一种螺钉检测方法、装置、介质与流程

本技术涉及神经网络领域，特别是涉及一种螺钉检测方法、装置、介质。背景技术：1、目前大多采用螺钉枪实现自动打螺钉，市场上的螺钉枪需要工程师设计好打螺钉的策略并且设定好每个步骤的角度、扭矩、时间阈值。螺钉枪根据工程师预先设定的阈值对打螺钉过程中产生的螺钉检测信息进行判定分类，以确定是否存在异常工况。2、目前所使用的螺钉枪所能够检测出的异常工况均为螺钉枪预先设定好的工况(例如：扭矩过小、角度过大、超时等)，但由于生产的复杂性，在实际工作过程中，工作人员可能遇到其他螺钉枪没有预先设定的情况，例如：打螺钉过程中发生扭矩跳变。在这种情况下，螺钉枪的并不能检测出这一问题，而工作人员虽然能够发现这一问题，但也没有足够的能力准确的判断是否存在异常工况，导致最终的产品质量下降。3、由于可见，如何提供一种螺钉检测方法，以检测打螺钉过程中遇到的未预先设定的突发工况，是本领域技术人员亟需解决的问题。技术实现思路1、本技术的目的是为了解决现有技术中的螺钉检测方法仅能对预先设定的异常工况进行检测，导致无法及时且准确的发现突发的异常工况的情况，因此，本技术提供一种螺钉检测方法、装置、介质，以提高螺钉检测的准确性和检测效率。2、为了解决上述技术问题，本技术提供了一种螺钉检测方法，包括：3、当检测到用户输入的类型变更指令后，确定与所述类型变更指令对应的类型信息，并根据所述类型信息和教师模型确定学生模型，并利用梯度下降算法调整所述学生模型的参数；其中，所述学生模型的损失函数包括所述学生模型的输出与真实标签间的损失和所述学生模型的输出与所述教师模型间的损失；所述教师模型为基于编码器-解码器构建的螺钉检测模型；4、获取螺钉检测特征信息，并利用所述学生模型对所述螺钉检测特征信息进行处理，以获取处理结果；5、根据所述处理结果确定螺钉状态。6、在一些实施例中，所述根据所述类型信息和教师模型确定学生模型包括：7、根据所述类型信息确定初始学生模型的输出维度数量；其中，所述初始学生模型为基于所述教师模型的网络结构和参数信息确定的模型；8、将所述教师模型的输出作为软标签以训练所述初始学生模型，并利用梯度下降函数调整所述初始学生模型的参数，以确定所述学生模型；其中，所述软标签包括所述教师模型对输入数据的概率分布预测信息；所述初始学生模型的损失函数包括基于所述初始学生模型和所述教师模型的输出差异的kl散度损失函数和基于所述初始学生模型和真实标签间的差异的交叉熵损失函数。9、在一些实施例中，确定所述教师模型的过程包括：10、利用初始检测数据对编码器-解码器网络进行训练，以确定初始螺钉检测网络；11、判断目标生产线的训练数据量是否满足预设条件，若不满足所述预设条件，利用所述初始螺钉检测网络的输出对所述目标生成线的所述目标螺钉检测网络进行训练，以确定所述目标螺钉检测网络；其中，所述目标螺钉检测网络的损失函数为所述初始螺钉检测网络和所述目标螺钉检测网络的输出差异、所述初始螺钉检测网络和真实标签间的差异的加权值；12、确定与所述类型变更指令对应的待测生产线，并将所述待测生产线的所述目标螺钉检测网络确定为所述教师模型。13、在一些实施例中，所述获取螺钉检测特征信息包括：14、获取待测螺钉的螺钉检测信息并解析，以获取扭矩时间曲线，并根据所述扭矩时间曲线提取螺钉检测信息特征值；其中，所述螺钉检测信息包括扭矩信息、时间信息和角度信息；15、根据所述螺钉检测信息提取时序数据统计检验值及其他特征值；16、确定各所述统计值对分类任务的贡献度，并根据所述贡献度对所述统计值进行筛选以确定所述螺钉检测特征信息。17、在一些实施例中，所述根据所述贡献度对所述统计值进行筛选以确定所述螺钉检测特征信息的步骤后，还包括：18、对所述螺钉检测特征信息进行归一化处理，并记录所述螺钉检测特征信息的平均差、标准差和各类别的权重信息；19、根据所述平均差、所述标准差和所述权重信息对所述螺钉检测特征信息进行标准化处理。20、在一些实施例中，所述确定各所述统计值对分类任务的贡献度包括：21、利用作图观察法和方差分析法对所述螺钉检测特征信息的各所述统计值进行分析，以确定各所述统计值的散点图矩阵和分布图；22、根据所述散点图矩阵和所述分布图确定各所述统计值对所述分类任务的贡献度。23、在一些实施例中，所述根据所述处理结果确定螺钉状态的步骤后，还包括：24、确定与所述螺钉状态对应的标准螺钉信息，并判断所述标准螺钉信息和所述螺钉检测信息的相似度是否大于阈值；25、若大于阈值，则根据所述螺钉状态确定所述类型变更指令，以确定新的所述学生模型。26、为了解决上述技术问题，本技术还提供了一种螺钉检测装置，包括：27、第一确定模块，用于当检测到用户输入的类型变更指令后，确定与所述类型变更指令对应的类型信息，并根据所述类型信息和教师模型确定学生模型，并利用梯度下降算法调整所述学生模型的参数；其中，所述学生模型的损失函数包括所述学生模型的输出与真实标签间的损失和所述学生模型的输出与所述教师模型间的损失；所述教师模型为基于编码器-解码器构建的螺钉检测模型；28、获取模块，用于获取螺钉检测特征信息，并利用所述学生模型对所述螺钉检测特征信息进行处理，以获取处理结果；29、第二确定模块，用于根据所述处理结果确定螺钉状态。30、为了解决上述技术问题，本技术还提供了一种螺钉检测装置，包括存储器，用于存储计算机程序；31、处理器，用于执行所述计算机程序时实现所述的螺钉检测方法的步骤。32、为了解决上述技术问题，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的螺钉检测方法的步骤。33、本技术提供了一种螺钉检测方法，当检测到用户输入的类型变更指令后，确定与类型变更指令对应的类型信息，以便于根据类型信息对检测模块进行更新。并根据类型信息和教师模型确定学生模型，并利用梯度下降算法调整学生模型的参数；其中，学生模型的损失函数包括学生模型的输出与真实标签间的损失和学生模型的输出与教师模型间的损失；教师模型为基于编码器-解码器构建的螺钉检测模型；获取螺钉检测特征信息，并利用学生模型对螺钉检测特征信息进行处理，以获取处理结果；根据处理结果确定螺钉状态。由此可见，本技术所提供的技术方案中，在检测到用户输入的类型变更指令后，确定相应的类型信息以确定更新后的学生模型的输出，以使更新后的学生模型能够满足工作人员的需求。此外，利用教师模型和梯度下降算法对学生模型进行训练，基于知识蒸馏算法快速确定学生模型的结构和参数，无需重新开始对网络进行训练，提高训练速度，并防止输入数据不足导致模型分类结果不准确的问题，使工作人员能够在输入类型变更指令无需等待训练过程的利用学生网络对螺钉结果进行分类，提高螺钉检测准确度和检测效率。34、此外，本技术还提供了一种螺钉检测装置、介质，与上述方法对应，效果同上。