CN115471732A - 电缆的智能化制备方法及其系统 - Google Patents

电缆的智能化制备方法及其系统 Download PDF

Info

Publication number
CN115471732A
CN115471732A CN202211139707.1A CN202211139707A CN115471732A CN 115471732 A CN115471732 A CN 115471732A CN 202211139707 A CN202211139707 A CN 202211139707A CN 115471732 A CN115471732 A CN 115471732A
Authority
CN
China
Prior art keywords
surface state
cable
feature
matrix
convolution
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.)
Granted
Application number
CN202211139707.1A
Other languages
English (en)
Other versions
CN115471732B (zh
Inventor
连素芬
郑冬有
陈加元
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.)
Wenzhou Danyue Cable Technology Co ltd
Original Assignee
Wenzhou Danyue Cable 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 Wenzhou Danyue Cable Technology Co ltd filed Critical Wenzhou Danyue Cable Technology Co ltd
Priority to CN202211139707.1A priority Critical patent/CN115471732B/zh
Publication of CN115471732A publication Critical patent/CN115471732A/zh
Application granted granted Critical
Publication of CN115471732B publication Critical patent/CN115471732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种电缆的智能化制备方法及其系统，其利用具有非对称卷积核模块的卷积神经网络模型来分别挖掘待检测电缆的多个电缆段中各个电缆段的表面状态特征。进一步地，以电缆段图像的特征向量作为节点，以两个特征向量之间的欧式距离作为节点与节点之间的关联，并通过图神经网路模型来进行特征融合以得到所述待检测电缆的包含各个节点的相似度的全局表面状态特征表示，以此来提高对于所述待检测电缆的表面状态的质检精度，从而保证所述待检测电缆的成型质量。

Description

电缆的智能化制备方法及其系统
技术领域
本申请涉及电缆制造技术领域，且更为具体地，涉及一种电缆的智能化制备方法及其系统。
技术背景
电线绝缘表面缺陷(凹凸不平、鼓包、塑化不良)对电线用于线束中的可靠性有很大影响，一直以来困扰着行业内所有企业，它的具体成因：1、生胶现象：绝缘线芯在生产过程中有时会出现生胶现象，也成为绝缘僵块或硬块；2、老胶现象：绝缘线芯在生产过程中有时会出现老胶现象，是由于挤出时机头温度过高或材料料长期停留在流道内的死角所引起的，停留时间越长，其颜色越深，温度越高其颜色也越深；3、材料稳定性：特指材料中含有杂质，树脂加工过程过度聚合形成高分子的聚合物，导致熔点增加，挤出时会出现大的晶粒。
在线缆的制备过程中，通过人工来观察制备成型的电缆半产品的表面状态以对其进行质检，但一方面人眼分辨率有限，无法对观察出细微缺陷，另一方面，由于线缆为长线条状，人工检查容易造成疏忽与纰漏。
因此，期待一种电缆的智能化制备方案，其能够对制备成型的电缆进行表面状态智能监测与评估，以确保其成型质量。
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电缆的智能化制备方法及其系统，其利用具有非对称卷积核模块的卷积神经网络模型来分别挖掘待检测电缆的多个电缆段中各个电缆段的表面状态特征。进一步地，以电缆段图像的特征向量作为节点，以两个特征向量之间的欧式距离作为节点与节点之间的关联，并通过图神经网路模型来进行特征融合以得到所述待检测电缆的包含各个节点的相似度的全局表面状态特征表示，以此来提高对于所述待检测电缆的表面状态的质检精度，从而保证所述待检测电缆的成型质量。
根据本申请的一个方面，提供了一种电缆的智能化制备方法，其包括：沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像；将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量；计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵；将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵；将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵；将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行；以及
将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
在上述电缆的智能化制备方法中，所述将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于二维卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；基于第一一维卷积核对所述输入数据进行一维卷积处理以得到第二卷积特征图；基于第二二维卷积核对所述输入数据进行一维卷积处理以得到第三卷积特征图；融合所述第一卷积特征图、所述第二卷积特征图和所述第三卷积特征图以得到融合卷积特征图；对所述融合卷积特征图进行基于局部通道维度的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处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述电缆段表面状态特征向量。
在上述电缆的智能化制备方法中，所述计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵，包括：以如下公式来计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到多个欧式距离；其中，所述公式为：
Figure BDA0003853035990000021
其中Vi和Vj分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量，
Figure BDA0003853035990000031
和
Figure BDA0003853035990000032
分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量的各个位置的特征值；以及，将所述多个欧式距离进行二维排列为所述表面状态关联矩阵。
在上述电缆的智能化制备方法中，所述将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述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沿通道维度的全局均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活处理以得到激活特征矩阵；其中，所述第二卷积神经网络模型的最后一层的输出为所述表面状态关联特征矩阵。
在上述电缆的智能化制备方法中，所述对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，包括：以如下公式对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到所述校正后拓扑全局表面状态特征矩阵；其中，所述公式为：
Figure BDA0003853035990000033
Figure BDA0003853035990000034
其中V表示所述拓扑全局表面状态特征矩阵中与所述电缆段表面状态特征向量相同维度的各个行向量或列向量，
Figure BDA0003853035990000035
表示所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数，⊙表示按位置点乘。
在上述电缆的智能化制备方法中，所述将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，包括：将所述校正后拓扑全局表面状态特征矩阵按照行向量或列向量进行展开以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到类分布特征向量；以及，将所述类分布特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述电缆的智能化制备方法中，所述使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到类分布特征向量，包括：使用所述分类器的全连接层以如下公式对所述分类特征向量进行全连接编码以提取出所述分类特征向量中各个位置的特征值的高维隐含特征以得到类分布特征向量，其中，所述公式为：
Figure BDA0003853035990000041
其中X是所述分类特征向量，Y是所述类分布特征向量，W是权重矩阵，B是偏置向量，
Figure BDA0003853035990000042
表示矩阵乘。
根据本申请的另一方面，提供了一种电缆的智能化制备系统，包括：
电缆段图像采集单元，用于沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像；表面状态特征提取单元，用于将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量；表面状态关联矩阵生成单元，用于计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵；表面状态关联特征矩阵生成单元，用于将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵；全局表面状态整合单元，用于将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵；拓扑全局表面状态特征提取单元，用于将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；相位感知单元，用于对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行；以及
检测结果生成单元，用于将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
在上述电缆的智能化制备系统中，所述表面状态特征提取单元，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于二维卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；基于第一一维卷积核对所述输入数据进行一维卷积处理以得到第二卷积特征图；基于第二二维卷积核对所述输入数据进行一维卷积处理以得到第三卷积特征图；融合所述第一卷积特征图、所述第二卷积特征图和所述第三卷积特征图以得到融合卷积特征图；对所述融合卷积特征图进行基于局部通道维度的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处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述电缆段表面状态特征向量。
在上述电缆的智能化制备系统中，所述表面状态关联矩阵生成单元，进一步用于：以如下公式来计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到多个欧式距离，并将所述多个欧式距离进行二维排列为所述表面状态关联矩阵；其中，所述公式为：
Figure BDA0003853035990000051
其中Vi和Vj分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量，
Figure BDA0003853035990000052
和
Figure BDA0003853035990000053
分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量的各个位置的特征值。
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电缆的智能化制备系统方法。
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电缆的智能化制备系统方法。
与现有技术相比，本申请提供的电缆的智能化制备方法及其系统，其利用具有非对称卷积核模块的卷积神经网络模型来分别挖掘待检测电缆的多个电缆段中各个电缆段的表面状态特征。进一步地，以电缆段图像的特征向量作为节点，以两个特征向量之间的欧式距离作为节点与节点之间的关联，并通过图神经网路模型来进行特征融合以得到所述待检测电缆的包含各个节点的相似度的全局表面状态特征表示，以此来提高对于所述待检测电缆的表面状态的质检精度，从而保证所述待检测电缆的成型质量。
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电缆的智能化制备方法的场景示意图。
图2图示了根据本申请实施例的电缆的智能化制备方法的流程图。
图3图示了根据本申请实施例的电缆的智能化制备方法的架构示意图。
图4图示了根据本申请实施例的电缆的智能化制备方法中将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果的流程图。
图5图示了根据本申请实施例的电缆的智能化制备系统的框图。
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。
申请概述
应可以理解，在对于制备成型的电缆表面状态进行质检以确保其成型质量时，现有的方案一般都是依靠人工来进行，这样不仅会使得辨别的效果有限，还会极易造成误判或遗漏，进而导致电缆的成型质量难以满足要求。并且，考虑到电缆的一般是长线条状，因此需要沿着待检测电缆的延伸方向来采集多个图像作为输入数据，以保证质检的结果包含所述待检测电缆的全局信息。这样，在利用深度神经网络模型来提取出各个所述图像的隐含特征后，以电缆段图像的特征向量作为节点，以两个特征向量之间的欧式距离作为节点与节点之间的关联，并通过图神经网路模型来进行特征融合以得到所述待检测电缆的包含各个节点的相似度的全局表面状态特征表示，以此来提高对于所述待检测电缆的表面状态的质检精度，从而保证所述待检测电缆的成型质量。
具体地，在本申请的技术方案中，首先，沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个电缆段图像的特征挖掘。但是，考虑到在所述待检测电缆的多个电缆段图像中，会存在不同位置的隐性关联，这会影响到对于电缆的质检判断，因此，为了能够丰富对于待监测电缆的多个电缆段图像的特征提取，进一步使用具有非对称卷积核模块的第一卷积神经网络模型对于所述多个电缆段图像中各个电缆段图像分别进行深层特征挖掘，以提取出所述各个电缆段图像中的局部隐含关联特征分布，从而得到多个电缆段表面状态特征向量。应可以理解，这里，使用所述非对称卷积模块的卷积神经网络模型能够在不增加推导时间的同时提升了整体提取特征图信息的丰富性，且可以更有效地获取图像中目标旋转以及翻转之后的特征信息。进一步地，将所述多个电缆段表面状态特征向量进行二维矩阵排列以整合所述各个电缆段图像中的隐含特征分布信息，从而得到全局表面状态特征矩阵。
接着，由于电缆是长线条状，考虑到在所述待检测电缆的多个电缆段图像中，当具有生胶现象、老胶现象和材料杂质等电线绝缘表面缺陷(凹凸不平、鼓包、塑化不良)时，会使得所述多个电缆段表面图像中的其中一个或几个电缆段表面图像与其他大部分的电缆段表面图像中的电缆隐含特征不同。因此，可以利用所述多个电缆段表面之间的相似度来辅助进行质检，显然能够提高对于待检测电缆的表面状态之间的精准度。也就是，进一步地，计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵。然后，将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型中进行处理，以提取出所述表面状态关联矩阵中各个位置的隐含关联特征，以得到表面状态关联特征矩阵。
这样，以所述各个电缆段图像的特征向量作为节点，以两个特征向量之间的欧式距离作为节点与节点之间的关联，并通过图神经网路模型来得到所述待检测电缆的包含各个节点的相似度的全局表面状态特征表示，以此来提高分类精度。也就是，具体地，使用图神经网络来对于所述全局表面状态特征矩阵和所述表面状态关联特征矩阵进行处理，以生成包含有所述各个电缆段图像特征信息与不规则的所述图像表面状态相似关联特征的拓扑全局表面状态特征矩阵。
特别地，在本申请的技术方案中，这里，通过所述图神经网络获得的所述拓扑全局表面状态特征矩阵的各个位置的特征值具有与表面状态关联特征矩阵的位置拓扑有关的位置信息，但是，在对所述拓扑全局表面状态特征矩阵进行分类时，由于分类器进行的是无位置属性的实值分类任务，其忽略所述拓扑全局表面状态特征矩阵的各个位置的特征值的位置信息时，可能导致分类准确性下降。
因此，在本申请的技术方案中，优选地对所述拓扑全局表面状态特征矩阵进行相位感知的按位置聚合，表示为：
Figure BDA0003853035990000071
Figure BDA0003853035990000081
V是所述拓扑全局表面状态特征矩阵的与电缆段表面状态特征向量相同维度的特征向量(即，所述电缆段表面状态特征向量为行/列向量，则V是所述拓扑全局表面状态特征矩阵的行/列向量)，且
Figure BDA0003853035990000082
是所述特征向量的所有特征值的均值的倒数。
这里，所述相位感知的按位置聚合通过引入了幅值-相位的类实值-虚值表征，来基于欧拉公式的原理将特征图进行实值特征值的按位置拼接展开，从而以多层感知的形式补偿对所述拓扑全局表面状态特征矩阵进行无位置属性的实值分类任务时可能导致的分类准确性下降，进而提高分类的准确性。这样，能够提高对于所述待检测电缆的表面状态的质检精度，从而保证所述待检测电缆的成型质量。
基于此，本申请提出了一种电缆的智能化制备方法，其包括：沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像；将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量；计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵；将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵；将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵；将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行；以及，将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
图1图示了根据本申请实施例的电缆的智能化制备方法的场景示意图。如图1所示，在该应用场景中，首先沿着待检测电缆(例如，如图1中所示意的E)的延伸方向通过摄像头(例如，如图1中所示意的C)采集所述待检测电缆的多个电缆段图像。进而，将所述待检测电缆的多个电缆段图像输入至部署有电缆的智能化制备算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以所述电缆的智能化制备算法对所述待检测电缆的多个电缆段图像进行处理以得到用于表示待检测电缆的表面状态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。
示例性方法
图2图示了根据本申请实施例的电缆的智能化制备方法的流程图。如图2所示，根据本申请实施例的电缆的智能化制备方法，包括：S110，沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像；S120，将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量；S130，计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵；S140，将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵；S150，将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵；S160，将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；S170，对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行；以及，S180，将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
图3图示了根据本申请实施例的电缆的智能化制备方法的架构示意图。如图3所示，在该网络架构中，首先沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像。接着，将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量。然后，计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵。进而，将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵。接着，将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵。然后，将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵。进而，对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行。然后，将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
在步骤S110中，沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像。考虑到电缆的一般是长线条状，因此需要沿着待检测电缆的延伸方向来采集多个图像作为输入数据，以保证质检的结果包含所述待检测电缆的全局信息。其中，所述待检测电缆的多个电缆段图像可以通过摄像头获取。
在步骤S120中，将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量。也就是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个电缆段图像的特征挖掘。但是，考虑到在所述待检测电缆的多个电缆段图像中，会存在不同位置的隐性关联，这会影响到对于电缆的质检判断，因此，为了能够丰富对于待监测电缆的多个电缆段图像的特征提取，进一步使用具有非对称卷积核模块的第一卷积神经网络模型对于所述多个电缆段图像中各个电缆段图像分别进行深层特征挖掘，以提取出所述各个电缆段图像中的局部隐含关联特征分布，从而得到多个电缆段表面状态特征向量。
应可以理解，这里，使用所述非对称卷积模块的卷积神经网络模型能够在不增加推导时间的同时提升了整体提取特征图信息的丰富性，且可以更有效地获取图像中目标旋转以及翻转之后的特征信息。
在一个示例中，在上述电缆的智能化制备方法中，所述将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于二维卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；基于第一一维卷积核对所述输入数据进行一维卷积处理以得到第二卷积特征图；基于第二二维卷积核对所述输入数据进行一维卷积处理以得到第三卷积特征图；融合所述第一卷积特征图、所述第二卷积特征图和所述第三卷积特征图以得到融合卷积特征图；对所述融合卷积特征图进行基于局部通道维度的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处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述电缆段表面状态特征向量。
在步骤S130中，计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵。接着，由于电缆是长线条状，考虑到在所述待检测电缆的多个电缆段图像中，当具有生胶现象、老胶现象和材料杂质等电线绝缘表面缺陷(凹凸不平、鼓包、塑化不良)时，会使得所述多个电缆段表面图像中的其中一个或几个电缆段表面图像与其他大部分的电缆段表面图像中的电缆隐含特征不同。因此，可以利用所述多个电缆段表面之间的相似度来辅助进行质检，显然能够提高对于待检测电缆的表面状态之间的精准度。也就是，进一步地，计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵。
在一个示例中，在上述电缆的智能化制备方法中，所述计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵，包括：以如下公式来计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到多个欧式距离；其中，所述公式为：
Figure BDA0003853035990000111
其中Vi和Vj分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量，
Figure BDA0003853035990000112
和
Figure BDA0003853035990000113
分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量的各个位置的特征值；以及
将所述多个欧式距离进行二维排列为所述表面状态关联矩阵。
在步骤S140中，将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵。也就是，将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型中进行处理，以提取出所述表面状态关联矩阵中各个位置的隐含关联特征，以得到表面状态关联特征矩阵。
在一个示例中，在上述电缆的智能化制备方法中，所述将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述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沿通道维度的全局均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活处理以得到激活特征矩阵；其中，所述第二卷积神经网络模型的最后一层的输出为所述表面状态关联特征矩阵。
在步骤S150中，将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵。进一步地，将所述多个电缆段表面状态特征向量进行二维矩阵排列以整合所述各个电缆段图像中的隐含特征分布信息，从而得到全局表面状态特征矩阵。
在步骤S160中，将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵。这样，以所述各个电缆段图像的特征向量作为节点，以两个特征向量之间的欧式距离作为节点与节点之间的关联，并通过图神经网路模型来得到所述待检测电缆的包含各个节点的相似度的全局表面状态特征表示，以此来提高分类精度。也就是，具体地，使用图神经网络来对于所述全局表面状态特征矩阵和所述表面状态关联特征矩阵进行处理，以生成包含有所述各个电缆段图像特征信息与不规则的所述图像表面状态相似关联特征的拓扑全局表面状态特征矩阵。
在步骤S170中，对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行。特别地，在本申请的技术方案中，这里，通过所述图神经网络获得的所述拓扑全局表面状态特征矩阵的各个位置的特征值具有与表面状态关联特征矩阵的位置拓扑有关的位置信息，但是，在对所述拓扑全局表面状态特征矩阵进行分类时，由于分类器进行的是无位置属性的实值分类任务，其忽略所述拓扑全局表面状态特征矩阵的各个位置的特征值的位置信息时，可能导致分类准确性下降。
因此，在本申请的技术方案中，优选地对所述拓扑全局表面状态特征矩阵进行相位感知的按位置聚合。
在一个示例中，在上述电缆的智能化制备方法中，所述对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，包括：以如下公式对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到所述校正后拓扑全局表面状态特征矩阵；其中，所述公式为：
Figure BDA0003853035990000131
Figure BDA0003853035990000132
其中V表示所述拓扑全局表面状态特征矩阵中与所述电缆段表面状态特征向量相同维度的各个行向量或列向量，
Figure BDA0003853035990000133
表示所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数，⊙表示按位置点乘。
这里，所述相位感知的按位置聚合通过引入了幅值-相位的类实值-虚值表征，来基于欧拉公式的原理将特征图进行实值特征值的按位置拼接展开，从而以多层感知的形式补偿对所述拓扑全局表面状态特征矩阵进行无位置属性的实值分类任务时可能导致的分类准确性下降，进而提高分类的准确性。这样，能够提高对于所述待检测电缆的表面状态的质检精度，从而保证所述待检测电缆的成型质量。
在步骤S180中，将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
图4图示了根据本申请实施例的电缆的智能化制备方法中将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果的流程图。如图4所示，在上述电缆的智能化制备方法中，所述将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，包括：S210,将所述校正后拓扑全局表面状态特征矩阵按照行向量或列向量进行展开以得到分类特征向量；S220,使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到类分布特征向量；以及，S230,将所述类分布特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在一个示例中，在上述电缆的智能化制备方法中，所述使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到类分布特征向量，包括：使用所述分类器的全连接层以如下公式对所述分类特征向量进行全连接编码以提取出所述分类特征向量中各个位置的特征值的高维隐含特征以得到类分布特征向量，其中，所述公式为：
Figure BDA0003853035990000141
其中X是所述分类特征向量，Y是所述类分布特征向量，W是权重矩阵，B是偏置向量，
Figure BDA0003853035990000142
表示矩阵乘。
综上，基于本申请实施例的电缆的智能化制备方法被阐明，其利用具有非对称卷积核模块的卷积神经网络模型来分别挖掘待检测电缆的多个电缆段中各个电缆段的表面状态特征。进一步地，以电缆段图像的特征向量作为节点，以两个特征向量之间的欧式距离作为节点与节点之间的关联，并通过图神经网路模型来进行特征融合以得到所述待检测电缆的包含各个节点的相似度的全局表面状态特征表示，以此来提高对于所述待检测电缆的表面状态的质检精度，从而保证所述待检测电缆的成型质量。
示例性系统
图5图示了根据本申请实施例的电缆的智能化制备系统的框图。如图5所示，根据本申请实施例的电缆的智能化制备系统100，包括：电缆段图像采集单元110，用于沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像；表面状态特征提取单元120，用于将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量；表面状态关联矩阵生成单元130，用于计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵；表面状态关联特征矩阵生成单元140，用于将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵；全局表面状态整合单元150，用于将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵；拓扑全局表面状态特征提取单元160，用于将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；相位感知单元170，用于对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行；以及，检测结果生成单元180，用于将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
在一个示例中，在上述电缆的智能化制备系统100中，所述表面状态特征提取单元120，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于二维卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；基于第一一维卷积核对所述输入数据进行一维卷积处理以得到第二卷积特征图；基于第二二维卷积核对所述输入数据进行一维卷积处理以得到第三卷积特征图；融合所述第一卷积特征图、所述第二卷积特征图和所述第三卷积特征图以得到融合卷积特征图；对所述融合卷积特征图进行基于局部通道维度的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处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述电缆段表面状态特征向量。
在一个示例中，在上述电缆的智能化制备系统100中，所述表面状态关联矩阵生成单元130，进一步用于：以如下公式来计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到多个欧式距离，并将所述多个欧式距离进行二维排列为所述表面状态关联矩阵；其中，所述公式为：
Figure BDA0003853035990000151
其中Vi和Vj分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量，
Figure BDA0003853035990000152
和
Figure BDA0003853035990000153
分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量的各个位置的特征值。
这里，本领域技术人员可以理解，上述电缆的智能化制备系统100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的电缆的智能化制备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电缆的智能化制备系统100可以实现在各种终端设备中，例如用于电缆的智能化制备的服务器等。在一个示例中，根据本申请实施例的电缆的智能化制备系统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，该电缆的智能化制备系统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，该电缆的智能化制备系统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，该电缆的智能化制备系统100与该终端设备也可以是分立的设备，并且该电缆的智能化制备系统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。

Claims (10)

1.一种电缆的智能化制备方法，其特征在于，包括：沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像；将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量；计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵；将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵；将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵；将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行；以及将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
2.根据权利要求1所述的电缆的智能化制备方法，其特征在于，所述将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于二维卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；基于第一一维卷积核对所述输入数据进行一维卷积处理以得到第二卷积特征图；基于第二二维卷积核对所述输入数据进行一维卷积处理以得到第三卷积特征图；融合所述第一卷积特征图、所述第二卷积特征图和所述第三卷积特征图以得到融合卷积特征图；对所述融合卷积特征图进行基于局部通道维度的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处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述电缆段表面状态特征向量。
3.根据权利要求2所述的电缆的智能化制备方法，其特征在于，所述计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵，包括：以如下公式来计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到多个欧式距离；
其中，所述公式为：
Figure FDA0003853035980000021
其中Vi和Vj分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量，
Figure FDA0003853035980000022
和
Figure FDA0003853035980000023
分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量的各个位置的特征值；以及
将所述多个欧式距离进行二维排列为所述表面状态关联矩阵。
4.根据权利要求3所述的电缆的智能化制备方法，其特征在于，所述将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述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沿通道维度的全局均值池化以得到池化特征矩阵；以及
对所述池化特征矩阵进行非线性激活处理以得到激活特征矩阵；其中，所述第二卷积神经网络模型的最后一层的输出为所述表面状态关联特征矩阵。
5.根据权利要求4所述的电缆的智能化制备方法，其特征在于，所述对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，包括：以如下公式对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到所述校正后拓扑全局表面状态特征矩阵；其中，所述公式为：
Figure FDA0003853035980000024
其中V表示所述拓扑全局表面状态特征矩阵中与所述电缆段表面状态特征向量相同维度的各个行向量或列向量，
Figure FDA0003853035980000025
表示所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数，⊙表示按位置点乘。
6.根据权利要求5所述的电缆的智能化制备方法，其特征在于，所述将所述校正后拓扑全局表面状态特征矩阵通过分类器以得到分类结果，包括：将所述校正后拓扑全局表面状态特征矩阵按照行向量或列向量进行展开以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到类分布特征向量；以及
将所述类分布特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.根据权利要求6所述的电缆的智能化制备方法，其特征在于，所述使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到类分布特征向量，包括：
使用所述分类器的全连接层以如下公式对所述分类特征向量进行全连接编码以提取出所述分类特征向量中各个位置的特征值的高维隐含特征以得到类分布特征向量，其中，所述公式为：
Figure FDA0003853035980000031
其中X是所述分类特征向量，Y是所述类分布特征向量，W是权重矩阵，B是偏置向量，
Figure FDA0003853035980000032
表示矩阵乘。
8.一种电缆的智能化制备系统，其特征在于，包括：
电缆段图像采集单元，用于沿着待检测电缆的延伸方向采集所述待检测电缆的多个电缆段图像；表面状态特征提取单元，用于将所述多个电缆段图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量；表面状态关联矩阵生成单元，用于计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状态关联矩阵；表面状态关联特征矩阵生成单元，用于将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵；全局表面状态整合单元，用于将所述多个电缆段表面状态特征向量进行二维矩阵排列以得到全局表面状态特征矩阵；拓扑全局表面状态特征提取单元，用于将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵；相位感知单元，用于对所述拓扑全局表面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵，其中，所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列向量的所有特征值的均值的倒数来进行；以及
检测结果生成单元，用于将所述校正后拓扑全局表面状态特征矩阵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电缆的表面状态是否满足预定要求。
9.根据权利要求8所述的电缆的智能化制备系统，其特征在于，所述表面状态特征提取单元，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于二维卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；基于第一一维卷积核对所述输入数据进行一维卷积处理以得到第二卷积特征图；基于第二二维卷积核对所述输入数据进行一维卷积处理以得到第三卷积特征图；融合所述第一卷积特征图、所述第二卷积特征图和所述第三卷积特征图以得到融合卷积特征图；对所述融合卷积特征图进行基于局部通道维度的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处理以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述电缆段表面状态特征向量。
10.根据权利要求9所述的电缆的智能化制备系统，其特征在于，所述表面状态关联矩阵生成单元，进一步用于：以如下公式来计算所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到多个欧式距离，并将所述多个欧式距离进行二维排列为所述表面状态关联矩阵；
其中，所述公式为：
Figure FDA0003853035980000041
其中Vi和Vj分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量，
Figure FDA0003853035980000042
和
Figure FDA0003853035980000043
分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量的各个位置的特征值。
CN202211139707.1A 2022-09-19 2022-09-19 电缆的智能化制备方法及其系统 Active CN115471732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211139707.1A CN115471732B (zh) 2022-09-19 2022-09-19 电缆的智能化制备方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211139707.1A CN115471732B (zh) 2022-09-19 2022-09-19 电缆的智能化制备方法及其系统

Publications (2)

Publication Number Publication Date
CN115471732A true CN115471732A (zh) 2022-12-13
CN115471732B CN115471732B (zh) 2023-04-18

Family

ID=84333235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211139707.1A Active CN115471732B (zh) 2022-09-19 2022-09-19 电缆的智能化制备方法及其系统

Country Status (1)

Country Link
CN (1) CN115471732B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115791640A (zh) * 2023-02-06 2023-03-14 杭州华得森生物技术有限公司 基于分光光谱的肿瘤细胞检测设备及其方法
CN116448019A (zh) * 2023-06-14 2023-07-18 山西首科工程质量检测有限公司 建筑节能工程质量平面度智能检测装置及方法
CN117274903A (zh) * 2023-09-25 2023-12-22 安徽南瑞继远电网技术有限公司 基于智能ai芯片的电力巡检智能预警设备及其方法
CN117560846A (zh) * 2023-11-17 2024-02-13 江西红板科技股份有限公司 电池类超厚铜板线路板及其方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1453723A (zh) * 2002-04-26 2003-11-05 刘新方 价值分类的人工智能软件方法与计算机体系结构的装置
CN101127908A (zh) * 2007-08-27 2008-02-20 宝利微电子系统控股公司 引入全局特征分类的视频图像运动处理方法及其实现装置
CN101388075A (zh) * 2008-10-11 2009-03-18 大连大学 基于独立特征融合的人脸识别方法
US20200074205A1 (en) * 2017-06-28 2020-03-05 Beijing Sensetime Technology Development Co., Ltd. Methods and apparatuses for vehicle appearance feature recognition, methods and apparatuses for vehicle retrieval, storage medium, and electronic devices
CN112149526A (zh) * 2020-09-07 2020-12-29 中国科学院声学研究所南海研究站 一种基于长距离信息融合的车道线检测方法及系统
CN114633776A (zh) * 2022-03-02 2022-06-17 上海俏晔物流有限公司 用于智能列车的全局监测方法、系统和电子设备
CN114897889A (zh) * 2022-06-27 2022-08-12 浙江旭派动力科技有限公司 电池组点焊自动化全检方法及其系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1453723A (zh) * 2002-04-26 2003-11-05 刘新方 价值分类的人工智能软件方法与计算机体系结构的装置
CN101127908A (zh) * 2007-08-27 2008-02-20 宝利微电子系统控股公司 引入全局特征分类的视频图像运动处理方法及其实现装置
CN101388075A (zh) * 2008-10-11 2009-03-18 大连大学 基于独立特征融合的人脸识别方法
US20200074205A1 (en) * 2017-06-28 2020-03-05 Beijing Sensetime Technology Development Co., Ltd. Methods and apparatuses for vehicle appearance feature recognition, methods and apparatuses for vehicle retrieval, storage medium, and electronic devices
CN112149526A (zh) * 2020-09-07 2020-12-29 中国科学院声学研究所南海研究站 一种基于长距离信息融合的车道线检测方法及系统
CN114633776A (zh) * 2022-03-02 2022-06-17 上海俏晔物流有限公司 用于智能列车的全局监测方法、系统和电子设备
CN114897889A (zh) * 2022-06-27 2022-08-12 浙江旭派动力科技有限公司 电池组点焊自动化全检方法及其系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115791640A (zh) * 2023-02-06 2023-03-14 杭州华得森生物技术有限公司 基于分光光谱的肿瘤细胞检测设备及其方法
CN116448019A (zh) * 2023-06-14 2023-07-18 山西首科工程质量检测有限公司 建筑节能工程质量平面度智能检测装置及方法
CN116448019B (zh) * 2023-06-14 2023-08-25 山西首科工程质量检测有限公司 建筑节能工程质量平面度智能检测装置及方法
CN117274903A (zh) * 2023-09-25 2023-12-22 安徽南瑞继远电网技术有限公司 基于智能ai芯片的电力巡检智能预警设备及其方法
CN117274903B (zh) * 2023-09-25 2024-04-19 安徽南瑞继远电网技术有限公司 基于智能ai芯片的电力巡检智能预警设备及其方法
CN117560846A (zh) * 2023-11-17 2024-02-13 江西红板科技股份有限公司 电池类超厚铜板线路板及其方法
CN117560846B (zh) * 2023-11-17 2024-05-28 江西红板科技股份有限公司 电池类超厚铜板线路板及其方法

Also Published As

Publication number Publication date
CN115471732B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115471732B (zh) 电缆的智能化制备方法及其系统
CN109977262B (zh) 从视频中获取候选片段的方法、装置及处理设备
CN113269237B (zh) 基于注意力机制的装配体变化检测方法、设备和介质
Rashed et al. Motion and depth augmented semantic segmentation for autonomous navigation
CN111768388B (zh) 一种基于正样本参考的产品表面缺陷检测方法及系统
CN107735797B (zh) 用于确定第一坐标系与第二坐标系之间的运动的方法
CN111461043B (zh) 基于深度网络的视频显著性检测方法
JP2008046903A (ja) 対象個数検出装置および対象個数検出方法
CN106373162A (zh) 一种基于显著性融合与传播的显著物体检测方法
EP3073443A1 (en) 3D Saliency map
CN104537355A (zh) 一种利用图像边界信息和区域连通性的显著对象检测方法
CN116266387A (zh) 基于重参数化残差结构和坐标注意力机制的yolov4的图像识别算法及系统
CN115937540A (zh) 基于Transformer编码器的图像匹配方法
CN110119768A (zh) 用于车辆定位的视觉信息融合系统及方法
CN105809182A (zh) 一种图像分类的方法及装置
Zhang et al. Green Apple Detection Method Based on Optimized YOLOv5 Under Orchard Environment [J]
Al Mamun et al. Efficient lane marking detection using deep learning technique with differential and cross-entropy loss.
CN116843829A (zh) 基于双目视频的混凝土结构裂缝三维重建与长度量化方法
CN106022226A (zh) 一种基于多方向多通道条形结构的行人再辨识方法
CN109614970A (zh) 一种红外目标隐身效能的评估方法及系统
CN109389127A (zh) 结构化多视图Hessian正则化稀疏特征选择方法
Ozay et al. Sequential sparsification for change detection
Joglekar et al. Area based stereo image matching technique using Hausdorff distance and texture analysis
KR20220013071A (ko) 깊이 맵 생성 장치
CN115019071B (zh) 光学图像与sar图像匹配方法、装置、电子设备及介质

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
GR01 Patent grant
GR01 Patent grant