针对防火高弹面料生产控制的状态检测方法及AI系统与流程

本技术涉及人工智能，特别涉及一种针对防火高弹面料生产控制的状态检测方法及ai系统。

背景技术：

1、防火高弹面料（又可以称为高弹阻燃布），该面料以全棉织物、涤棉织物、棉锦混纺等为基布，该面料使用于防护服、劳保服、工作衣服装材料等等。由于防火高弹面料主要用于消防服、深林救援服、电焊工劳保服、铁路、航空、电力、石油等易燃易爆的高危领域，因此对于防火高弹面料的生产控制质量把关尤为重要。

技术实现思路

1、为改善相关技术中存在的技术问题，本技术提供了一种针对防火高弹面料生产控制的状态检测方法及ai系统。

2、第一方面，本技术实施例提供了一种针对防火高弹面料生产控制的状态检测方法，应用于ai系统，所述方法包括：

3、获取拟分析成品质量测试报告对应的拟分析防火高弹面料质检文本集，获取所述拟分析防火高弹面料质检文本集对应的目标关键项目质检文本的已认证文本语义向量，所述拟分析防火高弹面料质检文本集是从所述拟分析成品质量测试报告对应的目标防火高弹面料质检文本集中移除所述目标关键项目质检文本得到的；

4、将所述拟分析防火高弹面料质检文本集加载到目标生产控制状态分析网络，得到所述目标关键项目质检文本对应的文本语义预测向量；

5、根据所述已认证文本语义向量和所述文本语义预测向量之间的文本语义区别确定所述拟分析成品质量测试报告对应的报告伪造判别标签；

6、在所述报告伪造判别标签表征所述拟分析成品质量测试报告存在伪造风险时，对所述拟分析成品质量测试报告对应的防火高弹面料生产控制系统进行故障状态检测。

7、在一些可选的示例中，所述目标生产控制状态分析网络的调试方法包括：

8、获取防火高弹面料质检文本样例集和所述防火高弹面料质检文本样例集对应的文本语义向量样例，获取所述防火高弹面料质检文本样例集对应的关键项目质检文本样例的目标文本语义向量，所述防火高弹面料质检文本样例集是从原始防火高弹面料质检文本集中移除所述关键项目质检文本样例得到的；

9、将所述防火高弹面料质检文本样例集加载到原始生产控制状态分析网络，得到所述关键项目质检文本样例对应的文本语义识别向量；

10、根据所述目标文本语义向量和所述文本语义向量样例生成所述原始生产控制状态分析网络对应的流式决策组件的流式积极调试样例，根据所述文本语义向量样例和所述文本语义识别向量生成所述流式决策组件对应的流式消极调试样例；

11、根据所述目标文本语义向量、所述文本语义识别向量、所述流式积极调试样例和所述流式消极调试样例，对所述原始生产控制状态分析网络和所述流式决策组件进行联合调试，得到联合调试代价；

12、根据所述联合调试代价优化所述原始生产控制状态分析网络和所述流式决策组件的网络变量，直到符合调试终止要求，得到目标生产控制状态分析网络。

13、在一些可选的示例中，所述获取防火高弹面料质检文本样例集和所述防火高弹面料质检文本样例集对应的文本语义向量样例，包括：

14、获取成品质量测试报告样例，从所述成品质量测试报告样例中获取多个备用防火高弹面料质检文本，所述成品质量测试报告样例对应的报告伪造判别标签为不存在报告伪造；

15、对各个备用防火高弹面料质检文本进行耐温耐拉质检事件检测，得到各个备用防火高弹面料质检文本对应的耐温耐拉质检事件文本块；

16、通过各个耐温耐拉质检事件文本块得到各个备用防火高弹面料质检文本对应的耐温耐拉质检事件文本，通过各个耐温耐拉质检事件文本得到原始防火高弹面料质检文本集；

17、对所述原始防火高弹面料质检文本集进行防火高弹面料质检文本抽取，得到所述防火高弹面料质检文本样例集；

18、对所述防火高弹面料质检文本样例集进行文本语义向量挖掘，得到所述文本语义向量样例。

19、在一些可选的示例中，所述文本语义向量样例包括所述防火高弹面料质检文本样例集中各个防火高弹面料质检文本样例对应的文本语义向量样例，所述文本语义向量样例、所述目标文本语义向量和所述文本语义识别向量皆包含至少一个描述层面的文本语义特征，所述关键项目质检文本样例和所述防火高弹面料质检文本样例皆添加质检文本数字认证签名；

20、所述根据所述目标文本语义向量和所述文本语义向量样例生成所述原始生产控制状态分析网络对应的流式决策组件的流式积极调试样例，根据所述文本语义向量样例和所述文本语义识别向量生成所述流式决策组件对应的流式消极调试样例，包括：

21、根据所述关键项目质检文本样例和所述各个防火高弹面料质检文本样例对应的质检文本数字认证签名确定文本语义流式特征；

22、根据所述文本语义流式特征，将所述目标文本语义向量和所述文本语义向量样例中相同描述层面的文本语义特征进行聚合，得到各个描述层面对应的流式积极调试样例；

23、根据所述文本语义流式特征，将所述文本语义识别向量和所述文本语义向量样例中相同描述层面的文本语义特征进行聚合，得到各个描述层面对应的流式消极调试样例。

24、在一些可选的示例中，所述根据所述目标文本语义向量、所述文本语义识别向量、所述流式积极调试样例和所述流式消极调试样例，对所述原始生产控制状态分析网络和所述流式决策组件进行联合调试，得到联合调试代价，包括：

25、根据所述目标文本语义向量和所述文本语义识别向量生成文本语义代价；

26、将所述流式积极调试样例和所述流式消极调试样例加载到所述流式决策组件，得到所述流式积极调试样例对应的第一识别观点和所述流式消极调试样例对应的第二识别观点；

27、根据所述流式积极调试样例对应的第一识别观点和第一先验观点、所述流式消极调试样例对应的第二识别观点和第二先验观点生成流式代价；

28、根据所述文本语义代价和所述流式代价生成所述联合调试代价。

29、在一些可选的示例中，所述目标文本语义向量包括最少两个描述层面对应的目标文本语义特征，所述文本语义识别向量包括所述最少两个描述层面对应的文本语义特征预测结果；

30、所述根据所述目标文本语义向量和所述文本语义识别向量生成文本语义代价，包括：

31、从所述目标文本语义向量和所述文本语义识别向量中，基于已认证描述层面对应的目标文本语义特征和文本语义特征预测结果之间的区别得到第一调试代价；

32、对所述已认证描述层面对应的目标文本语义特征进行语义调整处理，得到对应的第一文本语义调整向量，对所述已认证描述层面对应的文本语义特征预测结果进行语义调整处理，得到对应的第二文本语义调整向量；

33、根据所述第一文本语义调整向量和所述第二文本语义调整向量之间的区别得到第二调试代价；

34、从所述目标文本语义向量和所述文本语义识别向量中，基于剩余描述层面的目标文本语义特征和文本语义特征预测结果之间的区别得到第三调试代价；

35、根据所述第一调试代价、所述第二调试代价和所述第三调试代价得到所述文本语义代价。

36、在一些可选的示例中，当前文本语义特征为所述已认证描述层面对应的目标文本语义特征或文本语义特征预测结果，对所述当前文本语义特征进行语义调整处理，得到对应的当前文本语义调整向量，包括：

37、对当前文本语义特征进行下采样，得到第一文本语义特征；

38、对所述第一文本语义特征进行上采样，得到第二文本语义特征；

39、所述第二文本语义特征和当前文本语义特征具有一致的向量维度；

40、基于当前文本语义特征和所述第二文本语义特征之间的区别得到目标语义区别；

41、将所述第一文本语义特征作为调整的当前文本语义特征，跳转至所述对当前文本语义特征进行下采样的步骤，直到符合调试期望，得到多个存在队列优先级的目标语义区别；

42、通过各个目标语义区别得到所述当前文本语义调整向量。

43、在一些可选的示例中，所述流式决策组件包括至少一个描述层面对应的流式分析组件，所述流式积极调试样例包括各个描述层面对应的流式积极调试样例，所述流式消极调试样例包括各个描述层面对应的流式消极调试样例；

44、所述将所述流式积极调试样例和所述流式消极调试样例加载到所述流式决策组件，得到所述流式积极调试样例对应的第一识别观点和所述流式消极调试样例对应的第二识别观点，包括：将相同描述层面的流式积极调试样例和流式消极调试样例分别加载到对应的流式分析组件，得到各个描述层面对应的第一识别观点和第二识别观点。

45、在一些可选的示例中，所述方法还包括：

46、根据所述目标文本语义向量生成所述原始生产控制状态分析网络对应的通道分支网络的通道注意力积极调试样例，根据所述目标文本语义向量和所述文本语义识别向量生成所述通道分支网络对应的通道注意力消极调试样例；

47、根据所述目标文本语义向量、所述文本语义识别向量、所述通道注意力积极调试样例和所述通道注意力消极调试样例，对所述原始生产控制状态分析网络和所述通道分支网络进行联合调试，得到更新调试代价；

48、根据所述更新调试代价优化所述原始生产控制状态分析网络和所述通道分支网络的网络变量，直到符合调试终止要求，得到目标生产控制状态分析网络。

49、在一些可选的示例中，所述方法还包括：

50、根据所述目标文本语义向量、所述文本语义识别向量、所述通道注意力积极调试样例、所述通道注意力消极调试样例、所述流式积极调试样例和所述流式消极调试样例，对所述原始生产控制状态分析网络、所述通道分支网络和所述流式决策组件进行联合调试，得到目标调试代价；

51、根据所述目标调试代价优化所述原始生产控制状态分析网络、所述通道分支网络和所述流式决策组件的网络变量，直到符合调试终止要求，得到目标生产控制状态分析网络。

52、在一些可选的示例中，所述目标文本语义向量包括最少两个描述层面的目标文本语义特征，所述文本语义识别向量包括最少两个描述层面的文本语义特征预测结果；

53、所述根据所述目标文本语义向量和所述文本语义识别向量生成所述通道分支网络对应的通道注意力消极调试样例，包括：根据所述目标文本语义向量中目标描述层面的目标文本语义特征和所述文本语义识别向量中剩余描述层面的文本语义特征预测结果，生成所述通道注意力消极调试样例。

54、第二方面，本技术还提供了一种ai系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

55、第三方面，本技术还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

56、应用本技术实施例，在伪造风险判别过程中，通过移除目标关键项目质检文本实现拟分析成品质量测试报告的“主动掩码”处理，能够基于“主动掩码”的拟分析成品质量测试报告中与目标关键项目质检文本对应的上下文信息挖掘文本语义预测向量，然后结合未掩码之前目标关键项目质检文本的已认证文本语义向量进行文本语义区别比较，这样可以准确可信地判别出目标关键项目质检文本是否存在伪造，在目标关键项目质检文本存在伪造风险时对防火高弹面料生产控制系统进行故障状态检测，一方面可以提升伪造风险判别的精度和可信度，另一方面能够避免频繁对防火高弹面料生产控制系统进行停机检测带来的产能影响。

57、进一步地，获取防火高弹面料质检文本样例集和防火高弹面料质检文本样例集对应的文本语义向量样例，获取防火高弹面料质检文本样例集对应的关键项目质检文本样例的目标文本语义向量，防火高弹面料质检文本样例集是从原始防火高弹面料质检文本集中移除关键项目质检文本样例得到的，将防火高弹面料质检文本样例集加载到原始生产控制状态分析网络，得到关键项目质检文本样例对应的文本语义识别向量。如此，防火高弹面料质检文本样例集中移除了关键项目质检文本样例，即防火高弹面料质检文本样例集为存在“掩码”的报告集，将防火高弹面料质检文本样例集加载到生产控制状态分析网络能够解析关键项目质检文本样例的文本语义向量。基于目标文本语义向量和文本语义向量样例生成原始生产控制状态分析网络对应的流式决策组件的流式积极调试样例，基于文本语义向量样例和文本语义识别向量生成流式决策组件对应的流式消极调试样例，基于目标文本语义向量、文本语义识别向量、流式积极调试样例和流式消极调试样例，对原始生产控制状态分析网络和流式决策组件进行联合调试，得到联合调试代价，基于联合调试代价优化原始生产控制状态分析网络和流式决策组件的网络变量，直到符合调试终止要求，得到目标生产控制状态分析网络。如此，目标文本语义向量和文本语义向量样例是精准、正确的文本语义向量，文本语义识别向量为通过ai识别得到的文本语义向量，通过精准、正确的文本语义向量生成积极样例，通过精准、正确的文本语义向量和识别出的文本语义向量生成消极样例，通过目标文本语义向量、文本语义识别向量、积极样例和消极样例对生产控制状态分析网络和流式决策组件进行联合调试来实现ai神经网络的调试，能够基于流式决策组件来提高生产控制状态分析网络的在时序层面的识别性能，进而调试出报告伪造判别精度较高的生产控制状态分析网络。