[发明专利]注射器注塑成型生产用采集数据处理方法及系统

说明书

本申请涉及数据处理领域，其具体地公开了一种注射器注塑成型生产用采集数据处理方法及系统，其通过采用基于深度学习的神经网络模型挖掘出注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布信息，以此来综合进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

技术领域

本申请涉及数据处理领域，且更为具体地，涉及一种注射器注塑成型生产用采集数据处理方法及系统。

背景技术

注塑成型是一种常用的塑料制品加工方法，它可以生产出各种形状和尺寸的塑料件。例如，医疗器械如注射器的注塑成型过程中可能会出现一些缺陷，如熔接线、气泡、翘曲、缩水等，这些缺陷会影响产品的外观和性能，甚至导致产品报废。因此，对注塑成型后的产品质量进行监控是非常重要的，它可以及时发现和解决问题，提高产品的合格率和客户满意度。

因此，期望一种注射器注塑成型生产用采集数据处理方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种注射器注塑成型生产用采集数据处理方法及系统，其通过采用基于深度学习的神经网络模型挖掘出注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布信息，以此来综合进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

根据本申请的一个方面，提供了一种注射器注塑成型生产用采集数据处理方法，其包括：

获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；

将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量；

将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；

对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；

将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；以及

将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的整体成型质量是否符合预定标准。

在上述注射器注塑成型生产用采集数据处理方法中，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型以得到第一至第六检测语义特征向量，包括：使用所述Vi T模型的转换器对所述第一至第六检测图像块的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义第一至第六检测图像块特征向量；以及，将所述多个全局上下文语义第一至第六检测图像块特征向量进行级联以得到所述第一至第六检测语义特征向量。

在上述注射器注塑成型生产用采集数据处理方法中，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，包括：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述多尺度集成感知结构的最后一层的输出为所述多尺度关联特征图，所述多尺度集成感知结构的第一层的输入为所述第一至第六检测语义特征向量进行二维排列得到的特征矩阵。