CN116201316A - 大规格瓷砖的密缝铺贴方法及系统 - Google Patents

大规格瓷砖的密缝铺贴方法及系统 Download PDF

Info

Publication number
CN116201316A
CN116201316A CN202310468056.9A CN202310468056A CN116201316A CN 116201316 A CN116201316 A CN 116201316A CN 202310468056 A CN202310468056 A CN 202310468056A CN 116201316 A CN116201316 A CN 116201316A
Authority
CN
China
Prior art keywords
training
feature matrix
stress
matrix
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310468056.9A
Other languages
English (en)
Other versions
CN116201316B (zh
Inventor
姚水平
柯露露
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.)
Foshan Jiamite Waterproof Material Co ltd
Original Assignee
Foshan Jiamite Waterproof Material 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 Foshan Jiamite Waterproof Material Co ltd filed Critical Foshan Jiamite Waterproof Material Co ltd
Priority to CN202310468056.9A priority Critical patent/CN116201316B/zh
Publication of CN116201316A publication Critical patent/CN116201316A/zh
Application granted granted Critical
Publication of CN116201316B publication Critical patent/CN116201316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04F—FINISHING WORK ON BUILDINGS, e.g. STAIRS, FLOORS
    • E04F15/00—Flooring
    • E04F15/02—Flooring or floor layers composed of a number of similar elements
    • E04F15/0215—Flooring or floor layers composed of a number of similar elements specially adapted for being adhesively fixed to an underlayer; Fastening means therefor; Fixing by means of plastics materials hardening after application
    • E04F15/02155—Adhesive means specially adapted therefor, e.g. adhesive foils or strips
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V10/77—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Quality & Reliability (AREA)
  • Structural Engineering (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)
  • Road Paving Structures (AREA)

Abstract

本发明涉及智能检测领域，其具体地公开了一种大规格瓷砖的密缝铺贴方法及系统。该方法包括：在最下层铺设抗裂网；对所述抗裂网的铺设质量进行检测；在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及，使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。这样，可以使瓷砖的表面更平整、光滑、无缝。

Description

大规格瓷砖的密缝铺贴方法及系统
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种大规格瓷砖的密缝铺贴方法及系统。
背景技术
随着人们对生活环境的追求不断提高，大规格瓷砖在室内装修中的应用越来越广泛。然而，传统的大规格瓷砖铺贴方法，通常在水泥基层上铺贴瓷砖。这样，在使用大规格瓷砖铺贴时容易出现较多的问题，比如出现开裂、变形、空鼓以及缝隙较大等问题，这不仅会影响大规格瓷砖的美观度和使用寿命，还会带来安全隐患。
因此，期望一种优化的大规格瓷砖的密缝铺贴方案。
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大规格瓷砖的密缝铺贴方法及系统。该方法包括：在最下层铺设抗裂网；对所述抗裂网的铺设质量进行检测；在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及，使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。这样，可以使瓷砖的表面更平整、光滑、无缝。
根据本申请的一个方面，提供了一种大规格瓷砖的密缝铺贴方法，其包括：
在最下层铺设抗裂网；
对所述抗裂网的铺设质量进行检测；
在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及
使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。
在上述的大规格瓷砖的密缝铺贴方法中，对所述抗裂网的铺设质量进行检测，包括：
获取由摄像头采集的抗裂网的铺设效果图像；
通过应力传感器采集所述抗裂网的多个位置的应力值，其中，所述多个位置呈拓扑样式分布；
将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵；
将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵；
将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵；
融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵；以及
将所述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铺设效果是否满足预定标准。
在上述的大规格瓷砖的密缝铺贴方法中，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵，包括：
所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第一卷积特征图；
对所述第一卷积特征图进行池化处理以生成第一池化特征图；
对所述第一池化特征图进行非线性激活以生成第一激活特征图；
计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；
计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及
计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；
其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述铺设效果特征矩阵。
在上述的大规格瓷砖的密缝铺贴方法中，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵，包括：
所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第二卷积特征图；
对所述第二卷积特征图进行池化处理以生成第二池化特征图；
对所述第二池化特征图进行非线性激活以生成第二激活特征图；
计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；
计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及
计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；
其中，所述使用空间注意力机制的第二卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述应力特征矩阵。
在上述的大规格瓷砖的密缝铺贴方法中，融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵，包括：
以如下融合公式融合所述铺设效果特征矩阵和所述应力特征矩阵以得到所述分类特征矩阵；
其中，所述融合公式为：
Figure SMS_1
；
其中，
Figure SMS_2
表示所述分类特征矩阵，
Figure SMS_3
表示所述铺设效果特征矩阵，
Figure SMS_4
表示所述应力特征矩阵，“+”表示所述铺设效果特征矩阵和所述应力特征矩阵相对应位置处的元素相加。
在上述的大规格瓷砖的密缝铺贴方法中，还包括训练步骤：用于对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练。
在上述的大规格瓷砖的密缝铺贴方法中，所述训练步骤，包括：
获取训练数据，所述训练数据包括由所述摄像头采集的抗裂网的训练铺设效果图像，通过所述应力传感器采集所述抗裂网的多个位置的训练应力值，其中，所述多个位置呈拓扑样式分布，以及，所述铺设效果是否满足预定标准的真实值；
将所述训练铺设效果图像通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练铺设效果特征矩阵；
将所述多个位置的训练应力值按照所述拓扑样式排列为训练应力拓扑矩阵；
将所述训练应力拓扑矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练应力特征矩阵；
融合所述训练铺设效果特征矩阵和所述训练应力特征矩阵以得到训练分类特征矩阵；
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；
计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值；以及
以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练。
在上述的大规格瓷砖的密缝铺贴方法中，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：
使用所述分类器以如下分类损失函数公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述分类损失函数公式为：
Figure SMS_5
；其中
Figure SMS_6
表示将所述训练分类特征矩阵投影为向量，
Figure SMS_7
至
Figure SMS_8
为各层全连接层的权重矩阵，
Figure SMS_9
表示归一化指数函数，
Figure SMS_10
至
Figure SMS_11
表示各层全连接层的偏置矩阵；以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在上述的大规格瓷砖的密缝铺贴方法中，计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值，包括：
将所述训练铺设效果特征矩阵和所述训练应力特征矩阵展开为特征向量以得到训练铺设效果特征向量和训练应力特征向量；以及
以如下优化公式计算所述训练铺设效果特征向量和所述训练应力特征向量的流式精细化损失函数值；
其中，所述优化公式为：
Figure SMS_12
；
其中，
Figure SMS_13
表示所述训练铺设效果特征向量，
Figure SMS_14
表示所述训练应力特征向量，
Figure SMS_15
表示向量的二范数的平方，且
Figure SMS_16
和
Figure SMS_17
分别表示向量对应位置之间的减法和乘法，
Figure SMS_18
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure SMS_19
表示所述流式精细化损失函数值。
根据本申请的另一个方面，提供了一种大规格瓷砖的密缝铺贴系统，其包括：
抗裂网铺设模块，用于在最下层铺设抗裂网；
质量检测模块，用于对所述抗裂网的铺设质量进行检测；
低收缩瓷砖胶设置模块，用于在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及
瓷砖缝隙收紧模块，用于使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。
与现有技术相比，本申请提供的大规格瓷砖的密缝铺贴方法及系统，该方法包括：在最下层铺设抗裂网；对所述抗裂网的铺设质量进行检测；在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及，使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。这样，可以使瓷砖的表面更平整、光滑、无缝。
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而言，在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的大规格瓷砖的密缝铺贴方法的流程图。
图2为根据本申请实施例的大规格瓷砖的密缝铺贴方法中步骤S120的应用场景图。
图3为根据本申请实施例的大规格瓷砖的密缝铺贴方法的子步骤S120的流程图。
图4为根据本申请实施例的大规格瓷砖的密缝铺贴方法的子步骤S120的应用架构示意图。
图5为根据本申请实施例的大规格瓷砖的密缝铺贴方法进一步包括的训练步骤的流程图。
图6为根据本申请实施例的大规格瓷砖的密缝铺贴系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
如上所述，传统的大规格瓷砖铺贴方法，通常在水泥基层上铺贴瓷砖。这样，在使用大规格瓷砖铺贴时容易出现较多的问题，比如出现开裂、变形、空鼓以及缝隙较大等问题，这不仅会影响大规格瓷砖的美观度和使用寿命，还会带来安全隐患。因此，期望一种优化的大规格瓷砖的密缝铺贴方案。
具体地，在本申请的技术方案中，提出了一种大规格瓷砖的密缝铺贴方法，其包括：1.在最下层先铺上一层抗裂网，以起到加固和抗裂的效果，防止瓷砖因为地面不平或受力而开裂。2.在抗裂网和瓷砖之间加入一种低收缩瓷砖胶，以增加粘合力和耐久性，同时避免因为胶水收缩而导致的空鼓或脱落。3.用贴纸或其他粘性物把瓷砖之间的缝隙收紧，以保持缝隙的均匀和细致，同时防止灰尘或水分进入缝隙。特别地，这里，所述缝隙的宽度应控制在0.35-0.5mm，过大或过小都会影响美观和质量。4.瓷砖凝固后移除贴纸。使用该大规格瓷砖的密缝铺贴工艺可以使瓷砖的表面更平整、光滑、无缝，提高了装修的档次和效果。
相应地，考虑到在实际进行大规格瓷砖的密缝铺贴的过程中，对于抗裂网的铺设效果进行检测尤为重要，这是由于在实际铺贴时需要保证抗裂网的平整度和张力满足预设要求，以确保抗裂网没有皱褶或松弛，否则会影响瓷砖的平整度和稳定性。但是，在实际进行抗裂网的铺设过程中，人工很难对于铺设的效果进行实时准确检测，也就难以保证抗裂网的平整度和张力，使得最终铺贴的大规格瓷砖平整度较差且缝隙较大。相应地，在本申请的技术方案中，如图1所示，所述大规格瓷砖的密缝铺贴方法，其包括：S110，在最下层铺设抗裂网；S120，对所述抗裂网的铺设质量进行检测；S130，在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及，S140，使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。
基于此，在本申请的技术方案中，期望基于对抗裂网的铺设效果图像进行分析来智能化地进行抗裂网的平整度检测，并通过对于抗裂网的多个位置的应力值进行分析来进行张力检测，以此综合两者的检测结果来对于抗裂网铺设效果进行检测。但是，由于所述抗裂网的铺设效果图像中存在有大量的信息量，而关于抗裂网的平整度特征信息在图像中为小尺度的隐含特征，难以进行捕捉提取，且所述抗裂网的多个位置的应力值之间具有着拓扑关联样式，需要基于这种拓扑关联来实现应力检测。因此，在此过程中，难点在于如何进行所述抗裂网的铺设效果图像中关于抗裂网的平整度和张力特征的充分表达，以及如何挖掘所述多个位置的应力值的拓扑关联特征信息，以此来基于所述抗裂网的张力情况和平整度情况来综合对于抗裂网的铺设效果进行检测，以确保抗裂网的铺设没有皱褶或松弛，进而保证瓷砖铺贴的平整度和稳定性。
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。深度学习以及神经网络的发展为挖掘所述抗裂网的铺设效果图像中关于抗裂网的平整度和张力特征信息以及所述多个位置的应力值的拓扑关联特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，通过摄像头采集抗裂网的铺设效果图像。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述抗裂网的铺设效果图的特征提取，特别地，考虑到在进行所述抗裂网的铺设效果检测过程中，关于抗裂网的平整度特征信息在空间位置上有所表现，因此，在特征提取时应更加关注于空间位置上关于所述抗裂网的平整度隐含特征信息而忽略与所述抗裂网的平整度检测无关的干扰特征。应可以理解，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型中进行处理，以提取出所述铺设效果图像中聚焦于空间上的关于所述抗裂网的平整度隐含特征分布信息，从而得到铺设效果特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述抗裂网的平整度特征信息。
然后，考虑到由于所述抗裂网的张力体现在所述抗裂网的多个位置的应力值上，因此，为了能够更好地感知所述抗裂网的张力，以对于张力是否满足预定标准进行检测，在本申请的技术方案中，通过应力传感器采集所述抗裂网的多个位置的应力值。并且，还考虑到由于所述各个位置的应力值之间具有着关于拓扑样式分布的关联关系，也就是说，所述多个位置呈拓扑样式分布，使得所述各个位置的应力值之间具有着拓扑关联特征信息。因此，为了能够进行所述抗裂网的张力特征的充分表达，进一步将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述多个位置处的应力关联特征提取。
特别地，考虑到由于所述各个位置处的应力关联关系在不同的空间位置上呈现着不同的关联模式特征，也就是说，所述各个位置处的应力值的关联关系不同，其在空间上具有着拓扑样式的关联规律。因此，在本申请的技术方案中，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型中进行特征挖掘，以提取出所述各个位置的应力值聚焦于空间位置上的应力拓扑关联特征分布信息，从而得到应力特征矩阵。
接着，进一步再融合所述铺设效果特征矩阵和所述应力特征矩阵，以融合所述抗裂网铺设的平整度特征信息和应力拓扑关联特征信息，从而得到具有所述抗裂网的平整度特征和张力拓扑关联特征信息的分类特征矩阵。然后，将所述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铺设效果是否满足预定标准。
也就是，在本申请的技术方案中，所述分类器的标签包括铺设效果满足预定标准(第一标签)，以及，铺设效果不满足预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2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“铺设效果是否满足预定标准”这种概念，其只是有两种分类标签且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，铺设效果是否满足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“铺设效果是否满足预定标准”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为铺设效果是否满足预定标准的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于抗裂网的铺设效果进行检测，以确保抗裂网的铺设没有皱褶或松弛，进而保证瓷砖铺贴的平整度和稳定性。
特别地，在本申请的技术方案中，这里，对于融合所述铺设效果特征矩阵和所述应力特征矩阵得到的所述分类特征矩阵来说，在将其通过分类器进行分类时，需要将所述分类特征矩阵展开为分类特征向量。因此，如果能够提升所述铺设效果特征矩阵和所述应力特征矩阵各自的序列化表达在所述分类特征矩阵的融合特征空间内的相关性，则可以提升所述分类特征矩阵对于所述铺设效果特征矩阵和所述应力特征矩阵的融合效果。
基于此，本申请的申请人首先将所述铺设效果特征矩阵和所述应力特征矩阵展开为铺设效果特征向量，例如
Figure SMS_20
记为和应力特征向量，例如记为
Figure SMS_21
，再引入针对所述铺设效果特征向量
Figure SMS_22
和所述应力特征向量
Figure SMS_23
的流式精细化损失函数，表示为：
Figure SMS_24
；
其中
Figure SMS_25
表示向量的二范数的平方。
这里，所述流式精细化损失函数基于所述铺设效果特征向量
Figure SMS_26
和所述应力特征向量
Figure SMS_27
在特征的序列化流式分布到融合后的高维特征空间内的空间分布的转化，通过同步进行向量的序列分布下的插值来实现高维特征空间内的空间分布的超分辨率提升，从而通过平衡序列下的互类概率式关系对高维特征空间内的分布差异提供更精细化的对准，以在序列化特征维度和高维融合特征空间的空间维度上联合地呈现交叉的维度间上下文关联，从而提升所述铺设效果特征矩阵和所述应力特征矩阵各自的序列化表达在所述分类特征矩阵的融合特征空间内的相关性，以提升所述分类特征矩阵对于所述铺设效果特征矩阵和所述应力特征矩阵的融合效果，提高所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于抗裂网的张力情况和平整度情况来综合对于抗裂网的铺设效果进行检测，以确保抗裂网的铺设没有皱褶或松弛，进而保证瓷砖铺贴的平整度和稳定性。
图2为根据本申请实施例的大规格瓷砖的密缝铺贴方法中步骤S120的应用场景图。如图2所示，在该应用场景中，首先，获取由摄像头（例如，图2中所示意的C1）采集的抗裂网（例如，图2中所示意的N）的铺设效果图像（例如，图2中所示意的D1），以及，通过应力传感器（例如，图2中所示意的C2）采集所述抗裂网的多个位置的应力值（例如，图2中所示意的D2），然后，将所述铺设效果图像和所述多个位置的应力值输入至部署有大规格瓷砖的密缝铺贴算法的服务器中（例如，图2中所示意的S），其中，所述服务器能够使用所述大规格瓷砖的密缝铺贴算法对所述铺设效果图像和所述多个位置的应力值进行处理以得到用于表示铺设效果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。
图3为根据本申请实施例的大规格瓷砖的密缝铺贴方法中步骤S120的流程图。如图3所示，根据本申请实施例的大规格瓷砖的密缝铺贴方法，对所述抗裂网的铺设质量进行检测，包括步骤：S121，获取由摄像头采集的抗裂网的铺设效果图像；S122，通过应力传感器采集所述抗裂网的多个位置的应力值，其中，所述多个位置呈拓扑样式分布；S123，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵；S124，将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵；S125，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵；S126，融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵；以及，S127，将所述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铺设效果是否满足预定标准。
图4为根据本申请实施例的大规格瓷砖的密缝铺贴方法中步骤S120的应用架构示意图。如图4所示，在该网络架构中，首先，获取由摄像头采集的抗裂网的铺设效果图像；接着，通过应力传感器采集所述抗裂网的多个位置的应力值，其中，所述多个位置呈拓扑样式分布；然后，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵；接着，将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵；然后，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵；接着，融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵；最后，将所述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铺设效果是否满足预定标准。
更具体地，在步骤S121中，获取由摄像头采集的抗裂网的铺设效果图像。更具体地，在步骤S122中，通过应力传感器采集所述抗裂网的多个位置的应力值，其中，所述多个位置呈拓扑样式分布。在实际铺贴时需要保证抗裂网的平整度和张力满足预设要求，以确保抗裂网没有皱褶或松弛，否则会影响瓷砖的平整度和稳定性。因此，需要对抗裂网的铺设效果进行检测。基于此，在本申请的技术方案中，期望基于对抗裂网的铺设效果图像进行分析来智能化地进行抗裂网的平整度检测，并通过对于抗裂网的多个位置的应力值进行分析来进行张力检测，以此综合两者的检测结果来对于抗裂网铺设效果进行检测。
更具体地，在步骤S123中，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵。使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述抗裂网的铺设效果图的特征提取，特别地，考虑到在进行所述抗裂网的铺设效果检测过程中，关于抗裂网的平整度特征信息在空间位置上有所表现，因此，在特征提取时应更加关注于空间位置上关于所述抗裂网的平整度隐含特征信息而忽略与所述抗裂网的平整度检测无关的干扰特征。应可以理解，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型中进行处理，以提取出所述铺设效果图像中聚焦于空间上的关于所述抗裂网的平整度隐含特征分布信息，从而得到铺设效果特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述抗裂网的平整度特征信息。
相应地，在一个具体示例中，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述铺设效果特征矩阵。
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。
更具体地，在步骤S124中，将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵。由于所述各个位置的应力值之间具有着关于拓扑样式分布的关联关系，也就是说，所述多个位置呈拓扑样式分布，使得所述各个位置的应力值之间具有着拓扑关联特征信息。因此，为了能够进行所述抗裂网的张力特征的充分表达，进一步将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述多个位置处的应力关联特征提取。
更具体地，在步骤S125中，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵。考虑到由于所述各个位置处的应力关联关系在不同的空间位置上呈现着不同的关联模式特征，也就是说，所述各个位置处的应力值的关联关系不同，其在空间上具有着拓扑样式的关联规律。因此，在本申请的技术方案中，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型中进行特征挖掘，以提取出所述各个位置的应力值聚焦于空间位置上的应力拓扑关联特征分布信息，从而得到应力特征矩阵。
相应地，在一个具体示例中，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵，包括：所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第二卷积特征图；对所述第二卷积特征图进行池化处理以生成第二池化特征图；对所述第二池化特征图进行非线性激活以生成第二激活特征图；计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及，计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；其中，所述使用空间注意力机制的第二卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述应力特征矩阵。
更具体地，在步骤S126中，融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵。这样，可以融合所述抗裂网铺设的平整度特征信息和应力拓扑关联特征信息，从而得到具有所述抗裂网的平整度特征和张力拓扑关联特征信息的分类特征矩阵。
相应地，在一个具体示例中，融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵，包括：以如下融合公式融合所述铺设效果特征矩阵和所述应力特征矩阵以得到所述分类特征矩阵；其中，所述融合公式为：
Figure SMS_28
；
其中，
Figure SMS_29
表示所述分类特征矩阵，
Figure SMS_30
表示所述铺设效果特征矩阵，
Figure SMS_31
表示所述应力特征矩阵，“+”表示所述铺设效果特征矩阵和所述应力特征矩阵相对应位置处的元素相加。
更具体地，在步骤S127中，将所述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铺设效果是否满足预定标准。在得到所述分类结果后，可基于所述分类结果来对于抗裂网的铺设效果进行检测，以确保抗裂网的铺设没有皱褶或松弛，进而保证瓷砖铺贴的平整度和稳定性。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，所述的大规格瓷砖的密缝铺贴方法，还包括训练步骤：用于对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练。其中，如图5所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括由所述摄像头采集的抗裂网的训练铺设效果图像，通过所述应力传感器采集所述抗裂网的多个位置的训练应力值，其中，所述多个位置呈拓扑样式分布，以及，所述铺设效果是否满足预定标准的真实值；S220，将所述训练铺设效果图像通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练铺设效果特征矩阵；S230，将所述多个位置的训练应力值按照所述拓扑样式排列为训练应力拓扑矩阵；S240，将所述训练应力拓扑矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练应力特征矩阵；S250，融合所述训练铺设效果特征矩阵和所述训练应力特征矩阵以得到训练分类特征矩阵；S260，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；S270，计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值；以及，S280，以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练。
相应地，在一个具体示例中，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下分类损失函数公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述分类损失函数公式为：
Figure SMS_32
；其中
Figure SMS_33
表示将所述训练分类特征矩阵投影为向量，
Figure SMS_34
至
Figure SMS_35
为各层全连接层的权重矩阵，
Figure SMS_36
至
Figure SMS_37
表示各层全连接层的偏置矩阵，
Figure SMS_38
表示归一化指数函数；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
特别地，在本申请的技术方案中，这里，对于融合所述训练铺设效果特征矩阵和所述训练应力特征矩阵得到的所述训练分类特征矩阵来说，在将其通过分类器进行分类时，需要将所述训练分类特征矩阵展开为训练分类特征向量。因此，如果能够提升所述训练铺设效果特征矩阵和所述训练应力特征矩阵各自的序列化表达在所述训练分类特征矩阵的融合特征空间内的相关性，则可以提升所述训练分类特征矩阵对于所述训练铺设效果特征矩阵和所述训练应力特征矩阵的融合效果。基于此，本申请的申请人首先将所述训练铺设效果特征矩阵和所述训练应力特征矩阵展开为训练铺设效果特征向量和训练应力特征向量，再引入针对所述训练铺设效果特征向量和所述训练应力特征向量的流式精细化损失函数。
相应地，在一个具体示例中，计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值，包括：将所述训练铺设效果特征矩阵和所述训练应力特征矩阵展开为特征向量以得到训练铺设效果特征向量和训练应力特征向量；以及，以如下优化公式计算所述训练铺设效果特征向量和所述训练应力特征向量的流式精细化损失函数值；其中，所述优化公式为：
Figure SMS_39
；
其中，
Figure SMS_40
表示所述训练铺设效果特征向量，
Figure SMS_41
表示所述训练应力特征向量，
Figure SMS_42
表示向量的二范数的平方，且
Figure SMS_43
和
Figure SMS_44
分别表示向量对应位置之间的减法和乘法，
Figure SMS_45
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure SMS_46
表示所述流式精细化损失函数值。
这里，所述流式精细化损失函数基于所述训练铺设效果特征向量和所述训练应力特征向量在特征的序列化流式分布到融合后的高维特征空间内的空间分布的转化，通过同步进行向量的序列分布下的插值来实现高维特征空间内的空间分布的超分辨率提升，从而通过平衡序列下的互类概率式关系对高维特征空间内的分布差异提供更精细化的对准，以在序列化特征维度和高维融合特征空间的空间维度上联合地呈现交叉的维度间上下文关联，从而提升所述训练铺设效果特征矩阵和所述训练应力特征矩阵各自的序列化表达在所述训练分类特征矩阵的融合特征空间内的相关性，以提升所述训练分类特征矩阵对于所述训练铺设效果特征矩阵和所述训练应力特征矩阵的融合效果，提高所述训练分类特征矩阵通过分类器得到的训练分类结果的准确性。这样，能够基于抗裂网的张力情况和平整度情况来综合对于抗裂网的铺设效果进行检测，以确保抗裂网的铺设没有皱褶或松弛，进而保证瓷砖铺贴的平整度和稳定性。
综上，基于本申请实施例的大规格瓷砖的密缝铺贴方法，对所述抗裂网的铺设质量进行检测步骤，其首先获取由摄像头采集的抗裂网的铺设效果图像，接着，通过应力传感器采集所述抗裂网的多个位置的应力值，其中，所述多个位置呈拓扑样式分布，然后，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵，接着，将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵，然后，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵，接着，融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵，最后，将所述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铺设效果是否满足预定标准。
图6为根据本申请实施例的大规格瓷砖的密缝铺贴系统100的框图。如图6所示，根据本申请实施例的大规格瓷砖的密缝铺贴系统100，包括：抗裂网铺设模块110，用于在最下层铺设抗裂网；质量检测模块120，用于对所述抗裂网的铺设质量进行检测；低收缩瓷砖胶设置模块130，用于在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及，瓷砖缝隙收紧模块140，用于使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。
在一个示例中，在上述大规格瓷砖的密缝铺贴系统100中，所述质量检测模块120，包括：图像获取模块，用于获取由摄像头采集的抗裂网的铺设效果图像；应力值获取模块，用于通过应力传感器采集所述抗裂网的多个位置的应力值，其中，所述多个位置呈拓扑样式分布；第一卷积模块，用于将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵；矩阵排列模块，用于将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵；第二卷积模块，用于将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵；融合模块，用于融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵；以及，分类模块，用于将所述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铺设效果是否满足预定标准。
在一个示例中，在上述大规格瓷砖的密缝铺贴系统100中，所述第一卷积模块，用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述铺设效果特征矩阵。
在一个示例中，在上述大规格瓷砖的密缝铺贴系统100中，所述第二卷积模块，用于：所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第二卷积特征图；对所述第二卷积特征图进行池化处理以生成第二池化特征图；对所述第二池化特征图进行非线性激活以生成第二激活特征图；计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及，计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；其中，所述使用空间注意力机制的第二卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述应力特征矩阵。
在一个示例中，在上述大规格瓷砖的密缝铺贴系统100中，所述融合模块，用于：以如下融合公式融合所述铺设效果特征矩阵和所述应力特征矩阵以得到所述分类特征矩阵；其中，所述融合公式为：
Figure SMS_47
；
其中，
Figure SMS_48
表示所述分类特征矩阵，
Figure SMS_49
表示所述铺设效果特征矩阵，
Figure SMS_50
表示所述应力特征矩阵，“+”表示所述铺设效果特征矩阵和所述应力特征矩阵相对应位置处的元素相加。
在一个示例中，在上述大规格瓷砖的密缝铺贴系统100中，还包括用于对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练的训练模块。所述训练模块，用于：获取训练数据，所述训练数据包括由所述摄像头采集的抗裂网的训练铺设效果图像，通过所述应力传感器采集所述抗裂网的多个位置的训练应力值，其中，所述多个位置呈拓扑样式分布，以及，所述铺设效果是否满足预定标准的真实值；将所述训练铺设效果图像通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练铺设效果特征矩阵；将所述多个位置的训练应力值按照所述拓扑样式排列为训练应力拓扑矩阵；将所述训练应力拓扑矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练应力特征矩阵；融合所述训练铺设效果特征矩阵和所述训练应力特征矩阵以得到训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值；以及，以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练。
在一个示例中，在上述大规格瓷砖的密缝铺贴系统100中，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下分类损失函数公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述分类损失函数公式为：
Figure SMS_51
；其中
Figure SMS_52
表示将所述训练分类特征矩阵投影为向量，
Figure SMS_53
至
Figure SMS_54
为各层全连接层的权重矩阵，
Figure SMS_55
表示归一化指数函数，
Figure SMS_56
至
Figure SMS_57
表示各层全连接层的偏置矩阵；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在一个示例中，在上述大规格瓷砖的密缝铺贴系统100中，计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值，包括：将所述训练铺设效果特征矩阵和所述训练应力特征矩阵展开为特征向量以得到训练铺设效果特征向量和训练应力特征向量；以及，以如下优化公式计算所述训练铺设效果特征向量和所述训练应力特征向量的流式精细化损失函数值；其中，所述优化公式为：
Figure SMS_58
；
其中，
Figure SMS_59
表示所述训练铺设效果特征向量，
Figure SMS_60
表示所述训练应力特征向量，
Figure SMS_61
表示向量的二范数的平方，且
Figure SMS_62
和
Figure SMS_63
分别表示向量对应位置之间的减法和乘法，
Figure SMS_64
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure SMS_65
表示所述流式精细化损失函数值。
这里，本领域技术人员可以理解，上述大规格瓷砖的密缝铺贴系统100中的各个模块的具体功能和操作已经在上面参考图2到图5的大规格瓷砖的密缝铺贴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大规格瓷砖的密缝铺贴系统100可以实现在各种无线终端中，例如具有大规格瓷砖的密缝铺贴算法的服务器等。在一个示例中，根据本申请实施例的大规格瓷砖的密缝铺贴系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该大规格瓷砖的密缝铺贴系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该大规格瓷砖的密缝铺贴系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该大规格瓷砖的密缝铺贴系统100与该无线终端也可以是分立的设备，并且该大规格瓷砖的密缝铺贴系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种大规格瓷砖的密缝铺贴方法，其特征在于，包括：
在最下层铺设抗裂网；
对所述抗裂网的铺设质量进行检测；
在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及
使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。
2.根据权利要求1所述的大规格瓷砖的密缝铺贴方法，其特征在于，对所述抗裂网的铺设质量进行检测，包括：
获取由摄像头采集的抗裂网的铺设效果图像；
通过应力传感器采集所述抗裂网的多个位置的应力值，其中，所述多个位置呈拓扑样式分布；
将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵；
将所述多个位置的应力值按照所述拓扑样式排列为应力拓扑矩阵；
将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵；
融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵；以及
将所述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铺设效果是否满足预定标准。
3.根据权利要求2所述的大规格瓷砖的密缝铺贴方法，其特征在于，将所述铺设效果图像通过使用空间注意力机制的第一卷积神经网络模型以得到铺设效果特征矩阵，包括：
所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第一卷积特征图；
对所述第一卷积特征图进行池化处理以生成第一池化特征图；
对所述第一池化特征图进行非线性激活以生成第一激活特征图；
计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；
计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及
计算所述第一空间特征矩阵和所述第一空间得分矩阵的按位置点乘以获得第一特征矩阵；
其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述铺设效果特征矩阵。
4.根据权利要求3所述的大规格瓷砖的密缝铺贴方法，其特征在于，将所述应力拓扑矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到应力特征矩阵，包括：
所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成第二卷积特征图；
对所述第二卷积特征图进行池化处理以生成第二池化特征图；
对所述第二池化特征图进行非线性激活以生成第二激活特征图；
计算所述第二激活特征图的各个位置沿通道维度的均值以生成第二空间特征矩阵；
计算所述第二空间特征矩阵中各个位置的类Softmax函数值以获得第二空间得分矩阵；以及
计算所述第二空间特征矩阵和所述第二空间得分矩阵的按位置点乘以获得第二特征矩阵；
其中，所述使用空间注意力机制的第二卷积神经网络模型的最后一层输出的所述第二特征矩阵为所述应力特征矩阵。
5.根据权利要求4所述的大规格瓷砖的密缝铺贴方法，其特征在于，融合所述铺设效果特征矩阵和所述应力特征矩阵以得到分类特征矩阵，包括：
以如下融合公式融合所述铺设效果特征矩阵和所述应力特征矩阵以得到所述分类特征矩阵；
其中，所述融合公式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
表示所述分类特征矩阵，
Figure QLYQS_3
表示所述铺设效果特征矩阵，
Figure QLYQS_4
表示所述应力特征矩阵，“+”表示所述铺设效果特征矩阵和所述应力特征矩阵相对应位置处的元素相加。
6.根据权利要求5所述的大规格瓷砖的密缝铺贴方法，其特征在于，还包括训练步骤：用于对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练。
7.根据权利要求6所述的大规格瓷砖的密缝铺贴方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括由所述摄像头采集的抗裂网的训练铺设效果图像，通过所述应力传感器采集所述抗裂网的多个位置的训练应力值，其中，所述多个位置呈拓扑样式分布，以及，所述铺设效果是否满足预定标准的真实值；
将所述训练铺设效果图像通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练铺设效果特征矩阵；
将所述多个位置的训练应力值按照所述拓扑样式排列为训练应力拓扑矩阵；
将所述训练应力拓扑矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练应力特征矩阵；
融合所述训练铺设效果特征矩阵和所述训练应力特征矩阵以得到训练分类特征矩阵；
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；
计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值；以及
以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述使用空间注意力机制的第一卷积神经网络模型、所述使用空间注意力机制的第二卷积神经网络模型和所述分类器进行训练。
8.根据权利要求7所述的大规格瓷砖的密缝铺贴方法，其特征在于，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：
使用所述分类器以如下分类损失函数公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述分类损失函数公式为：
Figure QLYQS_5
；其中
Figure QLYQS_6
表示将所述训练分类特征矩阵投影为向量，
Figure QLYQS_7
至
Figure QLYQS_8
为各层全连接层的权重矩阵，
Figure QLYQS_9
至
Figure QLYQS_10
表示各层全连接层的偏置矩阵，
Figure QLYQS_11
表示归一化指数函数；以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
9.根据权利要求8所述的大规格瓷砖的密缝铺贴方法，其特征在于，计算所述训练铺设效果特征矩阵和所述训练应力特征矩阵的流式精细化损失函数值，包括：
将所述训练铺设效果特征矩阵和所述训练应力特征矩阵展开为特征向量以得到训练铺设效果特征向量和训练应力特征向量；以及
以如下优化公式计算所述训练铺设效果特征向量和所述训练应力特征向量的流式精细化损失函数值；
其中，所述优化公式为：
Figure QLYQS_12
；
其中，
Figure QLYQS_13
表示所述训练铺设效果特征向量，
Figure QLYQS_14
表示所述训练应力特征向量，
Figure QLYQS_15
表示向量的二范数的平方，且
Figure QLYQS_16
和
Figure QLYQS_17
分别表示向量对应位置之间的减法和乘法，
Figure QLYQS_18
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure QLYQS_19
表示所述流式精细化损失函数值。
10.一种大规格瓷砖的密缝铺贴系统，其特征在于，包括：
抗裂网铺设模块，用于在最下层铺设抗裂网；
质量检测模块，用于对所述抗裂网的铺设质量进行检测；
低收缩瓷砖胶设置模块，用于在所述抗裂网和瓷砖之间加入低收缩瓷砖胶；以及
瓷砖缝隙收紧模块，用于使用贴纸将瓷砖之间的缝隙收紧，且待所述瓷砖凝固后移除贴纸。
CN202310468056.9A 2023-04-27 2023-04-27 大规格瓷砖的密缝铺贴方法及系统 Active CN116201316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310468056.9A CN116201316B (zh) 2023-04-27 2023-04-27 大规格瓷砖的密缝铺贴方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310468056.9A CN116201316B (zh) 2023-04-27 2023-04-27 大规格瓷砖的密缝铺贴方法及系统

Publications (2)

Publication Number Publication Date
CN116201316A true CN116201316A (zh) 2023-06-02
CN116201316B CN116201316B (zh) 2023-07-07

Family

ID=86513225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310468056.9A Active CN116201316B (zh) 2023-04-27 2023-04-27 大规格瓷砖的密缝铺贴方法及系统

Country Status (1)

Country Link
CN (1) CN116201316B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402818A (zh) * 2023-06-08 2023-07-07 杭州华得森生物技术有限公司 全自动荧光扫描仪及其方法
CN117966990A (zh) * 2024-02-06 2024-05-03 广东包清贴科技有限公司 一种岩板/瓷砖的无缝铺贴方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001303741A (ja) * 2000-04-26 2001-10-31 Dainippon Printing Co Ltd 建築用デザインの分類方法および分類装置
CN101634169A (zh) * 2008-07-25 2010-01-27 上海浩赛干粉建材制品有限公司 挤塑聚苯板薄抹灰外墙外保温系统
CN111046962A (zh) * 2019-12-16 2020-04-21 中国人民解放军战略支援部队信息工程大学 基于稀疏注意力的卷积神经网络模型的特征可视化方法及系统
CN115329673A (zh) * 2022-08-15 2022-11-11 宁波共振运动科技有限公司 运动文胸的聚拢性能优化设计系统及其方法
CN115546501A (zh) * 2022-11-28 2022-12-30 科丰兴泰(杭州)生物科技有限公司 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法
CN115545520A (zh) * 2022-10-20 2022-12-30 山东滨津纺织科技有限公司 陶瓷纤维无纺防火布智能化制备方法及其系统
WO2023030513A1 (zh) * 2021-09-05 2023-03-09 汉熵通信有限公司 物联网系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001303741A (ja) * 2000-04-26 2001-10-31 Dainippon Printing Co Ltd 建築用デザインの分類方法および分類装置
CN101634169A (zh) * 2008-07-25 2010-01-27 上海浩赛干粉建材制品有限公司 挤塑聚苯板薄抹灰外墙外保温系统
CN111046962A (zh) * 2019-12-16 2020-04-21 中国人民解放军战略支援部队信息工程大学 基于稀疏注意力的卷积神经网络模型的特征可视化方法及系统
WO2023030513A1 (zh) * 2021-09-05 2023-03-09 汉熵通信有限公司 物联网系统
CN115329673A (zh) * 2022-08-15 2022-11-11 宁波共振运动科技有限公司 运动文胸的聚拢性能优化设计系统及其方法
CN115545520A (zh) * 2022-10-20 2022-12-30 山东滨津纺织科技有限公司 陶瓷纤维无纺防火布智能化制备方法及其系统
CN115546501A (zh) * 2022-11-28 2022-12-30 科丰兴泰(杭州)生物科技有限公司 具有机器视觉的用于增效剂内核的智能涂覆系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402818A (zh) * 2023-06-08 2023-07-07 杭州华得森生物技术有限公司 全自动荧光扫描仪及其方法
CN117966990A (zh) * 2024-02-06 2024-05-03 广东包清贴科技有限公司 一种岩板/瓷砖的无缝铺贴方法

Also Published As

Publication number Publication date
CN116201316B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN116201316B (zh) 大规格瓷砖的密缝铺贴方法及系统
CN111291190B (zh) 一种编码器的训练方法、信息检测的方法以及相关装置
JP6862426B2 (ja) トレーニングされた機械学習モデルのパフォーマンスを改善するための方法
Ravi et al. Multi modal spatio temporal co-trained CNNs with single modal testing on RGB–D based sign language gesture recognition
CN109886286A (zh) 基于级联检测器的目标检测方法、目标检测模型及系统
WO2017079522A1 (en) Subcategory-aware convolutional neural networks for object detection
Li et al. Application of convolution neural network object detection algorithm in logistics warehouse
JP2018514852A (ja) 逐次画像サンプリングおよび微調整された特徴の記憶
WO2018084941A1 (en) Temporal difference estimation in an artificial neural network
JP6948851B2 (ja) 情報処理装置、情報処理方法
WO2019146057A1 (ja) 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム
CN102867192B (zh) 一种基于监督测地线传播的场景语义迁移方法
CN113326735A (zh) 一种基于YOLOv5的多模态小目标检测方法
CN116704431A (zh) 水污染的在线监测系统及其方法
CN113723378A (zh) 一种模型训练的方法、装置、计算机设备和存储介质
CN116523554A (zh) 点击率预测模型的训练方法及装置
US10530387B1 (en) Estimating an optimal ordering for data compression
CN111027472A (zh) 一种基于视频光流和图像空间特征权重融合的视频识别方法
US11989939B2 (en) System and method for enhancing machine learning model for audio/video understanding using gated multi-level attention and temporal adversarial training
Sun et al. A Metaverse text recognition model based on character-level contrastive learning
CN116402777B (zh) 基于机器视觉的电力设备检测方法及系统
CN110674845B (zh) 一种结合多感受野注意与特征再校准的菜品识别方法
CN111401454A (zh) 一种基于迁移学习的少样本目标识别方法
CN110619288A (zh) 一种手势识别方法、控制装置及可读存储介质
Li et al. Decomposed prototype learning for few-shot scene graph generation

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