参数预测推荐方法、设备及计算机可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113628211A(43)申请公布日2021.11.09(21)申请号202111173129.9G06N3/08(2006.01)(22)申请日2021.10.08G06N20/00(2019.01)(71)申请人深圳市信润富联数字科技有限公司地址518000广东省深圳市罗湖区桂园街道老围社区深南东路5016号蔡屋围京基一百大厦A座2001-06(72)发明人熊海飞黄雪峰陈彪蔡恩祥(74)专利代理机构深圳市世纪恒程知识产权代理事务所44287代理人关向兰(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06T3/40(2006.01)G06N3/04(2006.01)权利要求书2页说明书12页附图5页(54)发明名称参数预测推荐方法、设备及计算机可读存储介质(57)摘要本发明公开了一种参数预测推荐方法、设备及计算机可读存储介质，所述参数预测推荐方法基于缺陷特征定制化设计了深度学习网络模型，然后使用这一模型来对目标产品图像进行特征分割来得到缺陷特征和生产压铸参数的预测值，并基于特定的特征分割算法和回归分析形成两者之间的闭环调节，使得模型能够实现对生产压铸参数的闭环调节，从源头上减少缺陷的产生，同时也实现了图片型数据的处理；通过不断对调节过程中的缺陷特征和/或参数预测值进行检验，并在满足条件时将此时的预测值进行推荐，使得生产压铸时按照最终推荐的参数预测值能够大大降低产品缺陷率，同时也保证了参数预测推荐的准确性。CN113628211ACN113628211A权利要求书1/2页1.一种参数预测推荐方法，其特征在于，所述参数预测推荐方法包括：获取目标产品图像，将所述目标产品图像输入预训练的参数推荐模型，其中，所述参数推荐模型为基于缺陷特征分割所设计的深度学习网络模型；在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值，并通过所述缺陷特征闭环调节所述参数预测值；直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐。2.如权利要求1所述的参数预测推荐方法，其特征在于，所述在所述参数推荐模型中，基于特定的特征分割算法得到所述目标产品图像中的缺陷特征以及参数预测值的步骤包括：在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图；通过非极大抑制算法得到所述缺陷特征图对应的缺陷特征，并根据所述缺陷特征得到所述参数预测值。3.如权利要求2所述的参数预测推荐方法，其特征在于，所述在所述参数推荐模型中，通过所述特征分割算法得到所述目标产品图像的缺陷特征图的步骤包括：在所述参数推荐模型中，对所述目标产品图像进行归一化处理，得到归一化数据；将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果；将所述归一化数据在第二分支中进行最大池化和平移缩放处理，得到第二分支结果；将所述第一分支结果和所述第二分支结果组合得到组合结果，基于所述组合结果得到所述缺陷特征图。4.如权利要求3所述的参数预测推荐方法，其特征在于，所述将所述归一化数据在第一分支中进行卷积、组内打乱以及最大池化处理，得到第一分支结果的步骤包括：将所述归一化数据在第一分支中进行卷积处理，得到卷积结果；对所述卷积结果进行张量变形和部分转置，得到转置变形结果；将所述转置变形结果进行变形复原处理，得到组内打乱结果；对所述组内打乱结果进行卷积和最大池化处理，得到所述第一分支结果。5.如权利要求1所述的参数预测推荐方法，其特征在于，所述直至闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件，将此时的参数预测值作为目标预测值进行推荐的步骤之前，还包括：判断闭环调节过程中的缺陷特征是否满足预设的分割终止条件；若满足所述分割终止条件，则判断闭环调节过程中的参数预测值是否在预设的参数推荐定义域内；若在所述参数推荐定义域内，则判定闭环调节过程中的缺陷特征和/或参数预测值满足预设的检验条件。6.如权利要求1所述的参数预测推荐方法，其特征在于，所述获取目标产品图像的步骤之前，还包括：定义并搭建深度卷积神经网络模型和目标损失函数，其中，所述目标损失函数包括缺2CN113628211A权利要求书2/2页陷位置损失函数和推荐参数损失函数；将预处理后的训练图像数据集作为所述深度卷积神经网络模型的输入，并将所述训练图像数据集至少切分为训练集和验证集；基于所述训练集和验证集对所述深度卷积神经网络模型进行迭代训练和评估；直至检测到基于所述深度卷积神经网络模型得到的评估结果满足预设调优条件时，冻结所述深度卷积神经网络此时的模型参数，并导出此时的深度卷积神经网络模型以作为所述