【技术实现步骤摘要】
本专利技术涉及一种聚合物单丝几何尺寸、表面形态检测及纺丝组件剩余使用寿命的预测方法。
技术介绍
1、在聚合物单丝几何尺寸检测领域，机器视觉应用于单丝线径测量产生大量图像数据集，深度学习应用于图像处理它通过有监督的深度学习神经网络，结合机器视觉产生的大规模图像存量与不断产生的图像增量进行训练，自动提取细粒度的特征并组合粗粒度的特征，形成抽象化的视觉描述；从而优化图像上所提取的几何尺寸精度及表面形态特征，将分布于图像上不同位置尺寸超差的聚合物单丝自动进行分类，基于聚合物单丝在纺丝过程中实时线径及表面形态的变化预测纺丝组件的使用寿命。
2、现有机器视觉测量技术中，平行排列的单丝在工业相机中成像形成图像数据集，由于照射光与成像角度的问题，造成相同线径的产品在成像过程中发生光学畸变，排列间距误差等造成测量误差。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的聚合物单丝几何尺寸测量及纺丝组件使用寿命预测方法，用以克服现有机器视觉测量技术中，平行排列的单丝在工业相机中成像形成图像数据集，由于照射光与成像角度的问题，造成相同线径的产品在成像过程中发生光学畸变，排列间距误差等造成测量误差。
2、本专利技术的技术解决方案是：
3、一种聚合物单丝尺寸、形态检测及纺丝组件使用寿命预测方法，其特征是：获取机器视觉系统采集的聚合物单丝历史数据及实时采集的增量数据，将数据分为训练数据集和测试数据集，利用深度卷积神经网络学习和训练，优化图像内部特征及边缘特征的提取
4、优化机器视觉系统采集的聚合物单丝图像边缘特征提取的具体方法：(1)先过滤图像中的高频特征，用卷积神经网络对图像进行下采样，利用卷积神经网络的优势，将传统的固定参数滤波操作(如均值滤波、高斯滤波)替换为可学习的滤波操作，通过深度可分离卷积来学习过滤高频特征；同时使用空洞卷积来扩大卷积合的感受野；(2)利用二次线性插值获取原特征的低频表示，将下采样后的低频特征还原到原特征相同尺度，然后将原特征与低频特征连接后共同经过一定尺度的卷积核，预测得到光流场,光流场的每一个二元组表示原特征想要匹配到低频特征的相对偏移量，根据光流场给定的偏移量对原特征进行形变，得到最终的低频内部特征；为了得到最终想要的低频内部特征，还对上述高频特征的滤除和光流场的学习进行监督约束，监督信息采用了物体内部的语义分割标签，设置边缘宽度为2像素，计算完整语义标签的边缘，分别获得图像的边缘标签和去除边缘的内部标签，内部标签与内部低频特征预测得到的概率图计算交叉熵损失，从而监督学习；(3)边缘特征的提取，通过原始特征与提取到的低频内部特征相减获得，由于原始特征经过编码器采样操作，所以包含的高频信息不完整，为了获得更完整的边缘特征，结合网络底层特征和上述获得的高频特征经过卷积进行融合；同时预测得到图像的类别边缘，再根据图像的真实语义标签计算得到图像类别边缘的二值标签，边缘特征经过卷积预测的边缘概率与边缘标签计算二分类交叉熵损失，对边缘特征提取进行监督约束。
5、聚合物单丝纺丝组件剩余使用寿命的预测的具体方法：(1)健康指标(hi)的构建：组件的纺丝寿命在使用过程中受不同因素影响，退化速率是不断变化的，在刚开始使用的时候，性能相对稳定，退化速率较慢，后期随着使用时间增加，退化速率加快，健康程度不断下降；因此，用一个二次函数来表达纺丝组件寿命退化趋势，其定义为：
6、
7、tn是纺丝组件完整寿命，ti是纺丝组件完整寿命周期内当前时间；
8、(2)构建纺丝组件寿命预测模型：采用transformer模型来进一步获取健康指标的全局特征来进行推理预测，从而实现纺丝组件剩余使用寿命(rul)的预测。
9、机器视觉应用于单丝线径测量产生大量图像数据集，深度学习应用于图像处理它通过不同形式的神经网络，结合视觉大数据的大规模存量与不断产生的增量进行学习和训练，自动提取细粒度的特征并组合粗粒度的特征，形成抽象化的视觉描述；从而优化图像上所提取聚合物单丝几何尺寸精度，捕捉聚合物单丝表面缺陷的特征；然后，在通过上述提取得到的聚合物单丝各项特征导入transforer预测模型预测聚合物单丝纺丝组件剩余使用寿命。
10、本专利技术的优点：
11、(1)通过深度卷积神经网络从机器视觉相机获取的图像提取特征，通过学习和训练优化数据中的噪声，提高聚合物单丝线径测量的准确性。
12、(2)通过深度卷积神经网络自学习与训练，本技术方案可以提取图像中聚合物单丝表面缺陷，并将聚合物单丝表面缺陷种类进行分类，便于工作人员后期对聚合物单丝生产工艺的优化。
13、(3)通过深度卷积神经网络和transformer预测模型结合，本技术方案通过搜集聚合物单丝生产过程中线径动态变化数据，聚合物单丝表面缺陷产生时间、位置、类别等数据构建聚合物单丝纺丝组件在纺丝过程中的使用寿命预测模型，提前预测这套(批)纺丝组件的使用寿命，方便企业更有效的安排维护计划，数据可以与企业aps系统互联，使企业可以更高效的安排生产计划，提高整个企业的设备使用效率。
本文档来自技高网...【技术保护点】
1.一种聚合物单丝尺寸、形态检测及纺丝组件使用寿命预测方法，其特征是：获取机器视觉系统采集的聚合物单丝历史数据及实时采集的增量数据，将数据分为训练数据集和测试数据集，利用深度卷积神经网络学习和训练，优化图像内部特征及边缘特征的提取，获得训练模型，再利用测试数据集对训练模型进行测试，获取测试结果，测试结果若通过则输出结果，若不通过，则重新训练；结合深度卷积神经网络CNN-Transformer预测模型，一方面实现优化机器视觉系统采集的聚合物单丝图像边缘特征提取，提高聚合物单丝几何尺寸及表面形态的检测精度，另一方面进一步实现聚合物单丝纺丝组件剩余使用寿命的预测。
2.根据权利要求1所述的聚合物单丝尺寸、形态检测及纺丝组件使用寿命预测方法，其特征是：优化机器视觉系统采集的聚合物单丝图像边缘特征提取的具体方法：(1)先过滤图像中的高频特征，用卷积神经网络对图像进行下采样，利用卷积神经网络的优势，将传统的固定参数滤波操作替换为可学习的滤波操作，通过深度可分离卷积来学习过滤高频特征；同时使用空洞卷积来扩大卷积合的感受野；(2)利用二次线性插值获取原特征的低频表示，将下采样后的低频
3.根据权利要求1所述的聚合物单丝尺寸、形态检测及纺丝组件使用寿命预测方法，其特征是：聚合物单丝纺丝组件剩余使用寿命的预测的具体方法：(1)健康指标的构建：组件的纺丝寿命在使用过程中受不同因素影响，退化速率是不断变化的，在刚开始使用的时候，性能相对稳定，退化速率较慢，后期随着使用时间增加，退化速率加快，健康程度不断下降；因此，用一个二次函数来表达纺丝组件寿命退化趋势，其定义为：
...【技术特征摘要】
1.一种聚合物单丝尺寸、形态检测及纺丝组件使用寿命预测方法，其特征是：获取机器视觉系统采集的聚合物单丝历史数据及实时采集的增量数据，将数据分为训练数据集和测试数据集，利用深度卷积神经网络学习和训练，优化图像内部特征及边缘特征的提取，获得训练模型，再利用测试数据集对训练模型进行测试，获取测试结果，测试结果若通过则输出结果，若不通过，则重新训练；结合深度卷积神经网络cnn-transformer预测模型，一方面实现优化机器视觉系统采集的聚合物单丝图像边缘特征提取，提高聚合物单丝几何尺寸及表面形态的检测精度，另一方面进一步实现聚合物单丝纺丝组件剩余使用寿命的预测。
2.根据权利要求1所述的聚合物单丝尺寸、形态检测及纺丝组件使用寿命预测方法，其特征是：优化机器视觉系统采集的聚合物单丝图像边缘特征提取的具体方法：(1)先过滤图像中的高频特征，用卷积神经网络对图像进行下采样，利用卷积神经网络的优势，将传统的固定参数滤波操作替换为可学习的滤波操作，通过深度可分离卷积来学习过滤高频特征；同时使用空洞卷积来扩大卷积合的感受野；(2)利用二次线性插值获取原特征的低频表示，将下采样后的低频特征还原到原特征相同尺度，然后将原特征与低频特征连接后共同经过一定尺度的卷积核，预测得到光流场,光流场的每一个二元组表示原特征想要匹配到低频...
【专利技术属性】
技术研发人员：马海燕，张平平，
申请(专利权)人：南通新帝克单丝科技股份有限公司，
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。