摘要
本发明提供一种自动检查和纠错的喷码方法,通过采用历史喷码图像集和历史传感器数据集对初始卷积神经网络深度学习模型进行模型训练,生成目标图像识别模型。通过目标图像识别模型采用空间注意力机制对实时喷码图像进行异常识别,生成图像识别数据。基于实时传感器数据集进行喷头工作状态识别,生成喷头工作数据。采用预设动态阈值模型对图像识别数据和喷头工作数据进行异常喷码识别并进行异常纠错,生成喷码纠错数据。利用历史数据集训练模型,结合空间注意力机制、实时喷码图像和实时传感器数据进行异常识别。通过预设动态阈值模型考虑了喷码环境因素和数据的动态变化,根据不同的喷码场景自动调整阈值,减少误检漏检,有效提升喷码质量与效率。
技术关键词
卷积神经网络深度学习模型
图像识别模型
喷码
纠错
数据
喷头工作状态
卷积特征
光照
核心
传感器融合
注意力机制
卷积模块
分类神经网络
生成特征向量
校正
墨水
动态
系统为您推荐了相关专利信息
分类档案
文本分类模型训练
标签
可读存储介质
池化特征
历史气象数据
订正方法
数字高程模型
注意力
Softmax函数
地层岩性识别
变化识别方法
神经网络模型
斯皮尔曼相关系数
数据
风机齿轮箱
集成故障
深度特征提取
故障分析模型
一维卷积神经网络
定量预测方法
回归预测模型
拉伸标样
sigmoid函数
网络结构