CN116258947A - 适用于家居定制行业的工业自动化处理方法及系统 - Google Patents
适用于家居定制行业的工业自动化处理方法及系统 Download PDFInfo
- Publication number
- CN116258947A CN116258947A CN202310237441.2A CN202310237441A CN116258947A CN 116258947 A CN116258947 A CN 116258947A CN 202310237441 A CN202310237441 A CN 202310237441A CN 116258947 A CN116258947 A CN 116258947A
- Authority
- CN
- China
- Prior art keywords
- plate
- image
- feature
- matrix
- vector
- 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
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
- G06V10/70—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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能化家具生产领域,其具体地公开了一种适用于家居定制行业的工业自动化处理方法及系统,其利用基于深度学习的人工智能检测技术,以通过使用空间注意力机制的卷积神经网络模型来提取第一板材图像和第二板材图像中关于板材形状、钻孔等高维隐含特征关联信息,并在高维空间中进行差分处理以获取两者之间的相关性特征信息,并以此进行两块板材是否属于同一订单的分类处理。这样,基于板材图像来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
Description
技术领域
本申请涉及智能化家具生产领域,且更为具体地,涉及一种适用于家居定制行业的工业自动化处理方法及系统。
背景技术
随着定制家具行业的高速发展,生产企业大量组建以数控开料加工中心、封边机、数控排钻加工中心为核心设备的高度自动化定制家具生产线,例如,板式家具自动化生产线。
在板式家具自动化生产线的生产过程中,为了追求材料利用率,生产企业会将一定量的同等原材料为基础的订单合并到一起进行批次开料、封边、钻孔。在此过程中,易出现订单混淆、分拣困难等问题。大多数生产企业的做法是在开料时在板件贴上条形码或标签加以区分,但这类做法增加了分拣工序的步骤,增加人工成本,订单混淆、分拣困难的问题无法得到根本解决。
因此,期待一种更为优化的适用于家具定制行业的工业自动化处理方案。
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适用于家居定制行业的工业自动化处理方法及系统,其利用基于深度学习的人工智能检测技术,以通过使用空间注意力机制的卷积神经网络模型来提取第一板材图像和第二板材图像中关于板材形状、钻孔等高维隐含特征关联信息,并在高维空间中进行差分处理以获取两者之间的相关性特征信息,并以此进行两块板材是否属于同一订单的分类处理。这样,基于板材图像来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
根据本申请的一个方面,提供了一种适用于家居定制行业的工业自动化处理方法,其包括:
获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像;
将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像;
将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵;
计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵;以及
将所述差分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第一板材和第二板材是否属于同一订单。
在上述适用于家居定制行业的工业自动化处理方法中,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像,包括:将所述第一板材图像和所述第二板材图像分别输入所述图像降噪器的编码器,其中,所述编码器使用卷积层分别对所述第一板材图像和所述第二板材图像进行显式空间编码以得到第一图像特征和第二图像特征;以及,将所述第一图像特征和所述第二图像特征分别输入所述图像降噪器的解码器,其中,所述解码器使用反卷积层分别对所述第一图像特征和所述第二图像特征进行反卷积处理以得到第一降噪板材图像和第二降噪板材图像。
在上述适用于家居定制行业的工业自动化处理方法中,将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵,包括:使用所述卷积神经网络模型的卷积编码部分对所述第一降噪板材图像和所述第二降噪板材图像分别进行深度卷积编码以得到第一初始卷积特征图和第二初始卷积特征图;将所述第一初始卷积特征图和所述第二初始卷积特征图分别输入所述卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图;将所述第一空间注意力图和所述第二空间注意力图分别通过Softmax激活函数以得到第一空间注意力特征图和第二空间注意力特征图;计算所述第一空间注意力特征图和所述第一初始卷积特征图的按位置点乘以得到第一板材特征图,并计算所述第二空间注意力特征图和所述第二初始卷积特征图的按位置点乘以得到第二板材特征图;以及,对所述第一板材特征图和所述第二板材特征图分别进行沿通道维度的全局均值池化处理以得到所述第一板材特征矩阵和所述第二板材特征矩阵。
在上述适用于家居定制行业的工业自动化处理方法中,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵,包括:将所述第一板材特征矩阵和所述第二板材特征矩阵展开为第一板材特征向量和第二板材特征向量;构造所述第一板材特征向量和所述第二板材特征向量的联合高斯密度图,其中,所述联合高斯密度图的均值向量为所述第一板材特征向量和所述第二板材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第一板材特征向量和所述第二板材特征向量的按位置方差;分别计算所述第一板材特征向量和所述第二板材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对所述第一板材特征矩阵和所述第二板材特征矩阵进行加权以得到加权后第一板材特征矩阵和加权后第二板材特征矩阵;以及,计算所述加权后第一板材特征矩阵和所述加权后第二板材特征矩阵之间的差分以得到所述差分特征矩阵。
在上述适用于家居定制行业的工业自动化处理方法中,构造所述第一板材特征向量和所述第二板材特征向量的联合高斯密度图,包括:以如下公式构造所述第一板材特征向量和所述第二板材特征向量的联合高斯密度图;其中,所述公式为:
在上述适用于家居定制行业的工业自动化处理方法中,分别计算所述第一板材特征向量和所述第二板材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:以如下公式分别计算所述第一板材特征向量和所述第二板材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,所述公式为:
其中,V1和V2分别是所述第一板材特征向量和所述第二板材特征向量,μu和∑u是联合高斯密度图的均值向量和协方差矩阵,即μu表示所述第一板材特征向量和所述第二板材特征向量的均值向量,且Σu表示所述第一板材特征向量和所述第二板材特征向量的按位置方差构成的协方差矩阵,其中向量均为列向量,表示按位置作差,/>表示矩阵乘法,exp(·)表示以e为底的指数函数运算,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。
在上述适用于家居定制行业的工业自动化处理方法中,计算所述加权后第一板材特征矩阵和所述加权后第二板材特征矩阵之间的差分以得到所述差分特征矩阵,包括:以如下公式来计算所述加权后第一板材特征矩阵和所述加权后第二板材特征矩阵之间的差分以得到所述差分特征矩阵;其中,所述公式为:其中,M1表示所述加权后第一板材特征矩阵,M2表示所述加权后第二板材特征矩阵,Mc表示所述差分特征矩阵,/>表示按位置作差。
在上述适用于家居定制行业的工业自动化处理方法中,将所述差分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第一板材和第二板材是否属于同一订单,包括:将所述差分特征矩阵按照行向量或者列向量展开为分类特征向量;将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值;以及,将最大概率值对应的分类标签确定为所述分类结果。
根据本申请的另一方面,提供了一种适用于家居定制行业的工业自动化处理系统,包括:
板材图像监控模块,用于获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像;
图像降噪模块,用于将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像;
特征提取模块,用于将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵;
特征差分模块,用于计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵;以及
匹配结果生成模块,用于将所述差分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第一板材和第二板材是否属于同一订单。
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适用于家居定制行业的工业自动化处理方法。
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适用于家居定制行业的工业自动化处理方法。
与现有技术相比,本申请提供的适用于家居定制行业的工业自动化处理方法及系统,其利用基于深度学习的人工智能检测技术,以通过使用空间注意力机制的卷积神经网络模型来提取第一板材图像和第二板材图像中关于板材形状、钻孔等高维隐含特征关联信息,并在高维空间中进行差分处理以获取两者之间的相关性特征信息,并以此进行两块板材是否属于同一订单的分类处理。这样,基于板材图像来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
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适用于家居定制行业的工业自动化处理方法的应用场景图。
图2为根据本申请实施例的适用于家居定制行业的工业自动化处理方法的流程图。
图3为根据本申请实施例的适用于家居定制行业的工业自动化处理方法的架构图。
图4为根据本申请实施例的适用于家居定制行业的工业自动化处理方法中计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵的流程图。
图5为根据本申请实施例的适用于家居定制行业的工业自动化处理系统的框图。
图6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。
申请概述
相应地,考虑到不同板材具有不同的形状,针对不同订单的钻孔需求也不相同,而在同一订单上的各个板材相对来说就具有较为一致的钻孔需求和较高的形状吻合度。因此,在本申请的技术方案中,期待基于板材图像来分析两块板材是否属于同一订单。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为构建适用于家居定制行业的工业自动化处理方案提供了解决思路。
在本申请的技术方案中,利用基于深度学习的人工智能检测技术,以通过使用空间注意力机制的卷积神经网络模型来提取第一板材图像和第二板材图像中关于板材形状、钻孔等高维隐含特征关联信息,并在高维空间中进行差分处理以获取两者之间的相关性特征信息,并以此进行两块板材是否属于同一订单的分类处理。这样,基于板材图像来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
具体地,首先,获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像。
考虑到第一板材图像和第二板材图像的质量受加工环境中不可避免的粉尘等环境干扰因素的影响较大,因此,在本申请的技术方案中,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以尽可能减少粉尘、干扰物等对图像质量带来的影响,从而得到第一降噪板材图像和第二降噪板材图像。特别地,这里,所述图像降噪器包括编码器和解码器。其中,所述编码器使用卷积层分别对所述第一板材图像和所述第二板材图像进行显式空间编码以得到第一图像特征和第二图像特征;所述解码器使用反卷积层分别对所述第一图像特征和所述第二图像特征进行反卷积处理以得到第一降噪板材图像和第二降噪板材图像。
由于在对于所述第一板材图像和所述第二板材图像进行差异对比时,应更关注于图像中的轮廓位置信息和钻孔位置信息以提高判断的准确性,且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,同时,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,进一步通过使用空间注意力机制的卷积神经网络模型来对所述第一降噪板材图像和所述第二降噪板材图像分别进行特征挖掘,以从中提取出更聚焦于轮廓位置信息和钻孔位置信息的第一板材特征矩阵和第二板材特征矩阵。值得一提的是,这里,所述使用空间注意力机制的卷积神经网络模型所提取到的特征信息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轮廓位置信息和钻孔位置信息的特征分布信息。
然后,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵以在高维空间中计算两者之间的相关性特征分布。在本申请的一个具体示例中,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间每个对应位置的特征值之间的差值,以获得所述差分特征矩阵。
在得到所述差分特征矩阵后,将其通过分类器以得到分类结果,所述分类结果用于表示第一板材和第二板材是否属于同一订单。也就是,在本申请的技术方案中,所述分类器的标签包括第一板材和第二板材属于同一订单(第一标签),以及,第一板材和第二板材不属于同一订单(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。应可以理解,在得到所述分类结果后,可基于所述分类结果来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
特别地,对于计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的按位置差分得到的所述差分特征矩阵来说,期望所述差分特征矩阵的特征表示能够与所述第一板材特征矩阵和所述第二板材特征矩阵的联合分布维度上的特征表示具有较高的一致性和相关性,从而保证所述差分特征矩阵的分类结果的准确性。
并且,考虑到所述第一板材特征矩阵和所述第二板材特征矩阵分别表达带匹配的板材图像的图像语义关联特征表示,如果对其各自的特征分布向着目标联合分布维度进行约束,则显然可以提升计算得到的差分特征矩阵的特征表示在其联合分布维度上的一致性和相关性。
基于此,本申请的申请人首先将所述第一板材特征矩阵和所述第二板材特征矩阵展开为第一板材特征向量和第二板材特征向量,再计算其联合高斯密度图,并进一步计算所述第一板材特征向量和所述第二板材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:
其中,V1和V2分别是所述第一板材特征向量和所述第二板材特征向量,μu和∑u是联合高斯密度图的均值向量和协方差矩阵,即μu表示所述第一板材特征向量和所述第二板材特征向量的均值向量,且∑u表示所述第一板材特征向量和所述第二板材特征向量的按位置方差构成的协方差矩阵,其中向量均为列向量。
因此,通过计算所述第一板材特征向量和所述第二板材特征向量分别与其相应的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联合高斯概率密度分布的特征分布距离,通过以其分别对于所述第一板材特征矩阵和所述第二板材特征矩阵进行加权后再计算其差分特征矩阵,就可以通过提高所述第一板材特征矩阵和所述第二板材特征矩阵各自到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性的方式,来提升所述差分特征矩阵的高斯概率密度分布与所述第一板材特征矩阵和所述第二板材特征矩阵的联合分布维度上的特征表示的一致性和相关性,也就改进了所述差分特征矩阵通过分类器得到的分类结果的准确性。
图1为根据本申请实施例的适用于家居定制行业的工业自动化处理方法的应用场景图。如图1所示,在该应用场景中,首先,获取由摄像头(例如,如图1中所示意的C)采集待匹配的第一板材(例如,如图1中所示意的P1)和第二板材(例如,如图1中所示意的P2)的第一板材图像和第二板材图像。进而,将所述第一板材图像和所述第二板材图像输入至部署有适用于家居定制行业的工业自动化处理算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述适用于家居定制行业的工业自动化处理算法对所述第一板材图像和所述第二板材图像进行处理,以得到用于表示第一板材和第二板材是否属于同一订单的分类结果。
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适用于家居定制行业的工业自动化处理方法的流程图。如图2所示,根据本申请实施例的适用于家居定制行业的工业自动化处理方法,包括:S110,获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像;S120,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像;S130,将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵;S140,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵;以及,S150,将所述差分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第一板材和第二板材是否属于同一订单。
图3为根据本申请实施例的适用于家居定制行业的工业自动化处理方法的架构图。如图3所示,在该架构中,首先,获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像;接着,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像;然后,将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵;继而,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵;最后,将所述差分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第一板材和第二板材是否属于同一订单。
相应地,考虑到不同板材具有不同的形状,针对不同订单的钻孔需求也不相同,而在同一订单上的各个板材相对来说就具有较为一致的钻孔需求和较高的形状吻合度。因此,在本申请的技术方案中,期待基于板材图像来分析两块板材是否属于同一订单。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为构建适用于家居定制行业的工业自动化处理方案提供了解决思路。
在本申请的技术方案中,利用基于深度学习的人工智能检测技术,以通过使用空间注意力机制的卷积神经网络模型来提取第一板材图像和第二板材图像中关于板材形状、钻孔等高维隐含特征关联信息,并在高维空间中进行差分处理以获取两者之间的相关性特征信息,并以此进行两块板材是否属于同一订单的分类处理。这样,基于板材图像来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
在步骤S110中,获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像。
在步骤S120中,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像。考虑到第一板材图像和第二板材图像的质量受加工环境中不可避免的粉尘等环境干扰因素的影响较大,因此,在本申请的技术方案中,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以尽可能减少粉尘、干扰物等对图像质量带来的影响,从而得到第一降噪板材图像和第二降噪板材图像。特别地,这里,所述图像降噪器包括编码器和解码器。其中,所述编码器使用卷积层分别对所述第一板材图像和所述第二板材图像进行显式空间编码以得到第一图像特征和第二图像特征;所述解码器使用反卷积层分别对所述第一图像特征和所述第二图像特征进行反卷积处理以得到第一降噪板材图像和第二降噪板材图像。
具体地,在本申请实施例中,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像的编码过程,包括:首先,将所述第一板材图像和所述第二板材图像分别输入所述图像降噪器的编码器,其中,所述编码器使用卷积层分别对所述第一板材图像和所述第二板材图像进行显式空间编码以得到第一图像特征和第二图像特征;然后,将所述第一图像特征和所述第二图像特征分别输入所述图像降噪器的解码器,其中,所述解码器使用反卷积层分别对所述第一图像特征和所述第二图像特征进行反卷积处理以得到第一降噪板材图像和第二降噪板材图像。
在步骤S130中,将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵。由于在对于所述第一板材图像和所述第二板材图像进行差异对比时,应更关注于图像中的轮廓位置信息和钻孔位置信息以提高判断的准确性,且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,同时,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,进一步通过使用空间注意力机制的卷积神经网络模型来对所述第一降噪板材图像和所述第二降噪板材图像分别进行特征挖掘,以从中提取出更聚焦于轮廓位置信息和钻孔位置信息的第一板材特征矩阵和第二板材特征矩阵。值得一提的是,这里,所述使用空间注意力机制的卷积神经网络模型所提取到的特征信息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轮廓位置信息和钻孔位置信息的特征分布信息。
具体地,在本申请实施例中,将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵的编码过程,包括:首先,使用所述卷积神经网络模型的卷积编码部分对所述第一降噪板材图像和所述第二降噪板材图像分别进行深度卷积编码以得到第一初始卷积特征图和第二初始卷积特征图;接着,将所述第一初始卷积特征图和所述第二初始卷积特征图分别输入所述卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图;然后,将所述第一空间注意力图和所述第二空间注意力图分别通过Softmax激活函数以得到第一空间注意力特征图和第二空间注意力特征图;继而,计算所述第一空间注意力特征图和所述第一初始卷积特征图的按位置点乘以得到第一板材特征图,并计算所述第二空间注意力特征图和所述第二初始卷积特征图的按位置点乘以得到第二板材特征图;最后,对所述第一板材特征图和所述第二板材特征图分别进行沿通道维度的全局均值池化处理以得到所述第一板材特征矩阵和所述第二板材特征矩阵。
在步骤S140中,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵。也就是,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵以在高维空间中计算两者之间的相关性特征分布。
图4为根据本申请实施例的适用于家居定制行业的工业自动化处理方法中计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵的流程图。如图4所示,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵,包括步骤:S210,将所述第一板材特征矩阵和所述第二板材特征矩阵展开为第一板材特征向量和第二板材特征向量;S220,构造所述第一板材特征向量和所述第二板材特征向量的联合高斯密度图,其中,所述联合高斯密度图的均值向量为所述第一板材特征向量和所述第二板材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第一板材特征向量和所述第二板材特征向量的按位置方差;S230,分别计算所述第一板材特征向量和所述第二板材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;S240,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对所述第一板材特征矩阵和所述第二板材特征矩阵进行加权以得到加权后第一板材特征矩阵和加权后第二板材特征矩阵;以及,S250,计算所述加权后第一板材特征矩阵和所述加权后第二板材特征矩阵之间的差分以得到所述差分特征矩阵。
具体地,在本申请实施例中,构造所述第一板材特征向量和所述第二板材特征向量的联合高斯密度图,包括:以如下公式构造所述第一板材特征向量和所述第二板材特征向量的联合高斯密度图;其中,所述公式为:
特别地,对于计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的按位置差分得到的所述差分特征矩阵来说,期望所述差分特征矩阵的特征表示能够与所述第一板材特征矩阵和所述第二板材特征矩阵的联合分布维度上的特征表示具有较高的一致性和相关性,从而保证所述差分特征矩阵的分类结果的准确性。
并且,考虑到所述第一板材特征矩阵和所述第二板材特征矩阵分别表达带匹配的板材图像的图像语义关联特征表示,如果对其各自的特征分布向着目标联合分布维度进行约束,则显然可以提升计算得到的差分特征矩阵的特征表示在其联合分布维度上的一致性和相关性。
基于此,本申请的申请人首先将所述第一板材特征矩阵和所述第二板材特征矩阵展开为第一板材特征向量和第二板材特征向量,再计算其联合高斯密度图,并进一步计算所述第一板材特征向量和所述第二板材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:
其中,V1和V2分别是所述第一板材特征向量和所述第二板材特征向量,μu和∑u是联合高斯密度图的均值向量和协方差矩阵,即μu表示所述第一板材特征向量和所述第二板材特征向量的均值向量,且Σu表示所述第一板材特征向量和所述第二板材特征向量的按位置方差构成的协方差矩阵,其中向量均为列向量,表示按位置作差,/>表示矩阵乘法,exp(·)表示以e为底的指数函数运算,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。
因此,通过计算所述第一板材特征向量和所述第二板材特征向量分别与其相应的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联合高斯概率密度分布的特征分布距离,通过以其分别对于所述第一板材特征矩阵和所述第二板材特征矩阵进行加权后再计算其差分特征矩阵,就可以通过提高所述第一板材特征矩阵和所述第二板材特征矩阵各自到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性的方式,来提升所述差分特征矩阵的高斯概率密度分布与所述第一板材特征矩阵和所述第二板材特征矩阵的联合分布维度上的特征表示的一致性和相关性,也就改进了所述差分特征矩阵通过分类器得到的分类结果的准确性。
具体地,在本申请实施例中,以如下公式来计算所述加权后第一板材特征矩阵和所述加权后第二板材特征矩阵之间的差分以得到所述差分特征矩阵;其中,所述公式为:其中,M1表示所述加权后第一板材特征矩阵,M2表示所述加权后第二板材特征矩阵,Mc表示所述差分特征矩阵,/>表示按位置作差。
在步骤S150中,将所述差分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第一板材和第二板材是否属于同一订单。也就是,在本申请的技术方案中,所述分类器的标签包括第一板材和第二板材属于同一订单(第一标签),以及,第一板材和第二板材不属于同一订单(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。应可以理解,在得到所述分类结果后,可基于所述分类结果来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
具体地,在本申请实施例中,将所述差分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第一板材和第二板材是否属于同一订单的编码过程,包括:首先,将所述差分特征矩阵按照行向量或者列向量展开为分类特征向量;接着,将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值;然后,将最大概率值对应的分类标签确定为所述分类结果。
综上,基于本申请实施例的适用于家居定制行业的工业自动化处理方法被阐明,其利用基于深度学习的人工智能检测技术,以通过使用空间注意力机制的卷积神经网络模型来提取第一板材图像和第二板材图像中关于板材形状、钻孔等高维隐含特征关联信息,并在高维空间中进行差分处理以获取两者之间的相关性特征信息,并以此进行两块板材是否属于同一订单的分类处理。这样,基于板材图像来进行智能化分拣,以在追求材料利用率的同时提高分拣效率。
示例性系统
图5为根据本申请实施例的适用于家居定制行业的工业自动化处理系统的框图。如图5所示,根据本申请实施例的适用于家居定制行业的工业自动化处理系统100,包括:板材图像监控模块110,用于获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像;图像降噪模块120,用于将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像;特征提取模块130,用于将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵;特征差分模块140,用于计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵;以及,匹配结果生成模块150,用于将所述差分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第一板材和第二板材是否属于同一订单。
这里,本领域技术人员可以理解,上述适用于家居定制行业的工业自动化处理系统100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4的适用于家居定制行业的工业自动化处理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适用于家居定制行业的工业自动化处理系统100可以实现在各种终端设备中,例如适用于家居定制行业的工业自动化处理的服务器等。在一个示例中,根据本申请实施例的适用于家居定制行业的工业自动化处理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该适用于家居定制行业的工业自动化处理系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该适用于家居定制行业的工业自动化处理系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该适用于家居定制行业的工业自动化处理系统100与该终端设备也可以是分立的设备,并且该适用于家居定制行业的工业自动化处理系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6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适用于家居定制行业的工业自动化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板材图像、第二板材图像等各种内容。
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6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适用于家居定制行业的工业自动化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适用于家居定制行业的工业自动化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)
1.一种适用于家居定制行业的工业自动化处理方法,其特征在于,包括:
获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像;
将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像;
将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵;
计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵;以及
将所述差分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第一板材和第二板材是否属于同一订单。
2.根据权利要求1所述的适用于家居定制行业的工业自动化处理方法,其特征在于,将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像,包括:
将所述第一板材图像和所述第二板材图像分别输入所述图像降噪器的编码器,其中,所述编码器使用卷积层分别对所述第一板材图像和所述第二板材图像进行显式空间编码以得到第一图像特征和第二图像特征;以及
将所述第一图像特征和所述第二图像特征分别输入所述图像降噪器的解码器,其中,所述解码器使用反卷积层分别对所述第一图像特征和所述第二图像特征进行反卷积处理以得到第一降噪板材图像和第二降噪板材图像。
3.根据权利要求2所述的适用于家居定制行业的工业自动化处理方法,其特征在于,将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵,包括:
使用所述卷积神经网络模型的卷积编码部分对所述第一降噪板材图像和所述第二降噪板材图像分别进行深度卷积编码以得到第一初始卷积特征图和第二初始卷积特征图;
将所述第一初始卷积特征图和所述第二初始卷积特征图分别输入所述卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图;
将所述第一空间注意力图和所述第二空间注意力图分别通过Softmax激活函数以得到第一空间注意力特征图和第二空间注意力特征图;
计算所述第一空间注意力特征图和所述第一初始卷积特征图的按位置点乘以得到第一板材特征图,并计算所述第二空间注意力特征图和所述第二初始卷积特征图的按位置点乘以得到第二板材特征图;以及
对所述第一板材特征图和所述第二板材特征图分别进行沿通道维度的全局均值池化处理以得到所述第一板材特征矩阵和所述第二板材特征矩阵。
4.根据权利要求3所述的适用于家居定制行业的工业自动化处理方法,其特征在于,计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵,包括:
将所述第一板材特征矩阵和所述第二板材特征矩阵展开为第一板材特征向量和第二板材特征向量;
构造所述第一板材特征向量和所述第二板材特征向量的联合高斯密度图,其中,所述联合高斯密度图的均值向量为所述第一板材特征向量和所述第二板材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第一板材特征向量和所述第二板材特征向量的按位置方差;
分别计算所述第一板材特征向量和所述第二板材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对所述第一板材特征矩阵和所述第二板材特征矩阵进行加权以得到加权后第一板材特征矩阵和加权后第二板材特征矩阵;以及
计算所述加权后第一板材特征矩阵和所述加权后第二板材特征矩阵之间的差分以得到所述差分特征矩阵。
6.根据权利要求5所述的适用于家居定制行业的工业自动化处理方法,其特征在于,分别计算所述第一板材特征向量和所述第二板材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:
以如下公式分别计算所述第一板材特征向量和所述第二板材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,所述公式为:
8.根据权利要求7所述的适用于家居定制行业的工业自动化处理方法,其特征在于,将所述差分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第一板材和第二板材是否属于同一订单,包括:
将所述差分特征矩阵按照行向量或者列向量展开为分类特征向量;
将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值;以及
将最大概率值对应的分类标签确定为所述分类结果。
9.一种适用于家居定制行业的工业自动化处理系统,其特征在于,包括:
板材图像监控模块,用于获取由摄像头采集的待匹配的第一板材和第二板材的第一板材图像和第二板材图像;
图像降噪模块,用于将所述第一板材图像和所述第二板材图像分别通过基于自动编码解码器的图像降噪器以得到第一降噪板材图像和第二降噪板材图像;
特征提取模块,用于将所述第一降噪板材图像和所述第二降噪板材图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一板材特征矩阵和第二板材特征矩阵;
特征差分模块,用于计算所述第一板材特征矩阵和所述第二板材特征矩阵之间的差分特征矩阵;以及
匹配结果生成模块,用于将所述差分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第一板材和第二板材是否属于同一订单。
10.根据权利要求9所述的适用于家居定制行业的工业自动化处理系统,其特征在于,所述图像降噪模块,进一步用于:
将所述第一板材图像和所述第二板材图像分别输入所述图像降噪器的编码器,其中,所述编码器使用卷积层分别对所述第一板材图像和所述第二板材图像进行显式空间编码以得到第一图像特征和第二图像特征;以及
将所述第一图像特征和所述第二图像特征分别输入所述图像降噪器的解码器,其中,所述解码器使用反卷积层分别对所述第一图像特征和所述第二图像特征进行反卷积处理以得到第一降噪板材图像和第二降噪板材图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310237441.2A CN116258947B (zh) | 2023-03-07 | 2023-03-07 | 适用于家居定制行业的工业自动化处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310237441.2A CN116258947B (zh) | 2023-03-07 | 2023-03-07 | 适用于家居定制行业的工业自动化处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258947A true CN116258947A (zh) | 2023-06-13 |
CN116258947B CN116258947B (zh) | 2023-08-18 |
Family
ID=86684209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310237441.2A Active CN116258947B (zh) | 2023-03-07 | 2023-03-07 | 适用于家居定制行业的工业自动化处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258947B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050280828A1 (en) * | 2001-10-16 | 2005-12-22 | The General Hospital Corporation | Systems and methods for imaging a sample |
CN109784700A (zh) * | 2018-12-31 | 2019-05-21 | 广西福之凯家居有限责任公司 | 一种前后端一体化家具定制系统 |
WO2019136623A1 (en) * | 2018-01-10 | 2019-07-18 | Nokia Technologies Oy | Apparatus and method for semantic segmentation with convolutional neural network |
CN110510397A (zh) * | 2019-09-24 | 2019-11-29 | 广东鑫光智能系统有限公司 | 智能分拣系统 |
US20200019818A1 (en) * | 2016-10-08 | 2020-01-16 | Nokia Technologies Oy | Apparatus, method and computer program product for distance estimation between samples |
CN110773449A (zh) * | 2019-10-30 | 2020-02-11 | 南京林业大学 | 一种板式定制家具分拣系统与流程 |
US20210049443A1 (en) * | 2019-08-15 | 2021-02-18 | Sap Se | Densely connected convolutional neural network for service ticket classification |
CN112990391A (zh) * | 2021-05-20 | 2021-06-18 | 四川大学 | 基于特征融合的卷积神经网络的缺陷分类识别系统 |
CN113516631A (zh) * | 2021-05-17 | 2021-10-19 | 济南迈拓网络科技有限公司 | 基于区块链技术的材料质量数据溯源管理方法 |
CN114092972A (zh) * | 2021-11-30 | 2022-02-25 | 深圳市辰星瑞腾科技有限公司 | 智能防偷窥的电子设备显示方法、系统和电子设备 |
CN114199892A (zh) * | 2021-12-10 | 2022-03-18 | 江苏雷默智能科技有限公司 | 一种基于机器视觉的板材测量方法及系统 |
CN115171317A (zh) * | 2022-03-09 | 2022-10-11 | 深圳市经纬纵横科技有限公司 | 物联网智能家居方法、系统和电子设备 |
CN115239515A (zh) * | 2022-07-28 | 2022-10-25 | 德玛克(长兴)精密机械有限公司 | 用于机械部件的精密智能化加工制造系统及其制造方法 |
CN115311507A (zh) * | 2022-10-12 | 2022-11-08 | 南通宏梁建筑科技有限公司 | 基于数据处理的建筑板材分类方法 |
-
2023
- 2023-03-07 CN CN202310237441.2A patent/CN116258947B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050280828A1 (en) * | 2001-10-16 | 2005-12-22 | The General Hospital Corporation | Systems and methods for imaging a sample |
US20200019818A1 (en) * | 2016-10-08 | 2020-01-16 | Nokia Technologies Oy | Apparatus, method and computer program product for distance estimation between samples |
WO2019136623A1 (en) * | 2018-01-10 | 2019-07-18 | Nokia Technologies Oy | Apparatus and method for semantic segmentation with convolutional neural network |
CN109784700A (zh) * | 2018-12-31 | 2019-05-21 | 广西福之凯家居有限责任公司 | 一种前后端一体化家具定制系统 |
US20210049443A1 (en) * | 2019-08-15 | 2021-02-18 | Sap Se | Densely connected convolutional neural network for service ticket classification |
CN110510397A (zh) * | 2019-09-24 | 2019-11-29 | 广东鑫光智能系统有限公司 | 智能分拣系统 |
CN110773449A (zh) * | 2019-10-30 | 2020-02-11 | 南京林业大学 | 一种板式定制家具分拣系统与流程 |
CN113516631A (zh) * | 2021-05-17 | 2021-10-19 | 济南迈拓网络科技有限公司 | 基于区块链技术的材料质量数据溯源管理方法 |
CN112990391A (zh) * | 2021-05-20 | 2021-06-18 | 四川大学 | 基于特征融合的卷积神经网络的缺陷分类识别系统 |
CN114092972A (zh) * | 2021-11-30 | 2022-02-25 | 深圳市辰星瑞腾科技有限公司 | 智能防偷窥的电子设备显示方法、系统和电子设备 |
CN114199892A (zh) * | 2021-12-10 | 2022-03-18 | 江苏雷默智能科技有限公司 | 一种基于机器视觉的板材测量方法及系统 |
CN115171317A (zh) * | 2022-03-09 | 2022-10-11 | 深圳市经纬纵横科技有限公司 | 物联网智能家居方法、系统和电子设备 |
CN115239515A (zh) * | 2022-07-28 | 2022-10-25 | 德玛克(长兴)精密机械有限公司 | 用于机械部件的精密智能化加工制造系统及其制造方法 |
CN115311507A (zh) * | 2022-10-12 | 2022-11-08 | 南通宏梁建筑科技有限公司 | 基于数据处理的建筑板材分类方法 |
Non-Patent Citations (1)
Title |
---|
晏恒兵等: "基于机器视觉的木板材分拣系统研究", 《软件工程》, vol. 24, no. 12, pages 16 - 19 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN116820052B (zh) * | 2023-07-13 | 2024-02-02 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116258947B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
CN116258947B (zh) | 适用于家居定制行业的工业自动化处理方法及系统 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN116665086A (zh) | 一种基于学习行为智能分析的教学方法及系统 | |
CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
JP7005045B2 (ja) | ナイーブベイズ分類器に対する限界攻撃方法 | |
CN116127019B (zh) | 动态参数与可视化模型生成web 2d自动建模引擎系统 | |
CN116038854A (zh) | 门加工用成型控制系统及方法 | |
CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
CN111782804A (zh) | 基于TextCNN同分布文本数据选择方法、系统及存储介质 | |
CN116091414A (zh) | 一种基于深度学习的心血管图像识别方法及其系统 | |
CN116308754A (zh) | 一种银行信贷风险预警系统及其方法 | |
CN116872089A (zh) | 数控磨床的磨削自适应控制系统及其方法 | |
CN116168243A (zh) | 剃须刀的智能化生产系统及其方法 | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
CN116629211B (zh) | 基于人工智能的写作方法及系统 | |
CN112465805A (zh) | 用于钢筋冲压折弯的质量检测的神经网络的训练方法 | |
CN116912597A (zh) | 知识产权智能管理系统及其方法 | |
CN117079031A (zh) | 铁氟龙线路板钻孔加工系统及其方法 | |
CN117138669A (zh) | 全自动干粉试剂复溶系统 | |
CN108009586B (zh) | 封顶概念分解方法及图像聚类方法 | |
CN115205975A (zh) | 行为识别方法、装置、电子设备和计算机可读存储介质 | |
CN112766358A (zh) | 用于粉尘抽吸强度控制的神经网络的训练方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Shen Weiwei Inventor after: Zhou Pengju Inventor after: Shen Zhanyi Inventor before: Shen Weiwei |
|
CB03 | Change of inventor or designer information |