[发明专利]平面感应线圈异常焊接点的识别方法

权利要求书

1.一种平面感应线圈异常焊接点的识别方法，其特征在于：包括如下步骤：

A、利用蚀刻技术制作平面感应线圈，该制成品按照工业化的生产步骤进行传送；

B、在传送到表面瑕疵检测设备时，具有高清摄像功能的摄像头对产品进行拍摄，采集产品表面的高清图像；

C、高清图像通过内部总线传输到异常焊接点提取设备，异常焊接点提取设备与异常焊接点特征库进行对比，给出具有异常特征的置信值，具体步骤如下：

C1、产品的高清图像被向量化，以一维矩阵输入到异常焊接点提取设备；

C2、异常焊接点提取设备从存储设备中恢复预训练的神经网络结构；预训练的神经网络结构的训练过程，包括如下步骤：

C21、在深度神经网络某一个epoch训练过程中，输入符合某种分布的正品样例图片与瑕疵品样例图片，将图片进行预处理以及向量化；

C22、针对瑕疵品样例图片，根据标准的交叉信息熵损失函数依据公式（1）计算前向传播产生的损失函数；

（1）；

其中，表示是当前epoch中的第i个训练样例通过softmax以后产生的交叉函数损失值，表示第i个样例对应的输出，使用指数函数经过处理以后记为，表示对所有的训练样例经过指数处理以后的结果求和；整个过程是标准的基于softmax的交叉信息熵计算过程；表示基于数据分布敏感的损失补偿函数；

C23、针对正品样例图片，设计具有最大软间角的损失函数来计算第i个样例的损失函数值，如公式（2）所示；

(2)；

为了简化前向传播与反向传播的计算过程，我们定义函数为

(3)；

公式（2）表达的含义仍然为第i个样例的交叉熵信息熵损失函数，不过在该损失函数的计算过程中，添加了需要特别优化的角度；表示基于数据分布敏感的损失补偿函数；在分子中，表示第i个样例对应的幅度向量值，表示第i个样例中对应的输入样例对应的距离值，用于表示向量与向量的夹角的余弦值；用于表示输出值的其他向量中，对应的向量与向量的夹角的余弦值；的计算过程如公式（4）所示：

（4）；

向量与向量在神经网络优化过程中都是已知的，则可以计算得到的值；通过分解则转换为的计算过程，具体的计算如公式（5）所示；

(5)；

超参数用于约定要优化的角度的收敛幅度，超参数是一个整数，，为单调递减函数，因此；

C24、将同一个epoch的所有训练样例的损失值求和，并取得平均数，记为当前批次的损失值，计算公式如公式（7）所示；其中表示当前epoch中所有样例的个数，表示对所有的样例求损失函数值的和；

(7)；

C25、利用随机梯度下降法计算目标函数的下降梯度；计算过程采用链式求导法则，使用平均损失函数值对权重向量W通过反向传播得到深度神经网络的不同层的偏微分，从而计算得到梯度下降向量，将计算得到的梯度下降向量代入随机梯度下降公式中，更新神经网络的参数；

C26、循环以上过程，直到损失函数没有明显变化的时候则终止神经网络的训练过程，记录当前的神经网络的参数，持久化存储该训练得到的模型

C3、将图像向量与神经网络结构中的卷积核提出的特征库进行比较，通过前向传播计算得到该感应线圈图像的异常值；

C4、将该异常值通过内部总线传递给工业机器人手臂；

D、该置信值通过内部总线传递给工业机器人手臂，超过特定阈值则被诊断为有异常焊接点的平面感应线圈，该感应线圈被工业机器人手臂转移到固定的待复检回收框内。

2.根据权利要求1所述的平面感应线圈异常焊接点的识别方法，其特征在于：上述步骤C22中的设计基于数据分布敏感的损失补偿函数的方法，包括如下步骤：

C221、预处理工业制成品的待训练图片，包括噪音消除，图片增强；预处理图片为剔除明显是噪声的图片，对待训练的正品与瑕疵品图片进行图片数据增强，包括图片水平与垂直翻转、图片旋转、图片向外及向内缩放、图片裁剪、图片移位、为图片加入高斯噪声，增强的图片能够有效提升带训练数据集的容量；

C222、对训练数据集进行降维可视化，观察训练数据集是否存在少数类的特征偏移的现象；观察的手段是采用t-distributed stochastic neighbor embedding算法，对图片这样的高维数据进行降维；

C223、如果存在少数类的特征偏移现象，则根据训练数据集的分布选择损失补偿因子；计算训练数据集中多数类的实例总数，记为，计算训练数据集中少数类的实例总数，记为；不同类别的补偿因子分别为：

针对次品率为0.2%的流水线来讲，取值接近于500，有必要设计补偿损失函数对补偿因子进行归一化处理，防止出现损失计算时候出现异常值；

C224、采用反正切函数对补偿因子进行非线性归一化；

表示训练数据中标签为的样例经过非线性归一化以后得到的补偿因子，为根据归一化以后的因子进行反向处理后的损失补偿函数；

C225、根据类别的不同，将计算得到的损失补偿因子代入公式（1）中即可计算得到相应训练数据的损失函数值。