[发明专利]一种基于Gap-loss函数的工业流水线生产状态检测方法

说明书

本文公开了一种基于Gap‑loss函数的工业流水线生产状态检测方法。该方法主要包括：数据预处理，主要是对图像数据和传感器数据分别进行卷积特征提取和特征交叉，之后进行特征拼接；网络设计，根据所要解决的任务，制定对应的网络结构；损失函数优化，在深度学习常用的交叉熵损失函数的基础上引入对应标签的输出概率和排除该概率之后第二大概率的差值。本发明通过拼接多维度特征、设计适应网络以及网络损失函数，可以加速模型的收敛速度，提高工业生产状态检测的准确率。

技术领域

本发明涉及深度学习分类算法以及工业生产状态检测领域，具体涉及一种基于Gap-loss函数的工业流水线生产状态检测方法。

背景技术

随着科学进步以及社会生产力的快速发展，工厂中的工业生产过程越来越复杂，一方面对工业生产的工业产品质量保障日趋重要，另一方面对生产设备运行状态以及整个系统的运行状态的检测也越来越受到关注，目前对生产设备以及整个系统运行状态的检测主要是依靠融合各个传感器数据作出一些规则和策略判断或者根据人工进行。长时间进行这种单调的视觉观测导致工人视觉疲劳，同时依据传感器作出的规则和策略并不能完全有效的符合每一种情况因而可能出现不控制事故，从而会影响状态检测的效率和正确率。工业生产环境一般是光照条件单一稳定，对于实现了自动化的工业生产流水线来说，人为影响基础可以忽略而且流水作业更为单一，比较适合采用机器视觉的方式，同时搭配各个传感器数据来在线实时的检测生产状态。

近年来神经网络的高速发展，生产状态检测的研究也在逐步的推进。在神经网络发展之前，主要采用传统的视觉识别方法，设计控制和规划算法去判断生产状态。YunJiang于2012年首次提出了采用卷积神经网络的方法来解决物品抓取位置检测的问题。时至今日，各个国家的学者依然在这个领域做着相关的研究。从最先采用规则判断转向传统的机器视觉技术再到现在采用深度卷积神经网络来解决生产状态的检测，都或多或少解决不了各个环境因素的影响而导致检测结果存在偏差。

在使用神经网络相关算法时，由于损失函数量化了待优化目标和优化目标的差距，也间接指定了优化方向，所以选择什么样的损失函数也是至关重要的。在机器学习中，损失函数是指待优化目标和优化目标两者之间差异的函数表达式。在机器学习中，给定独立同分布的学习样本(X,y)∈χ×γ，和模型损失函数是模型输出和观测结果间的概率分布差异的量化：

目前，在分类问题主要采用的损失函数有：

Zero-one Loss：

Hinge Loss：

Exponentialloss：

Cross Entropy Loss：

Zero-one Loss逻辑清楚计算简单，但对每个错分类点都使用相同的权重惩罚，对于犯错比较大的点无法进行较大的惩罚，并且该损失函数不连续，非凸，不可导，因此，不可用在梯度优化算法上。Hinge Loss合页损失函数可以通过让一部分样本的损失值等于零，这样可以得到稀疏解，一般用在SVM上，只依靠少量的支持向量就能确定最终的超平面，但一般不用在神经网络上。Exponential loss多用于树模型上，对异常点较为敏感，相对于其它损失函数的鲁棒性较差。Cross Entropy Loss是一个非常重要的损失函数，不管是应用到二分类还是多分类中，该损失函数受异常样本的干扰较小，而且该函数连续可导，也便于求导，可以用于梯度优化算法中。

从算法原理层面来说，优化损失函数可以表明该模型的优化方向，在上文中，不管是基于迁移学习的网络模型还是基于卷积神经网络的网络模型使用的损失函数都是交叉熵损失函数，该函数注重最大化正确类的概率，考虑到本文所解决的目标和所应用的场景，交叉熵损失函数与优化目标匹配度低，不具有专用性，对于不同场景下的任务没有做到细分。