【技术实现步骤摘要】
本专利技术涉及异常监测，且更具体地涉及一种基于深度学习的石英晶体切割异常监测方法、系统及装置。
技术介绍
1、石英晶体切割过程异常监测方法的作用是用于检测和监控石英晶体切割过程中的异常情况，以确保产品质量和生产效率，具体而言，石英晶体是一种重要的电子材料，在半导体、光电子、通信等领域有广泛应用，在制备石英晶体器件时，切割过程是一个关键的工序，异常情况可能会导致以下问题，1、切割质量问题：异常情况可能影响切割精度和表面质量，导致产品尺寸偏差或表面缺陷，从而降低产品的性能和可靠性；2、生产效率问题：异常情况可能导致切割过程中断或停滞，增加生产时间和成本。因此，石英晶体切割过程异常监测方法的作用包括但不限于以下几个方面：1、实时监测：通过采集和分析实时数据，可以对切割过程进行实时监测，并及时发现任何异常情况；2、异常检测：利用传感器、图像处理、机器学习等技术手段，对关键参数（如温度、压力、速度、切割力等）进行监测和分析，以检测异常情况；3、报警和处理：一旦发现异常情况，系统可以及时发出报警信号，通知相关人员采取相应的处理措施，如停机、调整设备参数等；4、数据分析和优化：对异常数据进行统计和分析，可以帮助识别潜在问题的原因，并进行工艺优化，以提高切割质量和生产效率。总之，石英晶体切割过程异常监测方法的作用是确保切割过程稳定、高效，并提供准确的反馈信息，以帮助优化工艺并提高产品质量。
2、现有技术中，石英晶体切割过程异常监测方法存在很多弊端，一方面，缺少视频数据预处理方法对采集到的视频数据进行预处理，导致视频数据特征提取不够准
技术实现思路
1、针对上述技术的不足，本专利技术公开一种基于深度学习的石英晶体切割异常监测方法、系统及装置，视频数据预处理方法通过视频去噪模块、视频降采样模块和色彩校正模块对采集到的视频数据进行预处理，解决缺少视频数据预处理方法对采集到的视频数据进行预处理问题，深度学习算法从预处理后的视频数据中提取和表示切割特征信息，解决不能从预处理后的视频数据中精准获得特征信息问题，随机异常监测模块通过模型创建单元、标记阈值设置单元和模型应用单元实现石英晶体切割过程异常监测，解决不能及早发现石英晶体切割错误问题，声光报警器采用异常数据触发机制及时触发报警，解决运维人员不能及时了解石英晶体切割错误信息问题。
2、分析有鉴于此，本专利技术提供了一种基于深度学习的石英晶体切割异常监测方法：包括以下步骤：
3、获取连续的石英晶体切割过程图像帧组成视频序列，捕捉石英晶体切割过程中的初始视频数据；
4、对所述初始视频数据进行预处理，所述预处理包括视频去噪、视频降采样和色彩校正，得到视频数据；
5、基于视频数据，通过深度学习算法模型提取表示切割特征信息，所述切割特征信息至少包括切削力、切削速度、加工尺寸偏差和刀具磨损情况，其中，所述深度学习算法模型包括特征提取单元和特征表示单元，所述特征提取单元的输出作为所述特征表示单元的输入；
6、基于随机异常监测模块构建切割异常检测预训练模型，所述随机异常监测模块包括模型创建单元、标记阈值设置单元及模型应用单元，基于切割特征信息对切割异常检测预训练模型进行训练得到切割异常检测模型，基于标记阈值设置单元寻找最佳切割标记阈值，所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据。
7、作为一种可实施方式，采用降噪算法对所述初始视频数据进行视频去噪，所述降噪算法通过小波变换对视频数据帧进行阈值处理来去除初始视频数据噪声，所述视频降采样模块通过空间域下采样降低初始视频数据的分辨率和帧率，所述空间域下采样通过4:3的标准分辨率比例控制降采样比例，所述色彩校正模块采用色彩矫正矩阵对初始视频数据进行颜色校正，所述色彩矫正矩阵通过调整红、绿和蓝三个颜色通道的增益和偏移量来实现颜色校正。
8、作为一种可实施方式，所述特征提取单元基于循环神经网络实现切割特征信息提取，所述循环神经网络通过在网络中引入循环连接捕捉视频数据序列中的时序依赖关系，得到时序依赖关系上的切割特征信息，所述特征表示单元通过特征向量化将视频数据的切割特征信息所对应的特征向量串联形成向量组，所述向量组作为整个视频数据的切割特征信息表示。
9、作为一种可实施方式，所述模型创建单元包括样本构建单元和模型训练单元，所述样本构建单元的输出端与所述模型训练单元的输入端连接，所述样本构建单元采用特征分类机制将切割特征信息进行分类形成异常训练集和正常训练集，所述异常训练集和正常训练集应用高斯模糊到视频数据中模拟切割特征信息，识别在视频数据中丢失的切割特征信息，进行数据增强操作。
10、作为一种可实施方式，所述模型训练单元通过梯度下降方法实现切割异常检测模型的建立和优化，所述梯度下降方法通过马尔可夫决策过程的强化学习对异常训练集和正常训练集进行迭代学习，得到初始切割异常检测模型，所述初始切割异常检测模型通过反向传播算法将损失函数的梯度从输出层往输入层进行反向传播，所述初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解，获得最终的切割异常检测模型，所述切割异常检测模型收敛最优解计算公式为：
11、
12、其中，表示切割异常检测模型收敛最优解，表示随机梯度下降规则的学习率，表示损失函数的梯度，x表示输出层往输入层进行反向传播的权重梯度，c表示迭代学习的频数。
13、作为一种可实施方式，所述标记阈值设置单元采用遗传优化算法寻找最佳切割标记阈值，所述遗传优化算法通过石英晶体正常切割数据定义适应度函数，所述适应度函数通过交叉操作生成待更新的切割适应度，所述适应度函数再通过初始化种群对待更新的切割适应度进行迭代更新，最终迭代更新的切割适应度作为最佳切割标记阈值，所述最佳切割标记阈值计算公式为：
14、
15、其中，表示最佳切割标记阈值，表示迭代更新的次数，表示石英晶体正常切割数据的加工尺寸偏差，表示石英晶体正常切割数据的切削力，表示石英晶体正常切割数据的切削速度，表示石英晶体正常切割数据的切割时间。
16、作为一种可实施方式，所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据，包括以下步骤：
17、所述切割异常检测模型通过视频切割算法将预处理后的视频数据每一帧视频进行切割形成数据帧，所述切割异常检测模型通过时间序列分析对数据帧进行时域分析，所述时间序列分析采用目标偏离函数计算得到数据帧的异常指标，所述异常指标计本文档来自技高网...
【技术保护点】
1.一种基于深度学习的石英晶体切割异常监测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：采用降噪算法对所述初始视频数据进行视频去噪，所述降噪算法通过小波变换对视频数据帧进行阈值处理来去除初始视频数据噪声，所述视频降采样模块通过空间域下采样降低初始视频数据的分辨率和帧率，所述空间域下采样通过4:3的标准分辨率比例控制降采样比例，所述色彩校正模块采用色彩矫正矩阵对初始视频数据进行颜色校正，所述色彩矫正矩阵通过调整红、绿和蓝三个颜色通道的增益和偏移量来实现颜色校正。
3.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：所述特征提取单元基于循环神经网络实现切割特征信息提取，所述循环神经网络通过在网络中引入循环连接捕捉视频数据序列中的时序依赖关系，得到时序依赖关系上的切割特征信息，所述特征表示单元通过特征向量化将视频数据的切割特征信息所对应的特征向量串联形成向量组，所述向量组作为整个视频数据的切割特征信息表示。
4.根据权利要求1所述的一种基于深度学习的石英晶
5.根据权利要求4所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：所述模型训练单元通过梯度下降方法实现切割异常检测模型的建立和优化，所述梯度下降方法通过马尔可夫决策过程的强化学习对异常训练集和正常训练集进行迭代学习，得到初始切割异常检测模型，所述初始切割异常检测模型通过反向传播算法将损失函数的梯度从输出层往输入层进行反向传播，所述初始切割异常检测模型根据损失函数的梯度按照随机梯度下降规则得到切割异常检测模型收敛最优解，获得最终的切割异常检测模型，所述切割异常检测模型收敛最优解计算公式为：
6.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：所述标记阈值设置单元采用遗传优化算法寻找最佳切割标记阈值，所述遗传优化算法通过石英晶体正常切割数据定义适应度函数，所述适应度函数通过交叉操作生成待更新的切割适应度，所述适应度函数再通过初始化种群对待更新的切割适应度进行迭代更新，最终迭代更新的切割适应度作为最佳切割标记阈值，所述最佳切割标记阈值计算公式为：
7.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：所述模型应用单元通过切割异常检测模型对待测石英晶体切割过程图像帧进行异常检测得到异常视频数据，包括以下步骤：
8.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：还包括以下步骤：
9.一种基于深度学习的石英晶体切割异常监测系统，其特征在于，包括图像处理模块、预处理模块、特征提取模块及随机异常监测模块；
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的方法。
11.一种基于深度学习的石英晶体切割异常监测装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的石英晶体切割异常监测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：采用降噪算法对所述初始视频数据进行视频去噪，所述降噪算法通过小波变换对视频数据帧进行阈值处理来去除初始视频数据噪声，所述视频降采样模块通过空间域下采样降低初始视频数据的分辨率和帧率，所述空间域下采样通过4:3的标准分辨率比例控制降采样比例，所述色彩校正模块采用色彩矫正矩阵对初始视频数据进行颜色校正，所述色彩矫正矩阵通过调整红、绿和蓝三个颜色通道的增益和偏移量来实现颜色校正。
3.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：所述特征提取单元基于循环神经网络实现切割特征信息提取，所述循环神经网络通过在网络中引入循环连接捕捉视频数据序列中的时序依赖关系，得到时序依赖关系上的切割特征信息，所述特征表示单元通过特征向量化将视频数据的切割特征信息所对应的特征向量串联形成向量组，所述向量组作为整个视频数据的切割特征信息表示。
4.根据权利要求1所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：所述模型创建单元包括样本构建单元和模型训练单元，所述样本构建单元的输出端与所述模型训练单元的输入端连接，所述样本构建单元采用特征分类机制将切割特征信息进行分类形成异常训练集和正常训练集，所述异常训练集和正常训练集应用高斯模糊到视频数据中模拟切割特征信息，识别在视频数据中丢失的切割特征信息，进行数据增强操作。
5.根据权利要求4所述的一种基于深度学习的石英晶体切割异常监测方法，其特征在于：所述模型训练单元通过梯度下降方法实现切割异常检测模型的建立和优化，所述梯度下降方法通过马尔可夫决策过程的强化学习对异...
【专利技术属性】
技术研发人员：卢旭彬，黄海鸥，冯剑秋，
申请(专利权)人：宁波云德半导体材料有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。