[发明专利]零件异常检测方法、装置、设备及存储介质

权利要求书

1.一种零件异常检测方法，其特征在于，包括：

获取预设时间段内的微波可穿透零件反射的回波信号信息；

提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态；

所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态，包括：

将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征，所述回波信号信息包括所述回波信号的点云数据，所述点云数据包括所述微波可穿透零件中每个点的三维坐标、回波信号强度信息和RGB信息，所述回波信号信息的特征包括根据所述回波信号的点云数据绘制的点云图；

将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。

2.根据权利要求1所述的零件异常检测方法，其特征在于，所述将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态，包括：

将所述回波信号信息的特征按照时刻从小到大的顺序组成的前向序列，输入至前向长短期记忆网络层，获得前向输出特征；

将所述回波信号信息的特征按照时刻从大到小的顺序组成的后向序列，输入至后向长短期记忆网络层，获得后向输出特征；

将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征；

根据所述整体输出特征，获得所述异常状态。

3.根据权利要求2所述的零件异常检测方法，其特征在于，所述将所述前向输出特征和所述后向输出特征进行整合，获得整体输出特征，包括：

根据所述前向输出特征的权重和所述后向输出特征的权重，计算所述前向输出特征和所述后向输出特征的加权平均值，获得所述整体输出特征。

4.根据权利要求2所述的零件异常检测方法，其特征在于，所述根据所述整体输出特征，获得所述异常状态，包括：

计算所述整体输出特征属于各个异常状态的概率；

将概率最大的异常状态作为目标异常状态。

5.根据权利要求1-4任一项所述的零件异常检测方法，其特征在于，所述提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态之前，所述方法还包括：

将所述回波信号信息进行卡尔曼滤波，去除噪声数据。

6.一种零件异常检测系统，其特征在于，包括微波雷达发射组件、微波雷达接收组件和处理组件；

所述微波雷达发射组件，用于向微波可穿透零件发射微波雷达信号；

所述微波雷达接收组件，用于接收预设时间段内的微波可穿透零件反射的回波信号信息，并将所述回波信号信息发送至处理组件；

所述处理组件，用于获取所述微波雷达接收组件发送的回波信号信息；将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征，所述回波信号信息包括所述回波信号的点云数据，所述点云数据包括所述微波可穿透零件中每个点的三维坐标、回波信号强度信息和RGB信息，所述回波信号信息的特征包括根据所述回波信号的点云数据绘制的点云图；将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述微波可穿透零件的异常状态。

7.一种零件异常检测装置，其特征在于，包括：

获取模块，用于获取预设时间段内的微波可穿透零件反射的回波信号信息；

处理模块，用于提取所述回波信号信息的特征，并根据所述回波信号信息的特征获得所述微波可穿透零件的异常状态；

所述处理模块，具体用于将所述回波信号信息输入至卷积神经网络模型，获得所述卷积神经网络模型输出的所述回波信号信息的特征，所述回波信号信息包括所述回波信号的点云数据，所述点云数据包括所述微波可穿透零件中每个点的三维坐标、回波信号强度信息和RGB信息，所述回波信号信息的特征包括根据所述回波信号的点云数据绘制的点云图；将所述回波信号信息的特征输入至前后向长短期记忆网络模型，获得所述前后向长短期记忆网络模型输出的所述异常状态。