本发明涉及智能制造,尤其涉及一种产品异常检测方法、装置、设备及存储介质。
背景技术:
1、随着深度学习技术的发展,人工智能在工业质检领域的应用越来越普遍,其中,分类模型由于标注相对简单、性能较为稳定,使用得较为广泛,但是在工业大数据场景下,由于实际生产情况复杂,使用分类模型进行异常检测的过程中,可能出现训练数据集中不存在的不良品类型,而分类模型无法检测出这类不良品类型,导致分类模型的异常检测准确度低。
2、上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供了一种产品异常检测方法、装置、设备及存储介质,旨在解决现有技术中工业大数据场景下分类模型的产品异常检测准确度低技术问题。
2、为实现上述目的,本发明提供了一种产品异常检测方法,该方法包括以下步骤:
3、将待检测产品的产品数据输入至预设分类模型,并获取预设分类模型输出的待检测产品的产品类别;
4、获取预设分类模型的输入层根据产品数据输出的产品特征矩阵;
5、根据产品特征矩阵确定未知异常指标,并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。
6、可选地,未知异常指标包括第一空间向量距离;
7、根据产品特征矩阵确定未知异常指标,并根据未知异常指标和产品类别确定待检测产品是否存在未知异常,包括:
8、将产品特征矩阵经预设分类模型的特征提取网络处理后输出至预设分类模型的全连接层;
9、获取全连接层输出的产品特征向量,并根据产品特征向量和第一预设良品聚类中心确定第一空间向量距离;
10、根据第一空间向量距离和产品类别确定待检测产品是否存在未知异常。
11、可选地,所述未知异常指标包括预设编码器的损失值;
12、根据产品特征矩阵确定未知异常指标,并根据未知异常指标和所述产品类别确定待检测产品是否存在未知异常,包括:
13、将产品特征矩阵输入至预设分类模型的特征提取网络,并获取特征提取网络输出的提取特征向量;
14、将提取特征向量输入至预设编码器的特征向量层,并获取预设编码器的输出层输出的解码特征向量;
15、根据提取特征向量、解码特征向量和预设损失系数确定预设编码器的损失值;
16、根据产品类别和损失值确定所述待检测产品是否存在未知异常。
17、可选地,将待检测产品的产品数据输入至预设分类模型,并获取预设分类模型输出的待检测产品的产品类别之前,还包括:
18、通过训练数据对初始神经网络进行预训练,获得预训练分类模型;
19、根据预训练分类模型确定各产品类别对应的第一产品类别聚类中心;
20、根据预训练分类模型中全连接层输出的特征向量、各产品类别对应的第一产品类别聚类中心和预设空间向量距离更新预训练分类模型的损失函数;
21、通过训练数据对更新损失函数后的预训练分类模型进行训练;
22、在更新损失函数后的预训练分类模型符合预设条件时,获得预设分类模型。
23、可选地,根据提取特征向量、解码特征向量和预设损失系数确定预设编码器的损失值之后,还包括:
24、根据提取特征向量和第二预设良品聚类中心确定第二空间向量距离;
25、根据产品类别、损失值和所述第二空间向量距离确定待检测产品是否存在未知异常。
26、可选地,将所述产品特征矩阵输入至预设分类模型的特征提取网络,并获取特征提取网络输出的提取特征向量之前,还包括:
27、将训练数据输入至初始编码器和初始神经网络,并获取初始编码器中特征向量层输出的第二初始特征向量集;
28、根据所述第二初始特征向量集确定各产品类别对应的第二产品类别聚类中心;
29、根据特征向量层输出的特征向量、各产品类别对应的第二产品类别聚类中心、预设空间向量距离和初始神经网络输出的产品类别概率更新初始编码器的损失函数;
30、通过训练数据对初始神经网络和更新损失函数后的初始编码器进行训练;
31、在满足预设条件时,获得预设编码器和预设分类模型。
32、可选地,根据所述产品类别、损失值和第二空间向量距离确定待检测产品是否存在未知异常,包括:
33、在产品类别为良品时,判断损失值是否大于预设损失阈值和/或所述第二空间向量距离是否大于预设距离阈值;
34、若是,则判定所述待检测产品存在未知异常。
35、此外,为实现上述目的,本发明还提出一种产品异常检测装置,所述装置包括:
36、输入模块,用于将待检测产品的产品数据输入至预设分类模型,并获取预设分类模型输出的待检测产品的产品类别;
37、获取模块,用于获取预设分类模型的输入层根据产品数据输出的产品特征矩阵;
38、确定模块,用于根据所述产品特征矩阵确定未知异常指标,并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。
39、此外,为实现上述目的,本发明还提出一种产品异常检测设备,设备包括:存储器、处理器及存储在所述存储器上并可在处理器上运行的产品异常检测程序,产品异常检测程序配置为实现如上文的产品异常检测方法的步骤。
40、此外,为实现上述目的,本发明还提出一种存储介质,存储介质上存储有产品异常检测程序,产品异常检测程序被处理器执行时实现如上文的产品异常检测方法的步骤。
41、本发明将待检测产品的产品数据输入至预设分类模型,并获取预设分类模型输出的待检测产品的产品类别;获取预设分类模型的输入层根据产品数据输出的产品特征矩阵;根据产品特征矩阵确定未知异常指标,并根据未知异常指标和产品类别确定待检测产品是否存在未知异常。本发明根据预设分类模型中输入层输出的产品特征矩阵确定待检测产品的未知异常指标,根据未知异常指标和产品类别确定待检测产品是否存在未知异常,解决了现有技术中使用分类模型进行产品异常检测的过程中,分类模型无法准确检测训练数据集中不存在的不良品类型的技术问题,提高了产品异常检测的准确率。
1.一种产品异常检测方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述未知异常指标包括第一空间向量距离;
3.如权利要求1所述的方法,其特征在于,所述未知异常指标包括预设编码器的损失值;
4.如权利要求1-3任一项所述的方法,其特征在于,所述将待检测产品的产品数据输入至预设分类模型,并获取所述预设分类模型输出的所述待检测产品的产品类别之前,还包括:
5.如权利要求3所述的方法,其特征在于,所述根据所述提取特征向量、所述解码特征向量和预设损失系数确定所述预设编码器的损失值之后,还包括:
6.如权利要求3所述的方法,其特征在于,所述将所述产品特征矩阵输入至所述预设分类模型的特征提取网络,并获取所述特征提取网络输出的提取特征向量之前,还包括:
7.如权利要求5所述的方法,其特征在于,所述根据所述产品类别、所述损失值和所述第二空间向量距离确定待检测产品是否存在未知异常,包括:
8.一种产品异常检测装置,其特征在于,所述装置包括:
9.一种产品异常检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的产品异常检测程序,所述产品异常检测程序配置为实现如权利要求1至7中任一项所述的产品异常检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有产品异常检测程序,所述产品异常检测程序被处理器执行时实现如权利要求1至7任一项所述的产品异常检测方法的步骤。