CN116030014B - 空调软硬管的智能化加工方法及其系统 - Google Patents
空调软硬管的智能化加工方法及其系统 Download PDFInfo
- Publication number
- CN116030014B CN116030014B CN202310020766.5A CN202310020766A CN116030014B CN 116030014 B CN116030014 B CN 116030014B CN 202310020766 A CN202310020766 A CN 202310020766A CN 116030014 B CN116030014 B CN 116030014B
- Authority
- CN
- China
- Prior art keywords
- matrix
- hose
- feature
- hard
- space
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000007789 sealing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 463
- 238000004378 air conditioning Methods 0.000 claims description 81
- 238000012546 transfer Methods 0.000 claims description 46
- 238000010586 diagram Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 37
- 238000000465 moulding Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 24
- 230000006978 adaptation Effects 0.000 abstract description 18
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 9
- 238000003062 neural network model Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 230000014509 gene expression Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Abstract
公开了一种空调软硬管的智能化加工方法及其系统,其将空调硬管和空调软管的协同质检问题转化为空调硬管的截面图像与空调软管的截面图像之间的适配问题,采用深度学习的神经网络模型来表征空调硬管的截面图像与空调软管的截面图像之间的适配度与两者是否满足密封装配预定要求之间的非线性关联。这样,确保空调硬管和空调软管满足装配密封度要求,以优化空调软硬管的加工过程。
Description
技术领域
本申请涉及软硬管加工技术领域,且更为具体地,涉及一种空调软硬管的智能化加工方法及其系统。
背景技术
随着消费者对舒适性体验的需求不断提升,国家对环境保护的日益重视,新能源电动交通已经成为一种趋势。在新能源汽车中使用时,只能采用电热丝进行空调加热,无法采用热泵技术进行制热。
采用电热丝进行加热将大大降低汽车的续航里程,若全部用硬管连接,虽然可以解决管路的密封问题,但是由于汽车内部空间的局限性,无法全部采用硬管,必须采用软管和硬管结合的管路总成,但是由于软管与硬管具有不同的性质,因此,在利用软管和硬管进行管路总成时,软管与硬管之间的结合之处的密封会成为重要的技术难题。
因此,在生产软管和硬管的过程中,需要对软管和硬管进行协同质检,以确保两者是否满足装配密封度要求。
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空调软硬管的智能化加工方法及其系统,其将空调硬管和空调软管的协同质检问题转化为空调硬管的截面图像与空调软管的截面图像之间的适配问题,采用深度学习的神经网络模型来表征空调硬管的截面图像与空调软管的截面图像之间的适配度与两者是否满足密封装配预定要求之间的非线性关联。这样,确保空调硬管和空调软管满足装配密封度要求,以优化空调软硬管的加工过程。
根据本申请的一个方面,提供了一种空调软硬管的智能化加工方法,其包括:获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像;将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵;将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵;计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵;以及将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。
在上述空调软硬管的智能化加工方法中,所述将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵,包括:使用所述卷积神经网络模型的各层在层的正向传递中分别进行: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基于局部特征矩阵的均值池化以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述软管特征矩阵或硬管特征矩阵,所述卷积神经网络模型的第一层的输入为所述第一截面图像或所述第二截面图像。
在上述空调软硬管的智能化加工方法中,所述将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵,包括:使用所述空间注意力模块的卷积编码部分对所述软管特征矩阵和所述硬管特征矩阵分别进行深度卷积编码以得到软管初始卷积特征图和硬管初始卷积特征图;将所述软管初始卷积特征图和所述硬管初始卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到软管空间注意力图和硬管空间注意力图;将所述软管空间注意力图和所述硬管空间注意力图分别通过Softmax激活函数以得到软管空间注意力特征图和硬管空间注意力特征图;计算所述软管空间注意力特征图和所述软管初始卷积特征图的按位置点乘以得到软管特征图,计算所述硬管空间注意力特征图和所述硬管初始卷积特征图的按位置点乘以得到硬管特征图;以及,对所述软管特征图和所述硬管特征图分别进行沿通道维度的全局均值池化处理以得到所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵。
在上述空调软硬管的智能化加工方法中,所述计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵,包括:以如下公式计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;其中,所述公式为:
其中Ma表示所述空间增强软管特征矩阵,Mb表示所述空间增强硬管特征矩阵,M表示所述转移矩阵,表示矩阵相乘。
在上述空调软硬管的智能化加工方法中,所述基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵,包括:计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵;以及,以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵。
在上述空调软硬管的智能化加工方法中,所述计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵,包括:以如下公式计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部衍生矩阵来作为加权特征矩阵;其中,所述公式为:
其中,和/>分别是所述空间增强软管特征矩阵、所述空间增强硬管特征矩阵和所述小尺度局部衍生矩阵的第(i,j)位置的向量值。
在上述空调软硬管的智能化加工方法中,所述将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求,包括:将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;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编码分类特征向量;以及,将所述编码分类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。
根据本申请的另一方面,提供了一种空调软硬管的智能化加工系统,包括:
图像获取模块,用于获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像;
图像特征提取模块,用于将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵;空间注意力增强模块,用于将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵;转移关联模块,用于计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;小尺度特征关联优化模块,用于基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵;以及检测结果生成模块,用于将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。
在上述空调软硬管的智能化加工系统中,所述图像特征提取模块,进一步用于:使用所述卷积神经网络模型的各层在层的正向传递中分别进行: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基于局部特征矩阵的均值池化以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述软管特征矩阵或硬管特征矩阵,所述卷积神经网络模型的第一层的输入为所述第一截面图像或所述第二截面图像。
在上述空调软硬管的智能化加工系统中,所述空间注意力增强模块,进一步用于:使用所述空间注意力模块的卷积编码部分对所述软管特征矩阵和所述硬管特征矩阵分别进行深度卷积编码以得到软管初始卷积特征图和硬管初始卷积特征图;将所述软管初始卷积特征图和所述硬管初始卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到软管空间注意力图和硬管空间注意力图;将所述软管空间注意力图和所述硬管空间注意力图分别通过Softmax激活函数以得到软管空间注意力特征图和硬管空间注意力特征图;计算所述软管空间注意力特征图和所述软管初始卷积特征图的按位置点乘以得到软管特征图,计算所述硬管空间注意力特征图和所述硬管初始卷积特征图的按位置点乘以得到硬管特征图;以及,对所述软管特征图和所述硬管特征图分别进行沿通道维度的全局均值池化处理以得到所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵。
在上述空调软硬管的智能化加工系统中,所述转移关联模块,进一步用于:以如下公式计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;其中,所述公式为:
其中Ma表示所述空间增强软管特征矩阵,Mb表示所述空间增强硬管特征矩阵,M表示所述转移矩阵,表示矩阵相乘。
在上述空调软硬管的智能化加工系统中,所述小尺度特征关联优化模块,包括:小尺度局部衍生单元,用于计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵;以及,优化单元,用于以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵。
在上述空调软硬管的智能化加工系统中,所述小尺度局部衍生单元,进一步用于:以如下公式计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部衍生矩阵来作为加权特征矩阵;其中,所述公式为:
其中,和/>分别是所述空间增强软管特征矩阵、所述空间增强硬管特征矩阵和所述小尺度局部衍生矩阵的第(i,j)位置的向量值。
在上述空调软硬管的智能化加工系统中,所述检测结果生成模块,进一步用于:将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;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编码分类特征向量;以及,将所述编码分类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。
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空调软硬管的智能化加工方法。
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空调软硬管的智能化加工方法。
与现有技术相比,本申请提供的空调软硬管的智能化加工方法及其系统,其将空调硬管和空调软管的协同质检问题转化为空调硬管的截面图像与空调软管的截面图像之间的适配问题,采用深度学习的神经网络模型来表征空调硬管的截面图像与空调软管的截面图像之间的适配度与两者是否满足密封装配预定要求之间的非线性关联。这样,确保空调硬管和空调软管满足装配密封度要求,以优化空调软硬管的加工过程。
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空调软硬管的智能化加工方法的应用场景图。
图2为根据本申请实施例的空调软硬管的智能化加工方法的流程图。
图3为根据本申请实施例的空调软硬管的智能化加工方法的架构图。
图4为根据本申请实施例的空调软硬管的智能化加工方法中将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵的流程图。
图5为根据本申请实施例的空调软硬管的智能化加工系统的框图。
图6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。
申请概述
如上述背景技术所言,由于汽车内部空间的局限性,无法全部采用硬管,必须采用软管和硬管结合的管路总成,但是由于软管与硬管具有不同的性质,因此,在利用软管和硬管进行管路总成时,软管与硬管之间的结合之处的密封会成为重要的技术难题。因此,在生产软管和硬管的过程中,需要对软管和硬管进行协同质检,以确保两者是否满足装配密封度要求。
更具体地,传统空调软硬管的加工方案中,也会对加工成型后的硬管或者软管进行质检,但却很少有厂家对硬管和软管进行协同质检。如果不协同质检,在实际生产组装中发现虽然硬管和软管在单独质检时,两者都是满足质检要求的,但是在装配时却发现无法满足装配密封度要求。针对上述技术问题,提出了一种在生产过程中,对空调软管和空调硬管进行协同质检的方案,这样直接以装配密封度为要求来提高产品良率。
但是,在得到空调硬管和空调软管之后,可以将待检测空调硬管和待检测空调软管进行装配以看看两者之间是否满足装配密封度要求,但是这种质检方案实质上是将空调硬管和空调软管进行了组装,而在进行上述操作后,出厂的产品本质上是二手产品。其次,组装质检工序繁杂,目前还没有专门的设备能够实现上述质检的自动化要求。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为空调软硬管的协同质检提供了新的解决方案。
具体地,空调硬管和空调软管的协同质检,本质上可以转化为空调硬管的截面图像与空调软管的截面图像之间的适配问题。但是空调硬管的截面图像与空调软管的截面图像之间的适配度与两者是否满足密封装配预定要求之间的关系是复杂的非线性关联,这难以通过传统的特征工程或者统计模型来表示,而基于深度学习的神经网络模型因其特性,在此方面具有优良的性能表现。
在本申请的技术方案中,首先获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像。然后,将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵。也就是,使用在图像局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述第一截面图像和所述第二截面图像中的高维局部隐含特征。在一个具体的示例中,所述作为特征提取器的卷积神经网络模型可以是深度残差网络模型,例如,ResNet150等。
进一步,考虑到所述软管特征矩阵和所述硬管特征矩阵中各个像素位置的特征值对于最终分类判断的贡献度不同,为了体现这种空间可鉴别性,在本申请的技术方案中,将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵。接着,计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵,也就是,以两者在高维特征空间中的特征分布之间的转移矩阵来表达所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的全局特征转移分布。从感性层面来看,所述转移矩阵用于表示空调硬管的截面图像特征和空调软管的截面图像特征在高维特征空间之间的关联模式隐含表达。
最终,将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。也就是,通过分类器来判断所述优化分类特征矩阵是归属于待检测硬管和待检测软管的成型质量满足密封装配预定要求(第一标签),还是归属于待检测硬管和待检测软管的成型质量不满足密封装配预定要求(第二标签),即,通过所述分类器来实现二分类问题。
特别地,在本申请的技术方案中,通过将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型得到所述软管特征矩阵和所述硬管特征矩阵,可以使得所述软管特征矩阵和所述硬管特征矩阵分别包含所述第一截面图像和所述第二截面图像的小尺度图像语义关联特征,且进一步通过空间注意力模块,可以进一步强化特征矩阵内部的局部特征表达,而在计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵得到所述分类特征矩阵时,所述转移矩阵用于表达所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的全局特征转移分布,因此如果能够充分利用所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部特征表达,以提升所述分类特征矩阵对所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度特征关联表达,则显然能够提升所述分类特征矩阵的分类准确性。
因此,计算所述空间增强软管特征矩阵,例如记为M1和所述空间增强硬管特征矩阵,例如记为M2的小尺度局部衍生矩阵来作为加权特征矩阵,表示为:
和/>分别是所述空间增强软管特征矩阵M1、所述空间增强硬管特征矩阵M2和所述小尺度局部衍生矩阵,例如记为Mw的第(i,j)位置的向量值。
这里,通过计算所述空间增强软管特征矩阵M1和所述空间增强硬管特征矩阵M2之间的小尺度局部衍生特征,可以基于所述空间增强软管特征矩阵M1和所述空间增强硬管特征矩阵M2之间的相应位置的几何逼近来模仿数据序列之间的互表达的物理性,从而以特征矩阵间的按位置逐点回归来增强跨特征域位置的局部非线性依赖。这样,通过以所述小尺度局部衍生矩阵Mw作为加权矩阵对所述分类特征矩阵进行点乘来进行特征值加权,就可以提高所述分类特征矩阵对于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度特征关联表达,从而提高所述分类特征矩阵的分类结果的准确性。也就是,提高对所述空调硬管和所述空调软管的协同质检的分类判断的精准度。
基于此,本申请提出了一种空调软硬管的智能化加工方法,其包括:获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像;将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵;将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵;计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵;以及,将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。
图1为根据本申请实施例的空调软硬管的智能化加工方法的应用场景图。如图1所示,在该应用场景中,首先由摄像头(例如,如图1中所示意的C)获取待检测空调软管(例如,如图1中所示意的F)的第一截面图像和待检测空调硬管(例如,如图1中所示意的H)的第二截面图像。进而,将所述待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像输入至部署有空调软硬管的智能化加工算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述空调软硬管的智能化加工算法对所述待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像进行处理,以得到用于表示待检测硬管和待检测软管的成型质量是否满足密封装配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为根据本申请实施例的空调软硬管的智能化加工方法的流程图。如图2所示,根据本申请实施例的空调软硬管的智能化加工方法,包括:S110,获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像;S120,将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵;S130,将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵;S140,计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;S150,基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵;以及,S160,将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。
图3为根据本申请实施例的空调软硬管的智能化加工方法的架构图。如图3所示,在该架构中,首先,获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像。接着,将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵。然后,将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵。接着,计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵。然后,基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵。进而,将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。
在步骤S110中,获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像。如上述背景技术所言,由于汽车内部空间的局限性,无法全部采用硬管,必须采用软管和硬管结合的管路总成,但是由于软管与硬管具有不同的性质,因此,在利用软管和硬管进行管路总成时,软管与硬管之间的结合之处的密封会成为重要的技术难题。因此,在生产软管和硬管的过程中,需要对软管和硬管进行协同质检,以确保两者是否满足装配密封度要求。
更具体地,传统空调软硬管的加工方案中,也会对加工成型后的硬管或者软管进行质检,但却很少有厂家对硬管和软管进行协同质检。如果不协同质检,在实际生产组装中发现虽然硬管和软管在单独质检时,两者都是满足质检要求的,但是在装配时却发现无法满足装配密封度要求。针对上述技术问题,提出了一种在生产过程中,对空调软管和空调硬管进行协同质检的方案,这样直接以装配密封度为要求来提高产品良率。
但是,在得到空调硬管和空调软管之后,可以将待检测空调硬管和待检测空调软管进行装配以看看两者之间是否满足装配密封度要求,但是这种质检方案实质上是将空调硬管和空调软管进行了组装,而在进行上述操作后,出厂的产品本质上是二手产品。其次,组装质检工序繁杂,目前还没有专门的设备能够实现上述质检的自动化要求。
具体地,空调硬管和空调软管的协同质检,本质上可以转化为空调硬管的截面图像与空调软管的截面图像之间的适配问题。但是空调硬管的截面图像与空调软管的截面图像之间的适配度与两者是否满足密封装配预定要求之间的关系是复杂的非线性关联,这难以通过传统的特征工程或者统计模型来表示,而基于深度学习的神经网络模型因其特性,在此方面具有优良的性能表现。因此,在本申请的技术方案中,首先获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像。
在步骤S120中,将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵。也就是,将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵。也就是,使用在图像局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述第一截面图像和所述第二截面图像中的高维局部隐含特征。在一个具体的示例中,所述作为特征提取器的卷积神经网络模型可以是深度残差网络模型,例如,ResNet150等。
在本申请的一个具体示例中,所述卷积神经网络模型的各层在层的正向传递中分别进行: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基于局部特征矩阵的均值池化以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述软管特征矩阵或硬管特征矩阵,所述卷积神经网络模型的第一层的输入为所述第一截面图像或所述第二截面图像。
在步骤S130中,将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵。考虑到所述软管特征矩阵和所述硬管特征矩阵中各个像素位置的特征值对于最终分类判断的贡献度不同,为了体现这种空间可鉴别性,在本申请的技术方案中,将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵。
图4为根据本申请实施例的空调软硬管的智能化加工方法中将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵的流程图。如图4所示,所述将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵,包括:S210,使用所述空间注意力模块的卷积编码部分对所述软管特征矩阵和所述硬管特征矩阵分别进行深度卷积编码以得到软管初始卷积特征图和硬管初始卷积特征图;S220,将所述软管初始卷积特征图和所述硬管初始卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到软管空间注意力图和硬管空间注意力图;S230,将所述软管空间注意力图和所述硬管空间注意力图分别通过Softmax激活函数以得到软管空间注意力特征图和硬管空间注意力特征图;S240,计算所述软管空间注意力特征图和所述软管初始卷积特征图的按位置点乘以得到软管特征图,计算所述硬管空间注意力特征图和所述硬管初始卷积特征图的按位置点乘以得到硬管特征图;以及,S250,对所述软管特征图和所述硬管特征图分别进行沿通道维度的全局均值池化处理以得到所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵。
在步骤S140中,计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵。也就是,以两者在高维特征空间中的特征分布之间的转移矩阵来表达所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的全局特征转移分布。从感性层面来看,所述转移矩阵用于表示空调硬管的截面图像特征和空调软管的截面图像特征在高维特征空间之间的关联模式隐含表达。
具体地,在本申请实施例中,所述计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵,包括:以如下公式计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;其中,所述公式为:
其中Ma表示所述空间增强软管特征矩阵,Mb表示所述空间增强硬管特征矩阵,M表示所述转移矩阵,表示矩阵相乘。
在步骤S150中,基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵。特别地,在本申请的技术方案中,通过将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型得到所述软管特征矩阵和所述硬管特征矩阵,可以使得所述软管特征矩阵和所述硬管特征矩阵分别包含所述第一截面图像和所述第二截面图像的小尺度图像语义关联特征,且进一步通过空间注意力模块,可以进一步强化特征矩阵内部的局部特征表达,而在计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵得到所述分类特征矩阵时,所述转移矩阵用于表达所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的全局特征转移分布,因此如果能够充分利用所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部特征表达,以提升所述分类特征矩阵对所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度特征关联表达,则显然能够提升所述分类特征矩阵的分类准确性。因此,计算所述空间增强软管特征矩阵,例如记为M1和所述空间增强硬管特征矩阵,例如记为M2的小尺度局部衍生矩阵来作为加权特征矩阵。
具体地,在本申请实施例中,所述基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵,包括:计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵;以及,以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵。
更具体地,在本申请实施例中,所述计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵,包括:以如下公式计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部衍生矩阵来作为加权特征矩阵;其中,所述公式为:
其中,和/>分别是所述空间增强软管特征矩阵、所述空间增强硬管特征矩阵和所述小尺度局部衍生矩阵的第(i,j)位置的向量值。
这里,通过计算所述空间增强软管特征矩阵M1和所述空间增强硬管特征矩阵M2之间的小尺度局部衍生特征,可以基于所述空间增强软管特征矩阵M1和所述空间增强硬管特征矩阵M2之间的相应位置的几何逼近来模仿数据序列之间的互表达的物理性,从而以特征矩阵间的按位置逐点回归来增强跨特征域位置的局部非线性依赖。这样,通过以所述小尺度局部衍生矩阵Mw作为加权矩阵对所述分类特征矩阵进行点乘来进行特征值加权,就可以提高所述分类特征矩阵对于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度特征关联表达,从而提高所述分类特征矩阵的分类结果的准确性。
在步骤S160中,将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。也就是,通过分类器来判断所述优化分类特征矩阵是归属于待检测硬管和待检测软管的成型质量满足密封装配预定要求(第一标签),还是归属于待检测硬管和待检测软管的成型质量不满足密封装配预定要求(第二标签),即,通过所述分类器来实现二分类问题。这样,提高对所述空调硬管和所述空调软管的协同质检的分类判断的精准度。
具体地,在本申请实施例中,所述将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求,包括:将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;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编码分类特征向量;以及,将所述编码分类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。
综上,基于本申请实施例的空调软硬管的智能化加工方法被阐明,其将空调硬管和空调软管的协同质检问题转化为空调硬管的截面图像与空调软管的截面图像之间的适配问题,采用深度学习的神经网络模型来表征空调硬管的截面图像与空调软管的截面图像之间的适配度与两者是否满足密封装配预定要求之间的非线性关联。这样,确保空调硬管和空调软管满足装配密封度要求,以优化空调软硬管的加工过程。
示例性系统
图5为根据本申请实施例的空调软硬管的智能化加工系统的框图。如图5所示,根据本申请实施例的空调软硬管的智能化加工系统100,包括:图像获取模块110,用于获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像;图像特征提取模块120,用于将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵;空间注意力增强模块130,用于将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵;转移关联模块140,用于计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;小尺度特征关联优化模块150,用于基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵;以及,检测结果生成模块160,用于将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求。
在一个示例中,在上述空调软硬管的智能化加工系统100中,所述图像特征提取模块120,进一步用于:使用所述卷积神经网络模型的各层在层的正向传递中分别进行: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基于局部特征矩阵的均值池化以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述软管特征矩阵或硬管特征矩阵,所述卷积神经网络模型的第一层的输入为所述第一截面图像或所述第二截面图像。
在一个示例中,在上述空调软硬管的智能化加工系统100中,所述空间注意力增强模块130,进一步用于:使用所述空间注意力模块的卷积编码部分对所述软管特征矩阵和所述硬管特征矩阵分别进行深度卷积编码以得到软管初始卷积特征图和硬管初始卷积特征图;将所述软管初始卷积特征图和所述硬管初始卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到软管空间注意力图和硬管空间注意力图;将所述软管空间注意力图和所述硬管空间注意力图分别通过Softmax激活函数以得到软管空间注意力特征图和硬管空间注意力特征图;计算所述软管空间注意力特征图和所述软管初始卷积特征图的按位置点乘以得到软管特征图,计算所述硬管空间注意力特征图和所述硬管初始卷积特征图的按位置点乘以得到硬管特征图;以及,对所述软管特征图和所述硬管特征图分别进行沿通道维度的全局均值池化处理以得到所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵。
在一个示例中,在上述空调软硬管的智能化加工系统100中,所述转移关联模块140,进一步用于:以如下公式计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;其中,所述公式为:
其中Ma表示所述空间增强软管特征矩阵,Mb表示所述空间增强硬管特征矩阵,M表示所述转移矩阵,表示矩阵相乘。
在一个示例中,在上述空调软硬管的智能化加工系统100中,所述小尺度特征关联优化模块150,包括:小尺度局部衍生单元,用于计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵;以及,优化单元,用于以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵。
在一个示例中,在上述空调软硬管的智能化加工系统100中,所述小尺度局部衍生单元,进一步用于:以如下公式计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部衍生矩阵来作为加权特征矩阵;其中,所述公式为:
其中,和/>分别是所述空间增强软管特征矩阵、所述空间增强硬管特征矩阵和所述小尺度局部衍生矩阵的第(i,j)位置的向量值。
在一个示例中,在上述空调软硬管的智能化加工系统100中,所述检测结果生成模块160,进一步用于:将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;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编码分类特征向量;以及,将所述编码分类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。
这里,本领域技术人员可以理解,上述空调软硬管的智能化加工系统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的空调软硬管的智能化加工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空调软硬管的智能化加工系统100可以实现在各种终端设备中,例如用于空调软硬管的智能化加工的服务器等。在一个示例中,根据本申请实施例的空调软硬管的智能化加工系统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,该空调软硬管的智能化加工系统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,该空调软硬管的智能化加工系统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,该空调软硬管的智能化加工系统100与该终端设备也可以是分立的设备,并且该空调软硬管的智能化加工系统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。
示例性电子设备
下面,参考6来描述根据本申请实施例的电子设备。图6图示了根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的空调软硬管的智能化加工方法中的功能以及/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待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像等各种内容。
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,包括待调度电力用户的需求响应调控量等。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6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空调软硬管的智能化加工方法中的功能中的步骤。
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空调软硬管的智能化加工方法中的功能中的步骤。
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 (8)
1.一种空调软硬管的智能化加工方法,其特征在于,包括:
获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像;
将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵;
将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵;
计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;
基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵;以及
将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求;
其中,所述基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵,包括:
计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵;以及
以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵;
其中,所述计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵,包括:
以如下公式计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部衍生矩阵来作为加权特征矩阵;
其中,所述公式为:
其中,和/>分别是所述空间增强软管特征矩阵、所述空间增强硬管特征矩阵和所述小尺度局部衍生矩阵的第(i,j)位置的向量值。
2.根据权利要求1所述的空调软硬管的智能化加工方法,其特征在于,所述将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵,包括:
使用所述卷积神经网络模型的各层在层的正向传递中分别进行:
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基于局部特征矩阵的均值池化以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述软管特征矩阵或硬管特征矩阵,所述卷积神经网络模型的第一层的输入为所述第一截面图像或所述第二截面图像。
3.根据权利要求2所述的空调软硬管的智能化加工方法,其特征在于,所述将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵,包括:
使用所述空间注意力模块的卷积编码部分对所述软管特征矩阵和所述硬管特征矩阵分别进行深度卷积编码以得到软管初始卷积特征图和硬管初始卷积特征图;
将所述软管初始卷积特征图和所述硬管初始卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到软管空间注意力图和硬管空间注意力图;
将所述软管空间注意力图和所述硬管空间注意力图分别通过Softmax激活函数以得到软管空间注意力特征图和硬管空间注意力特征图;
计算所述软管空间注意力特征图和所述软管初始卷积特征图的按位置点乘以得到软管特征图,计算所述硬管空间注意力特征图和所述硬管初始卷积特征图的按位置点乘以得到硬管特征图;以及
对所述软管特征图和所述硬管特征图分别进行沿通道维度的全局均值池化处理以得到所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵。
4.根据权利要求3所述的空调软硬管的智能化加工方法,其特征在于,所述计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵,包括:
以如下公式计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;
其中,所述公式为:
其中Ma表示所述空间增强软管特征矩阵,Mb表示所述空间增强硬管特征矩阵,M表示所述转移矩阵,表示矩阵相乘。
5.根据权利要求4所述的空调软硬管的智能化加工方法,其特征在于,所述将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求,包括:
将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;
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编码分类特征向量;以及
将所述编码分类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。
6.一种空调软硬管的智能化加工系统,其特征在于,包括:
图像获取模块,用于获取待检测空调软管的第一截面图像和待检测空调硬管的第二截面图像;
图像特征提取模块,用于将所述第一截面图像和所述第二截面图像通过作为特征提取器的卷积神经网络模型以得到软管特征矩阵和硬管特征矩阵;
空间注意力增强模块,用于将所述软管特征矩阵和所述硬管特征矩阵通过空间注意力模块以得到空间增强软管特征矩阵和空间增强硬管特征矩阵;
转移关联模块,用于计算所述空间增强软管特征矩阵相对于所述空间增强硬管特征矩阵的转移矩阵以得到分类特征矩阵;
小尺度特征关联优化模块,用于基于所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵,对所述分类特征矩阵进行小尺度特征关联优化以得到优化分类特征矩阵;以及
检测结果生成模块,用于将所述优化分类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硬管和待检测软管的成型质量是否满足密封装配预定要求;
其中,所述小尺度特征关联优化模块,包括:小尺度局部衍生单元,用于计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵之间的小尺度局部衍生矩阵;以及,优化单元,用于以所述小尺度局部衍生矩阵作为加权矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化分类特征矩阵;
其中,所述小尺度局部衍生单元,用于:以如下公式计算所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵的小尺度局部衍生矩阵来作为加权特征矩阵;其中,所述公式为:
其中,和/>分别是所述空间增强软管特征矩阵、所述空间增强硬管特征矩阵和所述小尺度局部衍生矩阵的第(i,j)位置的向量值。
7.根据权利要求6所述的空调软硬管的智能化加工系统,其特征在于,所述图像特征提取模块,进一步用于:
使用所述卷积神经网络模型的各层在层的正向传递中分别进行:
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基于局部特征矩阵的均值池化以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述软管特征矩阵或硬管特征矩阵,所述卷积神经网络模型的第一层的输入为所述第一截面图像或所述第二截面图像。
8.根据权利要求7所述的空调软硬管的智能化加工系统,其特征在于,所述空间注意力增强模块,进一步用于:
使用所述空间注意力模块的卷积编码部分对所述软管特征矩阵和所述硬管特征矩阵分别进行深度卷积编码以得到软管初始卷积特征图和硬管初始卷积特征图;
将所述软管初始卷积特征图和所述硬管初始卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到软管空间注意力图和硬管空间注意力图;
将所述软管空间注意力图和所述硬管空间注意力图分别通过Softmax激活函数以得到软管空间注意力特征图和硬管空间注意力特征图;
计算所述软管空间注意力特征图和所述软管初始卷积特征图的按位置点乘以得到软管特征图,计算所述硬管空间注意力特征图和所述硬管初始卷积特征图的按位置点乘以得到硬管特征图;以及
对所述软管特征图和所述硬管特征图分别进行沿通道维度的全局均值池化处理以得到所述空间增强软管特征矩阵和所述空间增强硬管特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310020766.5A CN116030014B (zh) | 2023-01-06 | 2023-01-06 | 空调软硬管的智能化加工方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310020766.5A CN116030014B (zh) | 2023-01-06 | 2023-01-06 | 空调软硬管的智能化加工方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030014A CN116030014A (zh) | 2023-04-28 |
CN116030014B true CN116030014B (zh) | 2024-04-09 |
Family
ID=86070311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310020766.5A Active CN116030014B (zh) | 2023-01-06 | 2023-01-06 | 空调软硬管的智能化加工方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030014B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404871A (zh) * | 2015-11-25 | 2016-03-16 | 中山大学 | 基于多尺度联合学习的无交叠视域摄像头之间的低分辨率行人匹配方法 |
CN107292242A (zh) * | 2017-05-31 | 2017-10-24 | 华为技术有限公司 | 一种虹膜识别方法和终端 |
CN107341798A (zh) * | 2017-07-06 | 2017-11-10 | 西安电子科技大学 | 基于全局‑局部SPP Net的高分辨SAR图像变化检测方法 |
CN107561240A (zh) * | 2017-08-23 | 2018-01-09 | 湖南城市学院 | 一种利用草坪草‑微生物联合修复镉污染土壤的评价方法 |
CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
CN110322486A (zh) * | 2018-03-30 | 2019-10-11 | 张�杰 | 新型灰度信息图像配准方法 |
CN111428557A (zh) * | 2020-02-18 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
WO2021188558A1 (en) * | 2020-03-17 | 2021-09-23 | Nvidia Corporation | Denoising techniques for recurrent blurs in ray-tracing applications |
WO2021212749A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 命名实体标注方法、装置、计算机设备和存储介质 |
CN115359300A (zh) * | 2022-08-30 | 2022-11-18 | 德玛克(长兴)精密机械有限公司 | 风力发电机部件智能化加工制造系统及其制造方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014008686B4 (de) * | 2014-06-13 | 2017-04-06 | Basler Aktiengesellschaft | Verfahren und Vorrichtung zur Farbinterpolation |
CN112215223B (zh) * | 2020-10-16 | 2024-03-19 | 清华大学 | 基于多元注意力机制的多方向场景文字识别方法及系统 |
CN113222041B (zh) * | 2021-05-24 | 2022-06-07 | 北京航空航天大学 | 图结构表征的高阶关联发现细粒度图像识别方法及装置 |
-
2023
- 2023-01-06 CN CN202310020766.5A patent/CN116030014B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404871A (zh) * | 2015-11-25 | 2016-03-16 | 中山大学 | 基于多尺度联合学习的无交叠视域摄像头之间的低分辨率行人匹配方法 |
CN107292242A (zh) * | 2017-05-31 | 2017-10-24 | 华为技术有限公司 | 一种虹膜识别方法和终端 |
CN107341798A (zh) * | 2017-07-06 | 2017-11-10 | 西安电子科技大学 | 基于全局‑局部SPP Net的高分辨SAR图像变化检测方法 |
CN107561240A (zh) * | 2017-08-23 | 2018-01-09 | 湖南城市学院 | 一种利用草坪草‑微生物联合修复镉污染土壤的评价方法 |
CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
CN110322486A (zh) * | 2018-03-30 | 2019-10-11 | 张�杰 | 新型灰度信息图像配准方法 |
CN111428557A (zh) * | 2020-02-18 | 2020-07-17 | 深圳壹账通智能科技有限公司 | 基于神经网络模型的手写签名的自动校验的方法和装置 |
WO2021188558A1 (en) * | 2020-03-17 | 2021-09-23 | Nvidia Corporation | Denoising techniques for recurrent blurs in ray-tracing applications |
WO2021212749A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 命名实体标注方法、装置、计算机设备和存储介质 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN115359300A (zh) * | 2022-08-30 | 2022-11-18 | 德玛克(长兴)精密机械有限公司 | 风力发电机部件智能化加工制造系统及其制造方法 |
Non-Patent Citations (3)
Title |
---|
Feature selection via global redundancy minimization;Wang D, et al;IEEE transactions on Knowledge and data engineering;20150507;第2743-2755页 * |
Small-scale building load forecast based on hybrid forecast engine;Mohammadi M, et al;Neural Processing Letters;20171014;第329-351页 * |
基于机器学习的液压泵装配质量检测技术研究;刘康;中国科学院大学(中国科学院长春光学精密机械与物理研究所);20190815;第1-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116030014A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN108959482B (zh) | 基于深度学习的单轮对话数据分类方法、装置和电子设备 | |
CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
CN114724386B (zh) | 智慧交通下的短时交通流量预测方法、系统和电子设备 | |
CN116285481A (zh) | 涂料的生产加工方法及其系统 | |
CN116167148A (zh) | 基于局域微气候的城市街区形态优化方法及其系统 | |
CN112923523A (zh) | 一种基于物联网数据链的智能型新风系统调控方法 | |
CN116659043A (zh) | 可减少碳排放的绿色建筑结构的控制系统及其方法 | |
CN116308754A (zh) | 一种银行信贷风险预警系统及其方法 | |
CN115410069A (zh) | 基于多重注意力机制的故障检测方法及其系统 | |
CN116627040A (zh) | 烘干器控制系统及其方法 | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
CN116030014B (zh) | 空调软硬管的智能化加工方法及其系统 | |
CN112465805A (zh) | 用于钢筋冲压折弯的质量检测的神经网络的训练方法 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
CN111383245B (zh) | 视频检测方法、视频检测装置和电子设备 | |
CN115631176A (zh) | 艺术设计教学系统及其方法 | |
CN114120074B (zh) | 基于语义增强的图像识别模型的训练方法和训练装置 | |
CN116258947A (zh) | 适用于家居定制行业的工业自动化处理方法及系统 | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
CN116467485A (zh) | 一种视频图像检索构建系统及其方法 | |
CN112734016A (zh) | 用于钢筋表面的光滑程度检测的神经网络的训练方法 |
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 |