CN112862066A - 用于监控油漆的搅拌混合均匀性的神经网络的训练方法 - Google Patents

Abstract

本申请涉及智能制造领域下的智能质量检测，其具体地公开了一种用于监控油漆的搅拌混合均匀性的神经网络的训练方法。在训练的过程中，通过计算所述基于特定形状纹理的均匀性损失函数和分类损失函数值的加权值来更新卷积神经网络的参数，并以此来训练卷积神经网络，以使得被训练后的卷积神经网络在特征提取时，能够关注到搅拌设备实质上搅拌的油漆部分，并相应地表达出这部分的图像的高维均匀性特征，通过这样的方式，利于提高油漆的搅拌均匀性的检测准确度。

Description

用于监控油漆的搅拌混合均匀性的神经网络的训练方法

技术领域

本申请涉及智能制造领域下的智能质量检测，且更为具体地，涉及一种用于监控油漆的搅拌混合均匀性的神经网络的训练方法、基于深度神经网络的用于油漆搅拌混合均匀性的检测方法、用于监控油漆的搅拌混合均匀性的神经网络的训练系统、基于深度神经网络的用于油漆搅拌混合均匀性的检测系统和电子设备。

背景技术

油漆是一种能牢固覆盖在物体表面，起保护、装饰、标志和其他特殊用途的化学混合物涂料。且其涂料一般由成膜物质、填料(颜填料)、溶剂、助剂等四部分组成。根据性能要求有时成份会略有变化，如清漆没有颜填料、粉末涂料中可以没有溶剂。并且油漆属于有机化工高分子材料，所形成的涂膜属于高分子化合物类型。按照现代通行的化工产品的分类，涂料属于精细化工产品。现代的涂料正在逐步成为一类多功能性的工程材料，是化学工业中的一个重要行业。

目前，油漆在进行生产时，常常需要进行调漆处理，现在的调漆设备都是将原料倒入调漆桶内，通过搅拌设备进行搅动混合。由于油漆属于粘稠状的液体，因此在搅拌混合的过程中，需要监控油漆是否通过搅拌混合均匀；并且在监控油漆是否混合均匀时，都是通过人工观察确定，这样就会增加人们的劳动负担，且还会降低工作效率，同时这样还会增加误差产生的几率。

因此，期望一种监控油漆的搅拌混合均匀性的自动监控方案。

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、语音信号处理等领域。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，为监控油漆的搅拌混合均匀性提供的解决思路和方案。

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用于监控油漆的搅拌混合均匀性的神经网络的训练方法、基于深度神经网络的用于油漆搅拌混合均匀性的检测方法、用于监控油漆的搅拌混合均匀性的神经网络的训练系统、基于深度神经网络的用于油漆搅拌混合均匀性的检测系统和电子设备，其中，在训练的过程中，通过计算所述基于特定形状纹理的均匀性损失函数和分类损失函数值的加权值来更新卷积神经网络的参数，并以此来训练卷积神经网络，以使得被训练后的卷积神经网络在特征提取时，能够关注到搅拌设备实质上搅拌的油漆部分，并相应地表达出这部分的图像的高维均匀性特征，通过这样的方式，能够利于提高油漆的搅拌均匀性的检测准确度。

根据本申请的一个方面，提供了一种用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其包括：

步骤1：获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像；

步骤2：将所述训练图像通过深度卷积神经网络，以获得训练特征图；

步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点；

步骤4：在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点；

步骤5：计算所述多个第一特征点的特征值的平均值与所述定位搅拌基准点的特征值的差值，以获得第一差值；

步骤6：通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数；

步骤7：基于所述第一差值至所述第N差值，获得均匀性损失函数值；

步骤8：将所述训练特征图通过分类器，以获得分类损失函数值；

步骤9：基于所述分类损失函数值和所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点，包括：在所述训练图像中以目标候选框的方式标识出搅拌中心；将所述目标候选框的位置映射到所述训练特征图中，以将所述目标候选框的中心在所述训练特征图上的映射位置确定为所述定位搅拌基准点。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点，进一步包括：计算所述目标候选框在所述训练特征图上的映射区域内各个像素点的特征值的平均值作为所述定位搅拌基准点的特征值。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤4：在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点中，所述多个第一特征点均匀地分布于所述圆区域的边缘上。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤2：将所述训练图像通过深度卷积神经网络，以获得训练特征图，包括：从所述深度卷积神经网络的第N层提取出所述训练特征图，其中，N大于等于3且小于等于6。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤7：基于所述第一差值至所述第N差值，获得均匀性损失函数值，包括：计算所述第一差值至所述第N差值的加权和，以获得所述均匀性损失函数值。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤8：将所述训练特征图通过分类器，以获得分类损失函数值，包括：将所述训练特征图通过一个或多个全连接层，以获得分类特征向量；将所述分类特征向量输入Softmax分类函数，以获得分类结果；以及将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。

根据本申请的另一方面，提供了一种基于深度神经网络的用于油漆搅拌混合均匀性的检测方法，其包括：

获取待检测图像，所述待检测图像为搅拌设备对油漆进行搅拌混合时的搅拌图像；

将所述待检测图像输入根据如上所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法所训练的所述深度卷积神经网络以获得检测特征图；以及

将所述检测特征图通过分类器，以获得分类结果，所述分类结果用于表示所述搅拌设备对油漆进行搅拌混合的均匀性是否预设要求。

根据本申请的再一方面，提供了一种用于监控油漆的搅拌混合均匀性的神经网络的训练系统，其包括：

训练图像获取单元，用于执行步骤1：获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像；

训练特征图生成单元，用于执行步骤2：将所述训练图像获取单元获得的所述训练图像通过深度卷积神经网络，以获得训练特征图；

定位搅拌基准点确定单元，用于执行步骤3：确定所述训练特征图生成单元获得的所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点；

第一特征点获取单元，用于执行步骤4：在所述训练特征图生成单元获得的所述训练特征图上，获取以所述定位搅拌基准点确定单元获得的所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点；

第一差值计算单元，用于执行步骤5：计算所述第一特征点获取单元获得的所述多个第一特征点的特征值的平均值与所述定位搅拌基准点确定单元获得的所述定位搅拌基准点的特征值的差值，以获得第一差值；

循环单元，用于执行步骤6：通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数；

均匀性损失函数值获取单元，用于执行步骤7：基于所述第一差值计算单元与所述循环单元获得的所述第一差值至所述第N差值，获得均匀性损失函数值；

分类损失函数值获取单元，用于执行步骤8：将所述训练特征图生成单元获得的训练特征图通过分类器，以获得分类损失函数值；以及

参数更新单元，用于执行步骤9：基于所述分类损失函数获取单元获得的所述分类损失函数值和所述均匀性损失函数获取单元获得的所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练系统(训练系统)中，所述定位搅拌基准点确定单元，包括：

搅拌中心标识子单元，用于在所述训练图像中以目标候选框的方式标识出搅拌中心；以及

位置映射子单元，用于将所述目标候选框的位置映射到所述训练特征图中，以将所述目标候选框的中心在所述训练特征图上的映射位置确定为所述定位搅拌基准点。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练系统中，所述定位搅拌基准点确定单元，进一步包括：

特征值计算子单元，用于计算所述目标候选框在所述训练特征图上的映射区域内各个像素点的特征值的平均值作为所述定位搅拌基准点的特征值。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练系统中，所述第一特征点获取单元，进一步用于：所述多个第一特征点均匀地分布于所述圆区域的边缘上。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练系统中，所述训练特征图生成单元，进一步用于：从所述深度卷积神经网络的第N层提取出所述训练特征图，其中，N大于等于3且小于等于6。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练系统中，所述均匀性损失函数获取单元，进一步用于：计算所述第一差值至所述第N差值的加权和，以获得所述均匀性损失函数值。

在上述用于监控油漆的搅拌混合均匀性的神经网络的训练系统中，所述分类损失函数获取单元，包括：分类特征向量生成子单元，用于将所述训练特征图通过一个或多个全连接层，以获得分类特征向量；分类结果生成子单元，用于将所述分类特征向量输入Softmax分类函数，以获得分类结果；以及，损失函数计算子单元，将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。

根据本申请的又一方面，提供了一种基于深度神经网络的用于油漆搅拌混合均匀性的检测系统，其包括：

待检测图像获取单元，用于获取待检测图像，所述待检测图像为搅拌设备对油漆进行搅拌混合时的搅拌图像；

检测特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像输入根据如上所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法所训练的所述深度卷积神经网络以获得检测特征图；以及

分类结果获得单元，用于将所述检测特征图生成单元获得的所述检测特征图通过分类器，以获得分类结果，所述分类结果用于表示所述搅拌设备对油漆进行搅拌混合的均匀性是否预设要求。

根据本申请的再又一方面，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用于监控油漆的搅拌混合均匀性的神经网络的训练方法或者如上所述的基于深度神经网络的用于油漆搅拌混合均匀性的检测方法。

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用于监控油漆的搅拌混合均匀性的神经网络的训练方法或者如上所述的基于深度神经网络的用于油漆搅拌混合均匀性的检测方法。

与现有技术相比，本申请的实施例提供了一种用于监控油漆的搅拌混合均匀性的神经网络的训练方法、基于深度神经网络的用于油漆搅拌混合均匀性的检测方法、用于监控油漆的搅拌混合均匀性的神经网络的训练系统、基于深度神经网络的用于油漆搅拌混合均匀性的检测系统和电子设备，其中，在训练的过程中，通过计算所述基于特定形状纹理的均匀性损失函数和分类损失函数值的加权值来更新卷积神经网络的参数，并以此来训练卷积神经网络，以使得被训练后的卷积神经网络在特征提取时，能够关注到搅拌设备实质上搅拌的油漆部分，并相应地表达出这部分的图像的高维均匀性特征，通过这样的方式，能够利于提高油漆的搅拌均匀性的检测准确度。

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用于监控油漆的搅拌混合均匀性的神经网络的训练方法和基于深度神经网络的用于油漆搅拌混合均匀性的检测方法的应用场景图。

图2图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法的流程图。

图3图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法的架构示意图。

图4图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点的流程图。

图5图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤8：将所述训练特征图通过分类器，以获得分类损失函数值的流程图。

图6图示了根据本申请实施例的基于深度神经网络的用于油漆搅拌混合均匀性的检测方法的流程图。

图7图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练系统的框图示意图。

图8图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练系统中定位搅拌基准点确定单元的框图。

图9图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练系统中分类损失函数值获取单元的框图。

图10图示了根据本申请实施例的基于深度神经网络的用于油漆搅拌混合均匀性的检测系统的框图。

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

如上所述，油漆是一种能牢固覆盖在物体表面，起保护、装饰、标志和其他特殊用途的化学混合物涂料。目前，油漆在进行生产时，常常需要进行调漆处理，现在的调漆设备都是将原料倒入调漆桶内，通过搅拌设备进行搅动混合。由于油漆属于粘稠状的液体，因此在搅拌混合的过程中，需要监控油漆是否通过搅拌混合均匀；并且在监控油漆是否混合均匀时，都是通过人工观察确定，这样就会增加人们的劳动负担，且还会降低工作效率，同时这样还会增加误差产生的几率。因此，期望一种监控油漆的搅拌混合均匀性的自动监控方案。

近年来，深度学习以及神经网络的发展，为监控油漆的搅拌混合均匀性提供的解决思路和方案。

具体来说，本申请的申请人进一步深入考虑油漆的搅拌设备在对油漆进行搅拌混合的过程，由于油漆虽然具有一定的粘稠性，但是仍然属于液体，所以在基本上搅拌混合均匀之后，液体整体上实质上体现出了一定的视觉上的一致性。而由于搅拌设备在搅拌油漆时，会在搅拌时带给液面特定的纹理特征，具体地，以搅拌的中心呈现圆形或者类似圆形的纹理特征，因此可以考虑利用这种特定形状的纹理特征以及其它部分需要达到的一致性来促进卷积神经网络的训练。

基于此，本申请的申请人设计了基于特定形状纹理的均匀性损失函数，并以此来训练卷积神经网络。具体地，在获取油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像，并通过卷积神经网络获得搅拌特征图之后，通过对搅拌设备对油漆进行搅拌的中心的确定来在搅拌特征图中定位搅拌基准点。然后，以该搅拌基准点为中心，分别获取搅拌特征图中以该点为中心，以第一预定距离为半径的一系列特征点，并计算这些特征点的特征值的均值与该点的特征值之间的第一差值。通过以此方式设置预定数目的不同的预定距离，进一步获得预定数目的第二差值到第n差值。然后，通过计算这些差值的加权和来获得如上所述的基于特定形状纹理的均匀性损失函数，并以此来训练卷积神经网络。这样，可以使得卷积神经网络在特征提取时，能够关注到搅拌设备实质上搅拌的油漆部分，并相应地表达出这部分的图像的高维均匀性特征，从而辅助卷积神经网络的训练。也就是，通过计算所述基于特定形状纹理的均匀性损失函数和分类损失函数值的加权值来更新卷积神经网络的参数。

基于此，本申请提出了一种用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其包括：步骤1：获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像；步骤2：将所述训练图像通过深度卷积神经网络，以获得训练特征图；步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点步骤4：在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点；步骤5：计算所述多个第一特征点的特征值的平均值与所述定位搅拌基准点的特征值的差值，以获得第一差值；步骤6：通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数；步骤7：基于所述第一差值至所述第N差值，获得均匀性损失函数值；步骤8：将所述训练特征图通过分类器，以获得分类损失函数值；步骤9：基于所述分类损失函数值和所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

基于此，本申请还提出了一种基于深度神经网络的用于油漆搅拌混合均匀性的检测方法，其包括：获取待检测图像，所述待检测图像为搅拌设备对油漆进行搅拌混合时的搅拌图像；将所述待检测图像输入根据如上所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法所训练的所述深度卷积神经网络以获得检测特征图；以及，将所述检测特征图通过分类器，以获得分类结果，所述分类结果用于表示所述搅拌设备对油漆进行搅拌混合时呈现的纹理特征是否符合一致性。

图1图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法和基于深度神经网络的用于油漆搅拌混合均匀性的检测方法的应用场景图。

如图1所示，在该应用场景的训练阶段中，通过摄像头(例如，如图1中所示意的C)获得训练图像为油漆的搅拌设备在对油漆进行搅拌时的搅拌图像；然后，将所述的训练图像输入至部署有用于监控油漆的搅拌混合均匀性的神经网络的训练算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以用于监控油漆的搅拌混合均匀性的神经网络的训练算法以所述训练图像对用于监控油漆的搅拌混合均匀性的神经网络进行训练。

在训练完成后，在检测阶段中，首先通过摄像头(例如，如图1中所示意的C)获取待检测图像为油漆的搅拌设备在对油漆进行搅拌时的搅拌图像；然后，将所述的待检测图像输入至部署有基于深度神经网络的用于油漆搅拌混合均匀性的检测算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以基于深度神经网络的用于油漆搅拌混合均匀性的检测算法对获取的所述待检测的油漆搅拌设备对油漆进行搅拌后的搅拌图像进行处理，以生成用于表示所述待检测的油漆搅拌设备对油漆进行搅拌是否通过搅拌混合均匀的检测结果。

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用于监控油漆的搅拌混合均匀性的神经网络的训练方法的流程图。如图2所示，根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法，包括：步骤1：获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像；步骤2：将所述训练图像通过深度卷积神经网络，以获得训练特征图；步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点；步骤4：在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点；步骤5：计算所述多个第一特征点的特征值的平均值与所述定位搅拌基准点的特征值的差值，以获得第一差值；步骤6：通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数；步骤7：基于所述第一差值至所述第N差值，获得均匀性损失函数值；步骤8：将所述训练特征图通过分类器，以获得分类损失函数值；步骤9：基于所述分类损失函数值和所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

图3图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法的架构示意图。如图3所示，在该网络架构中，首先将获取的训练图像(例如，如图3中所示意的I N0)输入卷积神经网络(例如，如图3中所示意的CNN)中，以通过获得训练特征图(例如，如图3中所示意的Ft)，其中，所述训练图像为油漆的搅拌设备对油漆进行搅拌混合时的搅拌图像，；接着，确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点(例如，如图3中所示意的p)；然后，在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点(例如，如图3中所示意的f1)；然后，计算所述多个第一特征点的特征值的平均值与所述定位搅拌基准点的特征值的差值，以获得第一差值(例如，如图3中所示意的Y1)；进一步的，通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数(例如，如图3中所示意的Y2-Yn)；然后，基于所述第一差值至所述第N差值，获得均匀性损失函数值(例如，如图3中所示意的S1)；接着，将所述训练特征图通过分类器，以获得分类损失函数值(例如，如图3中所示意的T1)；进而，基于所述分类损失函数值和所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

在步骤1中，获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像。如前所述，在申请的技术方案中，采用基于深度学习的计算机视觉方案来对油漆搅拌混合均匀进行监控。相应地，在本申请实施例中，以油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像作为训练图像来训练用于监控油漆的搅拌混合均匀性的神经网络。在具体实施中，可通过摄像头采集正在搅拌混合的油漆的图像作为训练图像。

在步骤2中，将所述训练图像通过深度卷积神经网络，以获得训练特征图。也就是，以深度卷积神经网络对所述训练图像进行处理，以提取出所述训练图像中的高维局部特征。

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方面具有优异的表现。在本申请一个具体的示例中，所述卷积神经网络可被实施为深度残差网络，例如，ResNet 100。本领域普通技术人员应知晓，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。

卷积神经网络在其网络构造上包括卷积层、池化层和激活层。具体地，将所述训练图像通过深度卷积神经网络，以获得训练特征图的过程，包括：首先将所述训练图像通过所述卷积层以对所述训练图像进行卷积处理，以生成卷积特征图。这里，通过对所述训练图像进行卷积处理，能够实现对所述训练图像进行数据降维并提取出所述训练图像中与卷积核匹配的特征。接着，将所述卷积特征图以非线性激活函数进行激活以获得激活特征图，这里，通过所述激活层的激活处理可增强卷积神经网络的表征能力。继而，将所述激活特征图通过池化层进行池化处理，以生成池化特征图。这里，池化处理的本质为“下采样”，即，通过对所述激活特征图进行池化处理能够对数据进行进一步降维且能够保留所述激活特征图中的有用信息，从而增强了卷积神经网络的泛化处理能力。这里，在本申请技术方案中，所述训练特征图可选自所述卷积特征图、所述池化特征图或所述激活特征图。

特别地，在本申请实施例中，考虑到搅拌设备在搅拌油漆时带给液面特定的纹理特征，具体地，以搅拌的中心呈现圆形或者类似圆形的纹理特征。因此，优选地，在本申请实施例中，选择从所述深度卷积神经网络的第N层提取出所述训练特征图，其中，N大于等于3且小于等于6。本领域普通技术应知晓，卷积神经网络在其1到3层，提取的是形状、边缘、角落等浅层特征，再往下4到6层，提取的是特征图中更聚焦于训练图像中的纹理特征。

在步骤3中，确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点。也就是，在所述训练特征图中选取搅拌中心点作为所述定位搅拌基准点。

具体地，在本申请一个具体的示例中，确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点的过程，包括：首先，在所述训练图像中以目标候选框的方式标识出搅拌中心；接着，将所述目标候选框的位置映射到所述训练特征图中，以将所述目标候选框的中心在所述训练特征图上的映射位置确定为所述定位搅拌基准点。本领域普通技术人员应知晓，卷积神经网络在特征映射时具有位置不变形，也就是，搅拌中心在源图像上的位置与该搅拌中心在所述训练特征图的位置分布相对应。因此，在该示例中，可首先在训练图像中通过目标候选框的方式标识出搅拌基准点，即，在源图像域上标识出该搅拌中心；然后，将所述目标候选框映射到特征空间中，以获得所述定位搅拌基准点。

进一步地，在该具体实施中，可计算所述目标候选框在所述训练特征图上的映射区域内各个像素点的特征值的平均值作为所述定位搅拌基准点的特征值，也就是，以目标候选框内的特征值的均值作为所述定位搅拌基准点的特征值。考虑到实际技术场景中，搅拌基准点不是一个点而是一个类圆形的区域，因此，基于所述目标候选框中所有的像素点的均值作为所述定位搅拌基准点的特征值更能够代表所述定位搅拌基准点的特征。并且，在该具体实施例中，优选地，所述目标候选框为圆形框而非传统的矩形框。

当然，本申请其他示例中，也可以直接以所述目标候选框的中心点的特征值作为所述定位搅拌基准点的特征值。

图4图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点的流程图。如图4所示，在本申请实施例中，步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点，包括：步骤31：在所述训练图像中以目标候选框的方式标识出搅拌中心；步骤32：将所述目标候选框的位置映射到所述训练特征图中，以将所述目标候选框的中心在所述训练特征图上的映射位置确定为所述定位搅拌基准点；以及，步骤33：计算所述目标候选框在所述训练特征图上的映射区域内各个像素点的特征值的平均值作为所述定位搅拌基准点的特征值。

在步骤4中，在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点。应可以理解，在本申请的技术方案中，由于搅拌设备在搅拌油漆时，会在搅拌时带给液面特定的纹理特征，具体地，以搅拌的中心呈现圆形或者类似圆形的纹理特征，因此可以考虑利用这种特定形状的纹理特征以及其它部分需要达到的一致性来促进卷积神经网络的训练。

相应地，首先在步骤4中，以所述定位基准点为圆心，以第一距离为圆的半径，并在所形成的圆区域的边缘上提取多个第一特征点。应可以理解，在本申请的技术方案中，如果油漆的混合均匀性较佳，则所述多个第一特征点的特征值之间的差异越小且所述多个第一特征点的特征值与所述定位搅拌基准点的特征值之间的差异越小。

优选地，在申请的技术方案中，所述多个第一特征点均匀地分布于所述圆区域的边缘上，这样就能够使得后续计算出的差值更具有普遍性，从而也就能够使得计算出的结果准确度更高。

在步骤5中，计算所述多个第一特征点的特征值的平均值与所述定位搅拌基准点的特征值的差值，以获得第一差值。也就是，计算所述多个第一特征点与所述定位搅拌基准点的差异，以获得所述第一差值。这里，所述第一差值能够表征油漆在搅拌中心与以第一距离为半径的圆区域的搅拌均匀性的差异度。

在步骤6中，通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数。也就是，进一步地同样以定位搅拌基准点为圆心，改变圆的半径为不同的预定距离，这时就能够得到第二至第n的多个特征点，然后再把第二至第n多个特征点的特征值的平均值分别与所述定位搅拌基准点的特征值做差，此时就能够得到第二差值到第N差值。

在步骤7中，基于所述第一差值至所述第N差值，获得均匀性损失函数值的过程，包括：计算所述第一差值至所述第N差值的加权和，以获得所述均匀性损失函数值。这里，所述均匀性损失函数值表示被搅拌的油漆的各个部分符合搅拌均匀性的概率分布。相应地，在申请的技术方案中，用特定形状的纹理特征以及其它部分需要达到的一致性来促进卷积神经网络的训练，可以使得卷积神经网络在特征提取时，能够关注到搅拌设备实质上搅拌的油漆部分，并相应地表达出这部分的图像的高维均匀性特征，通过这样的方式，利于提高油漆的搅拌均匀性的检测准确度。

在步骤8中，将所述训练特征图通过分类器，以获得分类损失函数值。如前所述，通过使用卷积神经网络提取搅拌设备的搅拌油漆时的搅拌图像的特征，可以将监控油漆的搅拌设备的搅拌混合是否均匀转换为基于上述搅拌图像的一个分类问题。因此，在本申请的技术方案中，进一步计算出所述训练特征图归属于分类器的标签的概率值以生成分类结果，并基于分类结果与真实值之间的差异计算所述分类损失函数值。

具体的，在本申请实施例中，将所述训练特征图通过分类器，以获得分类损失函数值的过程，包括：首先，将所述训练特征图通过一个或多个全连接层，以获得分类特征向量。也就是，以所述一个或多个全连接层作为编码器对所述训练特征图进行进一步地编码，以充分地利用所述训练特征图中各个位置的信息，以生成所述分类特征向量。接着，将所述分类特征向量输入Softmax分类函数，以获得所述搅拌设备对油漆进行搅拌混合的均匀性预设要求的第一概率，以及，所述搅拌设备对油漆进行搅拌混合的均匀性不预设要求的第二概率，并基于所述第一概率与所述第二概率，生成分类结果；接着；然后，将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。

图5图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法中，步骤8：将所述训练特征图通过分类器，以获得分类损失函数值的流程图。如图5所述，在本申请实施例中，步骤8：将所述训练特征图通过分类器，以获得分类损失函数值，包括：步骤81，将所述训练特征图通过一个或多个全连接层，以获得分类特征向量；步骤82，将所述分类特征向量输入Softmax分类函数，以获得分类结果；以及，步骤83，将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。

在步骤9中，基于所述分类损失函数值和所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。也就是，通过计算所述基于特定形状纹理的均匀性损失函数和分类损失函数值的加权值来训练卷积神经网络。这里，使用所述分类损失函数值和所述均匀性损失函数的加权值来进行卷积神经网络的训练，可以使得卷积神经网络在特征提取时，能够关注到搅拌设备实质上搅拌的油漆部分，并相应地表达出这部分的图像的高维均匀性特征，通过这样的方式，能够有利于提高油漆的搅拌均匀性的检测准确度。

综上，基于本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练方法被阐明，在训练的过程中，通过计算所述基于特定形状纹理的均匀性损失函数和分类损失函数值的加权值来更新卷积神经网络的参数，并以此来训练卷积神经网络，以使得被训练后的卷积神经网络在特征提取时，能够关注到搅拌设备实质上搅拌的油漆部分，并相应地表达出这部分的图像的高维均匀性特征，通过这样的方式，能够利于提高油漆的搅拌均匀性的检测准确度。

根据本申请的另一方面，还提供了一种基于深度神经网络的用于油漆搅拌混合均匀性的检测方法。

图6图示了根据本申请实施例的基于深度神经网络的用于油漆搅拌混合均匀性的检测方法的流程图。

如图6所述，根据本申请实施例的基于深度神经网络的用于油漆搅拌混合均匀性的检测方法，包括：S610，获取待检测图像，所述待检测图像为搅拌设备对油漆进行搅拌混合时的搅拌图像；S620，将所述待检测图像输入根据如上所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法所训练的所述深度卷积神经网络以获得检测特征图；以及，S630，将所述检测特征图通过分类器，以获得分类结果，所述分类结果用于表示所述搅拌设备对油漆进行搅拌混合的均匀性是否预设要求。

示例性系统

图7图示了根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练系统的框图。

如图7所示，根据本申请实施例的用于监控油漆的搅拌混合均匀性的神经网络的训练系统700，包括：训练图像获取单元710，用于执行步骤1：获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像；训练特征图生成单元720，用于执行步骤2：将所述训练图像获取单元710获得的所述训练图像通过深度卷积神经网络，以获得训练特征图；定位搅拌基准点确定单元730，用于执行步骤3：确定所述训练特征图生成单元720获得的所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点；第一特征点获取单元740，用于执行步骤4：在所述训练特征图生成单元720获得的所述训练特征图上，获取以所述定位搅拌基准点确定单元获得的所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点；第一差值计算单元750，用于执行步骤5：计算所述第一特征点获取单元740获得的所述多个第一特征点的特征值的平均值与所述定位搅拌基准点确定单元获得的所述定位搅拌基准点的特征值的差值，以获得第一差值；循环单元760，用于执行步骤6：通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数；均匀性损失函数值获取单元770，用于执行步骤7：基于所述第一差值计算单元750与所述循环单元760获得的所述第一差值至所述第N差值，获得均匀性损失函数值；分类损失函数值获取单元780，用于执行步骤8：将所述训练特征图生成单元720获得的训练特征图通过分类器，以获得分类损失函数值；参数更新单元790，用于执行步骤9：基于所述分类损失函数值获取单元780获得的所述分类损失函数值和所述均匀性损失函数值获取单元770获得的所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

在一个示例中，在训练系统700中，如图8所示，所述定位搅拌基准点确定单元730，包括：搅拌中心标识子单元731，用于在所述训练图像中以目标候选框的方式标识出搅拌中心；以及，位置映射子单元732，用于将所述目标候选框的位置映射到所述训练特征图中，以将所述目标候选框的中心在所述训练特征图上的映射位置确定为所述定位搅拌基准点。

在一个示例中，在训练系统700中，所述定位搅拌基准点确定单元730，还包括：特征值计算子单元733，计算所述目标候选框在所述训练特征图上的映射区域内各个像素点的特征值的平均值作为所述定位搅拌基准点的特征值。

在一个示例中，在训练系统700中，所述第一特征点获得单元740，进一步用于：所述多个第一特征点均匀地分布于所述圆区域的边缘上。

在一个示例中，在训练系统700中，所述训练特征图生成单元720，进一步用于：从所述深度卷积神经网络的第N层提取出所述训练特征图，其中，N大于等于3且小于等于6。

在一个示例中，在训练系统700中，所述均匀性损失函数获取单元770，进一步用于：计算所述第一差值至所述第N差值的加权和，以获得所述均匀性损失函数值。

在一个示例中，在上述训练系统700中，如图9所示，所述分类损失函数单元780，包括：分类特征向量生成子单元781，用于将所述训练特征图通过一个或多个全连接层，以获得分类特征向量；分类结果生成子单元782，用于将所述分类特征向量输入Softmax分类函数，以获得分类结果；以及,损失函数计算子单元783，将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。

这里，本领域技术人员可以理解，上述训练系统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5的用于监控油漆的搅拌混合均匀性的神经网络的训练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训练系统700可以实现在各种终端设备中，例如用于监控油漆的搅拌混合均匀性的服务器等。在一个示例中，根据本申请实施例的训练系统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，该训练系统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，该训练系统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，该训练系统700与该终端设备也可以是分立的设备，并且该训练系统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。

根据本申请的另一方面，还提出了一种基于深度神经网络的用于油漆搅拌混合均匀性的检测系统。

图10图示了根据本申请实施例的基于深度神经网络的用于油漆搅拌混合均匀性的检测系统的框图。如图10所示，根据本申请实施例的基于深度神经网络的用于油漆搅拌混合均匀性的检测系统800，包括：待检测图像获取单元810，用于获取待检测图像，所述待检测图像为搅拌设备对油漆进行搅拌混合时的搅拌图像；检测特征图生成单元820，用于将所述待检测图像获取单元810获得的所述待检测图像输入根据如上所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法所训练的所述深度卷积神经网络以获得检测特征图；以及，分类结果生成单元830，用于将所述检测特征图生成单元820获得的所述检测特征图通过分类器，以获得分类结果，所述分类结果用于表示所述搅拌设备对油漆进行搅拌混合的均匀性是否预设要求。

这里，本领域技术人员可以理解，上述检测系统800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6的基于深度神经网络的用于油漆搅拌混合均匀性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800可以实现在各种终端设备中，例如用于监控油漆的搅拌混合均匀性的服务器等。在一个示例中，根据本申请实施例的检测系统800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800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800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800与该终端设备也可以是分立的设备，并且该检测系统800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用于监控油漆的搅拌混合均匀性的神经网络的训练方法，或者，基于深度神经网络的用于油漆搅拌混合均匀性的检测方法以及/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交叉熵损失值、一致性损失值等各种内容。

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，包括分类结果等。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9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用于监控油漆的搅拌混合均匀性的神经网络的训练方法，或者，基于深度神经网络的用于油漆搅拌混合均匀性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用于监控油漆的搅拌混合均匀性的神经网络的训练方法，或者，基于深度神经网络的用于油漆搅拌混合均匀性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)

1.一种用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其特征在于，包括：

步骤1：获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像；

步骤2：将所述训练图像通过深度卷积神经网络，以获得训练特征图；

步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点；

步骤4：在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点；

步骤5：计算所述多个第一特征点的特征值的平均值与所述定位搅拌基准点的特征值的差值，以获得第一差值；

步骤6：通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数；

步骤7：基于所述第一差值至所述第N差值，获得均匀性损失函数值；

步骤8：将所述训练特征图通过分类器，以获得分类损失函数值；

步骤9：基于所述分类损失函数值和所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

2.根据权利要求1所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其中，步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点，包括：

在所述训练图像中以目标候选框的方式标识出搅拌中心；以及

将所述目标候选框的位置映射到所述训练特征图中，以将所述目标候选框的中心在所述训练特征图上的映射位置确定为所述定位搅拌基准点。

3.根据权利要求2所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其中，步骤3：确定所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点，进一步包括：

计算所述目标候选框在所述训练特征图上的映射区域内各个像素点的特征值的平均值作为所述定位搅拌基准点的特征值。

4.根据权利要求1所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其中，在步骤4：在所述训练特征图上，获取以所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点中，所述多个第一特征点均匀地分布于所述圆区域的边缘上。

5.根据权利要求1所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其中，步骤2：将所述训练图像通过深度卷积神经网络，以获得训练特征图，包括：

从所述深度卷积神经网络的第N层提取出所述训练特征图，其中，N大于等于3且小于等于6。

6.根据权利要求1所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法，其中，步骤7：基于所述第一差值至所述第N差值，获得均匀性损失函数值，包括：

计算所述第一差值至所述第N差值的加权和，以获得所述均匀性损失函数值。

7.一种基于深度神经网络的用于油漆搅拌混合均匀性的检测方法，其特征在于，包括：

获取待检测图像，所述待检测图像为搅拌设备对油漆进行搅拌混合时的搅拌图像；

将所述待检测图像输入根据如权利要求1至6任一所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法所训练的所述深度卷积神经网络以获得检测特征图；以及

将所述检测特征图通过分类器，以获得分类结果，所述分类结果用于表示所述搅拌设备对油漆进行搅拌混合的均匀性是否预设要求。

8.一种用于监控油漆的搅拌混合均匀性的神经网络的训练系统，其特征在于，包括：

训练图像获取单元，用于执行步骤1：获取训练图像，所述训练图像为油漆的搅拌设备在对油漆进行搅拌混合时的搅拌图像；

训练特征图生成单元，用于执行步骤2：将所述训练图像获取单元获得的所述训练图像通过深度卷积神经网络，以获得训练特征图；

定位搅拌基准点确定单元，用于执行步骤3：确定所述训练特征图生成单元获得的所述训练特征图中对应于所述搅拌设备对油漆进行搅拌的搅拌中心的像素点作为定位搅拌基准点；

第一特征点获取单元，用于执行步骤4：在所述训练特征图生成单元获得的所述训练特征图上，获取以所述定位搅拌基准点确定单元获得的所述定位搅拌基准点为中心以第一距离为半径的圆区域的边缘上的多个第一特征点；

第一差值计算单元，用于执行步骤5：计算所述第一特征点获取单元获得的所述多个第一特征点的特征值的平均值与所述定位搅拌基准点确定单元获得的所述定位搅拌基准点的特征值的差值，以获得第一差值；

循环单元，用于执行步骤6：通过步骤3和步骤4的方式，设置预定数目的不同的预定距离并获得预定数目的第二差值到第N差值，其中，N为大于2的正整数；

均匀性损失函数值获取单元，用于执行步骤7：基于所述第一差值计算单元与所述循环单元获得的所述第一差值至所述第N差值，获得均匀性损失函数值；

分类损失函数值获取单元，用于执行步骤8：将所述训练特征图生成单元获得的训练特征图通过分类器，以获得分类损失函数值；以及

参数更新单元，用于执行步骤9：基于所述分类损失函数获取单元获得的所述分类损失函数值和所述均匀性损失函数获取单元获得的所述均匀性损失函数值的加权和，更新所述深度卷积神经网络的参数。

9.一种基于深度神经网络的用于油漆搅拌混合均匀性的检测系统，其特征在于包括：

待检测图像获取单元，用于获取待检测图像，所述待检测图像为搅拌设备对油漆进行搅拌混合时的搅拌图像；

检测特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像输入根据如权利要求1至6任一所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法所训练的所述深度卷积神经网络以获得检测特征图；以及

分类结果生成单元，用于将所述检测特征图生成单元获得的所述检测特征图通过分类器，以获得分类结果，所述分类结果用于表示所述搅拌设备对油漆进行搅拌混合的均匀性是否预设要求。

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中任一项所述的用于监控油漆的搅拌混合均匀性的神经网络的训练方法，以及，如权利要求7所述的基于深度神经网络的用于油漆搅拌混合均匀性的检测方法。

Images