CN116129168A - 一种鞋子的智能化加工方法 - Google Patents
一种鞋子的智能化加工方法 Download PDFInfo
- Publication number
- CN116129168A CN116129168A CN202211440513.5A CN202211440513A CN116129168A CN 116129168 A CN116129168 A CN 116129168A CN 202211440513 A CN202211440513 A CN 202211440513A CN 116129168 A CN116129168 A CN 116129168A
- Authority
- CN
- China
- Prior art keywords
- feature map
- scale
- classification
- feature
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (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)
Abstract
本申请涉及智能加工技术领域,其具体地公开了一种鞋子的智能化加工方法,其通过摄像头采集待检测鞋子的六视图,然后,通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵,接着,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量,并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图,优选的,计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合,通过这样的方式,提高对于待检测鞋子的质量检测的精准度。
Description
技术领域
本申请涉及智能加工技术领域,且更为具体地,涉及一种鞋子的智能化加工方法。
背景技术
鞋子是人们保护脚不受伤的一种工具。各种样式功能的鞋子随处可见,包括运动鞋、女鞋、童鞋、凉鞋之类。在传统的鞋子的制备中,不同类型的鞋子因款式不同,需要构造专门的检测产线,以判断其所加工的鞋子的成型质量是否满足预定要求。如果产品的款式多,其检测产线会占据很大的空间,且如果款式发生调整,又得构筑新的检测产线,无疑增加了额外的成本。
因此,期待一种优化的鞋子的智能化加工方案。
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鞋子的智能化加工方法,其通过摄像头采集待检测鞋子的六视图,然后,通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵,接着,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量,并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图,优选的,计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合,通过这样的方式,提高对于待检测鞋子的质量检测的精准度。
根据本申请的一个方面,提供了一种鞋子的智能化加工方法,其包括:
获取待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像;
将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵;
将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量;
将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图;
将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度;
融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图;以及
将所述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鞋子的成型质量是否满足预定要求。
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鞋子的智能化加工方法。
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鞋子的智能化加工方法。
与现有技术相比,本申请提供的一种鞋子的智能化加工方法,其通过摄像头采集待检测鞋子的六视图,然后,通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵,接着,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量,并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图,优选的,计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合,通过这样的方式,提高对于待检测鞋子的质量检测的精准度。
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鞋子的智能化加工方法的应用场景图。
图2图示了根据本申请实施例的鞋子的智能化加工方法的流程图。
图3图示了根据本申请实施例的鞋子的智能化加工方法的系统架构的示意图。
图4图示了根据本申请实施例的鞋子的智能化加工方法中,融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图的流程图。
图5图示了根据本申请实施例的鞋子的智能化加工方法中,将所述分类特征图通过分类器以得到分类结果的流程图。
图6图示了根据本申请实施例的鞋子的智能化加工系统的框图示意图。
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,在传统的鞋子的制备中,不同类型的鞋子因款式不同,需要构造专门的检测产线,以判断其所加工的鞋子的成型质量是否满足预定要求。如果产品的款式多,其检测产线会占据很大的空间,且如果款式发生调整,又得构筑新的检测产线,无疑增加了额外的成本。因此,期待一种优化的鞋子的智能化加工方案,其能够针对不同款式和不同类型的鞋使用同样的质检方案,也就是,所述智能化加工方案包括适用于不同款式和不同类型的鞋的通用型质检方案。
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鞋的通用型质检方案的构建提供了新的解决思路和方案。
具体地,对于任何鞋来说,其成型质量的检测都可以通过对其六视图的观察和分析来实现。也就是说,可通过基于深度神经网络的机器视觉技术来对待检测鞋的六视图进行处理以得到用于表示待检测鞋的成型质量是否满足预定标准的分类结果。值得一提的是,因图像特征提取不仅可捕捉到被检测鞋子的表观特征,例如,颜色、纹理等,还可以捕捉到鞋的各个部分的结构特征在图像端的表现,并还可以捕捉到鞋子的材料特征等,因此,基于机器视觉所构建的鞋子质检方案能够一次性对鞋子的各方面性能进行总和判断,以得到更为全局和合理的质检评估指标。
在本申请的技术方案中,首先获取由摄像头采集的待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像。在具体实施例中,可将待检测鞋子放置于预设平台,并通过六个摄像头从六个视角得到所述六视图。接着,将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵。这里,在本申请的技术方案中,使用在图像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捕捉被检测鞋子的各个局部视角检测图像的图像特征。考虑到卷积神经网络模型在编码时,其浅层特征更多表现被测对象的纹理、形状和轮廓,更深层特征更多地表现被测对象的实质性特征,例如,材料、性能等。因此,为了提高质检的精准度,在本申请的技术方案中,对卷积神经网络模型的特征输出机制进行优化,具体地,将深浅特征融合机制集成于所述卷积神经网络模型以得到包含深浅特征融合模块的第一卷积神经网络模型。
在得到所述第一至第六检测图像的第一至第六特征矩阵后,考虑到在质检中,还需要考虑各个局部视角图像之间的关联。因此,在本申请的技术方案中,首先将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量,也就是,在高维特征空间中,将所述第一至第六特征矩阵进行聚合以得到所述三维输入张量。
接着,将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图,同时,将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度。也就是,使用具有不同尺度的三维卷积核的卷积神经网络模型对所述三维输入张量进行多尺度三维卷积编码以提取不同尺寸的局部视角图像特征的不同局部视角之间的关联特征表示。应可以理解,相较于常规的二维卷积核,所述三维卷积核具有三个维度:高度、宽度和通道数(所述三维卷积核的尺度为高度×宽度×通道数),在进行三维卷积编码时,所述三维卷积核的高度和宽度维度对应于所述三维输入张量的空间维度,而所述三维卷积核的通道维度对应于所述三维输入张量的通道维度,因此,其能够提取所述第一至第六特征矩阵的局部特征表示在不同视角之间的关联特征。
在得到所述第一尺度关联特征图和所述第二尺度关联特征图后,融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图。进而,将所述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鞋子的成型质量是否满足预定要求。
特别地,在本申请的技术方案中,为了充分利用所述第一尺度关联特征图和所述第二尺度关联特征图所表达的不同尺度下的关联特征,优选地通过直接在通道维度上级联所述第一尺度关联特征图和所述第二尺度关联特征图得到所述分类特征图,这样,就期望所述第一尺度关联特征图和所述第二尺度关联特征图作为局部特征分布与所述分类特征图的全局特征分布之间具有较高的相关性。
这里,在提升局部特征分布相对于全局特征分布的显式关联的情况下,可以通过对于所述第一尺度关联特征图和所述第二尺度关联特征图设置作为超参数的预定权重来实现。但是,由于作为超参数的权重需要在模型训练过程中得到,这会增加模型的训练负担,因而可以采用计算所述第一尺度关联特征图和所述第二尺度关联特征图的多分布二元分类连续性因数的方式来作为所述预定权重,所述多分布二元分类连续性因数表示为:
softmaxv(F)=[p(F),1-p(F)]
其中,F1和F2分别是所述第一尺度关联特征图和所述第二尺度关联特征图,Fr是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图,例如可以设置为所述第一尺度关联特征图和所述第二尺度关联特征图的均值特征图,p(F)表示特征图通过分类器所获得的概率值。
也就是,为了避免所述第一尺度关联特征图和所述第二尺度关联特征图在基于特征分布的分类任务下,由于所述第一尺度关联特征图和所述第二尺度关联特征图的局部特征分布对应的决策边界的过度碎片化而使得向着目标分类域的收敛困难,通过计算所述第一尺度关联特征图和所述第二尺度关联特征图的局部特征分布相对于全局平均特征分布的二元分类的类概率偏移分布模信息,来预测所述第一尺度关联特征图和所述第二尺度关联特征图的局部特征分布相对于全局特征分布的分类连续性因数。这样,通过以其作为权重对所述第一尺度关联特征图和所述第二尺度关联特征图进行加权,就可以将超参数在训练中的优化从反向传播转换为基于多分布各自的二元分类的分类问题,从而提高所述分类特征图的分类结果的准确性。这样,提高对于待检测鞋子的质量检测的精准度。
基于此,本申请提供了一种鞋子的智能化加工方法,其包括:获取待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像;将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵;将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量;将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图;将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度;融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图;以及,将所述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鞋子的成型质量是否满足预定要求。
图1图示了根据本申请实施例的鞋子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,将待检测鞋子(例如,如图1中所示意的X)放置于预设平台,通过摄像头(例如,如图1中所示意的C1-C6)采集待检测鞋子的六视图(例如,如图1中所示意的F1-F6)。然后,将采集的所述待检测鞋子的六视图输入至部署有鞋子的智能化加工算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述鞋子的智能化加工算法对所述待检测鞋子的六视图进行处理以生成用于表示待检测鞋子的成型质量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所述智能化加工方法,包括:S110,获取待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像;S120,将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵;S130,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量;S140,将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图;S150,将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度;S160,融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图;以及,S170,将所述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鞋子的成型质量是否满足预定要求。
图3图示了根据本申请实施例的智能化加工方法的系统架构的示意图。如图3所示,在本申请实施例的所述智能化加工方法的系统架构中,首先,获取,获取待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像。然后,将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵。接着,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量,并将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图。同时,将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度。最后,融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图,并将所述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鞋子的成型质量是否满足预定要求。
在本申请实施例的步骤S110中,获取待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像。如上所述,在传统的鞋子的制备中,不同类型的鞋子因款式不同,需要构造专门的检测产线,以判断其所加工的鞋子的成型质量是否满足预定要求。如果产品的款式多,其检测产线会占据很大的空间,且如果款式发生调整,又得构筑新的检测产线,无疑增加了额外的成本。因此,期待一种优化的鞋子的智能化加工方案,其能够针对不同款式和不同类型的鞋使用同样的质检方案,也就是,所述智能化加工方案包括适用于不同款式和不同类型的鞋的通用型质检方案。
具体地,对于任何鞋来说,其成型质量的检测都可以通过对其六视图的观察和分析来实现。也就是说,可通过基于深度神经网络的机器视觉技术来对待检测鞋的六视图进行处理以得到用于表示待检测鞋的成型质量是否满足预定标准的分类结果。值得一提的是,因图像特征提取不仅可捕捉到被检测鞋子的表观特征,例如,颜色、纹理等,还可以捕捉到鞋的各个部分的结构特征在图像端的表现,并还可以捕捉到鞋子的材料特征等,因此,基于机器视觉所构建的鞋子质检方案能够一次性对鞋子的各方面性能进行总和判断,以得到更为全局和合理的质检评估指标。
在本申请一个具体的实施例中,将待检测鞋子放置于预设平台,通过摄像头采集待检测鞋子的六视图。
在本申请实施例的步骤S120中,将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵。应可以,考虑到卷积神经网络模型在图像特征提取领域具有优异性能表现,因此,在本申请的技术方案中,使用卷积神经网络模型作为特征提取器来捕捉被检测鞋子的各个局部视角检测图像的图像特征。更进一步,考虑到卷积神经网络模型在编码时,其浅层特征更多表现鞋子的纹理、形状和轮廓,更深层特征更多地表现鞋子的实质性特征,例如,材料、性能等,而随着卷积编码的加深,其提取到的浅层特征会逐渐丢失。因此,为了提高质检的精准度,在本申请的技术方案中,对卷积神经网络模型的特征输出机制进行优化,具体地,将深浅特征融合机制集成于所述卷积神经网络模型以得到包含深浅特征融合模块的第一卷积神经网络模型。
在本申请一个具体的实施例中,所述将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵,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对输入数据分别进行:对所述输入数据进行基于二维卷积核的卷积处理以得到卷积编码图;对所述卷积编码图进行沿通道维度的池化处理以得到池化编码图;以及,对所述池化编码图进行非线性激活以得到激活编码图。
更具体地,在本申请的一个实施例中,通过二维卷积核在所述输入数据上滑动,并且在每个位置上进行值的计算,以提取输入数据的高维局部隐含特征,得到所述卷积编码图;再通过对所述卷积特征图进行沿通道维度的平均值池化处理或者最大值池化处理以获得所述池化编码图,通过全局池化处理,可以提取主要特征,同时减小参数的数量并减小过拟合。然后,选择激活函数对所述池化特征图行激活以得到激活编码图,例如Sigmoid激活函数,通过激活函数引入非线性因素,以增加整个网络的表征能力。
在本申请一个具体的实施例中,所述将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵,包括:从所述第一卷积神经网络模型的第i层提取浅层特征矩阵,所述第i层为所述第一卷积神经网络模型的第一层至第六层;从所述第一卷积神经网络模型的第j层提取深层特征矩阵,所述第j层与所述第i层之间的比值大于等于5;以及,使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述第一至第六特征矩阵中的各个特征矩阵。
进一步地,使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述第一至第六特征矩阵中的各个特征矩阵,包括,对所述浅层特征矩阵和所述深层特征矩阵进行按位置加权以得到所述第一至第六特征矩阵中的各个特征矩阵。
在本申请实施例的步骤S130中,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量。考虑到在质检中,还需要考虑各个局部视角图像之间的关联。因此,在本申请的技术方案中,需要将所述第一至第六特征矩阵放到一个数据域中进行关联。具体地,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量,也就是,在高维特征空间中,将所述第一至第六特征矩阵进行聚合以得到所述三维输入张量。
在本申请实施例的步骤S140中,将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图。应可以理解,考虑到待检测的六视图相互之间都是关联的,如正视图的高和侧视图的高相同,正视图的右边缘和右视图的左边缘具有关联特征,而相较于常规的二维卷积核,所述三维卷积核具有三个维度:高度、宽度和通道数(所述三维卷积核的尺度为高度×宽度×通道数),在进行三维卷积编码时,所述三维卷积核的高度和宽度维度对应于所述三维输入张量的空间维度,而所述三维卷积核的通道维度对应于所述三维输入张量的通道维度,因此,在本申请的技术方案中,使用第一三维卷积核的第二卷积神经网络模型提取所述第一至第六特征矩阵的局部特征表示在不同视角之间的关联特征。
在本申请一个具体的实施例中,所述将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图,包括:基于所述第一三维卷积核对所述输入数据进行第一尺度的三维卷积处理以得到第一卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第一池化特征图;以及,对所述池化特征图进行非线性激活以得到第一激活特征图;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第一尺度关联特征图,所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在本申请实施例的步骤S150中,将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度。应可以理解,考虑到鞋子是个空间结构,除了相邻视图具有关联图像,相对视图也具有关联特征,而单一尺寸的卷积核无法提取到不同尺寸的局部视角图像特征的不同局部视角之间的关联特征表示,因此,使用具有不同尺度的第二三维卷积核的卷积神经网络模型对所述三维输入张量进行不同尺度的三维卷积编码以提取不同尺寸的局部视角图像特征的不同局部视角之间的关联特征表示。
在本申请一个具体的实施例中,所述将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,包括:基于所述第二三维卷积核对所述输入数据进行第二尺度的三维卷积处理以得到第二卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第二池化特征图;以及,对所述池化特征图进行非线性激活以得到第二激活特征图;其中,所述第三卷积神经网络模型的最后一层的输出为所述第二尺度关联特征图,所述第三卷积神经网络模型的第一层的输入为所述三维输入张量。
在本申请实施例的步骤S160中,融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图。特别地,在本申请的技术方案中,为了充分利用所述第一尺度关联特征图和所述第二尺度关联特征图所表达的不同尺度下的关联特征,优选地通过直接在通道维度上级联所述第一尺度关联特征图和所述第二尺度关联特征图得到所述分类特征图,这样,就期望所述第一尺度关联特征图和所述第二尺度关联特征图作为局部特征分布与所述分类特征图的全局特征分布之间具有较高的相关性。
这里,在提升局部特征分布相对于全局特征分布的显式关联的情况下,可以通过对于所述第一尺度关联特征图和所述第二尺度关联特征图设置作为超参数的预定权重来实现。但是,由于作为超参数的权重需要在模型训练过程中得到,这会增加模型的训练负担,因而可以采用计算所述第一尺度关联特征图和所述第二尺度关联特征图的多分布二元分类连续性因数的方式来作为所述预定权重。
图4图示了根据本申请实施例的鞋子的智能化加工方法中,融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图的流程图。如图4所示,在本申请一个具体的实施例中,所述融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图,包括:S210,计算所述第一尺度关联特征图的第一优化因子;S220,计算所述第二尺度关联特征图的第二优化因子;S230,以所述第一优化因子和所述第二优化因子作为权重分别对所述第一尺度关联特征图和所述第二尺度关联特征图进行加权以得到加权后第一尺度关联特征图和加权后第二尺度关联特征图;以及,S240,融合所述加权后第一尺度关联特征图和所述加权后第二尺度关联特征图以得到所述分类特征图。
在本申请一个具体的实施例中,所述融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图,包括,以如下公式来计算所述第一尺度关联特征图的第一优化因子;
其中,所述公式为:
softmaxv(F)=[p(F),1-p(F)]
其中,F1是所述第一尺度关联特征图,Fr是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图,p(F)表示特征图通过分类器所获得的概率值,||·||2表示向量的2范数,log(·)表示以2的为底的对数函数值,且w1表示所述第一优化因子;
以如下公式来计算所述第二尺度关联特征图的第二优化因子;
其中,所述公式为:
softmaxv(F)=[p(F),1-p(F)]
其中,F2是所述第二尺度关联特征图,Fr是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图,p(F)表示特征图通过分类器所获得的概率值,||·||2表示向量的2范数,log(·)表示以2的为底的对数函数值,且w2表示所述第二优化因子。
也就是,为了避免所述第一尺度关联特征图和所述第二尺度关联特征图在基于特征分布的分类任务下,由于所述第一尺度关联特征图和所述第二尺度关联特征图的局部特征分布对应的决策边界的过度碎片化而使得向着目标分类域的收敛困难,通过计算所述第一尺度关联特征图和所述第二尺度关联特征图的局部特征分布相对于全局平均特征分布的二元分类的类概率偏移分布模信息,来预测所述第一尺度关联特征图和所述第二尺度关联特征图的局部特征分布相对于全局特征分布的分类连续性因数。这样,通过以其作为权重对所述第一尺度关联特征图和所述第二尺度关联特征图进行加权,就可以将超参数在训练中的优化从反向传播转换为基于多分布各自的二元分类的分类问题,从而提高所述分类特征图的分类结果的准确性。这样,提高对于待检测鞋子的质量检测的精准度。
在本申请一个具体的实施例中,所述融合所述加权后第一尺度关联特征图和所述加权后第二尺度关联特征图以得到所述分类特征图,包括:对所述第一尺度关联特征图和所述第二尺度关联特征图进行沿通道维度的级联以得到所述分类特征图。
在本申请实施例的步骤S170中,将所述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鞋子的成型质量是否满足预定要求。
图5图示了根据本申请实施例的鞋子的智能化加工方法中,将所述分类特征图通过分类器以得到分类结果的流程图。如图5所示,在本申请一个具体的实施例中,所述将所述分类特征图通过分类器以得到分类结果,包括:S310,使用所述分类器的全连接层对所述分类特征图进行全连接编码以得到分类特征向量;S320,将所述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特征向量归属于各个分类标签的概率值,所述分类标签包括所述待检测鞋子的成型质量满足预定要求和所述待检测鞋子的成型质量不满足预定要求;以及,S330,将所述概率值中最大者对应的分类标签确定为所述分类结果。
综上,基于本申请实施例的所述鞋子的智能化加工方法,其通过摄像头采集待检测鞋子的六视图,然后,通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵,接着,将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量,并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图,优选的,计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合,通过这样的方式,提高对于待检测鞋子的质量检测的精准度。
示例性系统
图6图示了根据本申请实施例的鞋子的智能化加工系统的框图示意图。如图6所示,根据本申请实施例的所述鞋子的智能化加工系统100,包括:图像获取模块110,用于获取待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像;第一卷积编码模块120,用于将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵;排列模块130,用于将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量;第二卷积编码模块140,用于将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图;第三卷积编码模块150,用于将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度;融合模块160,用于融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图;以及,分类模块170,用于将所述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鞋子的成型质量是否满足预定要求。
在本申请一个具体的实施例中,所述第一卷积编码模块,包括:浅层特征提取单元,用于从所述第一卷积神经网络模型的第i层提取浅层特征矩阵,所述第i层为所述第一卷积神经网络模型的第一层至第六层;深层特征提取单元,用于从所述第一卷积神经网络模型的第j层提取深层特征矩阵,所述第j层与所述第i层之间的比值大于等于5;以及,浅深层融合单元,用于使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述第一至第六特征矩阵中的各个特征矩阵。
在本申请一个具体的实施例中,所述第二卷积编码模块,进一步用于:基于所述第一三维卷积核对所述输入数据进行第一尺度的三维卷积处理以得到第一卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第一池化特征图;以及对所述池化特征图进行非线性激活以得到第一激活特征图;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第一尺度关联特征图,所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在本申请一个具体的实施例中,所述第三卷积编码模块,进一步用于:基于所述第二三维卷积核对所述输入数据进行第二尺度的三维卷积处理以得到第二卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第二池化特征图;以及,对所述池化特征图进行非线性激活以得到第二激活特征图;其中,所述第三卷积神经网络模型的最后一层的输出为所述第二尺度关联特征图,所述第三卷积神经网络模型的第一层的输入为所述三维输入张量。
在本申请一个具体的实施例中,所述融合模块,包括:第一优化因子计算单元,用于以如下公式来计算所述第一尺度关联特征图的第一优化因子;其中,所述公式为:
softmaxv(F)=[p(F),1-p(F)]
其中,F1是所述第一尺度关联特征图,Fr是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图,p(F)表示特征图通过分类器所获得的概率值,||·||2表示向量的2范数,log(·)表示以2的为底的对数函数值,且w1表示所述第一优化因子;
第二优化因子计算单元,用于以如下公式来计算所述第二尺度关联特征图的第二优化因子;其中,所述公式为:
softmaxv(F)=[p(F),1-p(F)]
其中,F2是所述第二尺度关联特征图,Fr是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图,p(F)表示特征图通过分类器所获得的概率值,||·||2表示向量的2范数,log(·)表示以2的为底的对数函数值,且w2表示所述第二优化因子;加权单元,用于以所述第一优化因子和所述第二优化因子作为权重分别对所述第一尺度关联特征图和所述第二尺度关联特征图进行加权以得到加权后第一尺度关联特征图和加权后第二尺度关联特征图;以及,融合单元,用于融合所述加权后第一尺度关联特征图和所述加权后第二尺度关联特征图以得到所述分类特征图。
在本申请一个具体的实施例中,所述融合单元,进一步用于:对所述第一尺度关联特征图和所述第二尺度关联特征图进行沿通道维度的级联以得到所述分类特征图。
在本申请一个具体的实施例中,所述分类模块,包括:全连接编码单元,用于使用所述分类器的全连接层对所述分类特征图进行全连接编码以得到分类特征向量;软最大值计算单元,用于将所述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特征向量归属于各个分类标签的概率值,所述分类标签包括所述待检测鞋子的成型质量满足预定要求和所述待检测鞋子的成型质量不满足预定要求;结果确定单元,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
这里,本领域技术人员可以理解,上述鞋子的智能化加工系统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5的鞋子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所述鞋子的智能化加工系统100可以实现在各种终端设备中,例如部署有鞋子的智能化加工算法的服务器等。在一个示例中,根据鞋子的智能化加工系统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,该鞋子的智能化加工系统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,该鞋子的智能化加工系统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,该鞋子的智能化加工系统100与该终端设备也可以是分立的设备,并且鞋子的智能化加工系统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,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7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鞋子的智能化加工以及/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鞋子的六视图等各种内容。
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,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
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智能化加工方法的步骤。
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智能化加工方法的步骤。
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 (7)
1.一种鞋子的智能化加工方法,其特征在于,包括:获取待检测鞋子的六视图,所述待检测鞋子的六视图为第一至第六检测图像;将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵;将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量;将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图;将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,所述第二三维卷积核与所述第一三维卷积核具有不同的尺度;融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图;以及将所述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鞋子的成型质量是否满足预定要求。
2.根据权利要求1所述的鞋子的智能化加工方法,其特征在于,所述将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵,包括:从所述第一卷积神经网络模型的第i层提取浅层特征矩阵,所述第i层为所述第一卷积神经网络模型的第一层至第六层;从所述第一卷积神经网络模型的第j层提取深层特征矩阵,所述第j层与所述第i层之间的比值大于等于5;以及使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述第一至第六特征矩阵中的各个特征矩阵。
3.根据权利要求2所述的鞋子的智能化加工方法,其特征在于,所述将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图,包括:基于所述第一三维卷积核对所述输入数据进行第一尺度的三维卷积处理以得到第一卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第一池化特征图;以及对所述池化特征图进行非线性激活以得到第一激活特征图;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第一尺度关联特征图,所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
4.根据权利要求3所述的鞋子的智能化加工方法,其特征在于,所述将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图,包括:基于所述第二三维卷积核对所述输入数据进行第二尺度的三维卷积处理以得到第二卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第二池化特征图;以及对所述池化特征图进行非线性激活以得到第二激活特征图;其中,所述第三卷积神经网络模型的最后一层的输出为所述第二尺度关联特征图,所述第三卷积神经网络模型的第一层的输入为所述三维输入张量。
5.根据权利要求4所述的鞋子的智能化加工方法,其特征在于,所述融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图,包括:以如下公式来计算所述第一尺度关联特征图的第一优化因子;
其中,所述公式为:
softmaxv(F)=[p(F),1-p(F)]
其中,F1是所述第一尺度关联特征图,Fr是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图,p(F)表示特征图通过分类器所获得的概率值,||·||2表示向量的2范数,log(·)表示以2的为底的对数函数值,且w1表示所述第一优化因子;以如下公式来计算所述第二尺度关联特征图的第二优化因子;其中,所述公式为:
softmaxv(F)=[p(F),1-p(F)]
其中,F2是所述第二尺度关联特征图,Fr是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图,p(F)表示特征图通过分类器所获得的概率值,||·||2表示向量的2范数,log(·)表示以2的为底的对数函数值,且w2表示所述第二优化因子;以所述第一优化因子和所述第二优化因子作为权重分别对所述第一尺度关联特征图和所述第二尺度关联特征图进行加权以得到加权后第一尺度关联特征图和加权后第二尺度关联特征图;以及融合所述加权后第一尺度关联特征图和所述加权后第二尺度关联特征图以得到所述分类特征图。
6.根据权利要求5所述的鞋子的智能化加工方法,其特征在于,所述融合所述加权后第一尺度关联特征图和所述加权后第二尺度关联特征图以得到所述分类特征图,包括:对所述第一尺度关联特征图和所述第二尺度关联特征图进行沿通道维度的级联以得到所述分类特征图。
7.根据权利要求6所述的鞋子的智能化加工方法,其特征在于,所述将所述分类特征图通过分类器以得到分类结果,包括:使用所述分类器的全连接层对所述分类特征图进行全连接编码以得到分类特征向量;将所述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特征向量归属于各个分类标签的概率值,所述分类标签包括所述待检测鞋子的成型质量满足预定要求和所述待检测鞋子的成型质量不满足预定要求;将所述概率值中最大者对应的分类标签确定为所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211440513.5A CN116129168A (zh) | 2022-11-17 | 2022-11-17 | 一种鞋子的智能化加工方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211440513.5A CN116129168A (zh) | 2022-11-17 | 2022-11-17 | 一种鞋子的智能化加工方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116129168A true CN116129168A (zh) | 2023-05-16 |
Family
ID=86303396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211440513.5A Withdrawn CN116129168A (zh) | 2022-11-17 | 2022-11-17 | 一种鞋子的智能化加工方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129168A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-11-17 CN CN202211440513.5A patent/CN116129168A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
CN110866140B (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
Kato et al. | Image reconstruction from bag-of-visual-words | |
CA3145371A1 (en) | Systems and methods for image preprocessing | |
CN112434721A (zh) | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 | |
Guan et al. | A unified probabilistic model for global and local unsupervised feature selection | |
Jiang et al. | Blind image quality measurement by exploiting high-order statistics with deep dictionary encoding network | |
CN111768457B (zh) | 图像数据压缩方法、装置、电子设备和存储介质 | |
CN110414541B (zh) | 用于识别物体的方法、设备和计算机可读存储介质 | |
CN112232164A (zh) | 一种视频分类方法和装置 | |
CN115082745A (zh) | 基于图像的电缆绞线质量检测方法及其系统 | |
Fang et al. | Deep3DSaliency: Deep stereoscopic video saliency detection model by 3D convolutional networks | |
CN109522970B (zh) | 图像分类方法、装置及系统 | |
CN113240655B (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
CN114973222B (zh) | 基于显式监督注意力机制的场景文本识别方法 | |
CN116129168A (zh) | 一种鞋子的智能化加工方法 | |
CN116945258A (zh) | 模切机控制系统及其方法 | |
CN111967383A (zh) | 年龄估计方法、年龄估计模型的训练方法和装置 | |
CN116740808A (zh) | 基于深度学习目标检测和图像分类的动物行为识别方法 | |
Moran et al. | Optimal Tag Sets for Automatic Image Annotation. | |
Hsieh et al. | Video-based human action and hand gesture recognition by fusing factored matrices of dual tensors | |
JP7055848B2 (ja) | 学習装置、学習方法、学習プログラム、及び請求項マップ作成装置 | |
CN111967476B (zh) | 光场图像显著性特征提取、信息融合及预测损失评估方法 | |
CN114359132A (zh) | 利用文本描述生成图像进行行人搜索的方法 | |
CN114168780A (zh) | 多模态数据处理方法、电子设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230516 |