作为该中心的控制限，表示为：
26、
27、
28、其中，表示第z类隶属于第j个中心的第i个训练样本的聚合特征与其隶属的中心之间的距离；nj为第z类隶属于第j个中心的训练样本的数目；表示第z类第j个中心的控制限。
29、进一步的，对轮型测试样本进行识别时，异常检测模块对测试样本进行异常检测，具体为：
30、计算测试样本的聚合特征与各个中心点的距离，将距离最小值作为待比较的距离度量d，并根据距离最小值对应的中心选择相应的控制限；
31、
32、
33、比较距离度量d与控制限τ的大小进行异常的判断，如果距离大于控制限，则判断该样本为异常样本，令异常指数idx等于1，如果距离小于控制限，则为正常的已知类别样本，令异常指数idx等于0：
34、
35、式中，known和anomaly分别代表正常样本和异常样本，sign()为符号函数。
36、进一步的，综合异常检测结果和分类预测结果以输出决策向量表示为：
37、
38、式中，o表示输出的决策向量，idx为异常检测结果，idx＝1表示测试样本为异常样本，idx＝0表示测试样本为正常的已知类别样本；ypred为根据分类预测结果生成的one-hot向量。
39、本专利技术提供一种基于云边协同架构的轮型识别智能运维服务系统，采用云边协同架构对轮型识别进行智能运维服务，具体地本文档来自技高网...
【技术保护点】
1.一种基于多中心深度度量学习的轮型识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，特征提取模块使用基于CNN的主干网络。
3.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，分类模块由全连接层和Softmax分类器组成，对特征提取模块最后一层输出的特征图进行分类预测，使用交叉熵构建分类损失CELoss为：
4.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，特征提取模块包括N层特征提取层，对应的输出特征图分别为{f1，f2，...，fN}，异常检测模块选取后m层特征图{fN-m+1，fN-m+2，...，fN}进行聚合；聚合过程包括：
5.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，根据聚合特征构建的多中心损失具体为：
6.根据权利要求5所述的基于多中心深度度量学习的轮型识别方法，其特征在于，所述根据聚合特征与所属轮型类别各中心的距离计算各中心的控制限，具体为：计算每个训练样本的聚合特征与其隶属
7.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，对轮型测试样本进行识别时，异常检测模块对测试样本进行异常检测，具体为：
8.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，综合异常检测结果和分类预测结果以输出决策向量表示为：
9.一种基于云边协同架构的轮型识别智能运维服务系统，其特征在于，采用云边协同架构对轮型识别进行智能运维服务，具体地：
10.根据权利要求9所述的基于云边协同架构的轮型识别智能运维服务系统，其特征在于，基于Flask微服务框架将训练好的模型构建为轻量级的Web应用程序，部署为推理服务API接口的形式发布于边缘设备本地，并由边缘设备的应用软件通过HTTP协议向本地发布的推理服务API接口提交请求和调用。
...【技术特征摘要】
1.一种基于多中心深度度量学习的轮型识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，特征提取模块使用基于cnn的主干网络。
3.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，分类模块由全连接层和softmax分类器组成，对特征提取模块最后一层输出的特征图进行分类预测，使用交叉熵构建分类损失celoss为：
4.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，特征提取模块包括n层特征提取层，对应的输出特征图分别为{f1，f2，...，fn}，异常检测模块选取后m层特征图{fn-m+1，fn-m+2，...，fn}进行聚合；聚合过程包括：
5.根据权利要求1所述的基于多中心深度度量学习的轮型识别方法，其特征在于，根据聚合特征构建的多中心损失具体为：
6.根据权利要求5所述的基于多中心深度度量学习的轮型识别方法，其特征在于，所述根据聚合特征与所属轮型...
【专利技术属性】
技术研发人员：桂卫华，刘泽一，黄科科，阳春华，张新星，吴德浩，刘一顺，
申请(专利权)人：中南大学，
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。