CN114994289B - 一种纺纱产品质量检测方法及*** - Google Patents
一种纺纱产品质量检测方法及*** Download PDFInfo
- Publication number
- CN114994289B CN114994289B CN202210916175.1A CN202210916175A CN114994289B CN 114994289 B CN114994289 B CN 114994289B CN 202210916175 A CN202210916175 A CN 202210916175A CN 114994289 B CN114994289 B CN 114994289B
- Authority
- CN
- China
- Prior art keywords
- quality
- spinning product
- historical
- quality detection
- spinning
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/36—Textiles
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Textile Engineering (AREA)
- Biochemistry (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种纺纱产品质量检测方法及***,属于纺纱产品技术领域,该方法包括:采集获取第一纺纱产品的多维度质量信息;构建纺纱产品质量分析模型;对纺纱产品质量分析模型的参数进行优化,获得纺纱产品质量分析模型;将多维度质量信息输入纺纱产品质量分析模型,获得第一质量预测结果和第二质量预测结果;根据第一纺纱产品的应用场景,对第一质量预测结果和第二质量预测结果进行加权调整;将调整后的第一质量预测结果和第二质量预测结果输入纺纱产品质量检测空间,获得纺纱产品质量检测结果。本发明解决了现有技术中纺纱产品质量检测准确度低、检测效率低的技术问题,达到了提升纺纱产品质量检测的准确性和效率的技术效果。
Description
技术领域
本发明涉及纺纱产品技术领域,具体涉及一种纺纱产品质量检测方法及***。
背景技术
纺纱产品由各种纤维为原料,经过纺纱、织造等工序制成,具有保暖遮体、修饰美观的作用。纺纱产品的质量关乎其在使用过程中的舒适度和使用寿命等。
目前纺纱产品的质量检测一般通过抽样检测进行,通过检测纺纱产品的主要质量参数,通过作业标准结合技术人员的主观经验,判断纺纱产品是否满足对应的质量要求。
现有技术中纺纱产品的质量检测人工参与度较高,存在着纺纱产品质量检测准确度低、检测效率低等技术问题。
发明内容
本申请提供了一种纺纱产品质量检测方法及***,用于针对解决现有技术中存在的纺纱产品质量检测准确度低、检测效率低的技术问题。
鉴于上述问题,本申请提供了一种纺纱产品质量检测方法及***。
本申请的第一个方面,提供了一种纺纱产品质量检测方法,所述方法包括:采集获取第一纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合;构建纺纱产品质量分析模型;对所述纺纱产品质量分析模型的参数进行优化,获得所述纺纱产品质量分析模型;将所述第一质量信息集合和所述第二质量信息集输入所述纺纱产品质量分析模型,获得第一质量预测结果和第二质量预测结果;根据所述第一纺纱产品的应用场景,对所述第一质量预测结果和第二质量预测结果进行加权调整;将调整后的所述第一质量预测结果和所述第二质量预测结果输入纺纱产品质量检测空间,获得纺纱产品质量检测结果。
本申请的第二个方面,提供了一种纺纱产品质量检测***,所述***包括:第一获得单元,用于采集获取第一纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合;第一构建单元,用于构建纺纱产品质量分析模型;第一处理单元,用于对所述纺纱产品质量分析模型的参数进行优化,获得所述纺纱产品质量分析模型;第二处理单元,用于将所述第一质量信息集合和所述第二质量信息集输入所述纺纱产品质量分析模型,获得第一质量预测结果和第二质量预测结果;第三处理单元,用于根据所述第一纺纱产品的应用场景,对所述第一质量预测结果和第二质量预测结果进行加权调整;第四处理单元,用于将调整后的所述第一质量预测结果和所述第二质量预测结果输入纺纱产品质量检测空间,获得纺纱产品质量检测结果。
本申请的第三个方面,提供了一种电子设备,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使电子设备以执行如第一方面所述方法的步骤。
本申请的第四个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的技术方案通过获取当前制造生产的纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合,然后构建纺纱产品质量分析模型,并采用优化方法对模型的参数进行优化,获得准确率较高的纺纱产品质量分析模型,进一步将当前的第一质量信息集合和第二质量信息集合输入该模型,获得第一质量预测结果和第二质量预测结果,基于当前纺纱产品的应用场景,对第一质量预测结果和第二质量预测结果加权调整后输入纺纱产品质量检测空间,获得最后的纺纱产品质量检测结果。本申请实施例通过采集获取纺纱产品的多维度质量信息,能够提升纺纱产品质量检测的数据维度,提升检测准确性,构建纺纱产品质量分析模型并对模型进行参数寻优优化,能够提升模型预测的准确率和收敛速度,基于模型输出的第一质量预测结果和第二质量预测结果,结合应用场景进行加权调整,能够更为准确地基于应用场景进行纺纱产品的质量检测,普适性更强、准确性更高,最终通过构建纺纱产品质量检测空间,且构建过程无需监督调整,将调整后的第一质量预测结果和第二质量预测结果输入,获得最终的纺纱产品质量检测结果,准确率较高,本申请实施例构建了无需人工参与评估判断的纺纱产品的质量检测方法,能够有效降低纺纱产品检测中的人工参与度,且能减少质量检测抽样的纺纱产品数量,降低检测成本和人工成本,达到提升纺纱产品质量检测的准确性和效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种纺纱产品质量检测方法的流程示意图;
图2为本申请提供的一种纺纱产品质量检测方法中构建获得纺纱产品质量分析模型的流程示意图;
图3为本申请提供的一种纺纱产品质量检测方法中获得纺纱产品质量检测结果的流程示意图;
图4为本申请提供了一种纺纱产品质量检测***结构示意图;
图5为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一构建单元12,第一处理单元13,第二处理单元14,第三处理单元15,第四处理单元16,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种纺纱产品质量检测方法及***,用于针对解决现有技术中存在的纺纱产品质量检测准确度低、检测效率低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
通过获取当前制造生产的纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合,然后构建纺纱产品质量分析模型,并采用优化方法对模型的参数进行优化,获得准确率较高的纺纱产品质量分析模型,进一步将当前的第一质量信息集合和第二质量信息集合输入该模型,获得第一质量预测结果和第二质量预测结果,基于当前纺纱产品的应用场景,对第一质量预测结果和第二质量预测结果加权调整后输入纺纱产品质量检测空间,获得最后的纺纱产品质量检测结果。
在介绍了本申请基本原理后,下面,将参考附图对本申请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的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种纺纱产品质量检测方法,所述方法包括:
S100:采集获取第一纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合;
本申请实施例中,第一纺纱产品可为现有技术中任意的基于纺纱工艺制备的产品,具体可为以纱线为原材料,进行纺纱、编织、整理制备的成品,也可为经过清棉、梳棉、并条、粗纱、细纱制备的纱线产品。
示例性地,第一纺纱产品可为贴身衣物、手套、床上用品、手帕等成品产品,也可为纯纺纱和混纺纱等纱线产品。
具体地,采集获取第一纺纱产品的多维度质量信息,按照不同的分类规则,该多维度质量信息可包括第一纺纱产品的参数类质量信息和工艺类质量信息,也可包括第一纺纱产品的品质类质量信息和强度类质量信息。
示例性地,该参数类质量信息可包括第一纺纱产品的马克隆值、纤维长度、线密度、含杂率、短绒率等可进行检测获得的具有具体参数值的质量信息,该工艺质量信息可包括是否进行了某一工艺的参数,例如是否进行了精梳或是否进行了普梳等参数。
示例性地,该品质类质量信息可包括第一纺纱产品的色泽、毛羽、含杂率、异性纤维率等影响产品使用舒适度品质的质量信息,该强度类质量信息可包括第一纺纱产品内纤维的纤维长度、断裂强度、马克隆值、线密度、粗节和截面形态等影响纺纱产品使用寿命的质量信息。
具体地,上述的纺纱产品的多种质量信息均可通过现有技术中的纺纱产品质量检测技术进行检测获得,例如图像检测技术等。
进一步地,基于采集获得的第一纺纱产品的多维度质量信息,按照不同的分类规则进行划分,获得第一质量信息集合和第二质量信息集合。
本申请实施例中,优选地,多维度质量信息包括品质类质量信息和强度类质量信息。进一步地,上述的第一质量信息集合内包括品质类质量信息,上述的第二质量信息集合内包括强度类质量信息。
S200:构建纺纱产品质量分析模型;
本申请实施例中,基于机器学习中的人工神经网络(Artificial NeuralNetwork,ANN)构建纺纱产品质量分析模型,具体构建模型的输入层、隐藏处理层和输出层,其中,隐藏处理层内包括多个模拟人类大脑神经元的简单单元,用于根据纺纱产品的多维度质量信息,进行非线性的逻辑运算,预测纺纱产品的质量检测结果,以实现无需人工的纺纱产品质量检测,且检测准确度和效率较高。
具体地,可基于上述的第一质量信息集合和第二质量信息集合内第一纺纱产品的质量信息的维度种类数量,进行纺纱产品质量分析模型内网络结构的设置和构建。示例性地,根据质量信息的种类数量,确认模型输入参数的种类数量,进而设置模型的网络结构,例如设置简单单元的数量等。
S300:对所述纺纱产品质量分析模型的参数进行优化,获得所述纺纱产品质量分析模型;
现有技术中,在基于人工神经网络构建模型后,一般通过采集训练数据、设置监督信息,对模型进行监督训练,在基于梯度下降的训练过程中发现模型的输入参数和输出参数之间的非线性逻辑耦合关系,形成模型内简单单元之间连接的权值和阈值等模型参数,使得模型的输出结果收敛或达到预设的准确率。
本申请实施例中,并不采用监督训练的方式训练模型,而是基于寻优优化的方式对模型内的参数进行优化,使得通过寻优方法获得能够使模型的输出结果收敛或达到预设的准确率的模型参数,提升模型的收敛效率和预测准确率。
示例性地,进行该优化的方法可采用现有技术中的遗传算法等方法对纺纱产品质量分析模型内权重和阈值等参数进行寻优优化,以获得能使模型输出结果收敛的纺纱产品质量分析模型。
S400:将所述第一质量信息集合和所述第二质量信息集输入所述纺纱产品质量分析模型,获得第一质量预测结果和第二质量预测结果;
优选地,本申请实施例中,纺纱产品质量分析模型包括两个网络层,两网络层可分别以第一质量信息集合和第二质量信息集合为输入数据,进行不同类别的纺纱产品质量检测结果的分析预测,得到第一质量预测结果和第二质量预测结果。
具体地,第一质量预测结果和第二质量预测结果分别包括两方面上初步预测获得的第一纺纱产品的质量检测结果,作为进行后续质量检测的数据基础。优选地,第一质量预测结果包括使用品质方面的初步质量检测结果,第二质量预测结果包括使用强度方面的初步质量检测结果。
以及,可选的,在上述的优化模型参数的过程中,可对纺纱产品质量分析模型内的两个网络层内的参数进行分别的优化,分别获得使两个网络层的输出结果收敛的网络层参数,并进行对应的之间检测结果的分析预测。
S500:根据所述第一纺纱产品的应用场景,对所述第一质量预测结果和第二质量预测结果进行加权调整;
本申请实施例中,对于不同种类的第一纺纱产品,具有着不同的应用场景,例如对于作为衣物、手帕的第一纺纱产品,其对于舒适度等使用品质的要求较高。而对于作为桌布使用的第一纺纱产品,其对于强度等使用品质的要求较高,需要有较长的使用寿命。
因此,在经由纺纱产品质量分析模型预测获得第一质量预测结果和第二质量预测结果之后,基于第一纺纱产品的应用场景,对第一质量预测结果和第二质量预测结果的重要性进行权重分配,获得对应的权重分配结果,基于该权重分配结果对第一质量预测结果和第二质量预测结果进行加权调整,获得更为符合应用场景的第一纺纱产品的第一质量预测结果和第二质量预测结果。
示例性地,该权重分配的方法可采用现有技术中任意的权重分配方法,例如可为AHP层级分析法、专家赋权法等方法。
在权重分配获得权重分配结果后,其内包括第一质量预测结果和第二质量预测结果的权重值,在第一纺纱产品的应用场景中,若某一方面的质量预测结果的重要性越大,则对应的权重值越大。
采用该权重分配记过对第一质量预测结果和第二质量预测结果进行加权调整,获得加权调整后的第一质量预测结果和第二质量预测结果,更为符合第一纺纱产品的质量检测要求,更为准确,且无需技术人员凭借主观经验进行判断分析。
S600:将调整后的所述第一质量预测结果和所述第二质量预测结果输入纺纱产品质量检测空间,获得纺纱产品质量检测结果。
具体地,本申请实施例中,基于此前检测获得的第一纺纱产品的大量第一质量检测结果和第二质量检测结果数据,构建纺纱产品质量检测空间。在获得调整后的第一质量预测结果和第二质量预测结果后,将其输入纺纱产品质量检测空间,即可获取其对应的纺纱产品质量检测结果,完成第一纺纱产品的质量检测。
优选地,本申请实施例通过结合可视化的坐标空间,将历史内的第一纺纱产品的第一质量检测结果和第二质量检测结果输入该坐标空间内,形成多个坐标点,基于聚类方法,对多个坐标点进行聚类,获得多个聚类结果,其中,多个聚类结果可分别对应质量优质、合格、不合格、严重不合格的质检结果。
进一步地,根据该坐标空间,判断当前的调整后的第一质量预测结果和第二质量预测结果接近或属于的聚类结果,获得对应的纺纱产品质量检测结果,可视化程度较高,且准确率较高,无需监督调整。
本申请实施例通过采集获取纺纱产品的多维度质量信息,能够提升纺纱产品质量检测的数据维度,提升检测准确性,构建纺纱产品质量分析模型并对模型进行参数寻优优化,能够提升模型预测的准确率和收敛速度,基于模型输出的第一质量预测结果和第二质量预测结果,结合应用场景进行加权调整,能够更为准确地基于应用场景进行纺纱产品的质量检测,普适性更强、准确性更高,最终通过构建纺纱产品质量检测空间,且构建过程无需监督调整,将调整后的第一质量预测结果和第二质量预测结果输入,获得最终的纺纱产品质量检测结果,准确率较高,本申请实施例构建了无需人工参与评估判断的纺纱产品的质量检测方法,能够有效降低纺纱产品检测中的人工参与度,且能减少质量检测抽样的纺纱产品数量,降低检测成本和人工成本,达到提升纺纱产品质量检测的准确性和效率的技术效果。
本申请实施例提供的方法中的步骤S100包括:
S110:对所述第一纺织产品进行抽样检测,获得所述多维度质量信息;
S120:对所述多维度质量信息进行分类,获得多维度品质质量信息和多维度强度质量信息;
S130:将所述多维度品质质量信息作为所述第一质量信息集合,将所述多维度强度质量信息作为所述第二质量信息集合。
具体地,对于当前需要进行质量检测的第一纺织产品,对其进行抽样检测,检测第一纺织产品的多维度质量信息。
其中,该多维度质量信息包括多维度品质质量信息和多维度强度质量信息,对该多维度质量信息进行分类,获得多维度品质质量信息和多维度强度质量信息,并分别作为上述的第一质量信息集合和第二质量信息集合。
本申请实施例提供的方法通过对第一纺纱产品进行多维度质量信息的抽样检测,并分类获得第一质量信息集合和第二质量信息集合,能够基于不同维度进行纺纱产品的质量检测,提升纺纱产品质量检测的准确性。
如图2所示,本申请实施例提供的方法中的步骤S200包括:
S210:基于人工神经网络模型,构建所述纺纱产品质量分析模型的输入层和输出层;
S220:根据所述第一质量信息集合,构建所述纺纱产品质量分析模型的第一隐含处理层;
S230:根据所述第二质量信息集合,构建所述纺纱产品质量分析模型的第二隐含处理层,所述第二隐含处理层与所述第一隐含处理层并行设置;
S240:分别连接所述输入层、所述第一隐含处理层和所述输出层,以及所述输入层、所述第二隐含处理层和所述输出层,得到所述纺纱产品质量分析模型。
具体地,基于机器学习中的人工神经网络,构建纺纱产品质量分析模型的输入层和输出层,分别用于输入参数的输入和输出参数的输出。
基于上述的第一质量信息集合,构建纺纱产品质量分析模型的第一隐含处理层,该第一隐含处理层用于根据第一质量信息集合分析预测获得第一质量预测结果。
基于上述的第二质量信息集合,构建纺纱产品质量分析模型的第二隐含处理层,该第二隐含处理层用于根据第二质量信息集合分析预测获得第二质量预测结果。
分别连接该输入层、第一隐含处理层和输出层,以及该输入层、第二隐含处理层和输出层,在通过输入层输入第一质量信息集合和第二质量信息集合时,可通过对应连接的通道,分别输入至第一隐含处理层和第二隐含处理层中进行分析预测。
其中,在构建第一隐含处理层和第二隐含处理层的过程中,可分别根据第一质量信息集合和第二质量信息集合内的质量信息种类进行网络层内网络结构的构建。示例性地,若第一质量信息集合包括8种质量信息,则可对应设置相应的用于根据8种输入参数进行分析预测1个输出参数的网络结构。
本申请实施例在构建纺纱产品质量分析模型的过程中,通过分别基于人工神经网络构建两个隐含处理层,分别用于根据不同的纺纱产品质量信息进行不同的分析预测,获得两方面的质量预测结果,提升后续质量检测的数据维度,并提升质量检测的准确性。
本申请实施例提供的方法中的步骤S300包括:
S310:采集获取所述第一纺纱产品此前历史内的历史第一质量信息集合和历史第二质量信息集合;
S320:采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史第一质量检测结果集合和历史第二质量检测结果集合;
S330:分别将所述历史第一质量信息集合和历史第二质量信息集合作为所述第一隐含处理层和所述第二隐含处理层的输入参数,将所述历史第一质量检测结果集合和历史第二质量检测结果集合作为所述第一隐含处理层和所述第二隐含处理层的输出参数;
S340:对所述第一隐含处理层和所述第二隐含处理层内的参数分别进行寻优优化,其中所述参数包括权值和阈值。
具体地,采集获取此前第一纺纱产品在进行质量检测过程中的第一质量信息集合和第二质量信息集合,分别作为历史第一质量信息集合和历史第二质量信息集合。
以及,采集获取此前第一纺纱产品在进行质量检测过程中根据历史第一质量信息集合和历史第二质量信息集合进行检测获得的第一质量检测结果和第二质量检测结果,获得历史第一质量检测结果集合和历史第二质量检测结果集合。
示例性地,可根据纺纱产品生产单位内的质量检测日志记录信息采集获得历史质量信息以及历史质量检测结果,并分类获得。
进一步地,分别将历史第一质量信息集合和历史第二质量信息集合作为第一隐含处理层和第二隐含处理层的输入参数,将历史第一质量检测结果集合和历史第二质量检测结果集合作为第一隐含处理层和第二隐含处理层的输出参数。
在现有技术中,一般根据输入参数和输出参数,设置对应的训练数据,对神经网络模型进行训练,以使模型在训练过程中获得输入参数和输出参数中复杂的逻辑关系,并形成简单单元进行逻辑分析处理的权值和阈值,使模型在根据输入参数预测输出参数达到收敛或预设的准确率。
本申请实施例中,并不通过监督训练优化获得使模型收敛的权值和阈值等参数,而是通过寻优优化算法获取第一隐含处理层和第二隐含处理层内的权值和阈值等参数,避免模型在梯度下降的训练过程中陷入局部最优,提升收敛的效率和模型的准确率。
以第一隐含处理层为例,对第一隐含处理层的参数进行寻优优化的过程中,步骤S340包括:
S341:根据所述第一隐含处理层的网络结构,获得第一层参数方案集合;
S342:在所述第一层参数方案集合内随机选取一参数方案,作为第一参数方案,并作为寻优参数方案;
S343:计算所述第一参数方案下,所述第一隐含处理层根据所述历史第一质量信息集合预测所述历史第一质量检测结果集合的准确率,获得第一准确率;
S344:在所述第一层参数方案集合内再次随机选取一参数方案,作为第二参数方案;
S345:计算在所述第二参数方案下,所述第一隐含处理层根据所述历史第一质量信息集合预测所述历史第一质量检测结果集合的准确率,获得第二准确率;
S346:判断所述第二准确率是否大于第一准确率,若大于,则将所述第二参数方案作为所述寻优参数方案,若小于,则按照概率将所述第二参数方案作为所述寻优参数方案,所述概率由下式计算:
S347:继续在所述第一层参数方案集合内进行参数方案的随机选取,进行迭代寻优;
S348:当所述寻优参数方案在预设次数的迭代中未发生变化,则将所述寻优参数方案对应的参数方案输出为最优参数方案;
S349:根据所述最优参数方案内的参数对所述第一隐含处理层进行参数调整,完成优化。
具体地,根据第一隐含处理层内的网络结构,对简单单元之间连接的权值及阈值进行随机组合设置,组合获得第一层参数方案集合,其内包括所有可能的第一隐含处理层内多个权值和多个阈值的组合方案,在不同方案下,模型的准确率不同,而监督训练的目的即为需要在训练过程中找到能够使模型收敛的参数方案。
本申请实施例中,基于特定的寻优优化方法,在该第一层参数方案集合内随机选择获得一参数方案,将其作为第一参数方案,并作为寻优参数方案,即寻优过程中的当前最优的参数方案。
根据该第一参数方案,对第一隐含处理层进行参数更新设置,并计算在第一参数方案下,第一隐含处理层根据第一质量信息集合预测第一质量检测结果集合的准确率,获得第一准确率,该第一准确率即为第一参数方案下第一隐含处理层进行分析预测的准确率,该准确率越高,则第一参数方案越佳。
在该第一层参数方案集合内随机选择获得一参数方案,将其作为第二参数方案,并继续计算在第二参数方案下,第一隐含处理层根据第一质量信息集合预测第一质量检测结果集合的准确率,获得第二准确率。
比较该第一准确率和第二准确率,判断第二准确率是否大于第一准确率,若大于,则说明第二参数方案优于第一参数方案,将其替代第一参数方案,作为寻优参数方案。以及,若小于,则说明第二参数方案劣于第一参数方案,此时,不直接放弃第二参数方案,由于第一参数方案大概率并非为全局最优,避免迭代优化停滞在第一参数方案处,也为了提升遍历寻优的速率,按照概率将第二参数方案替代第一参数方案,作为寻优参数方案。
k为随着寻优迭代次数逐渐减小的优化速度因子,可选的,可为逐渐减小的常数。k的减小方式可为指数减小或对数减小等任意的减小方式。在寻优迭代的初期,k较大,以使P较大,使得能够以较大的概率接受较劣的第二参数方案作为寻优参数方案,提升遍历迭代寻优的速度,避免寻优停滞在局部最优。而在寻优迭代的后期,k较小,以使P较小,寻优的后期的寻优参数方案大概率为全局最优,使得以较小的概率接受较劣的参数方案作为寻优参数方案,提升寻优优化的精度。
同时P也与第二准确率和第一准确率的差值相关,若差值较大,则第二参数方案相较于第一参数方案极劣,则P较小,以较小概率接受极劣的第二参数方案为寻优参数方案。
如此,基于该公式,继续在第一层参数方案集合进行寻优迭代,获得第三、第四参数方案等,并计算准确率,与寻优参数方案进行判断分析。
在迭代寻优中,若该寻优参数方案在预设次数的迭代中未发生变化,则表明寻优参数方案内的参数方案在寻优中很难找到更优参数方案,且k值减小,P也减小,寻优达到后期,寻优参数方案大概率为全局最优,将其输出,获得上述的最优参数方案。示例性地,该预设次数可根据第一层参数方案集合内参数方案的数量设置,例如可为10次。
基于该最优参数方案内的权值和阈值等参数,对第一隐含处理层进行参数调整,完成当前第一隐含处理层的参数优化,无需监督训练,在本申请实施例的较小数据样本中,收敛效率较高,且准确度较高。
进一步地,第二隐含处理层的参数优化可与第一隐含处理层的参数优化方法相同,但输入参数和输出参数不同,也可采用遗传算法、粒子群优化算法等其他优化算法进行优化,在此不再赘述。
基于参数优化完成的第一隐藏处理层和第二隐藏处理层,获得纺纱产品质量分析模型。将上述的当前第一纺纱产品的第一质量信息集合和第二质量信息集输入该模型,分别经过第一隐藏处理层和第二隐藏处理层的分析预测,即可获得模型输出的第一质量预测结果和第二质量预测结果,作为当前第一纺纱产品的两方面的质量检测结果。
本申请实施例通过对模型内的隐含处理层内的权值和阈值参数进行优化,能够提升模型的收敛速度和准确率,适用于本申请实施例中纺纱产品质量检测的数据维度,能够更为准确的预测纺纱产品的质量检测结果。
如图3所示,本申请实施例提供的方法中的步骤S600包括:
S610:采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史第一质量检测结果集合和历史第二质量检测结果集合;
S620:采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史纺纱产品质量检测结果;
S630:基于所述历史第一质量检测结果集合和所述历史第二质量检测结果集合,构建二维坐标系;
S640:将所述历史第一质量检测结果集合和所述历史第二质量检测结果集合输入所述二维坐标系,获得多个坐标点;
S650:根据所述历史纺纱产品质量检测结果对多个所述坐标点进行聚类,获得多个聚类结果;
S660:将多个所述聚类结果和所述二维坐标系作为所述纺纱产品质量检测空间;
S670:将所述第一质量预测结果和所述第二质量预测结果输入所述纺纱产品质量检测空间,获得所述纺纱产品质量检测结果。
具体地,采集获取此前对第一纺纱制品进行质量检测,获得的历史第一质量检测结果集合和历史第二质量检测结果集合。可选的,在采集的过程中根据第一纺纱制品的应用场景对历史第一质量检测结果集合和历史第二质量检测结果集合分别进行加权调整,获得加权调整后的历史第一质量检测结果集合和历史第二质量检测结果集合。
进一步地,采集此前历史内对第一纺纱产品进行质量检测的总质量检测结果,其是综合历史第一质量检测结果和历史第二质量检测结果得到的纺纱产品综合质量检测结果,得到历史纺纱产品质量检测结果。示例性地,该历史纺纱产品质量检测结果包括有优质、合格、不合格、严重不合格四种结果,且每种结果对应一历史第一质量检测结果和历史第二质量检测结果的取值范围。
基于该历史第一质量检测结果集合和历史第二质量检测结果集合,分别构建二维坐标系的横坐标轴和纵坐标轴,获得二维坐标系。将上述的第一质量检测结果集合和第二质量检测结果集合输入该二维坐标系,即可根据具体的每一纺纱产品的第一质量检测结果数据和第二质量检测结果数据获得对应的横坐标值和纵坐标值,进而得到多个坐标点。
基于前述的历史纺纱产品质量检测结果内不同的检测结果对应的历史第一质量检测结果和历史第二质量检测结果的范围,对多个坐标点进行聚类,获得多个聚类结果,每个聚类结果内的坐标点均对应一种历史纺纱产品质量检测结果,例如可为合格、不合格等。
将上述的多个聚类结果和该二维坐标系作为上述的纺纱产品质量检测空间。基于该纺纱产品质量检测空间,将当前第一纺纱产品经模型预测获得的第一质量预测结果和第二质量预测结果输入该纺纱产品质量检测空间,即可获得当前第一纺纱产品的质量检测结果。
本申请实施例提供的方法中的步骤S670包括:
S671:将所述第一质量预测结果和所述第二质量预测结果输入所述纺纱产品质量检测空间,获得当前质量检测坐标点;
S672:计算所述当前质量检测坐标点与多个所述聚类结果的中心的欧氏距离,获得欧氏距离集合;
S673:根据所述欧氏距离集合内多个所述欧氏距离的大小,进行权重分配,获得权重分配结果;
S675:采用所述权重分配结果对多个所述欧氏距离的大小进行加权调整;
S676:获得调整后的最小的所述欧氏距离,将对应的所述聚类结果作为所述纺纱产品质量检测结果。
具体地,将当前的第一质量预测结果和第二质量预测结果输入该纺纱产品质量检测空间,获得对应的横坐标值和纵坐标值,进而获得对应的当前质量检测坐标点。
计算该质量检测坐标点与多个聚类结果的中心的欧氏距离,获得欧氏距离集合。进一步地,根据欧氏距离集合内各欧氏距离的大小,进行权重分配,获得权重分配结果。
采用该权重分配结果对欧氏距离集合内的欧氏距离进行加权调整,获得调整后的多个欧氏距离。
选择调整后的多个欧氏距离中最小的欧氏距离,获得该欧氏距离对应的聚类结果对应的纺纱产品质量检测结果,作为当前第一纺纱产品的质量检测结果。
本申请实施例基于KNN算法的思想,构建纺纱产品质量检测空间,根据强度和品质两方面的质量检测结果,形成坐标点,并根据综合的质量检测结果进行聚类,能够准确、高效的根据当前纺纱产品两方面的质量检测结果得到最终综合的质量检测结果。
综上所述,本申请实施例通过采集获取纺纱产品的多维度质量信息,能够提升纺纱产品质量检测的数据维度,提升检测准确性,构建纺纱产品质量分析模型并对模型进行参数寻优优化,能够提升模型预测的准确率和收敛速度,基于模型输出的第一质量预测结果和第二质量预测结果,结合应用场景进行加权调整,能够更为准确地基于应用场景进行纺纱产品的质量检测,普适性更强、准确性更高,最终通过构建纺纱产品质量检测空间,且构建过程无需监督调整,将调整后的第一质量预测结果和第二质量预测结果输入,获得最终的纺纱产品质量检测结果,准确率较高,本申请实施例构建了无需人工参与评估判断的纺纱产品的质量检测方法,能够有效降低纺纱产品检测中的人工参与度,且能减少质量检测抽样的纺纱产品数量,降低检测成本和人工成本,达到提升纺纱产品质量检测的准确性和效率的技术效果。
实施例二
基于与前述实施例中一种纺纱产品质量检测方法相同的发明构思,如图4所示,本申请提供了一种纺纱产品质量检测***,其中,所述***包括:
第一获得单元11,用于采集获取第一纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合;
第一构建单元12,用于构建纺纱产品质量分析模型;
第一处理单元13,用于对所述纺纱产品质量分析模型的参数进行优化,获得所述纺纱产品质量分析模型;
第二处理单元14,用于将所述第一质量信息集合和所述第二质量信息集输入所述纺纱产品质量分析模型,获得第一质量预测结果和第二质量预测结果;
第三处理单元15,用于根据所述第一纺纱产品的应用场景,对所述第一质量预测结果和第二质量预测结果进行加权调整;
第四处理单元16,用于将调整后的所述第一质量预测结果和所述第二质量预测结果输入纺纱产品质量检测空间,获得纺纱产品质量检测结果。
进一步的,所述***还包括:
第二获得单元,用于对所述第一纺织产品进行抽样检测,获得所述多维度质量信息;
第三获得单元,用于对所述多维度质量信息进行分类,获得多维度品质质量信息和多维度强度质量信息;
第四获得单元,用于将所述多维度品质质量信息作为所述第一质量信息集合,将所述多维度强度质量信息作为所述第二质量信息集合。
进一步的,所述***还包括:
第二构建单元,用于基于人工神经网络模型,构建所述纺纱产品质量分析模型的输入层和输出层;
第三构建单元,用于根据所述第一质量信息集合,构建所述纺纱产品质量分析模型的第一隐含处理层;
第四构建单元,用于根据所述第二质量信息集合,构建所述纺纱产品质量分析模型的第二隐含处理层,所述第二隐含处理层与所述第一隐含处理层并行设置;
第五构建单元,用于分别连接所述输入层、所述第一隐含处理层和所述输出层,以及所述输入层、所述第二隐含处理层和所述输出层,得到所述纺纱产品质量分析模型。
进一步的,所述***还包括:
第五获得单元,用于采集获取所述第一纺纱产品此前历史内的历史第一质量信息集合和历史第二质量信息集合;
第六获得单元,用于采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史第一质量检测结果集合和历史第二质量检测结果集合;
第五处理单元,用于分别将所述历史第一质量信息集合和历史第二质量信息集合作为所述第一隐含处理层和所述第二隐含处理层的输入参数,将所述历史第一质量检测结果集合和历史第二质量检测结果集合作为所述第一隐含处理层和所述第二隐含处理层的输出参数;
第六处理单元,用于对所述第一隐含处理层和所述第二隐含处理层内的参数分别进行寻优优化,其中所述参数包括权值和阈值。
进一步的,所述***还包括:
第七获得单元,用于根据所述第一隐含处理层的网络结构,获得第一层参数方案集合;
第八获得单元,用于在所述第一层参数方案集合内随机选取一参数方案,作为第一参数方案,并作为寻优参数方案;
第七处理单元,用于计算所述第一参数方案下,所述第一隐含处理层根据所述历史第一质量信息集合预测所述历史第一质量检测结果集合的准确率,获得第一准确率;
第九获得单元,用于在所述第一层参数方案集合内再次随机选取一参数方案,作为第二参数方案;
第八处理单元,用于计算在所述第二参数方案下,所述第一隐含处理层根据所述历史第一质量信息集合预测所述历史第一质量检测结果集合的准确率,获得第二准确率;
第一判断单元,用于判断所述第二准确率是否大于第一准确率,若大于,则将所述第二参数方案作为所述寻优参数方案,若小于,则按照概率将所述第二参数方案作为所述寻优参数方案,所述概率由下式计算:
第九处理单元,用于继续在所述第一层参数方案集合内进行参数方案的随机选取,进行迭代寻优;
第十处理单元,用于当所述寻优参数方案在预设次数的迭代中未发生变化,则将所述寻优参数方案对应的参数方案输出为最优参数方案;
第十一处理单元,用于根据所述最优参数方案内的参数对所述第一隐含处理层进行参数调整,完成优化。
进一步的,所述***还包括:
第十获得单元,用于采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史第一质量检测结果集合和历史第二质量检测结果集合;
第十一获得单元,用于采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史纺纱产品质量检测结果;
第六构建单元,用于基于所述历史第一质量检测结果集合和所述历史第二质量检测结果集合,构建二维坐标系;
第十二获得单元,用于将所述历史第一质量检测结果集合和所述历史第二质量检测结果集合输入所述二维坐标系,获得多个坐标点;
第十二处理单元,用于根据所述历史纺纱产品质量检测结果对多个所述坐标点进行聚类,获得多个聚类结果;
第十三获得单元,用于将多个所述聚类结果和所述二维坐标系作为所述纺纱产品质量检测空间;
第十四获得单元,用于将所述第一质量预测结果和所述第二质量预测结果输入所述纺纱产品质量检测空间,获得所述纺纱产品质量检测结果。
进一步的,所述***还包括:
第十五获得单元,用于将所述第一质量预测结果和所述第二质量预测结果输入所述纺纱产品质量检测空间,获得当前质量检测坐标点;
第十三处理单元,用于计算所述当前质量检测坐标点与多个所述聚类结果的中心的欧氏距离,获得欧氏距离集合;
第十四处理单元,用于根据所述欧氏距离集合内多个所述欧氏距离的大小,进行权重分配,获得权重分配结果;
第十五处理单元,用于采用所述权重分配结果对多个所述欧氏距离的大小进行加权调整;
第十六获得单元,用于获得调整后的最小的所述欧氏距离,将对应的所述聚类结果作为所述纺纱产品质量检测结果。
实施例三
基于与前述实施例中一种纺纱产品质量检测方法相同的发明构思,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一内的方法。
示例性电子设备
下面参考图5来描述本申请的电子设备。
基于与前述实施例中一种纺纱产品质量检测方法相同的发明构思,本申请还提供了一种电子设备,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得电子设备以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种纺纱产品质量检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种纺纱产品质量检测方法,其特征在于,所述方法包括:
采集获取第一纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合;
构建纺纱产品质量分析模型;
对所述纺纱产品质量分析模型的参数进行优化,获得所述纺纱产品质量分析模型;
将所述第一质量信息集合和所述第二质量信息集输入所述纺纱产品质量分析模型,获得第一质量预测结果和第二质量预测结果;
根据所述第一纺纱产品的应用场景,对所述第一质量预测结果和第二质量预测结果进行加权调整;
将调整后的所述第一质量预测结果和所述第二质量预测结果输入纺纱产品质量检测空间,获得纺纱产品质量检测结果;
其中,所述构建纺纱产品质量分析模型,包括:
基于人工神经网络模型,构建所述纺纱产品质量分析模型的输入层和输出层;
根据所述第一质量信息集合,构建所述纺纱产品质量分析模型的第一隐含处理层;
根据所述第二质量信息集合,构建所述纺纱产品质量分析模型的第二隐含处理层,所述第二隐含处理层与所述第一隐含处理层并行设置;
分别连接所述输入层、所述第一隐含处理层和所述输出层,以及所述输入层、所述第二隐含处理层和所述输出层,得到所述纺纱产品质量分析模型;
所述对所述纺纱产品质量分析模型的参数进行优化,包括:
采集获取所述第一纺纱产品此前历史内的历史第一质量信息集合和历史第二质量信息集合;
采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史第一质量检测结果集合和历史第二质量检测结果集合;
分别将所述历史第一质量信息集合和历史第二质量信息集合作为所述第一隐含处理层和所述第二隐含处理层的输入参数,将所述历史第一质量检测结果集合和历史第二质量检测结果集合作为所述第一隐含处理层和所述第二隐含处理层的输出参数;
对所述第一隐含处理层和所述第二隐含处理层内的参数分别进行寻优优化,其中所述参数包括权值和阈值;
所述将调整后的所述第一质量预测结果和第二质量预测结果输入纺纱产品质量检测空间,包括:
采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史纺纱产品质量检测结果;
基于所述历史第一质量检测结果集合和所述历史第二质量检测结果集合,构建二维坐标系;
将所述历史第一质量检测结果集合和所述历史第二质量检测结果集合输入所述二维坐标系,获得多个坐标点;
根据所述历史纺纱产品质量检测结果对多个所述坐标点进行聚类,获得多个聚类结果;
将多个所述聚类结果和所述二维坐标系作为所述纺纱产品质量检测空间;
将所述第一质量预测结果和所述第二质量预测结果输入所述纺纱产品质量检测空间,获得所述纺纱产品质量检测结果。
2.根据权利要求1所述的方法,其特征在于,所述采集获取第一纺纱产品的多维度质量信息,包括:
对第一纺织产品进行抽样检测,获得所述多维度质量信息;
对所述多维度质量信息进行分类,获得多维度品质质量信息和多维度强度质量信息;
将所述多维度品质质量信息作为所述第一质量信息集合,将所述多维度强度质量信息作为所述第二质量信息集合。
3.根据权利要求1所述的方法,其特征在于,对所述第一隐含处理层内的参数进行寻优优化,其中,包括:
根据所述第一隐含处理层的网络结构,获得第一层参数方案集合;
在所述第一层参数方案集合内随机选取一参数方案,作为第一参数方案,并作为寻优参数方案;
计算所述第一参数方案下,所述第一隐含处理层根据所述历史第一质量信息集合预测所述历史第一质量检测结果集合的准确率,获得第一准确率;
在所述第一层参数方案集合内再次随机选取一参数方案,作为第二参数方案;
计算在所述第二参数方案下,所述第一隐含处理层根据所述历史第一质量信息集合预测所述历史第一质量检测结果集合的准确率,获得第二准确率;
判断所述第二准确率是否大于第一准确率,若大于,则将所述第二参数方案作为所述寻优参数方案,若小于,则按照概率将所述第二参数方案作为所述寻优参数方案,所述概率由下式计算:
其中,r2为第二准确率,r1为第一准确率,k为优化速度因子;
继续在所述第一层参数方案集合内进行参数方案的随机选取,进行迭代寻优;
当所述寻优参数方案在预设次数的迭代中未发生变化,则将所述寻优参数方案对应的参数方案输出为最优参数方案;
根据所述最优参数方案内的参数对所述第一隐含处理层进行参数调整,完成优化。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述第一质量预测结果和所述第二质量预测结果输入所述纺纱产品质量检测空间,获得当前质量检测坐标点;
计算所述当前质量检测坐标点与多个所述聚类结果的中心的欧氏距离,获得欧氏距离集合;
根据所述欧氏距离集合内多个所述欧氏距离的大小,进行权重分配,获得权重分配结果;
采用所述权重分配结果对多个所述欧氏距离的大小进行加权调整;
获得调整后的最小的所述欧氏距离,将对应的所述聚类结果作为所述纺纱产品质量检测结果。
5.一种用于权利要求1所述的纺纱产品质量检测方法的检测***,其特征在于,所述***包括:
第一获得单元,用于采集获取第一纺纱产品的多维度质量信息,获得第一质量信息集合和第二质量信息集合;
第一构建单元,用于构建纺纱产品质量分析模型;
第一处理单元,用于对所述纺纱产品质量分析模型的参数进行优化,获得所述纺纱产品质量分析模型;
第二处理单元,用于将所述第一质量信息集合和所述第二质量信息集输入所述纺纱产品质量分析模型,获得第一质量预测结果和第二质量预测结果;
第三处理单元,用于根据所述第一纺纱产品的应用场景,对所述第一质量预测结果和第二质量预测结果进行加权调整;
第四处理单元,用于将调整后的所述第一质量预测结果和所述第二质量预测结果输入纺纱产品质量检测空间,获得纺纱产品质量检测结果;
第二构建单元,用于基于人工神经网络模型,构建所述纺纱产品质量分析模型的输入层和输出层;
第三构建单元,用于根据所述第一质量信息集合,构建所述纺纱产品质量分析模型的第一隐含处理层;
第四构建单元,用于根据所述第二质量信息集合,构建所述纺纱产品质量分析模型的第二隐含处理层,所述第二隐含处理层与所述第一隐含处理层并行设置;
第五构建单元,用于分别连接所述输入层、所述第一隐含处理层和所述输出层,以及所述输入层、所述第二隐含处理层和所述输出层,得到所述纺纱产品质量分析模型;
第五获得单元,用于采集获取所述第一纺纱产品此前历史内的历史第一质量信息集合和历史第二质量信息集合;
第六获得单元,用于采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史第一质量检测结果集合和历史第二质量检测结果集合;
第五处理单元,用于分别将所述历史第一质量信息集合和历史第二质量信息集合作为所述第一隐含处理层和所述第二隐含处理层的输入参数,将所述历史第一质量检测结果集合和历史第二质量检测结果集合作为所述第一隐含处理层和所述第二隐含处理层的输出参数;
第六处理单元,用于对所述第一隐含处理层和所述第二隐含处理层内的参数分别进行寻优优化,其中所述参数包括权值和阈值;
第十一获得单元,用于采集获取所述第一纺纱产品此前历史内进行质量检测获得的历史纺纱产品质量检测结果;
第六构建单元,用于基于所述历史第一质量检测结果集合和所述历史第二质量检测结果集合,构建二维坐标系;
第十二获得单元,用于将所述历史第一质量检测结果集合和所述历史第二质量检测结果集合输入所述二维坐标系,获得多个坐标点;
第十二处理单元,用于根据所述历史纺纱产品质量检测结果对多个所述坐标点进行聚类,获得多个聚类结果;
第十三获得单元,用于将多个所述聚类结果和所述二维坐标系作为所述纺纱产品质量检测空间;
第十四获得单元,用于将所述第一质量预测结果和所述第二质量预测结果输入所述纺纱产品质量检测空间,获得所述纺纱产品质量检测结果。
6.一种电子设备,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使电子设备以执行权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916175.1A CN114994289B (zh) | 2022-08-01 | 2022-08-01 | 一种纺纱产品质量检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210916175.1A CN114994289B (zh) | 2022-08-01 | 2022-08-01 | 一种纺纱产品质量检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994289A CN114994289A (zh) | 2022-09-02 |
CN114994289B true CN114994289B (zh) | 2022-10-28 |
Family
ID=83021116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210916175.1A Active CN114994289B (zh) | 2022-08-01 | 2022-08-01 | 一种纺纱产品质量检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994289B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115058807B (zh) * | 2022-08-17 | 2022-12-20 | 江苏卓鹏智能机电有限公司 | 一种用于纺纱机的智能控制方法及*** |
CN115221736B (zh) * | 2022-09-20 | 2022-12-09 | 青岛宏大纺织机械有限责任公司 | 一种纱线捻接强度预测模型构建方法 |
CN116131668A (zh) * | 2023-04-04 | 2023-05-16 | 山东盛日电力集团有限公司 | 一种电机智能调节方法、***、设备及存储介质 |
CN116205543B (zh) * | 2023-05-04 | 2023-10-31 | 张家港广大特材股份有限公司 | 一种结合使用反馈的冶钢质量检测方法及*** |
CN116890222B (zh) * | 2023-08-17 | 2024-01-16 | 广州誉鑫精密部件有限公司 | 一种自动组装机的智能定位方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
CN113408963A (zh) * | 2021-07-28 | 2021-09-17 | 上海致景信息科技有限公司 | 纺织纱线的质量评级方法、装置、存储介质及处理器 |
-
2022
- 2022-08-01 CN CN202210916175.1A patent/CN114994289B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
CN113408963A (zh) * | 2021-07-28 | 2021-09-17 | 上海致景信息科技有限公司 | 纺织纱线的质量评级方法、装置、存储介质及处理器 |
Non-Patent Citations (2)
Title |
---|
基于PSO-BP神经网络的纱线质量预测;熊经纬等;《东华大学学报(自然科学版)》;20150831;第41卷(第4期);第498-502页 * |
基于遗传模拟退火神经网络的纱线强力预测;谷有众等;《上海纺织科技》;20160131;第44卷(第1期);第45-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114994289A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114994289B (zh) | 一种纺纱产品质量检测方法及*** | |
CN107169565B (zh) | 基于烟花算法改进bp神经网络的纺纱质量预测方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN110727943A (zh) | 一种入侵检测方法及装置 | |
CN113542241A (zh) | 一种基于CNN-BiGRU混合模型的入侵检测方法及装置 | |
CN116678552B (zh) | 一种变温度环境下光纤应力传感器异常监测方法 | |
CN114742481A (zh) | 一种基于成分的特钢性能评估方法及*** | |
Chakraborty et al. | Analysis of cotton fibre properties: a data mining approach | |
CN115874321B (zh) | 一种提高纱线质量的自适应管理方法及*** | |
CN111507824A (zh) | 风控模型入模变量最小熵分箱方法 | |
CN109039797B (zh) | 基于强化学习的大流检测方法 | |
CN116365519B (zh) | 一种电力负荷预测方法、***、存储介质及设备 | |
CN110196797B (zh) | 适于信用评分卡***的自动优化方法和*** | |
Das et al. | Rough set-based decision tool for classification of cotton yarn neps | |
CN114597886A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
Akgül et al. | Optimization of the Murata Vortex Spinning machine parameters by the SMAA-MOORA approach | |
CN112785004A (zh) | 一种基于粗糙集理论和d-s证据理论的温室智能决策方法 | |
CN205617133U (zh) | 纱线条干不匀率预测装置 | |
CN115629715B (zh) | 一种提高闪存中块类型判断准确率的方法及*** | |
CN110913033A (zh) | 基于cnn卷积神经网络学习的idcip地址分配方法 | |
Beltran et al. | Mill specific prediction of worsted yarn performance | |
CN117055508A (zh) | 用于捻线生产的智能控制***及其方法 | |
CN115787160B (zh) | 一种用于纺纱机群的除静电控制方法及*** | |
CN107884362B (zh) | 棉、聚酯及氨纶混纺织物中氨纶含量的快速检测方法 | |
CN114706743B (zh) | 一种支持实时评估的综合评估方法 |
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 | ||
GR01 | Patent grant |