(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211231384.9 (22)申请日 2022.10.10 (65)同一申请的已公布的文献号 申请公布号 CN 115293304 A (43)申请公布日 2022.11.04 (73)专利权人 普瑞奇科技 （北京） 股份有限公司 地址 100176 北京市大兴区北京经济技 术 开发区科创二 街10号2号厂房 (72)发明人 张宝才　王林林　 (74)专利代理 机构 北京艾格律诗专利代理有限 公司 11924 专利代理师 谢毅 (51)Int.Cl. G06K 9/62(2022.01) G06Q 10/06(2012.01)G06Q 50/04(2012.01) G06T 7/00(2017.01) G01D 21/02(2006.01) (56)对比文件 CN 109117565 A,2019.01.01 CN 114841982 A,202 2.08.02 US 2018161709 A1,2018.0 6.14 王炽军等.汽车 滤清器质量 安全风险监测分 析. 《汽车零部件》 .2016,(第0 3期), 张力等.基 于神经网络的除尘器故障诊断. 《矿业安全与环保》 .2020,(第01期), Serhat T ural, et al.De ep Learn ing Based Clas sificati on of Military Cartridge Cases and Defect Segmentati on. 《IEEE Access》 .2022, 审查员 黄睿 (54)发明名称 一种滤芯生产的智能监测方法及系统 (57)摘要 本发明提供了一种滤芯生产的智能监测方 法及系统， 涉及智 能检测技术领域， 采集多个滤 芯物料的图像信息， 基于多个滤芯物料生产， 获 得当前批次目标滤芯集合， 抽样进行多个检测指 标的性能检测， 构建滤芯性能监测模型， 基于滤 芯孔径质量监测模块对多个图像信息进行监测， 基于滤芯性能异常监测模块内确定若干个异常 滤芯， 进而进行良品率计算， 将其输入滤芯批次 异常检测模块生成滤芯批次异常检测结果， 解决 了现有技术中对于滤芯生产的检测方法由于智 能度不足， 检测流程不够严谨且维度不够全面， 使得检测效率较低且最终的检测结果不够精准 的技术问题， 通过进行全 方位智能化滤芯性能检 测， 实现了滤芯性能的高效精准检测。 权利要求书3页 说明书11页 附图3页 CN 115293304 B 2022.12.16 CN 115293304 B 1.一种滤芯生产的智能监测方法， 其特 征在于， 所述方法包括： 采集多个滤芯物料的图像信息， 获得多个图像信息， 其中， 所述滤芯物料为制作目标滤 芯的原材 料； 采用所述多个滤芯物料进行所述目标滤芯当前批次的生产， 获得生产完成的当前批次 目标滤芯集合； 从所述当前批次目标滤芯集合内随机抽选多个目标滤芯， 对所述多个目标滤芯进行多 个检测指标的性能检测， 获得多个性能检测结果 集合； 构建滤芯性能监测模型， 其中， 所述滤芯性能监测模型内包括滤芯孔径质量监测模块、 滤芯性能异常监测模块以及滤芯批次异常检测模块； 将所述多个图像信息输入所述滤芯孔径质量监测模块中， 获得多个滤芯孔径监测结 果； 将所述多个滤芯孔径监测结果和所述多个性能检测结果集合输入所述滤芯性能异常 监测模块内， 获得若干个异常滤芯； 根据所述若干个异常滤芯和所述多个目标滤芯， 计算获得所述目标滤芯当前批次的当 前良品率信息； 将所述当前良品率信息输入所述滤芯批次异常检测模块， 获得滤芯批次异常检测结 果。 2.根据权利要求1所述的方法， 其特征在于， 对所述多个目标滤芯进行多个检测指标的 性能检测， 包括： 对所述多个目标 滤芯进行 过滤阻力性能检测， 获得多个过 滤阻力检测结果； 对所述多个目标 滤芯进行 过滤流量检测， 获得多个过 滤流量检测结果； 对所述多个目标 滤芯进行 过滤精度检测， 获得多个过 滤精度检测结果； 根据所述多个过滤阻力检测结果、 多个过滤流量检测结果和多个过滤精度检测结果， 获得所述多个性能检测结果 集合。 3.根据权利要求2所述的方法， 其特 征在于， 所述构建滤芯性能监测模型， 包括： 构建所述滤芯孔径质量 监测模块； 构建所述滤芯性能异常监测模块； 构建所述滤芯批次异常检测模块； 基于构建完成的所述滤芯孔径质量监测模块、 滤芯性能异常监测模块和滤芯批次异常 检测模块， 获得构建完成的所述滤芯性能监测模型。 4.根据权利要求3所述的方法， 其特 征在于， 构建所述滤芯孔径质量 监测模块， 包括： 采集获取多个样本滤芯物料的图像信息， 作为多个样本图像信息； 根据所述多个样本滤芯物料的滤芯孔径密度均匀性， 进行质量评估， 获得多个样本滤 芯孔径监测结果； 基于卷积神经网络， 构建所述滤芯孔径质量 监测模块的网络结构； 将所述多个样本图像信息和多个样本滤芯孔径监测结果作为第一构建数据； 采用所述第一构建数据对所述滤芯孔径质量监测模块进行监督训练、 验证和测试， 直 到所述滤芯孔径质量监测模块的准确率符合预设要求， 获得构建完成的所述滤芯孔径质量 监测模块。权　利　要　求　书 1/3 页 2 CN 115293304 B 25.根据权利要求3所述的方法， 其特 征在于， 构建所述滤芯性能异常监测模块， 包括： 根据所述多个 检测指标， 构建过 滤阻力异常性能检测树； 构建过滤流量异常性能检测树； 构建过滤精度异常性能检测树； 构建滤芯孔径 异常检测树； 合并构建完成的所述过滤阻力异常性能检测树、 过滤流量异常性能检测树、 过滤精度 异常性能检测树和滤芯孔径 异常检测树， 获得构建完成的所述滤芯性能异常监测模块。 6.根据权利要求5所述的方法， 其特征在于， 根据所述多个检测指标， 构建过滤阻力异 常性能检测树， 包括： 从所述多个过滤阻力检测结果中随机选择一过滤阻力 检测结果， 构建所述过滤阻力异 常性能检测树的第一划分节点； 再次从所述多个过滤阻力 检测结果中随机选择一过滤阻力检测结果， 构建所述过滤阻 力异常性能检测树的第二划分节点； 继续构建所述过 滤阻力异常性能检测树的多 级划分节点； 根据所述多 级划分节点， 设置获得异常过 滤阻力检测结果输出节点； 根据所述多级划分节点和所述异常过滤阻力检测结果输出节点， 获得构建完成的所述 过滤阻力异常性能检测树。 7.根据权利要求3所述的方法， 其特 征在于， 构建所述滤芯批次异常检测模块包括： 获取多个批次目标 滤芯集合； 获取所述多个批次目标 滤芯集合的多个良品率信息， 作为多个样本良品率信息； 从所述多个样本良品率信 息中随机选择一样本良品率信 息， 构建所述滤芯批次异常检 测模块的一级划分节点， 所述 一级划分节点对输入的良品率信息进行二分类； 再次从所述多个样本良品率信 息中随机选择一样本良品率信 息， 构建所述滤芯批次异 常检测模块的二级划分节点； 继续构建所述滤芯批次异常检测模块的多 级划分节点； 根据所述多 级划分节点， 设置获得异常良品率信息 输出节点； 根据所述多级划分节点和所述异常良品率信 息输出节点， 获得构建完成的所述滤芯批 次异常检测模块。 8.根据权利要求5所述的方法， 其特征在于， 将所述多个滤芯孔径监测结果和所述多个 性能检测结果 集合输入所述滤芯性能异常监测模块内， 获得若干个异常滤芯， 包括： 将所述多个滤芯孔径监测结果输入所述滤芯孔径异常检测树， 获得若干个异常滤芯孔 径监测结果； 将所述多个过滤阻力检测结果输入所述过滤阻力异常性 能检测树， 获得若干个异常过 滤阻力检测结果； 将所述多个过滤流量检测结果输入所述过滤流量异常性 能检测树， 获得若干个异常过 滤流量检测结果； 将所述多个过滤精度检测结果输入所述过滤精度异常性 能检测树， 获得若干个异常过 滤精度检测结果； 根据所述若干个异常滤芯孔径监测结果、 若干个异常过滤阻力检测结果、 若干个异常权　利　要　求　书 2/3 页 3 CN 115293304 B 3