CN117726240B - 一种基于卷积神经网络的质量评价分类方法及*** - Google Patents
一种基于卷积神经网络的质量评价分类方法及*** Download PDFInfo
- Publication number
- CN117726240B CN117726240B CN202410179455.8A CN202410179455A CN117726240B CN 117726240 B CN117726240 B CN 117726240B CN 202410179455 A CN202410179455 A CN 202410179455A CN 117726240 B CN117726240 B CN 117726240B
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- product quality
- quality
- raw material
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 164
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000011156 evaluation Methods 0.000 claims abstract description 177
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000005856 abnormality Effects 0.000 claims abstract description 24
- 239000002994 raw material Substances 0.000 claims description 167
- 238000012545 processing Methods 0.000 claims description 95
- 238000003860 storage Methods 0.000 claims description 73
- 238000003754 machining Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 39
- 238000004519 manufacturing process Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000004806 packaging method and process Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 24
- 238000007405 data analysis Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000035939 shock Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003326 Quality management system Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000002872 Statistical quality control Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010971 suitability test Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于卷积神经网络的质量评价分类方法及***。该基于卷积神经网络的质量评价分类方法,包括以下步骤:将产品质量评价分类层级划分若干层;通过若干的卷积神经网络模型分别评估得到对应的产品质量评价分类层级的产品质量特征数据;分析若干层的产品质量评价分类层级是否属于异常状态,对产品质量评价分类层级进行质量异常预警。本发明通过不同的卷积神经网络模型对应产品质量评价划分层级分别评估,根据评估结果对产品质量评价划分层级判断是否进行预警,实现了有效提高基于卷积神经网络的产品全环节质量评价准确性的效果,解决了现有技术中,存在不能有效提高基于卷积神经网络的产品全环节质量评价分类准确性的问题。
Description
技术领域
本发明涉及产品质量评价技术领域,尤其涉及一种基于卷积神经网络的质量评价分类方法及***。
背景技术
随着社会的进步和科技的发展,人们对产品质量的要求越来越高,产品质量评价成为了重要的研究课题。在工业生产、医疗、教育等多个领域,都需要对产品质量进行评价,传统的质量评价方法往往依赖于人工经验,耗时耗力,且结果具有一定的主观性,随着人工智能技术的发展,尤其是卷积神经网络在图像处理和特征提取方面的优势,基于卷积神经网络的质量评价分类方法应运而生。
现有的基于卷积神经网络的质量评价分类方法,主要是通过训练卷积神经网络模型,对输入的图像进行特征提取和分类。
例如公开号为:CN115438897A的现有技术公开的一种基于BLSTM神经网络的工业过程产品质量预测方法,包括:步骤一:分析整个工业过程变量关系,对正常历史数据进行归一化处理;步骤二:通过对处理后的数据进行最大互信息特征筛选得到重构数据;步骤三:将重构数据划分的训练数据代入双向长短期记忆网络学习其潜在联系,根据评价指标进行网络参数优化;步骤四:在线运用时,通过质量预测模型获得产品质量变量预测值,有效调整生产过程出现的异常,确保工业生产的正常运行。
例如公开号为:CN114580963A的现有技术公开的一种基于DNN神经网络的复合产品的质量指标预测方法,包括:将采集的基础数据进行量纲化预处理,然后构建DNN神经网络模型,进行训练DNN神经网络模型,最后通过改变输入变量进行预测,实现对于复合产品的质量指标预测目的。
但本申请在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,产品生产经历诸多环节,每一环节产品特征都不一样,现有通过卷积神经网络的质量评价分类方法大都只能进行最后的质量评价,缺少对中间诸多环节的细化评估,存在不能有效提高基于卷积神经网络的产品全环节质量评价准确性的问题。
发明内容
本申请实施例通过提供一种基于卷积神经网络的质量评价分类方法及***,解决了现有技术中,存在不能有效提高基于卷积神经网络的产品全环节质量评价分类准确性的问题,实现了有效提高基于卷积神经网络的产品全环节质量评价准确性的效果。
本申请实施例提供了一种基于卷积神经网络的质量评价分类方法,包括以下步骤:将产品质量评价分类层级划分若干层,若干层的产品质量评价分类层级与若干实际产品生产环节相对应;通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型,通过若干的卷积神经网络模型分别评估得到对应的产品质量评价分类层级的产品质量特征数据,根据产品质量特征数据分析得到综合产品质量特征系数;根据综合产品质量特征系数分析若干层的产品质量评价分类层级状态,并据此对产品质量评价分类层级进行质量异常预警。
进一步的,所述通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型的具体构建过程为:对于某一层的产品质量评价分类层级,通过预定义数据采集方法收集并提取当前层的产品质量评价分类层级的产品图像数据;数据预处理:对当前层产品图像数据进行数据预处理,将预处理后的数据记为当前层产品图像预处理数据;数据归一化:将当前层产品图像预处理数据的像素值缩放到预定义范围内;划分数据集:将当前层产品图像待输入数据按预定义分类方案划分为若干训练集、若干验证集和若干测试集,当前层产品图像待输入数据的若干训练集、若干验证集和若干测试集只对应当前层的产品质量评价分类层级;构建若干的卷积神经网络模型:根据当前层产品图像待输入数据的若干训练集、若干验证集和若干测试集构建当前层卷积神经网络模型,构建若干产品质量层级卷积神经网络模型。
进一步的,所述若干产品质量层级卷积神经网络模型的具体构建过程为:定义模型结构:卷积层提取当前层产品图像待输入数据的局部特征,得到一系列特征图,输入通道数设置为三个通道,输出通道数设置为一个通道,池化层采用预定义池化方式,同时选择预定义损失函数和预定义优化器;模型训练:根据当前层产品图像待输入数据的若干训练集和若干测试集对当前层卷积神经网络模型进行训练,并通过若干验证集验证得到当前层成熟卷积神经网络模型;模型构建:根据当前层成熟卷积神经网络模型构建方法,构建每一层产品质量评价分类层级的当前层成熟卷积神经网络模型,得到若干产品质量层级卷积神经网络模型。
进一步的,所述根据产品质量特征数据分析得到综合产品质量特征系数的具体分析过程为:通过产品质量层级卷积神经网络模型对对应层的产品质量评价分类层级的实际生产产品质量分析,得到对应层的产品质量评价分类层级的产品质量特征数据;对产品质量特征数据分类得到原料配件质量特征数据、加工组装质量特征数据和包装存储质量特征数据;原料配件质量特征数据包括原料尺寸公差数据和原料材料质量数据;加工组装质量特征数据包括加工组装精度误差数据和加工组装外观质量数据;包装存储质量特征数据包括包装结构公差数据和存储尺寸变化公差数据;根据原料配件质量特征数据分析得到原料配件评估系数,根据加工组装质量特征数据分析得到加工组装评估系数,根据包装存储质量特征数据分析得到包装存储评估系数,将原料配件评估系数、加工组装评估系数和包装存储评估系数合并记为产品质量特征评估系数数据,根据产品质量特征评估系数数据分析得到综合产品质量特征系数。
进一步的,所述对产品质量评价分类层级进行质量异常预警的具体过程为:将综合产品质量特征系数与预定义综合产品质量特征异常阈值数据进行比对,若综合产品质量特征系数不高于预定义综合产品质量异常阈值数据,则判定正常状态,若综合产品质量特征系数高于预定义综合产品质量异常阈值数据,则判定出现异常状态;将产品质量特征评估系数数据与预定义产品质量特征评估异常阈值数据进行比对,包括以下步骤:将原料配件评估系数与预定义原料配件评估异常阈值数据进行比对,若某一或多个原料配件评估系数高于预定义原料配件评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;将加工组装评估系数与预定义加工组装评估异常阈值数据进行比对,若某一或多个加工组装评估系数高于预定义加工组装评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;将包装存储评估系数与预定义包装存储评估异常阈值数据进行比对,若某一或多个包装存储评估系数高于预定义包装存储评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;对以上所有产品质量评价分类异常层级进行质量异常预警。
进一步的,所述根据原料配件质量特征数据分析得到原料配件评估系数的具体分析过程为:获取若干原料配件质量特征数据;统计提取在实际原料配件质量检测中原料配件质量相关数据,计算得到原料配件质量影响系数;由此得到原料配件评估系数。
进一步的,所述根据加工组装质量特征数据分析得到加工组装评估系数的具体分析过程为:获取若干加工组装质量特征数据;统计提取在实际加工性能质量检测中加工组装疲劳极限时长数据和加工组装屈服强度数据;由此得到加工组装评估系数。
进一步的,所述根据包装存储质量特征数据分析得到包装存储评估系数的具体分析过程为:获取若干包装存储质量特征数据;统计提取在实际包装存储质量检测中包装存储密封强度数据和包装最大抗震强度数据;由此得到包装存储评估系数。
进一步的,所述根据产品质量特征评估系数数据分析得到综合产品质量特征系数的具体分析过程为:;式中,/>表示综合产品质量特征系数,/>表示原料配件评估系数,/>表示加工组装评估系数,/>表示包装存储评估系数,/>、/>和/>表示原料配件评估系数、加工组装评估系数、包装存储评估系数对应综合产品质量特征系数的权重因子,/>表示自然常数。
本申请实施例提供了一种基于卷积神经网络的质量评价分类***,所述基于卷积神经网络的质量评价分类***包括:产品质量评价分类层级划分模块,用于将产品质量评价分类层级划分若干层,若干层的产品质量评价分类层级与若干实际产品生产环节相对应;卷积神经网络分析模块,用于通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型,通过若干的卷积神经网络模型分别评估得到对应的产品质量评价分类层级的产品质量特征数据,根据产品质量特征数据分析得到综合产品质量特征系数;质量异常预警模块,用于根据综合产品质量特征系数分析若干层的产品质量评价分类层级状态,并据此对产品质量评价分类层级进行质量异常预警。
本申请实施例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:
1、通过将产品质量评价分类层级划分若干层,不同的卷积神经网络模型对应产品质量评价划分层级分别评估,根据评估结果对产品质量评价划分层级判断是否进行预警,实现了有效提高基于卷积神经网络的产品全环节质量评价准确性的效果,解决了现有技术中,存在不能有效提高基于卷积神经网络的产品全环节质量评价分类准确性的问题。
2、通过当前层产品图像待输入数据的若干训练集和若干测试集对当前层卷积神经网络模型进行训练,并通过若干验证集验证得到当前层成熟卷积神经网络模型,从而通过构建多个卷积神经网络模型,每一层都可以学习到不同产品质量评价分类层级的特征,使得模型最终能够输出对质量评价有用的综合特征,实现了提高每个模型专注于评价某一质量层级的特征的有效性。
3、通过对产品质量评价分类层级进行质量异常预警,不同层级的评估系数与预定义阈值的比对,可以精确地判断出哪些层级可能存在质量问题,有助于定位问题来源,从而实现更精细化的管理,便于控制产品质量,减少潜在的风险和损失,实现了质量异常预警的精确性和可靠性。
附图说明
图1为本申请实施例提供的基于卷积神经网络的质量评价分类方法流程图;
图2为本申请实施例提供的分析综合产品质量特征系数的结构示意图;
图3为本申请实施例提供的基于卷积神经网络的质量评价分类***的结构示意图。
具体实施方式
本申请实施例通过提供一种基于卷积神经网络的质量评价分类方法及***,解决了现有技术中,存在不能有效提高基于卷积神经网络的产品全环节质量评价分类准确性的问题,通过不同的卷积神经网络模型对应产品质量评价划分层级分别评估,得到对应的产品质量评价划分层级评估系数再综合评估,并根据评估结果对产品质量评价划分层级判断是否进行预警,实现了有效提高基于卷积神经网络的产品全环节质量评价准确性的效果。
本申请实施例中的技术方案为解决上述,存在不能有效提高基于卷积神经网络的产品全环节质量评价准确性的问题,总体思路如下:
通过将产品质量评价分类层级划分若干层,分别基于不同的卷积神经网络模型用于提取不同产品质量评价分类层级的产品质量特征,分别训练不同的卷积神经网络模型并对实际产品质量评价分类层级对应的产品生产环节进行质量评价分类,分析得到评估结果并对产品质量评价划分层级判断是否进行预警,达到了有效提高基于卷积神经网络的产品全环节质量评价准确性的效果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,为本申请实施例提供的基于卷积神经网络的质量评价分类方法流程图,该方法包括以下步骤:S1.将产品质量评价分类层级划分若干层,若干层的产品质量评价分类层级与若干实际产品生产环节相对应;S2.通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型,通过若干的卷积神经网络模型分别评估得到对应的产品质量评价分类层级的产品质量特征数据,根据产品质量特征数据分析得到综合产品质量特征系数;S3.根据综合产品质量特征系数分析若干层的产品质量评价分类层级状态,并据此对产品质量评价分类层级进行质量异常预警。
在本实施例中,若干层的产品质量评价分类层级与若干实际产品生产环节相对应,表示实际工业生产、医疗、教育等多个领域的产品生产有多个生产环节,每个生产环节都对应一个产品质量评价分类层级,即一一对应,根据实际情况增加或减少。通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型,实际对于具体的的生产环节,每一个生产环节的特征数据其实较少,训练单个卷积神经网络模型对应一个生产环节很容易收敛且较为稳定,运算速度较快。
进一步的,通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型的具体构建过程为:S21.对于某一层的产品质量评价分类层级,通过预定义数据采集方法收集并提取当前层的产品质量评价分类层级的产品图像数据,预定义数据采集方法例如生产线上的摄像头采集、产品质量检测设备的输出、产品人工质检数据采集,记为当前层产品图像数据;S22.数据预处理:对当前层产品图像数据进行数据预处理,包括数据清洗、数据标注、数据增强,将预处理后的数据记为当前层产品图像预处理数据;S23.数据归一化:将当前层产品图像预处理数据的像素值缩放到预定义范围内,例如将像素值范围从0到255缩放到0到1;S24.数据转换:将当前层产品图像预处理数据转换为适合卷积神经网络算法输入的格式数据,例如转换为PyTorch格式,PyTorch是通过Python软件通过深度学习框架来调用已有库直接编程得到,记为当前层产品图像待输入数据;S25.划分数据集:将当前层产品图像待输入数据按预定义分类方案划分为若干训练集、若干验证集和若干测试集,预定义分类方案例如人工辅助分类、既往历史数据类比分类、其它机器算法预演分类等,当前层产品图像待输入数据的若干训练集、若干验证集和若干测试集只对应当前层的产品质量评价分类层级;S26.构建若干的卷积神经网络模型:根据当前层产品图像待输入数据的若干训练集、若干验证集和若干测试集构建当前层卷积神经网络模型,构建若干的卷积神经网络模型,与若干层的产品质量评价分类层级一一对应,记为若干产品质量层级卷积神经网络模型。
在本实施例中,S22.数据预处理:对当前层产品图像数据进行数据预处理,包括数据清洗、数据标注、数据增强,具体可以有以下步骤,S221.数据清洗:移除当前层产品图像预处理数据中的噪声和异常值,包括去除模糊的图像、删除不完整的产品图像或者去除与产品质量无关的图像;S222.数据标注:对于收集到的当前层产品图像预处理数据进行数据标注,例如确定产品是否合格、标识图像中的特定缺陷类型;S223.数据增强:通过图像增强技术来扩充当前层产品图像预处理数据,例如随机裁剪、缩放、翻转、旋转、亮度调整、对比度调整;人工辅助分类:利用领域专家的知识,人工挑选出一些样本作为训练集、验证集和测试集的初始样本。专家可基于先验知识对数据进行初步分类,以指导后续的自动分类算法。历史数据类比分类:参考过去类似产品的质量数据,按比例分配数据集。例如,如果过去的产品数据中有80%是良品,20%是不良品。机器学习算法预演分类:通过不同的机器学习算法(如SVM、随机森林等)对数据进行预先分类。算法输出的分类结果可作为划分数据集的参考。
进一步的,若干产品质量层级卷积神经网络模型的具体构建过程为:S261.定义模型结构:卷积层提取当前层产品图像待输入数据的局部特征。得到一系列特征图,输入通道数设置为三个通道,输出通道数设置为一个通道,池化层采用预定义池化方式,全连接层将前一层的展平层的所有特征图(或多层特征图的拼接)转换为一个高维特征向量,然后通过softmax函数进行分类,同时选择预定义损失函数和预定义优化器;S262.模型训练:根据当前层产品图像待输入数据的若干训练集和若干测试集对当前层卷积神经网络模型进行训练,并通过若干验证集验证得到当前层成熟卷积神经网络模型;S263.模型构建:根据当前层成熟卷积神经网络模型构建方法,构建每一层产品质量评价分类层级的当前层成熟卷积神经网络模型,得到若干产品质量层级卷积神经网络模型。
在本实施例中,根据当前层成熟卷积神经网络模型构建方法,具体指对每一层的产品质量评价分类层级分别做定义模型结构和模型训练,注意,其中的卷积神经网络模型的各种参数设定可以根据实际情况变化了,具体指根据实际情况调整卷积层、展平层、全连接层等层级参数设定以及对应若干训练集、若干验证集和若干测试集的特征数据构建,例如,对于工业产品的强度测试中,可以通过收集工业产品的强度检测图像数据进行数据清洗标准化处理后,分别根据强度检测图像数据对应的标注信息进行训练集、验证集和测试集的划分,设计卷积神经网络模型对当前工业产品的强度测试这一生产层级进行特化训练,得到应对当前生产层级的高效特化卷积神经网络模型;当前层产品图像待输入数据被卷积核滑动并进行矩阵乘法,以上步骤均可通过通过Python调用PyTorch深度学***层,将2D特征图转换为1D特征向量,全连接层,128个神经元,通过ReLU激活函数,输出层,10个神经元,通过softmax激活函数,对于简单的任务和较小的数据集,你可以通过较少的层和较少的神经元,例如,一个简单的CNN可能只有两个卷积层、一个池化层、一个展平层和两个全连接层。预定义损失函数可以选择Huber损失(Huber Loss):适用于回归问题,它对异常值不那么敏感,适用于数据中存在噪声的情况,可以在PyTorch中直接调用huber_loss来通过。预定义优化器可以选择随机梯度下降,通过在训练数据集的随机子集上更新参数,可以在PyTorch中直接调用SGD来通过。每个卷积核可以看作是一个滤波器,用于检测图像中的不同特征,例如边缘、纹理、包装样式、颜色分布、形状等。池化层用于减小特征图的尺寸,同时保持重要信息。预定义池化方式有最大池化(Max Pooling)和平均池化(Average Pooling)。最大池化和平均池化是两种常见的池化操作,它们在卷积神经网络中用于减小特征图的尺寸,同时保留重要信息。两者主要的区别在于池化操作的策略不同:最大池化(Max Pooling):在最大池化中,每个局部区域(如2x2的窗口)内的特征图上的最大值被选中,并作为该区域的代表值。最大池化有助于保留图像中的突出特征,因为它强调的是局部区域内的最大响应。实现最大池化可以使编程库,例如在PyTorch中通过nn.MaxPool2d。在步骤S262完成后,可以还有以下补充步骤:模型调优:根据验证集的性能调整模型的参数,比如学习率、批次大小、正则化参数等,或者调整网络结构,如增加或减少卷积层、更改激活函数等。这个过程需要多次迭代。超参数优化:通过网格搜索、随机搜索、贝叶斯优化等方法来寻找最优的超参数组合。模型部署:将训练好的模型部署到实际应用中,例如:服务端API、移动应用、IoT设备等。
进一步的,根据产品质量特征数据分析得到综合产品质量特征系数的具体分析过程为:S27.通过产品质量层级卷积神经网络模型对层的产品质量评价分类层级的实际生产产品质量分析,得到对应层的产品质量评价分类层级的产品质量特征数据;S28.对产品质量特征数据分类得到原料配件质量特征数据、加工组装质量特征数据和包装存储质量特征数据,层的产品质量评价分类层级的层数等于原料配件评估系数个数、加工组装评估系数个数和包装存储评估系数个数的和,即每一个原料配件评估系数,每一个加工组装评估系数和每一个包装存储评估系数分别与某一层的产品质量评价分类层级相对应;原料配件质量特征数据包括:原料尺寸公差数据和原料材料质量数据;加工组装质量特征数据包括:加工组装精度误差数据和加工组装外观质量数据;包装存储质量特征数据包括:包装结构公差数据和存储尺寸变化公差数据;S29.根据原料配件质量特征数据分析得到原料配件评估系数,根据加工组装质量特征数据分析得到加工组装评估系数,根据包装存储质量特征数据分析得到包装存储评估系数,将原料配件评估系数、加工组装评估系数和包装存储评估系数合并记为产品质量特征评估系数数据,根据产品质量特征评估系数数据分析得到综合产品质量特征系数。
在本实施例中,每一个原料配件评估系数,每一个加工组装评估系数和每一个包装存储评估系数分别与某一层的产品质量评价分类层级相对应,例如,若产品质量评价分类层级为99层,则可能前33个产品质量评价分类层级对应33个原料配件评估系数,中间33个产品质量评价分类层级对应33个加工组装评估系数,最后33个产品质量评价分类层级对应33个加工组装评估系数,同一层产品质量评价分类层级只会对应原料配件评估系数、加工组装评估系数或包装存储评估系数其中一个。若干产品质量特征数据的实际值取决于若干产品质量层级卷积神经网络模型的输出层结构,输出层结构:在卷积神经网络的末端,通常会有全连接层来进行最终的分类或回归任务。全连接层的神经元数量取决于类别的数量。例如,如果有三个质量等级,那么全连接层的神经元数量将是3,根据实际产品质量情况,可以将全连接层的神经元数量适当提高,使其输出更多的特征数据可能性,同时,可以对得到的全连接层输出做具体二次赋值,得到对应的产品质量特征数据,例如,对于医疗器械的加工组装质量特征数据,如果全连接层输出是5级,分别对应实际要求中的加工组装精度误差数据在0-0.2mm之间为优,误差在0.2-0.5mm之间为良,误差在0.5-0.7mm之间为一般,误差在0.7-0.9mm之间为合格,误差在0.9mm以上为不合格,可以对于5级分别赋值,得到优对应50,良对应60,一般对应70,合格对应80,不合格对应90,表现越差的数据,赋值越多,从而使得若干产品质量层级卷积神经网络模型的实际输出数据拥有更大的区分度,便于进行二次评估分析,实际赋值大小根据具体情况而定,此时若干产品质量层级卷积神经网络模型实际输出的加工组装精度误差数据为50到90之间,其它数据同理,原料尺寸公差数据原料材料质量数据可以表示表面粗糙度、表面缺陷(如划痕、凹坑、气泡等)的质量等级赋值数据,加工组装外观质量数据可以表示实际加工外观尺寸与标准差值的质量等级赋值数据,包装结构公差数据可以表示实际包装外观尺寸与标准差值的质量等级赋值数据,存储尺寸变化公差数据可以表示实际存储到最大出货时间时与标准产品质量差值的质量等级赋值数据,以上所有数据均可通过若干产品质量层级卷积神经网络模型赋值输出得到,产品从生产到运输出货之间会有一个存储时间,最大出货时间即表示生产产品最大可以存储的时间,超过这个时间,产品质量将不再评估。
进一步的,对产品质量评价分类层级进行质量异常预警的具体过程为:将综合产品质量特征系数与预定义综合产品质量特征异常阈值数据进行比对,若综合产品质量特征系数不高于预定义综合产品质量异常阈值数据,则判定正常状态,若综合产品质量特征系数高于预定义综合产品质量异常阈值数据,则判定出现异常状态;将产品质量特征评估系数数据与预定义产品质量特征评估异常阈值数据进行比对,包括以下步骤:将原料配件评估系数与预定义原料配件评估异常阈值数据进行比对,若某一或多个原料配件评估系数高于预定义原料配件评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;将加工组装评估系数与预定义加工组装评估异常阈值数据进行比对,若某一或多个加工组装评估系数高于预定义加工组装评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;将包装存储评估系数与预定义包装存储评估异常阈值数据进行比对,若某一或多个包装存储评估系数高于预定义包装存储评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;对以上所有产品质量评价分类异常层级进行质量异常预警。
在本实施例中,对产品质量评价分类层级进行质量异常预警的选用的数据都为负面值,评估数据越高,则说明产品质量问题越大,故高于对应质量异常阈值数据时判断为异常状态,上文已提到的,某一或多个原料配件评估系数只对应某一或多个产品质量评价分类层级,加工组装评估系数和包装存储评估系数同理,在实际产品生产中,可能会出现同时多个生产环节出现问题,故需要对每个有问题的生产环节都进行质量异常预警。
进一步的,根据原料配件质量特征数据分析得到原料配件评估系数的具体分析过程为:获取若干原料配件质量特征数据,包括若干原料尺寸公差数据和若干原料材料质量数据;统计提取在实际原料配件质量检测中原料配件质量相关数据,计算得到原料配件质量影响系数;由此得到原料配件评估系数。
在本实施例中,由此得到原料配件评估系数除了使用如下方式得到,包括:质量标准比对:对照国家和行业标准,对原料配件的质量进行比对;供应商评估:对供应商的质量管理体系、生产能力、信誉度等进行综合评估;实验室测试:进行一系列的理化性能测试、寿命测试、可靠性测试等,量化指标评估原料配件的质量;还可以通过以下公式分析:
;
式中,表示原料配件评估系数,用于反映产品原料配件的质量评估水平,将若干原料配件质量特征数据依次编号,/>,/>表示若干原料尺寸公差数据的编号,/>表示若干原料尺寸公差数据的编号总数,/>表示第/>个原料尺寸公差数据,将若干原料材料质量数据依次编号,/>,/>表示若干原料材料质量数据的编号,/>表示第/>个原料材料质量数据,/>表示第/>个原料尺寸公差数据对于原料配件评估系数的预定义赋值修正因子,/>表示第/>个原料材料质量数据对于原料配件评估系数的预定义赋值修正因子,/>表示原料材料质量数据对于原料配件评估系数的权重因子,/>表示第/>个原料材料质量数据对于原料配件评估系数的权重因子,/>表示原料配件质量影响系数。
预定义赋值修正因子表示将原料尺寸公差数据与原料配件评估系数的实际数量级相统一,例如,假设设定原料配件评估系数为1到10之间,若此时原料尺寸公差数据的原始值为90,计算得到的原料配件评估系数肯定远远超过10,此时将预定义赋值修正因子设为0.1,则计算得到的原料配件评估系数为1到10之间,注意,根据实际计算情况,预定义赋值修正因子大小可以变化。
应理解的是,本实施例中产品原料配件的质量评估分析通过对若干原料尺寸公差数据、若干原料材料质量数据和原料配件质量影响系数进行分析,将若干原料尺寸公差、若干原料材料质量求和平均得到均值,对原料配件质量影响系数进一步分析,使得从产品的原料材料的相关生产环节部分的质量进行评估,得到了原料材料的质量水平,降低了不同生产环节可能带来的误差,提高了计算的精确性。
在本实施例中,原料配件质量影响系数除了使用如下方式得到,包括:经验评估法:依据长时间的生产实践和历史数据,对原料配件的质量进行主观评估;统计质量控制:运用统计学方法,通过对生产批次进行抽样检验,利用样本数据对整体质量进行评估;故障模式和影响分析(FMEA):***地识别产品所有可能的故障模式,评估每种故障模式对产品性能的影响程度及发生的可能性;模拟与仿真:利用计算机模拟技术对原料配件在实际工作环境中的表现进行仿真,预测其可能的故障点和寿命;还可以通过计算得到的具体约束公式为:
;
式中,将实际原料配件质量检测中历史产品原料配件批次依次编号,,表示历史产品原料配件批次的编号,/>表示历史产品原料配件批次的编号总数,/>表示第/>个历史产品原料配件批次的原料配件不合格率数据,/>表示预定义原料配件最大允许不合格率数据,/>表示第/>个历史产品原料配件批次的原料配件实际耐用时长数据,表示预定义原料配件理论耐用时长数据,/>表示历史产品原料配件平均返工率数据,表示原料配件不合格率数据对于原料配件质量影响系数的权重因子,/>表示原料配件实际耐用时长数据对于原料配件质量影响系数的权重因子,以上所有数据即为统计提取在实际原料配件质量检测中的原料配件质量相关数据;
预定义原料配件最大允许不合格率数据具体指原料配件允许的不合格率的最大值,预定义原料配件理论耐用时长数据具体指原料配件理论耐用的标准时长。
应理解的是,本实施例中原料配件质量影响系数的评估分析通过对原料配件不合格率、原料配件实际耐用时长和平均返工率进行分析,将多次历史产品原料配件批次的不合格率、原料配件实际耐用时长求和平均得到均值。原料配件实际耐用时长属于评估原料配件质量正面值,故对其求倒数,得到负面值。各负面值越大,对原料配件质量的负面影响越大,原料配件质量影响系数越大,量化的反应了原料配件质量的客观水平,提高了计算的科学性。
进一步的,根据加工组装质量特征数据分析得到加工组装评估系数的具体分析过程为:获取若干加工组装质量特征数据:包括若干加工组装精度误差数据个若干加工组装外观质量数据;统计提取在实际加工性能质量检测中加工组装疲劳极限时长数据和加工组装屈服强度数据;由此得到加工组装评估系数。
在本实施例中,由此得到加工组装评估系数还可以通过设备能力分析:评估生产设备的能力,包括加工精度、稳定性、可靠性和效率等;故障模式和影响分析(FMEA):识别产品所有可能的故障模式,评估每种故障模式对产品性能的影响程度及发生的可能性;统计过程控制(SPC): 运用统计学方法监控生产过程,确保过程参数稳定,产品符合规格要;或者通过以下公式分析:
;
式中,表示加工组装评估系数,用于反映产品加工组装质量的评估水平,将若干加工组装精度误差数据依次编号,/>,/>表示若干加工组装精度误差数据的编号,/>表示若干加工组装精度误差数据的编号总数,将若干加工组装外观质量数据依次编号,/>,/>表示若干加工组装外观质量数据的编号,/>表示若干加工组装外观质量数据的编号总数,/>表示第/>个加工组装精度误差数据,/>表示第/>个预定义加工组装精度标准误差数据,/>表示第/>个加工组装外观质量数据,/>表示第/>个预定义加工组装标准外观质量数据,/>表示加工组装疲劳极限时长数据,/>表示预定义加工组装标准疲劳极限时长数据,/>表示加工组装屈服强度数据,/>表示预定义加工组装标准屈服强度数据,/>表示加工组装疲劳极限时长数据和加工组装屈服强度数据对于加工组装评估系数的预定义赋值修正因子;
预定义加工组装精度标准误差数据表示对于具体的加工组装对应的层级有对应的具体标准误差,预定义加工组装标准外观质量数据表示由卷积神经网络赋值得到加工组装标准外观质量对应的数据,即可能由赋值得到数据为50,预定义加工组装标准疲劳极限时长数据表示加工组装对应的层级有对应的具体标准疲劳极限时长,预定义加工组装标准屈服强度数据表示加工组装对应的层级有对应的具体标准屈服。
应理解的是,本实施例中产品加工组装质量的评估分析通过对加工组装精度误差、加工组装外观质量、加工组装疲劳极限时长和加工组装屈服强度,将若干评估的结果求和平均得到均值。加工组装疲劳极限时长和加工组装屈服强度属于评估原料加工组装正面值,故对其求倒数,得到负面值。各负面值越大,对加工组装质量的负面影响越大,加工组装评估系数越大,量化的反应了加工组装质量的客观水平,提高了计算的科学性。
进一步的,根据包装存储质量特征数据分析得到包装存储评估系数的具体分析过程为:获取若干包装存储质量特征数据:若干包装结构公差数据和若干存储尺寸变化公差数据;统计提取在实际包装存储质量检测中包装存储密封强度数据和包装最大抗震强度数据;由此得到包装存储评估系数。
在本实施例中,由此得到包装存储评估系数还可以通过以下方式分析,包括:环境适应性测试:对包装材料进行一系列的测试,如温度、湿度、光照等环境因素的影响测试,以评估其在不同环境条件下的稳定性;包装完整性检查:检查包装是否有破损、泄漏或其他损坏迹象,确保产品在存储过程中不会受到外界因素的侵害;库存管理***:使用库存管理***来监控产品的存储条件,如温度、湿度、存放位置等,确保产品在适宜的环境中存放;或者可以通过以下公式分析得到:
;
式中,表示包装存储评估系数,用于反映产品包装存储的评估水平,将若干包装结构公差数据依次编号,/>,/>表示若干包装结构公差数据的编号,/>表示若干包装结构公差数据的编号总数,将若干存储尺寸变化公差数据依次编号,/>,/>表示若干存储尺寸变化公差数据的编号,/>表示若干存储尺寸变化公差数据的编号总数,/>表示第/>个包装结构公差数据,/>表示第/>个包装结构预定义标准公差数据,/>表示第/>个存储尺寸变化公差数据,/>表示第/>个存储尺寸预定义变化标准公差数据,/>表示包装存储密封强度数据,/>表示包装存储预定义标准密封强度数据,/>表示包装最大抗震强度数据,/>表示预定义包装最大抗震强度数据;
预定义标准公差数据通过行业标准数据库查询或根据产品的功能要求和精度需求选择合适的公差等级,一般表现为零件标准公差尺寸数据,存储尺寸预定义变化标准公差数据同理,一般表示为存储后标准公差尺寸数据。
包装存储密封强度数据具体可以表示,最大密封强度:在测试条件下,材料从另一种材料上分离所需的每单位宽度的最大力的数值,包装存储预定义标准密封强度数据表示分离的标准数值,抗震强度数据通常以最大承受力、位移、变形量或者破坏形式等指标来描述,一般采用最大承受力,预定义包装最大抗震强度数据表示具体的包装存储对应的层级有对应的具体标准误差。
应理解的是,本实施例中产品包装存储的评估分析通过对包装结构公差、存储尺寸变化公差、包装存储密封强度和包装最大抗震强度,将若干评估的结果求和平均得到均值,包装存储密封强度属于评估原料加工组装正面值,故对其求倒数,得到负面值,各负面值越大,对包装存储质量的负面影响越大,加工组装评估系数越大。
进一步的,根据产品质量特征评估系数数据分析得到综合产品质量特征系数的具体分析过程为:
;
式中,表示综合产品质量特征系数,用于反映产品综合质量的评估水平,/>表示原料配件评估系数,/>表示加工组装评估系数,/>表示包装存储评估系数,/>、/>和/>表示原料配件评估系数、加工组装评估系数和包装存储评估系数对应综合产品质量特征系数的权重因子,/>表示自然常数。
在本实施例中,如图2所示,为本申请实施例提供的分析综合产品质量特征系数的结构示意图,综合产品质量特征系数还可以通过市场反馈分析:分析市场上的反馈,包括销售数据、市场份额、顾客评价等,以评估产品在市场中的表现;产品测试与分析:对产品进行实验室测试或现场测试,评估其性能、可靠性、耐用性、安全性等特征;质量管理体系审核:对企业的质量管理体系进行内部或外部审核,确保其符合质量管理标准。
应理解的是,本实施例中得到综合产品质量特征系数的评估分析是通过对原料配件评估系数、加工组装评估系数和包装存储评估系数。原料配件评估系数、加工组装评估系数和包装存储评估系数均属于负面值,各负面值越大,对综合产品质量的负面影响越大,综合产品质量特征系数越大。
如图3所示,为本申请实施例提供的基于卷积神经网络的质量评价分类***的结构示意图,本申请实施例提供的基于卷积神经网络的质量评价分类***包括:产品质量评价分类层级划分模块,用于将产品质量评价分类层级划分若干层,若干层的产品质量评价分类层级与若干实际产品生产环节相对应;卷积神经网络分析模块,用于通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型,通过若干的卷积神经网络模型分别评估得到对应的产品质量评价分类层级的产品质量特征数据,根据产品质量特征数据分析得到综合产品质量特征系数;质量异常预警模块,用于根据综合产品质量特征系数分析若干层的产品质量评价分类层级状态,并据此对产品质量评价分类层级进行质量异常预警。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:相对于公开号为:CN115438897A的发明公开的一种基于BLSTM神经网络的工业过程产品质量预测方法,本申请实施例通过构建多个卷积神经网络模型,每一层都可以学习到不同产品质量评价分类层级的特征,使得模型最终能够输出对质量评价有用的综合特征,实现了提高每个模型专注于评价某一质量层级的特征的有效性;相对于公开号为:CN114580963A的发明公开的一种基于DNN神经网络的复合产品的质量指标预测方法,本申请实施例通过对产品质量评价分类层级进行质量异常预警,可以精确地判断出哪些层级可能存在质量问题,有助于定位问题来源,便于控制产品质量,减少潜在的风险和损失,实现了质量异常预警的精确性和可靠性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于卷积神经网络的质量评价分类方法,其特征在于,包括以下步骤:
将产品质量评价分类层级划分若干层,若干层的产品质量评价分类层级与若干实际产品生产环节相对应;
通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型,通过若干的卷积神经网络模型分别评估得到对应的产品质量评价分类层级的产品质量特征数据,根据产品质量特征数据分析得到综合产品质量特征系数;
根据综合产品质量特征系数分析若干层的产品质量评价分类层级状态,并据此对产品质量评价分类层级进行质量异常预警;
所述对产品质量评价分类层级进行质量异常预警的具体过程为:
将综合产品质量特征系数与预定义综合产品质量特征异常阈值数据进行比对,若综合产品质量特征系数不高于预定义综合产品质量异常阈值数据,则判定正常状态,若综合产品质量特征系数高于预定义综合产品质量异常阈值数据,则判定出现异常状态;
将产品质量特征评估系数数据与预定义产品质量特征评估异常阈值数据进行比对,包括以下步骤:
将原料配件评估系数与预定义原料配件评估异常阈值数据进行比对,若某一或多个原料配件评估系数高于预定义原料配件评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;
将加工组装评估系数与预定义加工组装评估异常阈值数据进行比对,若某一或多个加工组装评估系数高于预定义加工组装评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;
将包装存储评估系数与预定义包装存储评估异常阈值数据进行比对,若某一或多个包装存储评估系数高于预定义包装存储评估异常阈值数据,则其对应的产品质量评价分类层级属于异常状态,记为产品质量评价分类异常层级;
对以上所有产品质量评价分类异常层级进行质量异常预警;
所述根据产品质量特征评估系数数据分析得到综合产品质量特征系数的具体分析过程为:
;
式中,表示综合产品质量特征系数,/>表示原料配件评估系数,/>表示加工组装评估系数,/>表示包装存储评估系数,/>、/>和/>表示原料配件评估系数、加工组装评估系数、包装存储评估系数对应综合产品质量特征系数的权重因子,/>表示自然常数;
;
式中,表示原料配件评估系数,用于反映产品原料配件的质量评估水平,将若干原料配件质量特征数据依次编号,/>,/>表示若干原料尺寸公差数据的编号,/>表示若干原料尺寸公差数据的编号总数,/>表示第/>个原料尺寸公差数据,将若干原料材料质量数据依次编号,/>,/>表示若干原料材料质量数据的编号,/>表示第/>个原料材料质量数据,/>表示第/>个原料尺寸公差数据对于原料配件评估系数的预定义赋值修正因子,/>表示第/>个原料材料质量数据对于原料配件评估系数的预定义赋值修正因子,/>表示原料材料质量数据对于原料配件评估系数的权重因子,/>表示第/>个原料材料质量数据对于原料配件评估系数的权重因子,/>表示原料配件质量影响系数;
;
式中,表示加工组装评估系数,用于反映产品加工组装质量的评估水平,将若干加工组装精度误差数据依次编号,/>,/>表示若干加工组装精度误差数据的编号,/>表示若干加工组装精度误差数据的编号总数,将若干加工组装外观质量数据依次编号,,/>表示若干加工组装外观质量数据的编号,/>表示若干加工组装外观质量数据的编号总数,/>表示第/>个加工组装精度误差数据,/>表示第/>个预定义加工组装精度标准误差数据,/>表示第/>个加工组装外观质量数据,/>表示第/>个预定义加工组装标准外观质量数据,/>表示加工组装疲劳极限时长数据,/>表示预定义加工组装标准疲劳极限时长数据,/>表示加工组装屈服强度数据,/>表示预定义加工组装标准屈服强度数据,/>表示加工组装疲劳极限时长数据和加工组装屈服强度数据对于加工组装评估系数的预定义赋值修正因子;
;
式中,表示包装存储评估系数,用于反映产品包装存储的评估水平,将若干包装结构公差数据依次编号,/>,/>表示若干包装结构公差数据的编号,/>表示若干包装结构公差数据的编号总数,将若干存储尺寸变化公差数据依次编号,/>,/>表示若干存储尺寸变化公差数据的编号,/>表示若干存储尺寸变化公差数据的编号总数,/>表示第/>个包装结构公差数据,/>表示第/>个包装结构预定义标准公差数据,/>表示第/>个存储尺寸变化公差数据,/>表示第/>个存储尺寸预定义变化标准公差数据,/>表示包装存储密封强度数据,/>表示包装存储预定义标准密封强度数据,/>表示包装最大抗震强度数据,/>表示预定义包装最大抗震强度数据。
2.如权利要求1所述基于卷积神经网络的质量评价分类方法,其特征在于,所述通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型的具体构建过程为:
对于某一层的产品质量评价分类层级,通过预定义数据采集方法收集并提取当前层的产品质量评价分类层级的产品图像数据;
数据预处理:对当前层产品图像数据进行数据预处理,将预处理后的数据记为当前层产品图像预处理数据;
数据归一化:将当前层产品图像预处理数据的像素值缩放到预定义范围内;
划分数据集:将当前层产品图像待输入数据按预定义分类方案划分为若干训练集、若干验证集和若干测试集,当前层产品图像待输入数据的若干训练集、若干验证集和若干测试集只对应当前层的产品质量评价分类层级;
构建若干的卷积神经网络模型:根据当前层产品图像待输入数据的若干训练集、若干验证集和若干测试集构建当前层卷积神经网络模型,构建若干产品质量层级卷积神经网络模型。
3.如权利要求2所述基于卷积神经网络的质量评价分类方法,其特征在于,所述若干产品质量层级卷积神经网络模型的具体构建过程为:
卷积层提取当前层产品图像待输入数据的局部特征,得到一系列特征图,输入通道数设置为三个通道,输出通道数设置为一个通道,池化层采用预定义池化方式,同时选择预定义损失函数和预定义优化器;
根据当前层产品图像待输入数据的若干训练集和若干测试集对当前层卷积神经网络模型进行训练,并通过若干验证集验证得到当前层成熟卷积神经网络模型;
根据当前层成熟卷积神经网络模型构建方法,构建每一层产品质量评价分类层级的当前层成熟卷积神经网络模型,得到若干产品质量层级卷积神经网络模型。
4.如权利要求3所述基于卷积神经网络的质量评价分类方法,其特征在于,所述根据产品质量特征数据分析得到综合产品质量特征系数的具体分析过程为:
通过产品质量层级卷积神经网络模型对对应层的产品质量评价分类层级的实际生产产品质量分析,得到对应层的产品质量评价分类层级的产品质量特征数据;
对产品质量特征数据分类得到原料配件质量特征数据、加工组装质量特征数据和包装存储质量特征数据;
原料配件质量特征数据包括原料尺寸公差数据和原料材料质量数据;
加工组装质量特征数据包括加工组装精度误差数据和加工组装外观质量数据;
包装存储质量特征数据包括包装结构公差数据和存储尺寸变化公差数据;
根据原料配件质量特征数据分析得到原料配件评估系数,根据加工组装质量特征数据分析得到加工组装评估系数,根据包装存储质量特征数据分析得到包装存储评估系数,将原料配件评估系数、加工组装评估系数和包装存储评估系数合并记为产品质量特征评估系数数据,根据产品质量特征评估系数数据分析得到综合产品质量特征系数。
5.如权利要求4所述基于卷积神经网络的质量评价分类方法,其特征在于,所述根据原料配件质量特征数据分析得到原料配件评估系数的具体分析过程为:
获取若干原料配件质量特征数据;
统计提取在实际原料配件质量检测中原料配件质量相关数据,计算得到原料配件质量影响系数;
由此得到原料配件评估系数。
6.如权利要求4所述基于卷积神经网络的质量评价分类方法,其特征在于,所述根据加工组装质量特征数据分析得到加工组装评估系数的具体分析过程为:
获取若干加工组装质量特征数据;
统计提取在实际加工性能质量检测中加工组装疲劳极限时长数据和加工组装屈服强度数据;
由此得到加工组装评估系数。
7.如权利要求4所述基于卷积神经网络的质量评价分类方法,其特征在于,所述根据包装存储质量特征数据分析得到包装存储评估系数的具体分析过程为:
获取若干包装存储质量特征数据;
统计提取在实际包装存储质量检测中包装存储密封强度数据和包装最大抗震强度数据;
由此得到包装存储评估系数。
8.一种采用如权利要求1-7中任意一项所述基于卷积神经网络的质量评价分类方法的***,其特征在于,所述基于卷积神经网络的质量评价分类***包括:
产品质量评价分类层级划分模块,用于将产品质量评价分类层级划分若干层,若干层的产品质量评价分类层级与若干实际产品生产环节相对应;
卷积神经网络分析模块,用于通过卷积神经网络算法分别对若干层的产品质量评价分类层级分别构建若干的卷积神经网络模型,通过若干的卷积神经网络模型分别评估得到对应的产品质量评价分类层级的产品质量特征数据,根据产品质量特征数据分析得到综合产品质量特征系数;
质量异常预警模块,用于根据综合产品质量特征系数分析若干层的产品质量评价分类层级状态,并据此对产品质量评价分类层级进行质量异常预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179455.8A CN117726240B (zh) | 2024-02-18 | 2024-02-18 | 一种基于卷积神经网络的质量评价分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179455.8A CN117726240B (zh) | 2024-02-18 | 2024-02-18 | 一种基于卷积神经网络的质量评价分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726240A CN117726240A (zh) | 2024-03-19 |
CN117726240B true CN117726240B (zh) | 2024-05-17 |
Family
ID=90209276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179455.8A Active CN117726240B (zh) | 2024-02-18 | 2024-02-18 | 一种基于卷积神经网络的质量评价分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726240B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952482B (zh) * | 2024-03-26 | 2024-06-14 | 中国标准化研究院 | 一种基于卷积神经网络的产品质量事故分级方法及*** |
CN118037137B (zh) * | 2024-04-11 | 2024-07-05 | 中国标准化研究院 | 一种基于卷积神经网络的产品质量事故数量的确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582395A (zh) * | 2020-05-13 | 2020-08-25 | 金陵科技学院 | 一种基于卷积神经网络的产品质量分类*** |
CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及*** |
CN114897007A (zh) * | 2022-04-26 | 2022-08-12 | 太原理工大学 | 一种复合信息分层卷积神经网络的钻机健康状况评估方法 |
CN117235638A (zh) * | 2023-09-15 | 2023-12-15 | 道枢(上海)数字技术有限公司 | 一种基于预训练模型的警情内容多层级分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11238300B2 (en) * | 2019-09-10 | 2022-02-01 | Microsoft Technology Licensing, Llc | Depth-based object re-identification |
-
2024
- 2024-02-18 CN CN202410179455.8A patent/CN117726240B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582395A (zh) * | 2020-05-13 | 2020-08-25 | 金陵科技学院 | 一种基于卷积神经网络的产品质量分类*** |
CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及*** |
CN114897007A (zh) * | 2022-04-26 | 2022-08-12 | 太原理工大学 | 一种复合信息分层卷积神经网络的钻机健康状况评估方法 |
CN117235638A (zh) * | 2023-09-15 | 2023-12-15 | 道枢(上海)数字技术有限公司 | 一种基于预训练模型的警情内容多层级分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117726240A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117726240B (zh) | 一种基于卷积神经网络的质量评价分类方法及*** | |
CN117495210B (zh) | 公路混凝土施工质量管理*** | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
CN112257942B (zh) | 一种应力腐蚀开裂预测方法及*** | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
CN115129019A (zh) | 生产线故障分析模型的训练方法及生产线故障分析方法 | |
Ekundayo | Wrapper feature selection based heterogeneous classifiers for software defect prediction | |
CN113837266B (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
CN114519519A (zh) | 基于gbdt算法与逻辑回归模型的企业违约风险评估方法设备及介质 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估*** | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN117095810A (zh) | 基于pca-pso-bp算法的糖尿病预测方法及*** | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN116091206A (zh) | 信用评价方法、装置、电子设备及存储介质 | |
CN106055483B (zh) | 基于欠采样操作的代价敏感神经网络的警告分类方法 | |
CN115456693A (zh) | 一种大数据驱动的汽车外造型设计的自动评估方法 | |
CN114757495A (zh) | 一种基于逻辑回归的会员价值量化评估方法 | |
CN115222691A (zh) | 图像缺陷检测方法、***及相关装置 | |
CN113065683A (zh) | 车辆质押的价格预测方法、装置、设备及存储介质 | |
Galatro et al. | Data Analytics for Process Engineers: Prediction, Control and Optimization | |
CN117592865B (zh) | 一种装备零备件质量状态预测方法及装置 | |
CN118014165B (zh) | 锂离子电池生产的溯源管理方法及*** | |
Colella et al. | Machine Learning and Ratemaking: Assessing Performance of Four Popular Algorithms for Modeling Auto Insurance Pure Premium | |
CN117933724A (zh) | 施工风险评估方法、装置、电子设备及计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |