CN115512166B - 镜头的智能化制备方法及其系统 - Google Patents
镜头的智能化制备方法及其系统 Download PDFInfo
- Publication number
- CN115512166B CN115512166B CN202211270708.XA CN202211270708A CN115512166B CN 115512166 B CN115512166 B CN 115512166B CN 202211270708 A CN202211270708 A CN 202211270708A CN 115512166 B CN115512166 B CN 115512166B
- Authority
- CN
- China
- Prior art keywords
- lens
- feature
- vector
- design parameter
- sample
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Eyeglasses (AREA)
- Prostheses (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能制备领域,其具体地公开了一种镜头的智能化制备方法及其系统,其通过使用所述Clip模型的优化编码器来基于刀头设计参数特征对镜头样品特征进行编码优化以得到优化镜头样品特征矩阵,进一步将所述优化镜头样品特征矩阵通过分类器得到用于表示镜头样品的加工质量是否满足预定标准的分类结果,通过这样的方式,来提高对于镜头样品的成型精度判断的精准度。
Description
技术领域
本申请涉及智能制备领域,且更为具体地,涉及一种镜头的智能化制备方法及其系统。
背景技术
目前市场上的VR lens、手机CCM Lens、以及其它Lens的主流工艺为:首先,在计算机数字控制机床上加工出Lens的注塑模具;然后,使用注塑模具注塑试产Lens;最后,对试产的Lens进行量测以及测试,若符合标准则对Lens进行批量生产。
但是,Lens一般需要很高的制造精度,而目前试做过程需要较长的反复修模过程,这是因为,一方面在加工注塑模具环节机床、刀头以及人工等都有可能影响注塑模具的规格;另一方面在注塑试产环节温度、压力、模具组装等都有可能影响到试产产品的精度,这就造成了Lens试产的不合格率较高。另外,当Lens量测以及测试不符合标准时,往往比较难以厘清是因为模具尺寸问题还是注塑工艺问题造成的,需要进行反复试验验证,导致耗费较长的时间和浪费人力,使得Lens的试产效率较低。
因此,期待一种镜头的智能化制备方案。
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镜头的智能化制备方法及其系统,其通过使用所述Clip模型的优化编码器来基于刀头设计参数特征对镜头样品特征进行编码优化以得到优化镜头样品特征矩阵,进一步将所述优化镜头样品特征矩阵通过分类器得到用于表示镜头样品的加工质量是否满足预定标准的分类结果,提高对于镜头样品的成型精度的分类判断的精准度。
根据本申请的一个方面,提供了一种镜头的智能化制备方法,其包括:
获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;
将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;
将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;
使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;以及
将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。
在上述镜头的智能化制备方法中,所述将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量,包括:所述Clip模型的图像编码器使用深度卷积神经网络模型对所述镜头样品的六视图进行显式空间编码以得到所述镜头样品特征向量。
在上述镜头的智能化制备方法中,所述Clip模型的图像编码器使用深度卷积神经网络模型对所述镜头样品的六视图进行显式空间编码以得到所述镜头样品特征向量,包括:使用所述深度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卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一层输出所述镜头样品特征向量。
在上述镜头的智能化制备方法中,所述将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量,包括:将所述加工刀头的设计参数中的所有设计参数项排列为设计参数输入向量;使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量;使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量,其中,所述第一一维卷积核的长度尺寸不同于所述第二一维卷积核的长度尺寸;以及,将所述第一尺度刀头设计参数特征向量和所述第二尺度刀头设计参数特征向量进行级联以得到所述刀头设计参数特征向量。
在上述镜头的智能化制备方法中,所述使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量,包括:使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核以如下公式对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量;
其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述刀头设计参数输入向量;所述使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量,包括:使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核以如下公式对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量;
其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述刀头设计参数输入向量;
在上述镜头的智能化制备方法中,所述使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵,包括:使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量以如下公式对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;
其中,所述公式为:
其中表示所述刀头设计参数特征向量,表示所述刀头设计参数特征向量的转置向量,表示所述镜头样品特征向量,表示所述优化镜头样品特征矩阵,表示向量相乘。
在上述镜头的智能化制备方法中,所述将所述优化镜头样品特征矩阵通过分类器以得到分类结果,包括:将所述优化镜头样品特征矩阵基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在上述镜头的智能化制备方法中,还包括步骤:对所述Clip模型和所述分类器进行训练;其中,所述对所述Clip模型和所述分类器进行训练,包括:获取训练数据,所述训练数据包括所述镜头样品的训练六视图、用于加工所述镜头样品的加工刀头的训练设计参数以及所述镜头样品的加工质量是否满足预定标准的真实值;将所述镜头样品的训练六视图通过所述Clip模型的图像编码器以得到训练镜头样品特征向量;将所述加工刀头的训练设计参数通过所述Clip模型的序列编码器以得到训练刀头设计参数特征向量;使用所述Clip模型的优化编码器基于所述训练刀头设计参数特征向量对所述训练镜头样品特征向量的特征编码进行优化以得到训练优化镜头样品特征矩阵;将所述训练优化镜头样品特征矩阵通过分类器以得到分类损失函数值;计算所述训练镜头样品特征向量的上下文统计的局部场景度量损失函数值,其中,所述上下文统计的局部场景度量损失函数值与所述训练镜头样品特征向量的所有位置的特征值集合的统计特征有关;以及,以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为损失函数值,对所述Clip模型和所述分类器进行训练。
根据本申请的另一方面,提供了一种镜头的智能化制备系统,其包括:
图片和参数获取模块,用于获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;
第一特征提取模块,用于将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;
第二特征提取模块,用于将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;
优化模块,用于使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;以及
分类结果生成模块,用于将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。
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镜头的智能化制备方法。
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镜头的智能化制备方法。
与现有技术相比,本申请提供的一种镜头的智能化制备方法及其系统,其通过使用所述Clip模型的优化编码器来基于刀头设计参数特征对镜头样品特征进行编码优化以得到优化镜头样品特征矩阵,进一步将所述优化镜头样品特征矩阵通过分类器得到用于表示镜头样品的加工质量是否满足预定标准的分类结果,提高对于镜头样品的成型精度的分类判断的精准度。
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镜头的智能化制备方法的应用场景图。
图2图示了根据本申请实施例的镜头的智能化制备方法中推断阶段的流程图。
图3图示了根据本申请实施例的镜头的智能化制备方法中训练阶段的流程图。
图4图示了根据本申请实施例的镜头的智能化制备方法中推断阶段的架构示意图。
图5图示了根据本申请实施例的镜头的智能化制备方法中训练阶段的架构示意图。
图6图示了根据本申请实施例的镜头的智能化制备方法中Clip模型的序列编码器编码过程的流程图。
图7图示了根据本申请实施例的镜头的智能化制备方法中分类结果生成过程的流程图。
图8图示了根据本申请实施例的镜头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。
场景概述
如上所述,Lens一般需要很高的制造精度,而目前试做过程需要较长的反复修模过程,这是因为,一方面在加工注塑模具环节机床、刀头以及人工等都有可能影响注塑模具的规格;另一方面在注塑试产环节温度、压力、模具组装等都有可能影响到试产产品的精度,这就造成了Lens试产的不合格率较高。另外,当Lens量测以及测试不符合标准时,往往比较难以厘清是因为模具尺寸问题还是注塑工艺问题造成的,需要进行反复试验验证,导致耗费较长的时间和浪费人力,使得Lens的试产效率较低。因此,期待一种镜头的智能化制备方案。
针对上述技术问题,在镜头的智能化制备方案的构建过程中,关键是对镜头样品的成型精度进行精准评估。传统的对镜头样品的成型精度评估仅针对于镜头样品本身,而使得当Lens量测以及测试不符合标准时,往往比较难以厘清是因为模具尺寸问题还是注塑工艺问题造成的。因此,本申请的申请人尝试融合用于加工镜头样品的加工刀头的设计参数和镜头样品的检测图像来构建镜头样品的成型精度评估方案,这样能够对镜头样品的成型精度进行精准评估,以在确定镜头样品的成型精度满足预定要求后,确定用于加工镜头样品的加工刀具的设计参数也是满足设计要求的。
具体地,在本申请的技术方案中,首先基于镜头的三维设计图,使用3D打印技术打印出与所述镜头形状相适配的加工刀头,所述加工刀头具有多项设计参数,例如,直径、圆度、刚度等。然后,使用所述加工刀头对镜头坯材进行加工以得到镜头样品。
接着,通过摄像头采集镜头样品的六视图,并将所述镜头样品的六视图通过Clip模型的图像编码器以得到镜头样品特征向量。这里,所述Clip模型的图像编码器使用深度卷积神经网络模型作为特征过滤器来提取所述镜头样品的六视图的图像局部特征。值得一提的是,所述深度卷积神经网络模型通过可学习参数的卷积核作为特征过滤因子对所述镜头样品的六视图进行扫描以从所述镜头样品的六视图提取图像局部特征。相较于传统的图像特征提取算法,所述深度卷积神经网络模型不需要依赖专家经验,且具有更强的特征提取泛化能力。
针对所述加工刀头的多项设计参数,将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量。特别地,在本申请的技术方案中,所述序列编码器包括多个并行的一维卷积层,其分别使用具有不同长度的一维卷积核对由所述多项设计参数排列而成的刀头设计参数输入向量进行不同尺度的一维卷积编码以提取不同刀头设计参数间的多尺度关联模式特征,即,所述刀头设计参数特征向量。
进而,所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵。具体地,所述优化编码器沿着所述刀头设计参数特征向量的特征分布方向来调整所述镜头样品特征向量的各个位置的特征编码属性以得到所述优化镜头样品特征矩阵。该过程用公式可表示为:
其中,为所述优化镜头样品特征矩阵、表示镜头样品特征向量、表示刀头设计参数特征向量,且表示向量相乘。
接着,将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。应可以理解,所述优化镜头样品特征矩阵包含镜头样品的六视图的图像局部特征和刀头设计参数特征信息,因此,在利用所述分类器对所述优化镜头样品特征矩阵进行分类判断时,其所得到的分类结果综合考虑了镜头样品的加工状况和加工刀头的设计参数,以提高分类判断的精度。
特别地,在本申请的技术方案中,将所述镜头样品的六视图通过Clip模型的图像编码器以得到镜头样品特征向量时,由于所述Clip模型的图像编码器对所述镜头样品的六视图进行基于过滤器的特征提取,这使得所述镜头样品特征向量的特征值之间的上下文关联性可能较弱,从而不利于表达所述镜头样品的六视图之间的特征关联关系。
因此,为了提升所述镜头样品特征向量的特征表达能力,期望提升镜头样品特征向量的全局上下文关联性。
因此,引入针对所述镜头样品特征向量的上下文统计的局部场景度量损失函数,表示为:
这里,和是特征集合的均值和方差,是所述镜头样品特征向量的每个位置的特征值,且是所述镜头样品特征向量的长度。
这里,所述上下文统计的局部场景度量损失函数基于所述图像编码器的每个特征过滤器所获得的局部场景特征值,将所述镜头样品特征向量的各个位置的特征值都视为单独的局部过滤场景特征描述符来作为特征的局部过滤场景的压榨表示,由此,基于特征集合的局部场景表达的上下文统计式度量作为损失函数来训练Clip模型的图像编码器,可以提升各个过滤器所提取的局部场景特征值之间的关联性,从而提升所述镜头样品特征向量作为全局场景表达的全局上下文关联性,以提升对于所述镜头样品的六视图之间的特征关联关系的表达能力。这样,提高对于镜头样品的成型精度的分类判断的精准度。
基于此,本申请提出了一种镜头的智能化制备方法,其包括:获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;以及,将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。
图1图示了根据本申请实施例的镜头的智能化制备方法的应用场景图。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)获取获取镜头样品的六视图(例如,如图1中所示意的F1-F6);以及,获取所述镜头样品的加工刀头的设计参数。接着,将上述信息输入至部署有用于镜头的智能化制备算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述镜头的智能化制备算法对上述信号进行处理,以生成用于表示镜头样品的加工质量是否满足预定标准的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的镜头的智能化制备方法中推断阶段的流程图。如图2所示,根据本申请实施例的镜头的智能化制备方法,包括:推断阶段,包括:S110,获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;S120,将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;S130,将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;S140,使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;以及,S150,将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。
图4图示了根据本申请实施例的镜头的智能化制备方法中推断阶段的架构示意图。如图4所示,在推断阶段中,在该网络结构中,首先,获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;其次,将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;同时,将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;然后,使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;进而,将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。
具体地,在步骤S110中,获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数。在本申请的一个具体示例中,可通过摄像头获取获取镜头样品的六视图;以及,获取所述镜头样品的加工刀头的设计参数。考虑到在本申请的技术方案中,对六视图的细节要求高,因此,应使用具有一定清晰度的摄像头。
具体地,在步骤S120中,将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量。这里,所述Clip模型的图像编码器使用深度卷积神经网络模型作为特征过滤器来提取所述镜头样品的六视图的图像局部特征。值得一提的是,所述深度卷积神经网络模型通过可学习参数的卷积核作为特征过滤因子对所述镜头样品的六视图进行扫描以从所述镜头样品的六视图提取图像局部特征。相较于传统的图像特征提取算法,所述深度卷积神经网络模型不需要依赖专家经验,且具有更强的特征提取泛化能力。在本申请的一个具体示例中,所述将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量,包括:所述Clip模型的图像编码器使用深度卷积神经网络模型对所述镜头样品的六视图进行显式空间编码以得到所述镜头样品特征向量。
具体地,在步骤S130中,将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量。应可以理解,针对所述加工刀头的多项设计参数,将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量。特别地,在本申请的技术方案中,所述序列编码器包括多个并行的一维卷积层,其分别使用具有不同长度的一维卷积核对由所述多项设计参数排列而成的刀头设计参数输入向量进行不同尺度的一维卷积编码以提取不同刀头设计参数间的多尺度关联模式特征,即,所述刀头设计参数特征向量。
图6图示了根据本申请实施例的镜头的智能化制备方法中Clip模型的序列编码器编码过程的流程图。如图6所示,在所述Clip模型的序列编码器的编码过程中,包括:S210,将所述加工刀头的设计参数中的所有设计参数项排列为设计参数输入向量;S220,使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量;S230,使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量,其中,所述第一一维卷积核的长度尺寸不同于所述第二一维卷积核的长度尺寸;以及,S240,将所述第一尺度刀头设计参数特征向量和所述第二尺度刀头设计参数特征向量进行级联以得到所述刀头设计参数特征向量。
更具体地,所述使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量,包括:使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核以如下公式对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量;
其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述刀头设计参数输入向量;
所述使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量,包括:使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核以如下公式对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量;
其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述刀头设计参数输入向量;
具体地,在步骤S140中,使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵。在本申请的技术方案中,所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵。具体地,所述优化编码器沿着所述刀头设计参数特征向量的特征分布方向来调整所述镜头样品特征向量的各个位置的特征编码属性以得到所述优化镜头样品特征矩阵。该过程用公式可表示为:
其中表示所述刀头设计参数特征向量,表示所述刀头设计参数特征向量的转置向量,表示所述镜头样品特征向量,表示所述优化镜头样品特征矩阵,表示向量相乘。
具体地,在步骤S150中,将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。应可以理解,所述优化镜头样品特征矩阵包含镜头样品的六视图的图像局部特征和刀头设计参数特征信息,因此,在利用所述分类器对所述优化镜头样品特征矩阵进行分类判断时,其所得到的分类结果综合考虑了镜头样品的加工状况和加工刀头的设计参数,以提高分类判断的精度。
图7图示了根据本申请实施例的镜头的智能化制备方法中分类结果生成过程的流程图。如图7所示,在所述分类结果生成过程中,包括:S310,将所述优化镜头样品特征矩阵基于行向量或列向量展开为分类特征向量;S320,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S330,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述Clip模型和所述分类器进行训练。也就是说,在本申请的镜头的智能化制备方法中,还包括训练模块,用于对所述Clip模型和所述分类器进行训练。
图3图示了根据本申请实施例的镜头的智能化制备方法中训练阶段的流程图。如图3所示,根据本申请实施例的镜头的智能化制备方法,还包括训练阶段,包括步骤:S1110,获取训练数据,所述训练数据包括所述镜头样品的训练六视图、用于加工所述镜头样品的加工刀头的训练设计参数以及所述镜头样品的加工质量是否满足预定标准的真实值;S1120,将所述镜头样品的训练六视图通过所述Clip模型的图像编码器以得到训练镜头样品特征向量;S1130,将所述加工刀头的训练设计参数通过所述Clip模型的序列编码器以得到训练刀头设计参数特征向量;S1140,使用所述Clip模型的优化编码器基于所述训练刀头设计参数特征向量对所述训练镜头样品特征向量的特征编码进行优化以得到训练优化镜头样品特征矩阵;S1150,将所述训练优化镜头样品特征矩阵通过分类器以得到分类损失函数值;S1160,计算所述训练镜头样品特征向量的上下文统计的局部场景度量损失函数值,其中,所述上下文统计的局部场景度量损失函数值与所述训练镜头样品特征向量的所有位置的特征值集合的统计特征有关;以及,S1170,以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为损失函数值,对所述Clip模型和所述分类器进行训练。
图5图示了根据本申请实施例的镜头的智能化制备方法中训练阶段的架构示意图。如图5所示,在所述镜头的智能化制备方法中,在训练过程中,首先获取训练数据,所述训练数据包括所述镜头样品的训练六视图、用于加工所述镜头样品的加工刀头的训练设计参数以及所述镜头样品的加工质量是否满足预定标准的真实值;其次,将所述镜头样品的训练六视图通过所述Clip模型的图像编码器以得到训练镜头样品特征向量;同时,将所述加工刀头的训练设计参数通过所述Clip模型的序列编码器以得到训练刀头设计参数特征向量;然后,使用所述Clip模型的优化编码器基于所述训练刀头设计参数特征向量对所述训练镜头样品特征向量的特征编码进行优化以得到训练优化镜头样品特征矩阵;将所述训练优化镜头样品特征矩阵通过分类器以得到分类损失函数值;再计算所述训练镜头样品特征向量的上下文统计的局部场景度量损失函数值,其中,所述上下文统计的局部场景度量损失函数值与所述训练镜头样品特征向量的所有位置的特征值集合的统计特征有关;进而,以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为损失函数值,对所述Clip模型和所述分类器进行训练。
特别地,在本申请的技术方案中,将所述镜头样品的六视图通过Clip模型的图像编码器以得到镜头样品特征向量时,由于所述Clip模型的图像编码器对所述镜头样品的六视图进行基于过滤器的特征提取,这使得所述镜头样品特征向量的特征值之间的上下文关联性可能较弱,从而不利于表达所述镜头样品的六视图之间的特征关联关系。
因此,为了提升所述镜头样品特征向量的特征表达能力,期望提升镜头样品特征向量的全局上下文关联性。
因此,引入针对所述镜头样品特征向量的上下文统计的局部场景度量损失函数,表示为:
这里,和是特征集合的均值和方差,是所述镜头样品特征向量的每个位置的特征值,且是所述镜头样品特征向量的长度。
这里,所述上下文统计的局部场景度量损失函数基于所述图像编码器的每个特征过滤器所获得的局部场景特征值,将所述镜头样品特征向量的各个位置的特征值都视为单独的局部过滤场景特征描述符来作为特征的局部过滤场景的压榨表示,由此,基于特征集合的局部场景表达的上下文统计式度量作为损失函数来训练Clip模型的图像编码器,可以提升各个过滤器所提取的局部场景特征值之间的关联性,从而提升所述镜头样品特征向量作为全局场景表达的全局上下文关联性,以提升对于所述镜头样品的六视图之间的特征关联关系的表达能力。这样,提高对于镜头样品的成型精度的分类判断的精准度。
综上,根据本申请实施例的镜头的智能化制备方法被阐明,其通过使用所述Clip模型的优化编码器来基于刀头设计参数特征对镜头样品特征进行编码优化以得到优化镜头样品特征矩阵,进一步将所述优化镜头样品特征矩阵通过分类器得到用于表示镜头样品的加工质量是否满足预定标准的分类结果,提高对于镜头样品的成型精度的分类判断的精准度。
如上所述,根据本申请实施例的镜头的智能化制备方法可以实现在各种终端设备中。在一个示例中,根据本申请实施例的镜头的智能化制备方法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,该镜头的智能化制备方法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,该镜头的智能化制备方法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,该镜头的智能化制备方法与该终端设备也可以是分立的设备,并且该镜头的智能化制备方法可以通过有线和/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。
示例性系统
图8图示了根据本申请实施例的镜头的智能化制备系统的框图。如图8所示,根据本申请实施例的镜头的智能化制备系统300,包括:图片和参数获取模块310;第一特征提取模块320;第二特征提取模块330;优化模块340;以及,分类结果生成模块350。
其中,所述图片和参数获取模块310,用于获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;所述第一特征提取模块320,用于将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;所述第二特征提取模块330,用于将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;所述优化模块340,用于使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;以及,所述分类结果生成模块350,用于将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。
在一个示例中,在上述镜头的智能化制备系统300中,所述第一特征提取模块320,包括:所述Clip模型的图像编码器使用深度卷积神经网络模型对所述镜头样品的六视图进行显式空间编码以得到所述镜头样品特征向量。具体地,使用所述深度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卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一层输出所述镜头样品特征向量。
在一个示例中,在上述镜头的智能化制备系统300中,所述第二特征提取模块330,包括:展开单元,用于将所述加工刀头的设计参数中的所有设计参数项排列为设计参数输入向量;第一尺度编码单元,用于使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量;第二尺度编码单元,用于使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量,其中,所述第一一维卷积核的长度尺寸不同于所述第二一维卷积核的长度尺寸;以及,级联单元,用于将所述第一尺度刀头设计参数特征向量和所述第二尺度刀头设计参数特征向量进行级联以得到所述刀头设计参数特征向量。
在一个示例中,在上述镜头的智能化制备系统300中,所述优化模块340,包括:以如下公式对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;
其中,所述公式为:
其中表示所述刀头设计参数特征向量,表示所述刀头设计参数特征向量的转置向量,表示所述镜头样品特征向量,表示所述优化镜头样品特征矩阵,表示向量相乘。
在一个示例中,在上述镜头的智能化制备系统300中,所述分类结果生成模块350,包括:分类特征向量单元,用于将所述优化镜头样品特征矩阵基于行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的镜头的智能化制备系统300被阐明,其通过使用所述Clip模型的优化编码器来基于刀头设计参数特征对镜头样品特征进行编码优化以得到优化镜头样品特征矩阵,进一步将所述优化镜头样品特征矩阵通过分类器得到用于表示镜头样品的加工质量是否满足预定标准的分类结果,提高对于镜头样品的成型精度的分类判断的精准度。
Claims (9)
1.一种镜头的智能化制备方法,其特征在于,包括:
获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;
将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;
将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;
使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;以及将所述优化镜头样品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镜头样品的加工质量是否满足预定标准;
使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量以如下公式对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;
其中,所述公式为:
其中表示所述刀头设计参数特征向量,表示所述刀头设计参数特征向量的转置向量,表示所述镜头样品特征向量,表示所述优化镜头样品特征矩阵,表示向量相乘。
2.根据权利要求1所述的镜头的智能化制备方法,其特征在于,所述将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量,包括:
所述Clip模型的图像编码器使用深度卷积神经网络模型对所述镜头样品的六视图进行显式空间编码以得到所述镜头样品特征向量。
3.根据权利要求2所述的镜头的智能化制备方法,其特征在于,所述Clip模型的图像编码器使用深度卷积神经网络模型对所述镜头样品的六视图进行显式空间编码以得到所述镜头样品特征向量,包括:
使用所述深度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卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一层输出所述镜头样品特征向量。
4.根据权利要求3所述的镜头的智能化制备方法,其特征在于,所述将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量,包括:
将所述加工刀头的设计参数中的所有设计参数项排列为设计参数输入向量;
使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量;
使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量,其中,所述第一一维卷积核的长度尺寸不同于所述第二一维卷积核的长度尺寸;以及将所述第一尺度刀头设计参数特征向量和所述第二尺度刀头设计参数特征向量进行级联以得到所述刀头设计参数特征向量。
5.根据权利要求4所述的镜头的智能化制备方法,其特征在于,
所述使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量,包括:使用所述Clip模型的序列编码器的第一卷积层以第一一维卷积核以如下公式对所述设计参数输入向量进行一维卷积编码以得到第一尺度刀头设计参数特征向量;
其中,所述公式为:
其中,为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一卷积核的尺寸,表示所述刀头设计参数输入向量;
所述使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量,包括:使用所述Clip模型的序列编码器的第二卷积层以第二一维卷积核以如下公式对所述设计参数输入向量进行一维卷积编码以得到第二尺度刀头设计参数特征向量;
其中,所述公式为:
其中,为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为第一卷积核的尺寸,表示所述刀头设计参数输入向量。
6.根据权利要求5所述的镜头的智能化制备方法,其特征在于,所述将所述优化镜头样品特征矩阵通过分类器以得到分类结果,包括:
将所述优化镜头样品特征矩阵基于行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.根据权利要求1所述的镜头的智能化制备方法,其特征在于,还包括步骤:对所述Clip模型和所述分类器进行训练;
其中,所述对所述Clip模型和所述分类器进行训练,包括:
获取训练数据,所述训练数据包括所述镜头样品的训练六视图、用于加工所述镜头样品的加工刀头的训练设计参数以及所述镜头样品的加工质量是否满足预定标准的真实值;
将所述镜头样品的训练六视图通过所述Clip模型的图像编码器以得到训练镜头样品特征向量;
将所述加工刀头的训练设计参数通过所述Clip模型的序列编码器以得到训练刀头设计参数特征向量;
使用所述Clip模型的优化编码器基于所述训练刀头设计参数特征向量对所述训练镜头样品特征向量的特征编码进行优化以得到训练优化镜头样品特征矩阵;
将所述训练优化镜头样品特征矩阵通过分类器以得到分类损失函数值;
计算所述训练镜头样品特征向量的上下文统计的局部场景度量损失函数值,其中,所述上下文统计的局部场景度量损失函数值与所述训练镜头样品特征向量的所有位置的特征值集合的统计特征有关;以及以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为损失函数值,对所述Clip模型和所述分类器进行训练。
8.根据权利要求7所述的镜头的智能化制备方法,其特征在于,所述计算所述训练镜头样品特征向量的上下文统计的局部场景度量损失函数值,包括:以如下公式计算所述训练镜头样品特征向量的上下文统计的局部场景度量损失函数值;
其中,所述公式为:
这里,和是特征集合的均值和方差,是所述镜头样品特征向量的每个位置的特征值,且是所述镜头样品特征向量的长度。
9.一种镜头的智能化制备系统,其特征在于,包括:
图片和参数获取模块,用于获取镜头样品的六视图以及用于加工所述镜头样品的加工刀头的设计参数;
第一特征提取模块,用于将所述镜头样品的六视图通过训练完成的Clip模型的图像编码器以得到镜头样品特征向量;
第二特征提取模块,用于将所述加工刀头的设计参数通过所述训练完成的Clip模型的序列编码器以得到刀头设计参数特征向量;
优化模块,用于使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵,使用所述训练完成的Clip模型的优化编码器基于所述刀头设计参数特征向量以如下公式对所述镜头样品特征向量的特征编码进行优化以得到优化镜头样品特征矩阵;
其中,所述公式为:
其中表示所述刀头设计参数特征向量,表示所述刀头设计参数特征向量的转置向量,表示所述镜头样品特征向量,表示所述优化镜头样品特征矩阵,表示向量相乘;以及分类结果生成模块,用于将所述优化镜头样品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镜头样品的加工质量是否满足预定标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270708.XA CN115512166B (zh) | 2022-10-18 | 2022-10-18 | 镜头的智能化制备方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270708.XA CN115512166B (zh) | 2022-10-18 | 2022-10-18 | 镜头的智能化制备方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115512166A CN115512166A (zh) | 2022-12-23 |
CN115512166B true CN115512166B (zh) | 2023-05-16 |
Family
ID=84509887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211270708.XA Active CN115512166B (zh) | 2022-10-18 | 2022-10-18 | 镜头的智能化制备方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512166B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116000297A (zh) * | 2023-01-03 | 2023-04-25 | 赣州市光华有色金属有限公司 | 高强度钨镧丝的制备装置及其方法 |
CN116858943A (zh) * | 2023-02-03 | 2023-10-10 | 台州五标机械股份有限公司 | 用于新能源汽车的空心轴智能化制备方法及其系统 |
CN116597163A (zh) * | 2023-05-18 | 2023-08-15 | 广东省旭晟半导体股份有限公司 | 红外光学透镜及其制备方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021136050A1 (zh) * | 2019-12-31 | 2021-07-08 | 华为技术有限公司 | 一种图像拍摄方法及相关装置 |
CN114140603A (zh) * | 2021-12-08 | 2022-03-04 | 北京百度网讯科技有限公司 | 虚拟形象生成模型的训练方法和虚拟形象生成方法 |
CN114519120A (zh) * | 2021-12-03 | 2022-05-20 | 苏州大创科技有限公司 | 基于多模态算法的图像搜索方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814385B (zh) * | 2020-05-28 | 2023-11-17 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
US11815876B2 (en) * | 2021-03-16 | 2023-11-14 | Hcl Technologies Limited | Method and system for automatic identification of primary manufacturing process from three-dimensional model of product |
CN114283430A (zh) * | 2021-12-03 | 2022-04-05 | 苏州大创科技有限公司 | 跨模态图文匹配训练方法及装置、存储介质、电子设备 |
CN114298923A (zh) * | 2021-12-13 | 2022-04-08 | 吉林大学 | 一种用于机器视觉测量系统的镜头评估及图像恢复方法 |
CN114417522A (zh) * | 2021-12-23 | 2022-04-29 | 鞍山浦项特种耐火材料有限公司 | 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备 |
CN115041771B (zh) * | 2022-07-04 | 2023-03-31 | 华威焊割科技(浙江)有限公司 | 自动行进管道焊接和切割一体式加工设备及其控制方法 |
CN115091211B (zh) * | 2022-08-22 | 2023-02-28 | 徐州康翔精密制造有限公司 | 数控车磨复合机床及其生产控制方法 |
-
2022
- 2022-10-18 CN CN202211270708.XA patent/CN115512166B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021136050A1 (zh) * | 2019-12-31 | 2021-07-08 | 华为技术有限公司 | 一种图像拍摄方法及相关装置 |
CN114519120A (zh) * | 2021-12-03 | 2022-05-20 | 苏州大创科技有限公司 | 基于多模态算法的图像搜索方法及装置 |
CN114140603A (zh) * | 2021-12-08 | 2022-03-04 | 北京百度网讯科技有限公司 | 虚拟形象生成模型的训练方法和虚拟形象生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115512166A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115512166B (zh) | 镜头的智能化制备方法及其系统 | |
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 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112307820B (zh) | 文本识别方法、装置、设备和计算机可读介质 | |
CN113177937B (zh) | 基于改进YOLOv4-tiny的布匹缺陷检测方法 | |
CN110838095B (zh) | 一种基于循环密集神经网络的单幅图像去雨方法和系统 | |
CN112215263B (zh) | 基于深度卷积神经网络的钢轨波磨检测方法 | |
CN112785441A (zh) | 数据处理方法、装置、终端设备及存储介质 | |
CN116469100A (zh) | 一种基于Transformer的双波段图像语义分割方法 | |
CN114666254A (zh) | 用于全屋路由器系统的网络性能测试方法及其系统 | |
CN114239384A (zh) | 一种基于非线性度量原型网络的滚动轴承故障诊断方法 | |
CN113362915B (zh) | 一种基于多模态学习的材料性能预测方法及系统 | |
CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及系统 | |
CN116740567A (zh) | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 | |
CN113205503B (zh) | 一种卫星海岸带影像质量评价方法 | |
CN112149582A (zh) | 一种高光谱图像材质识别方法及系统 | |
CN113327227A (zh) | 一种基于MobilenetV3的小麦头快速检测方法 | |
CN114881136A (zh) | 基于剪枝卷积神经网络的分类方法及相关设备 | |
CN112801955A (zh) | 种群分布不平衡条件下的浮游生物检测方法 | |
CN116525295B (zh) | 一种高频脉冲电容用金属化薄膜及其制备方法 | |
CN116618983A (zh) | 汽车散热器芯体装配管理系统及其方法 | |
CN115424051B (zh) | 一种全景拼接图像质量评价方法 | |
CN116922725A (zh) | 注塑模具控制系统及其方法 | |
CN117829821B (zh) | 一种基于云平台的复合材料设备维护管理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |