CN114972302A - 判别标准生成方法、表面质检方法、存储介质及程序产品 - Google Patents
判别标准生成方法、表面质检方法、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114972302A CN114972302A CN202210688222.1A CN202210688222A CN114972302A CN 114972302 A CN114972302 A CN 114972302A CN 202210688222 A CN202210688222 A CN 202210688222A CN 114972302 A CN114972302 A CN 114972302A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- surface quality
- surface defect
- defect type
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了一种判别标准生成方法、表面质检方法、存储介质及程序产品,表面质量判别标准的生成方法包括:获得多个样本对象的表面各自包含的表面缺陷,以及样本对象各自对应的样本标签,所述样本标签用于表征所述样本对象是否符合预设标准;基于预先确定的表面缺陷类别,根据所述样本对象的表面包含的表面缺陷,获得各个所述样本对象在所述表面缺陷类别上的缺陷特征信息;根据各个所述样本对象在所述表面缺陷类别上的缺陷特征信息以及各个所述样本对象的所述样本标签,建立与所述表面缺陷类别对应的样本数据集;根据所述表面缺陷类别对应的样本数据集进行规则学习,获得所述表面缺陷类别对应的表面质量判别标准。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种判别标准生成方法、表面质检方法、存储介质及程序产品。
背景技术
工业品在生产加工工程中,由于工艺或者设备的原因,会导致工业品的表面存在一定的缺陷,例如钢卷的表面可能会存在夹杂,结疤,起皮,氧化铁皮,翘皮,划伤,刮伤等缺陷。因此,需要对工业品的表面进行质检。
一般情况下,会根据一定的行业标准对工业品的表面进行评级,例如基于预设的行业标准,根据钢卷表面不同缺陷种类的数量、长度、宽度、面积、直径等缺陷的定量描述对钢卷的表面质量进行评级。但是,这些行业标准一般是由工业品的制造商根据经验定制的,比较滞后且修改难度较高。
发明内容
有鉴于此,本申请实施例提供一种表面质量判别标准的生成方案,以至少部分解决上述问题。
根据本申请实施例的第一方面,提供了一种表面质量判别标准的生成方法,包括:获得多个样本对象的表面各自包含的表面缺陷,以及所述样本对象各自对应的样本标签,所述样本标签用于表征所述样本对象是否符合预设标准;基于预先确定的表面缺陷类别,根据所述样本对象的表面包含的表面缺陷,获得各个所述样本对象在所述表面缺陷类别上的缺陷特征信息;根据各个所述样本对象在所述表面缺陷类别上的缺陷特征信息以及各个所述样本对象的所述样本标签,建立与所述表面缺陷类别对应的样本数据集;根据所述表面缺陷类别对应的样本数据集进行规则学习,获得所述表面缺陷类别对应的表面质量判别标准。
根据本申请实施例的第二方面,提供了一种目标对象的表面质检方法,包括:获得目标对象在各个表面缺陷类别上的缺陷特征信息;基于各表面缺陷类别对应的表面质量判别标准,根据所述目标对象在各个所述表面缺陷类别上的缺陷特征信息,判断所述目标对象是否符合预设标准,所述表面质量判别标准根据如上所述的方法确定。
根据本申请实施例的第三方面,提供了一种钢卷表面质检方法,包括:获得目标钢卷在各个表面缺陷类别上的缺陷特征信息;基于各表面缺陷类别对应的表面质量判别标准,根据所述目标钢卷在各个所述表面缺陷类别上的缺陷特征信息,判断所述目标钢卷是否符合预设标准,所述表面质量判别标准根据如上所述的方法确定。
根据本申请实施例的第四方面,提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的方法。
根据本申请实施例的第五方面,提供了一种计算机程序产品,包括计算机指令,所述计算机指令指示计算设备执行如上所述的方法对应的操作。
根据本申请实施例提供的方案,可以基于获得多个样本对象的表面各自包含的表面缺陷,以及样本对象各自对应的样本标签,所述样本标签用于表征所述样本对象是否符合预设标准;基于预先确定的表面缺陷类别,根据所述样本对象的表面包含的表面缺陷,获得各个所述样本对象在所述表面缺陷类别上的缺陷特征信息;并根据各个所述样本对象在所述表面缺陷类别上的缺陷特征信息以及各个所述样本对象的所述样本标签,建立与所述表面缺陷类别对应的样本数据集;根据所述表面缺陷类别对应的样本数据集进行规则学习,获得所述表面缺陷类别对应的表面质量判别标准,通过根据样本对象的表面缺陷和样本标签,可以建立与预设的表面缺陷类别对应的样本数据集,并可以基于此进行规则学习,从而根据样本对象实际包括的表面缺陷及其是否符合预设标准,学习到用于判断目标对象是否符合预设标准的表面质量判别标准,实现表面质量判定标准的自动化、可量化生成,相比使用以往通过人工制定的判定标准,可以提升表面质检的准确率和召回率,并可以通过更改样本标签来进行适用于不同场景的表面质量判定标准生产,便于满足了不同的用户的需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种表面质量判别标准的生成方法的流程示意图;
图2A为本申请实施例提供的一种表面质量判别标准的生成方法的流程示意图;
图2B为本申请实施例提供的一种生成的决策树的示意图;
图2C为本申请实施例提供的一种过滤表面质量原始判别标准的原理示意图;
图2D为本申请实施例提供的一种对表面质量原始判别标准进行语义过滤的原理示意图;
图3为本申请实施例提供的一种目标对象表面质检方法的流程示意图;
图4为本申请实施例提供的一种钢卷表面质检方法的流程示意图;
图5为根据本申请实施例的一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
为了更加详细地说明本实施例提供的方案,下面先对本申请中的使用场景进行示例性说明。
以钢卷为例,钢卷在生产过程中由于工艺和设备原因,会存在一定的表面缺陷。常见的钢卷表面缺陷根据形态和成因可分类为数十种,包括夹杂,结疤,起皮,氧化铁皮,翘皮,划伤,刮伤等等。
而用户不同或者使用场景不同时,对钢卷的表面的要求不同,这就需要钢卷制造厂准确地对钢卷进行表面质检,并可以将钢卷根据质检结果划分至不同的级别或者了类别中。一般情况下,对钢卷进行表面质检时的行业标准一般由多个钢卷制造商协商确定,以保证行业内的标准较为统一。但也正是因为这样,导致钢卷质检的标准更新不易,无法满足用户多样性的需求。
示例地,有可能出现存在部分满足某类用途需求的钢卷因为没有满足硬性的等级判定规则,进行返工或者封闭处理,而造成了生产的浪费;而部分未满足用途需求的钢卷,因为表面质量判别标准的不合适,误判为合格流入市场,造成客户投诉和企业经济、名誉损失。
为此,本申请实施例提供了一种表面质量判别标准的生成方法,可以快速且准确地生成表面质量判别标准。
图1为本申请实施例提供的一种表面质量判别标准的生成方法的流程示意图,如图所示,其包括:
S101、获得多个样本对象的表面各自包含的表面缺陷,以及样本对象各自对应的样本标签。
本实施例中,样本对象可以为已经确定样本标签的工业品,例如钢卷、铝材等,本实施例对此不进行限定。
样本对象包含的表面缺陷可以例如夹杂,结疤,起皮,氧化铁皮,翘皮,划伤,刮伤等等,具体还可以包括各个表面缺陷的位置、大小、深度等。表面缺陷具体可以通过表检仪检测得到。
所述样本标签用于表征所述样本对象是否符合预设标准,示例地,预设标准可以例如是否符合用户需求、是否符合某一个行业标准等,本实施例对此不进行限定,本领域的技术人员可以根据需求确定。
S102、基于预先确定的表面缺陷类别,根据所述样本对象的表面包含的表面缺陷,获得各个所述样本对象在所述表面缺陷类别上的缺陷特征信息。
预设的缺陷类别具体可以为上述步骤中示出的夹杂,结疤,起皮,氧化铁皮,翘皮,划伤,刮伤等,也可以为本领域的技术人员确定的表面缺陷类别,本实施例对此不进行限定。
每个表面缺陷类别可以对应有缺陷特征,例如缺陷数量、缺陷大小等,样本对象在所述表面缺陷类别上的缺陷特征信息,即样本对象对应的该类表面缺陷类别的各个缺陷特征的特征值。示例地,某一个样本对象在所述表面缺陷类别上的缺陷特征信息可以包括:缺陷数量为10、缺陷最大长度为2mm等。
S103、根据各个所述样本对象在所述表面缺陷类别上的缺陷特征信息以及各个所述样本对象的所述样本标签,建立与所述表面缺陷类别对应的样本数据集。
本实施例中,样本数据集可以包括:具有该表面缺陷类别的多个样本对象、各个样本对象在该表面缺陷类别上的缺陷特征信息、各个样本对象对应的样本标签。
本实施例中,当表面缺陷类别为多个时,样本数据集的数量也可以为多个,与表面缺陷类别一一对应。
S104、根据所述表面缺陷类别对应的样本数据集进行规则学习,获得所述表面缺陷类别对应的表面质量判别标准。
具体进行规则学习的方法可参考相关技术,在此不再赘述。
本实施例提供的方案,可以基于获得多个样本对象的表面各自包含的表面缺陷,以及样本对象各自对应的样本标签,所述样本标签用于表征所述样本对象是否符合预设标准;基于预先确定的表面缺陷类别,根据所述样本对象的表面包含的表面缺陷,获得各个所述样本对象在所述表面缺陷类别上的缺陷特征信息;并根据各个所述样本对象在所述表面缺陷类别上的缺陷特征信息以及各个所述样本对象的所述样本标签,建立与所述表面缺陷类别对应的样本数据集;根据所述表面缺陷类别对应的样本数据集进行规则学习,获得所述表面缺陷类别对应的表面质量判别标准,通过根据样本对象的表面缺陷和样本标签,可以建立与预设的表面缺陷类别对应的样本数据集,并可以基于此进行规则学习,从而根据样本对象实际包括的表面缺陷及其是否符合预设标准,学习到用于判断目标对象是否符合预设标准的表面质量判别标准,实现表面质量判定标准的自动化、可量化生成,相比使用以往通过人工制定的判定标准,可以提升表面质检的准确率和召回率,并可以通过更改样本标签来进行适用于不同场景的表面质量判定标准生产,便于满足了不同的用户的需求。
本实施例的表面质量判别标准的生成方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如手机、PAD等)和PC机等。
图2A为本申请实施例提供的一种表面质量判别标准的生成方法的流程示意图,如图所示,其包括:
S201、获得多个样本对象的表面各自包含的表面缺陷,以及样本对象各自对应的样本标签。
所述样本标签用于表征所述样本对象是否符合预设标准。
可选地,本实施例中,由于用户需求较为多变,且目标对象的评级也为了向用户提供对应级别的对象以满足用户需求,因此本实施例中,所述样本标签具体用于表征所述样本对象是否符合预设标准,预设标准为购买所述样本对象的用户所要求的产品表面质量标准。类似的,预设标准也可以为预设的表面级别标准。
当预设标准为购买所述样本对象的用户所要求的产品表面质量标准时,若用户持续采购某一个对象,例如钢卷等,则根据预设时间段内新增的样本对象,以及购买所述样本对象的用户的反馈信息,确定新增的所述样本对象的样本标签;根据预设时间段内新增的样本对象在所述表面缺陷类别上的缺陷特征信息以及所述样本标签,建立与所述表面缺陷类别对应的更新样本数据集;根据所述表面缺陷类别对应的更新样本数据集进行规则学习,以根据学习结果更新所述表面缺陷类别对应的表面质量判别标准。
由此,可以根据预设时间段内与用户交易时得到的用户交易评价,对表面质量判别标准进行更新,使得表面质量判别标准与用户需求及时更新,以使得根据更新后的表面质量判别标准
S202、根据获得的多个样本对象的表面各自包含的表面缺陷的形貌特征,对所述表面缺陷进行聚类。
本实施例中,形貌特征为表面缺陷的视觉特征,具体可以包括各个表面缺陷的形状、深度等信息,本实施例对此不进行限定。根据形貌特征可以将形貌相同或相似的表面缺陷归为一类。
S203、根据聚类结果确定所述表面缺陷类别。
本实施例中,聚类结果可以包括多个类簇,每个类簇可以对应一个表面缺陷特征,本步骤中,具体可以得到一个表面缺陷类别的数据列表。
S204、基于确定的表面缺陷类别,根据所述样本对象的表面包含的表面缺陷,获得各个所述样本对象在所述表面缺陷类别上的缺陷特征信息。
可选地,本实施例中,所述样本对象为钢卷或者铝材,所述表面缺陷信息为与各所述缺陷特征对应的特征值,所述表面缺陷类别对应的缺陷特征包括以下至少之一:缺陷数量、每米缺陷数量、除去头尾缺陷数量、累计长度、累计长度比例、累计宽度、累计面积比例、最大缺陷长度、最大缺陷宽度、最大缺陷面积、距边部最大距离、距头部最大距离、距尾部最大距离。
具体地,参见下述表一,示出了表面缺陷特征包括的13个缺陷特征,由于钢卷或者铝材等由上下表面,则最终的缺陷特征数量可以为13*2=26个。
如表一所示,表面缺陷类别的缺陷特征可以具体分为两类,分别为累计缺陷特征和极值缺陷特征,累计缺陷特征为某个样本对象累计存在的该类表面缺陷特征的累计值,极值缺陷特征为某个样本对象存在的该类表面缺陷特征的极限值,缺陷特征的特征代号具体可以为在生成表面缺陷判定标准时使用的缺陷特征对应的代号。
表一
具体地,若存在n个表面缺陷类别,则每个样本对象可以与表面缺陷类别一一对应的上述表一,样本对象的缺陷特征信息具体可以为上述表一中各个缺陷特征对应的特征值。
S205、根据各个所述样本对象在所述表面缺陷类别上的缺陷特征信息以及各个所述样本对象的所述样本标签,建立与所述表面缺陷类别对应的样本数据集。
S206、将所述表面缺陷类别对应的样本数据集划分为训练集和验证集。
具体划分训练集和验证集的方法可参考相关技术,在此不再赘述。
S207、基于随机森林算法根据所述训练集进行规则学习,得到所述表面缺陷类别对应的表面质量原始判别标准;
随机森林:在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。在本实施例中,随机森林输出的并非类别,而是表面质量原始判别标准。
具体地,本实施例中,可以从所述表面缺陷类别对应的各个缺陷特征中,随机抽取缺陷特征;对所述训练集进行有放回采样,根据采样结果确定所述缺陷特征对应的特征阈值;根据所述缺陷特征及所述特征阈值进行节点***,以生成决策树;根据生成的决策树建立随机森林,并根据所述随机森林中的叶子节点对应的缺陷特征及特征阈值确定所述表面缺陷类别对应的表面质量原始判别标准。
决策树:在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。
本实施例中,可以生成多个决策树组成随机森林,决策树由多个节点构成,最下层的称为决策树的叶子节点,在生成某个决策树时,针对决策树中的某个节点,可以从所述表面缺陷类别对应的各个缺陷特征中,随机抽取缺陷特征;对所述训练集进行有放回采样,根据采样结果确定所述缺陷特征对应的特征阈值;根据所述缺陷特征及所述特征阈值进行节点***。若进行节点分类,则可以生成该节点对应的两个子节点,若不进行节点***,则说明该节点为决策树的叶子节点。
示例地,参见图2B,示出了一种生成的决策树的示意图,图中的每个节点下方的为缺陷特征,节点上方为基于***出该节点的特征阈值确定的范围。节点中示出的为随机取样出的训练集的样本标签统计结果。
以图2B中的最上方节点为例,其对应的随机抽取出的缺陷特征为“缺陷数量”,对训练集进行有放回采样,可以得到12个目标对象,其中10个目标对象对应“客户接受”的样本标签,2个对应有“客户不接收”的样本标签,则根据采样结果确定所述缺陷特征对应的特征阈值为1000,并可以根据缺陷数量≤1000和缺陷数量>1000进行节点***,得到两个子节点。
针对图2B中左侧示出的与“缺陷数量≤1000”对应的子节点,可以再次随机抽取缺陷特征“缺陷累计长度”,并对训练集进行有放回采样,可以得到9个目标对象,其中8个目标对象对应“客户接受”的样本标签,1个对应有“客户不接收”的样本标签,则根据采样结果确定所述缺陷特征对应的特征阈值为10000,并可以根据缺陷累计长度≤10000和缺陷累计长度>10000进行节点***,得到两个子节点,这两个子节点分别对应的判别标准为“缺陷数量≤1000且缺陷累计长度≤10000”和“缺陷数量≤1000且缺陷累计长度>10000”。
当节点停止***时,可以将该节点确定为决策树的叶子节点,并将其对应的判别标准确定为表面质量原始判别标准,例如图2B所示的rule1和rule2。
可选地,本实施例中,由于通过随机森林可以生成多个表面质量原始判别标准,则本实施中,在执行后续步骤时,可以先对表面质量原始判别标准进行筛选过滤和去重。
参见图2C,示出了一种过滤表面质量原始判别标准的原理示意图,如图所示,具体进行筛选过滤时,可以使用OOB产生准确率Precision以及召回率Recall对表面质量原始判别标准进行筛选,OOB即袋外样本。每个表面质量原始判别标准对于测试集预测的Precison/Recall会有一个最低的阈值,只有那些在OOB中达到了阈值的表面质量原始判别标准才会在这一步中得到保留,两个阈值是“且”的关系,即Precision/Recall需要同时满足。OOB:outofbag,代表袋外样本,即随机森林在采样时未被采样到的样本,常用于验证模型准确性。
如图2C所示,左侧的“未参与训练数据”即测试集,rule1和rule2等为表面质量原始判别标准,通过OOB可以生成各个表面质量原始判别标准对应的预测指标,即准确率Precision以及召回率Recall,并可以基于筛选阈值筛选出准确率Precision以及召回率Recall大于筛选阈值的表面质量原始判别标准。
参见图2D,示出了一种对表面质量原始判别标准进行语义过滤的原理示意图。
可选地,本实施例中,所述表面质量原始判别标准的数量为多个,所述使用所述验证集验证所述表面质量原始判别标准,得到所述表面缺陷类别对应的表面质量原始判别标准之前,所述方法还包括:利用树模型,根据多个所述表面质量原始判别标准中各自包括的缺陷特征及缺陷阈值进行划分,得到与所述树模型的叶子节点对应的所述表面质量原始判别标准;针对所述树模型的任一叶子节点,若所述叶子节点对应有多个所述表面质量原始判别标准,则删除部分所述表面质量原始判别标准,直至所述叶子节点对应有一个所述表面质量原始判别标准。
具体地,参见图2D,根据表面质量原始判别标准中包括的缺陷特征,例如“缺陷数量”、“缺陷累计长度”、“缺陷最大面积”以及各个缺点特征对应的缺陷阈值的运算符“>”、“≤”等,将多个表面质量原始判别标准进行划分。当存在多个表面质量原始判别标准对应到一个树模型的叶子节点时,例如rule1和rule2对应到了一个叶子节点、rule4、rule5对应到了一个叶子节点,则表征rule1和rule2的语义相似度较高,rule4、rule5的语义相似度较高,则可以删除部分所述表面质量原始判别标准,直至所述叶子节点对应有一个所述表面质量原始判别标准。
具体地,针对对应于同一个叶子节点的多个表面质量原始判别标准,可以求每个表面质量原始判别标准对袋外样本(OOB)的预测指标,保留预测指标高的表面质量原始判别标准(此处指标用的是综合精确度和召回率的F1-score)。
F1分数(F1-score):F1分数(F1Score),是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率(precision)和召回率(recall)。它是精确率和召回率的调和平均数,最大为1,最小为0。
S208、使用所述验证集验证所述表面质量原始判别标准,得到所述表面缺陷类别对应的表面质量判别标准。
本实施例中,可以将表面质量原始判别标准,基于验证集进行验证,得到表面质量原始判别标准对应的精确度、召回率、F1等指标,并根据对应的指标得到所述表面缺陷类别对应的表面质量判别标准。
示例地,在上述处理过程中可能采用特征向量或者特征代号,则本实施例中,还可以对得到的表面缺陷类别对应的表面质量判别标准进行自然语言转换,得到人类可读的判别标准,并由相关技术人员检查后应用判别标准。
另外,当存在多个表面缺陷类别时,针对每个表面缺陷类别,均可以生成对应的表面质量判别标准,每个表面缺陷类别对应的表面质量判别标准可以有多个,本实施例对此不进行限定。
本实施例的表面质量判别标准的生成方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如手机、PAD等)和PC机等。
图3为本申请实施例提供的一种目标对象的表面质检方法的流程示意图,如图所示,其包括:
S301、获得目标对象在各个表面缺陷类别上的缺陷特征信息;
S302、基于各表面缺陷类别对应的表面质量判别标准,根据所述目标对象在各个所述表面缺陷类别上的缺陷特征信息,判断所述目标对象是否符合预设标准。
所述表面质量判别标准根据上述实施例提供的表面质量判别标准的生成方法确定。
表面质检:简称表检,是指对钢卷,铝卷,布匹等产品表面进行质量检测,检测的内容主要针对表面的缺陷,进行检测与识别,最终实现表面质量判定分级。
需要说明的是,当存在多个表面缺陷类别时,目标对象在每个表面缺陷类别上的缺陷特征信息,都需要满足对应表面缺陷类别的表面质量判别标准,否则判断目标对象不合格。但是,若任一个表面缺陷类别对应的表面质量判别标准可以有多个,目标对象满足其中一个即可。
本实施例的目标对象的表面质检方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如手机、PAD等)和PC机等。
图4为本申请实施例提供的一种钢卷表面质检方法的流程示意图,如图所示,其包括:
S401、获得目标钢卷在各个表面缺陷类别上的缺陷特征信息;
S402、基于各表面缺陷类别对应的表面质量判别标准,根据所述目标钢卷在各个所述表面缺陷类别上的缺陷特征信息,判断所述目标钢卷是否符合预设标准.
所述表面质量判别标准根据上述实施例提供的表面质量判别标准的生成方法确定。
本实施例的钢卷表面质检方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如手机、PAD等)和PC机等。
参照图5,示出了本申请实施例提供的一种电子设备的结构示意图,本申请具体实施例并不对电子设备的具体实现做限定。
如图5所示,该电子设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它电子设备或服务器进行通信。
处理器502,用于执行程序510,具体可以执行上述表面质量判别标准的生成方法、目标对象表面质检方法或钢卷表面质检方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510中各步骤的具体实现可以参见上述表面质量判别标准的生成方法、目标对象表面质检方法或钢卷表面质检方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
本申请实施例还提供了一种计算机程序产品,包括计算机指令,该计算机指令指示计算设备执行上述多个方法实施例中的任一表面质量判别标准的生成方法、目标对象表面质检方法或钢卷表面质检方法对应的操作。
需要指出,根据实施的需要,可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的表面质量判别标准的生成方法、目标对象表面质检方法或钢卷表面质检方法。此外,当通用计算机访问用于实现在此示出的表面质量判别标准的生成方法、目标对象表面质检方法或钢卷表面质检方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的表面质量判别标准的生成方法、目标对象表面质检方法或钢卷表面质检方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
以上实施方式仅用于说明本申请实施例,而并非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专利保护范围应由权利要求限定。
Claims (12)
1.一种表面质量判别标准的生成方法,包括:
获得多个样本对象的表面各自包含的表面缺陷,以及所述样本对象各自对应的样本标签,所述样本标签用于表征所述样本对象是否符合预设标准;
基于预先确定的表面缺陷类别,根据所述样本对象的表面包含的表面缺陷,获得各个所述样本对象在所述表面缺陷类别上的缺陷特征信息;
根据各个所述样本对象在所述表面缺陷类别上的缺陷特征信息以及各个所述样本对象的所述样本标签,建立与所述表面缺陷类别对应的样本数据集;
根据所述表面缺陷类别对应的样本数据集进行规则学习,获得所述表面缺陷类别对应的表面质量判别标准。
2.根据权利要求1所述的方法,其中,所述预设标准为购买所述样本对象的用户所要求的产品表面质量标准。
3.根据权利要求2所述的方法,其中,所述方法还包括:
根据预设时间段内新增的样本对象,以及购买所述样本对象的用户的反馈信息,确定新增的所述样本对象的样本标签;
根据预设时间段内新增的样本对象在所述表面缺陷类别上的缺陷特征信息以及所述样本标签,建立与所述表面缺陷类别对应的更新样本数据集;
根据所述表面缺陷类别对应的更新样本数据集进行规则学习,以根据学习结果更新所述表面缺陷类别对应的表面质量判别标准。
4.根据权利要求1所述的方法,其中,所述样本对象为钢卷或者铝材,所述表面缺陷类别对应的缺陷特征包括以下至少之一,所述表面缺陷信息为与各所述缺陷特征对应的特征值:
缺陷数量、每米缺陷数量、除去头尾缺陷数量、累计长度、累计长度比例、累计宽度、累计面积比例、最大缺陷长度、最大缺陷宽度、最大缺陷面积、距边部最大距离、距头部最大距离、距尾部最大距离。
5.根据权利要求1所述的方法,其中,所述表面缺陷类别通过下述步骤确定:
根据获得的多个样本对象的表面各自包含的表面缺陷的形貌特征,对所述表面缺陷进行聚类;
根据聚类结果确定所述表面缺陷类别。
6.根据权利要求1所述的方法,其中,根据所述表面缺陷类别对应的样本数据集进行规则学习,获得所述表面缺陷类别对应的表面质量判别标准,包括:
将所述表面缺陷类别对应的样本数据集划分为训练集和验证集;
基于随机森林算法根据所述训练集进行规则学习,得到所述表面缺陷类别对应的表面质量原始判别标准;
使用所述验证集验证所述表面质量原始判别标准,得到所述表面缺陷类别对应的表面质量原始判别标准。
7.根据权利要求6所述的方法,其中,所述基于随机森林算法根据所述训练集进行规则学习,得到所述表面缺陷类别对应的表面质量原始判别标准包括:
从所述表面缺陷类别对应的各个缺陷特征中,随机抽取缺陷特征;
对所述训练集进行有放回采样,根据采样结果确定所述缺陷特征对应的特征阈值;
根据所述缺陷特征及所述特征阈值进行节点***,以生成决策树;
根据生成的决策树建立随机森林,并根据所述随机森林中的叶子节点对应的缺陷特征及特征阈值确定所述表面缺陷类别对应的表面质量原始判别标准。
8.根据权利要求6所述的方法,其中,所述表面质量原始判别标准的数量为多个,所述使用所述验证集验证所述表面质量原始判别标准,得到所述表面缺陷类别对应的表面质量原始判别标准之前,所述方法还包括:
利用树模型,根据多个所述表面质量原始判别标准中各自包括的缺陷特征及缺陷阈值进行划分,得到与所述树模型的叶子节点对应的所述表面质量原始判别标准;
针对所述树模型的任一叶子节点,若所述叶子节点对应有多个所述表面质量原始判别标准,则删除部分所述表面质量原始判别标准,直至所述叶子节点对应有一个所述表面质量原始判别标准。
9.一种目标对象的表面质检方法,包括:
获得目标对象在各个表面缺陷类别上的缺陷特征信息;
基于各表面缺陷类别对应的表面质量判别标准,根据所述目标对象在各个所述表面缺陷类别上的缺陷特征信息,判断所述目标对象是否符合预设标准,所述表面质量判别标准根据权利要求1-7所述的方法确定。
10.一种钢卷表面质检方法,包括:
获得目标钢卷在各个表面缺陷类别上的缺陷特征信息;
基于各表面缺陷类别对应的表面质量判别标准,根据所述目标钢卷在各个所述表面缺陷类别上的缺陷特征信息,判断所述目标钢卷是否符合预设标准,所述表面质量判别标准根据权利要求1-8所述的方法确定。
11.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-10中任一所述方法。
12.一种计算机程序产品,包括计算机指令,所述计算机指令指示计算设备执行如权利要求1-10中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210688222.1A CN114972302A (zh) | 2022-06-17 | 2022-06-17 | 判别标准生成方法、表面质检方法、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210688222.1A CN114972302A (zh) | 2022-06-17 | 2022-06-17 | 判别标准生成方法、表面质检方法、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972302A true CN114972302A (zh) | 2022-08-30 |
Family
ID=82964202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210688222.1A Pending CN114972302A (zh) | 2022-06-17 | 2022-06-17 | 判别标准生成方法、表面质检方法、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972302A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437221A (zh) * | 2023-12-18 | 2024-01-23 | 浙江祥晋汽车零部件股份有限公司 | 一种基于图像检测的亮饰条检测方法及*** |
-
2022
- 2022-06-17 CN CN202210688222.1A patent/CN114972302A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437221A (zh) * | 2023-12-18 | 2024-01-23 | 浙江祥晋汽车零部件股份有限公司 | 一种基于图像检测的亮饰条检测方法及*** |
CN117437221B (zh) * | 2023-12-18 | 2024-04-26 | 浙江祥晋汽车零部件股份有限公司 | 一种基于图像检测的亮饰条检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914090B (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
CN110991657A (zh) | 一种基于机器学习的异常样本检测方法 | |
CN109710766B (zh) | 一种工单数据的投诉倾向分析预警方法及装置 | |
CN111460250A (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
CN111915580A (zh) | 烟叶分级方法、***、终端设备及存储介质 | |
CN112200392B (zh) | 业务预测方法及装置 | |
CN111680750B (zh) | 图像识别方法、装置和设备 | |
WO2022199185A1 (zh) | 用户操作检测方法及程序产品 | |
CN108470071B (zh) | 一种数据处理方法及装置 | |
CN112598294A (zh) | 在线建立评分卡模型的方法、装置、机器可读介质及设备 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及*** | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN115879017A (zh) | 一种电力敏感数据自动化分类分级方法、装置及存储介质 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN114972302A (zh) | 判别标准生成方法、表面质检方法、存储介质及程序产品 | |
CN117149581A (zh) | 一种基于关联规则算法的异常信息分析预警方法及*** | |
CN112463848A (zh) | 检测用户异常行为的检测方法、***、装置和存储介质 | |
CN112069315A (zh) | 提取文本多维度信息方法、装置、服务器及存储介质 | |
CN114708117B (zh) | 融合先验知识的用电安全检查评级方法、装置及设备 | |
CN115049991A (zh) | 共享设备位姿整齐度判断方法、装置、终端及介质 | |
CN111798237B (zh) | 基于应用日志的异常交易诊断方法及*** | |
CN114511022A (zh) | 特征筛选、行为识别模型训练、异常行为识别方法及装置 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 |
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 |