(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211265016.6 (22)申请日 2022.10.13 (71)申请人 深圳市智鼎自动化 技术有限公司 地址 518000 广东省深圳市宝安区新 安街 道兴东社区68区美生创谷二期慧谷 501A室 (72)发明人 吴楷龙　陈磊　欧东　 (74)专利代理 机构 深圳市能闻知识产权代理事 务所(普通 合伙) 44717 专利代理师 宋灵剑 (51)Int.Cl. G06F 3/01(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习工业控制方法及相关装 置 (57)摘要 本发明公开了一种基于深度学习工业控制 方法及相关装置； 该方法包括采集技术人员的脑 电信号， 根据脑电信号通过第一神经网络预测技 术人员的第一操作； 采集技术人员的肌肉信号， 根据肌肉信号通过第二神经网络预测技术人员 的第二操作； 判定第二操作的风险程度， 若风险 程度小于 预设值， 则通过第三神经网络判定第一 操作和第二操作的相似度， 在第一操作和第二操 作的相似度大于预设值时， 则通过第一操作或者 第二操作对工业设备进行控制。 本发 明提出一种 基于深度学习工业控制方法及相关装置， 解决当 前技术中无法进一步降低人员操作风险程度和 操作失误 程度的技 术问题。 权利要求书1页 说明书4页 附图1页 CN 115494955 A 2022.12.20 CN 115494955 A 1.一种基于深度学习工业控制方法， 其特 征在于， 包括： 采集技术人员的脑电信号， 根据脑电信号通过第一神经网络预测技术人员的第一操 作； 采集技术人员的肌肉信号， 根据肌肉信号通过第二神经网络预测技术人员的第二操 作； 判定第二操作的风险程度， 若风险程度小于预设值， 则通过第三神经网络判定第一操 作和第二操作的相似度， 在第一操作和第二操作的相似度大于预设值时， 则通过第一操作 或者第二操作对工业设备进行控制。 本发明通过判定第二操作的风险程度， 若风险程度小于预设值， 则通过第三神经网络 判定第一操作和第二操作的相似度， 在第一操作和第二操作的相似度大于预设值时， 则通 过第一操作或者第二操作对工业设备进行控制可以确定技术人员的操作是符合技术人员 的主观意愿的， 不会因为疲劳等因素造成失误操作， 另外， 根据第二操作的风险程度就可以 判定技术人员的操作是否给自身的生命安全带来危害， 从而不行额外设置传感器， 就能判 定技术人员操作的风险程度， 可以降低检测的成本 。 2.根据权利要求1的基于深度 学习工业控制方法， 其特征在于， 在第 一操作和第 二操作 的相似度小于预设值时， 则通过图像传感器采集技术人员的动作， 判定技术人员的动作的 持续时间是否大于第一时长； 若是， 则判定技 术人员为 误操作。 3.根据权利要求1的基于深度 学习工业控制方法， 其特征在于， 在第 一操作和第 二操作 的相似度小于预设值时， 则通过图像传感器检测技术人员的眨眼的间隔时长， 判定技术人 员的眨眼的间隔时长是否大于第二时长； 若是， 则判定技 术人员为 误操作。 4.根据权利要求1的基于深度 学习工业控制方法， 其特征在于， 所述第 二操作的风险程 度， 具体包括： 根据所述第二操作， 模拟工业设备的状态数据变化数据； 根据工业设备的状态数据判定 工业设备的加工情况和自身状态； 若风险程度大于预设值， 则工业设备不响应技 术人员的操作。 5.根据权利要求1的基于深度 学习工业控制方法， 其特征在于， 判定第 二操作的风险程 度， 若风险程度大于预设值， 则停止所述工业设备。 6.一种基于深度学习工业控制系统， 其特 征在于， 该系统包括： 第一处理单元， 用于采集技术人员的脑电信号， 根据脑电信号通过第一神经网络预测 技术人员的第一操作； 第二处理单元， 用于采集技术人员的肌肉信号， 根据肌肉信号通过第二神经网络预测 技术人员的第二操作； 第三处理单元， 用于判定第 二操作的风险程度， 若风险程度小于预设值， 则通过第三神 经网络判定第一操作和第二操作 的相似度， 在第一操作和第二操作 的相似度大于预设值 时， 则通过第一操作或者第二操作对工业设备进行控制。 7.一种计算机设备， 其特征在于， 包括处理器以及用于存储处理器可执行程序的存储 器， 所述处理器执行存储器存储的程序时， 所述计算机设备执行如权利要求1至5中任一项 所述的方法。 8.一种存储介质， 存储程序， 其特征在于， 所述程序被处理器执行时， 所述处理器执行 权利要求1至 5中任意一项所述的方法。权　利　要　求　书 1/1 页 2 CN 115494955 A 2一种基于深度学习工 业控制方 法及相关装 置 技术领域 [0001]本发明涉及深度学习和计算机视觉技术领域， 具体涉及 一种基于深度学习工业控 制方法及装置 。 背景技术 [0002]传统的激光焊接后的质量检测主要是人工检测， 通常是检测人员进入到车间后， 对焊接好的锂电池通过相关的技术知识去进行质量检测。 然而在检测过程中， 检测工人可 能会受到人的经验、 心理和生理等的因素影响， 会影响到检测的准确度和可靠度。 比如， 在 对质量检测过程中， 会出现焊缝检测的错漏等情况。 因此， 这种通过机器学习的检测方式， 便会得到大家的青睐。 [0003]采用传统图像处理的方式， 如图像分割等方法， 需要花费大量的时间建立特征工 程与调节分类器参数， 需要建立多个模板， 很难将焊接后的产品做一个具体的分类。 图像处 理方法仅对颜色特征对焊接图像进行分类， 但焊接质量的好坏的判定标准差异很大， 同时 焊接过程中， 预测焊接质量时， 预测模 型需要高算力支持， 算法部署困难， 网络要求高， 成本 过高。 工业机器人、 机床等机器具备用于使部件向预定方向移动的驱动轴。 例如机器人具有 用于驱动臂的驱动轴。 机器人臂之 间的关节部对应于驱动轴。 在该关节部中， 臂的角度发生 变化， 由此机器人的位置和姿势发生变化。 另外， 在机床中， 工件、 刀具在预定的驱动轴上移 动， 变更刀具相对于 工件的位置 。 [0004]虽然现有人为操作工业设备的过程中， 工业设备可以根据传感器的检测来判定技 术人员是否接近工业设备从而产生危险， 但是一方面传感器存在延时和故障的情况， 所以 无法杜绝危险， 另外一个方面技术人员 在操纵工业设备时， 容易由于人 的疲劳等因素造成 误操作， 从而造成危险和产品报 废的情况。 发明内容 [0005]本发明为克服现有技术中， 提供一种基于深度学习工业控制方法， 解决当前技术 中无法进一 步降低人员操作风险程度和操作失误 程度的技 术问题。 [0006]本发明公开了一种基于深度学习工业控制方法， 包括： [0007]采集技术人员的脑电信号， 根据脑电信号通过第一神经网络预测技术人员的第一 操作； [0008]采集技术人员的肌肉信号， 根据肌肉信号通过第二神经网络预测技术人员的第二 操作； [0009]判定第二操作的风险程度， 若风险程度小于预设值， 则通过第三神经网络判定第 一操作和第二操作的相似度， 在第一操作和第二操作的相似度大于预设值时， 则通过第一 操作或者第二操作对工业设备进行控制。 [0010]优选地， 在第一操作和第二操作的相似度小于预设值时， 则通过 图像传感器采集 技术人员的动作， 判定技术人员的动作的持续时间是否大于第一时长； 若 是， 则判定技术人说　明　书 1/4 页 3 CN 115494955 A 3