[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

权利要求书

1.一种面向3C装配领域微力锁付缺陷检测的深度学习方法，其特征在于，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：偏锁缺陷、滑牙缺陷、不良锁付缺陷、浮锁缺陷以及面与面接触缺陷；

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。

2.根据权利要求1所述的面向3C装配领域微力锁付缺陷检测的深度学习方法，其特征是，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。

3.根据权利要求1所述的面向3C装配领域微力锁付缺陷检测的深度学习方法，其特征是，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。

4.根据权利要求1所述的面向3C装配领域微力锁付缺陷检测的深度学习方法，其特征是，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。

5.根据权利要求4所述的面向3C装配领域微力锁付缺陷检测的深度学习方法，其特征是，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；

所述的第二卷积层单元包括：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；

所述的第三卷积层单元包括：8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。

6.根据权利要求1～5中任一所述的面向3C装配领域微力锁付缺陷检测的深度学习方法，其特征是，具体包括：

步骤1：针对于锁付缺陷数据集生成，利用工业机器人和智能电批相结合的方式，生成1250组锁付质量判别数据；利用设定机器人位置和姿态的偏差获取各类缺陷的数据样本，并通过专业人员进行复检，确定缺陷数据的真实标签，建立锁付缺陷检测的数据集；

步骤2：将卷积自编码器和全局平均池化相结合，利用卷积自编码的编码层提取特征向量，解码层重构输入特征，通过最小化重构误差，获得锁付质量输入的最优特征，并将获得的最优特征经过全局平均池化，获得特征维度一致的锁付质量特征，生成锁付质量特征数据集；

步骤3：将提取的锁付质量特征数据和混合插值数据增强方法相结合，进行锁付质量特征数据数据集增强；在同类样本标签的锁付质量数据集内随机选取锁付质量特征向量，进行线性插值，获得增强的锁付质量特征数据集；插值权重参数μ选择范围为0.4-0.6之间；

步骤4：利用获得的原始锁付质量特征数据集和增强的锁付质量特征数据集叠加生成新的锁付质量特征数据集，代入轻量级卷积神经网络，进行迭代训练，通过归一化加快网络收敛速度，得到有效分类锁付缺陷网络推理模型。