铜杆检测用深度学习方法、装置及存储介质与流程

本技术实施例涉及网络，特别涉及一种铜杆检测用深度学习方法、装置及存储介质。

背景技术：

1、为了在生产过程中实现对电解铜生产过程的有效监控、控制和优化，相关方法中通常基于人工操作和手工记录的方式来实现电解铜管理。在这种方法中，生产过程中的监测、记录和控制主要依赖于操作员的经验和手工操作，以下是传统的管理方法的一般步骤和存在的问题。

2、手工记录：操作员使用纸张记录或电子表格记录生产过程中的关键参数，如电解槽温度、电流、电压等。这些记录通常需要手动填写，存在数据录入错误和信息重复的风险。

3、人工监测：操作员会定期对电解设备进行人工监测，包括观察设备运行状态、检查电解槽内部情况等。这些监测通常是基于操作员的经验和直觉，缺乏科学依据和数据支持。

4、基于经验的质量控制：质量控制主要依赖于操作员的经验和直觉，缺乏系统化的质量管理手段。生产过程中的质量问题可能会通过操作员的经验来解决。

5、人为误差高：由于操作员的疲劳、精力不集中或个人偏见等因素，可能导致人为误差的产生。例如，重复性的监测和记录可能会使操作员产生疲劳，进而影响数据的准确性和质量控制效果。

6、耗时耗力：传统的管理方法通常需要大量的人力投入，包括记录数据、监测设备状态等，耗时且效率低下。操作员需要花费大量时间来完成重复性的任务，导致资源浪费和生产效率低下。

7、综上所述，传统的电解铜管理方法主要是基于人工操作和手工记录的方式，存在着数据准确性低、效率低下、人为误差高等问题，需要一种更高效与准确性的电解铜管理系统来对生产过程进行智能化管理，以提高生产效率和产品质量，为企业的持续发展和竞争力提供支撑。

技术实现思路

1、本技术实施例提供了一种铜杆检测用深度学习方法、装置及存储介质，以解决相关技术中基于人工操作和手工记录的方式的电解铜管理存在的数据准确性低和效率低下问题。所述技术方案如下：

2、一方面，提供了一种铜杆检测用深度学习方法，所述方法包括：

3、在电解铜生产过程中，采集待检测铜杆的表面图像；

4、对所述待检测铜杆的表面图像进行特征提取，得到所述待检测铜杆对应的模型输入特征，所述模型输入特征包括所述待检测铜杆的表面图像的结构化特征，和/或，图像特征；

5、将所述模型输入特征输入铜杆检测用深度学习模型，得到所述待检测铜杆的多分类结果，其中，所述铜杆检测用深度学习模型采用mobilenet网络构建；

6、将所述待检测铜杆的多分类结果输入废杆检测模型进行废杆检测；

7、根据是否废杆的结果进行显示和报警。

8、可选的，所述待检测铜杆的表面图像的采集装置固定在生产线上的预设位置，所述预设位置满足对图像的连续高清捕捉。

9、可选的，所述对所述待检测铜杆的表面图像进行特征提取之前，方法还包括：

10、对所述待检测铜杆的表面图像进行图像增强；

11、对所述待检测铜杆的表面图像进行噪声滤除；

12、在所述待检测铜杆的表面图像中，通过所述图像分割算法将铜杆区域从背景中分割出来并提取感兴趣区域；

13、在所述感兴趣区域下得到所述待检测铜杆最终的表面图像。

14、可选的，所述铜杆检测用深度学习模型包括卷积层、全局平均池化层和全连接层；

15、所述卷积层包含有卷积核，各个卷积核用于根据输入的模型输入特征生成所述待检测铜杆的特征图；

16、所述全局平均池化层用于对所述待检测铜杆的特征图进行池化操作；

17、所述全连接层用于生成所述待检测铜杆的多分类结果，其中，所述全连接层的神经元数量匹配多分类结果数。

18、可选的，所述将所述模型输入特征输入铜杆检测用深度学习模型，得到所述待检测铜杆的多分类结果，包括：

19、将所述模型输入特征输入卷积层，得到所述待检测铜杆的特征图；

20、将所述待检测铜杆的特征图输入全局平均池化层得到池化操作后的特征信息；

21、在所述全连接层中，通过softmax激活函数将所述待检测铜杆的特征信息输出映射到概率分布，所述概率分布用于确定所述待检测铜杆的多分类结果；

22、输出所述待检测铜杆的多分类结果。

23、可选的，所述废杆检测模型包含第一全连接层、第二全连接层和第三全连接层；

24、所述第一全连接层的输入层为所述待检测铜杆的多分类结果且所述第一全连接层采用64个神经元数量，所述第一全连接层的维度等于所述多分类结果的类别数；

25、所述第二全连接层的输入层为32个神经元数量；

26、所述第三全连接层的输入层为2个神经元，所述2个神经元分别对应于二分类问题中的两个类别，一个表示“废杆”，另一个表示“非废杆”。

27、可选的，所述第一全连接的激活函数选择(rectified linear unit，relu)；

28、所述第二连接层的激活函数选择relu；

29、所述第三连接层的激活函数选择sigmoid。

30、可选的，所述根据是否废杆的结果进行显示和报警，包括：

31、在监控界面上显示待检测铜杆的表面图像和是否废杆的结果；

32、响应于所述是否废杆的结果指示异常时，发出声光报警信号。

33、另一方面，提供了一种铜杆检测用深度学习装置，所述装置包括：

34、图像采集模块，用于在电解铜生产过程中，采集待检测铜杆的表面图像；

35、特征提取模块，用于对所述待检测铜杆的表面图像进行特征提取，得到所述待检测铜杆对应的模型输入特征，所述模型输入特征包括所述待检测铜杆的表面图像的结构化特征，和/或，图像特征；

36、深度学习模块，用于将所述模型输入特征输入铜杆检测用深度学习模型，得到所述待检测铜杆的多分类结果，其中，所述铜杆检测用深度学习模型采用mobilenet网络构建；

37、异常检测模块，用于将所述待检测铜杆的多分类结果输入废杆检测模型进行废杆检测；

38、显示和报警模块，用于根据是否废杆的结果进行显示和报警。

39、另一方面，提供了一种服务器，所述服务器包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行以实现如上述方面所述的铜杆检测用深度学习方法。

40、另一方面，提供了一种计算机可读存储介质，所述存储介质存储有至少一条指令，所述至少一条指令用于被处理器执行以实现如上述方面所述的铜杆检测用深度学习方法。

41、另一方面，还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述方面所述的铜杆检测用深度学习方法。

42、本技术实施例中，提供一种自动化的铜杆检测用深度学习方法，利用深度学习模型来准确决策铜杆的质量提高检测精度，以及，准确识别铜杆表面的异常。此外，能够在生产过程中即时监控和报警，提高生产效率；深度学习模型能够随时间和数据积累不断优化，保持高性能；结合深度学习提取特征与传统算法分类，提高检测灵活性和准确性；适用于各种电解铜生产环境，能识别常见及复杂的异常情况，提高行业检测水平。

技术特征：

1.一种铜杆检测用深度学习方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述待检测铜杆的表面图像的采集装置固定在生产线上的预设位置，所述预设位置满足对图像的连续高清捕捉。

3.根据权利要求1所述的方法，其特征在于，所述对所述待检测铜杆的表面图像进行特征提取之前，方法还包括：

4.根据权利要求1至3任一所述的方法，其特征在于，所述铜杆检测用深度学习模型包括卷积层、全局平均池化层和全连接层；

5.根据权利要求4所述的方法，其特征在于，所述将所述模型输入特征输入铜杆检测用深度学习模型，得到所述待检测铜杆的多分类结果，包括：

6.根据权利要求1所述的方法，其特征在于，所述废杆检测模型包含第一全连接层、第二全连接层和第三全连接层；

7.根据权利要求6所述的方法，其特征在于，

8.根据权利要求1所述的方法，其特征在于，所述根据是否废杆的结果进行显示和报警，包括：

9.一种铜杆检测用深度学习装置，其特征在于，所述装置包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上述权利要求1至8任一项所述的铜杆检测用深度学习方法。

技术总结
本申请公开了一种铜杆检测用深度学习方法、装置及存储介质，属于网络技术领域。该方法提供一种自动化的铜杆检测用深度学习方法，利用深度学习模型来准确决策铜杆的质量提高检测精度，以及，准确识别铜杆表面的异常。此外，能够在生产过程中即时监控和报警，提高生产效率；深度学习模型能够随时间和数据积累不断优化，保持高性能；结合深度学习提取特征与传统算法分类，提高检测灵活性和准确性；适用于各种电解铜生产环境，能识别常见及复杂的异常情况，提高行业检测水平。

技术研发人员：常家利,施学青,张栋梁,孙海燕,孙中奇,陆长勇,危贵霞
受保护的技术使用者：江苏亨通精工金属材料有限公司
技术研发日：
技术公布日：2024/9/23