【技术实现步骤摘要】
本专利技术属于神经网络，具体涉及一种面向厂级知识安全迁移的无监督模型领域自适应方法。
技术介绍
1、轮型识别是铝合金轮毂生产制造过程中的重要工序，在“混线生产-共线包装”的生产背景下，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。
2、作为机器学习的分支之一，深度学习技术被广泛应用于工业制造领域。一般地，严苛的工业生产标准与低容错性，要求大量的标记数据参与训练确保模型的可靠性，但受到实际生产条件、数据采集环境等因素影响，同一厂商不同子工厂采集的数据分布通常存在显著的域差异，这使得单厂训练良好的模型难以实现多厂复用，因此其他工厂也需要承担高昂的数据采集、标注的时间与人力成本，提高了深度学习技术的应用门槛。无监督领域自适应(unsupervised domain adaptation,uda)是解决上述...
【技术保护点】
1.一种面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，应用于目标域工厂对目标域模型进行训练，包括：
2.根据权利要求1所述的面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，分批次训练目标域模型的损失，包括单类别确定性损失采用各类别概率输出的信息熵损失进行衡量：
3.根据权利要求1所述的面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，分批次训练目标域模型的损失之一，采用全类别多样性损失进行衡量；
4.根据权利要求1所述的面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，分批次训练目标域模...
【技术特征摘要】
1.一种面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，应用于目标域工厂对目标域模型进行训练，包括：
2.根据权利要求1所述的面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，分批次训练目标域模型的损失，包括单类别确定性损失采用各类别概率输出的信息熵损失进行衡量：
3.根据权利要求1所述的面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，分批次训练目标域模型的损失之一，采用全类别多样性损失进行衡量；
4.根据权利要求1所述的面向厂级知识安全迁移的无监督模型领域自适应方法，其特征在于，分批次训练目标域模型的损失，包括k近邻对比损失计算式为：
【专利技术属性】
技术研发人员：桂卫华，刘泽一，黄科科，阳春华，吴德浩，李勇刚，林成东，
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。