CN114372181B - 一种基于多模态数据的设备生产智能规划方法 - Google Patents
一种基于多模态数据的设备生产智能规划方法 Download PDFInfo
- Publication number
- CN114372181B CN114372181B CN202111609391.3A CN202111609391A CN114372181B CN 114372181 B CN114372181 B CN 114372181B CN 202111609391 A CN202111609391 A CN 202111609391A CN 114372181 B CN114372181 B CN 114372181B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- deep neural
- manufacturing process
- manufacturing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000009471 action Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000010391 action planning Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多模态数据的设备生产智能规划方法,包括:1)对制造过程进行数据采集,得到多模态数据;2)对多模态数据进行标准化;3)对单个制造步骤构建训练集;4)对每个制造步骤的状态构建类别‑动作映射关系;5)构建并训练深度神经网络;6)用训练好的深度神经网络对每个制造过程中采集到的数据进行分类;7)根据分类结果选择相应动作;8)对每个制造步骤重复进行分类和动作选择,完成动作规划。本发明充分利用制造过程中收集到的多模态数据和深度神经网络,不仅可以识别每个步骤的当前状态,并根据当前状态进行动作规划,实现制造过程的动作智能规划,减少人工干预。此外,还可以增加动作规划的可解释性和准确性。
Description
技术领域
本发明涉及计算机人工智能的技术领域,尤其是指一种基于多模态数据的设备生产智能规划方法。
背景技术
目前,随着工业4.0时代的发展,人工智能开始渗透到传统制造行业,制造行业开始向智能化、信息化方向转变。在智能化制造的过程中,会产生大量类型不同、来源多样的多模态数据。如何利用这些制造过程中产生的多模态数据进行制造过程的规划,减少人工干预,提升生产规划的可解释性和准确性,成为制造过程迈向智能化的一个技术难点,也是现阶段智能制造研究领域的重点发展方向。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于多模态数据的设备生产智能规划方法,可有效利用多模态数据进行设备生产规划,充分利用制造过程中收集到的多模态数据和深度神经网络,不仅可以识别每个步骤的当前状态,并根据当前状态进行动作规划,实现制造过程的动作智能规划,减少人工干预,此外,还可以增加动作规划的可解释性和准确性。
为实现上述目的,本发明所提供的技术方案为:一种基于多模态数据的设备生产智能规划方法,包括以下步骤:
1)利用不同种类的传感器对制造过程进行数据采集,得到多模态数据,并存储在服务器中;
2)从服务器中提取出多模态数据,并将数据划分为图像数据、数值型数据两种类型进行预处理,得到预处理后的多模态数据;其中,针对图像数据,获取其像素值矩阵并将其进行标准化处理;针对数值型数据,直接进行数据标准化处理;
3)对于预处理后的多模态数据,提取关于制造过程t的多模态数据;然后根据专家知识,对数据进行人工标注,得到每条数据的标签,被提取的多模态数据与相应标签构成训练集;
4)构建类别-制造动作的映射关系,使步骤3)得到的训练集中,每个类别分别对应一个制造动作;
5)将步骤3)的训练集输入深度神经网络进行训练;其中,深度神经网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行类别概率输出;通过优化损失函数,得到训练好的深度神经网络;
6)在实际设备生产时,利用不同种类的传感器进行数据采集,形成多模态数据流,用训练好的深度神经网络对多模态数据流进行预测,得到分类结果;
7)根据步骤4)构建的类别-制造动作映射关系,选择步骤6)分类结果对应的制造动作,完成对实际制造过程t的动作规划;
8)对实际运行的制造过程中的每个过程,重复进行步骤3)至步骤7),形成多模态数据下的设备生产制造过程的动作策略智能规划。
进一步,在步骤2)中,所述数据标准化处理是:存储于服务器的数值型数据经过读取后,将数据按照类别对数据分别进行标准化,数值型数据的标准化公式为:
式中,Xa是原始的数值型数据,为数值型数据的均值,/>为数值型数据的标准差,/>是Xa标准化后的数值型数据;
针对图像数据,首先将传感器得到的像素值矩阵展成一维向量,得到图像向量Xb,然后根据以下公式进行标准化:
式中,为图像向量的均值,/>为图像向量的标准差,/>是Xb经过标准化处理后的图像数据;
标准化后的图像和数值型数据是两个一维向量,对两者进行拼接,得到标准化后的数据X*:
进一步,在步骤3)中,收集制造过程t的数据M次,收集到的多模态数据表示为数据集Xt:
式中,是第M次收集的标准化后的数据;给上述收集到的多模态数据进行标注,得到数据集Xt的标签:
Yt={Y1t,Y2t,...,YMt}
式中,YMt是数据对应的标签,由专家确定;数据集Xt与相应标签Yt构成训练集。
进一步,在步骤4)中,针对制造过程t构建类别-制造动作的映射关系,具体如下:
假设制造过程t的类别有S个,则类别集合Ct表示为:
Ct={c1t,c2t,...,cSt}
式中,cSt是制造过程t的第S个类别;最后构建制造动作集合At:
At={a1t,a2t,...,aSt}
式中,aSt是类别cSt对应的制造动作,从而构建出类别-制造动作的映射关系。
进一步,在步骤5)中,将步骤3)的训练集输入深度神经网络Ht进行训练,网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行概率计算;假设深度神经网络有L层,hk和hk+1分别为对应第k层和第k+1层的隐藏层网络,则对于第k+1层的隐藏层网络,能够用以下公式将第k+1层的隐藏层网络hk+1进行表示:
hk+1=δ(Wkhk)
式中,Wk为对应第k层隐藏层网络的权重参数;δ(·)是激活函数,在这里采用ReLU函数,为深度神经网络引入非线性,该ReLU函数δ(x)公式为:
然后,计算最后一层神经网络的输出Z:
Z=WLhL-1
式中,WL是最后一层隐藏层网络的权重参数,hL-1是倒数第二层隐藏层网络;使用softmax函数,计算输入数据属于类别i的概率pi,i=1,2,...,S,计算公式为:
式中,zi是输出Z的第i个元素,zj是输出Z的第j个元素,j=1,2,...,S;得到概率pi后,使用交叉熵损失函数Loss作为深度神经网络Ht的损失函数,其具体公式表达为:
式中,pr是类别r的概率输出,yr是类别r的标签,S是类别数量;最后,通过RMSprop优化方法,对深度神经网络进行优化,得到训练好的深度神经网络。
进一步,在步骤6)中,将步骤5)训练好的深度神经网络,对实际运行时的制造过程的多模态数据流Rt进行预测;将训练好的深度神经网络记为则分类结果/>表示为
进一步,在步骤7)中,将步骤6)得到的分类结果与步骤4)构建的类别-制造动作映射关系进行对应,选择对应的制造动作。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明方法可有效降低了人工设计复杂制造过程的难度,实现制造过程的动作策略智能规划。
2、本发明方法中通过收集每个制造步骤的多模态数据,并针对所收集的数据,对每个步骤分别训练一个深度神经网络。根据分类结果,对实际运行的多模态数据进行分类。针对不同的分类结果来规划不同的制造动作策略。
3、本发明方法为每个制造过程设计一个深度神经网络,可有效针对不同步骤的数据特性进行动作调整;同时可以自动识别制造过程中每个步骤的状态。
4、本发明方法根据每个制造过程的当前状态设计不同的动作,使制造过程中的动作调整具有更高的可解释性。这种动作策略规划方法在深度神经网络构建完成后,可根据制造过程中的多模态数据自动调整各步骤的动作,可有效减少人工干预,提高自动化水平。
附图说明
图1为本发明方法的逻辑流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,本实施例所提供的基于多模态数据的设备生产智能规划方法,其具体情况如下:
1)利用不同种类的传感器对制造过程进行数据采集,得到多模态数据,并存储在服务器中。
2)从服务器中提取出多模态数据,并将数据划分为图像数据、数值型数据两种类型进行预处理,得到预处理后的多模态数据;其中,针对图像数据,获取其像素值矩阵并将其进行标准化处理;针对数值型数据,直接进行数据标准化处理。
所述数据标准化处理是:存储于服务器的数值型数据经过读取后,将数据按照类别对数据分别进行标准化,数值型数据的标准化公式为:
式中,Xa是原始的数值型数据,为数值型数据的均值,/>为数值型数据的标准差,/>是Xa标准化后的数值型数据;
针对图像数据,首先将传感器得到的像素值矩阵展成一维向量,得到图像向量Xb,然后根据以下公式进行标准化:
式中,为图像向量的均值,/>为图像向量的标准差,/>是Xb经过标准化处理后的图像数据;
标准化后的图像和数值型数据是两个一维向量,对两者进行拼接,得到标准化后的数据X*:
3)对于预处理后的多模态数据,提取关于制造过程t的多模态数据;然后根据专家知识,对数据进行人工标注,得到每条数据的标签,被提取的多模态数据与相应标签构成训练集,具体如下:
收集制造过程t的数据M次,收集到的多模态数据表示为数据集Xt:
式中,是第M次收集的标准化后的数据;给上述收集到的多模态数据进行标注,得到数据集Xt的标签:
Yt={Y1t,Y2t,...,YMt}
式中,YMt是数据对应的标签,由专家确定;数据集Xt与相应标签Yt构成训练集。
4)构建类别-制造动作的映射关系,使步骤3)得到的训练集中,每个类别分别对应一个制造动作;其中,针对制造过程t构建类别-制造动作的映射关系,具体如下:
假设制造过程t的类别有S个,则类别集合Ct可以表示为:
Ct={c1t,c2t,...,cSt}
式中,cSt是制造过程t的第S个类别;最后构建制造动作集合At:
At={a1t,a2t,...,aSt}
式中,aSt是类别cSt对应的制造动作,从而构建出类别-制造动作的映射关系。类别与制造动作的对应关系由专家进行确定。
5)将步骤3)的训练集输入深度神经网络Ht进行训练,其中,网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行概率计算。假设深度神经网络有L层,hk和hk+1分别为对应第k层和第k+1层的隐藏层网络,则对于第k+1层的隐藏层网络,可以用以下公式将第k+1层的隐藏层网络hk+1进行表示:
hk+1=δ(Wkhk)
式中,Wk为对应第k层隐藏层网络的权重参数;δ(·)是激活函数,在这里采用ReLU函数,为深度神经网络引入非线性,该ReLU函数δ(x)公式为:
然后,计算最后一层神经网络的输出Z:
Z=WLhL-1
式中,WL是最后一层隐藏层网络的权重参数,hL-1是倒数第二层隐藏层网络。使用softmax函数,计算输入数据属于类别i的概率pi,i=1,2,...,S,计算公式为:
式中,zi是输出Z的第i个元素,zj是输出Z的第j个元素,j=1,2,...,S;得到概率pi后,使用交叉熵损失函数Loss作为深度神经网络Ht的损失函数,其具体公式表达为:
式中,pr是类别r的概率输出,yr是类别r的标签,S是类别数量;最后,通过RMSprop优化方法,对深度神经网络进行优化,得到训练好的深度神经网络。
6)利用步骤5)训练好的深度神经网络,对实际运行时的制造过程的多模态数据流Rt进行预测。将训练好的深度神经网络记为则分类结果/>可表示为:
7)将步骤6)得到的分类结果与步骤4)构建的类别-制造动作映射关系进行对应,选择对应的制造动作。假设/>在类别-制造动作中,对应制造动作/>则制造过程t的动作被规划为/>
8)对制造过程中的每个步骤,重复步骤3)至步骤7)的动作,形成多模态数据下的制造过程动作的智能规划方案其中/>是制造过程d(d=1,2,...,T)的制造动作,T是制造过程中的步骤数目。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于多模态数据的设备生产智能规划方法,其特征在于,包括以下步骤:
1)利用不同种类的传感器对制造过程t进行数据采集,得到多模态数据,并存储在服务器中;
2)从服务器中提取出多模态数据,并将数据划分为图像数据、数值型数据两种类型进行预处理,得到预处理后的多模态数据;其中,针对图像数据,获取其像素值矩阵并将其进行标准化处理;针对数值型数据,直接进行数据标准化处理;
所述数据标准化处理是:存储于服务器的数值型数据经过读取后,将数据进行分类,按照类别对数据分别进行标准化,数值型数据的标准化公式为:
式中,Xa是原始的数值型数据,为数值型数据的均值,/>为数值型数据的标准差,是Xa标准化后的数值型数据;
针对图像数据,首先将传感器得到的像素值矩阵展成一维向量,得到图像向量Xb,然后根据以下公式进行标准化:
式中,为图像向量的均值,/>为图像向量的标准差,/>是Xb经过标准化处理后的图像数据;
标准化后的图像和数值型数据是两个一维向量,对两者进行拼接,得到标准化后的数据X*:
3)对于预处理后的多模态数据,提取关于制造过程t的多模态数据;然后根据专家知识,对数据进行人工标注,得到每条数据的标签,被提取的多模态数据与相应标签构成训练集;
收集制造过程t的数据M次,收集到的多模态数据表示为数据集Xt:
式中,是第M次收集的标准化后的数据;给上述收集到的多模态数据进行标注,得到数据集Xt的标签:
式中,YMt是数据对应的标签,由专家确定;数据集Xt与相应标签Yt构成训练集;
4)构建类别-制造动作的映射关系,使步骤3)得到的训练集中,每个类别分别对应一个制造动作;
针对制造过程t构建类别-制造动作的映射关系,具体如下:
假设制造过程t的类别有S个,则类别集合Ct表示为:
Ct={c1t,c2t,...,cSt}
式中,cSt是制造过程t的第S个类别;最后构建制造动作集合At:
At={a1t,a2t,...,aSt}
式中,aSt是类别cSt对应的制造动作,从而构建出类别-制造动作的映射关系;
5)将步骤3)的训练集输入深度神经网络进行训练;其中,深度神经网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行类别概率输出;通过优化损失函数,得到训练好的深度神经网络;
将步骤3)的训练集输入深度神经网络Ht进行训练,网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行概率计算;假设深度神经网络有L层,hk和hk+1分别为对应第k层和第k+1层的隐藏层网络,则对于第k+1层的隐藏层网络,能够用以下公式将第k+1层的隐藏层网络hk+1进行表示:
hk+1=δ(Wkhk)
式中,Wk为对应第k层隐藏层网络的权重参数;δ(·)是激活函数,在这里采用ReLU函数,为深度神经网络引入非线性,该ReLU函数δ(x)公式为:
然后,计算最后一层神经网络的输出Z
Z=WLhL-1
式中,WL是最后一层隐藏层网络的权重参数,hL-1是倒数第二层隐藏层网络;使用softmax函数,计算输入数据属于类别i的概率pi,i=1,2,...,S,计算公式为:
式中,zi是输出Z的第i个元素,zj是输出Z的第j个元素,j=1,2,...,S;得到概率pi后,使用交叉熵损失函数Loss作为深度神经网络Ht的损失函数,其具体公式表达为:
式中,pr是类别r的概率输出,yr是类别r的标签,S是类别数量;最后,通过RMSprop优化方法,对深度神经网络进行优化,得到训练好的深度神经网络;
6)在实际设备生产时,利用不同种类的传感器进行数据采集,形成多模态数据流,用训练好的深度神经网络对多模态数据流进行预测,得到分类结果;
7)根据步骤4)构建的类别-制造动作映射关系,选择步骤6)分类结果对应的制造动作,完成对实际制造过程t的动作规划;
8)对实际运行的制造过程t中的每个过程,重复进行步骤3)至步骤7),形成多模态数据下的设备生产制造过程的动作策略智能规划。
2.根据权利要求1所述的一种基于多模态数据的设备生产智能规划方法,其特征在于:在步骤6)中,将步骤5)训练好的深度神经网络,对实际运行时的制造过程t的多模态数据流Rt进行预测;将训练好的深度神经网络记为则分类结果/>表示为
3.根据权利要求1所述的一种基于多模态数据的设备生产智能规划方法,其特征在于:在步骤7)中,将步骤6)得到的分类结果与步骤4)构建的类别-制造动作映射关系进行对应,选择对应的制造动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111609391.3A CN114372181B (zh) | 2021-12-27 | 2021-12-27 | 一种基于多模态数据的设备生产智能规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111609391.3A CN114372181B (zh) | 2021-12-27 | 2021-12-27 | 一种基于多模态数据的设备生产智能规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372181A CN114372181A (zh) | 2022-04-19 |
CN114372181B true CN114372181B (zh) | 2024-06-07 |
Family
ID=81142263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111609391.3A Active CN114372181B (zh) | 2021-12-27 | 2021-12-27 | 一种基于多模态数据的设备生产智能规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372181B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112857B (zh) * | 2023-10-23 | 2024-01-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种适用于工业智能制造的加工路径推荐方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784919A (zh) * | 2021-02-03 | 2021-05-11 | 华南理工大学 | 一种面向智能制造多模态数据的分类方法 |
CN113112086A (zh) * | 2021-04-22 | 2021-07-13 | 北京邮电大学 | 一种基于边缘计算和标识解析的智能生产*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9922272B2 (en) * | 2014-09-25 | 2018-03-20 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
-
2021
- 2021-12-27 CN CN202111609391.3A patent/CN114372181B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784919A (zh) * | 2021-02-03 | 2021-05-11 | 华南理工大学 | 一种面向智能制造多模态数据的分类方法 |
CN113112086A (zh) * | 2021-04-22 | 2021-07-13 | 北京邮电大学 | 一种基于边缘计算和标识解析的智能生产*** |
Non-Patent Citations (2)
Title |
---|
制造业设计文档的模糊分类;刘志洪, 顾宁;计算机辅助设计与图形学学报;20041120(第11期);全文 * |
基于深度神经网络的多模态特征自适应聚类方法;敬明旻;;计算机应用与软件;20201012(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114372181A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694924B (zh) | 一种事件抽取方法和*** | |
CN108596203B (zh) | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 | |
CN111274817A (zh) | 一种基于自然语言处理技术的智能化软件成本度量方法 | |
CN111353379B (zh) | 基于权重聚类的信号测量特征匹配标注方法 | |
CN112732921B (zh) | 一种虚假用户评论检测方法及*** | |
CN110705607A (zh) | 一种基于循环重标注自助法的行业多标签降噪方法 | |
CN111753995B (zh) | 一种基于梯度提升树的局部可解释方法 | |
CN114372181B (zh) | 一种基于多模态数据的设备生产智能规划方法 | |
CN113269182A (zh) | 一种基于变体transformer对小区域敏感的目标果实检测方法及*** | |
CN111368087A (zh) | 基于多输入注意力网络的中文文本分类方法 | |
CN110363214A (zh) | 一种基于gwa-svm的机器人装配的接触状态识别方法 | |
CN114676769A (zh) | 一种基于视觉Transformer的小样本昆虫图像识别方法 | |
CN114357221A (zh) | 一种基于图像分类的自监督主动学习方法 | |
CN117574776A (zh) | 一种面向任务规划的模型自学习优化方法 | |
CN116958700A (zh) | 一种基于提示工程和对比学习的图像分类方法 | |
CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
CN108573275B (zh) | 一种在线分类微服务的构建方法 | |
CN115217534A (zh) | 一种汽轮机服役质量状态监测方法及*** | |
CN115512214A (zh) | 一种基于因果注意力的室内视觉导航方法 | |
CN111144464B (zh) | 基于CNN-Kmeans算法水果自动识别方法 | |
CN115082726A (zh) | 一种基于PointNet优化的座便器陶瓷素坯产品分类方法 | |
CN114170460A (zh) | 一种基于多模态融合的艺术品分类方法及*** | |
CN111626376A (zh) | 一种基于判别联合概率的域适配方法及*** | |
CN115169617B (zh) | 模具保养预测模型训练方法、模具保养预测方法和*** | |
CN117274750B (zh) | 一种知识蒸馏半自动可视化标注方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |