【技术实现步骤摘要】
本专利技术涉及图像数据处理，具体为基于高频机器视学习的多参数最优设定值的分析方法。
技术介绍
1、高频机器视学习结合了机器学习和计算机视觉技术，能够实时分析和处理大量图像数据，多参数最优设定值的分析方法则旨在通过优化多个参数的组合，以实现系统性能的最佳化，将这两者结合，可以在复杂的应用场景中实现高效的决策支持。
2、但现有技术中，采用高频机器学习和计算机视觉技术对产品的图像信息进行采集，而后通过设定参数与采集参数进行对比分析判断产品的质量的处理方式，在针对自动化生产的产品进行质量检测时，由于训练数据不足或特征选择不当，模型可能会过拟合训练集，导致难以设定出最优参数，同时由于图像传感器存在噪声以及环境干扰等因素的干扰，导致采集的图像质量下降，在对生产线上的产品进行图像采集时，产品跟随产线处于运动状态时，摄像头采集的图像容易出现模糊，也会导致采集的图像质量下降，最终造成产品的质量检测精确度下降。
技术实现思路
1、本专利技术的目的在于提供基于高频机器视学习的多参数最优设定值的分析方法，以解决上述
技术介绍
提出的由于训练数据不足或特征选择不当，模型可能会过拟合训练集，导致难以设定出最优参数，同时由于图像传感器存在噪声以及环境干扰等因素的干扰，导致采集的图像质量下降，在对生产线上的产品进行图像采集时，产品跟随产线处于运动状态时，摄像头采集的图像容易出现模糊，也会导致采集的图像质量下降，最终造成产品的质量检测精确度下降的问题。
2、为实现上述目的，本专利技术提供如下技术
3、s1、采集数据源：数据源由同类型产品的历史数据和同类型产品的同批次数据组成；
4、s2、将采集到的数据源分为测试集和训练集；
5、s3、确定影响因子：按照人为因素、环境因素和设备因素划分影响因子；
6、s4、对影响因子进行相关性验证，所述相关性验证采用方差膨胀因子方法进行多重共线性验证，筛选vif值小于10的因子，所述vif的计算公式如下：；
7、式中：为第i个影响因子与其他影响因子之间的决定系数；
8、s5、模型构建：使用训练集的采集样本进行模型构建，所述模型构建采用随机森林算法，所述随机森林算法用于从训练集样本数据中选择一个最优特征作为该节点的分裂属性；
9、s6、模型评估：使用测试集的采集样本对模型构建的模型进行评估；
10、s7、模型优化：用于对模型评估不合格的模型进行优化。
11、优选的，在步骤s1中，数据源中同类型产品的历史数据与同类型产品的同批次数据的比例为1:1。
12、优选的，在步骤s1中，所述同类型产品的同批次数据使用生产线的图像采集装置进行图像信息采集。
13、优选的，在步骤s2中，所述测试集和训练集的数据样本比例为3:7。
14、优选的，在步骤s5中，所述随机森林算法包括以下内容：
15、s51、自助采样：从训练集的采集样本d中有放回地随机抽取k个样本，作为一次决策树的训练集k；
16、s52、特征随机选择：从候选的m个特征中随机地选取m个特征（m<<m），作为当前节点下决策的备选特征子集；然后从选取的m个特征中采用信息增益策略来选择一个最优特征作为该节点的分裂属性，特征a对于数据集k的信息增益gain（a，k）为数据集的熵ent（k）与特征a的条件熵cent（a，k）之差，公式如下：；
17、式中：、为当前数据集k中不合格与合格样本所占的比例；表示特征a取值为v的样本数；
18、s53、决策树生长：决策树形成过程中，每个节点均重复步骤s2进行分裂，直到再无新的特征时，分裂结束；
19、s54、构建随机森林：按照步骤s1到s3，构建n颗决策树；
20、s55、最终的预测结果则通过对所有决策树的预测结果投票进行分类，确定出一个最优的特征参数。
21、优选的，在步骤s53中，所述决策树生长采用xgboost算法来降低决策树的复杂度，得到决策树的最优目标函数，所述最优目标函数如下：；
22、式中：，为所有属于第j个叶子结点的样本的总和；为损失函数的一阶导数；，为所有属于第j个叶子结点的样本hi的总和；hi为损失函数的二阶导数；，表示为第i个样本位于第j个叶子结点；t为叶子结点的数量；为叶子结点的权重值；,为超参数，用于控制惩罚力度；
23、所述最优目标函数用于衡量树结构好坏的标准，值越小表示树的结构越优。
24、优选的，在步骤s6中，所述模型评估采用混淆矩阵和 roc 曲线对模型构建的模型进行评估，所述混淆矩阵用于获取的数据计算准确率、精确率、召回率来评价模型，所述roc 曲线用于定量地判断模型检测的准确性。
25、优选的，在步骤s7中，所述模型优化采用贝叶斯优化算法对构建的模型进行优化处理。
26、优选的，在步骤s7中，所述贝叶斯优化算法对构建的模型进行优化处理包括以下内容：
27、s71、首先通过高斯回归模型逼近目标函数建立先验知识；
28、s72、然后通过观察目标函数在不同输入点的输出，更新这个先验知识，形成后验分布；
29、s73、基于后验分布，利用pi采集函数进行下一步采样，将采样的数据添加到数据集，再进行概率代理函数计算，并重复以上步骤，迭代到设定次数后选取全局最优解。
30、基于高频机器视学习的多参数最优设定值的装置，包括安装机构、调节机构和清洁机构，所述安装机构包括一号滑轨，所述一号滑轨内部滑动连接有一号滑块，且一号滑轨顶部固定连接有一号伺服电机，所述一号伺服电机输出端固定连接有一号调节丝杆，所述一号调节丝杆与一号滑块螺纹连接，所述一号滑块侧面固定连接有二号滑轨，所述二号滑轨内部滑动连接有二号滑块，且二号滑轨一端固定连接有二号伺服电机，所述二号伺服电机输出端固定连接有二号调节丝杆，所述二号调节丝杆与二号滑块螺纹连接，所述调节机构包括三号伺服电机，所述三号伺服电机与二号滑块侧面固定连接，且三号伺服电机输出端固定连接有一号连接架，所述一号连接架下部固定连接有四号伺服电机，所述四号伺服电机输出端固定连接有二号连接架，所述二号连接架侧面固定连接有五号伺服电机，所述五号伺服电机输出端固定连接有安装架，所述安装架表面安装有图像采集装置器，所述清洁机构包括固定架，所述固定架与二号滑轨底部固定连接，且固定架一端固定连接有安装板，所述安装板内部插接有插板，所述插板上部固定连接有擦拭棉层。
31、与现有技术相比，本专利技术的有益效果是：
32、1、本专利技术中，通过采集同类型产品的历史数据和同类型产品的同批次数据，提升图像数据样本的多样性，从而提高模型的泛化能力、增强模型的鲁棒性、提升模型的预测和判断的准确性，在对图像数据进行采集和模型构建时充分考虑影响因子，并通过对影响因子进行相关性验证，可以在建模本文档来自技高网...
【技术保护点】
1.基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，包括以下内容：
2.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤S1中，数据源中同类型产品的历史数据与同类型产品的同批次数据的比例为1:1。
3.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤S1中，所述同类型产品的同批次数据使用生产线的图像采集装置进行图像信息采集。
4.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤S2中，所述测试集和训练集的数据样本比例为3:7。
5.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤S5中，所述随机森林算法包括以下内容：
6.根据权利要求5所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤S53中，所述决策树生长采用XGBoost算法来降低决策树的复杂度，得到决策树的最优目标函数，所述最优目标函数如下：
7.根据权利要求1所述的基
8.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤S7中，所述模型优化采用贝叶斯优化算法对构建的模型进行优化处理。
9.根据权利要求8所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤S7中，所述贝叶斯优化算法对构建的模型进行优化处理包括以下内容：
10.基于高频机器视学习的多参数最优设定值的装置，其特征在于使用了权利要求1-9中任一项所述基于高频机器视学习的多参数最优设定值的分析方法，包括安装机构（1）、调节机构（2）和清洁机构（3），所述安装机构（1）包括一号滑轨（11），所述一号滑轨（11）内部滑动连接有一号滑块（12），且一号滑轨（11）顶部固定连接有一号伺服电机（13），所述一号伺服电机（13）输出端固定连接有一号调节丝杆（14），所述一号调节丝杆（14）与一号滑块（12）螺纹连接，所述一号滑块（12）侧面固定连接有二号滑轨（15），所述二号滑轨（15）内部滑动连接有二号滑块（16），且二号滑轨（15）一端固定连接有二号伺服电机（17），所述二号伺服电机（17）输出端固定连接有二号调节丝杆（18），所述二号调节丝杆（18）与二号滑块（16）螺纹连接，所述调节机构（2）包括三号伺服电机（21），所述三号伺服电机（21）与二号滑块（16）侧面固定连接，且三号伺服电机（21）输出端固定连接有一号连接架（22），所述一号连接架（22）下部固定连接有四号伺服电机（23），所述四号伺服电机（23）输出端固定连接有二号连接架（24），所述二号连接架（24）侧面固定连接有五号伺服电机（25），所述五号伺服电机（25）输出端固定连接有安装架（26），所述安装架（26）表面安装有图像采集装置器（27），所述清洁机构（3）包括固定架（31），所述固定架（31）与二号滑轨（15）底部固定连接，且固定架（31）一端固定连接有安装板（32），所述安装板（32）内部插接有插板（33），所述插板（33）上部固定连接有擦拭棉层（34）。
...【技术特征摘要】
1.基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，包括以下内容：
2.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤s1中，数据源中同类型产品的历史数据与同类型产品的同批次数据的比例为1:1。
3.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤s1中，所述同类型产品的同批次数据使用生产线的图像采集装置进行图像信息采集。
4.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤s2中，所述测试集和训练集的数据样本比例为3:7。
5.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤s5中，所述随机森林算法包括以下内容：
6.根据权利要求5所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤s53中，所述决策树生长采用xgboost算法来降低决策树的复杂度，得到决策树的最优目标函数，所述最优目标函数如下：
7.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤s6中，所述模型评估采用混淆矩阵和 roc 曲线对模型构建的模型进行评估，所述混淆矩阵用于获取的数据计算准确率、精确率、召回率来评价模型，所述 roc 曲线用于定量地判断模型检测的准确性。
8.根据权利要求1所述的基于高频机器视学习的多参数最优设定值的分析方法，其特征在于，在步骤s7中，所述模型优化采用贝叶斯优化算法对构建的模型进行优化处理。
9.根据权利要求8所述的基于高频机器视学习的多参数最优设定值的分析...
【专利技术属性】
技术研发人员：万浩光，万石川，万百川，万逸川，
申请(专利权)人：澳研智慧科技珠海横琴有限公司，
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。