CN116238125A - 注射器注塑成型生产用产品质量监控方法及系统 - Google Patents

Abstract

本申请涉及智能监控领域，其具体地公开了一种注射器注塑成型生产用产品质量监控方法及系统，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各个侧面的检测图像和参考图像的隐含特征的质量差异性特征分布信息，以此基于该质量差异特征来进行产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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产品质量监控方法及系统

技术领域

本申请涉及智能监控领域，且更为具体地，涉及一种注射器注塑成型生产用产品质量监控方法及系统。

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，期望一种注塑成型生产用产品质量监控方案。

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产品质量监控方法及系统，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各个侧面的检测图像和参考图像的隐含特征的质量差异性特征分布信息，以此基于该质量差异特征来进行产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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产品质量监控方法，其包括：

获取注塑成型后产品的第一侧面的检测图像；

获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；

将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；

将所述检测图像块的序列通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量；

将所述参考图像块的序列通过所述包含嵌入层的Vi T模型以得到多个上下文参考图像块语义特征向量；

将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；

计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；

对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及

将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的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产品质量监控方法中，将所述检测图像块的序列通过包含嵌入层的Vi T模型以得到多个上下文检测图像块语义特征向量，包括：使用所述ViT模型的转换器对所述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检测图像块特征向量；以及，将所述多个全局上下文语义检测图像块特征向量进行级联以得到所述多个上下文检测图像块语义特征向量。

在上述注射器注塑成型生产用产品质量监控方法中，将所述参考图像块的序列通过所述包含嵌入层的Vi T模型以得到多个上下文参考图像块语义特征向量，包括：使用所述Vi T模型的转换器对所述参考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参考图像块特征向量；以及，将所述多个全局上下文语义参考图像块特征向量进行级联以得到所述多个上下文参考图像块语义特征向量。

在上述注射器注塑成型生产用产品质量监控方法中，计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；其中，所述公式为：

其中M₁表示所述检测图像语义特征矩阵，M₂表示所述参考图像语义特征矩阵，M₃表示所述分类特征矩阵。

在上述注射器注塑成型生产用产品质量监控方法中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：对所述分类特征矩阵进行线性变换以得到对角矩阵；对所述对角矩阵进行特征亲和性空间仿射学习优化以得到优化后对角矩阵；以及，对所述优化后对角矩阵进行与所述线性变换对应的逆线性变换以得到所述优化分类特征矩阵。

在上述注射器注塑成型生产用产品质量监控方法中，对所述对角矩阵进行特征亲和性空间仿射学习优化以得到优化后对角矩阵，包括：以如下优化公式对所述对角矩阵进行特征亲和性空间仿射学习优化以得到所述优化后对角矩阵；其中，所述优化公式为：

其中，M表示所述对角矩阵，||M||₂表示所述对角矩阵的二范数，||M||^*表示所述对角矩阵的核范数，且n是所述对角矩阵的尺度，log表示以2为底的对数函数值，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，⊙表示按位置点乘，M′表示所述优化后对角矩阵。

在上述注射器注塑成型生产用产品质量监控方法中，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注塑成型后产品的第一侧面的成型质量是否符合预定标准，包括：将所述分类特征矩阵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产品质量监控系统，其包括：

检测图像获取模块，用于获取注塑成型后产品的第一侧面的检测图像；

参考图像获取模块，用于获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；

图像分块模块，用于将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；

检测图像全局语义关联模块，用于将所述检测图像块的序列通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量；

参考图像全局语义关联模块，用于将所述参考图像块的序列通过所述包含嵌入层的ViT模型以得到多个上下文参考图像块语义特征向量；

排列模块，用于将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；

转移矩阵计算模块，用于计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；

特征分布优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及

分类结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的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产品质量监控方法。

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产品质量监控方法。

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产品质量监控方法及系统，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各个侧面的检测图像和参考图像的隐含特征的质量差异性特征分布信息，以此基于该质量差异特征来进行产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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产品质量监控方法的应用场景图；

图2为根据本申请实施例的注射器注塑成型生产用产品质量监控方法的流程图；

图3为根据本申请实施例的注射器注塑成型生产用产品质量监控方法的架构示意图；

图4为根据本申请实施例的注射器注塑成型生产用产品质量监控方法中检测图像全局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产品质量监控方法中特征分布优化过程的流程图；

图6为根据本申请实施例的注射器注塑成型生产用产品质量监控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产品质量监控系统的框图；

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。

相应地，考虑到在实际进行注塑成型后的产品质量监控过程中，可以通过分别对于注塑成型后产品例如注射器等的各个侧面的检测图像和标准参考图像进行对比来实现成型质量检测。但是，由于所述检测图像和所述参考图像中存在的信息量较多，并不能够有效地对于注塑产品的缺陷隐含特征进行捕捉提取，导致对于产品质量检测的精准度较低。因此，在此过程中，难点在于如何挖掘所述检测图像和所述参考图像中关于注塑成型产品的侧面质量隐含特征的差异性特征分布信息，以此基于该质量差异特征来进行产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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检测图像和所述参考图像中关于注塑成型产品的侧面质量隐含特征的差异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第一侧面的检测图像，并且获取所述注塑成型后产品的第一侧面的设计图像作为参考图像。接着，考虑到由于所述注塑成型后产品的缺陷隐含特征，例如熔接线、气泡、翘曲、缩水等特征在所述检测图像和所述参考图像中都为小尺度的特征信息，即占有图像中的比例较小，为了能够提高所述检测图像和所述参考图像中关于注塑成型质量隐含特征的充分表达，以此来提高质量检测的精准度，在本申请的技术方案中，将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列。应可以理解，所述检测图像块的序列和所述参考图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述检测图像和所述参考图像中关于小尺度的产品成型质量隐含特征在所述各个图像块中不再是小尺度特征信息，以便于后续进行产品的成型质量检测。

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检测图像块的序列和所述参考图像块的序列中各个图像块的隐含特征挖掘，但是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。因此，在本申请的技术方案中，将所述检测图像块的序列和所述参考图像块的序列分别通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量和多个上下文参考图像块语义特征向量。

具体地，在本申请的技术方案中，先将所述检测图像块的序列和所述参考图像块的序列输入所述包含嵌入层的Vi T模型的嵌入层以得到检测图像块嵌入向量的序列和参考图像块嵌入向量的序列。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述检测图像块嵌入向量的序列和所述参考图像块嵌入向量的序列中的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。

接着，进一步再将所述检测图像块嵌入向量的序列和所述参考图像块嵌入向量的序列分别通过所述包含嵌入层的Vi T模型中的Vi T模型进行处理，以提取出所述各个图像块中关于注塑成型产品的成型质量隐含特征的上下文语义关联特征，从而得到所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量。应可以理解，Vi T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关于所述注塑产品的成型质量隐含特征的上下文语义关联特征信息。

进一步地，对于所述检测图像块的序列中的各个检测图像块和所述参考图像块的序列中的各个参考图像块来说，其中都存在有关于所述注塑成型后产品的第一侧面成型质量的特征分布信息，并且，所述各个检测图像块中具有着关于所述检测图像整体的语义特征关联信息，而所述各个参考图像块中具有关于所述参考图像整体的语义特征关联信息。因此，为了能够进行所述检测图像和所述参考图像中关于注塑成型后产品的第一侧面成型质量隐含特征的差异性特征信息的充分表达，以此来提高质量检测精准度，在本申请的技术方案中，进一步将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵，以此来分别整合所述各个检测图像块语义特征的上下文语义关联特征信息和所述各个参考图像块语义特征的上下文语义关联特征信息。

然后，计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵，以此来表示所述检测图像和所述参考图像中关于所述注塑成型后产品的第一侧面的成型质量上下文语义关联特征的差异性特征分布信息，即所述注塑成型后产品的第一侧面的成型质量在实际检测中的隐藏特征和标准参考特征之间的差异性特征分布信息。进而，再将所述分类特征矩阵通过分类器中进行分类处理，就能够对于所述注塑成型后产品的第一侧面的成型质量是否符合预定标准进行检测，从而得到用于表示注塑成型后产品的第一侧面的成型质量是否符合预定标准的分类结果。

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第一侧面的成型质量符合预定标准(第一标签)，以及，注塑成型后产品的第一侧面的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“注塑成型后产品的第一侧面的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，注塑成型后产品的第一侧面的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“注塑成型后产品的第一侧面的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第一侧面的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产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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，对于作为所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵的所述分类特征矩阵来说，由于所述检测图像语义特征矩阵和所述参考图像语义特征矩阵的源图像的图像语义差异在由ViT模型进行图像语义的上下文关联编码时会被放大，也就是，源域图像分布间的差异由ViT模型在特征空间内进行了分布扩散，这就导致作为所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的特征分布域转移的转移矩阵的特征分布较为离散，也就是所述分类特征矩阵的各个局部的转移图像语义分布之间的关联性不足，影响所述分类特征矩阵通过分类器得到的分类结果的准确性。

基于此，在本申请的技术方案中，优选地首先对所述分类特征矩阵进行特征亲和性空间仿射学习以进行优化，表示为：

其中，M是所述分类特征矩阵进行线性变换后得到的对角矩阵，||M||₂表示矩阵的二范数，即M^TM的最大本征值，||M||^*表示矩阵的核范数，即矩阵的本征值之和，且n是矩阵的尺度，即宽度乘以高度，M′是优化后的对角矩阵。

这里，所述特征亲和性空间仿射学习通过对所述分类特征矩阵变换得到的对角矩阵的转移图像语义分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于转移图像语义表征之间的亲和性(affinity)稠密模拟来实现转移图像语义分布在全局矩阵特征分布的各个局部的(例如，逐特征值或者特征片段的)超分辨率(super-resolution)激活。然后，再将所述优化后的对角矩阵M^′通过与所述线性变换对应的逆线性变换以得到优化后的分类特征矩阵，就可以提升所述分类特征矩阵的各个局部转移图像语义分布之间的关联性，从而改进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，能够准确地进行注塑成型产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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产品质量监控方法，其包括：获取注塑成型后产品的第一侧面的检测图像；获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；将所述检测图像块的序列通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量；将所述参考图像块的序列通过所述包含嵌入层的ViT模型以得到多个上下文参考图像块语义特征向量；将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的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产品质量监控方法的应用场景图。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例如注射器的第一侧面的检测图像，以及，获取所述注塑成型后产品的第一侧面的设计图像作为参考图像。接着，将上述图像输入至部署有用于注塑成型生产用产品质量监控算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述注塑成型生产用产品质量监控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第一侧面的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产品质量监控方法的流程图。如图2所示，根据本申请实施例的注射器注塑成型生产用产品质量监控方法，包括步骤：S110，获取注塑成型后产品的第一侧面的检测图像；S120，获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；S130，将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；S140，将所述检测图像块的序列通过包含嵌入层的Vi T模型以得到多个上下文检测图像块语义特征向量；S150，将所述参考图像块的序列通过所述包含嵌入层的Vi T模型以得到多个上下文参考图像块语义特征向量；S160，将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；S170，计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；S180，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，S190，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的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产品质量监控方法的架构示意图。如图3所示，在该网络结构中，首先，获取注塑成型后产品的第一侧面的检测图像；获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；其次，将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；接着，将所述检测图像块的序列通过包含嵌入层的Vi T模型以得到多个上下文检测图像块语义特征向量；将所述参考图像块的序列通过所述包含嵌入层的Vi T模型以得到多个上下文参考图像块语义特征向量；然后，将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；进而，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的成型质量是否符合预定标准。

具体地，在步骤S110和步骤S120中，获取注塑成型后产品的第一侧面的检测图像；以及，获取所述注塑成型后产品的第一侧面的设计图像作为参考图像。考虑到在实际进行注塑成型后的产品质量监控过程中，可以通过分别对于注塑成型后产品的各个侧面的检测图像和标准参考图像进行对比来实现成型质量检测。应可以理解，所述检测图像能够展现出成型过程中可能会出现的一些缺陷，如熔接线、气泡、翘曲、缩水等现象。因此，在本申请的一个具体示例中，首先，可通过摄像头来获取注塑成型后产品的第一侧面的检测图像；以及，获取所述注塑成型后产品的第一侧面的设计图像作为参考图像。

具体地，在步骤S130中，将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列。考虑到由于所述注塑成型后产品的缺陷隐含特征，例如熔接线、气泡、翘曲、缩水等特征在所述检测图像和所述参考图像中都为小尺度的特征信息，即占有图像中的比例较小，为了能够提高所述检测图像和所述参考图像中关于注塑成型质量隐含特征的充分表达，以此来提高质量检测的精准度，在本申请的技术方案中，将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列。应可以理解，所述检测图像块的序列和所述参考图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述检测图像和所述参考图像中关于小尺度的产品成型质量隐含特征在所述各个图像块中不再是小尺度特征信息，以便于后续进行产品的成型质量检测。

具体地，在步骤S140和步骤S150中，将所述检测图像块的序列通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量；以及，将所述参考图像块的序列通过所述包含嵌入层的Vi T模型以得到多个上下文参考图像块语义特征向量。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检测图像块的序列和所述参考图像块的序列中各个图像块的隐含特征挖掘，但是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。因此，在本申请的技术方案中，将所述检测图像块的序列和所述参考图像块的序列分别通过包含嵌入层的Vi T模型以得到多个上下文检测图像块语义特征向量和多个上下文参考图像块语义特征向量。具体地，在本申请的技术方案中，先将所述检测图像块的序列和所述参考图像块的序列输入所述包含嵌入层的Vi T模型的嵌入层以得到检测图像块嵌入向量的序列和参考图像块嵌入向量的序列。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述检测图像块嵌入向量的序列和所述参考图像块嵌入向量的序列中的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。接着，进一步再将所述检测图像块嵌入向量的序列和所述参考图像块嵌入向量的序列分别通过所述包含嵌入层的Vi T模型中的Vi T模型进行处理，以提取出所述各个图像块中关于注塑成型产品的成型质量隐含特征的上下文语义关联特征，从而得到所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量。应可以理解，Vi T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关于所述注塑产品的成型质量隐含特征的上下文语义关联特征信息。更具体地，使用所述Vi T模型的转换器对所述检测图像块的序列和所述参考图像块的序列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检测图像块特征向量和多个上下文参考图像块语义特征向量，进一步通过级联以得到多个上下文检测图像块语义特征向量和多个上下文参考图像块语义特征向量。

图4为根据本申请实施例的注射器注塑成型生产用产品质量监控方法中检测图像全局语义特征提取过程的流程图。如图4所示，在所述检测图像全局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检测图像块特征向量；以及，S220，将所述多个全局上下文语义检测图像块特征向量进行级联以得到所述多个上下文检测图像块语义特征向量。

具体地，在步骤S160中，将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵。应可以理解，对于所述检测图像块的序列中的各个检测图像块和所述参考图像块的序列中的各个参考图像块来说，其中都存在有关于所述注塑成型后产品的第一侧面成型质量的特征分布信息，并且，所述各个检测图像块中具有着关于所述检测图像整体的语义特征关联信息，而所述各个参考图像块中具有关于所述参考图像整体的语义特征关联信息。因此，为了能够进行所述检测图像和所述参考图像中关于注塑成型后产品的第一侧面成型质量隐含特征的差异性特征信息的充分表达，以此来提高质量检测精准度，在本申请的技术方案中，进一步将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵，以此来分别整合所述各个检测图像块语义特征的上下文语义关联特征信息和所述各个参考图像块语义特征的上下文语义关联特征信息。

具体地，在步骤S170中，计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵。在本申请的技术方案中，在得到所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之后，进一步计算两者的转移矩阵作为分类矩阵。以此来表示所述检测图像和所述参考图像中关于所述注塑成型后产品的第一侧面的成型质量上下文语义关联特征的差异性特征分布信息，即所述注塑成型后产品的第一侧面的成型质量在实际检测中的隐藏特征和标准参考特征之间的差异性特征分布信息。在本申请的一个具体实例中，以如下公式计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；其中，所述公式为：

其中M₁表示所述检测图像语义特征矩阵，M₂表示所述参考图像语义特征矩阵，M₃表示所述分类特征矩阵。

具体地，在步骤S180中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。特别地，在本申请的技术方案中，这里，对于作为所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵的所述分类特征矩阵来说，由于所述检测图像语义特征矩阵和所述参考图像语义特征矩阵的源图像的图像语义差异在由ViT模型进行图像语义的上下文关联编码时会被放大，也就是，源域图像分布间的差异由Vi T模型在特征空间内进行了分布扩散，这就导致作为所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的特征分布域转移的转移矩阵的特征分布较为离散，也就是所述分类特征矩阵的各个局部的转移图像语义分布之间的关联性不足，影响所述分类特征矩阵通过分类器得到的分类结果的准确性。基于此，在本申请的技术方案中，优选地首先对所述分类特征矩阵进行特征亲和性空间仿射学习以进行优化，表示为：

其中，M表示所述对角矩阵，||M||₂表示所述对角矩阵的二范数，||M||^*表示所述对角矩阵的核范数，且n是所述对角矩阵的尺度，log表示以2为底的对数函数值，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，⊙表示按位置点乘，M′表示所述优化后对角矩阵。这里，所述特征亲和性空间仿射学习通过对所述分类特征矩阵变换得到的对角矩阵的转移图像语义分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于转移图像语义表征之间的亲和性(affinity)稠密模拟来实现转移图像语义分布在全局矩阵特征分布的各个局部的(例如，逐特征值或者特征片段的)超分辨率(super-resolution)激活。然后，再将所述优化后的对角矩阵M′通过与所述线性变换对应的逆线性变换以得到优化后的分类特征矩阵，就可以提升所述分类特征矩阵的各个局部转移图像语义分布之间的关联性，从而改进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，能够准确地进行注塑成型产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，提高产品的合格率和客户满意度。

图5为根据本申请实施例的注射器注塑成型生产用产品质量监控方法中特征分布优化过程的流程图。如图5所示，在所述特征分布优化的过程中，包括：S310，对所述分类特征矩阵进行线性变换以得到对角矩阵；S320，对所述对角矩阵进行特征亲和性空间仿射学习优化以得到优化后对角矩阵；以及，S330，对所述优化后对角矩阵进行与所述线性变换对应的逆线性变换以得到所述优化分类特征矩阵。

具体地，在步骤S190中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的成型质量是否符合预定标。也就是，将所述优化分类特征矩阵作为分类特征矩阵通过分类器以得到用于表示注塑成型后产品的第一侧面的成型质量是否符合预定标的分类结果，具体地，使用所述分类器以如下公式对所述优化分类特征矩阵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

将所述优化分类特征矩阵投影为向量，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，首先将所述优化分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述优化分类特征矩阵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第一侧面的成型质量符合预定标准(第一标签)，以及，注塑成型后产品的第一侧面的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“注塑成型后产品的第一侧面的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，注塑成型后产品的第一侧面的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“注塑成型后产品的第一侧面的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第一侧面的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产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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产品质量监控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，将所述分类特征矩阵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产品质量监控方法被阐明，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各个侧面的检测图像和参考图像的隐含特征的质量差异性特征分布信息，以此基于该质量差异特征来进行产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，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产品质量监控系统的框图。如图7所示，根据本申请实施例的注射器注塑成型生产用产品质量监控系统300，包括：检测图像获取模块310；参考图像获取模块320；图像分块模块330；检测图像全局语义关联模块340；参考图像全局语义关联模块350；排列模块360；转移矩阵计算模块370；特征分布优化模块380；以及，分类结果生成模块390。

其中，所述检测图像获取模块310，用于获取注塑成型后产品的第一侧面的检测图像；所述参考图像获取模块320，用于获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；所述图像分块模块330，用于将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；所述检测图像全局语义关联模块340，用于将所述检测图像块的序列通过包含嵌入层的Vi T模型以得到多个上下文检测图像块语义特征向量；所述参考图像全局语义关联模块350，用于将所述参考图像块的序列通过所述包含嵌入层的Vi T模型以得到多个上下文参考图像块语义特征向量；所述排列模块360，用于将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；所述转移矩阵计算模块370，用于计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；所述特征分布优化模块380，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，所述分类结果生成模块390，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的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产品质量监控系统300中，所述检测图像全局语义关联模块340，用于：使用所述ViT模型的转换器对所述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检测图像块特征向量；以及，将所述多个全局上下文语义检测图像块特征向量进行级联以得到所述多个上下文检测图像块语义特征向量。

在一个示例中，在上述注射器注塑成型生产用产品质量监控系统300中，所述参考图像全局语义关联模块350，用于：使用所述ViT模型的转换器对所述参考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参考图像块特征向量；以及，将所述多个全局上下文语义参考图像块特征向量进行级联以得到所述多个上下文参考图像块语义特征向量。

在一个示例中，在上述注射器注塑成型生产用产品质量监控系统300中，所述转移矩阵计算模块370，用于：以如下公式计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；其中，所述公式为：

其中M₁表示所述检测图像语义特征矩阵，M₂表示所述参考图像语义特征矩阵，M₃表示所述分类特征矩阵。

在一个示例中，在上述注射器注塑成型生产用产品质量监控系统300中，所述特征分布优化模块380，用于：对所述分类特征矩阵进行线性变换以得到对角矩阵；对所述对角矩阵进行特征亲和性空间仿射学习优化以得到优化后对角矩阵；以及，对所述优化后对角矩阵进行与所述线性变换对应的逆线性变换以得到所述优化分类特征矩阵。其中，对所述对角矩阵进行特征亲和性空间仿射学习优化以得到优化后对角矩阵，包括：以如下优化公式对所述对角矩阵进行特征亲和性空间仿射学习优化以得到所述优化后对角矩阵；其中，所述优化公式为：

其中，M表示所述对角矩阵，||M||₂表示所述对角矩阵的二范数，||M||^*表示所述对角矩阵的核范数，且n是所述对角矩阵的尺度，log表示以2为底的对数函数值，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，⊙表示按位置点乘，M^′表示所述优化后对角矩阵。

在一个示例中，在上述注射器注塑成型生产用产品质量监控系统300中，所述分类结果生成模块390，用于：将所述分类特征矩阵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产品质量监控系统300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各个侧面的检测图像和参考图像的隐含特征的质量差异性特征分布信息，以此基于该质量差异特征来进行产品的各个侧面的成型质量检测，以及时发现和解决注塑产品质量问题，提高产品的合格率和客户满意度。

如上所述，根据本申请实施例的注射器注塑成型生产用产品质量监控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产品质量监控系统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产品质量监控系统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产品质量监控系统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产品质量监控系统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产品质量监控系统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产品质量监控方法中的功能以及/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上下文参考图像块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产品质量监控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产品质量监控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产品质量监控方法，其特征在于，包括：

获取注塑成型后产品的第一侧面的检测图像；

获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；

将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；

将所述检测图像块的序列通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量；

将所述参考图像块的序列通过所述包含嵌入层的ViT模型以得到多个上下文参考图像块语义特征向量；

将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；

计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；

对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及

将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的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产品质量监控方法，其特征在于，将所述检测图像块的序列通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量，包括：

使用所述ViT模型的转换器对所述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检测图像块特征向量；以及

将所述多个全局上下文语义检测图像块特征向量进行级联以得到所述多个上下文检测图像块语义特征向量。

3.根据权利要求2所述的注射器注塑成型生产用产品质量监控方法，其特征在于，将所述参考图像块的序列通过所述包含嵌入层的ViT模型以得到多个上下文参考图像块语义特征向量，包括：

使用所述ViT模型的转换器对所述参考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参考图像块特征向量；以及

将所述多个全局上下文语义参考图像块特征向量进行级联以得到所述多个上下文参考图像块语义特征向量。

4.根据权利要求3所述的注射器注塑成型生产用产品质量监控方法，其特征在于，计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；

其中，所述公式为：

其中M₁表示所述检测图像语义特征矩阵，M₂表示所述参考图像语义特征矩阵，M₃表示所述分类特征矩阵。

5.根据权利要求4所述的注射器注塑成型生产用产品质量监控方法，其特征在于，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：

对所述分类特征矩阵进行线性变换以得到对角矩阵；

对所述对角矩阵进行特征亲和性空间仿射学习优化以得到优化后对角矩阵；以及

对所述优化后对角矩阵进行与所述线性变换对应的逆线性变换以得到所述优化分类特征矩阵。

6.根据权利要求5所述的注射器注塑成型生产用产品质量监控方法，其特征在于，对所述对角矩阵进行特征亲和性空间仿射学习优化以得到优化后对角矩阵，包括：

以如下优化公式对所述对角矩阵进行特征亲和性空间仿射学习优化以得到所述优化后对角矩阵；

其中，所述优化公式为：

其中，M表示所述对角矩阵，||M||₂表示所述对角矩阵的二范数，||M||^*表示所述对角矩阵的核范数，且n是所述对角矩阵的尺度，log表示以2为底的对数函数值，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，⊙表示按位置点乘，M′表示所述优化后对角矩阵。

7.根据权利要求6所述的注射器注塑成型生产用产品质量监控方法，其特征在于，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注塑成型后产品的第一侧面的成型质量是否符合预定标准，包括：

将所述分类特征矩阵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。

8.一种注射器注塑成型生产用产品质量监控系统，其特征在于，包括：

检测图像获取模块，用于获取注塑成型后产品的第一侧面的检测图像；

参考图像获取模块，用于获取所述注塑成型后产品的第一侧面的设计图像作为参考图像；

图像分块模块，用于将所述检测图像和所述参考图像以相同的图像分块方式进行图像分块处理以得到检测图像块的序列和参考图像块的序列；

检测图像全局语义关联模块，用于将所述检测图像块的序列通过包含嵌入层的ViT模型以得到多个上下文检测图像块语义特征向量；

参考图像全局语义关联模块，用于将所述参考图像块的序列通过所述包含嵌入层的ViT模型以得到多个上下文参考图像块语义特征向量；

排列模块，用于将所述多个上下文检测图像块语义特征向量和所述多个上下文参考图像块语义特征向量分别按照行向量排列为检测图像语义特征矩阵和参考图像语义特征矩阵；

转移矩阵计算模块，用于计算所述检测图像语义特征矩阵和所述参考图像语义特征矩阵之间的转移矩阵作为分类特征矩阵；

特征分布优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及

分类结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示注塑成型后产品的第一侧面的成型质量是否符合预定标准。

9.根据权利要求8所述的一种注射器注塑成型生产用产品质量监控系统，其特征在于，所述检测图像全局语义关联模块，用于：

使用所述ViT模型的转换器对所述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检测图像块特征向量；以及

将所述多个全局上下文语义检测图像块特征向量进行级联以得到所述多个上下文检测图像块语义特征向量。

10.根据权利要求9所述的一种注射器注塑成型生产用产品质量监控系统，其特征在于，所述分类结果生成模块，用于：

将所述分类特征矩阵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。

Images