CN117952482B - 一种基于卷积神经网络的产品质量事故分级方法及*** - Google Patents
一种基于卷积神经网络的产品质量事故分级方法及*** Download PDFInfo
- Publication number
- CN117952482B CN117952482B CN202410349918.0A CN202410349918A CN117952482B CN 117952482 B CN117952482 B CN 117952482B CN 202410349918 A CN202410349918 A CN 202410349918A CN 117952482 B CN117952482 B CN 117952482B
- Authority
- CN
- China
- Prior art keywords
- accident
- quality
- product
- quality accident
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000003908 quality control method Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 65
- 238000013139 quantization Methods 0.000 claims description 42
- 230000008439 repair process Effects 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000011002 quantification Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 229930014626 natural product Natural products 0.000 claims 1
- 238000013145 classification model Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- Image Analysis (AREA)
Abstract
本发明涉及质量控制技术领域,具体公开一种基于卷积神经网络的产品质量事故分级方法及***,该方法包括:收集产品质量事故样本数据,对各质量事故产品的事故严重程度进行等级划分;提取各质量事故产品的各图像特征元素,进行有效特征元素筛选;根据各有效特征元素,并训练得到产品质量事故分级模型,对产品质量事故进行分级。本发明对质量事故产品的质量事故图片与初始图片进行比对,并分析产品质量事故造成的经济损失,对事故进行科学合理的分级,同时利用质量事故严重程度和图像特征元素进行模型训练,通过质量事故分级模型对产品质量事故进行分级,降低人工判断带来的主观误差,提高质量事故评估结果的客观性和一致性。
Description
技术领域
本发明涉及质量控制技术领域,具体为一种基于卷积神经网络的产品质量事故分级方法及***。
背景技术
产品质量事故分级是指对产品在生产、使用过程中出现的质量问题或事故进行分类的方法,在实际生产中,产品质量事故可能会造成不同程度的影响,如生产停滞、经济损失、安全事故等。传统的产品质量事故分级方法多依赖于人工经验,主观性较强,缺乏客观性和准确性,无法做到及时、准确地识别和评估事故严重程度,从而影响企业的质量管理决策,因此提供一种基于卷积神经网络的产品质量事故分级方法及***,帮助企业更好地进行质量管理。
例如公告号为CN112241832B的发明专利,公开的一种产品质量分级评价标准设计方法及***,包括:获取全流程工艺参数及对应机械性能指标组成的数据集;基于各工艺参数与机械性能指标的互信息对工艺参数进行筛选,构建特征子集和机械性能预测模型;对机械性能预测模型进行多输出敏感性分析,得出特征子集中的各工艺参数的敏感性指数的估计,得到各工艺参数的敏感性指数组成的向量ω;将特征子集组成的列向量X更新为ωX;对ωX对应的样本集进行谱聚类划分出样本类别,并针对不同样本类别建立其与最终质量指标“窄窗口”间的对应关系,形成相应的质量分级评价标准。该申请基于实际生产历史大数据,事前模拟出各类工艺参数所对应的质量指标范围,从而方便钢铁企业定量地管控产品质量性能。
基于上述方案发现,目前对质量控制方面还存在一些不足,具体体现在以下几个层面:(1)当前质量事故分级没有统一的标准,对产品质量事故的分析不够全面,例如缺少从产品质量事故图像和经济损失角度进行分析,无法对产品事故进行准确分级。
(2)当前产品质量事故分级主要依赖于人为判断,往往会引入主观误差,容易造成产品质量事故分级的结果不统一。
发明内容
针对现有技术的不足,本发明提供了一种基于卷积神经网络的产品质量事故分级方法及***,能够有效解决上述背景技术中涉及的问题。
为实现以上目的,本发明通过以下技术方案予以实现:本发明第一方面提供了一种基于卷积神经网络的产品质量事故分级方法,包括:收集产品质量事故样本数据,将发生质量事故的产品标记为各质量事故产品,分析得到各质量事故产品的事故严重程度评估指数。
提取各质量事故产品的各图像特征元素,并根据各质量事故产品的事故严重程度评估指数,分析得到各图像特征元素的事故相关程度评估值,并根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素。
根据各有效特征元素,并训练得到产品质量事故分级模型,获取目标产品并通过产品质量事故分级模型进行产品质量事故分级。
作为进一步的方法,所述分析得到各质量事故产品的事故严重程度评估指数,具体分析过程为:根据产品质量事故样本数据,提取各质量事故产品的初始图像和质量事故图像,将各质量事故产品的初始图像和质量事故图像进行比对,分析得到各质量事故产品的损坏程度量化指标。
获取各质量事故产品的修复成本,并统计各质量事故产品的修复时间成本经处理得到各质量事故产品的影响程度量化指标。
综合分析得到各质量事故产品的事故严重程度评估指数。
作为进一步的方法,所述各质量事故产品的损坏程度量化指标,具体通过对各质量事故产品的初始图像和质量事故图像进行比对分析得到的量化评估数据,用于量化评估各质量事故产品的损坏程度,为质量事故分级提供数据依据。
作为进一步的方法,所述分析得到各图像特征元素的事故相关程度评估值,具体分析过程为:根据各质量事故产品的质量事故图像,经处理得到各质量事故产品的图像熵值和图像对比度指标,综合分析得到各质量事故产品的各图像特征元素的特征量化值。
根据各质量事故产品的事故严重程度评估指数和各质量事故产品的各图像特征元素的特征量化值,分析得到各图像特征元素的事故相关程度评估值。
作为进一步的方法,所述根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素,具体分析过程为:将各图像特征元素的事故相关程度评估值与质量控制数据库中存储的相关程度评估阈值进行比对,若某图像特征元素的事故相关程度评估值大于或等于相关程度评估阈值,则将该图像特征元素标记为有效特征元素。
作为进一步的方法,所述各质量事故产品的事故严重程度评估指数,具体通过对各质量事故产品的损坏程度量化指标和影响程度量化指标进行分析得到的量化评估值,用于量化评估各质量事故产品的事故严重程度,为质量事故分级提供数据依据。
作为进一步的方法,所述各质量事故产品的各图像特征元素的特征量化值,具体通过从图像熵值和图像对比度指标两个维度对各图像特征元素进行量化分析得到的各图像特征元素的量化数据,用于量化评估各图像特征元素的严重程度,为有效特征元素的筛选提供数据依据。
作为进一步的方法,所述各质量事故产品的事故严重程度评估指数,具体计算表达式为:,式中,/>表示第/>个质量事故产品的事故严重程度评估指数,/>表示自然常数,/>表示第/>个质量事故产品的损坏程度量化指标,/>表示第/>个质量事故产品的影响程度量化指标,/>表示设定的损坏程度量化指标对应的事故严重程度影响因子,/>表示设定的影响程度量化指标对应的事故严重程度影响因子。
作为进一步的方法,所述各质量事故产品的各图像特征元素的特征量化值,具体计算表达式为:,式中,/>表示第/>个质量事故产品的第/>个图像特征元素的特征量化值,/>表示自然常数,/>表示第/>个质量事故产品的图像熵值,/>表示第/>个质量事故产品的图像对比度指标,/>表示设定的第/>个图像特征元素对应图像熵值的特征量化影响因子,/>表示设定的第个图像特征元素对应图像对比度指标的特征量化影响因子。
本发明第二方面提供了一种基于卷积神经网络的产品质量事故分级***,包括:质量事故分级模块,用于收集产品质量事故样本数据,将发生质量事故的产品标记为各质量事故产品,分析得到各质量事故产品的事故严重程度评估指数。
图像特征元素提取模块,用于提取各质量事故产品的各图像特征元素,并根据各质量事故产品的事故严重程度评估指数,分析得到各图像特征元素的事故相关程度评估值,并根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素。
分级模型训练模块,用于根据各有效特征元素,并训练得到产品质量事故分级模型,获取目标产品并通过产品质量事故分级模型进行产品质量事故分级。
质量控制数据库,用于存储产品质量事故样本数据,各事故严重程度评估指数区间对应的事故等级,相关程度评估阈值。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
(1)本发明通过提供一种基于卷积神经网络的产品质量事故分级方法及***,对质量事故产品的质量事故图片与初始图片进行比对,并分析产品质量事故造成的经济损失,对事故进行科学合理的分级,同时利用质量事故严重程度和图像特征元素进行模型训练,通过质量事故分级模型对产品质量事故进行分级,降低人工判断带来的主观误差,提高质量事故评估结果的客观性和一致性。
(2)本发明通过比对产品质量事故图片与初始图片的差异,帮助对产品质量事故进行分级,通过直观的图片比对,可以快速评估质量事故的影响程度,为质量事故分级提供依据。
(3)本发明通过分析产品质量事故造成的损失,包括产品修复成本和修复时间成本,通过分析产品质量事故造成的损失,可以对事故的影响范围和严重程度进行评估,进而对事故进行科学合理的分级,提高产品事故分级的准确性。
(4)本发明通过训练质量事故分级模型,对产品质量事故进行分级,通过质量事故分级模型对产品质量事故进行分级,降低人工判断带来的主观误差,提高质量事故评估结果的客观性和一致性。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的方法流程示意图。
图2为本发明的***模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,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,都属于本发明保护的范围。
参照图1所示,本发明第一方面提供了一种基于卷积神经网络的产品质量事故分级方法,包括:收集产品质量事故样本数据,将发生质量事故的产品标记为各质量事故产品,分析得到各质量事故产品的事故严重程度评估指数。
应理解的是,说明书中涉及的产品是指电子产品、器械、生活用品等具有实体的产品。
本实施例中,产品质量事故样本数据,是通过对发生质量事故的产品进行收集得到的事故样本数据,包括各质量事故产品的初始图像、质量事故图像、修复成本和修复时间成本。该产品质量事故样本数据是过去进行质量事故分级的历史数据,用于训练质量事故分级模型。
具体地,分析得到各质量事故产品的事故严重程度评估指数,具体分析过程为:根据产品质量事故样本数据,提取各质量事故产品的初始图像和质量事故图像,将各质量事故产品的初始图像和质量事故图像进行比对,分析得到各质量事故产品的损坏程度量化指标。
应理解的是,各质量事故产品的初始图像是各质量事故产品投入使用前采集的平面图像,各质量事故产品的质量事故图像是各质量事故产品发生质量事故后采集的平面图像。通过比对发生质量事故后产品的图像差异,可以评估质量事故产品的损坏程度。
在一个具体的实施例中,各质量事故产品的损坏程度量化指标,不仅可以通过数据分析工具和技术,对产品的各项性能参数进行深入分析,从而获取损坏程度的量化指标,也可以通过收集用户对事故产品的反馈,根据用户反馈的严重程度对产品的损坏程度进行量化,还可以通过以下计算方式得到,部署若干像素点,提取各质量事故产品初始图像的各像素点的像素值,同时提取各质量事故产品质量事故图像对应像素点的像素值,综合计算各质量事故产品的损坏程度量化指标,具体计算表达式为:,式中,/>表示第/>个质量事故产品的损坏程度量化指标,/>表示第/>个质量事故产品的质量事故图像第/>个像素点的像素值,表示第/>个质量事故产品的初始图像第/>个像素点的像素值,/>表示设定的允许偏差像素值,/>表示设定的产品损坏程度量化修正因子,/>表示各质量事故产品的编号,,/>表示质量事故产品的总数,/>表示各像素点的编号,,/>表示像素点的总数。
在一个具体的实施例中,通过比对产品质量事故图片与初始图片的差异,帮助对产品质量事故进行分级,通过直观的图片比对,可以快速评估质量事故的影响程度,为质量事故分级提供依据。
获取各质量事故产品的修复成本,并统计各质量事故产品的修复时间成本经处理得到各质量事故产品的影响程度量化指标。
应理解的是,各质量事故产品的修复成本是指将各质量事故产品修复至可以正常使用所耗费的总成本,各质量事故产品的修复时间成本是指各质量事故产品修复至可以正常使用所耗费的总时间。通过分析产品质量事故的修复成本和修复时间成本,可以评估各质量事故产品的质量事故造成的影响程度。
应理解的是,各质量事故产品的影响程度量化指标,具体通过对各质量事故产品的修复成本和修复时间成本进行分析得到的量化评估指标,用于评估各质量事故产品的质量事故的影响程度,为质量事故分级提供数据依据。
在一个具体的实施例中,各质量事故产品的影响程度量化指标,不仅可以通过收集和分析过去发生的质量事故数据,可以得到质量事故发生的频率、影响范围、影响程度等指标,也可以通过对质量事故的影响进行详细的分析,包括事故对产品性能、使用寿命、安全性的影响,以及对用户满意度的影响等,通过分析可以得到质量事故对产品的影响程度,还可以通过以下计算方式得到,分别获取预定义的质量事故产品的临界修复成本和临界修复时间成本,综合计算得到各质量事故产品的影响程度量化指标,具体计算表达式为:,式中,/>表示第/>个质量事故产品的影响程度量化指标,/>表示自然常数,/>表示第/>个质量事故产品的修复成本,/>表示第/>个质量事故产品的修复时间成本,/>表示预定义的临界修复成本,/>表示预定义的临界修复时间成本,/>表示设定的修复成本对应的影响程度量化权重因子,/>表示设定的修复时间成本对应的影响程度量化权重因子,表示设定的修复成本单位数值对应的影响程度量化权重因子,/>表示设定的修复时间成本单位数值对应的影响程度量化权重因子。
在一个具体的实施例中,通过分析产品质量事故造成的损失,包括产品修复成本和修复时间,通过分析产品质量事故造成的损失,可以对事故的影响范围和严重程度进行评估,进而对事故进行科学合理的分级,提高产品事故分级的准确性。
综合分析得到各质量事故产品的事故严重程度评估指数。
具体地,各质量事故产品的事故严重程度评估指数,具体通过对各质量事故产品的损坏程度量化指标和影响程度量化指标进行分析得到的量化评估值,用于量化评估各质量事故产品的事故严重程度,为质量事故分级提供数据依据。
具体地,各质量事故产品的事故严重程度评估指数,不仅可以通过对比历史上类似质量事故的严重程度,借鉴和参考判断当前事故的严重程度,也可以通过收集和分析与事故相关的数据,如产品合格率、客户满意率、退货率等,间接评估事故的严重程度,还可以通过以下计算方式得到,具体计算表达式为:,式中,/>表示第/>个质量事故产品的事故严重程度评估指数,/>表示自然常数,/>表示第/>个质量事故产品的损坏程度量化指标,/>表示第/>个质量事故产品的影响程度量化指标,/>表示设定的损坏程度量化指标对应的事故严重程度影响因子,/>表示设定的影响程度量化指标对应的事故严重程度影响因子。
具体地,各质量事故产品的损坏程度量化指标,具体通过对各质量事故产品的初始图像和质量事故图像进行比对分析得到的量化评估数据,用于量化评估各质量事故产品的损坏程度,为质量事故分级提供数据依据。
应理解的是,本实施例中事故严重程度评估指数区间与事故等级是一一对应的关系,通过分析质量事故产品的事故严重程度评估指数所属的事故严重程度评估指数区间,可以得到质量事故产品的事故等级。
应理解的是,本实施例中事故等级是指产品质量事故等级,通常是根据事故的影响范围、经济损失、人员伤亡以及社会影响等因素来划分,包括轻微事故等级、一般事故等级、重大事故等级和特别重大事故等级。
提取各质量事故产品的各图像特征元素,并根据各质量事故产品的事故严重程度评估指数,分析得到各图像特征元素的事故相关程度评估值,并根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素。
应理解的是,各质量事故产品的各图像特征元素包括损坏面积、损坏深度、损坏形态等,可通过图像熵值和图像对比度指标两个维度对各图像特征元素进行量化。
具体地,分析得到各图像特征元素的事故相关程度评估值,具体分析过程为:根据各质量事故产品的质量事故图像,经处理得到各质量事故产品的图像熵值和图像对比度指标,综合分析得到各质量事故产品的各图像特征元素的特征量化值。
应理解的是,本说明书中的图像熵值和图像对比度指标仅针对各质量事故产品的质量事故图像进行处理。
应理解的是,本实施例中图像熵值是衡量图像信息量的一个度量,反映了图像中信息的随机性和不确定性,在图像处理中,通常用来描述图像的纹理复杂度或者信息的分布。图像对比度指标是对图像对比度进行量化得到的数据,是描述图像中明暗区域差异程度的度量,高对比度意味着图像中有明显的明暗变化,而低对比度则意味着图像较为均匀,明暗变化不明显。通过图像熵值和图像对比度指标两个维度对图像特征元素进行量化,帮助分析各图像特征元素与事故等级的相关性。
在一个具体的实施例中,各质量事故产品的图像熵值,不仅可以通过将图像从空间域转换到频域,例如使用快速傅里叶变换(FFT),计算频域中各个频率分量的熵值,将这些熵值合并得到整个图像的熵值,也可以通过使用机器学习算法来分类图像的像素或者区域,根据分类结果计算熵值,反映了分类的不确定性,还可以通过以下计算方式得到,将各质量事故产品的质量事故图像转换为灰度图像,提取灰度图像各像素点的像素值,并根据像素值对各像素点进行灰度级划分(例如256级灰度),同时获取各质量事故产品的质量事故图像像素点总数和各灰度级的像素点数量,综合计算各质量事故产品的图像熵值,具体计算表达式为:,式中,/>表示第/>个质量事故产品的图像熵值,/>表示设定的图像熵值修正因子,/>表示各灰度级的编号,,/>表示灰度级的总数,/>表示第/>个质量事故产品的第/>个灰度级的概率。其中,灰度级的概率可以通过像素点的数量进一步分析得到,具体计算式为:,式中,/>表示第/>个质量事故产品的质量事故图像像素点总数,表示第/>个质量事故产品的第/>个灰度级的像素点数量。
在一个具体的实施例中,各质量事故产品的图像对比度指标,不仅可以通过小波变换,将图像分解为不同尺度和方向的组件,通过分析这些组件的对比度得到图像的对比度量化指标,也可以通过分析图像的边缘强度,衡量图像边缘尖锐程度,对图像对比度进行量化,也可以通过以下计算方式得到,提取各质量事故产品的质量事故图像各像素点的像素值以及最大像素值和最小像素值,综合计算各质量事故产品的图像对比度指标,具体计算表达式为:,式中,表示第/>个质量事故产品的图像对比度指标,/>表示设定的图像对比度指标修正因子,/>表示第/>个质量事故产品的质量事故图像第/>个像素点的像素值,/>表示第/>个质量事故产品的质量事故图像的最大像素值,/>表示第/>个质量事故产品的质量事故图像的最小像素值,/>表示设定的像素值方差对应的图像对比度指标影响因子,/>表示设定的最大像素值与最小像素值之间的单位偏差像素值对应的图像对比度指标影响因子。
具体地,各质量事故产品的各图像特征元素的特征量化值,具体通过从图像熵值和图像对比度指标两个维度对各图像特征元素进行量化分析得到的各图像特征元素的量化数据,用于量化评估各图像特征元素的严重程度,为有效特征元素的筛选提供数据依据。
具体地,各质量事故产品的各图像特征元素的特征量化值,不仅可以通过主成分分析法,提取图像数据的主要变化方向,从而量化图像的主要特征,也可以通过使用卷积神经网络等深度学习模型可以提取复杂的图像特征元素,并通过训练得到量化的指标,还可以通过以下计算方式得到,具体计算表达式为:,式中,/>表示第/>个质量事故产品的第/>个图像特征元素的特征量化值,/>表示第/>个质量事故产品的图像熵值,/>表示第/>个质量事故产品的图像对比度指标,/>表示设定的第/>个图像特征元素对应图像熵值的特征量化影响因子,/>表示设定的第/>个图像特征元素对应图像对比度指标的特征量化影响因子。
根据各质量事故产品的事故严重程度评估指数和各质量事故产品的各图像特征元素的特征量化值,分析得到各图像特征元素的事故相关程度评估值。
应理解的是,本实施例中各图像特征元素的事故相关程度评估值,具体通过对各质量事故产品的事故严重程度评估指数和各质量事故产品的各图像特征元素的特征量化值进行相关性分析得到的量化评估值,用于量化评估各图像特征元素与事故严重程度的相关程度,为有效特征元素的筛选提供数据依据。
在一个具体的实施例中,各图像特征元素的事故相关程度评估值,不仅可以通过仿真模拟法使用计算机仿真模拟质量事故发生过程,生成质量事故图像,并与实际质量事故图像进行对比分析,通过调整模拟中的参数,观察质量事故图像特征元素的变化,从而推导出特征与严重程度的关系,也可以通过分析已有的产品质量事故案例,将质量事故图像与质量事故造成的损失进行匹配,建立特征与严重程度的映射关系,还可以通过以下计算方式得到,具体计算表达式为:,式中,/>表示第/>个图像特征元素的事故相关程度评估值,/>表示第/>个质量事故产品的事故严重程度评估指数,/>表示第/>个质量事故产品的第/>个图像特征元素的特征量化值,/>表示质量事故产品的平均事故严重程度评估指数,/>,/>表示第/>个图像特征元素的平均特征量化值,/>,/>表示设定的事故相关程度修正因子。
具体地,根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素,具体分析过程为:将各图像特征元素的事故相关程度评估值与质量控制数据库中存储的相关程度评估阈值进行比对,若某图像特征元素的事故相关程度评估值大于或等于相关程度评估阈值,则将该图像特征元素标记为有效特征元素。
应理解的是,本实施例中相关程度评估阈值是评估相关程度的临界指标,若某图像特征元素的事故相关程度评估值大于或等于相关程度评估阈值,则表明该图像特征元素与事故相关程度有较高的相关度,反之,若某图像特征元素的事故相关程度评估值小于相关程度评估阈值,则表明该图像特征元素与事故相关程度的相关度较低。
根据各有效特征元素,并训练得到产品质量事故分级模型,获取目标产品并通过产品质量事故分级模型进行产品质量事故分级。
在一个具体的实施例中,上述根据各有效特征元素,并训练得到产品质量事故分级模型,具体根据各有效特征元素与事故严重程度的相关程度,建立事故分级函数模型,通过事故分级函数模型分析得到质量事故产品的事故分级指标。
应理解的是,本实施例中利用卷积神经网络对产品质量事故图像进行分析。
应理解的是,本实施例中事故分级指标,具体通过对产品质量事故图像中的有效特征元素进行分析得到的量化数据,用于衡量有效特征元素反映的产品质量事故严重程度,为产品质量事故分级提供数据支持。
在一个具体的实施例中,根据产品质量事故图像数据对产品质量事故进行分级,将需要进行质量事故分级的产品标记为目标产品,提取目标产品的质量事故图像中的各有效特征元素,并根据上述图像熵值和图像对比度指标两个维度,对各有效特征元素进行量化处理,得到各有效特征元素的特征量化值,综合计算得到目标产品的事故分级指标,事故分级指标不仅可以通过对历史发生的质量事故进行总结,分析事故的原因、影响范围和处理措施,从而形成一套基于经验的质量事故分级体系,也可以根据事故的严重程度、影响范围、经济损失、社会影响等因素进行分级,还可以通过以下事故分级函数模型得到,具体函数方程为:,式中,/>表示目标产品的事故分级指标,/>表示第个有效特征元素的特征量化值,/>表示设定的第/>个有效特征元素对应的分级指标影响权重因子,/>表示各有效特征元素的编号,/>,/>表示有效特征元素的总数。
本实施例中,将目标产品的事故分级指标与设定的各事故分级指标区间对应的事故等级进行匹配,得到目标产品的事故等级。
在一个具体的实施例中,通过训练质量事故分级模型,利用卷积神经网络进行图像特征元素提取,对产品质量事故进行分级,通过质量事故分级模型对产品质量事故进行分级,降低人工判断带来的主观误差,提高质量事故评估结果的客观性和一致性。
参照图2所示,本发明第二方面提供了一种基于卷积神经网络的产品质量事故分级***,包括:质量事故分级模块、图像特征元素提取模块、分级模型训练模块和质量控制数据库。
所述质量事故分级模块,用于收集产品质量事故样本数据,将发生质量事故的产品标记为各质量事故产品,分析得到各质量事故产品的事故严重程度评估指数。
所述图像特征元素提取模块,用于提取各质量事故产品的各图像特征元素,并根据各质量事故产品的事故严重程度评估指数,分析得到各图像特征元素的事故相关程度评估值,并根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素。
所述分级模型训练模块,用于根据各有效特征元素,并训练得到产品质量事故分级模型,获取目标产品并通过产品质量事故分级模型进行产品质量事故分级。
所述质量控制数据库,用于存储产品质量事故样本数据,各事故严重程度评估指数区间对应的事故等级,相关程度评估阈值。
在一个具体的实施例中,通过提供一种基于卷积神经网络的产品质量事故分级方法及***,对质量事故产品的质量事故图片与初始图片进行比对,并分析产品质量事故造成的经济损失,对事故进行科学合理的分级,同时利用质量事故严重程度和图像特征元素进行模型训练,通过质量事故分级模型对产品质量事故进行分级,降低人工判断带来的主观误差,提高质量事故评估结果的客观性和一致性。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.一种基于卷积神经网络的产品质量事故分级方法,其特征在于,包括:
收集产品质量事故样本数据,将发生质量事故的产品标记为各质量事故产品,计算得到各质量事故产品的事故严重程度评估指数;
提取各质量事故产品的各图像特征元素,并根据各质量事故产品的事故严重程度评估指数,计算得到各图像特征元素的事故相关程度评估值,并根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素;
根据各有效特征元素训练得到产品质量事故分级模型,获取目标产品并通过产品质量事故分级模型进行产品质量事故分级;
所述计算得到各质量事故产品的事故严重程度评估指数,具体分析过程为:
根据产品质量事故样本数据,提取各质量事故产品的初始图像和质量事故图像,将各质量事故产品的初始图像和质量事故图像进行比对,计算得到各质量事故产品的损坏程度量化指标;
获取各质量事故产品的修复成本,并统计各质量事故产品的修复时间成本经处理计算得到各质量事故产品的影响程度量化指标;
综合计算得到各质量事故产品的事故严重程度评估指数;
所述计算得到各图像特征元素的事故相关程度评估值,具体分析过程为:
根据各质量事故产品的质量事故图像,经处理得到各质量事故产品的图像熵值和图像对比度指标,综合计算得到各质量事故产品的各图像特征元素的特征量化值;
根据各质量事故产品的事故严重程度评估指数和各质量事故产品的各图像特征元素的特征量化值,计算得到各图像特征元素的事故相关程度评估值;
所述各质量事故产品的事故严重程度评估指数,具体计算表达式为:
,
式中,表示第/>个质量事故产品的事故严重程度评估指数,/>表示自然常数,表示第/>个质量事故产品的损坏程度量化指标,/>表示第/>个质量事故产品的影响程度量化指标,/>表示设定的损坏程度量化指标对应的事故严重程度影响因子,/>表示设定的影响程度量化指标对应的事故严重程度影响因子;
所述各质量事故产品的各图像特征元素的特征量化值,具体计算表达式为:
,
式中,表示第/>个质量事故产品的第/>个图像特征元素的特征量化值,/>表示自然常数,/>表示第/>个质量事故产品的图像熵值,/>表示第/>个质量事故产品的图像对比度指标,/>表示设定的第/>个图像特征元素对应图像熵值的特征量化影响因子,/>表示设定的第/>个图像特征元素对应图像对比度指标的特征量化影响因子;
计算各质量事故产品的损坏程度量化指标,具体计算表达式为:,式中,/>表示第/>个质量事故产品的损坏程度量化指标,/>表示第/>个质量事故产品的质量事故图像第/>个像素点的像素值,表示第/>个质量事故产品的初始图像第/>个像素点的像素值,/>表示设定的允许偏差像素值,/>表示设定的产品损坏程度量化修正因子,/>表示各质量事故产品的编号,,/>表示质量事故产品的总数,/>表示各像素点的编号,,/>表示像素点的总数;
计算得到各质量事故产品的影响程度量化指标,具体计算表达式为:,式中,/>表示第/>个质量事故产品的影响程度量化指标,/>表示自然常数,/>表示第/>个质量事故产品的修复成本,/>表示第/>个质量事故产品的修复时间成本,/>表示预定义的临界修复成本,/>表示预定义的临界修复时间成本,/>表示设定的修复成本对应的影响程度量化权重因子,/>表示设定的修复时间成本对应的影响程度量化权重因子,表示设定的修复成本单位数值对应的影响程度量化权重因子,/>表示设定的修复时间成本单位数值对应的影响程度量化权重因子;
各图像特征元素的事故相关程度评估值,具体计算表达式为:,式中,/>表示第/>个图像特征元素的事故相关程度评估值,/>表示第/>个质量事故产品的事故严重程度评估指数,/>表示第/>个质量事故产品的第/>个图像特征元素的特征量化值,/>表示质量事故产品的平均事故严重程度评估指数,/>,/>表示第/>个图像特征元素的平均特征量化值,,/>表示设定的事故相关程度修正因子。
2.根据权利要求1所述的基于卷积神经网络的产品质量事故分级方法,其特征在于:通过对各质量事故产品的初始图像和质量事故图像进行比对分析得到量化评估数据,用于量化评估各质量事故产品的损坏程度,为质量事故分级提供数据依据。
3.根据权利要求1所述的基于卷积神经网络的产品质量事故分级方法,其特征在于:所述根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素,具体分析过程为:
将各图像特征元素的事故相关程度评估值与质量控制数据库中存储的相关程度评估阈值进行比对,若某图像特征元素的事故相关程度评估值大于或等于相关程度评估阈值,则将该图像特征元素标记为有效特征元素。
4.根据权利要求1所述的基于卷积神经网络的产品质量事故分级方法,其特征在于:通过对各质量事故产品的损坏程度量化指标和影响程度量化指标进行分析得到量化评估值,用于量化评估各质量事故产品的事故严重程度,为质量事故分级提供数据依据。
5.根据权利要求1所述的基于卷积神经网络的产品质量事故分级方法,其特征在于:通过从图像熵值和图像对比度指标两个维度对各图像特征元素进行量化分析得到的各图像特征元素量化数据,用于量化评估各图像特征元素的严重程度,为有效特征元素的筛选提供数据依据。
6.一种应用如权利要求1-5中任意一项所述基于卷积神经网络的产品质量事故分级方法的***,其特征在于:包括:
质量事故分级模块,用于收集产品质量事故样本数据,将发生质量事故的产品标记为各质量事故产品,分析得到各质量事故产品的事故严重程度评估指数;
图像特征元素提取模块,用于提取各质量事故产品的各图像特征元素,并根据各质量事故产品的事故严重程度评估指数,分析得到各图像特征元素的事故相关程度评估值,并根据各图像特征元素的事故相关程度评估值进行有效特征元素筛选,得到各有效特征元素;
分级模型训练模块,用于根据各有效特征元素,训练得到产品质量事故分级模型,获取目标产品并通过产品质量事故分级模型进行产品质量事故分级;
质量控制数据库,用于存储产品质量事故样本数据,各事故严重程度评估指数区间对应的事故等级,相关程度评估阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349918.0A CN117952482B (zh) | 2024-03-26 | 2024-03-26 | 一种基于卷积神经网络的产品质量事故分级方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349918.0A CN117952482B (zh) | 2024-03-26 | 2024-03-26 | 一种基于卷积神经网络的产品质量事故分级方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952482A CN117952482A (zh) | 2024-04-30 |
CN117952482B true CN117952482B (zh) | 2024-06-14 |
Family
ID=90796539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410349918.0A Active CN117952482B (zh) | 2024-03-26 | 2024-03-26 | 一种基于卷积神经网络的产品质量事故分级方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952482B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327108A (zh) * | 2016-10-11 | 2017-01-11 | 北京航空航天大学 | 一种基于故障机理与域间映射的产品质量事故分级方法 |
CN117726240A (zh) * | 2024-02-18 | 2024-03-19 | 中国标准化研究院 | 一种基于卷积神经网络的质量评价分类方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6470303B2 (en) * | 1998-02-04 | 2002-10-22 | Injury Sciences Llc | System and method for acquiring and quantifying vehicular damage information |
US8983168B2 (en) * | 2012-04-30 | 2015-03-17 | Ncr Corporation | System and method of categorising defects in a media item |
-
2024
- 2024-03-26 CN CN202410349918.0A patent/CN117952482B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327108A (zh) * | 2016-10-11 | 2017-01-11 | 北京航空航天大学 | 一种基于故障机理与域间映射的产品质量事故分级方法 |
CN117726240A (zh) * | 2024-02-18 | 2024-03-19 | 中国标准化研究院 | 一种基于卷积神经网络的质量评价分类方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117952482A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN111415492A (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及*** | |
CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及*** | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制***及其控制方法 | |
CN114679310A (zh) | 一种网络信息安全检测方法 | |
CN115713403A (zh) | 基于自编码神经网络的企业风险识别方法、装置及设备 | |
Sang et al. | Blind image quality assessment using a reciprocal singular value curve | |
CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及*** | |
CN110751170A (zh) | 面板质量检测方法、***、终端设备及计算机可读介质 | |
CN117952482B (zh) | 一种基于卷积神经网络的产品质量事故分级方法及*** | |
Gaata et al. | No-reference quality metric for watermarked images based on combining of objective metrics using neural network | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及*** | |
CN115482227A (zh) | 机器视觉自适应成像环境调整方法 | |
CN111985826B (zh) | 一种多指标工业产品的可视化质量分级方法和*** | |
CN114625781A (zh) | 一种基于商品住房价值的批量评估方法 | |
Zhang et al. | Nature scene statistics approach based on ICA for no-reference image quality assessment | |
CN116012634A (zh) | 一种带钢板形分类方法、装置、计算机介质和设备 | |
CN113239730A (zh) | 一种基于计算机视觉的结构虚假模态参数自动剔除方法 | |
CN112767365A (zh) | 一种探伤方法 | |
CN107704680B (zh) | 一种消费品安全伤害发生概率的计算方法 |
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 |