零件异常检测方法、装置、设备及存储介质与流程

1.本技术涉及零件检测领域，尤其涉及一种零件异常检测方法、装置、设备及存储介质。


背景技术：

2.生产中的塑料件中间有气泡、有杂质或者有裂痕，会导致塑料件整体硬度、柔韧度发生变化，如果超出设计要求范围，则会导致塑料件质量较差，塑料件在实际使用中不满足使用年限，导致不必要的用户投诉。
3.现有的对塑料件的检测方法，使用x光等对人体有害的射线能够检测出塑料件内部的异常状态，但是危害人体健康。


技术实现要素：

4.本技术提供了一种零件异常检测方法、装置、设备及存储介质，用以解决无法在保证人体安全的情况下检测出塑料零件是否异常的问题。
5.第一方面，本技术实施例提供了一种零件异常检测方法，包括：
6.获取预设时间段内的微波可穿透零件反射的回波信号信息；
7.提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
8.可选地，所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态，包括：
9.将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征；
10.将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
11.可选地，所述将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态，包括：
12.将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；
13.将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；
14.将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；
15.根据所述整体输出特征，获得所述异常状态。
16.可选地，所述将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征，包括：
17.根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。
18.可选地，所述根据所述整体输出特征，获得所述异常状态，包括：
19.计算所述整体输出特征属于各个异常状态的概率；
20.将概率最大的异常状态作为目标异常状态。
21.可选地，所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态之前，所述方法还包括：
22.将所述回波信号信息进行卡尔曼滤波，去除噪声数据。
23.第二方面，本技术实施例提供了一种零件异常检测系统，包括微波雷达发射组件、微波雷达接收组件和处理组件；
24.所述微波雷达发射组件，用于向微波可穿透零件发射微波雷达信号；
25.所述微波雷达接收组件，用于接收预设时间段内的微波可穿透零件反射的回波信号信息，并将所述回波信号信息发送至处理组件；
26.所述处理组件，用于获取所述微波雷达接收组件发送的回波信号信息；提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
27.第三方面，本技术实施例提供了一种零件异常检测装置，包括：
28.获取模块，用于获取预设时间段内的微波可穿透零件反射的回波信号信息；
29.处理模块，用于提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
30.可选地，所述处理模块包括第一处理子模块和第二处理子模块；
31.所述第一处理子模块，用于将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征；
32.所述第二处理子模块，用于将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
33.可选地，所述第二处理子模块包括第一处理单元、第二处理单元、整合单元和第三处理单元；
34.所述第一处理单元，用于将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；
35.所述第二处理单元，用于将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；
36.所述整合单元，用于将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；
37.所述第三处理单元，用于根据所述整体输出特征，获得所述异常状态。
38.可选地，所述整合单元，用于根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。
39.可选地，所述第三处理单元包括计算子单元和处理子单元；
40.所述计算子单元，用于计算所述整体输出特征属于各个异常状态的概率；
41.所述处理子单元，用于将概率最大的异常状态作为目标异常状态。
42.可选地，所述零件异常检测装置还包括滤波模块；
43.所述滤波模块，用于将所述回波信号信息进行卡尔曼滤波，去除噪声数据。
44.第四方面，本技术实施例提供了一种电子设备，包括：处理器、存储器和通信总线，其中，处理器和存储器通过通信总线完成相互间的通信；
45.所述存储器，用于存储计算机程序；
46.所述处理器，用于执行所述存储器中所存储的程序，实现第一方面所述的零件异常检测方法。
47.第五方面，本技术实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的零件异常检测方法。
48.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：本技术实施例提供的该方法，获取预设时间段内的微波可穿透零件反射的回波信号信息，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。相对于现有技术中使用x光等对人体有害的射线能够检测出塑料件内部的异常状态，但是危害人体健康，由于塑料零件属于微波可穿透零件，本技术实施例中微波雷达信号能够穿透微波可穿透零件，通过微波可穿透零件反射的回波信号信息能够确定微波可穿透零件内部的异常状态，而且微波雷达信号不会危害人体健康，解决了无法在保证人体安全的情况下检测出塑料零件是否异常的问题。
附图说明
49.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
50.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
51.图1为本技术实施例中零件异常检测方法的流程示意图；
52.图2为本技术一个具体实施例中卷积神经网络模型和前后向长短期记忆网络模型组合后的结构示意图；
53.图3为本技术一个具体实施例中获得前后向长短期记忆网络模型输出的异常状态的方法流程示意图；
54.图4为本技术一个具体实施例中零件异常检测方法的流程示意图；
55.图5为本技术实施例中零件异常检测装置的结构示意图；
56.图6为本技术实施例中电子设备的结构示意图。
具体实施方式
57.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
58.本技术实施例中，提供了一种零件异常检测方法，该方法应用于零件异常检测系统的处理组件。
59.本技术实施例中，如图1所示，零件异常检测的方法流程主要包括：
60.步骤101，获取预设时间段内的微波可穿透零件反射的回波信号信息。
61.其中，微波可穿透零件是指能够被微波雷达信号穿透的零件，而不是微波雷达接触到零件表面就被反射的零件。微波雷达信号能够检测到微波可穿透零件内部情况。微波可穿透零件可以是塑料零件，可以是玻璃零件，也可以是瓷器，只要能够被微波雷达信号穿透即可。
62.回波信号信息由微波雷达接收模块采集得到。回波信号信息包括回波信号的点云数据，点云数据包括微波可穿透零件中每个点的三维坐标。根据需要，点云数据还可以包括其他信息，例如，每个点的回波信号强度信息，每个点的rgb信息等，本技术并不对点云数据包括的信息作出限定。
63.构建微波雷达天线阵列，微波雷达天线阵列中的发射模块发射微波雷达信号，微波雷达信号穿透微波可穿透零件后反射，形成回波信号。微波雷达天线阵列的接收模块接收反射的回波信号信息，并将回波信号信息发送至零件异常检测系统的处理组件。
64.预设时间段可以是经验值，也可以是用户设定的数值。例如，预设时间段为1分钟，2分钟等，能够至少两次收集到微波可穿透零件中每个点的点云数据，能够绘制出至少两个点云图即可，收集到微波可穿透零件中每个点的点云数据的次数越多，最后获得的微波可穿透零件的异常状态就越准确。
65.步骤102，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。
66.其中，异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
67.其中，回波信号信息的特征可以是根据回波信号的点云数据绘制的点云图。
68.一个具体实施例中，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态，包括：将回波信号信息输入至卷积神经网络模型，获得卷积神经网络模型输出的回波信号信息的特征；将回波信号信息的特征输入至前后向长短期记忆网络模型，获得前后向长短期记忆网络模型输出的异常状态。
69.其中，卷积神经网络(convolutional neural networks,cnn)模型能够准确提取回波信号信息的特征。
70.前后向长短期记忆网络(bi
‑
directional long short
‑
term memory，bilstm)模型，能够根据回波信号信息的特征，准确识别到微波可穿透零件的异常部位以及异常状态。
71.一个具体实施例中，如图2所示，为卷积神经网络模型和前后向长短期记忆网络模型组合后的结构示意图。
72.将预设时间段内每个时刻采集到的回波信号的点云数据(x1，x2，
……
，x
t
)输入至卷积神经网络，其中，t表示采集到回波信号的点云数据的时刻。卷积神经网络输出回波信号的点云数据的特征，分别输入前后向长短期记忆网络(bilstm)的前向lstm(long short
‑
term memory，长短期记忆网络)层，和长短期记忆网络(bilstm)的后向lstm(long short
‑
term memory，长短期记忆网络)层，将前向lstm层输出的前向输出特征，和后向lstm层输出的后向输出特征，输入分类层(softmax)，获得微波可穿透零件的异常状态。
73.一个具体实施例中，如图3所示，将回波信号信息的特征输入至前后向长短期记忆网络模型，获得前后向长短期记忆网络模型输出的异常状态，包括：
74.步骤301，将回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征。
75.具体地，将预设时间段内每个时刻采集到的回波信号的点云数据(x1，x2，
……
，x
t
)，按照时刻从小到大的顺序(x1，x2，
……
，x
t
)，输入至前向lstm(long short
‑
term memory，长短期记忆网络)层，获得前向输出特征o
f
。
76.步骤302，将回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征。
77.具体地，将预设时间段内每个时刻采集到的回波信号的点云数据(x1，x2，
……
，x
t
)，按照时刻从大到小的顺序(x
t
，x
t
‑1，
……
，x1)，输入至后向lstm(long short
‑
term memory，长短期记忆网络)层，获得后向输出特征o
b
。
78.步骤303，将前向输出特征和后向输出特征进行整合，获得整体输出特征。
79.一个具体实施例中，将前向输出特征和后向输出特征进行整合，获得整体输出特征，包括：根据前向输出特征的权重和后向输出特征的权重，计算前向输出特征和后向输出特征的加权平均值，获得整体输出特征。
80.具体地，o＝αo
f
+βo
b
。
81.o为整体输出特征，o
f
为前向输出特征，o
b
为后向输出特征，α为前向输出特征o
f
的权重，β为后向输出特征o
b
的权重。其中，α+β＝1，αo
f
+βo
b
即为前向输出特征和后向输出特征的加权平均值。
82.计算前向输出特征和后向输出特征的加权平均值，获得整体输出特征，整体输出特征能够准确反映微波可穿透零件各个点周围的情况，整体输出特征为微波可穿透零件整体的点云图。
83.步骤304，根据整体输出特征，获得异常状态。
84.一个具体实施例中，根据整体输出特征，获得异常状态，包括：计算整体输出特征属于各个异常状态的概率；将概率最大的异常状态作为目标异常状态。
85.具体地，整体输出特征为微波可穿透零件整体的点云图，比较微波可穿透零件整体的点云图和无异常的点云图、存在杂质的点云图、存在气泡的点云图、存在内部裂痕的点云图、存在杂质且存在气泡的点云图、存在杂质且存在内部裂痕的点云图、存在气泡且存在内部裂痕的点云图、存在杂质且存在气泡且存在内部裂痕的点云图，计算微波可穿透零件整体的点云图属于各个异常状态的概率，将概率最大的异常状态作为目标异常状态。
86.一个具体实施例中，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态之前，零件异常检测方法还包括：将回波信号信息进行卡尔曼滤波，去除噪声数据。
87.进行卡尔曼滤波，能够去除噪声数据，保证提取到的回波信号信息的特征更加准确。
88.一个具体实施例中，如图4所示，零件异常检测的方法流程主要包括：
89.步骤401，获取微波可穿透零件反射的回波信号。
90.步骤402，经过模数转换(analogue
‑
to
‑
digital conversion，adc)将回波信号，转换为数字信号。
91.步骤403，经过数字信号处理(digital signal process，dsp)，将数字信号转换为
目标回波数据。
92.步骤404，经过卡尔曼滤波，去除目标回波数据中的噪声数据。
93.步骤405，提取目标回波数据的特征，并根据目标回波数据的特征获得微波可穿透零件的异常状态，其中，异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
94.综上，本技术实施例提供的该方法，获取预设时间段内的微波可穿透零件反射的回波信号信息，提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。相对于现有技术中使用x光等对人体有害的射线能够检测出塑料件内部的异常状态，但是危害人体健康，由于塑料零件属于微波可穿透零件，本技术实施例中微波雷达信号能够穿透微波可穿透零件，通过微波可穿透零件反射的回波信号信息能够确定微波可穿透零件内部的异常状态，而且微波雷达信号不会危害人体健康，解决了无法在保证人体安全的情况下检测出塑料零件是否异常的问题。能够在整机装配前将异常零件提前筛选出来，保障了物料的质量。
95.本技术实施例中提供了一种零件异常检测系统，包括微波雷达发射组件、微波雷达接收组件和处理组件；
96.微波雷达发射组件，用于向微波可穿透零件发射微波雷达信号；
97.微波雷达接收组件，用于接收预设时间段内的微波可穿透零件反射的回波信号信息，并将回波信号信息发送至处理组件；
98.处理组件，用于获取微波雷达接收组件发送的回波信号信息；提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。
99.其中，异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
100.基于同一构思，本技术实施例中提供了一种零件异常检测装置，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图5所示，该装置主要包括：
101.获取模块501，用于获取预设时间段内的微波可穿透零件反射的回波信号信息；
102.处理模块502，用于提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态。
103.其中，所述异常状态包括无异常、存在杂质、存在气泡和存在内部裂痕中的至少一个。
104.可选地，所述处理模块包括第一处理子模块和第二处理子模块；
105.所述第一处理子模块，用于将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征；
106.所述第二处理子模块，用于将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。
107.可选地，所述第二处理子模块包括第一处理单元、第二处理单元、整合单元和第三处理单元；
108.所述第一处理单元，用于将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；
109.所述第二处理单元，用于将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；
110.所述整合单元，用于将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；
111.所述第三处理单元，用于根据所述整体输出特征，获得所述异常状态。
112.可选地，所述整合单元，用于根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。
113.可选地，所述第三处理单元包括计算子单元和处理子单元；
114.所述计算子单元，用于计算所述整体输出特征属于各个异常状态的概率；
115.所述处理子单元，用于将概率最大的异常状态作为目标异常状态。
116.可选地，所述零件异常检测装置还包括滤波模块；
117.所述滤波模块，用于将所述回波信号信息进行卡尔曼滤波，去除噪声数据。
118.基于同一构思，本技术实施例中还提供了一种电子设备，如图6所示，该电子设备主要包括：处理器601、存储器602和通信总线603，其中，处理器601和存储器602通过通信总线603完成相互间的通信。其中，存储器602中存储有可被处理器601执行的程序，处理器601执行存储器602中存储的程序，实现如下步骤：
119.获取预设时间段内的微波可穿透零件反射的回波信号信息；提取回波信号信息的特征，并根据回波信号信息的特征获得微波可穿透零件的异常状态。
120.上述电子设备中提到的通信总线603可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线603可以分为地址总线、数据总线、控制总线等。为便于表示，图6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。
121.存储器602可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器601的存储装置。
122.上述的处理器601可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等，还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field
‑
programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
123.在本技术的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行上述实施例中所描述的零件异常检测方法。
124.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。该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该计算机指令时，全部或部分地产生按照本技术实施例所述的流程或功能。该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。该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，计算机指令从一个网站站
点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该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含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。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如dvd)或者半导体介质(例如固态硬盘)等。
125.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
126.以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。