CN116129251A - 办公桌椅的智能化制造方法及其系统 - Google Patents

办公桌椅的智能化制造方法及其系统 Download PDF

Info

Publication number
CN116129251A
CN116129251A CN202310253478.4A CN202310253478A CN116129251A CN 116129251 A CN116129251 A CN 116129251A CN 202310253478 A CN202310253478 A CN 202310253478A CN 116129251 A CN116129251 A CN 116129251A
Authority
CN
China
Prior art keywords
feature
global
image
vectors
detected
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Withdrawn
Application number
CN202310253478.4A
Other languages
English (en)
Inventor
段元朝
薛旭
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.)
Huzhou Yiming Smart Home Co ltd
Original Assignee
Huzhou Yiming Smart Home 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 Huzhou Yiming Smart Home Co ltd filed Critical Huzhou Yiming Smart Home Co ltd
Priority to CN202310253478.4A priority Critical patent/CN116129251A/zh
Publication of CN116129251A publication Critical patent/CN116129251A/zh
Withdrawn legal-status Critical Current

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
    • G06V10/40—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
    • G06V10/764—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
    • G06V10/82—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)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种办公桌椅的智能化制造方法及其系统，其获取被检测第一办公家具的六视图和被检测第二办公家具的六视图；采用基于深度学习的人工智能技术，对被检测第一办公家具和被检测第二办公家具进行基于全局和/或基于局部的多维度图像对比，基于此对被检测第一办公家具和被检测第二办公家具进行一致性检测，以确保同一批次的办公家具具有高度的一致性。

Description

办公桌椅的智能化制造方法及其系统
技术领域
本申请涉及智能化制造技术领域，并且更具体地，涉及一种办公桌椅的智能化制造方法及其系统。
背景技术
办公桌椅是指用于办公使用的桌子和椅子。随着物联网、5G等技术的发展，传统的制备办公桌椅的制造厂商在往智能化和无人化的方向发展，以提高制备效率且提高产品的可控性。
在办公桌椅的智能化制备中，期待能够对同一批次的桌子或椅子进行一致性检测，以确保同一批次的桌子或椅子能够具有高度的一致性。这样如果产品的制备工序出现问题，能够通过产品的一致性检测来及时地发现并预警，以提升办公桌椅智能化产线的鲁棒性。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种办公桌椅的智能化制造方法及其系统，其获取被检测第一办公家具的六视图和被检测第二办公家具的六视图；采用基于深度学习的人工智能技术，对被检测第一办公家具和被检测第二办公家具进行基于全局和/或基于局部的多维度图像对比，基于此对被检测第一办公家具和被检测第二办公家具进行一致性检测，以确保同一批次的办公家具具有高度的一致性。
第一方面，提供了一种办公桌椅的智能化制造方法，其包括：
获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；
将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；
将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；
将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；
将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；
计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及
将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
在上述办公桌椅的智能化制造方法中，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：对所述第一检测图像进行图像分块处理以得到第一图像块的序列；使用所述图像块嵌入层分别对所述第一图像块的序列中的各个第一图像块进行嵌入编码以得到第一图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第一图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第一上下文图像块特征向量；以及，将所述多个第一上下文图像块特征向量进行级联以得到所述第一局部图像特征向量。
在上述办公桌椅的智能化制造方法中，将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：对所述第七检测图像进行图像分块处理以得到第七图像块的序列；使用所述图像块嵌入层分别对所述第七图像块的序列中的各个第七图像块进行嵌入编码以得到第七图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第七图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第七上下文图像块特征向量；以及，将所述多个第七上下文图像块特征向量进行级联以得到所述第七局部图像特征向量。
在上述办公桌椅的智能化制造方法中，将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图，包括：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第一全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第一输入矩阵。
在上述办公桌椅的智能化制造方法中，将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图，包括：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第二全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第二输入矩阵。
在上述办公桌椅的智能化制造方法中，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图，包括：将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量；计算所述第一全局关联特征向量和所述第二全局关联特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述第一全局关联特征向量和所述第二全局关联特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重值对所述第一全局关联特征图和所述第二全局关联特征图进行加权以得到优化后第一全局关联特征图和优化后第二全局关联特征图；以及，计算所述优化后第一全局关联特征图和所述优化后第二全局关联特征图之间的按位置差分以得到所述差分特征图。
在上述办公桌椅的智能化制造方法中，将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量，包括：将所述第一全局关联特征图和所述第二全局关联特征图分别按照行向量展开为所述第一全局关联特征向量和所述第二全局关联特征向量。
在上述办公桌椅的智能化制造方法中，计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数，包括：以如下距离指数公式计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述距离指数公式为：
Figure BDA0004128758410000031
Figure BDA0004128758410000032
其中，V1和V2分别是所述第一全局关联特征向量和所述第二全局关联特征向量，w1和w2分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数，μu表示所述第一全局关联特征向量和所述第二全局关联特征向量的加权均值向量，且∑u表示所述第一全局关联特征向量和所述第二全局关联特征向量的逐位置方差矩阵，其中向量为列向量，(·)T表示向量的转置向量，
Figure BDA0004128758410000033
表示按位置减法，
Figure BDA0004128758410000034
表示矩阵乘法。
在上述办公桌椅的智能化制造方法中，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准，包括：将所述差分特征图按照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。
第二方面，提供了一种办公桌椅的智能化制造系统，其包括：
图像获取模块，用于获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；
第一编码模块，用于将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；
第二编码模块，用于将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；
第一特征提取模块，用于将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；
第二特征提取模块，用于将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；
差分计算模块，用于计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及
一致性判断结果生成模块，用于将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
与现有技术相比，本申请提供的办公桌椅的智能化制造方法及其系统，其获取被检测第一办公家具的六视图和被检测第二办公家具的六视图；采用基于深度学习的人工智能技术，对被检测第一办公家具和被检测第二办公家具进行基于全局和/或基于局部的多维度图像对比，基于此对被检测第一办公家具和被检测第二办公家具进行一致性检测，以确保同一批次的办公家具具有高度的一致性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的办公桌椅的智能化制造方法的场景示意图。
图2为根据本申请实施例的办公桌椅的智能化制造方法的流程图。
图3为根据本申请实施例的办公桌椅的智能化制造方法的架构示意图。
图4为根据本申请实施例的办公桌椅的智能化制造方法中步骤120的子步骤的流程图。
图5为根据本申请实施例的办公桌椅的智能化制造方法中步骤130的子步骤的流程图。
图6为根据本申请实施例的办公桌椅的智能化制造方法中步骤160的子步骤的流程图。
图7为根据本申请实施例的办公桌椅的智能化制造方法中步骤170的子步骤的流程图。
图8为根据本申请实施例的办公桌椅的智能化制造系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
相应地，在本申请的技术方案中，对同一批次的桌子或椅子进行一致性检测可通过图像处理来实现。应可以理解，如果同一批次的办公桌子或办公椅子出现一致性偏差，两者之间的偏差会表现在办公桌子或办公椅子的图像表现上。
具体地，在本申请的技术方案中，首先获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，为了便于说明，在本申请的技术方案中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，且将所述被检测第二办公家具的六视图定义为第七至第十二检测图像。应可以理解，通过采集所述待检测第一办公家具和所述第二被检测办公家具的六视图可更为全面地展示被检测办公家具的各个侧面的图像呈现，进而可通过所述待检测第一办公家具和所述第二被检测办公家具的六视图对所述第一被检测办公家具和所述第二被检测办公家具进行基于全局和/或基于局部的多维度图像对比和分析以对两者进行一致性检测。
接着，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，且将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量。本领域普通技术人员应知晓，随着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。在图像处理方面，基于深度学习和神经网络的技术主要有两个技术主流：基于卷积神经网络和基于Transformer(转换器)。特别地，在本申请的技术方案中，采用基于转换器的ViT模型作为图像特征器来捕捉所述被检测第一办公家具和被检测第二办公家具的各个局部图像的高维特征表达。
以所述包含图像块嵌入层的ViT模型对所述第一检测图像进行处理以得到第一局部图像特征向量为例来进行说明。首先，对所述第一检测图像进行图像分块处理以得到图像块的序列，例如，在本申请一个具体的示例中，对所述第一检测图像进行图像均匀划分以得到所述图像块的序列。接着，使用所述图像块嵌入层分别对所述图像块的序列中的各个图像块进行嵌入编码以得到图像块嵌入向量的序列。具体地，应可以理解，所述图像块的序列中的各个图像块本质上是一个二维像素值矩阵，因此，可将所述各个图像块的二维像素值矩阵展开为一维像素向量，然后使用所述嵌入层的权重矩阵对所述一维像素向量进行逐位置嵌入编码以得到所述图像块嵌入向量。接着，使用所述VIT模型的转换器结构对所述图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个上下文图像块特征向量，继而将所述多个上下文图像块特征向量进行级联以得到所述第一局部图像特征向量。
在得到所述第一至第六局部图像特征向量以及所述第七至第十二局部图像特征向量后，应可以理解，上述局部图像特征向量分别用于表示所述被检测第一办公家具和被检测第二办公家具的各个局部视角的高维图像特征表达，但是所述第一被检测办公家具和所述第二被检测办公家具是一个完整的个体，也就是，其各个视角的局部图像之间存在关联。因此，在本申请的技术方案中，将所述第一至第六局部图像特征向量进行二维排列为输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图，且将所述第七至第十二局部图像特征向量进行二维排列为输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图。也就是说，为了充分利用被检测办公家具的各个视角的图像特征之间的关联性，首先构建输入矩阵来整合所述被检测办公家具的各个视角的图像特征，并使用在局部邻域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被检测办公家具的各个视角的图像特征之间的关联特征以得到所述第一全局关联特征图和所述第二全局关联特征图。
继而，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图，所述差分特征图用于表示所述被检测第一办公家具的六视图和被检测第二办公家具在图像表达层面的显性和隐性差异。接着，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。也就是以所述分类器通过软最大值函数来确定所述差分特征图所属的类概率标签，所述类概率标签包括被检测第一办公家具和被检测第二办公家具之间的一致性符合预定标准(第一标签)，以及，被检测第一办公家具和被检测第二办公家具之间的一致性符合预定标准(第二标签)。值得注意的是，这里的所述第一标签和所述第二标签并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被检测第一办公家具和被检测第二办公家具之间的一致性是否符合预定标准”这个概念，其只是有两个分类标签，其输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被检测第一办公家具和被检测第二办公家具之间的一致性是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被检测第一办公家具和被检测第二办公家具之间的一致性是否符合预定标准”的语言文本意义。
这里，在计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图时，是计算所述第一全局关联特征图和所述第二全局关联特征图之间的逐位置差分以得到所述差分特征图的每个特征值，因此，如果能够提升所述第一全局关联特征图和所述第二全局关联特征图的整体特征分布在分类目标域上的全局一致性和相关性，显然可以提升所述差分特征图通过分类器得到的分类结果的准确性。
也就是，期望收敛所述第一全局关联特征图和所述第二全局关联特征图之间在类概率密度层面的差异，具体地，首先将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量，再计算所述第一全局关联特征向量和所述第二全局关联特征向量的联合高斯密度图，并进一步计算所述第一全局关联特征向量和所述第二全局关联特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
Figure BDA0004128758410000071
Figure BDA0004128758410000072
其中，V1和V2分别是所述第一全局关联特征向量和所述第二全局关联特征向量，μu和∑u是联合高斯密度图的均值向量和协方差矩阵，即μu表示所述第一全局关联特征向量和所述第二全局关联特征向量的加权均值向量，且∑u表示所述第一全局关联特征向量和所述第二全局关联特征向量的逐位置方差矩阵，其中向量为列向量。
这里，通过计算所述第一全局关联特征向量V1和所述第二全局关联特征向量V2与所述联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于所述联合高斯密度图表示的联合高斯概率密度分布的特征分布距离，通过以其分别对所述第一全局关联特征图和所述第二全局关联特征图进行加权，就可以提高所述第一全局关联特征图和所述第二全局关联特征图到概率密度在目标域上的类概率密度联合分布相关迁移的兼容性，从而提升其类概率密度分布在作为目标分类维度上的全局一致性和相关性，以提升计算得到的所述差分特征图的分类结果的准确性。
图1为根据本申请实施例的办公桌椅的智能化制造方法的场景示意图。如图1所示，在该应用场景中，首先，获取被检测第一办公家具(例如，如图1中所示意的M1)的六视图和被检测第二办公家具(例如，如图1中所示意的M2)的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像(例如，如图1中所示意的C1、C2、C3、C4、C5、C6)，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像(例如，如图1中所示意的C7、C8、C9、C10、C11、C12、)；然后，将获取的第一至第六检测图像和第七至第十二检测图像输入至部署有办公桌椅的智能化制造算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于办公桌椅的智能化制造算法对所述第一至第六检测图像和所述第七至第十二检测图像进行处理，以生成用于表示所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合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。
在本申请的一个实施例中，图2为根据本申请实施例的办公桌椅的智能化制造方法的流程图。如图2所示，根据本申请实施例的办公桌椅的智能化制造方法100，包括：110，获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；120，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；130，将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；140，将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；150，将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；160，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及，170，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
图3为根据本申请实施例的办公桌椅的智能化制造方法的架构示意图。如图3所示，在该网络架构中，首先，获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；然后，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；接着，将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；然后，将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；接着，将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；然后，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及，最后，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
具体地，在步骤110中，获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像。
相应地，在本申请的技术方案中，对同一批次的桌子或椅子进行一致性检测可通过图像处理来实现。应可以理解，如果同一批次的办公桌子或办公椅子出现一致性偏差，两者之间的偏差会表现在办公桌子或办公椅子的图像表现上。
具体地，在本申请的技术方案中，首先获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，为了便于说明，在本申请的技术方案中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，且将所述被检测第二办公家具的六视图定义为第七至第十二检测图像。
应可以理解，通过采集所述待检测第一办公家具和所述第二被检测办公家具的六视图可更为全面地展示被检测办公家具的各个侧面的图像呈现，进而可通过所述待检测第一办公家具和所述第二被检测办公家具的六视图对所述第一被检测办公家具和所述第二被检测办公家具进行基于全局和/或基于局部的多维度图像对比和分析以对两者进行一致性检测。
具体地，在步骤120和步骤130中，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；以及，将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量。接着，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，且将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量。
本领域普通技术人员应知晓，随着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。在图像处理方面，基于深度学习和神经网络的技术主要有两个技术主流：基于卷积神经网络和基于Transformer(转换器)。特别地，在本申请的技术方案中，采用基于转换器的ViT模型作为图像特征器来捕捉所述被检测第一办公家具和被检测第二办公家具的各个局部图像的高维特征表达。
以所述包含图像块嵌入层的ViT模型对所述第一检测图像进行处理以得到第一局部图像特征向量为例来进行说明。首先，对所述第一检测图像进行图像分块处理以得到图像块的序列，例如，在本申请一个具体的示例中，对所述第一检测图像进行图像均匀划分以得到所述图像块的序列。接着，使用所述图像块嵌入层分别对所述图像块的序列中的各个图像块进行嵌入编码以得到图像块嵌入向量的序列。
具体地，应可以理解，所述图像块的序列中的各个图像块本质上是一个二维像素值矩阵，因此，可将所述各个图像块的二维像素值矩阵展开为一维像素向量，然后使用所述嵌入层的权重矩阵对所述一维像素向量进行逐位置嵌入编码以得到所述图像块嵌入向量。接着，使用所述VIT模型的转换器结构对所述图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个上下文图像块特征向量，继而将所述多个上下文图像块特征向量进行级联以得到所述第一局部图像特征向量。
图4为根据本申请实施例的办公桌椅的智能化制造方法中步骤120的子步骤的流程图，如图4所示，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：121，对所述第一检测图像进行图像分块处理以得到第一图像块的序列；122，使用所述图像块嵌入层分别对所述第一图像块的序列中的各个第一图像块进行嵌入编码以得到第一图像块嵌入向量的序列；123，使用所述ViT模型的转换器结构对所述第一图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第一上下文图像块特征向量；以及，124，将所述多个第一上下文图像块特征向量进行级联以得到所述第一局部图像特征向量。
将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：对所述第二检测图像进行图像分块处理以得到第二图像块的序列；使用所述图像块嵌入层分别对所述第二图像块的序列中的各个第二图像块进行嵌入编码以得到第二图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第二图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第二上下文图像块特征向量；以及，将所述多个第二上下文图像块特征向量进行级联以得到所述第二局部图像特征向量。
将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：对所述第三检测图像进行图像分块处理以得到第三图像块的序列；使用所述图像块嵌入层分别对所述第三图像块的序列中的各个第三图像块进行嵌入编码以得到第三图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第三图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第三上下文图像块特征向量；以及，将所述多个第三上下文图像块特征向量进行级联以得到所述第三局部图像特征向量。
将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：对所述第四检测图像进行图像分块处理以得到第四图像块的序列；使用所述图像块嵌入层分别对所述第四图像块的序列中的各个第四图像块进行嵌入编码以得到第四图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第四图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第四上下文图像块特征向量；以及，将所述多个第四上下文图像块特征向量进行级联以得到所述第四局部图像特征向量。
将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：对所述第五检测图像进行图像分块处理以得到第五图像块的序列；使用所述图像块嵌入层分别对所述第五图像块的序列中的各个第五图像块进行嵌入编码以得到第五图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第五图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第五上下文图像块特征向量；以及，将所述多个第五上下文图像块特征向量进行级联以得到所述第五局部图像特征向量。
将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：对所述第六检测图像进行图像分块处理以得到第六图像块的序列；使用所述图像块嵌入层分别对所述第六图像块的序列中的各个第六图像块进行嵌入编码以得到第六图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第六图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第六上下文图像块特征向量；以及，将所述多个第六上下文图像块特征向量进行级联以得到所述第六局部图像特征向量。
进一步地，图5为根据本申请实施例的办公桌椅的智能化制造方法中步骤130的子步骤的流程图，如图5所示，将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：131，对所述第七检测图像进行图像分块处理以得到第七图像块的序列；132，使用所述图像块嵌入层分别对所述第七图像块的序列中的各个第七图像块进行嵌入编码以得到第七图像块嵌入向量的序列；133，使用所述ViT模型的转换器结构对所述第七图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第七上下文图像块特征向量；以及，134，将所述多个第七上下文图像块特征向量进行级联以得到所述第七局部图像特征向量。
将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：对所述第八检测图像进行图像分块处理以得到第八图像块的序列；使用所述图像块嵌入层分别对所述第八图像块的序列中的各个第八图像块进行嵌入编码以得到第八图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第八图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第八上下文图像块特征向量；以及，将所述多个第八上下文图像块特征向量进行级联以得到所述第八局部图像特征向量。
将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：对所述第九检测图像进行图像分块处理以得到第九图像块的序列；使用所述图像块嵌入层分别对所述第九图像块的序列中的各个第九图像块进行嵌入编码以得到第九图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第九图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第九上下文图像块特征向量；以及，将所述多个第九上下文图像块特征向量进行级联以得到所述第九局部图像特征向量。
将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：对所述第十检测图像进行图像分块处理以得到第十图像块的序列；使用所述图像块嵌入层分别对所述第十图像块的序列中的各个第十图像块进行嵌入编码以得到第十图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第十图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第十上下文图像块特征向量；以及，将所述多个第十上下文图像块特征向量进行级联以得到所述第十局部图像特征向量。
将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：对所述第十一检测图像进行图像分块处理以得到第十一图像块的序列；使用所述图像块嵌入层分别对所述第十一图像块的序列中的各个第十一图像块进行嵌入编码以得到第十一图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第十一图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第十一上下文图像块特征向量；以及，将所述多个第十一上下文图像块特征向量进行级联以得到所述第十一局部图像特征向量。
将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：对所述第十二检测图像进行图像分块处理以得到第十二图像块的序列；使用所述图像块嵌入层分别对所述第十二图像块的序列中的各个第十二图像块进行嵌入编码以得到第十二图像块嵌入向量的序列；使用所述ViT模型的转换器结构对所述第十二图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第十二上下文图像块特征向量；以及，将所述多个第十二上下文图像块特征向量进行级联以得到所述第十二局部图像特征向量。
应可以理解，上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short-Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在步骤140和步骤150中，将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；以及，将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图。在得到所述第一至第六局部图像特征向量以及所述第七至第十二局部图像特征向量后，应可以理解，上述局部图像特征向量分别用于表示所述被检测第一办公家具和被检测第二办公家具的各个局部视角的高维图像特征表达，但是所述第一被检测办公家具和所述第二被检测办公家具是一个完整的个体，也就是，其各个视角的局部图像之间存在关联。
因此，在本申请的技术方案中，将所述第一至第六局部图像特征向量进行二维排列为输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图，且将所述第七至第十二局部图像特征向量进行二维排列为输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图。也就是说，为了充分利用被检测办公家具的各个视角的图像特征之间的关联性，首先构建输入矩阵来整合所述被检测办公家具的各个视角的图像特征，并使用在局部邻域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被检测办公家具的各个视角的图像特征之间的关联特征以得到所述第一全局关联特征图和所述第二全局关联特征图。
其中，将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图，包括：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第一全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第一输入矩阵。
进一步地，将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图，包括：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第二全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第二输入矩阵。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤160中，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图。继而，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图，所述差分特征图用于表示所述被检测第一办公家具的六视图和被检测第二办公家具在图像表达层面的显性和隐性差异。
图6为根据本申请实施例的办公桌椅的智能化制造方法中步骤160的子步骤的流程图，如图6所示，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图，包括：161，将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量；162，计算所述第一全局关联特征向量和所述第二全局关联特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述第一全局关联特征向量和所述第二全局关联特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；163，计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；164，以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重值对所述第一全局关联特征图和所述第二全局关联特征图进行加权以得到优化后第一全局关联特征图和优化后第二全局关联特征图；以及，165，计算所述优化后第一全局关联特征图和所述优化后第二全局关联特征图之间的按位置差分以得到所述差分特征图。
其中，将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量，包括：将所述第一全局关联特征图和所述第二全局关联特征图分别按照行向量展开为所述第一全局关联特征向量和所述第二全局关联特征向量。
这里，在计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图时，是计算所述第一全局关联特征图和所述第二全局关联特征图之间的逐位置差分以得到所述差分特征图的每个特征值，因此，如果能够提升所述第一全局关联特征图和所述第二全局关联特征图的整体特征分布在分类目标域上的全局一致性和相关性，显然可以提升所述差分特征图通过分类器得到的分类结果的准确性。
也就是，期望收敛所述第一全局关联特征图和所述第二全局关联特征图之间在类概率密度层面的差异，具体地，首先将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量，再计算所述第一全局关联特征向量和所述第二全局关联特征向量的联合高斯密度图，并进一步计算所述第一全局关联特征向量和所述第二全局关联特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：以如下距离指数公式计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述距离指数公式为：
Figure BDA0004128758410000141
Figure BDA0004128758410000142
其中，V1和V2分别是所述第一全局关联特征向量和所述第二全局关联特征向量，w1和w2分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数，μu表示所述第一全局关联特征向量和所述第二全局关联特征向量的加权均值向量，且∑u表示所述第一全局关联特征向量和所述第二全局关联特征向量的逐位置方差矩阵，其中向量为列向量，(·)T表示向量的转置向量，
Figure BDA0004128758410000151
表示按位置减法，
Figure BDA0004128758410000152
表示矩阵乘法。
这里，通过计算所述第一全局关联特征向量V1和所述第二全局关联特征向量V2与所述联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于所述联合高斯密度图表示的联合高斯概率密度分布的特征分布距离，通过以其分别对所述第一全局关联特征图和所述第二全局关联特征图进行加权，就可以提高所述第一全局关联特征图和所述第二全局关联特征图到概率密度在目标域上的类概率密度联合分布相关迁移的兼容性，从而提升其类概率密度分布在作为目标分类维度上的全局一致性和相关性，以提升计算得到的所述差分特征图的分类结果的准确性。
具体地，在步骤170中，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
接着，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。也就是以所述分类器通过软最大值函数来确定所述差分特征图所属的类概率标签，所述类概率标签包括被检测第一办公家具和被检测第二办公家具之间的一致性符合预定标准(第一标签)，以及，被检测第一办公家具和被检测第二办公家具之间的一致性符合预定标准(第二标签)。值得注意的是，这里的所述第一标签和所述第二标签并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被检测第一办公家具和被检测第二办公家具之间的一致性是否符合预定标准”这个概念，其只是有两个分类标签，其输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被检测第一办公家具和被检测第二办公家具之间的一致性是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被检测第一办公家具和被检测第二办公家具之间的一致性是否符合预定标准”的语言文本意义。
图7为根据本申请实施例的办公桌椅的智能化制造方法中步骤170的子步骤的流程图，如图7所示，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准，包括：171，将所述差分特征图按照行向量或列向量展开为分类特征向量；172，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，173，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。
在本申请一具体示例中，使用所述分类器以如下分类公式对所述差分特征图进行处理以得到所述分类结果；其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)│Project(F)}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，Project(F)为将所述差分特征图投影为向量。
综上，基于本申请实施例的办公桌椅的智能化制造方法100被阐明，其获取被检测第一办公家具的六视图和被检测第二办公家具的六视图；采用基于深度学习的人工智能技术，对被检测第一办公家具和被检测第二办公家具进行基于全局和/或基于局部的多维度图像对比，基于此对被检测第一办公家具和被检测第二办公家具进行一致性检测，以确保同一批次的办公家具具有高度的一致性。
在本申请的一个实施例中，图8为根据本申请实施例的办公桌椅的智能化制造系统的框图。如图8所示，根据本申请实施例的办公桌椅的智能化制造系统200，包括：图像获取模块210，用于获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；第一编码模块220，用于将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；第二编码模块230，用于将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；第一特征提取模块240，用于将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；第二特征提取模块250，用于将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；差分计算模块260，用于计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及，一致性判断结果生成模块270，用于将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述第一编码模块，包括：第一图像分块单元，用于对所述第一检测图像进行图像分块处理以得到第一图像块的序列；第一嵌入编码单元，用于使用所述图像块嵌入层分别对所述第一图像块的序列中的各个第一图像块进行嵌入编码以得到第一图像块嵌入向量的序列；第一全局编码单元，用于使用所述ViT模型的转换器结构对所述第一图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第一上下文图像块特征向量；以及，第一级联单元，用于将所述多个第一上下文图像块特征向量进行级联以得到所述第一局部图像特征向量。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述第二编码模块，包括：第二图像分块单元，用于对所述第七检测图像进行图像分块处理以得到第七图像块的序列；第二嵌入编码单元，用于使用所述图像块嵌入层分别对所述第七图像块的序列中的各个第七图像块进行嵌入编码以得到第七图像块嵌入向量的序列；第二全局编码单元，用于使用所述ViT模型的转换器结构对所述第七图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第七上下文图像块特征向量；以及，第二级联单元，用于将所述多个第七上下文图像块特征向量进行级联以得到所述第七局部图像特征向量。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述第一特征提取模块，用于：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第一全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第一输入矩阵。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述第二特征提取模块，用于：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第二全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第二输入矩阵。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述差分计算模块，包括：展开单元，用于将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量；高斯计算单元，用于计算所述第一全局关联特征向量和所述第二全局关联特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述第一全局关联特征向量和所述第二全局关联特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；距离指数计算单元，用于计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重值对所述第一全局关联特征图和所述第二全局关联特征图进行加权以得到优化后第一全局关联特征图和优化后第二全局关联特征图；以及，差分计算单元，用于计算所述优化后第一全局关联特征图和所述优化后第二全局关联特征图之间的按位置差分以得到所述差分特征图。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述展开单元，用于：将所述第一全局关联特征图和所述第二全局关联特征图分别按照行向量展开为所述第一全局关联特征向量和所述第二全局关联特征向量。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述距离指数计算单元，用于：以如下距离指数公式计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述距离指数公式为：
Figure BDA0004128758410000181
Figure BDA0004128758410000182
其中，V1和V2分别是所述第一全局关联特征向量和所述第二全局关联特征向量，w1和w2分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数，μu表示所述第一全局关联特征向量和所述第二全局关联特征向量的加权均值向量，且∑u表示所述第一全局关联特征向量和所述第二全局关联特征向量的逐位置方差矩阵，其中向量为列向量，(·)T表示向量的转置向量，
Figure BDA0004128758410000183
表示按位置减法，
Figure BDA0004128758410000184
表示矩阵乘法。
在一个具体示例中，在上述办公桌椅的智能化制造系统中，所述一致性判断结果生成模块，包括：向量获取单元，用于将所述差分特征图按照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。
这里，本领域技术人员可以理解，上述办公桌椅的智能化制造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7的办公桌椅的智能化制造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办公桌椅的智能化制造系统200可以实现在各种终端设备中，例如用于办公桌椅的智能化制造的服务器等。在一个示例中，根据本申请实施例的办公桌椅的智能化制造系统200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，该办公桌椅的智能化制造系统200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，该办公桌椅的智能化制造系统200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，该办公桌椅的智能化制造系统200与该终端设备也可以是分立的设备，并且办公桌椅的智能化制造系统200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。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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 (10)

1.一种办公桌椅的智能化制造方法，其特征在于，包括：
获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；
将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；
将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；
将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；
将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；
计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及
将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
2.根据权利要求1所述的办公桌椅的智能化制造方法，其特征在于，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：
对所述第一检测图像进行图像分块处理以得到第一图像块的序列；
使用所述图像块嵌入层分别对所述第一图像块的序列中的各个第一图像块进行嵌入编码以得到第一图像块嵌入向量的序列；
使用所述ViT模型的转换器结构对所述第一图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第一上下文图像块特征向量；以及
将所述多个第一上下文图像块特征向量进行级联以得到所述第一局部图像特征向量。
3.根据权利要求2所述的办公桌椅的智能化制造方法，其特征在于，将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：
对所述第七检测图像进行图像分块处理以得到第七图像块的序列；
使用所述图像块嵌入层分别对所述第七图像块的序列中的各个第七图像块进行嵌入编码以得到第七图像块嵌入向量的序列；
使用所述ViT模型的转换器结构对所述第七图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第七上下文图像块特征向量；以及
将所述多个第七上下文图像块特征向量进行级联以得到所述第七局部图像特征向量。
4.根据权利要求3所述的办公桌椅的智能化制造方法，其特征在于，将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图，包括：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第一全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第一输入矩阵。
5.根据权利要求4所述的办公桌椅的智能化制造方法，其特征在于，将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图，包括：使用所述作为特征提取器的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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第二全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第二输入矩阵。
6.根据权利要求5所述的办公桌椅的智能化制造方法，其特征在于，计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图，包括：
将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量；
计算所述第一全局关联特征向量和所述第二全局关联特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述第一全局关联特征向量和所述第二全局关联特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；
计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；
以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重值对所述第一全局关联特征图和所述第二全局关联特征图进行加权以得到优化后第一全局关联特征图和优化后第二全局关联特征图；以及
计算所述优化后第一全局关联特征图和所述优化后第二全局关联特征图之间的按位置差分以得到所述差分特征图。
7.根据权利要求6所述的办公桌椅的智能化制造方法，其特征在于，将所述第一全局关联特征图和所述第二全局关联特征图展开为第一全局关联特征向量和第二全局关联特征向量，包括：将所述第一全局关联特征图和所述第二全局关联特征图分别按照行向量展开为所述第一全局关联特征向量和所述第二全局关联特征向量。
8.根据权利要求7所述的办公桌椅的智能化制造方法，其特征在于，计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数，包括：以如下距离指数公式计算所述第一全局关联特征向量和所述第二全局关联特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；
其中，所述距离指数公式为：
Figure FDA0004128758400000031
Figure FDA0004128758400000032
其中，V1和V2分别是所述第一全局关联特征向量和所述第二全局关联特征向量，w1和w2分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数，μu表示所述第一全局关联特征向量和所述第二全局关联特征向量的加权均值向量，且∑u表示所述第一全局关联特征向量和所述第二全局关联特征向量的逐位置方差矩阵，其中向量为列向量，(·)T表示向量的转置向量，
Figure FDA0004128758400000033
表示按位置减法，
Figure FDA0004128758400000034
表示矩阵乘法。
9.根据权利要求8所述的办公桌椅的智能化制造方法，其特征在于，将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准，包括：
将所述差分特征图按照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。
10.一种办公桌椅的智能化制造系统，其特征在于，包括：
图像获取模块，用于获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；
第一编码模块，用于将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；
第二编码模块，用于将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；
第一特征提取模块，用于将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；
第二特征提取模块，用于将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；
差分计算模块，用于计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及
一致性判断结果生成模块，用于将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。
CN202310253478.4A 2023-03-09 2023-03-09 办公桌椅的智能化制造方法及其系统 Withdrawn CN116129251A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310253478.4A CN116129251A (zh) 2023-03-09 2023-03-09 办公桌椅的智能化制造方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310253478.4A CN116129251A (zh) 2023-03-09 2023-03-09 办公桌椅的智能化制造方法及其系统

Publications (1)

Publication Number Publication Date
CN116129251A true CN116129251A (zh) 2023-05-16

Family

ID=86297575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310253478.4A Withdrawn CN116129251A (zh) 2023-03-09 2023-03-09 办公桌椅的智能化制造方法及其系统

Country Status (1)

Country Link
CN (1) CN116129251A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563795A (zh) * 2023-05-30 2023-08-08 北京天翊文化传媒有限公司 一种玩偶的生产管理方法及其系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563795A (zh) * 2023-05-30 2023-08-08 北京天翊文化传媒有限公司 一种玩偶的生产管理方法及其系统

Similar Documents

Publication Publication Date Title
Bandi et al. The power of generative ai: A review of requirements, models, input–output formats, evaluation metrics, and challenges
CN110298037B (zh) 基于增强注意力机制的卷积神经网络匹配的文本识别方法
CN112966074A (zh) 一种情感分析方法、装置、电子设备以及存储介质
CN109711409A (zh) 一种结合U-net和ResNet的手写乐谱谱线删除方法
CN113449801B (zh) 一种基于多级图像上下文编解码的图像人物行为描述生成方法
CN110598022B (zh) 一种基于鲁棒深度哈希网络的图像检索系统与方法
CN112017255A (zh) 一种根据食谱生成食物图像的方法
CN113283336A (zh) 一种文本识别方法与系统
CN116245513A (zh) 基于规则库的自动化运维系统及其方法
CN117158923A (zh) 基于元宇宙的居家养老远程监控方法
CN116129251A (zh) 办公桌椅的智能化制造方法及其系统
CN116486308A (zh) 基于智慧教育的教学管理系统及其方法
CN112085120A (zh) 多媒体数据的处理方法、装置、电子设备及存储介质
Wu et al. A deeply supervised attentive high-resolution network for change detection in remote sensing images
Li et al. A video sequence face expression recognition method based on squeeze-and-excitation and 3dpca network
Yuan et al. CTIF-Net: A CNN-transformer iterative fusion network for salient object detection
EP4285281A1 (en) Annotation-efficient image anomaly detection
CN116226357B (zh) 一种输入中包含错误信息场景下的文档检索方法
CN112231455A (zh) 一种机器阅读理解方法及系统
CN116757773A (zh) 服装电子商务销售管理系统及其方法
CN116703523A (zh) 基于大数据的电子商务系统及其方法
CN115659242A (zh) 一种基于模态增强卷积图的多模态情感分类方法
Ullah et al. A review of multi-modal learning from the text-guided visual processing viewpoint
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN114549958A (zh) 基于上下文信息感知机理的夜间和伪装目标检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230516