CN112633141A - 基于双重注意力机制的混凝土抗冲击能力的检测方法 - Google Patents

基于双重注意力机制的混凝土抗冲击能力的检测方法 Download PDF

Info

Publication number
CN112633141A
CN112633141A CN202011519201.4A CN202011519201A CN112633141A CN 112633141 A CN112633141 A CN 112633141A CN 202011519201 A CN202011519201 A CN 202011519201A CN 112633141 A CN112633141 A CN 112633141A
Authority
CN
China
Prior art keywords
feature map
attention
region
interest
concrete
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202011519201.4A
Other languages
English (en)
Inventor
吴日涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Dayutang Network Technology Co ltd
Original Assignee
Nanjing Dayutang Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Dayutang Network Technology Co ltd filed Critical Nanjing Dayutang Network Technology Co ltd
Priority to CN202011519201.4A priority Critical patent/CN112633141A/zh
Publication of CN112633141A publication Critical patent/CN112633141A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/30—Investigating strength properties of solid materials by application of mechanical stress by applying a single impulsive force, e.g. by falling weight
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0001—Type of application of the stress
    • G01N2203/001—Impulsive

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于双重注意力机制的混凝土抗冲击能力的检测方法，其包括：将获取的混凝土块图像输入卷积神经网络以获得特征图；确定所述特征图中对应所述混凝土块被撞击的区域为感兴趣区域；提取所述感兴趣区域中的特征值以获得感兴趣区域特征图；将所述感兴趣区域特征图通过第一空间注意力机制模块以获得第一注意力特征图；对所述特征图中的所述感兴趣区域设置掩码以获得掩码特征图；将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；融合所述特征图和所述第一、第二注意力特征图，以获得分类特征图；以及，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。

Description

基于双重注意力机制的混凝土抗冲击能力的检测方法
技术领域
本申请涉及人工智能领域，且更为具体地，涉及一种基于双重注意力机制的混凝土抗冲击能力的检测方法、基于双重注意力机制的混凝土抗冲击能力的检测系统和电子设备。
背景技术
混凝土指胶凝材料将骨料胶结成整体的工程复合材料的统称。混凝土在制造成块状时，不仅需要对混凝土的抗压强度进行检测，还需要对混凝土的抗冲击能力进行检测，以此来确定混凝土的抗冲击能力，并且确定混凝土的使用范围。
目前的混凝土抗冲击检测装置都是使用铁球来撞击放置在底座上的混凝土，并通过人工观察来检测混凝土的抗冲击能力。但是，一方面人工观察不容易保持准确性，另一方面铁球撞击混凝土块时产生的灰尘也会影响工作人员的身体健康。
因此，期望一种优化的用于混凝土抗冲击能力检测的技术方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为混凝土抗冲击能力检测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于双重注意力机制的混凝土抗冲击能力的检测方法、基于双重注意力机制的混凝土抗冲击能力的检测系统和电子设备，其使用双重注意力机制以全面地提取混凝土块的被撞击处的细节特征以及其它位置的类似细节特征，通过这样的方式，来提高混凝土抗冲击能力检测的准确度。
根据本申请的一个方面，提供了一种基于双重注意力机制的混凝土抗冲击能力的检测方法，其包括：
获取被撞击后的混凝土块的图像；
将所述混凝土块图像输入卷积神经网络以获得特征图；
基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域；
提取所述感兴趣区域中的特征值以获得感兴趣区域特征图；
将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图；
对所述特征图中的所述感兴趣区域设置掩码，以获得掩码特征图；
将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；
融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
在上述基于双重注意力机制的混凝土抗冲击能力的检测方法中，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图，包括：将所述感兴趣区域特征图通过多个卷积层以获得第一卷积特征图；以及，将所述第一卷积特征图与所述感兴趣区域特征图进行相乘以获得所述第一注意力特征图。
在上述基于双重注意力机制的混凝土抗冲击能力的检测方法中，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图，包括：将所述掩码特征图通过多个卷积层以获得第二卷积特征图；以及，将所述第二卷积特征图与所述掩码特征图进行相乘以获得所述第二注意力特征图。
在上述基于双重注意力机制的混凝土抗冲击能力的检测方法中，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图，包括：将所述第一注意力特征图进行上采样，以将所述第一注意力特征图的尺度转化为与所述特征图和所述第二注意力特征图具有相同尺度；以及，计算进行上采样后的所述第一注意力特征图、所述特征图和所述第二注意力特征图之间的按像素位置的加权和，以获得所述分类特征图。
在上述基于双重注意力机制的混凝土抗冲击能力的检测方法中，将所述分类特征图通过分类器以获得分类结果，包括：将所述分类特征图通过全连接层以获得分类特征向量；以及，将所述分类特征向量通过Softmax分类函数，以获得所述分类结果。
在上述基于双重注意力机制的混凝土抗冲击能力的检测方法中，所述卷积神经网络为深度残差神经网络。
根据本申请的另一方面，提供了一种基于双重注意力机制的混凝土抗冲击能力的检测系统，包括：
待检测图像获取单元，用于获取被撞击后的混凝土块的图像；
特征图生成单元，用于将所述待检测图像获取单元获得的所述混凝土块图像输入卷积神经网络以获得特征图；
感兴趣区域确定单元，用于基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图生成单元获得的所述特征图中对应位置为感兴趣区域；
感兴趣区域特征图生成单元，用于提取所述感兴趣区域确定单元获得的所述感兴趣区域中的特征值以获得感兴趣区域特征图；
第一注意力特征图生成单元，用于将所述感兴趣区域特征图生成单元获得的所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图；
掩码特征图生成单元，用于对所述特征图生成单元获得的所述特征图中的所述感兴趣区域设置掩码，以获得掩码特征图；
第二注意力特征图生成单元，用于将所述掩码特征图生成单元获得的所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；
特征图融合单元，用于融合所述特征图生成单元获得的所述特征图、所述第一注意力特征图生成单元获得的所述第一注意力特征图和所述第二注意力特征图生成单元获得的所述第二注意力特征图，以获得分类特征图；
分类单元，用于将所述特征图融合单元获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
在上述基于双重注意力机制的混凝土抗冲击能力的检测系统中，所述第一注意力特征图生成单元，包括：第一卷积特征图生成子单元，用于将所述感兴趣区域特征图通过多个卷积层以获得第一卷积特征图；以及，第一相乘子单元，用于将所述第一卷积特征图与所述感兴趣区域特征图进行相乘以获得所述第一注意力特征图。
在上述基于双重注意力机制的混凝土抗冲击能力的检测系统中，所述第二注意力特征图生成单元，包括：第一卷积特征图生成子单元，用于将所述掩码特征图通过多个卷积层以获得第二卷积特征图；以及，第一相乘子单元，用于将所述第二卷积特征图与所述掩码特征图进行相乘以获得所述第二注意力特征图。
在上述基于双重注意力机制的混凝土抗冲击能力的检测系统中，所述特征图融合单元，包括：上采样子单元，用于将所述第一注意力特征图进行上采样，以将所述第一注意力特征图的尺度转化为与所述特征图和所述第二注意力特征图具有相同尺度；以及，加权和计算子单元，用于计算进行上采样后的所述第一注意力特征图、所述特征图和所述第二注意力特征图之间的按像素位置的加权和，以获得所述分类特征图。
在上述基于双重注意力机制的混凝土抗冲击能力的检测系统中，所述分类单元，进一步用于：将所述分类特征图通过全连接层以获得分类特征向量；以及，将所述分类特征向量通过Softmax分类函数，以获得所述分类结果。
在上述基于双重注意力机制的混凝土抗冲击能力的检测系统中，所述卷积神经网络为深度残差神经网络。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于双重注意力机制的混凝土抗冲击能力的检测方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于双重注意力机制的混凝土抗冲击能力的检测方法。
根据本申请提供的基于双重注意力机制的混凝土抗冲击能力的检测方法、基于双重注意力机制的混凝土抗冲击能力的检测系统和电子设备，其使用双重注意力机制以全面地提取混凝土块的被撞击处的细节特征以及其它位置的类似细节特征，通过这样的方式，来提高混凝土抗冲击能力检测的准确度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法的场景示意图。
图2图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法的流程图。
图3图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法的架构示意图。
图4图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图的流程图。
图5图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图的流程图。
图6图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图的流程图。
图7图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测系统的框图。
图8图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测系统中第一注意力特征图生成单元的框图。
图9图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测系统中第二注意力特征图生成单元的框图。
图10图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测系统中特征图融合单元的框图。
图11图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，混凝土指胶凝材料将骨料胶结成整体的工程复合材料的统称。混凝土在制造成块状时，不仅需要对混凝土的抗压强度进行检测，还需要对混凝土的抗冲击能力进行检测，以此来确定混凝土的抗冲击能力，并且确定混凝土的使用范围。
目前的混凝土抗冲击检测装置都是使用铁球来撞击放置在底座上的混凝土，并通过人工观察来检测混凝土的抗冲击能力。但是，一方面人工观察不容易保持准确性，另一方面铁球撞击混凝土块时产生的灰尘也会影响工作人员的身体健康。
因此，期望一种优化的用于混凝土抗冲击能力检测的技术方案。
具体地，本申请的申请人期望通过基于深度学习的计算机视觉技术来代替人工观察，对混凝土的抗冲击能力进行检测。并且，本申请的申请人发现在用卷积神经网络提取撞击后的混凝土块的图像的特征时，除了需要关注混凝土块的被撞击处的细节特征之外，由该撞击导致的混凝土块的其它位置的类似细节特征也需要被纳入考虑范围。
基于此，本申请的申请人通过双重图像注意力机制来解决该问题，即，针对特征图上与撞击位置对应的部分的图像注意力机制和针对撞击位置以外的特征图的部分的图像注意力机制，从而全面地提取混凝土块的被撞击处的细节特征，以及其它位置的类似细节特征。
具体地，在将撞击后的混凝土块的图像输入卷积神经网络以获得特征图后，首先通过原图像中的撞击位置确定特征图中的感兴趣区域，并提取该感兴趣区域的特征图通过第一注意力机制获得第一注意力图，然后通过掩码对所述感兴趣区域进行遮蔽会后经由第二注意力机制获得第二注意力图，再通过融合特征图，第一注意力图和第二注意力图来获得分类特征图。将该分类特征图输入分类器以获得分类结果，该分类结果表示混凝土的抗冲击能力是否符合预定标准。这里，每个注意力机制都是将特征图通过多个卷积层之后获得的特征图再与原特征图相乘，并且，注意第一注意力图的大小与特征图和第二注意力图不同，需要进行尺度上的归一化。
基于此，本申请提出了一种基于双重注意力机制的混凝土抗冲击能力的检测方法，其包括：获取被撞击后的混凝土块的图像；将所述混凝土块图像输入卷积神经网络以获得特征图；基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域；提取所述感兴趣区域中的特征值以获得感兴趣区域特征图；将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图；对所述特征图中的所述感兴趣区域设置掩码，以获得掩码特征图；将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图；以及，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
图1图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法的场景示意图。
如图1所示，在该应用场景中，首先通过摄像头(例如，如图1中所示意的C)获取被撞击后的混凝土块的图像；然后，将所述被撞击后的混凝土块图像输入至部署有基于双重注意力机制的混凝土抗冲击能力的检测算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于双重注意力机制的混凝土抗冲击能力的检测算法对所述被撞击后的混凝土块图像进行处理，以生成用于表示所述混凝土块的抗冲击能力是否符合预定标准的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法的流程图。如图2所示，根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法，包括：S110，获取被撞击后的混凝土块的图像；S120，将所述混凝土块图像输入卷积神经网络以获得特征图；S130，基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域；S140，提取所述感兴趣区域中的特征值以获得感兴趣区域特征图；S150，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图；S160，对所述特征图中的所述感兴趣区域设置掩码，以获得掩码特征图；S170，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；S180，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图；以及，S190，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
图3图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法的架构示意图。如图3所示，在该网络架构中，首先将获取的被撞击后的混凝土块图像(例如，如图3中所示意IN0)输入卷积神经网络(例如，如图3中所示意的CNN)以获得特征图(例如，如图3中所示意的F0)。接着，基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域(例如，如图3中所示意的ROI)。然后，提取所述感兴趣区域中的特征值以获得感兴趣区域特征图(例如，如图3中所示意的Froi)。继而，将所述感兴趣区域特征图通过第一空间注意力机制模块(例如，如图3中所示意的ATN1)，以获得第一注意力特征图(例如，如图3中所示意的F1)。同时，对所述特征图中的所述感兴趣区域设置掩码(例如，如图3中所示意的M)，以获得掩码特征图(例如，如图3中所示意的Fm)。接着，将所述掩码特征图通过第二空间注意力机制模块(例如，如图3中所示意的ATN2)，以获得第二注意力特征图(例如，如图3中所示意的F2)。然后，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图(例如，如图3中所示意的Fc)。接着，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
在步骤S110中，获取被撞击后的混凝土块的图像。具体地，以混凝土抗冲击检测装置的金属球(通常是铁球)来撞击放在底座上的混凝土，并通过摄像头采集被撞击后的混凝土块的图像作为待检测图像。
在步骤S120中，将所述混凝土块图像输入卷积神经网络以获得特征图。也就是，以卷积神经网络对所述混凝土块图像进行处理，以提取出所述混凝土块图像中的高维特征。本领域普通技术人员应知晓，卷积神经网络在提取图像局部空间特征上具有优异的性能表现。
优选地，在本申请实施例中，所述卷积神经网络被实施为深度残差网络，例如，ResNet 50。相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
值得一提的是，在使用所述卷积神经网络提取撞击后的混凝土块的图像的特征时，除了需要关注混凝土块的被撞击处的细节特征之外，由该撞击导致的混凝土块的其它位置的类似细节特征也需要被纳入考虑范围。而传统的卷积神经网络无法满足此技术要求。
基于此，本申请的申请人通过双重图像注意力机制来解决该问题，即，针对特征图上与撞击位置对应的部分的图像注意力机制和针对撞击位置以外的特征图的部分的图像注意力机制，从而全面地提取混凝土块的被撞击处的细节特征，以及其它位置的类似细节特征。
在步骤S130中，基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域。也就是，将所述特征图中对应所述混凝土块被撞击的区域表示为感兴趣区域(Region of interest:ROI)。
具体地，在本申请一个具体的示例中，基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域的过程，包括：通过图像语义分割，确定所述特征图中对应所述混凝土块被撞击的区域为所述感兴趣区域。也就是，在该具体示例中，以图像分割技术识别出所述特征图中各个对象及其对应的语义信息，进而，将语义信息为被撞击区域对应的区域确定为所述感兴趣区域。
当然，在本申请其他示例中，还可以采用其他方式标识出所述特征图中对应所述混凝土块被撞击的区域。例如，在本申请另一具体的示例中，以训练完成的感兴趣区域提取网络来确定所述特征图中对应所述混凝土块被撞击的区域。更具体地，在该另一具体示例中，基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域的过程，包括：将所述特征图输入感兴趣区域提取网络，以确定所述特征图中对应所述混凝土块被撞击的区域为所述感兴趣区域，其中，所述感兴趣区域提取网络以具有目标候选框的被撞击后的混凝土图块的图像作为训练图像集来训练，所述目标候选框用于标识所述被撞击的区域。
在步骤S140中，提取所述感兴趣区域中的特征值以获得感兴趣区域特征图。也就是，提取所述感兴趣区域中各个像素位置的特征值以获得所述感兴趣区域特征图，其中，所述感兴趣区域特征图表示所述混凝土图块被撞击区域的高维特征表达。
在步骤S150中，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图。也就是，以空间注意力机制对所述感兴趣区域特征图进行处理，以对所述感兴趣区域特征图中预定区域中的特征进行加强。
具体地，在本申请实施例中，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图的过程，包括：首先，将所述感兴趣区域特征图通过多个卷积层以获得第一卷积特征图，也就是，以多个卷积层对所述感兴趣区域特征图进行多次卷积处理，以从所述感兴趣区域特征图中提取出需要被加强的更高维的特征。这里，本领域普通技术人员应知晓，每一卷积层包括预设数量的卷积核，其中，所述卷积核的尺寸和设定的步长决定所述卷积层的感受视野的大小。
接着，将所述第一卷积特征图与所述感兴趣区域特征图进行相乘以获得所述第一注意力特征图。应可以理解，所述第一卷积特征图表示所述感兴趣区域特征图中需要被关注的特征的更高维度的表示，因此，将所述第一卷积特征图与所述感兴趣区域特征图进行像素位置相乘，可使得所述感兴趣区域特征图中需要被加强的区域中的特征被强化，也就是，所获得的所述第一注意力特征图能更关注所述混凝土块被撞击处的细节特征。
图4图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图的流程图。如图4所示，在该示例中，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图，包括：S210，将所述感兴趣区域特征图通过多个卷积层以获得第一卷积特征图；以及，S220，将所述第一卷积特征图与所述感兴趣区域特征图进行相乘以获得所述第一注意力特征图。
在步骤S160中，对所述特征图中的所述感兴趣区域设置掩码，以掩码特征图。也就是，通过掩码将所述特征图中对应所述混凝土块被撞击的区域中的信息遮蔽，以获得掩码特征图。或者说，所述掩码特征图更为地表示所述被撞击导致的混凝土块的其它位置信息。
在步骤S170中，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图。也就是，以空间注意力机制对所述掩码特征图进行处理，以对所述掩码特征图中预定区域中的特征进行加强。
具体地，在本申请实施例中，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图的过程，包括：首先，将所述掩码特征图通过多个卷积层以获得第二卷积特征图，也就是，以多个卷积层对所述掩码特征图进行多次卷积处理，以从所述掩码特征图中提取出更高维的特征。这里，本领域普通技术人员应知晓，每一卷积层包括预设数量的卷积核，其中，所述卷积核的尺寸和设定的步长决定所述卷积层的感受视野的大小。
接着，将所述第二卷积特征图与所述掩码特征图进行矩阵相乘以获得所述第二注意力特征图。应可以理解，所述第二卷积特征图表示所述掩码特征图中需要被关注的特征的更高维度的表示，因此，将所述第二卷积特征图与所述掩码特征图进行像素位置相乘，可使得所述掩码特征图中需要被加强的区域中的特征被强化，也就是，所获得的所述第二注意力特征图能更关注所述被撞击的混凝土块中其它位置的细节特征。
图5图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图的流程图。如图5所示，在该另一示例中，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图，包括：S310，将所述掩码特征图通过多个卷积层以获得第二卷积特征图；以及，S320，将所述第二卷积特征图与所述掩码特征图进行矩阵相乘以获得所述第二注意力特征图。
综上，本申请的申请人通过双重图像注意力机制，即，针对特征图上与撞击位置对应的部分的图像注意力机制和针对撞击位置以外的特征图的部分的图像注意力机制，从而全面地提取混凝土块的被撞击处的细节特征，以及其它位置的类似细节特征。
在步骤S180中，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图。这里，所述注意力特征图与所述第二注意力特征图和所述特征图之间具有不同尺度，因此，在融合前，需对所述第一注意力特征图进行池化转化，以进行尺度上的归一化。
具体地，在本申请实施例中，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图的过程，包括：首先，将所述第一注意力特征图进行上采样，以将所述第一注意力特征图的尺度转化为与所述特征图和所述第二注意力特征图具有相同尺度。接着，计算进行上采样后的所述第一注意力特征图、所述特征图和所述第二注意力特征图之间的按像素位置的加权和，以获得所述分类特征图。
图6图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图的流程图。如图6所示，在本申请实施例中，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图，包括：S410，将所述第一注意力特征图进行上采样，以将所述第一注意力特征图的尺度转化为与所述特征图和所述第二注意力特征图具有相同尺度；以及，S420，计算进行上采样后的所述第一注意力特征图、所述特征图和所述第二注意力特征图之间的按像素位置的加权和，以获得所述分类特征图。
在步骤S190中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。也就是，在本申请的技术方案中，特征提取和分类在网络架构上进行解构。具体地，所述分类器包括编码器，所述编码器用于对所述分类特征图进行编码，以将所述分类特征图映射到标签空间中以分类特征向量。例如，在本申请一个示例中，所述编码器包括一个或多个全连接层，以通过所述全连接层充分地利用所述分类特征图中各个位置的信息，以获得所述分类特征向量。接着，将所述分类向量通过分类函数(例如，Softmax分类函数)以获得所述分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
综上，基于本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法被阐明，其基于深度神经网络提取出对应于焊接连接处的焊接线的特征，并用于局部描述的邻域像素值差分比例的方法进行处理，以使得一方面可以强化该焊接线的特征表达，另一方面可以使得处理后的特征能够包含与该焊接线紧密相邻的两组钢筋的部分的图像特征信息，通过这样的方式，来提高钢筋焊接质量检测的准确度。
示例性系统
图7图示了根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测系统的框图。
如图7所示，根据本申请实施例的基于双重注意力机制的混凝土抗冲击能力的检测系统700，包括：待检测图像获取单元710，用于获取被撞击后的混凝土块的图像；特征图生成单元720，用于将所述待检测图像获取单元710获得的所述混凝土块图像输入卷积神经网络以获得特征图；感兴趣区域确定单元730，用于基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图生成单元720获得的所述特征图中对应位置为感兴趣区域；感兴趣区域特征图生成单元740，用于提取所述感兴趣区域确定单元730获得的所述感兴趣区域中的特征值以获得感兴趣区域特征图；第一注意力特征图生成单元750，用于将所述感兴趣区域特征图生成单元740获得的所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图；掩码特征图生成单元760，用于对所述特征图生成单元720获得的所述特征图中的所述感兴趣区域设置掩码，以获得掩码特征图；第二注意力特征图生成单元770，用于将所述掩码特征图生成单元760获得的所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；特征图融合单元780，用于融合所述特征图生成单元720获得的所述特征图、所述第一注意力特征图生成单元750获得的所述第一注意力特征图和所述第二注意力特征图生成单元770获得的所述第二注意力特征图，以获得分类特征图；以及，分类单元790，用于将所述特征图融合单元780获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
在一个示例中，在上述基于双重注意力机制的混凝土抗冲击能力的检测系统700中，如图8所示，所述第一注意力特征图生成单元750，包括：第一卷积特征图生成子单元751，用于将所述感兴趣区域特征图通过多个卷积层以获得第一卷积特征图；以及，第一相乘子单元752，用于将所述第一卷积特征图与所述感兴趣区域特征图进行相乘以获得所述第一注意力特征图。
在一个示例中，在上述基于双重注意力机制的混凝土抗冲击能力的检测系统700中，如图9所示，所述第二注意力特征图生成单元770，包括：第一卷积特征图生成子单元771，用于将所述掩码特征图通过多个卷积层以获得第二卷积特征图；以及，第一相乘子单元772，用于将所述第二卷积特征图与所述掩码特征图进行相乘以获得所述第二注意力特征图。
在一个示例中，在上述基于双重注意力机制的混凝土抗冲击能力的检测系统700中，如图10所示，所述特征图融合单元780，包括：上采样子单元781，用于将所述第一注意力特征图进行上采样，以将所述第一注意力特征图的尺度转化为与所述特征图和所述第二注意力特征图具有相同尺度；以及，加权和计算子单元782，用于计算进行上采样后的所述第一注意力特征图、所述特征图和所述第二注意力特征图之间的按像素位置的加权和，以获得所述分类特征图。
在一个示例中，在上述基于双重注意力机制的混凝土抗冲击能力的检测系统700中，所述分类单元790，进一步用于：将所述分类特征图通过全连接层以获得分类特征向量；以及，将所述分类特征向量通过Softmax分类函数，以获得所述分类结果。
在一个示例中，在上述基于双重注意力机制的混凝土抗冲击能力的检测系统700中，所述卷积神经网络为深度残差神经网络
这里，本领域技术人员可以理解，上述检测系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于双重注意力机制的混凝土抗冲击能力的检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的检测系统700可以实现在各种终端设备中，例如用于混凝土抗冲击能力检测的服务器等。在一个示例中，根据本申请实施例的检测系统700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该检测系统700可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该检测系统700同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该检测系统700与该终端设备也可以是分立的设备，并且该检测系统700可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图11来描述根据本申请实施例的电子设备。
图11图示了根据本申请实施例的电子设备的框图。
如图11所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待检测图像、检测结果等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括检测结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图11中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于双重注意力机制的混凝土抗冲击能力的检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于双重注意力机制的混凝土抗冲击能力的检测方法，其特征在于，包括：
获取被撞击后的混凝土块的图像；
将所述混凝土块图像输入卷积神经网络以获得特征图；
基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图中对应位置为感兴趣区域；
提取所述感兴趣区域中的特征值以获得感兴趣区域特征图；
将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图；
对所述特征图中的所述感兴趣区域设置掩码，以获得掩码特征图；
将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；
融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
2.根据权利要求1所述的基于双重注意力机制的混凝土抗冲击能力的检测方法，其中，将所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图，包括：
将所述感兴趣区域特征图通过多个卷积层以获得第一卷积特征图；以及
将所述第一卷积特征图与所述感兴趣区域特征图进行相乘以获得所述第一注意力特征图。
3.根据权利要求1所述的基于双重注意力机制的混凝土抗冲击能力的检测方法，其中，将所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图，包括：
将所述掩码特征图通过多个卷积层以获得第二卷积特征图；
将所述第二卷积特征图与所述掩码特征图进行相乘以获得所述第二注意力特征图。
4.根据权利要求1所述的基于双重注意力机制的混凝土抗冲击能力的检测方法，其中，融合所述特征图、所述第一注意力特征图和所述第二注意力特征图，以获得分类特征图，包括：
将所述第一注意力特征图进行上采样，以将所述第一注意力特征图的尺度转化为与所述特征图和所述第二注意力特征图具有相同尺度；以及
计算进行上采样后的所述第一注意力特征图、所述特征图和所述第二注意力特征图之间的按像素位置的加权和，以获得所述分类特征图。
5.根据权利要求1所述的基于双重注意力机制的混凝土抗冲击能力的检测方法，其中，将所述分类特征图通过分类器以获得分类结果，包括：
将所述分类特征图通过全连接层以获得分类特征向量；以及
将所述分类特征向量通过Softmax分类函数，以获得所述分类结果。
6.根据权利要求1所述的基于双重注意力机制的混凝土抗冲击能力的检测方法，其中，所述卷积神经网络为深度残差神经网络。
7.一种基于双重注意力机制的混凝土抗冲击能力的检测系统，其特征在于，包括：
待检测图像获取单元，用于获取被撞击后的混凝土块的图像；
特征图生成单元，用于将所述待检测图像获取单元获得的所述混凝土块图像输入卷积神经网络以获得特征图；
感兴趣区域确定单元，用于基于所述混凝土块图像中所述混凝土块被撞击的区域的位置，确定所述特征图生成单元获得的所述特征图中对应位置为感兴趣区域；
感兴趣区域特征图生成单元，用于提取所述感兴趣区域确定单元获得的所述感兴趣区域中的特征值以获得感兴趣区域特征图；
第一注意力特征图生成单元，用于将所述感兴趣区域特征图生成单元获得的所述感兴趣区域特征图通过第一空间注意力机制模块，以获得第一注意力特征图；
掩码特征图生成单元，用于对所述特征图生成单元获得的所述特征图中的所述感兴趣区域设置掩码，以获得掩码特征图；
第二注意力特征图生成单元，用于将所述掩码特征图生成单元获得的所述掩码特征图通过第二空间注意力机制模块，以获得第二注意力特征图；
特征图融合单元，用于融合所述特征图生成单元获得的所述特征图、所述第一注意力特征图生成单元获得的所述第一注意力特征图和所述第二注意力特征图生成单元获得的所述第二注意力特征图，以获得分类特征图；
分类单元，用于将所述特征图融合单元获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示所述混凝土块的抗冲击能力是否符合预定标准。
8.根据权利要求7所述的基于双重注意力机制的混凝土抗冲击能力的检测系统，其中，所述第一注意力特征图生成单元，包括：
第一卷积特征图生成子单元，用于将所述感兴趣区域特征图通过多个卷积层以获得第一卷积特征图；以及
第一相乘子单元，用于将所述第一卷积特征图与所述感兴趣区域特征图进行相乘以获得所述第一注意力特征图。
9.根据权利要求7所述的基于双重注意力机制的混凝土抗冲击能力的检测系统，其中，所述第二注意力特征图生成单元，包括：
第二卷积特征图生成子单元，用于将所述掩码特征图通过多个卷积层以获得第二卷积特征图；以及
第二相乘子单元，用于将所述第二卷积特征图与所述掩码特征图进行相乘以获得所述第二注意力特征图。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于双重注意力机制的混凝土抗冲击能力的检测方法。
CN202011519201.4A 2020-12-21 2020-12-21 基于双重注意力机制的混凝土抗冲击能力的检测方法 Withdrawn CN112633141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011519201.4A CN112633141A (zh) 2020-12-21 2020-12-21 基于双重注意力机制的混凝土抗冲击能力的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011519201.4A CN112633141A (zh) 2020-12-21 2020-12-21 基于双重注意力机制的混凝土抗冲击能力的检测方法

Publications (1)

Publication Number Publication Date
CN112633141A true CN112633141A (zh) 2021-04-09

Family

ID=75320715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011519201.4A Withdrawn CN112633141A (zh) 2020-12-21 2020-12-21 基于双重注意力机制的混凝土抗冲击能力的检测方法

Country Status (1)

Country Link
CN (1) CN112633141A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913401A (zh) * 2022-07-13 2022-08-16 江苏烨明光电有限公司 Led灯芯柱与外壳的焊接设备及其焊接质量监控方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913401A (zh) * 2022-07-13 2022-08-16 江苏烨明光电有限公司 Led灯芯柱与外壳的焊接设备及其焊接质量监控方法

Similar Documents

Publication Publication Date Title
CN115203380B (zh) 基于多模态数据融合的文本处理系统及其方法
JP2023541532A (ja) テキスト検出モデルのトレーニング方法及び装置、テキスト検出方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN115375691B (zh) 基于图像的半导体扩散纸源缺陷检测系统及其方法
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
CN112651967A (zh) 基于邻域像素值差分比例的钢筋焊接质量检测方法
CN111127516A (zh) 无搜索框的目标检测和跟踪方法及系统
CN116247824B (zh) 电力设备的控制方法及其系统
CN115620303A (zh) 人事档案智慧管理系统
CN116168243A (zh) 剃须刀的智能化生产系统及其方法
CN112633141A (zh) 基于双重注意力机制的混凝土抗冲击能力的检测方法
CN115146676A (zh) 电路故障检测方法及其系统
CN110852351A (zh) 基于图像的垃圾分类方法、装置、终端设备和存储介质
CN114139630A (zh) 姿态识别方法、装置、存储介质和电子设备
CN112960213A (zh) 使用特征概率分布表示的智能包装质量检测方法
CN112465805A (zh) 用于钢筋冲压折弯的质量检测的神经网络的训练方法
CN112733853A (zh) 基于前景背景的分离与关联的矿物分离效果的检测方法
CN112380948A (zh) 对象重识别神经网络的训练方法、系统和电子设备
CN116698283A (zh) 载荷重心偏移的智能监测系统及其方法
CN116342390A (zh) 一种荧光颜料组合物及其制备方法
CN116797814A (zh) 智慧工地安全管理系统
CN115510900A (zh) 电路故障自动诊断方法及其诊断系统
CN112767342A (zh) 基于双分支推断机制的瓦斯气体智能检测方法
CN111680674B (zh) 基于自集成注意力机制的门厅人员监控方法
CN112686882A (zh) 用于已架设在管道支撑架上的管道的稳定情况的检测方法
CN112836752A (zh) 基于深度值的特征图融合的智能采样参数控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210409

WW01 Invention patent application withdrawn after publication