TWI840303B - 用於預測工件特性之模型的訓練方法及系統 - Google Patents
用於預測工件特性之模型的訓練方法及系統 Download PDFInfo
- Publication number
- TWI840303B TWI840303B TW112133946A TW112133946A TWI840303B TW I840303 B TWI840303 B TW I840303B TW 112133946 A TW112133946 A TW 112133946A TW 112133946 A TW112133946 A TW 112133946A TW I840303 B TWI840303 B TW I840303B
- Authority
- TW
- Taiwan
- Prior art keywords
- workpiece
- gray
- model
- level
- matrix
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 73
- 230000008569 process Effects 0.000 claims description 45
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 45
- 238000010801 machine learning Methods 0.000 claims description 29
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 14
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000007639 printing Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000009864 tensile test Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 229910052742 iron Inorganic materials 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 8
- 230000015572 biosynthetic process Effects 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 10
- 239000002184 metal Substances 0.000 description 10
- 229910052751 metal Inorganic materials 0.000 description 10
- 239000000843 powder Substances 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000009658 destructive testing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013526 supercooled liquid Substances 0.000 description 1
Landscapes
- General Factory Administration (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一種用於預測工件特性之模型的訓練方法及系統,該訓練方法一影像擷取步驟、一特徵值轉換步驟、一履歷形成步驟、一模型建立步驟及一評估步驟。透過記錄工件在製造過程中的各項數據以及利用影像處理從工件的影像中取得多個特徵值來整合成一產品履歷,以預測該工件的成品之特性,藉此提升該工件之品質管理的效果。
Description
本發明係關於一種訓練方法及系統,特別是關於一種用於預測工件特性之模型的訓練方法及系統。
選擇性雷射熔融(Selective Laser Melting)是利用高功率雷射透過光學聚焦於金屬粉末表面,使金屬粉末瞬間融化後瞬間固化,形成各式特殊形狀,其為金屬積層製造製程中的關鍵技術,在製程良率控制也扮演重要的角色。
然而,金屬粉末在形成各式特殊形狀的過程中,由於金屬粉末的表面是熔融狀態,中心部以過冷液體狀態在基材表面上碰撞,使得熔融後的金屬粉從熔池(melt pool)噴濺到周圍的區域,產生的薄薄擴散的飛濺狀部分的濺點疊層,進而影響成品之品質。在傳統的製程中,若想得知成品之品質好壞,則需要等到成品印製完畢,再經由特殊儀器量測,才會得知成品之品質。這樣的方法不僅耗時也耗材,同時,如果需要使用破壞性檢測,也會導致成品的損壞。
因此,為克服現有技術中的缺點和不足,本發明有必要提供改良的一種用於預測工件特性之模型的訓練方法,以解決上述習用技術所存在的問題。
本發明之主要目的在於提供一種用於預測工件特性之模型的訓練方法及系統,透過記錄工件在製造過程中的各項數據以及利用影像處理從工件的影像中取得多個特徵值來整合成一產品履歷,以預測該工件的成品之特性,藉此提升該工件之品質管理的效果。
為達上述之目的,本發明提供一種用於預測工件特性之模型的訓練方法,該訓練方法一影像擷取步驟、一特徵值轉換步驟、一履歷形成步驟、一模型建立步驟及一評估步驟,在該影像擷取步驟中,在透過一機台形成一工件的一列印過程中,利用一感光耦合元件取得該工件的多個逐層影像;在該特徵值轉換步驟中,利用一轉換模組透過一灰階共生矩陣來進行計算,以獲得該等逐層影像的多個特徵值,該灰階共生矩陣之方程式為:
其中
為灰階共生矩陣,
為參考像素的灰階值,
為相鄰像素的灰階值,每一逐層影像
的大小為
,
為該灰階共生矩陣之列,
為列位移,
為該灰階共生矩陣之行,
為行位移(請確認參數名稱是否正確);在該履歷形成步驟中,利用一整合模組將該等特徵值以及該工件在該列印過程中的多個製程參數整合在一起,以形成該工件的一產品履歷;在該模型建立步驟中,利用一機器學習模組對該工件的該產品履歷進行處理,以產生一訓練模型;在該評估步驟中,利用一評估模組透過一模型評估指標來評估該訓練模型是否為一最佳模型,若是,則回報一結果,若否,則重新執行上述步驟。
在本發明之一實施例中,在該特徵值轉換步驟中,該灰階共生矩陣的一影像灰階值設定為256,該灰階共生矩陣的像素相對位置為全方向,該灰階共生矩陣的像素之間距離為1。
在本發明之一實施例中,在該特徵值轉換步驟中,以該灰階共生矩陣的中心為圓心,該全方向包含該圓心的
方向、該圓心的
方向、該圓心的
方向及該圓心的
方向。
在本發明之一實施例中,在該特徵值轉換步驟中,該灰階共生矩陣的該等特徵值包含:計算該灰階共生矩陣之
方向及
方向的一影像灰階平均;計算該灰階共生矩陣之
方向及
方向的一影像灰階變異數;計算該灰階共生矩陣之
方向及
方向的一影像灰階標準差;該灰階共生矩陣之紋理特徵值的一均勻性;該灰階共生矩陣之紋理特徵值的一隨機及變化性;該灰階共生矩陣之影像的一對比度;該灰階共生矩陣之紋理特徵值的一細緻及粗糙程度;該灰階共生矩陣之影像局部的一變化強度;及該灰階共生矩陣之紋理特徵值的一同質性。
在本發明之一實施例中,在該模型建立步驟之前,該方法另包含一資料預處理步驟,在該資料預處理步驟中,透過該機器學習模組移除該工件的該產品履歷的極端值。
在本發明之一實施例中,在該資料預處理步驟中,該機器學習模組利用一相互資訊對該工件的該產品履歷進行特徵選擇,以獲得最優特徵子集,其中該相互資訊的方程式為:
其中
及
為隨機變數,
及
分別表示
及
的邊際機率質量函數,
表示
及
的聯合機率質量函數。
在本發明之一實施例中,在該資料預處理步驟中,設定該機器學習模組的一超參數範圍。
在本發明之一實施例中,在該影像擷取步驟中,該等逐層影像的工件包含多個拉伸試驗棒及多個環狀試片,該拉伸試驗棒用於檢測一拉伸強度,該環狀試片用於檢測一導磁率及一鐵損。
在本發明之一實施例中,在該模型建立步驟中,該機器學習模組是採用梯度提升決策樹進行演算。
為達上述之目的,本發明提供一種用於預測工件特性之模型的訓練系統,該訓練系統包括一感光耦合元件、一轉換模組、一整合模組、一機器學習模組及一評估模組,其中該感光耦合元件配置為在透過一機台形成一工件的一列印過程中取得該工件的多個逐層影像;該轉換模組配置為透過一灰階共生矩陣來進行計算,以獲得該等逐層影像的多個特徵值,該灰階共生矩陣之方程式為:
其中
為灰階共生矩陣,
為參考像素的灰階值,
為相鄰像素的灰階值,每一逐層影像
的大小為
,
為該灰階共生矩陣之列,
為列位移,
為該灰階共生矩陣之行,
為行位移;該整合模組配置為將該等特徵值以及該工件在該列印過程中的多個製程參數整合在一起,以形成該工件的一產品履歷;該機器學習模組配置為對該工件的該產品履歷進行處理,以產生一訓練模型;該評估模組配置為透過一模型評估指標來評估該訓練模型是否為一最佳模型,並回報一結果。
如上所述,本發明用於預測工件特性之模型的訓練方法及系統著重於預測該工件在製程中的品質,主要透過記錄該工件在製造過程中的各項數據以及利用影像處理從該工件的影像中取得多個特徵值來整合成該產品履歷,接著使用機器學習利用該等特徵值,預測該工件的成品之特性,藉此在製程階段就可以預測該工件的材料特性,以提早汰換不合格的工件,節省時間成本,也可以減少金屬粉末的使用量,且可以避免破壞性檢測的使用,維持成品的完整性。
為了讓本發明之上述及其他目的、特徵、優點能更明顯易懂,下文將特舉本發明實施例,並配合所附圖式,作詳細說明如下。再者,本發明所提到的方向用語,例如上、下、頂、底、前、後、左、右、內、外、側面、周圍、中央、水平、橫向、垂直、縱向、軸向、徑向、最上層或最下層等,僅是參考附加圖式的方向。因此,使用的方向用語是用以說明及理解本發明,而非用以限制本發明。
請參照圖1所示,為根據本發明一實施例的一種用於預測工件特性之模型的訓練系統,該訓練系統包括一感光耦合元件2、一轉換模組3、一整合模組4、一機器學習模組5及一評估模組6,其中利用金屬積層製造之一機台來形成至少一工件,本發明將於下文詳細說明各元件的細部構造、組裝關係及其運作原理。
請參照圖1及圖3所示,該感光耦合元件2安裝在該機台上,而且該感光耦合元件2配置為在透過該機台形成該工件的一列印過程中取得該工件的多個逐層影像101,該等逐層影像101為該列印過程中列印該工件之每一層的影像。在本實施例中,該等逐層影像101的工件包含多個拉伸試驗棒102及多個環狀試片103,其中該拉伸試驗棒102用於檢測一拉伸強度,該環狀試片103用於檢測一導磁率及一鐵損。
續參照圖1及圖3所示,該轉換模組3電性連接該感光耦合元件2,而且該轉換模組3配置為透過一灰階共生矩陣來進行計算,以獲得該等逐層影像101的多個特徵值,該灰階共生矩陣之方程式為:
其中
為灰階共生矩陣,
為參考像素的灰階值,
為相鄰像素的灰階值,每一逐層影像
的大小為
,
為該灰階共生矩陣之列,
為像素之間列方向位移,
為該灰階共生矩陣之行,
為像素之間行方向位移。
請參照圖1及圖3所示,該整合模組4電性連接該轉換模組3,而且該整合模組4配置為接收該等逐層影像101的該等特徵值,並且將該等特徵值以及該工件在該列印過程中的多個製程參數(例如氧濃度、雷射功率、雷射掃描速度、線間距及能量密度)整合在一起,以形成該工件的一產品履歷。
請參照圖1所示,該機器學習模組5電性連接該整合模組4,該機器學習模組5配置為接收該工件的該產品履歷,並且對該工件的該產品履歷進行處理,以產生一訓練模型。
續參照圖1所示,該評估模組6電性連接該機器學習模組5,該評估模組6配置為透過一模型評估指標來評估該訓練模型是否為一最佳模型,並回報一結果。
依據上述的設計,本發明用於預測工件特性之模型的訓練系統透過該整合模組4來形成該工件的該產品履歷,以紀錄及描述積層製造該工件之製程中的各項數據,其中所述各項數據由多個製程參數及製程中的該等逐層影像101的特徵值組合而成,該等製程參數主要是輸入到該機台的參數設定,該等特徵值則是在該機台中安裝該感光耦合元件2進行製程中的該等逐層影像101擷取,並且透過影像處理產生一系列影像的特徵值,藉此用來描述該工件的紋理特徵。接著使用該機器學習模組5針對該工件的產品履歷對其材料特性進行預測,使該工件可以在積層製造的製程階段即可獲知該工件的材料特性,以達到提升該工件之品質管理的效果。
如上所述,本發明用於預測工件特性之模型的訓練系統著重於提升該工件在製程過程中的預測品質(例如拉伸強度、導磁率及鐵損),主要透過記錄該工件在製造過程中的各項數據以及利用影像處理從該工件的影像中取得多個特徵值來整合成該產品履歷,接著使用機器學習利用該等特徵值,預測該工件的成品之特性,藉此在製程階段就可以預測該工件的材料特性,以提早汰換不合格的工件,節省時間成本,也可以減少金屬粉末的使用量,且可以避免破壞性檢測的使用,維持成品的完整性。
請參照圖2並配合圖1及圖3所示,為依據本發明一實施例的一種用於預測工件特性之模型的訓練方法,該訓練方法是依據上述實施例的訓練系統進行操作,其中該訓練方法包括一影像擷取步驟S201、一特徵值轉換步驟S202、一履歷形成步驟S203、一資料預處理步驟S204、一模型建立步驟S205及一評估步驟S206。本發明將於下文詳細說明各步驟的關係及其運作原理。
續參照圖2並配合圖1及圖3所示,在該影像擷取步驟S201中,在透過一機台形成一工件的一列印過程中,利用一感光耦合元件2取得該工件的多個逐層影像101。在本實施例中,該等逐層影像101的工件包含多個拉伸試驗棒102及多個環狀試片103,其中該拉伸試驗棒102用於檢測一拉伸強度,該環狀試片103用於檢測一導磁率及一鐵損。
續參照圖2並配合圖1及圖2所示,在該特徵值轉換步驟S202中,利用一轉換模組3透過一灰階共生矩陣來進行計算,以獲得該等逐層影像101的多個特徵值,該灰階共生矩陣之方程式為:
其中
為灰階共生矩陣,
為參考像素的灰階值,
為相鄰像素的灰階值,每一逐層影像
的大小為
,
為該灰階共生矩陣之列,
為像素之間列方向位移,
為該灰階共生矩陣之行,
為像素之間行方向位移。
在本實施例中,該灰階共生矩陣的一影像灰階值設定為256,或0至255,該灰階共生矩陣的像素相對位置為全方向,該灰階共生矩陣的像素之間距離為1。示例地,以該灰階共生矩陣的中心為圓心,該全方向包含該圓心的
方向(
)、該圓心的
方向(
)、該圓心的
方向(
)及該圓心的
方向(
)。
具體來說,該灰階共生矩陣的該等特徵值包含:
(1)計算該灰階共生矩陣之
方向的一水平影像灰階平均
及
方向的一垂直影像灰階平均
,
為計算灰階共生矩陣時使用的灰階大小,其中該水平影像灰階平均
及該垂直影像灰階平均
的方程式為:
(2)計算該灰階共生矩陣之
方向的一水平影像灰階變異數
及
方向的一垂直影像灰階變異數
,其中該水平影像灰階變異數
及該垂直影像灰階變異數
的方程式為:
(3)計算該灰階共生矩陣之
方向的一水平影像灰階標準差
及
方向的一垂直影像灰階標準差
,其中該水平影像灰階標準差
及該垂直影像灰階標準差
的方程式為:
(4)該灰階共生矩陣之紋理特徵值的能量
,即均勻性(homogeneous patterns),其中該能量
的方程式為:
(5)該灰階共生矩陣之紋理特徵值的熵
,即隨機(randomness)及變化性(variability),其中該熵
的方程式為:
(6)該灰階共生矩陣之影像的對比度
,其中該對比度
的方程式為:
(7)該灰階共生矩陣之紋理特徵值的自相關
,即細緻(fineness)及粗糙(coarseness)程度,其中該自相關
的方程式為:
(8)該灰階共生矩陣之影像局部的相關性
及相異性
,即變化強度,該相關性
及相異性
的方程式為:
(9)該灰階共生矩陣之紋理特徵值的一同質性
,其中該同質性
的方程式為:
續參照圖2並配合圖1所示,在該履歷形成步驟S203中,利用一整合模組4將該等特徵值以及該工件在該列印過程中的多個製程參數整合在一起,以形成該工件的一產品履歷,其中該產品履歷的格式如下所示,將所有的製程參數
及紋理特徵
放置輸入的矩陣中,並且每一組的製程參數及紋理特徵會對應至一個成品特性
。
續參照圖2並配合圖1所示,在該資料預處理步驟S204中,透過一機器學習模組5移除該工件的該產品履歷的極端值,以保留最相關的特徵值。在本實施例中,該機器學習模組5利用一相互資訊對該工件的該產品履歷進行特徵選擇,以獲得最優特徵子集,也就是最相關的前 k 種特徵值, k 的範圍為 5 至 18。最後,只保留最相關的特徵值,其餘的都會被移除。該相互資訊的方程式為:
其中
及
為隨機變數,
及
分別表示
及
的邊際機率質量函數,
表示
及
的聯合機率質量函數。
另外,設定該機器學習模組5的一超參數範圍。在本實施例中,該機器學習模組5使用隨機搜索(Random Search)來尋找最佳超參數,隨機搜索是一種超參數優化方法,也是一種替代網格搜索的方法。不同於網格搜索,隨機搜索不是對所有可能的超參數組合進行搜索,而是從超參數的取值範圍中隨機選取一些組合進行模型訓練和評估,最終選擇性能最好的超參數組合作為最佳組合,隨機搜索的搜尋範圍為:學習速率: [0.1, 0.15, 0.2, 0.25, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5];決策樹最大深度:[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15];節點數:[100, 500, 1000];及特徵值數量:5~18。
續參照圖2並配合圖1所示,在該模型建立步S205驟中,利用該機器學習模組5對該工件的該產品履歷進行處理,以產生一訓練模型;在本實施例中,該機器學習模組5是採用梯度提升決策樹進行演算。
進一步來說,利用該特徵選擇,從該工件的產品履歷的資料中挑選和成品特性最相關的前 k 個特徵值,作為該訓練模型的訓練資料集,接著對該模型進行訓練的部分則是透過 XGBoost 模型,可以分別預測該等拉伸試驗棒102的拉伸強度以及該等環狀試片103的磁導率及鐵損。
續參照圖2並配合圖1所示,在該評估步驟S206中,利用一評估模組6透過一模型評估指標來評估該訓練模型是否為一最佳模型,若是,則回報一結果,若否,則重新執行上述步驟。
進一步來說,該評估模組6評估該訓練模型是透過決定係數 (
)、均方誤差(MSE)及平均絕對誤差(MAE)作為判斷該訓練模型之準度的依據。最後可以發現,對於該工件的成品特性,透過本發明的訓練方法所產生預測工件特性之模型所得到的結果都很精準,該工件之成品特性的誤差都可以約在 10% 以內。
依據上述的內容,本發明用於預測工件特性之模型的訓練方法透過該整合模組4來形成該工件的該產品履歷,以紀錄及描述積層製造該工件之製程中的各項數據,其中所述各項數據由多個製程參數及製程中的該等逐層影像101的特徵值組合而成,該等製程參數主要是輸入到該機台的參數設定,該等特徵值則是在該機台中安裝該感光耦合元件2進行製程中的該等逐層影像101擷取,並且透過影像處理產生一系列影像的特徵值,藉此用來描述該工件的紋理特徵。接著使用該機器學習模組5針對該工件的產品履歷對其材料特性進行預測,使該工件可以在積層製造的製程階段即可獲知該工件的材料特性,以達到提升該工件之品質管理的效果。
如上所述,本發明用於預測工件特性之模型的訓練方法著重於提升該工件在製程過程中的預測品質(例如拉伸強度、導磁率及鐵損),主要透過記錄該工件在製造過程中的各項數據以及利用影像處理從該工件的影像中取得多個特徵值來整合成該產品履歷,接著使用機器學習利用該等特徵值,預測該工件的成品之特性,藉此在製程階段就可以預測該工件的材料特性,以提早汰換不合格的工件,節省時間成本,也可以減少金屬粉末的使用量,且可以避免破壞性檢測的使用,維持成品的完整性。
儘管已經在系統的上下文中描述了一些態樣,但是應當理解的是,所述方面也表示對應方法的描述,因此,系統的方塊或結構元件也應被理解為相應的方法步驟或方法步驟的特徵。以此類推,已經在方法步驟的上下文中或作為方法步驟描述的方面也表示對相應設備的相應方塊或細節或特徵的描述。一些或所有的方法步驟可以在使用如微處理器、可編程電腦或電子電路的硬體設備時執行。在一些實施例中,一些或幾個最重要的方法步驟可以由這樣的設備來執行。
根據具體的實現需求,本發明的實施例可以用硬體實現,也可以用軟體實現。可以在使用數位儲存介質時實現實施,例如軟碟機、DVD、藍光磁碟機、CD、ROM、PROM、EPROM、EEPROM或FLASH儲存器、硬碟或任何其他磁或光學儲存器,其具有儲存在其中的電子可讀控制訊號,其可以與可編程電腦系統合作,或協作,使得相應的方法被執行。這就是為什麼數位儲存介質可以是電腦可讀的。因此,根據本發明的一些實施例包括數據載體,其包括能夠與可編程電腦系統協作,以便執行本文描述的任何方法的電子可讀控制訊號。通常,本發明的實施例可以實現為具有程序代碼的電腦程式產品,當電腦程式產品在電腦上運行時,程式代碼可有效執行任何方法。例如,程式代碼也可以儲存在機器可讀的載體上。其他實施例包括用於執行本文所述的任何方法的電腦程式,該電腦程式儲存在機器可讀載體上。換句話說,本發明方法的一個實施例是一種電腦程式,其具有用於執行本文描述的任何方法的程式代碼,當電腦程式在電腦上運行時。因此,本發明方法的另一個實施例是一種數據載體(或數位儲存介質或電腦可讀介質),其中記錄了用於執行此處描述的任何方法的電腦程式。數據載體、數位儲存介質或記錄介質通常是有形的或非易失性的。因此,本發明方法的另一個實施例是數據流或訊號序列,表示用於執行此處描述的任何方法的電腦程式。數據流或訊號序列可以被配置為例如經由數據通信鏈路傳輸,例如經由網路傳輸。進一步的實施例包括處理單元,例如電腦或可編程邏輯設備,配置為或適於執行本文描述的任何方法。進一步的實施例包括電腦,在電腦上安裝了用於執行本文描述的任何方法的電腦程式。
根據本發明的另一實施例包括一種裝置或系統,該裝置或系統被配置成將用於執行這裡描述的方法中的至少一個的電腦程式傳輸到接收器。例如,傳輸可以是電學的或光學的。例如,接收器可以是電腦、移動裝置、儲存裝置或類似裝置。例如,裝置或系統可以包括用於將電腦程序傳輸到接收器的文件伺服器。在一些實施例中,可編程邏輯裝置(例如現場可編程門陣列,FPGA)可以用於執行本文描述的方法的一些或所有功能。在一些實施例中,現場可編程門陣列可以與微處理器協作以執行本文描述的任何方法。通常,在一些實施例中,這些方法由任何硬體設備執行。所述硬體設備可以是電腦處理器(CPU)等任何通用的硬體,也可以是ASIC等方法專用的硬體。
雖然本發明已以實施例揭露,然其並非用以限制本發明,任何熟習此項技藝之人士,在不脫離本發明之精神和範圍內,當可作各種更動與修飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
101:逐層影像
102:拉伸試驗棒
103:環狀試片
2:感光耦合元件
3:轉換模組
4:整合模組
5:機器學習模組
6:評估模組
S201:影像擷取步驟
S202:特徵值轉換步驟
S203:履歷形成步驟
S204:資料預處理步驟
S205:模型建立步驟
S206:評估步驟
圖1是依據本發明一實施例的一種用於預測工件特性之模型的訓練系統的示意圖。
圖2是依據本發明一實施例的一種用於預測工件特性之模型的訓練方法的流程圖。
圖3是依據本發明一實施例的一種用於預測工件特性之模型的訓練方法的逐層影像的示意圖。
S201:影像擷取步驟
S202:特徵值轉換步驟
S203:履歷形成步驟
S204:資料預處理步驟
S205:模型建立步驟
S206:評估步驟
Claims (10)
- 一種用於預測工件特性之模型的訓練方法,該訓練方法包括: 一影像擷取步驟,在透過一機台形成一工件的一列印過程中,利用一感光耦合元件取得該工件的多個逐層影像; 一特徵值轉換步驟,利用一轉換模組透過一灰階共生矩陣來進行計算,以獲得該等逐層影像的多個特徵值,該灰階共生矩陣之方程式為: 其中 為灰階共生矩陣, 為參考像素的灰階值, 為相鄰像素的灰階值,每一逐層影像 的大小為 , 為該灰階共生矩陣之列, 為列位移, 為該灰階共生矩陣之行, 為行位移; 一履歷形成步驟,利用一整合模組將該等特徵值以及該工件在該列印過程中的多個製程參數整合在一起,以形成該工件的一產品履歷; 一模型建立步驟,利用一機器學習模組對該工件的該產品履歷進行處理,以產生一訓練模型;及 一評估步驟,利用一評估模組透過一模型評估指標來評估該訓練模型是否為一最佳模型,若是,則回報一結果,若否,則重新執行上述步驟。
- 如請求項1所述之用於預測工件特性之模型的訓練方法,在該特徵值轉換步驟中,該灰階共生矩陣的一影像灰階值設定為256,該灰階共生矩陣的像素相對位置為全方向,該灰階共生矩陣的像素之間距離為1。
- 如請求項2所述之用於預測工件特性之模型的訓練方法,在該特徵值轉換步驟中,以該灰階共生矩陣的中心為圓心,該全方向包含該圓心的 方向、該圓心的 方向、該圓心的 方向及該圓心的 方向。
- 如請求項1所述之用於預測工件特性之模型的訓練方法,在該特徵值轉換步驟中,該灰階共生矩陣的該等特徵值包含: 計算該灰階共生矩陣之 方向及 方向的一影像灰階平均; 計算該灰階共生矩陣之 方向及 方向的一影像灰階變異數; 計算該灰階共生矩陣之 方向及 方向的一影像灰階標準差; 該灰階共生矩陣之紋理特徵值的一均勻性; 該灰階共生矩陣之紋理特徵值的一隨機及變化性; 該灰階共生矩陣之影像的一對比度; 該灰階共生矩陣之紋理特徵值的一細緻及粗糙程度; 該灰階共生矩陣之影像局部的一變化強度;及 該灰階共生矩陣之紋理特徵值的一同質性。
- 如請求項1所述之用於預測工件特性之模型的訓練方法,在該模型建立步驟之前,該方法另包含一資料預處理步驟,在該資料預處理步驟中,透過該機器學習模組移除該工件的該產品履歷的極端值。
- 如請求項5所述之用於預測工件特性之模型的訓練方法,在該資料預處理步驟中,該機器學習模組利用一相互資訊對該工件的該產品履歷進行特徵選擇,以獲得最優特徵子集,其中該相互資訊的方程式為: 其中 及 為隨機變數, 及 分別表示 及 的邊際機率質量函數, 表示 及 的聯合機率質量函數。
- 如請求項4所述之用於預測工件特性之模型的訓練方法,在該資料預處理步驟中,設定該機器學習模組的一超參數範圍。
- 如請求項1所述之用於預測工件特性之模型的訓練方法,在該影像擷取步驟中,該等逐層影像的工件包含多個拉伸試驗棒及多個環狀試片,該拉伸試驗棒用於檢測一拉伸強度,該環狀試片用於檢測一導磁率及一鐵損。
- 如請求項1所述之用於預測工件特性之模型的訓練方法,在該模型建立步驟中,該機器學習模組是採用梯度提升決策樹進行演算。
- 一種用於預測工件特性之模型的訓練系統,該訓練系統包括: 一感光耦合元件,配置為在透過一機台形成一工件的一列印過程中取得該工件的多個逐層影像; 一轉換模組,配置為透過一灰階共生矩陣來進行計算,以獲得該等逐層影像的多個特徵值,該灰階共生矩陣之方程式為: 其中 為灰階共生矩陣, 為參考像素的灰階值, 為相鄰像素的灰階值,每一逐層影像 的大小為 , 為該灰階共生矩陣之列, 為列位移, 為該灰階共生矩陣之行, 為行位移; 一整合模組,配置為將該等特徵值以及該工件在該列印過程中的多個製程參數整合在一起,以形成該工件的一產品履歷; 一機器學習模組,配置為對該工件的該產品履歷進行處理,以產生一訓練模型;及 一評估模組,配置為透過一模型評估指標來評估該訓練模型是否為一最佳模型,並回報一結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112133946A TWI840303B (zh) | 2023-09-06 | 2023-09-06 | 用於預測工件特性之模型的訓練方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112133946A TWI840303B (zh) | 2023-09-06 | 2023-09-06 | 用於預測工件特性之模型的訓練方法及系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWI840303B true TWI840303B (zh) | 2024-04-21 |
Family
ID=91618856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112133946A TWI840303B (zh) | 2023-09-06 | 2023-09-06 | 用於預測工件特性之模型的訓練方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI840303B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI578092B (zh) * | 2015-08-06 | 2017-04-11 | 國立成功大學 | 口腔檢測裝置 |
TWM604988U (zh) * | 2020-08-10 | 2020-12-01 | 固德科技股份有限公司 | 應用於動態影像之智能監控系統 |
CN113711587A (zh) * | 2019-02-07 | 2021-11-26 | 奇跃公司 | 具有无源深度提取的轻型交叉显示设备 |
EP3933528A1 (en) * | 2020-06-30 | 2022-01-05 | Atos Spain S.A. | Predicting system in additive manufacturing process by machine learning algorithms |
-
2023
- 2023-09-06 TW TW112133946A patent/TWI840303B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI578092B (zh) * | 2015-08-06 | 2017-04-11 | 國立成功大學 | 口腔檢測裝置 |
CN113711587A (zh) * | 2019-02-07 | 2021-11-26 | 奇跃公司 | 具有无源深度提取的轻型交叉显示设备 |
EP3933528A1 (en) * | 2020-06-30 | 2022-01-05 | Atos Spain S.A. | Predicting system in additive manufacturing process by machine learning algorithms |
TWM604988U (zh) * | 2020-08-10 | 2020-12-01 | 固德科技股份有限公司 | 應用於動態影像之智能監控系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Forkan et al. | CorrDetector: A framework for structural corrosion detection from drone images using ensemble deep learning | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN117437201A (zh) | 一种基于改进YOLOv7的道路裂缝检测方法 | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和*** | |
TWI840303B (zh) | 用於預測工件特性之模型的訓練方法及系統 | |
US11682112B2 (en) | Inspection device and machine learning method | |
Li et al. | Real-time instance-level detection of asphalt pavement distress combining space-to-depth (SPD) YOLO and omni-scale network (OSNet) | |
CN114926826A (zh) | 场景文本检测*** | |
Li et al. | A reliable solder joint inspection method based on a light-weight point cloud network and modulated loss | |
CN107424155A (zh) | 一种面向光场重聚焦图像的聚焦分割方法 | |
JP2020064364A (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
JP7404817B2 (ja) | 学習装置、検出装置、学習方法、及び学習プログラム | |
Tao et al. | Utilization of both machine vision and robotics technologies in assisting quality inspection and testing | |
Xue et al. | Detection of Various Types of Metal Surface Defects Based on Image Processing. | |
CN114419078B (zh) | 基于卷积神经网络的表面缺陷区域分割方法及装置 | |
CN116977256A (zh) | 缺陷检测模型的训练方法、装置、设备及存储介质 | |
WO2021171411A1 (ja) | 対象領域検出装置、対象領域検出方法、及び対象領域検出プログラム | |
Qiu et al. | Improved CNN Prediction Based Reversible Data Hiding | |
JP2021114257A (ja) | 品質予測装置、品質予測方法、品質予測プログラム、学習装置、および学習済みモデル | |
CN116787017B (zh) | 水轮机座环焊接机器人的控制方法及其*** | |
CN114324361B (zh) | 一种金相组织劣化评级方法及装置 | |
Shi et al. | Structure Context Based Pixel-Level Damage Detection for Rubber Bearing |