详情

原文传递一种基于深度学习的多模态工业缺陷分析方法及系统

专利名称：	一种基于深度学习的多模态工业缺陷分析方法及系统
摘要：	一种基于深度学习的多模态工业缺陷分析方法及系统，涉及工业缺陷分析技术领域，包括主控中心，所述主控中心通信连接有模型构建模块、视觉检测模块、声波检测模块、结构力学检测模块、模型对比模块、缺陷预测模块；所述模型构建模块用于构建机械零件的虚拟模型；所述视觉检测模块用于获得机械零件的表面缺陷；所述声波检测模块用于获得机械零件的内部缺陷；所述结构力学检测模块用于获得机械零件的性能指标；所述模型对比模块用于对机械零件的虚拟模型进行比较，并获得相应的缺陷数据库；所述缺陷预测模块用于构建缺陷预测模型，并对机械零件的性能指标进行预测；通过本发明的技术方案，能够对机械零件实现多模态的缺陷检测以及有效的缺陷预测。
专利类型：	发明专利
国家地区组织代码：	四川;51
申请人：	诺比侃人工智能科技(成都)股份有限公司
发明人：	林仁辉;苏茂才;廖峪;张威
专利状态：	有效
申请日期：	2023-10-09T00:00:00+0800
发布日期：	2023-11-10T00:00:00+0800
申请号：	CN202311297111.9
公开号：	CN117030724A
代理机构：	成都启慧金舟知识产权代理事务所(特殊普通合伙)
代理人：	何媛
分类号：	G01N21/88;G01N29/04;G01N29/44;G01N3/08;G06N3/08;G06F16/215;G06T7/00;G;G01;G06;G01N;G06N;G06F;G06T;G01N21;G01N29;G01N3;G06N3;G06F16;G06T7;G01N21/88;G01N29/04;G01N29/44;G01N3/08;G06N3/08;G06F16/215;G06T7/00
申请人地址：	610000 四川省成都市武侯区万寿西路282号附201号2层
主权项：	1.一种基于深度学习的多模态工业缺陷分析系统，包括主控中心，其特征在于，所述主控中心通信连接有模型构建模块、视觉检测模块、声波检测模块、结构力学检测模块、模型对比模块、缺陷预测模块；所述模型构建模块用于对机械零件的基本信息进行采集，并根据基本信息构建机械零件的虚拟模型；所述视觉检测模块用于对机械零件进行视觉检测以获得机械零件的表面缺陷；所述声波检测模块用于对机械零件进行声波检测以获得机械零件的内部缺陷；所述结构力学检测模块用于对机械零件进行性能测试以获得机械零件的性能指标；所述模型对比模块用于对机械零件的虚拟模型进行比较，并根据比较结果获得相应的缺陷数据库；所述缺陷预测模块用于根据缺陷数据库构建缺陷预测模型，并根据缺陷预测模型对机械零件的性能指标进行预测。 2.根据权利要求1所述的一种基于深度学习的多模态工业缺陷分析系统，其特征在于，所述模型构建模块对机械零件的基本信息进行采集，并根据基本信息构建机械零件的虚拟模型的过程包括：设置模型构建单元，通过所述模型构建单元对机械零件的基本信息进行采集，根据所采集的机械零件的基本信息构建机械零件的理论模型，工作人员通过移动终端对所构建的虚拟模型进行查看。 3.根据权利要求2所述的一种基于深度学习的多模态工业缺陷分析系统，其特征在于，所述视觉检测模块对机械零件进行视觉检测以获得机械零件的表面缺陷的过程包括：设置视觉检测单元，通过所述视觉检测单元对机械零件的图像数据进行采集，采用图像分割技术对机械零件的图像数据进行缺陷检测以获得机械零件的表面缺陷，并将所获得的表面缺陷映射至机械零件的理论模型进行同步以获得相应的实际模型。 4.根据权利要求3所述的一种基于深度学习的多模态工业缺陷分析系统，其特征在于，所述声波检测模块对机械零件进行声波检测以获得机械零件的内部缺陷的过程包括：获得机械零件的声波检测点，在声波检测点上设置声波检测单元，通过所述声波检测单元利用超声波对机械零件进行缺陷检测以获得机械零件的内部缺陷，并将所获得的内部缺陷与其相应的机械零件的实际模型进行绑定。 5.根据权利要求4所述的一种基于深度学习的多模态工业缺陷分析系统，其特征在于，所述结构力学检测模块对机械零件进行性能测试以获得机械零件的性能指标的过程包括：设置结构力学检测单元，通过所述结构力学检测单元对存在表面缺陷和内部缺陷的机械零件进行性能测试以获得相应的性能指标，所述性能指标包括耐久度、可靠度、安全度，并将所获得的耐久度、可靠度、安全度与其相应的机械零件的实际模型进行绑定。 6.根据权利要求5所述的一种基于深度学习的多模态工业缺陷分析系统，其特征在于，所述模型对比模块对机械零件的虚拟模型进行比较，并根据比较结果获得相应的缺陷数据库的过程包括：设置缺陷数据库，获得机械零件的理论模型和实际模型，将所获得的理论模型和实际模型进行比较，根据比较结果获得机械零件的缺陷数据，并将所获得的缺陷数据上传至缺陷数据库进行保存；获得任意两个机械零件的实际模型，将所获得的实际模型进行比较，根据比较结果获得两个机械零件之间的性能差异数据，并将所获得的性能差异数据上传至缺陷数据库进行保存。 7.根据权利要求6所述的一种基于深度学习的多模态工业缺陷分析系统，其特征在于，所述缺陷预测模块根据缺陷数据库构建缺陷预测模型的过程包括：设置数据处理单元，通过所述数据处理单元对缺陷数据库内所存储的缺陷数据和性能差异数据进行预处理以获得相应的可用数据，所述预处理包括离群点处理、缺失值处理、规范化处理；选择深度学习模型作为初始的缺陷预测模型，使用所获得的可用数据对初始的缺陷预测模型进行训练和评估以获得调优的缺陷预测模型，不断对缺陷预测模型进行训练和调优以获得最新的缺陷预测模型。 8.根据权利要求7所述的一种基于深度学习的多模态工业缺陷分析系统，其特征在于，所述缺陷预测模块根据缺陷预测模型对机械零件的性能指标进行预测的过程包括：获得后续的机械零件的表面缺陷或内部缺陷，将所获得的表面缺陷或内部缺陷输入至最新的缺陷预测模型，通过所述缺陷预测模型根据所输入的表面缺陷或内部缺陷对机械零件的性能指标进行预测以获得相应的性能指标范围，将所获得的性能指标范围反馈给工作人员。 9.根据权利要求1至8任一项所述的一种基于深度学习的多模态工业缺陷分析系统的多模态工业缺陷分析方法，其特征在于，包括以下步骤：步骤一：对机械零件的基本信息进行采集，并根据基本信息构建机械零件的虚拟模型；步骤二：对机械零件进行视觉检测以获得机械零件的表面缺陷，对机械零件进行声波检测以获得机械零件的内部缺陷，对机械零件进行性能测试以获得机械零件的性能指标；步骤三：对机械零件的虚拟模型进行比较，并根据比较结果获得相应的缺陷数据库，根据缺陷数据库构建缺陷预测模型，并根据缺陷预测模型对机械零件的性能指标进行预测。
所属类别：	发明专利