CN115311338B - 军用帐篷内衬面料智能化生产系统及其方法 - Google Patents

Abstract

公开了一种军用帐篷内衬面料智能化生产系统及其方法，其实现军用帐篷内衬面料的面料成型质量检测的智能化。具体地，首先通过RGB相机采集待检测军用帐篷的内衬面料的外表面图像，然后，利用不同卷积核的卷积神经网络模型作为图像特征提取器来从所述外表面图的不同通道图像的图案纹理局部特征，并使用三维卷积神经网络模型来捕捉不同通道图像的图案纹理局部特征之间的高维隐含关联以得到分类特征图，最后通过分类器进行分类以得到分类结果。这样，准确地得到待检测军用帐篷的内衬面料的外表面的印染图案是否符合预定要求的检测结果。

Description

军用帐篷内衬面料智能化生产系统及其方法

技术领域

本申请涉及智能制造领域，且更为具体地，涉及一种军用帐篷内衬面料智能化生产系统及其方法。

背景技术

当下，帐篷已经成为人们野外露营时的必需品。帐篷不仅能够提供遮风避雨的空间，而且相对于其他类型的临时房屋，帐篷的安装和拆卸也较为便捷，且便于携带和运输。

在军用帐篷内衬面料的制备过程中，需要在其外表面涂印迷彩，外表面的迷彩图案的一致性是内衬材料在制备过程中需关注的核心指标，从这指标可以反向地推断出印染设备和涂银设备是否需维护。

因此，期待一种军用帐篷内衬面料智能化生产系统，其能够对于军用帐篷的内衬面料的外表面的印染图案进行一致性检测，以确保军用帐篷的内衬面料的外表面的印染和涂银的效果，进而保证制造出的军用帐篷的质量一致性。

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军用帐篷内衬面料智能化生产系统及其方法，其通过图像特征提取器和分类器模型来实现军用帐篷的内衬面料的外表面的印染图案的一致性检测。具体地，首先通过RGB相机采集待检测军用帐篷的内衬面料的外表面图像，然后，利用不同卷积核的卷积神经网络模型作为图像特征提取器来从所述外表面图的不同通道图像的图案纹理局部特征，并使用三维卷积神经网络模型来捕捉不同通道图像的图案纹理局部特征之间的高维隐含关联以得到分类特征图，最后通过分类器进行分类以得到分类结果。这样，准确地得到待检测军用帐篷的内衬面料的外表面的印染图案是否符合预定要求的检测结果。

根据本申请的一个方面，提供了一种军用帐篷内衬面料智能化生产系统，其包括：

图像采集模块，用于获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；

通道分离模块，用于从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；

第一单通道图像编码模块，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；

第二单通道图像编码模块，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；

单通道特征融合模块，用于融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；

多通道图像关联编码模块，用于将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；

特征分布校正模块，用于基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及

检测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

根据本申请的另一方面，提供了一种军用帐篷内衬面料智能化生产方法，其包括：

获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；

从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；

将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；

将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；

融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；

将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；

基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及

将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

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用于新能源电池的智能制造方法。

与现有技术相比，本申请提供的一种军用帐篷内衬面料智能化生产系统及其方法，其通过图像特征提取器和分类器模型来实现军用帐篷的内衬面料的外表面的印染图案的一致性检测。首先通过RGB相机采集待检测军用帐篷的内衬面料的外表面图像，然后，利用不同卷积核的卷积神经网络模型作为图像特征提取器来从所述外表面图的不同通道图像的图案纹理局部特征，并使用三维卷积神经网络模型来捕捉不同通道图像的图案纹理局部特征之间的高维隐含关联以得到分类特征图，最后通过分类器进行分类以得到分类结果。这样，准确地得到待检测军用帐篷的内衬面料的外表面的印染图案是否符合预定要求的检测结果。

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军用帐篷内衬面料智能化生产系统的应用场景图。

图2图示了根据本申请实施例的军用帐篷内衬面料智能化生产系统的框图。

图3图示了根据本申请实施例的军用帐篷内衬面料智能化生产系统中所述单通道特征融合模块的框图。

图4图示了根据本申请实施例的军用帐篷内衬面料智能化生产方法的流程图。

图5图示了根据本申请实施例的军用帐篷内衬面料智能化生产方法的架构示意图。

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

传统的军用帐篷在使用时，特别是北方寒冷天气下，军用帐篷需要密闭性，传统的军用帐篷面料均有涂层，过一个晚上后会在内壁结露，导致水滴滴下来影响使用体验。为解决上述问题，在本申请的技术方案中，在军用帐篷内部增加吸收水滴的内衬面料，不仅保温性好而且能够吸收水滴，避免了水滴滴落问题的产生。

在军用帐篷内衬面料的制备过程中，需要在其外表面涂印迷彩，外表面的迷彩图案的一致性是内衬材料在制备过程中需关注的核心指标，从这指标可以反向地推断出印染设备和涂银设备是否需维护。

相应地，在本申请的技术方案中，军用帐篷的内衬面料的外表面的印染图案的一致性检测，可通过图像特征提取器+分类器模型来实现。也就是，利用深度神经网络模型作为特征提取器从军用帐篷的内衬面料的外表面的印染图案的RGB图像中提取特征，并将所提取的特征通过分类器进行分类以得到用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求的分类结果。

具体地，在本申请的技术方案中，首先通过RGB相机采集待检测军用帐篷的内衬面料的外表面图像。然后，考虑到在RGB相机所拍摄的所述外表面图像是具有3个通道上的图像(分别为R通道、G通道和B通道)，而不同通道的图像呈现出不同的图案纹理特性。特别地，在本申请的技术方案中，为了充分利用不同通道不同的图案纹理特性以及各个通道图像的图案纹理特性之间的关联，首先对所述待检测军用帐篷的内衬面料的外表面图像进行单通道处理，即，从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像。

进一步地，将3个所述通道外表面图像分别通过在局部隐含特征提取方面具有优异表现的卷积神经网络模型中进行深层特征挖掘。应可以理解，在本申请的技术方案中，军用帐篷的内衬面料的外表面的印染图案在不同观察视角下会呈现出不同的纹理特征。因此，在本申请的技术方案中，首先将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图。然后，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图。特别地，在本申请的技术方案中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸。这里，卷积神经网络的卷积核尺寸代表不同的感受野，也就是说，当所述第一卷积神经网络和所述第二卷积神经网络分别使用不同尺寸的卷积核分别对不同通道的图像进行纹理特征提取时，其能够提取不同感受野(即，不同尺寸)的纹理特征。

接着，融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图。例如，在本申请的一个示例中，以级联的方式来融合不同尺度的特征图以得到所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图。在本申请另一具体的示例中，以按位置加权和的方式来融合不同尺度的特征图，通过这样的方式，可通过不同的加权权重来调整不同尺度的特征图的比例。

为了捕捉不同通道的多尺度图案特征之间的关联，即由于将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图之间具有着不同通道图像的高维隐含关联，因此，进一步将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络来进行特征挖掘，以使用三维卷积神经网络模型来捕捉不同通道图像的图案特征之间的高维隐含关联来提高分类判断的精度，从而得到分类特征图。

应可以理解，由于所述分类特征图经由多个多尺度通道特征图排列后通过特征提取得到，而每个所述多尺度通道特征图包含多个尺度的纹理图像语义，这使得特征图的各位置具有相位敏感性，也就是，每个位置的特征值表达不同尺度下的像素关联语义。

相应地，由于在通过分类器进行分类时，所述分类特征图是位置无关的，即将特征图投影为向量，因此，预先对分类特征图进行相位感知的特征按位置聚合，表示为：

其中F表示所述分类特征图，

表示所述分类特征图中所有位置的特征值的均值的倒数，⊙表示按位置点乘。

这里，该所述相位感知的特征按位置聚合通过对特征图的表征引入幅值-相位的类实值-虚值表征，来基于欧拉公式的原理将向量进行实值的按位置拼接展开，从而以多层感知的形式补偿对所述分类特征图进行无位置属性的实值分类任务时可能导致的归纳偏置，提高了所述分类特征图的分类准确性。

基于此，本申请提出了一种军用帐篷内衬面料智能化生产系统，其包括：图像采集模块，用于获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；通道分离模块，用于从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；第一单通道图像编码模块，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；第二单通道图像编码模块，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；单通道特征融合模块，用于融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；多通道图像关联编码模块，用于将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；特征分布校正模块，用于基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及，检测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

图1图示了根据本申请实施例的军用帐篷内衬面料智能化生产系统的应用场景图。如图1所示，在该应用场景中，首先，使用RGB相机(例如，如图1所示意的C)采集待检测军用帐篷的内衬面料的外表面图像(例如，如图1中所示意的U)；然后，将采集的待检测军用帐篷的内衬面料的外表面图像输入至部署有军用帐篷内衬面料智能化生产算法的服务器中(例如，如图1所示意的S)，其中，所述服务器以智能化生产算法对所述待检测军用帐篷的内衬面料的外表面图像进行处理，以生成待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求的分类结果。

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。

示例性系统

图2图示了根据本申请实施例的军用帐篷内衬面料智能化生产系统的框图。如图2所示，根据本申请实施例的军用帐篷内衬面料智能化生产系统100，包括：图像采集模块110，用于获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；通道分离模块120，用于从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；第一单通道图像编码模块130，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；第二单通道图像编码模块140，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；单通道特征融合模块150，用于融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；多通道图像关联编码模块160，用于将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；特征分布校正模块170，用于基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及，检测结果生成模块180，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

具体地，在本申请实施例中，所述图像采集模块110，用于获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像。如前所述，传统的军用帐篷在使用时，特别是北方寒冷天气下，会有内壁结露导致水滴滴下来影响使用体验的问题。因此，在本申请的技术方案中，在军用帐篷内部增加吸收水滴的内衬面料，不仅保温性好而且能够吸收水滴，避免了水滴滴落问题的产生。

特别地，在本申请一具体示例中，所述军用帐篷内衬面料的技术工艺为:篷体采用150D涤纶长丝面料，印花采用无机颜料，按照21式星空迷彩图案调配不同的板块红外发射率；其外表面进行涂印花型，内表面涂银，控制内表面的红外发射率在0.6～0.7。从而使得所述军用帐篷内衬面料达到热能的充分反射，减少热能的散失，起到防热红外侦察的效果。进一步的，在寒冷的环境中，可利用人体自身散发的热量及内衬面料的双层作用，提升保暖防风性能，防止所述军用帐篷产生滴露现象。

进一步地，在本申请实施例中，使用上述技术工艺制造的军用帐篷内衬面料的外表面具有的特点包括：第一方面，具有很好的目视伪装功能；第二方面，可以形成热红外斑块的分割，起到伪装隐身作用；第三方面，所述军用帐篷热红外的发射率能与周围环境的发射率相匹配；第四方面，两种绿色斑块里，其中有一个绿色的K值≥5，不同颜色斑块所具备的高、中、低热红外发射率数值相差不低于0.1。

进一步地，在本申请实施例中，使用上述技术工艺制造的军用帐篷内衬面料的内表面具有的特点包括：第一方面，所述军用帐篷内衬面料采用新型纳米气凝胶面料，双层结构重量约300g/㎡，非常轻柔，易于折叠收藏，携带清洗，其保暖性能经过测试，所述军用帐篷外部接触面温度为97℃左右，在所述军用帐篷里料的表面温度为83℃左右，能够有效地降低热转导，这样可以起到保温隔热的效果；第二方面，采用外帐、内帐保温双层结构，所述内衬面料挂附于帐篷面料的内侧，具有相应的隔热保温性能外，还具有重量轻的特点；第三方面，所述气凝胶面料为白色，双层夹心保温结构，可使夹层中的空气处于静止状态，由于空气的不流动性，更提升了保温、隔热性能；第四方面，白色可提升所述军用帐篷内部的明亮度，使所述军用帐篷内没有压抑感；第五方面，在所述内衬面料上，可以增加一些吸味除臭功效，可吸附帐篷内的异味，改善空气质量；第六方面，所述内衬面料为针织结构，具有很好的吸收潮气的功能，从而可以防止内外温差产生的滴露现象，即使在受潮严重的情况下，可以通过拆除内帐，将内帐防止通风处，便于去除潮气，不降低使用效果。

可以理解的是，在军用帐篷内衬面料的制备过程中，需要在其外表面涂印迷彩，外表面的迷彩图案的一致性是内衬材料在制备过程中需关注的核心指标，从这指标可以反向地推断出印染设备和涂银设备是否需维护。本申请的技术方案中，通过RGB相机采集待检测军用帐篷的内衬面料的外表面图像。特别地，在本申请实施例中，RGB相机的数量可以为多个，以在多个视角对所述待检测军用帐篷的内衬面料进行图像采集。

具体地，在本申请实施例中，所述通道分离模块120，用于从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像。考虑到在RGB相机所拍摄的所述外表面图像是具有3个通道上的图像(分别为R通道、G通道和B通道)，而不同通道的图像呈现出不同的图案纹理特性。因此，在本申请的技术方案中，为了充分利用不同通道的不同的图案纹理特性以及各个通道图像的图案纹理特性之间的关联，首先对所述待检测军用帐篷的内衬面料的外表面图像进行单通道处理，即，从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像。

具体地，在本申请实施例中，所述第一单通道图像编码模块130，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图。应可以理解，在本申请的技术方案中，军用帐篷的内衬面料的外表面的印染图案在不同观察视角下会呈现出不同的纹理特征。因此，在本申请的技术方案中，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图。

更具体地，在本申请实施例中，使用所述第一卷积核的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度R通道特征图、所述第一尺度G通道特征图和所述第一尺度B通道特征图，所述第一卷积核的第一卷积神经网络的第一层的输入为所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像。

也就是说，首先，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像输入所述第一卷积核的第一卷积神经网络的第一层；接着，使用所述第一卷积核的第一卷积神经网络的各个卷积层的正向传递中分别对输入数据进行卷积处理、均值池化处理和非线性激活处理；然后，由所述第一卷积核的第一卷积神经网络的最后一层输出为所述第一尺度R通道特征图、所述第一尺度G通道特征图和所述第一尺度B通道特征图。

具体地，在本申请实施例中，所述第二单通道图像编码模块140，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸。

如前所述，考虑到军用帐篷的内衬面料的外表面的印染图案在不同观察视角下会呈现出不同的纹理特征，在本申请的技术方案中，首先将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图。然后，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图。

可以理解的是，卷积神经网络的卷积核尺寸代表不同的感受野，也就是说，当所述第一卷积神经网络和所述第二卷积神经网络分别使用不同尺寸的卷积核分别对不同通道的图像进行纹理特征提取时，其能够提取不同感受野(即，不同尺寸)的纹理特征。

更具体地，在本申请实施例中，使用所述第二卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度R通道特征图、所述第二尺度G通道特征图和所述第二尺度B通道特征图，所述第二卷积核的第二卷积神经网络的第一层的输入为所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像。

也就是说，首先，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像输入所述第二卷积核的第二卷积神经网络的第一层；接着，使用所述第二卷积核的第二卷积神经网络的各个卷积层的正向传递中分别对输入数据进行卷积处理、均值池化处理和非线性激活处理；然后，由所述第二卷积核的第二卷积神经网络的最后一层输出为所述第二尺度R通道特征图、所述第二尺度G通道特征图和所述第二尺度B通道特征图。

具体地，在本申请实施例中，所述单通道特征融合模块150，用于融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图。

可以理解的是，融合不同尺度的特征图是提高性能的一个重要手段,例如，在本申请的一个示例中，以级联的方式来融合不同尺度的特征图以得到所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图。在本申请另一具体的示例中，以按位置加权和的方式来融合不同尺度的特征图，通过这样的方式，可通过不同的加权权重来调整不同尺度的特征图的比例。

更具体地，在本申请实施例中，图3图示了根据本申请实施例的军用帐篷内衬面料智能化生产系统中所述单通道特征合模块融的框图，如图3所示，所述单通道特征融合模块150，包括：R通道特征融合单元210，用于以如下公式融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到所述多尺度R通道特征图；其中，所述公式为：

其中，F_R为所述多尺度R通道特征图，F_R1为所述第一尺度R通道特征图，F_R2为所述第二尺度R通道特征图，

表示特征图的按位置加法，α₁和β₁为用于控制所述多尺度R通道特征图中所述第一尺度R通道特征图和所述第二尺度R通道特征图之间的平衡的加权参数；G通道特征融合单元220，用于以如下公式融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到所述多尺度G通道特征图；其中，所述公式为：

其中，F_G为所述多尺度G通道特征图，F_G1为所述第一尺度G通道特征图，F_G2为所述第二尺度G通道特征图，

表示特征图的按位置加法，α₂和β₂为用于控制所述多尺度G通道特征图中所述第一尺度G通道特征图和所述第二尺度G通道特征图之间的平衡的加权参数；B通道特征融合单元230，用于以如下公式融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到所述多尺度B通道特征图；其中，所述公式为：

其中，F_B为所述多尺度B通道特征图，F_B1为所述第一尺度B通道特征图，F_B2为所述第二尺度B通道特征图，

表示特征图的按位置加法，α₃和β₃为用于控制所述多尺度B通道特征图中所述第一尺度B通道特征图和所述第二尺度B通道特征图之间的平衡的加权参数。

具体地，在本申请实施例中，所述多通道图像关联编码模块160，用于将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图。可以理解的是，所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图之间具有着不同通道图像的高维隐含关联，为了捕捉不同通道的多尺度图案特征之间的关联，在本申请的技术方案中，进一步将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络来进行特征挖掘，以使用三维卷积神经网络模型来捕捉不同通道图像的图案特征之间的高维隐含关联来提高分类判断的精度，从而得到分类特征图。

更具体地，在本申请实施例中，使用三维卷积核的第三卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第三卷积神经网络的最后一层的输出为所述分类特征图，所述第三卷积神经网络的第一层的输入为所述三维输入张量。

也就是说，首先，将所述三维输入张量输入所述三维卷积核的第三卷积神经网络的第一层；接着，使用所述三维卷积核的第三卷积神经网络在各个卷积层的正向传递中对输入数据分别进行三维卷积处理、均值池化处理和非线性激活处理；然后，由所述三维卷积核的第三卷积神经网络的最后一层的输出为所述分类特征图。

具体地，在本申请实施例中，所述特征分布校正模块170，用于基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图。可以理解，由于所述分类特征图经由多个多尺度通道特征图排列后通过特征提取得到，而每个所述多尺度通道特征图包含多个尺度的纹理图像语义，这使得特征图的各位置具有相位敏感性，也就是，每个位置的特征值表达不同尺度下的像素关联语义。

相应地，由于在通过分类器进行分类时，所述分类特征图是位置无关的，即将特征图投影为向量，因此，预先对分类特征图进行相位感知的特征按位置聚合。也就是说，基于所述分类特征图中所有位置的特征值的均值的倒数，以如下公式对所述分类特征图中各个位置的特征值进行校正以得到所述校正后分类特征图。其中，所述公式为：

其中F表示所述分类特征图，

表示所述分类特征图中所有位置的特征值的均值的倒数，⊙表示按位置点乘。

这里，该所述相位感知的特征按位置聚合通过对特征图的表征引入幅值-相位的类实值-虚值表征，来基于欧拉公式的原理将向量进行实值的按位置拼接展开，从而以多层感知的形式补偿对所述分类特征图进行无位置属性的实值分类任务时可能导致的归纳偏置，提高了所述分类特征图的分类准确性。

具体地，在本申请实施例中，所述检测结果生成模块180，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。也就是，将所述多个再加权极片特征图输入分类函数(例如，Softmax分类函数)以获得分类函数值，其中，所述分类函数值为所述分类结果，所述分类结果用于表示所述锂电池极片的成型质量是否满足预定要求。

更具体地，在本申请实施例中，使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置矩阵。

综上，基于本申请实施例的军用帐篷内衬面料智能化生产系统100被阐明，其通过图像特征提取器和分类器模型来实现军用帐篷的内衬面料的外表面的印染图案的一致性检测。具体地，首先通过RGB相机采集待检测军用帐篷的内衬面料的外表面图像，然后，利用不同卷积核的卷积神经网络模型作为图像特征提取器来从所述外表面图的不同通道图像的图案纹理局部特征，并使用三维卷积神经网络模型来捕捉不同通道图像的图案纹理局部特征之间的高维隐含关联以得到分类特征图，最后通过分类器进行分类以得到分类结果。这样，准确地得到待检测军用帐篷的内衬面料的外表面的印染图案是否符合预定要求的检测结果。

如上所述，根据本申请实施例的军用帐篷内衬面料智能化生产系统100可以实现在各种终端设备中，例如用于军用帐篷的智能制造的服务器等。在一个示例中，根据本申请实施例的军用帐篷内衬面料智能化生产系统100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，该军用帐篷内衬面料智能化生产系统100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，该军用帐篷内衬面料智能化生产系统100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，该军用帐篷内衬面料智能化生产系统100与该终端设备也可以是分立的设备，并且该军用帐篷内衬面料智能化生产系统100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。

示例性方法

图4图示了根据本申请实施例的军用帐篷内衬面料智能化生产方法的流程图。如图4所示，根据本申请实施例的军用帐篷内衬面料智能化生产方法，包括：S110，获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；S120，从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；S130，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；S140，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；S150，融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；S160，将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；S170，基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及，S180，将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

图5图示了根据本申请实施例的军用帐篷内衬面料智能化生产方法的架构示意图。如图5所示，在所述军用帐篷内衬面料智能化生产方法的架构中，首先，获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；然后，从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；接着，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；然后，将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；接着，融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；然后，将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；接着，基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及，最后，将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

在本申请的一个实施例中，在上述军用帐篷内衬面料智能化生产方法中，所述将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图，包括：使用所述第一卷积核的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度R通道特征图、所述第一尺度G通道特征图和所述第一尺度B通道特征图，所述第一卷积核的第一卷积神经网络的第一层的输入为所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像。

在本申请的一个实施例中，在上述军用帐篷内衬面料智能化生产方法中，所述将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸，包括：使用所述第二卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度R通道特征图、所述第二尺度G通道特征图和所述第二尺度B通道特征图，所述第二卷积核的第二卷积神经网络的第一层的输入为所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像。

在本申请的一个实施例中，在上述军用帐篷内衬面料智能化生产方法中，所述融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图，包括：以如下公式融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到所述多尺度R通道特征图；其中，所述公式为：

其中，F_R为所述多尺度R通道特征图，F_R1为所述第一尺度R通道特征图，F_R2为所述第二尺度R通道特征图，

表示特征图的按位置加法，α₁和β₁为用于控制所述多尺度R通道特征图中所述第一尺度R通道特征图和所述第二尺度R通道特征图之间的平衡的加权参数；以如下公式融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到所述多尺度G通道特征图；其中，所述公式为：

其中，F_G为所述多尺度G通道特征图，F_G1为所述第一尺度G通道特征图，F_G2为所述第二尺度G通道特征图，

表示特征图的按位置加法，α₂和β₂为用于控制所述多尺度G通道特征图中所述第一尺度G通道特征图和所述第二尺度G通道特征图之间的平衡的加权参数；以如下公式融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到所述多尺度B通道特征图；其中，所述公式为：

其中，F_B为所述多尺度B通道特征图，F_B1为所述第一尺度B通道特征图，F_B2为所述第二尺度B通道特征图，

表示特征图的按位置加法，α₃和β₃为用于控制所述多尺度B通道特征图中所述第一尺度B通道特征图和所述第二尺度B通道特征图之间的平衡的加权参数。

在本申请的一个实施例中，在上述军用帐篷内衬面料智能化生产方法中，所述将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图，包括：所述使用三维卷积核的第三卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第三卷积神经网络的最后一层的输出为所述分类特征图，所述第三卷积神经网络的第一层的输入为所述三维输入张量。

在本申请的一个实施例中，在上述军用帐篷内衬面料智能化生产方法中，所述基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图，包括：基于所述分类特征图中所有位置的特征值的均值的倒数，以如下公式对所述分类特征图中各个位置的特征值进行校正以得到所述校正后分类特征图；其中，所述公式为：

其中F表示所述分类特征图，

表示所述分类特征图中所有位置的特征值的均值的倒数，⊙表示按位置点乘。

在本申请的一个实施例中，在上述军用帐篷内衬面料智能化生产方法中，所述将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求，包括：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置矩阵。

这里，本领域技术人员可以理解，上述军用帐篷内衬面料智能化生产方法中的具体功能和操作已经在上面参考图1到图3的军用帐篷内衬面料智能化生产系统描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (10)

1.一种军用帐篷内衬面料智能化生产系统，其特征在于，包括：

图像采集模块，用于获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；

通道分离模块，用于从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；

第一单通道图像编码模块，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；

第二单通道图像编码模块，用于将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；

单通道特征融合模块，用于融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；

多通道图像关联编码模块，用于将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；

特征分布校正模块，用于基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及

检测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

2.根据权利要求1所述的军用帐篷内衬面料智能化生产系统，其特征在于，所述第一单通道图像编码模块，进一步用于：使用所述第一卷积核的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行均值池化处理以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述第一卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度R通道特征图、所述第一尺度G通道特征图和所述第一尺度B通道特征图，所述第一卷积核的第一卷积神经网络的第一层的输入为所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像。

3.根据权利要求2所述的军用帐篷内衬面料智能化生产系统，其特征在于，所述第二单通道图像编码模块，进一步用于：使用所述第二卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行均值池化处理以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述第二卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度R通道特征图、所述第二尺度G通道特征图和所述第二尺度B通道特征图，所述第二卷积核的第二卷积神经网络的第一层的输入为所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像。

4.根据权利要求3所述的军用帐篷内衬面料智能化生产系统，其特征在于，所述单通道特征融合模块，包括：

R通道特征融合单元，用于以如下公式融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到所述多尺度R通道特征图；

其中，所述公式为：

其中，F_R为所述多尺度R通道特征图，F_R1为所述第一尺度R通道特征图，F_R2为所述第二尺度R通道特征图，

表示特征图的按位置加法，α₁和β₁为用于控制所述多尺度R通道特征图中所述第一尺度R通道特征图和所述第二尺度R通道特征图之间的平衡的加权参数；

G通道特征融合单元，用于以如下公式融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到所述多尺度G通道特征图；

其中，所述公式为：

其中，F_G为所述多尺度G通道特征图，F_G1为所述第一尺度G通道特征图，F_G2为所述第二尺度G通道特征图，

表示特征图的按位置加法，α₂和β₂为用于控制所述多尺度G通道特征图中所述第一尺度G通道特征图和所述第二尺度G通道特征图之间的平衡的加权参数；

B通道特征融合单元，用于以如下公式融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到所述多尺度B通道特征图；

其中，所述公式为：

其中，F_B为所述多尺度B通道特征图，F_B1为所述第一尺度B通道特征图，F_B2为所述第二尺度B通道特征图，

表示特征图的按位置加法，α₃和β₃为用于控制所述多尺度B通道特征图中所述第一尺度B通道特征图和所述第二尺度B通道特征图之间的平衡的加权参数。

5.根据权利要求4所述的军用帐篷内衬面料智能化生产系统，其特征在于，所述多通道图像关联编码模块，进一步用于：所述使用三维卷积核的第三卷积神经网络在层的正向传递中对输入数据分别进行：

基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；

对所述卷积特征图进行均值池化处理以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述第三卷积神经网络的最后一层的输出为所述分类特征图，所述第三卷积神经网络的第一层的输入为所述三维输入张量。

6.根据权利要求5所述的军用帐篷内衬面料智能化生产系统，其特征在于，所述特征分布校正模块，进一步用于：基于所述分类特征图中所有位置的特征值的均值的倒数，以如下公式对所述分类特征图中各个位置的特征值进行校正以得到所述校正后分类特征图；

其中，所述公式为：

其中F表示所述分类特征图，

表示所述分类特征图中所有位置的特征值的均值的倒数，⊙表示按位置点乘。

7.根据权利要求6所述的军用帐篷内衬面料智能化生产系统，其特征在于，所述检测结果生成模块，进一步用于：使用所述分类器以如下公式对所述校正后分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中Project(F)表示将所述校正后分类特征图投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置矩阵。

8.一种军用帐篷内衬面料智能化生产方法，其特征在于，包括：

获取由RGB相机采集的待检测军用帐篷的内衬面料的外表面图像；

从所述待检测军用帐篷的内衬面料的外表面图像提取R通道外表面图像、G通道外表面图像和B通道外表面图像；

将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第一卷积核的第一卷积神经网络以得到第一尺度R通道特征图、第一尺度G通道特征图和第一尺度B通道特征图；

将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸；

融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图；

将所述多尺度R通道特征图、所述多尺度G通道特征图和所述多尺度B通道特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到分类特征图；

基于所述分类特征图中所有位置的特征值的均值的倒数，对所述分类特征图中各个位置的特征值进行校正以得到校正后分类特征图；以及

将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测军用帐篷的内衬面料的外表面的印染图案是否满足预定要求。

9.根据权利要求8所述的军用帐篷内衬面料智能化生产方法，其特征在于，所述将所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像分别通过使用第二卷积核的第二卷积神经网络以得到第二尺度R通道特征图、第二尺度G通道特征图和第二尺度B通道特征图，其中，所述第一卷积核的尺寸不同于所述第二卷积核的尺寸，包括：

使用所述第二卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行均值池化处理以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述第二卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度R通道特征图、所述第二尺度G通道特征图和所述第二尺度B通道特征图，所述第二卷积核的第二卷积神经网络的第一层的输入为所述R通道外表面图像、所述G通道外表面图像和所述B通道外表面图像。

10.根据权利要求9所述的军用帐篷内衬面料智能化生产方法，其特征在于，所述融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到多尺度R通道特征图，融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到多尺度G通道特征图，且融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到多尺度B通道特征图，包括：

以如下公式融合所述第一尺度R通道特征图和所述第二尺度R通道特征图以得到所述多尺度R通道特征图；

其中，所述公式为：

其中，F_R为所述多尺度R通道特征图，F_R1为所述第一尺度R通道特征图，F_R2为所述第二尺度R通道特征图，

表示特征图的按位置加法，α₁和β₁为用于控制所述多尺度R通道特征图中所述第一尺度R通道特征图和所述第二尺度R通道特征图之间的平衡的加权参数；

以如下公式融合所述第一尺度G通道特征图和所述第二尺度G通道特征图以得到所述多尺度G通道特征图；

其中，所述公式为：

其中，F_G为所述多尺度G通道特征图，F_G1为所述第一尺度G通道特征图，F_G2为所述第二尺度G通道特征图，

表示特征图的按位置加法，α₂和β₂为用于控制所述多尺度G通道特征图中所述第一尺度G通道特征图和所述第二尺度G通道特征图之间的平衡的加权参数；

以如下公式融合所述第一尺度B通道特征图和所述第二尺度B通道特征图以得到所述多尺度B通道特征图；

其中，所述公式为：

其中，F_B为所述多尺度B通道特征图，F_B1为所述第一尺度B通道特征图，F_B2为所述第二尺度B通道特征图，

表示特征图的按位置加法，α₃和β₃为用于控制所述多尺度B通道特征图中所述第一尺度B通道特征图和所述第二尺度B通道特征图之间的平衡的加权参数。

Images