[发明专利]面向3C装配领域微力锁付缺陷检测的深度学习方法

说明书

一种面向3C装配领域微力锁付缺陷检测的深度学习方法，通过建立缺陷数据集样本并利用无监督学习的卷积自编码思想的时序数据特征提取方法，从中提取特征维度一致的锁付缺陷检测评估的特征数据，生成锁付缺陷检测的特征数据集，将原始锁付特征数据集和增强锁付的特征数据集结合后输入轻量级卷积神经分类网络模型进行迭代训练，得到一种有效分类锁付缺陷推理的网络模型。本发明通过普适性的特征提取和特征降维方法以及时序信号深度学习网络，可以判断锁付质量并识别具体的锁付缺陷种类。能够显著提高精密微力锁付质量检测的准确性、稳定性和效率。

技术领域

本发明涉及的是一种3C装配领域精密锁付质量检测应用领域的技术，具体是一种面向 3C装配领域微力锁付缺陷检测的深度学习方法。

背景技术

现有机器人自动化制造的质量受限于其定位精度，其锁付的质量一致性无法得到有效 的保证。因此需要一种有效、准确的分类方法判别其锁付质量。目前机器人锁付质量缺陷 主要通过锁付扭矩来进行识别。一种常见的方法是设定扭矩阈值，然后根据与阈值的比较 判断是否锁付成功，这种方法只能判定锁付的完成度，无法判断锁付质量及对锁付缺陷进行 分类。另一种方法是通过专业人员的经验来进行检测和筛选，这种方法耗时耗力，同时受限 于专业人员的经验，人工操作经常带来了系统性误差，而且有些仅靠外观并不能判定锁付质 量与缺陷类别。

发明内容

本发明针对现有技术无法针对特征维度不一致的时序数据集进行特征提取和特征降维、 支持向量机难以划分高度非线性的锁付缺陷数据、传统神经网络记忆训练数据，无法描述其 置信空间，当测试集和训练集分布差异性较大时，无法实现准确锁付缺陷的识别与准确划分 等问题，提出一种面向3C装配领域微力锁付缺陷检测的深度学习方法，通过普适性的特征 提取和特征降维方法以及时序信号深度学习网络，可以判断锁付质量并识别具体的锁付缺陷 种类。能够显著提高精密微力锁付质量检测的准确性、稳定性和效率。

本发明是通过以下技术方案实现的：

本发明涉及一种面向3C装配领域微力锁付缺陷检测的深度学习方法，通过建立缺陷 数据集样本并利用无监督学习的卷积自编码思想的时序数据特征提取方法，从中提取特征 维度一致的锁付缺陷检测评估的特征数据，生成锁付缺陷检测的特征数据集，将原始锁付 特征数据集和增强锁付的特征数据集结合后输入轻量级卷积神经分类网络模型进行迭代训 练，得到一种有效分类锁付缺陷推理的网络模型。

所述的缺陷数据集样本，包含5种锁付锁付缺陷，具体为：偏锁、滑牙、不良锁付(锁付扭矩波动大)、良好锁付(锁付扭矩波动小)和浮锁、面与面接触缺陷。

所述的缺陷数据集样本，利用工业机器人和智能电批采集操作过程中末端扭矩信号， 通过机器人位置和姿态设定偏差值获取缺陷数据集样本，经复检数据的真实标签，建立锁 付缺陷数据集。

所述的数据增强是指：将锁付质量的特征数据与混合插值数据以增强方法相结合， 获得增强的锁付缺陷检测网络训练的特征数据集。

所述的混合插值数据是指：选择锁付缺陷同类样本标签内的特征数据，进行随机线 性插值，有效弥补数据集样本量对网络模型泛化与迁移性能的影响。

所述的轻量级卷积神经分类网络模型包括：第一卷积层单元、第二卷积层单元、第三 卷积层单元以及softmax分类单元，其中：第一卷积层单元根据增强后的1×512特征向量输 入信息，进行特征提取处理，得到尺寸为4×256的第一特征向量层，第二卷积层单元根据第 一特征向量层的信息，进行深度特征提取处理，得到尺寸为4×128的第二特征向量层，第三 卷积层单元根据第二特征向量层的信息，进行再次特征提取处理，得到尺寸为8×64的第三特 征向量层，分类单元根据第三特征向量层的信息，进行转置处理，得到1×512维特征向量， 并通过512×5线性层和softmax层进行分类，得到锁付质量缺陷检测结果。

所述的第一卷积层单元包括：4个尺寸为1×3的卷积核、一个批标准化层和一个1×2 最大值池化层。