CN116238124A - 注射器注塑成型生产用采集数据处理方法及系统 - Google Patents

Abstract

本申请涉及数据处理领域，其具体地公开了一种注射器注塑成型生产用采集数据处理方法及系统，其通过采用基于深度学习的神经网络模型挖掘出注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布信息，以此来综合进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

Description

注射器注塑成型生产用采集数据处理方法及系统

技术领域

本申请涉及数据处理领域，且更为具体地，涉及一种注射器注塑成型生产用采集数据处理方法及系统。

背景技术

注塑成型是一种常用的塑料制品加工方法，它可以生产出各种形状和尺寸的塑料件。例如，医疗器械如注射器的注塑成型过程中可能会出现一些缺陷，如熔接线、气泡、翘曲、缩水等，这些缺陷会影响产品的外观和性能，甚至导致产品报废。因此，对注塑成型后的产品质量进行监控是非常重要的，它可以及时发现和解决问题，提高产品的合格率和客户满意度。

因此，期望一种注射器注塑成型生产用采集数据处理方案。

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注射器注塑成型生产用采集数据处理方法及系统，其通过采用基于深度学习的神经网络模型挖掘出注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布信息，以此来综合进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

根据本申请的一个方面，提供了一种注射器注塑成型生产用采集数据处理方法，其包括：

获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；

将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量；

将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；

对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；

将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；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注塑成型后产品的整体成型质量是否符合预定标准。

在上述注射器注塑成型生产用采集数据处理方法中，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型以得到第一至第六检测语义特征向量，包括：使用所述Vi T模型的转换器对所述第一至第六检测图像块的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义第一至第六检测图像块特征向量；以及，将所述多个全局上下文语义第一至第六检测图像块特征向量进行级联以得到所述第一至第六检测语义特征向量。

在上述注射器注塑成型生产用采集数据处理方法中，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，包括：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述多尺度集成感知结构的最后一层的输出为所述多尺度关联特征图，所述多尺度集成感知结构的第一层的输入为所述第一至第六检测语义特征向量进行二维排列得到的特征矩阵。

在上述注射器注塑成型生产用采集数据处理方法中，对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图，包括：以如下优化公式对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化多尺度关联特征图；其中，所述优化公式为：

F_b＝Cov(F_a)

其中，F为所述多尺度关联特征图，Cov表示单层卷积操作，

和⊙分别表示特征图的逐位置相加、相减和相乘，且B₁和B₂为偏置特征图，F^′为所述优化多尺度关联特征图。

在上述注射器注塑成型生产用采集数据处理方法中，将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图，包括：对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；以所述通道注意力权重向量中各个位置的特征值作为权重对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。

在上述注射器注塑成型生产用采集数据处理方法中，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注塑成型后产品的整体成型质量是否符合预定标准，包括：将所述分类特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，提供了一种注射器注塑成型生产用采集数据处理系统，其包括：

图像获取模块，用于获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；

检测语义特征提取模块，用于将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量；

卷积模块，用于将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；

优化模块，用于对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；

通道注意力模块，用于将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；

分类结果生成模块，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注塑成型后产品的整体成型质量是否符合预定标准。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的注射器注塑成型生产用采集数据处理方法。

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注射器注塑成型生产用采集数据处理方法。

与现有技术相比，本申请提供的一种注射器注塑成型生产用采集数据处理方法及系统，其通过采用基于深度学习的神经网络模型挖掘出注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布信息，以此来综合进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

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为根据本申请实施例的注射器注塑成型生产用采集数据处理方法的应用场景图；

图2为根据本申请实施例的注射器注塑成型生产用采集数据处理方法的流程图；

图3为根据本申请实施例的注射器注塑成型生产用采集数据处理方法法的架构示意图；

图4为根据本申请实施例的注射器注塑成型生产用采集数据处理方法中检测语义特征提取过程的流程图；

图5为根据本申请实施例的注射器注塑成型生产用采集数据处理方法中通道注意过程的流程图；

图6为根据本申请实施例的注射器注塑成型生产用采集数据处理方法中分类过程的流程图；

图7为根据本申请实施例的注射器注塑成型生产用采集数据处理系统的框图；

图8为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如背景技术中所言，注塑成型过程中可能会出现一些缺陷，如熔接线、气泡、翘曲、缩水等，这些缺陷会影响产品的外观和性能，甚至导致产品报废。因此，对注塑成型后的产品质量进行监控是非常重要的，它可以及时发现和解决问题，提高产品的合格率和客户满意度。因此，期望一种注射器注塑成型生产用采集数据处理方案。

相应地，考虑到在实际进行产品如注射器的注塑成型过程中，为了避免产生产品缺陷，以降低报废率，需要对于成型后产品的质量进行分析检测，也就是，对于注塑成型后产品的六视图数据进行采集分析，以此来进行产品的整体成型质量检测评估。但是，由于注塑成型后产品的六视图虽然能够反映产品的质量特征信息，但是由于六视图中存在的数据量较多，而关于注塑成型后产品的质量隐性特征在图像中为小尺度的特征信息，这对于产品的成型质量特征捕捉提取带来了困难。并且，注塑成型后产品的六视图中关于产品的质量隐性特征之间具有着关联关系，这种关联关系在不同的视角图像中的关联程度不同。因此，在此过程中，难点在于如何挖掘所述注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布信息，以此来综合进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

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注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布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，获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像。接着，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第一至第六检测图像的特征挖掘，但是考虑到由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述第一至第六检测图像中关于注塑成型后产品的成型质量隐含特征为小尺度的细微特征，难以进行捕捉提取。因此，为了能够提高所述注塑成型后产品的整体成型质量中关于注塑成型后产品的成型质量隐含小尺度的细微特征的表达能力，以此来提高对于注塑成型后产品的整体成型质量检测的精准度，在本申请的技术方案中，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型中进行编码，以提取出所述第一至第六检测图像中关于注塑成型后产品的成型质量的隐含上下文语义关联特征分布信息，从而得到第一至第六检测语义特征向量。

应可以理解，在对于所述第一至第六检测图像分别进行图像分块处理后的各个图像块中关于注塑成型后产品的成型质量的小尺度隐含特征不再是小尺度的特征信息，有利于后续进行产品成型质量的特征提取。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个图像块线性投影为一维嵌入向量。也就是说，嵌入化的实现过程是先分别将各个所述图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述Vi T模型可以像Transformer一样直接通过自注意机制处理所述各个图像块，以此来分别提取出所述各个图像块中分别基于所述第一至第六检测图像整体的关于所述注塑成型后产品的成型质量的隐含上下文语义关联特征信息。

然后，考虑到由于所述第一至第六检测图像中关于注塑成型后产品的成型质量隐含特征之间具有着关于产品整体质量的关联关系，并且这种关联关系在不同的视角图像中具有着不同程度的关联性。也就是说，由于所述第一至第六检测图像为不同视角下的关于注塑成型后产品的检测图像，其中的关于注塑成型后产品的成型质量隐含特征在不同的视角间具有着不同的关联特征信息。基于此，在本申请的技术方案中，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图。特别地，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核，以此来提取出所述第一至第六图像中关于注塑成型后产品的成型质量特征在不同视角跨度下的多尺度关联特征分布信息。

进一步地，考虑到在实际进行所述六视图中关于注塑成型后产品的整体成型质量检测时，所述六视图中的关于产品的质量特征之间的关联程度具有不同的重要性。因此，为了能够提高整体成型质量检测的精度，期望能够对于所述六视图中关于产品的成型质量隐含特征施加不同的关注度，以此来侧重于注塑成型后产品的外观和性能隐含特征信息。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。基于此，在本申请的技术方案中，将所述多尺度关联特征图通过通道注意力模块，以进行不同视角下的通道内容关联程度的特征加权，从而得到分类特征图。应可以理解，这里，所述通道注意力模块能够对于特征通道间的内容相关性和重要性进行聚焦，以此来得到聚焦于通道内容上关于所述六视图中产品成型质量隐含特征的多尺度关联特征分布信息，即所述六视图中关于注塑成型后产品的整体成型质量的重要内容相关性特征信息。

接着，进一步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注塑成型后产品的整体成型质量是否符合预定标准。也就是，在本申请的技术方案中，所述分类器的标签包括注塑成型后产品的整体成型质量符合预定标准(第一标签)，以及，注塑成型后产品的整体成型质量不符合预定标准(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向量属于哪个分类标签。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“注塑成型后产品的整体成型质量是否符合预定标准”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，注塑成型后产品的整体成型质量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“注塑成型后产品的整体成型质量是否符合预定标准”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注塑成型后产品的整体成型质量是否符合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进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

特别地，在本申请的技术方案中，这里，考虑到将所述第一至第六检测图像通过ViT模型和多尺度集成感知结构得到的多尺度关联特征图虽然可以获得丰富的特征表示，但由于第一至第六检测图像之间的图像语义相关性经由上下文图像语义编码和多尺度关联特征提取后，会在多尺度关联特征图引入大量的冗余特征。而将所述多尺度关联特征图通过通道注意力模块得到所述分类特征图时，虽然能够通过给予通道维度上更重要的特征更大的显著性来对所述多尺度关联特征图的沿特征维度的各个特征矩阵进行区分，但仍然存在特征冗余的问题，从而影响所述分类特征图通过分类器得到的分类结果的准确性。

因此，本申请的申请人对所述多尺度关联特征图，例如记为F进行基于低廉瓶颈机制堆叠的特征冗余优化，以得到优化后的多尺度关联特征图，例如记为F^′，具体表示为：

F_b＝Cov(F_a)

Cov表示单层卷积操作，

和⊙分别表示特征图的逐位置相加、相减和相乘，且B₁和B₂为偏置特征图，例如初始可以设置为所述多尺度关联特征图的全局均值特征图或者单位特征图。

这里，所述基于低廉瓶颈机制堆叠的特征冗余优化可以使用两个低廉变换特征的乘加式堆叠的低廉瓶颈机制来进行特征扩张，并通过以均一值偏置堆叠通道来匹配残差路径，从而通过类似于基本残差模块的具有低廉成本的低廉操作变换来在冗余性特征中揭露出内在本质特征之下的隐分布信息，以通过简单而有效的卷积操作架构来获得特征的更内在本质的表达，从而优化所述多尺度关联特征图的冗余特征表达，提升所述分类特征图通过分类器得到的分类结果的准确性。这样，能够准确地进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

基于此，本申请提出了一种注射器注塑成型生产用采集数据处理方法，其包括：获取注塑成型后产品如注射器的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型以得到第一至第六检测语义特征向量；将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；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注塑成型后产品的整体成型质量是否符合预定标准。

图1为根据本申请实施例的注射器注塑成型生产用采集数据处理方法的应用场景图。如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像。接着，将上述图像输入至部署有用于注射器注塑成型生产用采集数据处理算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述注射器注塑成型生产用采集数据处理算法对上述输入的图像进行处理，以生成用于表示注塑成型后产品的整体成型质量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。

示例性方法

图2为根据本申请实施例的注射器注塑成型生产用采集数据处理方法的流程图。如图2所示，根据本申请实施例的注射器注塑成型生产用采集数据处理方法，包括步骤：S110，获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；S120，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型以得到第一至第六检测语义特征向量；S130，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；S140，对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；S150，将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；以及，S160，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注塑成型后产品的整体成型质量是否符合预定标准。

图3为根据本申请实施例的注射器注塑成型生产用采集数据处理方法法的架构示意图。如图3所示，在该网络结构中，首先，获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；再将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型以得到第一至第六检测语义特征向量；接着，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；然后，将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；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注塑成型后产品的整体成型质量是否符合预定标准。

具体地，在步骤S110中，获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像。应可以理解，在实际进行产品的注塑成型过程中，需要注塑成型后产品的六视图数据进行采集分析，以此来进行产品的整体成型质量检测评估。而注塑成型后产品的六视图能够反映产品的质量特征信息，因此，在本申请的技术方案中，首先，可通过摄像头来获取注塑成型后产品的六视图；其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像。

具体地，在步骤S120中，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型以得到第一至第六检测语义特征向量。也就是，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第一至第六检测图像的特征挖掘，但是考虑到由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述第一至第六检测图像中关于注塑成型后产品的成型质量隐含特征为小尺度的细微特征，难以进行捕捉提取。因此，为了能够提高所述注塑成型后产品的整体成型质量中关于注塑成型后产品的成型质量隐含小尺度的细微特征的表达能力，以此来提高对于注塑成型后产品的整体成型质量检测的精准度，在本申请的技术方案中，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型中进行编码，以提取出所述第一至第六检测图像中关于注塑成型后产品的成型质量的隐含上下文语义关联特征分布信息，从而得到第一至第六检测语义特征向量。应可以理解，在对于所述第一至第六检测图像分别进行图像分块处理后的各个图像块中关于注塑成型后产品的成型质量的小尺度隐含特征不再是小尺度的特征信息，有利于后续进行产品成型质量的特征提取。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个图像块线性投影为一维嵌入向量。也就是说，嵌入化的实现过程是先分别将各个所述图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述Vi T模型可以像Transformer一样直接通过自注意机制处理所述各个图像块，以此来分别提取出所述各个图像块中分别基于所述第一至第六检测图像整体的关于所述注塑成型后产品的成型质量的隐含上下文语义关联特征信息。

图4为根据本申请实施例的注射器注塑成型生产用采集数据处理方法中检测语义特征提取过程的流程图。如图4所示，在所述检测语义特征提取过程中，包括：S210,使用所述Vi T模型的转换器对所述第一至第六检测图像块的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义第一至第六检测图像块特征向量；以及S220,将所述多个全局上下文语义第一至第六检测图像块特征向量进行级联以得到所述第一至第六检测语义特征向量。

具体地，在步骤S130中，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核。考虑到由于所述第一至第六检测图像中关于注塑成型后产品的成型质量隐含特征之间具有着关于产品整体质量的关联关系，并且这种关联关系在不同的视角图像中具有着不同程度的关联性。也就是说，由于所述第一至第六检测图像为不同视角下的关于注塑成型后产品的检测图像，其中的关于注塑成型后产品的成型质量隐含特征在不同的视角间具有着不同的关联特征信息。基于此，在本申请的技术方案中，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图。特别地，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核，以此来提取出所述第一至第六图像中关于注塑成型后产品的成型质量特征在不同视角跨度下的多尺度关联特征分布信息。更具体地，使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述多尺度集成感知结构的最后一层的输出为所述多尺度关联特征图，所述多尺度集成感知结构的第一层的输入为所述第一至第六检测语义特征向量进行二维排列得到的特征矩阵。

具体地，在步骤S140中，对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图。在本申请的技术方案中，这里，考虑到将所述第一至第六检测图像通过ViT模型和多尺度集成感知结构得到的多尺度关联特征图虽然可以获得丰富的特征表示，但由于第一至第六检测图像之间的图像语义相关性经由上下文图像语义编码和多尺度关联特征提取后，会在多尺度关联特征图引入大量的冗余特征。而将所述多尺度关联特征图通过通道注意力模块得到所述分类特征图时，虽然能够通过给予通道维度上更重要的特征更大的显著性来对所述多尺度关联特征图的沿特征维度的各个特征矩阵进行区分，但仍然存在特征冗余的问题，从而影响所述分类特征图通过分类器得到的分类结果的准确性。因此，本申请的申请人对所述多尺度关联特征图，例如记为F进行基于低廉瓶颈机制堆叠的特征冗余优化，以得到优化后的多尺度关联特征图，例如记为F^′，具体表示为：

F_b＝Cov(F_a)

其中，F为所述多尺度关联特征图，Cov表示单层卷积操作，

和⊙分别表示特征图的逐位置相加、相减和相乘，且B₁和B₂为偏置特征图，F^′为所述优化多尺度关联特征图。这里，所述基于低廉瓶颈机制堆叠的特征冗余优化可以使用两个低廉变换特征的乘加式堆叠的低廉瓶颈机制来进行特征扩张，并通过以均一值偏置堆叠通道来匹配残差路径，从而通过类似于基本残差模块的具有低廉成本的低廉操作变换来在冗余性特征中揭露出内在本质特征之下的隐分布信息，以通过简单而有效的卷积操作架构来获得特征的更内在本质的表达，从而优化所述多尺度关联特征图的冗余特征表达，提升所述分类特征图通过分类器得到的分类结果的准确性。这样，能够准确地进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

具体地，在步骤S150中，将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图。考虑到在实际进行所述六视图中关于注塑成型后产品的整体成型质量检测时，所述六视图中的关于产品的质量特征之间的关联程度具有不同的重要性。因此，为了能够提高整体成型质量检测的精度，期望能够对于所述六视图中关于产品的成型质量隐含特征施加不同的关注度，以此来侧重于注塑成型后产品的外观和性能隐含特征信息。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。基于此，在本申请的技术方案中，将所述多尺度关联特征图通过通道注意力模块，以进行不同视角下的通道内容关联程度的特征加权，从而得到分类特征图。应可以理解，这里，所述通道注意力模块能够对于特征通道间的内容相关性和重要性进行聚焦，以此来得到聚焦于通道内容上关于所述六视图中产品成型质量隐含特征的多尺度关联特征分布信息，即所述六视图中关于注塑成型后产品的整体成型质量的重要内容相关性特征信息。

图5为根据本申请实施例的注射器注塑成型生产用采集数据处理方法中通道注意过程的流程图。如图5所示，通道注意过程中，包括：S310，对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；S320，将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；S330，以所述通道注意力权重向量中各个位置的特征值作为权重对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。

具体地，在步骤S160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注塑成型后产品的整体成型质量是否符合预定标准。也就是，在得到所述分类特征图后，进一步将其通过分类器以得到用于表示注塑成型后产品的整体成型质量是否符合预定标准的分类结果，具体地，使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果，其中，所述公式为：

O＝softmax{(W_n,B_n):…:(W₁,B₁)|Project(F)}，其中Project(F)表示

将所述分类特征图投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述分类特征图投影为向量，例如，在一个具体的示例中，将所述分类特征图沿着行向量或者列向量进行展开为分类特征向量；然后，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多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中，所述分类器的标签包括注塑成型后产品的整体成型质量符合预定标准(第一标签)，以及，注塑成型后产品的整体成型质量不符合预定标准(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向量属于哪个分类标签。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“注塑成型后产品的整体成型质量是否符合预定标准”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，注塑成型后产品的整体成型质量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“注塑成型后产品的整体成型质量是否符合预定标准”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注塑成型后产品的整体成型质量是否符合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进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

图6为根据本申请实施例的注射器注塑成型生产用采集数据处理方法中分类过程的流程图。如图6所示，在所述分类过程中，包括：S410，将所述分类特征图基于行向量或列向量展开为分类特征向量；S420，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，S430，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，根据本申请实施例的注射器注塑成型生产用采集数据处理方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出注塑成型后产品的六视图中关于产品的成型质量隐含特征的关联性特征分布信息，以此来综合进行注塑成型后产品的整体成型质量检测评估，从而在检测出产品缺陷时，及时有效地发现和解决问题，提高产品的合格率和客户满意度。

示例性系统

图7为根据本申请实施例的注射器注塑成型生产用采集数据处理系统的框图。如图7所示，根据本申请实施例的注射器注塑成型生产用采集数据处理系统300，包括：图像获取模块310；检测语义特征提取模块320；卷积模块330；优化模块340；通道注意力模块350；以及，分类结果生成模块360。

其中，所述图像获取模块310，用于获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；所述检测语义特征提取模块320，用于将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的Vi T模型以得到第一至第六检测语义特征向量；所述卷积模块330，用于将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；所述优化模块340，用于对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；所述通道注意力模块350，用于将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；以及，所述分类结果生成模块360，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注塑成型后产品的整体成型质量是否符合预定标准。

在一个示例中，在上述注射器注塑成型生产用采集数据处理系统300中，所述检测语义特征提取模块320，用于：使用所述Vi T模型的转换器对所述第一至第六检测图像块的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义第一至第六检测图像块特征向量；以及，将所述多个全局上下文语义第一至第六检测图像块特征向量进行级联以得到所述第一至第六检测语义特征向量。

在一个示例中，在上述注射器注塑成型生产用采集数据处理系统300中，所述卷积模块330，用于：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述多尺度集成感知结构的最后一层的输出为所述多尺度关联特征图，所述多尺度集成感知结构的第一层的输入为所述第一至第六检测语义特征向量进行二维排列得到的特征矩阵。

在一个示例中，在上述注射器注塑成型生产用采集数据处理系统300中，所述优化模块340，用于：以如下优化公式对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化多尺度关联特征图；其中，所述优化公式为：

F_b＝Cov(F_a)

其中，F为所述多尺度关联特征图，Cov表示单层卷积操作，

和⊙分别表示特征图的逐位置相加、相减和相乘，且B₁和B₂为偏置特征图，F^′为所述优化多尺度关联特征图。

在一个示例中，在上述注射器注塑成型生产用采集数据处理系统300中，所述通道注意力模块350，用于：对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；以所述通道注意力权重向量中各个位置的特征值作为权重对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。

在一个示例中，在上述注射器注塑成型生产用采集数据处理系统300中，所述分类结果生成模块360，用于：将所述分类特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，根据本申请实施例的注射器注塑成型生产用采集数据处理系统300被阐明，其通过采用基于深度学习的人工智能控制技术，以提取出所述发酵液的监控视频中聚焦于蒜头的状态变化特征信息，并且还提取出发酵环境湿度值的多尺度动态特征，进一步再以这两者的关联性特征表示来进行当前时间点的发酵环境湿度值的实时控制。这样，能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制，以保证蒜头的发酵效果，进而保证黑蒜发酵后的质量。

如上所述，根据本申请实施例的注射器注塑成型生产用采集数据处理系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的注射器注塑成型生产用采集数据处理系统300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，该注射器注塑成型生产用采集数据处理系统300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，该注射器注塑成型生产用采集数据处理系统300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，该注射器注塑成型生产用采集数据处理系统300与该终端设备也可以是分立的设备，并且该注射器注塑成型生产用采集数据处理系统300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8来描述根据本申请实施例的电子设备。

图8图示了根据本申请实施例的电子设备的框图。

如图8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注射器注塑成型生产用采集数据处理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一至第六检测语义特征向量等各种内容。

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。

当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的注射器注塑成型生产用采集数据处理方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的注射器注塑成型生产用采集数据处理方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种注射器注塑成型生产用采集数据处理方法，其特征在于，包括：

获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；

将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量；

将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；

对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；

将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；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注塑成型后产品的整体成型质量是否符合预定标准。

2.根据权利要求1所述的注射器注塑成型生产用采集数据处理方法，其特征在于，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量，包括：

使用所述ViT模型的转换器对所述第一至第六检测图像块的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义第一至第六检测图像块特征向量；以及

将所述多个全局上下文语义第一至第六检测图像块特征向量进行级联以得到所述第一至第六检测语义特征向量。

3.根据权利要求2所述的注射器注塑成型生产用采集数据处理方法，其特征在于，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，包括：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述多尺度集成感知结构的最后一层的输出为所述多尺度关联特征图，所述多尺度集成感知结构的第一层的输入为所述第一至第六检测语义特征向量进行二维排列得到的特征矩阵。

4.根据权利要求3所述的注射器注塑成型生产用采集数据处理方法，其特征在于，对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图，包括：

以如下优化公式对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化多尺度关联特征图；

其中，所述优化公式为：

F_b＝Cov(F_a)

其中，F为所述多尺度关联特征图，Cov表示单层卷积操作，

和⊙分别表示特征图的逐位置相加、相减和相乘，且B₁和B₂为偏置特征图，F^′为所述优化多尺度关联特征图。

5.根据权利要求4所述的注射器注塑成型生产用采集数据处理方法，其特征在于，将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图，包括：

对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；

将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；

以所述通道注意力权重向量中各个位置的特征值作为权重对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。

6.根据权利要求5所述的注射器注塑成型生产用采集数据处理方法，其特征在于，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注塑成型后产品的整体成型质量是否符合预定标准，包括：

将所述分类特征图基于行向量或列向量展开为分类特征向量；

使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

7.一种注射器注塑成型生产用采集数据处理系统，其特征在于，包括：

图像获取模块，用于获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；

检测语义特征提取模块，用于将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量；

卷积模块，用于将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；

优化模块，用于对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；

通道注意力模块，用于将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；以及

分类结果生成模块，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注塑成型后产品的整体成型质量是否符合预定标准。

8.根据权利要求7所述的一种注射器注塑成型生产用采集数据处理系统，其特征在于，所述检测语义特征提取模块，用于：

使用所述ViT模型的转换器对所述第一至第六检测图像块的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义第一至第六检测图像块特征向量；以及

将所述多个全局上下文语义第一至第六检测图像块特征向量进行级联以得到所述第一至第六检测语义特征向量。

9.根据权利要求8所述的一种注射器注塑成型生产用采集数据处理系统，其特征在于，所述优化模块，用于：以如下优化公式对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化多尺度关联特征图；

其中，所述优化公式为：

F_b＝Cov(F_a)

其中，F为所述多尺度关联特征图，Cov表示单层卷积操作，

和⊙分别表示特征图的逐位置相加、相减和相乘，且B₁和B₂为偏置特征图，F^′为所述优化多尺度关联特征图。

10.根据权利要求9所述的一种注射器注塑成型生产用采集数据处理系统，其特征在于，所述通道注意力模块，用于：

对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；

将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；

以所述通道注意力权重向量中各个位置的特征值作为权重对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。

Images