导轮质量检测方法及设备与流程
本发明涉及计算机领域，尤其涉及一种导轮质量检测方法及设备。
背景技术：
在某些领域的切割工艺中，导轮作为一个重要的不可替换的工具，起着至关重要的作用。通过钢丝在导轮上一圈圈的缠绕，再用缠绕的钢丝对待所切割部件进行切割。如果导轮上缠绕的钢丝不均匀，所述待切割的部件会产生严重的质量问题。决定钢丝缠绕的关键因素是导轮本身的质量，比如导轮的凹槽是否有磨损。而目前业界还没有一种可靠待检测导轮质量待的方法。
技术实现要素：
本发明的一个目的是提供一种导轮质量检测方法及设备，解决导轮质量的可靠检测问题。
根据本发明的一个方面，提供了一种导轮质量检测方法，该方法包括：
根据待检测的导轮的图像得到待检测导轮的特征数据；
将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
进一步的，上述方法中，根据比较结果判断待检测导轮是否正常，包括：
若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值小于预设阈值或未超过预设阈值范围，则所述待检测导轮正常；
若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值大于等于预设阈值或超过预设阈值范围，则所述待检测导轮异常。
进一步的，上述方法中，将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较之前，还包括：
根据正常导轮的图像训练得到的正常导轮的特征数据。
进一步的，上述方法中，根据正常导轮的图像训练得到的正常导轮的特征数据，包括：
根据正常导轮的图像并采用第一算法，训练得到的正常导轮的特征数据。
进一步的，上述方法中，根据正常导轮的图像并采用第一算法，训练得到的正常导轮的特征数据，包括：
根据正常导轮的图像并采用第一算法，训练得到的正常导轮的统计分布阈值。
进一步的，上述方法中，根据正常导轮的图像并采用第一算法，训练得到的正常导轮的统计分布阈值，包括：
根据正常导轮的图像并采用第一算法，计算正常导轮的马氏距离，根据正常导轮的马氏距离计算正常导轮的统计分布阈值。
进一步的，上述方法中，根据正常导轮的图像并采用第一算法，计算正常导轮的马氏距离，根据正常导轮的马氏距离计算正常导轮的统计分布阈值，包括：
将多张正常导轮的图像分成第一组和第二组；
根据所述第一组的每张正常导轮的图像并采用第一算法，得到用于计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离的计算参数；
根据所述计算参数和所述第二组的每张正常导轮的图像并采用第一算法，计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离；
根据所述马氏距离计算正常导轮的统计分布阈值。
进一步的，上述方法中，根据所述第一组的每张正常导轮的图像并采用第一算法，得到用于计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离的计算参数，包括：
采用第一算法从所述第一组的每张正常导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；
根据从所述第一组提取的特征向量计算协方差矩阵和所述第一组提取的所有特征向量的所有维度的平均值。
进一步的，上述方法中，根据所述计算参数和所述第二组的每张正常导轮的图像并采用第一算法，计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏，包括：
采用第一算法从所述第二组的每张正常导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；
根据所述协方差矩阵、从所述第一组提取的所有特征向量的所有维度的平均值和从所述第二组提取的特征向量，计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离。
进一步的，上述方法中，根据所述马氏距离计算正常导轮的统计分布阈值，包括：
根据所述第二组中的所有正常导轮的马氏距离，计算所述第二组中的所有正常导轮的马氏距离的平均值和标准差；
根据所述第二组中的所有正常导轮的马氏距离的平均值、标准差和预设的调节参数，计算正常导轮的统计分布阈值。
进一步的，上述方法中，根据待检测的导轮的图像得到待检测导轮的特征数据，包括：
根据待检测的导轮的图像计算待检测的导轮的马氏距离；
将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常，包括：
将所述待检测导轮的马氏距离与所述正常导轮的统计分布阈值进行比较，
若所述待检测导轮的特征数据未超过训练得到的正常导轮的统计分布阈值，则所述待检测导轮正常；
若所述待检测导轮的特征数据超过训练得到的正常导轮的统计分布阈值，则所述待检测导轮异常。
进一步的，上述方法中，根据待检测的导轮的图像计算待检测的导轮的马氏距离，包括：
从所述待检测的导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；
根据所述协方差矩阵、从所述第一组提取的所有特征向量的所有维度的平均值和从所述从所述待检测的导轮的图像提取的特征向量，计算所述待检测的导轮的马氏距离。
根据本发明的另一方面，还提供了一种导轮质量检测设备，该设备包括：
数据提取装置，用于根据待检测的导轮的图像得到待检测导轮的特征数据；
比较装置，用于将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，该计算机可执行指令被处理器执行时使得该处理器：
根据待检测的导轮的图像得到待检测导轮的特征数据；
将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
根据本发明的另一方面，还提供了一种计算机设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
根据待检测的导轮的图像得到待检测导轮的特征数据；
将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
本申请通过将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常，只需要将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，尤其考虑到异常导轮的特征数据难以得到，无需训练得到异常导轮的特征数据与所述待检测导轮的特征数据比较，即可准确检测出非正常即异常导轮，且检测方式简单、精度高、适应性强。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本发明一个方面的一种导轮质量检测方法的流程图；
图2示出本发明一实施例的导轮质量检测方法的的原理图；
图3示出本发明一实施例的autoencoder算法自动编码的架构图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
如图1所示，本申请提供一种导轮质量检测方法，该方法包括：
步骤s1，先拍摄待检测的导轮的图像，根据待检测的导轮的图像得到待检测导轮的特征数据；
步骤s2，将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
在此，本实施例只需要将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，尤其考虑到异常导轮的特征数据难以得到，无需训练得到异常导轮的特征数据与所述待检测导轮的特征数据比较，即可准确检测出非正常即异常导轮，且检测方式简单、精度高、适应性强。
上述特征数据的提取方法可以包括直方图法，sift尺度不变方法等。
本申请导轮质量检测方法一实施例中，步骤s2中，根据比较结果判断待检测导轮是否正常，包括：
若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值小于预设阈值或未超过预设阈值范围，则所述待检测导轮正常；
若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值大于等于预设阈值或超过预设阈值范围，则所述待检测导轮异常。
在此，判断所述待检测导轮的特征数据与训练得到的正常导轮的特征数据是否相近时，可以设置一阈值或阈值范围，若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值小于预设阈值或未超过预设阈值范围，则判断为相近，若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值大于等于预设阈值或超过预设阈值范围则判断为不相近。另外，所述训练得到的正常导轮的特征数据还可以是一统计分布阈值，若所述待检测导轮的特征数据未达到所述统计分布阈值，则判断为相近，若所述待检测导轮的特征数据达到所述统计分布阈值，则判断为不相近。
本申请导轮质量检测方法一实施例中，步骤s2，将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较之前，还包括：
步骤s0，根据正常导轮的图像训练得到的正常导轮的特征数据。
在此，本实施例可以基于大量导轮的正常图像作为训练数据，训练得到的正常导轮的特征数据，在大数据的情形下会有很好的效果，尤其考虑到导轮损坏的图像往往难以得到，不要求提供异常导轮如损坏导轮的图像和由此训练得到的异常导轮的特征数据。在只有正常图像作为训练数据集的情况下，可以基于深度学习自身学习到的正常导轮的特征数据的模型，正常导轮的特征数据的模型可以检测出非正常导轮图像。也就是说，本申请的正常导轮的特征数据的模型可以是一个单类分类器，通过该单类分类器，与正常导轮的特征数据不相符的图像都可以被标记为非正常，即可能有问题异常的导轮。
本申请导轮质量检测方法一实施例中，步骤s0，根据正常导轮的图像训练得到的正常导轮的特征数据，包括：
步骤s01，根据正常导轮的图像并采用第一算法如autoencoder算法，训练得到的正常导轮的特征数据。
在此，autoencoder算法是一种无监督的学习算法，是利用反向传播算法，让目标值等于输入值。autoencode算法可以用于正常导轮的图像中的特征数据的提取。本申请所用的autoencoder算法包括与autoencoder算法有多个相近的延伸方法，比如denosingautoencoder,stackedautoencoder,stackeddenosingautoencoder,variationalautoencoder等等。
本申请导轮质量检测方法一实施例中，步骤s01，根据正常导轮的图像并采用第一算法如autoencoder算法，训练得到的正常导轮的特征数据，包括：
步骤s011，根据正常导轮的图像并采用第一算法如autoencoder算法，训练得到的正常导轮的统计分布阈值δ。
在此，正常导轮的特征数据可以是正常导轮的统计分布阈值。在有图像的情况下，可以求出图像的一个统计分布阈值δ，若所述待检测导轮的特征数据未达到所述统计分布阈值，则判断为相近，若所述待检测导轮的特征数据达到所述统计分布阈值，则判断为不相近。
本申请导轮质量检测方法一实施例中，步骤s011，根据正常导轮的图像并采用第一算法如autoencoder算法，训练得到的正常导轮的统计分布阈值，包括：
步骤s0111，根据正常导轮的图像并采用第一算法如autoencoder算法，计算正常导轮的马氏距离，根据正常导轮的马氏距离计算正常导轮的统计分布阈值δ。
在此，马氏距离(mahalanobisdistance)和欧式距离不一样的地方在于协方差矩阵的引入。s协方差矩阵的引入相当于考虑到了每个图像在特征向量当中的权重。
如图2所示，本申请导轮质量检测方法一实施例中，步骤s0111，根据正常导轮的图像并采用第一算法如autoencoder算法，计算正常导轮的马氏距离，根据正常导轮的马氏距离计算正常导轮的统计分布阈值，包括：
步骤s31，将多张正常导轮的图像分成第一组和第二组；
在此，如图2所示，可以把图像分为训练数据子集1和训练数据子集2两组，把图像分成第一组和第二组是为了后续更合理的计算正常导轮的统计分布阈值，避免过度拟合；
步骤s32，根据所述第一组的每张正常导轮的图像并采用第一算法如autoencoder算法，得到用于计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离的计算参数；
步骤s33，根据所述计算参数和所述第二组的每张正常导轮的图像并采用第一算法如autoencoder算法，计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离；
步骤s34，根据所述马氏距离计算正常导轮的统计分布阈值δ。
如图2所示，本申请导轮质量检测方法一实施例中，步骤s32，根据所述第一组的每张正常导轮的图像并采用第一算法如autoencoder算法，得到用于计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离的计算参数，包括：
步骤s32-1，采用第一算法如autoencoder算法从所述第一组的每张正常导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；
例如，如图2所示，可以从训练数据子集1得到子集1特征向量，其中，训练数据子集1中的每张正常导轮的图像对应一个特征向量；
具体的，如图3所示，图2中左边的x1、x2、x3、x4、x5分别是所述第一组的每张正常导轮的图像的输入数据，中间的z1、z2、z3是分别从所述第一组的每张正常导轮的图像提取的一个特征向量，因为他们可以用来重建输入数据，得到右边的重建数据x’1、x’2、x’3、x’4、x’5，所重建的右边数据误差越小，特征向量z1、z2、z3就越好。在训练前期可能会根据实际状况进行图像分割，预处理等工作，在采用第一算法如autoencoder算法训练结束后，根据第一组的每张正常导轮的图像的输入数据一个矩阵w和偏差b可以被计算出来，他们可以被用来推导特征向量z1、z2、z3，在给定左边的输入数据的情况下，右边的信号只对于训练过程有用。因此计算矩阵w和偏差b是整个训练的关键目标。特征向量z1、z2、z3分别和计算矩阵w和偏差b的关系可以被表达为z＝s(w*x+b),s是激活方程sigmoid；
步骤s32-2，根据从所述第一组提取的特征向量计算协方差矩阵s和所述第一组提取的所有特征向量的所有维度的平均值μ。
如图2所示，本申请导轮质量检测方法一实施例中，步骤s33，根据所述计算参数和所述第二组的每张正常导轮的图像并采用第一算法如autoencoder算法，计算所述第二组的每张正常导轮的图像对应的正常导轮的md距，包括：
步骤s33-1，采用第一算法如autoencoder算法从所述第二组的每张正常导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；
例如，如图2所示，可以从训练数据子集2得到子集2特征向量，其中，训练数据子集2中的每张正常导轮的图像对应一个特征向量；
具体的，如图3所示，图2中左边的x1、x2、x3、x4、x5分别是所述第二组的每张正常导轮的图像的输入数据，中间的z1、z2、z3是分别从所述第二组的每张正常导轮的图像提取的一个特征向量，因为他们可以用来重建输入数据，得到右边的重建数据x’1、x’2、x’3、x’4、x’5，所重建的右边数据误差越小，特征向量z1、z2、z3就越好。在训练前期可能会根据实际状况进行图像分割，预处理等工作，在采用第一算法如autoencoder算法训练结束后，根据第二组的每张正常导轮的图像的输入数据一个矩阵w和偏差b可以被计算出来，他们可以被用来推导特征向量z1、z2、z3，在给定左边的输入数据的情况下，右边的信号只对于训练过程有用。因此计算矩阵w和偏差b是整个训练的关键目标。特征向量z1、z2、z3分别和计算矩阵w和偏差b的关系可以被表达为z＝s(w*x+b),s是激活方程sigmoid；
步骤s33-2，根据所述协方差矩阵s、从所述第一组提取的所有特征向量的所有维度的平均值μ和从所述第二组提取的特征向量，计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离。
在此，马氏距离的计算公式为
本申请导轮质量检测方法一实施例中，步骤s34，根据所述马氏距离计算正常导轮的统计分布阈值δ，包括：
根据所述第二组中的所有正常导轮的马氏距离，计算所述第二组中的所有正常导轮的马氏距离的平均值和标准差；
根据所述第二组中的所有正常导轮的马氏距离的平均值、标准差和预设的调节参数，计算正常导轮的统计分布阈值。
在此，这个统计分布阈值δ(假设高斯)可以根据所述第二组中的所有正常导轮的马氏距离的平均值m和标准差σ得到。统计分布阈值δ可以设定为δ＝m+α*σ。α是一个调节参数，一般情况下可以设置为6。
如图2所示，本申请导轮质量检测方法一实施例中，步骤s1，根据待检测的导轮的图像得到待检测导轮的特征数据，包括：
如图2所示，步骤s11，待检测的导轮的图像作为一测试数据输入；
步骤s12，根据待检测的导轮的图像计算待检测的导轮的马氏距离；
步骤s2，将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常，包括：
将所述待检测导轮的马氏距离与所述正常导轮的统计分布阈值进行比较，
若所述待检测导轮的特征数据未超过训练得到的正常导轮的统计分布阈值，则所述待检测导轮正常；
若所述待检测导轮的特征数据超过训练得到的正常导轮的统计分布阈值，则所述待检测导轮异常。
本申请导轮质量检测方法一实施例中，步骤s12，根据待检测的导轮的图像计算待检测的导轮的马氏距离，包括：
从所述待检测的导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；
根据所述协方差矩阵s、从所述第一组提取的所有特征向量的所有维度的平均值μ和从所述从所述待检测的导轮的图像提取的特征向量，计算所述待检测的导轮的马氏距离。
根据本申请的另一面，还提供一种导轮质量检测设备，其中，该设备包括：
数据提取装置，用于根据待检测的导轮的图像得到待检测导轮的特征数据；
比较装置，用于将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
在此，本实施例只需要将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，尤其考虑到异常导轮的特征数据难以得到，无需训练得到异常导轮的特征数据与所述待检测导轮的特征数据比较，即可准确检测出非正常即异常导轮，且检测方式简单、精度高、适应性强。
本申请的导轮质量检测设备一实施例中，所述比较装置，用于若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值小于预设阈值或未超过预设阈值范围，则所述待检测导轮正常；若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值大于等于预设阈值或超过预设阈值范围，则所述待检测导轮异常。
在此，判断所述待检测导轮的特征数据与训练得到的正常导轮的特征数据是否相近时，可以设置一阈值或阈值范围，若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值小于预设阈值或未超过预设阈值范围，则判断为相近，若所述待检测导轮的特征数据与训练得到的正常导轮的特征数据的差值大于等于预设阈值或超过预设阈值范围，则判断为不相近。另外，所述训练得到的正常导轮的特征数据还可以是一统计分布阈值，若所述待检测导轮的特征数据未达到所述统计分布阈值，则判断为相近，若所述待检测导轮的特征数据达到所述统计分布阈值，则判断为不相近。
本申请的导轮质量检测设备一实施例中，所述比较装置，还用于将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较之前，根据正常导轮的图像训练得到的正常导轮的特征数据。
在此，本实施例可以基于大量导轮的正常图像作为训练数据，训练得到的正常导轮的特征数据，在大数据的情形下会有很好的效果，尤其考虑到导轮损坏的图像往往难以得到，不要求提供异常导轮如损坏导轮的图像和由此训练得到的异常导轮的特征数据。在只有正常图像作为训练数据集的情况下，可以基于深度学习自身学习到的正常导轮的特征数据的模型，正常导轮的特征数据的模型可以检测出非正常导轮图像。也就是说，本申请的正常导轮的特征数据的模型可以是一个单类分类器，通过该单类分类器，与正常导轮的特征数据不相符的图像都可以被标记为非正常，即可能有问题异常的导轮。
本申请的导轮质量检测设备一实施例中，所述比较装置，用于根据正常导轮的图像并采用第一算法如autoencoder算法，训练得到的正常导轮的特征数据。
在此，autoencoder算法是一种无监督的学习算法，是利用反向传播算法，让目标值等于输入值。autoencode算法可以用于正常导轮的图像中的特征数据的提取。本申请所用的autoencoder算法包括与autoencoder算法有多个相近的延伸方法，比如denosingautoencoder,stackedautoencoder,stackeddenosingautoencoder,variationalautoencoder等等。
本申请的导轮质量检测设备一实施例中，所述比较装置，用于根据正常导轮的图像并采用第一算法如autoencoder算法，训练得到的正常导轮的统计分布阈值。
在此，正常导轮的特征数据可以是正常导轮的统计分布阈值。在有图像的情况下，可以求出图像的一个统计分布阈值δ，若所述待检测导轮的特征数据未达到所述统计分布阈值，则判断为相近，若所述待检测导轮的特征数据达到所述统计分布阈值，则判断为不相近。
本申请的导轮质量检测设备一实施例中，所述比较装置，用于根据正常导轮的图像并采用第一算法如autoencoder算法，计算正常导轮的马氏距离，根据正常导轮的马氏距离计算正常导轮的统计分布阈值。
在此，马氏距离(mahalanobisdistance)和欧式距离不一样的地方在于协方差矩阵的引入。s协方差矩阵的引入相当于考虑到了每个图像在特征向量当中的权重。
本申请的导轮质量检测设备一实施例中，所述比较装置，用于将多张正常导轮的图像分成第一组和第二组；根据所述第一组的每张正常导轮的图像并采用第一算法如autoencoder算法，得到用于计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离的计算参数；根据所述计算参数和所述第二组的每张正常导轮的图像并采用第一算法如autoencoder算法，计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离；根据所述马氏距离计算正常导轮的统计分布阈值。
在此，如图2所示，可以把图像分为训练数据子集1和训练数据子集2两组，把图像分成第一组和第二组是为了后续更合理的计算正常导轮的统计分布阈值，避免过度拟合。
本申请的导轮质量检测设备一实施例中，所述比较装置，用于采用第一算法如autoencoder算法从所述第一组的每张正常导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；根据从所述第一组提取的特征向量计算协方差矩阵和所述第一组提取的所有特征向量的所有维度的平均值。
例如，如图2所示，可以从训练数据子集1得到子集1特征向量，其中，训练数据子集1中的每张正常导轮的图像对应一个特征向量；
具体的，如图3所示，图2中左边的x1、x2、x3、x4、x5分别是所述第一组的每张正常导轮的图像的输入数据，中间的z1、z2、z3是分别从所述第一组的每张正常导轮的图像提取的一个特征向量，因为他们可以用来重建输入数据，得到右边的重建数据x’1、x’2、x’3、x’4、x’5，所重建的右边数据误差越小，特征向量z1、z2、z3就越好。在训练前期可能会根据实际状况进行图像分割，预处理等工作，在采用第一算法如autoencoder算法训练结束后，根据第一组的每张正常导轮的图像的输入数据一个矩阵w和偏差b可以被计算出来，他们可以被用来推导特征向量z1、z2、z3，在给定左边的输入数据的情况下，右边的信号只对于训练过程有用。因此计算矩阵w和偏差b是整个训练的关键目标。特征向量z1、z2、z3分别和计算矩阵w和偏差b的关系可以被表达为z＝s(w*x+b),s是激活方程sigmoid。
本申请的导轮质量检测设备一实施例中，所述比较装置，用于采用第一算法如autoencoder算法从所述第二组的每张正常导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；根据所述协方差矩阵、从所述第一组提取的所有特征向量的所有维度的平均值和从所述第二组提取的特征向量，计算所述第二组的每张正常导轮的图像对应的正常导轮的马氏距离。
例如，如图2所示，可以从训练数据子集2得到子集2特征向量，其中，和训练数据子集2中的每张正常导轮的图像对应一个特征向量；
具体的，如图3所示，图2中左边的x1、x2、x3、x4、x5分别是所述第二组的每张正常导轮的图像的输入数据，中间的z1、z2、z3是分别从所述第二组的每张正常导轮的图像提取的一个特征向量，因为他们可以用来重建输入数据，得到右边的重建数据x’1、x’2、x’3、x’4、x’5，所重建的右边数据误差越小，特征向量z1、z2、z3就越好。在训练前期可能会根据实际状况进行图像分割，预处理等工作，在采用第一算法如autoencoder算法训练结束后，根据第二组的每张正常导轮的图像的输入数据一个矩阵w和偏差b可以被计算出来，他们可以被用来推导特征向量z1、z2、z3，在给定左边的输入数据的情况下，右边的信号只对于训练过程有用。因此计算矩阵w和偏差b是整个训练的关键目标。特征向量z1、z2、z3分别和计算矩阵w和偏差b的关系可以被表达为z＝s(w*x+b),s是激活方程sigmoid。
在此，马氏距离的计算公式为
本申请的导轮质量检测设备一实施例中，所述比较装置，用于根据所述第二组中的所有正常导轮的马氏距离，计算所述第二组中的所有正常导轮的马氏距离的平均值和标准差；根据所述第二组中的所有正常导轮的马氏距离的平均值、标准差和预设的调节参数，计算正常导轮的统计分布阈值。
在此，这个统计分布阈值δ(假设高斯)可以根据所述第二组中的所有正常导轮的马氏距离的平均值m和标准差σ得到。统计分布阈值δ可以设定为δ＝m+α*σ。α是一个调节参数，一般情况下可以设置为6。
本申请的导轮质量检测设备一实施例中，数据提取装置，用于根据待检测的导轮的图像计算待检测的导轮的马氏距离；
比较装置，用于将所述待检测导轮的马氏距离与所述正常导轮的统计分布阈值进行比较，若所述待检测导轮的特征数据未超过训练得到的正常导轮的统计分布阈值，则所述待检测导轮正常；若所述待检测导轮的特征数据超过训练得到的正常导轮的统计分布阈值，则所述待检测导轮异常。
本申请的导轮质量检测设备一实施例中，所述数据提取装置，用于从所述待检测的导轮的图像提取对应的特征向量，其中，每个特征向量具有对应的维度；根据所述协方差矩阵、从所述第一组提取的所有特征向量的所有维度的平均值和从所述从所述待检测的导轮的图像提取的特征向量，计算所述待检测的导轮的马氏距离。
根据本申请的另一面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
根据待检测的导轮的图像得到待检测导轮的特征数据；
将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
根据本申请的另一面，还提供一种计算机设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
根据待检测的导轮的图像得到待检测导轮的特征数据；
将所述待检测导轮的特征数据与训练得到的正常导轮的特征数据进行比较，根据比较结果判断待检测导轮是否正常。
上述设备、计算机可读存储介质和计算机设备各实施例的详细具体可参见各方法实施例的对应部分，在此，不再赘述。
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精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
- 还没有人留言评论。精彩留言会获得点赞！