CN113255752A - 基于特征聚类的固体材料一致性分选方法 - Google Patents
基于特征聚类的固体材料一致性分选方法 Download PDFInfo
- Publication number
- CN113255752A CN113255752A CN202110536045.0A CN202110536045A CN113255752A CN 113255752 A CN113255752 A CN 113255752A CN 202110536045 A CN202110536045 A CN 202110536045A CN 113255752 A CN113255752 A CN 113255752A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature maps
- average
- maps
- clustering
- 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- Withdrawn
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能领域,更具体地涉及一种基于特征聚类的固体材料一致性分选方法,其采用基于深度学习的计算机视觉技术来进行固体材料的一致性分选。更具体地,对固体材料的一致性分选等价于对固体材料进行特征聚类,即,基于深度学习所获得的对象的特征进行聚类。在本申请中,为了能够获得充分表达固体材料的外观信息的特征,对于待分选的每个固体材料,首先获取其在多个角度下的多个图像,并通过卷积神经网络获得相应的特征图。并且,为了提高单个对象的特征平均相关性的度量,采用类Softmax函数的形式计算单个概率分布与概率分布的均值之间的比率。
Description
技术领域
本申请涉及固体材料领域,且更为具体地,涉及一种基于特征聚类的固体材料一致性分选方法、系统和电子设备。
背景技术
针对固体材料的一致性分选是工程及生产中的常见问题,例如机床机械零件制造商对其生产的机械零件损耗程度的大小与种类的判别以及等级情况的检查,这种具有针对性的材料一致性分选直接影响着机械零件的实际应用。
目前,常见的固体材料一致性分选方式依旧还停留在传统的人为分选的阶段:靠该项目的研发工程师“用眼看”、“用手摸”的方式对其进行分类和分拣,其效率极其低下,且由于不同的人对材料的判别和认知大不相同,所得出的分类方式和结论也各不相同,甚至对于不同材料处于不同环境,例如温度,湿度等环境因素也将使得材料表现出不同的性状,从而影响对固体材料的判断和分选,这将直接影响到后续的工程项目或产品研发上阶段的进展。
因此,期望提供一种改进的固体材料一致性分选方案。
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特征聚类的固体材料一致性分选方法、系统和电子设备,其采用基于深度学习的计算机视觉技术,来对固体材料进行一致性分选。
本申请的实施例提供了一种基于特征聚类的固体材料一致性分选方法,其包括:
步骤1:获取待分选的固体材料在多个拍摄角度下的多个图像;
步骤2:将所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图;
步骤3:基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,其中,所述比率的计算过程,用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个所述特征图中的各个位置的特征值,yi表示通过对所述多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值;
步骤4:以所述多个比率作为权重,计算所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图;
步骤5:重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图;
步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离;以及
步骤7:基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
在上述基于特征聚类的固体材料一致性分选方法中,所述步骤3:基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,包括:计算所述多个特征图的按位置的平均加权和,以获得均值特征图;以及,基于类Softmax函数,计算单个所述特征图的概率分布与所述均值特征图中各个位置的特征值之间的比率,以获得对应于所述多个特征图的多个比率。
在上述基于特征聚类的固体材料一致性分选方法中,所述步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离,包括:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的欧式距离。
在上述基于特征聚类的固体材料一致性分选方法中,所述步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离,包括:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的余弦距离。
在上述基于特征聚类的固体材料一致性分选方法中,所述步骤7:基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果,包括:基于所述距离小于预设距离的待分选的固态材料归为一类。
在上述基于特征聚类的固体材料一致性分选方法中,所述深度卷积神经网络为深度残差网络。
在上述基于特征聚类的固体材料一致性分选方法中,所述待分选的固体材料为机械零件。
根据本申请的另一方面,提供了一种基于特征聚类的固体材料一致性分选系统,包括:
图像获取单元,用于获取待分选的固体材料在多个拍摄角度下的多个图像;
特征图提取单元,用于将所述图像获取单元获得的所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图;
特征图比率生成单元,用于基于类Softmax函数,计算单个所述特征图提取单元获得的所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,其中,所述比率的计算过程,用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个所述特征图中的各个位置的特征值,yi表示通过对所述多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值;
平均特征图生成单元,用于以所述特征图比率生成单元获得的所述多个比率作为权重,计算所述特征图提取单元获得的所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图;
循环单元,用于重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图;
距离计算单元,用于对于所述多个平均特征图,分别计算每两个所述平均特征图生成单元获得的所述平均特征图之间的距离;以及
分选结果生成单元,用于基于所述距离计算单元获得的所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
在上述基于特征聚类的固体材料一致性分选系统中,所述特征图比率生成单元,包括:均值特征图生成子单元,用于计算所述多个特征图的按位置的平均加权和,以获得均值特征图;以及,特征图比率生成子单元,用于基于类Softmax函数,计算单个所述特征图的概率分布与所述均值特征图获取子单元获得的所述均值特征图中各个位置的特征值之间的比率,以获得对应于所述多个特征图的多个比率。
在上述基于特征聚类的固体材料一致性分选系统中,所述距离计算单元,进一步用于:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的欧式距离。
在上述基于特征聚类的固体材料一致性分选系统中,所述距离计算单元,进一步用于:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的余弦距离。
在上述基于特征聚类的固体材料一致性分选系统中,所述分选结果生成单元,进一步用于:基于所述距离小于预设距离的待分选的固态材料归为一类。
在上述基于特征聚类的固体材料一致性分选系统中,所述深度卷积神经网络为深度残差网络。
在上述基于特征聚类的固体材料一致性分选系统中,所述待分选的固体材料为机械零件。
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特征聚类的固体材料一致性分选方法。
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特征聚类的固体材料一致性分选方法。
本申请的实施例提供了基于特征聚类的固体材料一致性分选方法、系统和电子设备,其采用基于深度学习的计算机视觉技术,来对固体材料进行一致性分选。
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为根据本申请实施例的基于特征聚类的固体材料一致性分选方法的应用场景图。
图2为根据本申请实施例的基于特征聚类的固体材料一致性分选方法的流程图。
图3为根据本申请实施例的基于特征聚类的固体材料一致性分选方法的系统架构的示意图。
图4为根据本申请实施例的基于特征聚类的固体材料一致性分选方法中,基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率的流程图。
图5为根据本申请实施例的基于特征聚类的固体材料一致性分选系统的框图。
图6为根据本申请实施例的基于特征聚类的固体材料一致性分选系统中,特征图提取单元的框图。
图7为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,针对固体材料的一致性分选是工程及生产中的常见问题,例如机床机械零件制造商对其生产的机械零件损耗程度的大小与种类的判别以及等级情况的检查,这种具有针对性的材料一致性分选直接影响着机械零件的实际应用。
目前,常见的固体材料一致性分选方式依旧还停留在传统的人为分选的阶段:靠该项目的研发工程师“用眼看”、“用手摸”的方式对其进行分类和分拣,其效率极其低下,且由于不同的人对材料的判别和认知大不相同,所得出的分类方式和结论也各不相同,甚至对于不同材料处于不同环境,例如温度,湿度等环境因素也将使得材料表现出不同的性状,从而影响对固体材料的判断和分选,这将直接影响到后续的工程项目或产品研发上阶段的进展。
经研究,本申请发明人发现对于机床机械零件制造商生产的机械零件,因为其损耗程度的大小和种类的差异在实际上表现得很小,很难通过人工方式进行分选,且人工分选的方式准确性也不高。因此,本申请的申请人考虑采用基于深度学习的计算机视觉技术,来对机械零件进行一致性分选。
在深度学习领域,这可以概括为对于机械零件进行特征聚类的问题,特征聚类指的是基于深度学习所获得的对象的特征来对对象进行聚类,这显然可以很好地解决机械零件的一致性分选问题。在无监督学习环境下,特征聚类通过定义对特征平均相关性的度量,来进行基于特征的聚类,例如,可以采用多种聚类方法。因此,如何获得能够充分地表示对象信息的特征,也就成为特征聚类过程当中的关键。
在本申请实施例中,为了能够获得充分表达机械零件的外观信息的特征,对于待分选的每个机械零件,首先获取其在多个角度下的多个图像,并通过卷积神经网络获得相应的特征图。这里,因为每个特征图都可以示为对象特征在高维特征空间中的概率分布,为了提高单个对象的特征平均相关性的度量,在本申请实施例的技术方案中,采用类Softmax函数的形式,计算单个概率分布与概率分布的均值之间的比率,也就是r=∑exp(xi)/∑exp(yi),其中,xi表示每个特征图中的各个位置的特征值,而yi表示通过对单个对象的多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值。这样,该比率r可以视为单个特征图对于其与平均特征之间的特征相关性的贡献值,从而对于均值特征图进行修正,也就是,以该值对单个特征图的每个位置的特征值进行加权来获得均值特征图的每个位置的特征值。通过这样的方式,可以使得所获得的更新的平均特征图能够更好地反映对应于单个对象在多个角度下的特征图之间的特征平均相关性,从而提高后续聚类操作的准确性。
进一步地,通过对于待分选的多个机械零件重复上述操作,可以获得每个机械零件对应的平均特征图,相当于充分挖掘出用于聚类操作的各个对象的特征信息,然后,使用该多个平均特征图进行聚类操作,具体地,为了最大程度地表达对象特征之间的相关性,计算每两个平均特征图之间的距离,例如欧氏距离或者余弦距离,再基于用于表示相关性的该平均特征图之间的距离来进行聚类,就可以实现机械零件的一致性分选。
基于此,本申请提出了一种基于特征聚类的固体材料一致性分选方法,其包括:步骤1:获取待分选的固体材料在多个拍摄角度下的多个图像;步骤2:将所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图;步骤3:基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率;步骤4:以所述多个比率作为权重,计算所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图;步骤5:重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图;步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离;以及,步骤7:基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
图1图示了根据本申请实施例的用于基于特征聚类的固体材料一致性分选方法的应用场景示意图。
如图1所示,在该应用场景中,通过摄像头(例如,如图1中所示意的C)获取沿着待分选的固体材料的在多个拍摄角度下的多个图像;然后,将所述多个图像输入至部署有基于特征聚类的固体材料一致性分选算法的服务器中(例如,如图2中所示意的S),其中,所述服务器能够基于特征聚类的固体材料一致性分选算法对所述多个图像进行处理,以获得所述多个待分选的固态材料的一致性分选结果。在该应用场景中,所述待分选的固体材料为机械零件。
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特征聚类的固体材料一致性分选方法的流程图。如图2所示,根据本申请实施例的基于特征聚类的固体材料一致性分选方法的流程图,包括:步骤1:获取待分选的固体材料在多个拍摄角度下的多个图像;步骤2:将所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图;步骤3:基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,其中,所述比率的计算过程,用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个所述特征图中的各个位置的特征值,yi表示通过对所述多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值;步骤4:以所述多个比率作为权重,计算所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图;步骤5:重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图;步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离;以及,步骤7:基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
图3图示了根据本申请实施例的基于特征聚类的固体材料一致性分选方法的系统架构的示意图。如图3所示,在该网络架构中,首先,将在多个拍摄角度下拍摄待分选的固态材料的多个图像(例如,如图3中所示意的P1到Pn)分别输入深度卷积神经网络(例如,如图3中所示意的CNN),以获得多个特征图(例如,如图3中所示意的F1到Fn);接着,基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率(例如,如图3中所示意的K1到Kn);然后,以所述多个比率作为权重,计算所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图(例如,如图3中所示意的Fa1);接着,重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图(例如,如图3中所示意的Fa1到Fan);然后,对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离;最终,基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
在步骤1中,获取待分选的固体材料在多个拍摄角度下的多个图像。为了能够获得充分表达所述固体材料的外观信息的特征,对于待分选的固体材料,首先获取其在多个拍摄角度下的多个图像。例如,在一个具体的示例中,旋转所述固体材料并保持摄像头不动,通过这样的方式,获取其在多个拍摄角度下的多个图像。在本申请一个具体的应用示例中,所述待分选的固体材料为机械零件。
在步骤2中,将所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图。也就是,以深度卷积神经网络对所述多个图像进行处理,以提取出所述多个图像中的局部特征的特征表示。
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,所述卷积神经网络被实施为深度残差网络,例如,ResNet50。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。
在步骤3中,基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,其中,所述比率的计算过程,用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个所述特征图中的各个位置的特征值,yi表示通过对所述多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值。
在本申请实施例中,为了能够获得充分表达机械零件的外观信息的特征,对于待分选的每个机械零件,首先获取其在多个角度下的多个图像,并通过卷积神经网络获得相应的特征图。这里,因为每个特征图都可以示为对象特征在高维特征空间中的概率分布,为了提高单个对象的特征平均相关性的度量,在本申请实施例的技术方案中,采用类Softmax函数的形式,计算单个概率分布与概率分布的均值之间的比率。
该计算过程用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个特征图中的各个位置的特征值,而yi表示通过对单个对象的多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值。这样,该比率r可以视为单个特征图对于其与平均特征之间的特征相关性的贡献值,从而对于均值特征图进行修正,也就是,以该值对单个特征图的每个位置的特征值进行加权来获得均值特征图的每个位置的特征值。通过这样的方式,可以使得所获得的更新的平均特征图能够更好地反映对应于单个对象在多个角度下的特征图之间的特征平均相关性,从而提高后续聚类操作的准确性。
具体地,在本申请实施例中,基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率的过程,包括:首先,计算所述多个特征图的按位置的平均加权和,以获得均值特征图。也就是,以平均加权的方式获得均值特征图,其中,所述均值特征图能够表示所述固体材料在各个视角下的外观信息的整体综合特征。
接着,基于类Softmax函数,计算单个所述特征图的概率分布与所述均值特征图中各个位置的特征值之间的比率,以获得对应于所述多个特征图的多个比率。这里,所述比率表示单个特征图对于平均特征图的特征相关性的贡献值。
图4图示了根据本申请实施例的基于特征聚类的固体材料一致性分选方法中,基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率的流程图。如图4所示,在本申请实施例中,将所述基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率的流程图,包括:S410,计算所述多个特征图的按位置的平均加权和,以获得均值特征图;以及,S420,基于类Softmax函数,计算单个所述特征图的概率分布与所述均值特征图中各个位置的特征值之间的比率,以获得对应于所述多个特征图的多个比率。
在步骤4中,以所述多个比率作为权重,计算所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图。也就是,以所述比率对单个特征图的每个位置的特征值进行加权来获得均值特征图的每个位置的特征值。通过这样的方式,可以使得所获得的更新的平均特征图能够更好地反映对应于单个对象在多个角度下的特征图之间的特征平均相关性,从而提高后续聚类操作的准确性。
在步骤5中,重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图。也就是,对多个待分选的固体材料重复步骤1至步骤4的操作,以获得每个待分选的固体材料的矫正后的平均特征图,这样相当于充分挖掘出用于聚类操作的各个对象的特征信息。
在步骤6中,对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离。也就是,使用该多个平均特征图进行聚类操作,具体地,为了最大程度地表达对象特征之间的相关性,计算每两个平均特征图之间的距离,例如欧氏距离或者余弦距离,再基于用于表示相关性的该平均特征图之间的距离来进行聚类,就可以实现机械零件的一致性分选。
本领域普通技术人员应知晓,欧氏距离表示两个平均特征图的各个位置的特征值在数值层面的差异。因此,通过计算两个平均特征图之间的欧式距离,可表示该两个平均特征图之间的相似程度。同样地,在分析两个平均特征图之间的相似性时,也可以用余弦距离来进行衡量。
在步骤7中,基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。具体地,将所述距离小于预设距离的待分选的固态材料归为一类。
综上,基于本申请实施例的一种基于特征聚类的固体材料一致性分选方法被阐明,其采用基于深度学习的计算机视觉技术,来对固体材料进行一致性分选。
示例性系统
图5图示了根据本申请实施例的基于特征聚类的固体材料一致性分选系统的框图。如图5所示,根据本申请实施例的基于特征聚类的固体材料一致性分选系统500,包括:图像获取单元510,用于获取待分选的固体材料在多个拍摄角度下的多个图像;特征图提取单元520,用于将所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图;特征图比率生成单元530,用于基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,其中,所述比率的计算过程,用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个所述特征图中的各个位置的特征值,yi表示通过对所述多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值;平均特征图生成单元540,用于以所述多个比率作为权重,计算所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图;重复生成单元550,用于重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图;距离计算单元560,用于对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离;分选结果生成单元570,用于基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
在一个示例中,在基于特征聚类的固体材料一致性分选系统500中,如图6所示,所述特征图比率生成单元530,包括:均值特征图生成子单元531,用于计算所述多个特征图的按位置的平均加权和,以获得均值特征图;以及,特征图比率生成子单元532,用于基于类Softmax函数,计算单个所述特征图的概率分布与所述均值特征图生成子单元531获得的所述均值特征图中各个位置的特征值之间的比率,以获得对应于所述多个特征图的多个比率。
在一个示例中,在基于特征聚类的固体材料一致性分选系统500中,所述距离计算单元560,对于所述多个平均特征图,分别计算每两个所述平均特征图之间的欧式距离。
在一个示例中,在基于特征聚类的固体材料一致性分选系统500中,所述距离计算单元560,对于所述多个平均特征图,分别计算每两个所述平均特征图之间的余弦距离。
在一个示例中,在基于特征聚类的固体材料一致性分选系统500中,所述分选结果生成单元570,基于所述距离小于预设距离的待分选的固态材料归为一类。
在一个示例中,在基于特征聚类的固体材料一致性分选系统500中,所述深度卷积神经网络为深度残差网络。
在一个示例中,在基于特征聚类的固体材料一致性分选系统500中,所述待分选的固体材料为机械零件。
这里,本领域技术人员可以理解,上述基于特征聚类的固体材料一致性分选系统500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4的基于特征聚类的固体材料一致性分选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基于特征聚类的固体材料一致性分选系统500可以实现在各种终端设备中,例如用于固体材料一致性分选的服务器等。在一个示例中,根据本申请实施例的基于特征聚类的固体材料一致性分选系统500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,该基于特征聚类的固体材料一致性分选系统500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,该基于特征聚类的固体材料一致性分选系统500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,该基于特征聚类的固体材料一致性分选系统500与该终端设备也可以是分立的设备,并且该基于特征聚类的固体材料一致性分选系统500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7来描述根据本申请实施例的电子设备。
如图7所示,所述电子设备10包括至少一处理器11和至少一存储器12。所述处理器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特征聚类的固体材料一致性分选方法以及/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平均特征图、距离等各种内容。
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,包括一致性分选结果等。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7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特征聚类的固体材料一致性分选方法中的步骤。
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特征聚类的固体材料一致性分选方法中的步骤。
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)
1.一种基于特征聚类的固体材料一致性分选方法,其特征在于,包括:
步骤1:获取待分选的固体材料在多个拍摄角度下的多个图像;
步骤2:将所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图;
步骤3:基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,其中,所述比率的计算过程,用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个所述特征图中的各个位置的特征值,yi表示通过对所述多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值;
步骤4:以所述多个比率作为权重,计算所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图;
步骤5:重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图;
步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离;以及
步骤7:基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
2.根据权利要求1所述的基于特征聚类的固体材料一致性分选方法,其中,步骤3:基于类Softmax函数,计算单个所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,包括:
计算所述多个特征图的按位置的平均加权和,以获得均值特征图;以及
基于类Softmax函数,计算单个所述特征图的概率分布与所述均值特征图中各个位置的特征值之间的比率,以获得对应于所述多个特征图的多个比率。
3.根据权利要求1所述的基于特征聚类的固体材料一致性分选方法,其中,步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离,包括:
对于所述多个平均特征图,分别计算每两个所述平均特征图之间的欧式距离。
4.根据权利要求1所述的基于特征聚类的固体材料一致性分选方法,其中,步骤6:对于所述多个平均特征图,分别计算每两个所述平均特征图之间的距离,包括:
对于所述多个平均特征图,分别计算每两个所述平均特征图之间的余弦距离。
5.根据权利要求1所述的基于特征聚类的固体材料一致性分选方法,其中,步骤7:基于所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果,包括:
基于所述距离小于预设距离的待分选的固态材料归为一类。
6.根据权利要求1所述的基于特征聚类的固体材料一致性分选方法,其中,所述深度卷积神经网络为深度残差网络。
7.根据权利要求1所述的基于特征聚类的固体材料一致性分选方法,其中,所述待分选的固体材料为机械零件。
8.一种基于特征聚类的固体材料一致性分选系统,其特征在于,包括:
图像获取单元,用于获取待分选的固体材料在多个拍摄角度下的多个图像;
特征图提取单元,用于将所述图像获取单元获得的所述多个图像分别输入深度卷积神经网络,以从所述多个图像中分别提取出多个特征图;
特征图比率生成单元,用于基于类Softmax函数,计算单个所述特征图提取单元获得的所述特征图的概率分布与所述多个特征图的概率分布的均值之间的比率,以获得对应于所述多个特征图的多个比率,其中,所述比率的计算过程,用公式可表示为:r=∑exp(xi)/∑exp(yi),其中,xi表示每个所述特征图中的各个位置的特征值,yi表示通过对所述多个特征图的每个对应位置求均值而获得的均值特征图的各个位置的特征值;
平均特征图生成单元,用于以所述特征图比率生成单元获得的所述多个比率作为权重,计算所述特征图提取单元获得的所述多个特征图的各个位置的特征值的加权和,以获得所述待分选的固体材料的平均特征图;
循环单元,用于重复地执行步骤1至步骤4,以获得多个待分选的固体材料的多个平均特征图;
距离计算单元,用于对于所述多个平均特征图,分别计算每两个所述平均特征图生成单元获得的所述平均特征图之间的距离;以及
分选结果生成单元,用于基于所述距离计算单元获得的所述距离,对所述多个待分选的固体材料进行聚类,以获得所述多个待分选的固态材料的一致性分选结果。
9.根据权利要求8所述的基于特征聚类的固体材料一致性分选系统,其中,所述特征图比率生成单元,包括:
均值特征图生成子单元,用于计算所述多个特征图的按位置的平均加权和,以获得均值特征图;以及
特征图比率生成子单元,用于基于类Softmax函数,计算单个所述特征图的概率分布与所述均值特征图获取子单元获得的所述均值特征图中各个位置的特征值之间的比率,以获得对应于所述多个特征图的多个比率。
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1-7中任一项所述的基于特征聚类的固体材料一致性分选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536045.0A CN113255752A (zh) | 2021-05-17 | 2021-05-17 | 基于特征聚类的固体材料一致性分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536045.0A CN113255752A (zh) | 2021-05-17 | 2021-05-17 | 基于特征聚类的固体材料一致性分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255752A true CN113255752A (zh) | 2021-08-13 |
Family
ID=77182404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536045.0A Withdrawn CN113255752A (zh) | 2021-05-17 | 2021-05-17 | 基于特征聚类的固体材料一致性分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255752A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963223A (zh) * | 2021-10-29 | 2022-01-21 | 浙江腾腾电气有限公司 | 基于深度学习的智能稳压器、稳压方法和电子设备 |
CN115270992A (zh) * | 2022-08-19 | 2022-11-01 | 牡丹江师范学院 | 新型的材料物理数据分类方法及系统 |
-
2021
- 2021-05-17 CN CN202110536045.0A patent/CN113255752A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963223A (zh) * | 2021-10-29 | 2022-01-21 | 浙江腾腾电气有限公司 | 基于深度学习的智能稳压器、稳压方法和电子设备 |
CN113963223B (zh) * | 2021-10-29 | 2022-10-04 | 浙江腾腾电气有限公司 | 基于深度学习的智能稳压器、稳压方法和电子设备 |
CN115270992A (zh) * | 2022-08-19 | 2022-11-01 | 牡丹江师范学院 | 新型的材料物理数据分类方法及系统 |
CN115270992B (zh) * | 2022-08-19 | 2023-04-18 | 牡丹江师范学院 | 新型的材料物理数据分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11562585B2 (en) | Systems and methods for image preprocessing | |
JP6378855B1 (ja) | 画像検索システム、画像検索方法およびプログラム | |
CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
CN103425996B (zh) | 一种并行分布式的大规模图像识别方法 | |
WO2016205286A1 (en) | Automatic entity resolution with rules detection and generation system | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN113255752A (zh) | 基于特征聚类的固体材料一致性分选方法 | |
CN112163114B (zh) | 一种基于特征融合的图像检索方法 | |
CN112597324A (zh) | 一种基于相关滤波的图像哈希索引构建方法、系统及设备 | |
JP2019086979A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN115761599A (zh) | 一种视频异常检测方法及系统 | |
CN109857892B (zh) | 基于类标传递的半监督跨模态哈希检索方法 | |
CN114373092A (zh) | 一种基于拼图排列学习的渐进式训练细粒度视觉分类方法 | |
Altun et al. | SKETRACK: Stroke‐Based Recognition of Online Hand‐Drawn Sketches of Arrow‐Connected Diagrams and Digital Logic Circuit Diagrams | |
EP4285281A1 (en) | Annotation-efficient image anomaly detection | |
CN111950592B (zh) | 一种基于监督最小二乘多类核典型相关分析的多模态情感特征融合方法 | |
CN112960213A (zh) | 使用特征概率分布表示的智能包装质量检测方法 | |
CN111488400A (zh) | 数据分类方法、装置和计算机可读存储介质 | |
Wu et al. | Mixed pattern matching-based traffic abnormal behavior recognition | |
Parseh et al. | Semantic-aware visual scene representation | |
Tabib et al. | Deep features for categorization of heritage images towards 3D reconstruction | |
Hua et al. | Cross-modal correlation learning with deep convolutional architecture | |
KR20210041856A (ko) | 딥 러닝 기반으로 애니메이션 캐릭터를 학습하는 데 필요한 학습 데이터 생성 방법 및 장치 | |
CN112819040A (zh) | 基于权值生成机制的用于水泥加工的智能控制方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210813 |