CN116310563A - 一种贵金属库存的管理方法及系统 - Google Patents
一种贵金属库存的管理方法及系统 Download PDFInfo
- Publication number
- CN116310563A CN116310563A CN202310285092.1A CN202310285092A CN116310563A CN 116310563 A CN116310563 A CN 116310563A CN 202310285092 A CN202310285092 A CN 202310285092A CN 116310563 A CN116310563 A CN 116310563A
- Authority
- CN
- China
- Prior art keywords
- feature map
- feature
- detection
- classification
- map
- 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.)
- Pending
Links
- 229910000510 noble metal Inorganic materials 0.000 title claims abstract description 143
- 238000007726 management method Methods 0.000 title description 43
- 238000001514 detection method Methods 0.000 claims abstract description 166
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 76
- 239000010970 precious metal Substances 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000005728 strengthening Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000010586 diagram Methods 0.000 claims description 29
- 238000011084 recovery Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
公开了一种贵金属库存的管理方法及系统。其首先将待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,接着,融合所述浅层特征图和所述深层特征图以得到检测特征图,然后,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图,接着,将所述优化检测特征图通过通道注意力模块以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示待组盘贵金属的类型标签的分类结果。这样,可以提高贵金属库存的管理品质。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种贵金属库存的管理方法及系统。
背景技术
随着移动支付等新技术的发展,金库现金管理量缩减,贵金属业务成为了当前金库管理的主要问题。贵金属规格品类繁多,且库存的数据巨大,各种贵金属物品出入库频繁,需要每日对库存进行盘点,出入库也需要同步进行更新和管理。
在贵金属入库时,需要先进行组盘,即将同类的贵金属放在托盘或智能电子存储箱中。现有的贵金属组盘通过人工来进行,会存在有组盘误分类的现象,也就是,不同类别的贵金属放置在同一托盘或智能电子存储箱中,严重影响了贵金属库存的管理品质。
因此,期望一种优化的贵金属库存的管理方案。
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贵金属库存的管理方法及系统。其首先将待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,接着,融合所述浅层特征图和所述深层特征图以得到检测特征图,然后,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图,接着,将所述优化检测特征图通过通道注意力模块以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示待组盘贵金属的类型标签的分类结果。这样,可以提高贵金属库存的管理品质。
根据本申请的一个方面,提供了一种贵金属库存的管理方法,其包括:
获取由摄像头采集的待组盘贵金属的检测图像;
将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图;
融合所述浅层特征图和所述深层特征图以得到检测特征图;
对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图;
将所述优化检测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待组盘贵金属的类型标签。
在上述的贵金属库存的管理方法中,将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,包括:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理,以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图,以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。
在上述的贵金属库存的管理方法中,融合所述浅层特征图和所述深层特征图以得到检测特征图,包括:
以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图;
其中,所述融合公式为:
Fs=λFa+βFb
其中,Fs表示所述检测特征图,Fa表示所述浅层特征图,Fb表示所述深层特征图,“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加,λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。
在上述的贵金属库存的管理方法中,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图,包括:
计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量;以及
以所述加权特征向量的各个位置的特征值作为权重来分别对所述检测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优化检测特征图。
在上述的贵金属库存的管理方法中,计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量,包括:
以如下强化公式计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的所述加权特征向量;
其中,所述强化公式为:
其中,mi,j表示所述检测特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述检测特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述检测特征图的每个特征矩阵的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述加权特征向量的各个位置的特征值。
在上述的贵金属库存的管理方法中,将所述优化检测特征图通过通道注意力模块以得到分类特征图,包括:
将所述优化检测特征图输入所述通道注意力模块的多层卷积层以得到优化检测卷积特征图;
计算所述优化检测卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到优化检测通道特征向量;
将所述优化检测通道特征向量输入所述Sigmoid激活函数以得到优化检测通道注意力权重向量;以及
以所述优化检测通道注意力权重向量中各个位置的特征值作为权重分别对所述优化检测卷积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。
在上述的贵金属库存的管理方法中,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待组盘贵金属的类型标签,包括:
将所述分类特征图按照行向量展开为分类特征向量;
使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种贵金属库存的管理系统,其包括:
图像采集模块,用于获取由摄像头采集的待组盘贵金属的检测图像;
卷积编码模块,用于将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图;
特征图融合模块,用于融合所述浅层特征图和所述深层特征图以得到检测特征图;
特征分布强化模块,用于对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图;
通道注意力编码模块,用于将所述优化检测特征图通过通道注意力模块以得到分类特征图;以及
分类模块,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待组盘贵金属的类型标签。
在上述的贵金属库存的管理系统中,所述卷积编码模块,用于:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理,以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图,以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。
在上述的贵金属库存的管理系统中,所述特征图融合模块,用于:
以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图;
其中,所述融合公式为:
Fs=λFa+βFb
其中,Fs表示所述检测特征图,Fa表示所述浅层特征图,Fb表示所述深层特征图,“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加,λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。
与现有技术相比,本申请提供的贵金属库存的管理方法及系统,其首先将待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,接着,融合所述浅层特征图和所述深层特征图以得到检测特征图,然后,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图,接着,将所述优化检测特征图通过通道注意力模块以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示待组盘贵金属的类型标签的分类结果。这样,可以提高贵金属库存的管理品质。
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贵金属库存的管理方法的应用场景图。
图2为根据本申请实施例的贵金属库存的管理方法的流程图。
图3为根据本申请实施例的贵金属库存的管理方法的架构示意图。
图4为根据本申请实施例的贵金属库存的管理方法的子步骤S140的流程图。
图5为根据本申请实施例的贵金属库存的管理方法的子步骤S150的流程图。
图6为根据本申请实施例的贵金属库存的管理方法的子步骤S160的流程图。
图7为根据本申请实施例的贵金属库存的管理系统的框图。
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,在贵金属入库时,需要先进行组盘,即将同类的贵金属放在托盘或智能电子存储箱中。现有的贵金属组盘通过人工来进行,会存在有组盘误分类的现象,也就是,不同类别的贵金属放置在同一托盘或智能电子存储箱中,严重影响了贵金属库存的管理品质。因此,期望一种优化的贵金属库存的管理方案。
相应地,考虑到在实际进行贵金属组盘的过程中,为了保证组盘分类的精确性,以保证贵金属库存的管理品质,需要对于贵金属的种类进行准确地检测识别,这可以采用机器视觉技术以通过对于贵金属的检测图像进行分析来实现。但是,由于所述贵金属的检测图像中关于贵金属的种类隐含特征信息难以通过寻常方式进行捕捉提取,进而影响了组盘的精准度。因此,在实际进行贵金属组盘的过程中,难点在于如何充分且准确地挖掘出所述贵金属的检测图像的隐含特征分布信息,以此来准确地对于贵金属的类型进行检测识别,以保证组盘分类的精准度,提高贵金属库存的管理品质。
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挖掘所述贵金属的检测图像的隐含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,通过摄像头采集待组盘贵金属的检测图像。接着,考虑到由于所述待组盘贵金属的检测图像中存在有关于所述贵金属的种类隐含特征信息,因此,使用在图像的隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述待组盘贵金属的检测图像的特征挖掘。特别地,考虑到由于在所述待组盘贵金属的检测图像中,关于贵金属的类别特征不仅存在于深层特征中,还存在于所述检测图像中贵金属的形状、轮廓和纹理等浅层特征中,这些所述浅层特征对于所述贵金属的种类识别具有重要意义,而卷积神经网络在编码时,随着其深度的加深,浅层特征会变得模糊甚至被噪声所淹没。
基于此,在本申请的技术方案中,在进行所述贵金属的类别隐含特征提取时,为了提高特征提取的充分性,以此来精准地进行贵金属类别检测,使用所述作为特征提取器的卷积神经网络模型的不同部分来分别提取出所述待组盘贵金属的检测图像中关于所述贵金属种类的深层和浅层的融合特征信息。应可以理解,相较于标准卷积神经网络模型,根据本申请的所述卷积神经网络模型能够保留所述贵金属的种类隐含特征的浅层特征和深层特征,以不仅使得特征信息更为丰富,且不同深度的特征能得以保留,以提高对于所述待组盘贵金属的类型识别精准度。具体地,将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,特别地,这里,所述第二部分与所述第一部分沿着所述作为特征提取器的卷积神经网络模型的深度维度连接。接着,进一步再融合所述浅层特征图和所述深层特征图以得到检测特征图,以此来得到所述待组盘贵金属的类型深层隐含特征和浅层特征间的融合特征分布信息。
然后,考虑到在实际对于贵金属进行组盘分类的过程中,为了提高对于贵金属类型识别的精准度,应关注于空间位置上关于所述待组盘贵金属的类型隐含特征信息,且忽略与贵金属类型检测无关的干扰特征信息。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。因此,在本申请的技术方案中,将所述优化检测特征图通过通道注意力模块中进行处理,以提取出所述检测图像中关于贵金属的类型隐含特征聚焦于空间位置上的浅层特征和深层特征的融合特征分布信息,从而得到分类特征图。特别地,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待组盘贵金属的类型隐含特征信息。
进一步地,将所述分类特征图通过分类器中进行分类处理,以利用聚焦于空间位置上的关于所述待组盘贵金属的隐含特征的深层和浅层的融合特征分布信息来对于所述待组盘贵金属的类型进行精准识别,从而得到用于表示待组盘贵金属的类型标签的分类结果。也就是,在本申请的技术方案中,所述分类器的标签为待组盘贵金属的类型标签,因此,在得到所述分类结果后,可基于所述分类结果来准确地对于所述待组盘贵金属的类型进行检测识别,以保证组盘分类的精准度,提高贵金属库存的管理品质。
特别地,在本申请的技术方案中,在融合所述浅层特征图和所述深层特征图得到所述检测特征图时,为了充分利用浅层特征和深层特征的特征信息,优选地通过沿通道维度直接级联所述浅层特征图和所述深层特征图来得到所述检测特征图,因此,在这种情况下,通过将所述检测特征图通过通道注意力模块,可以沿通道维度对各个特征矩阵表达的图像语义进行区分,从而提升所得到的所述分类特征图的特征表达效果,以提升所述分类特征图的分类结果的准确性。
通常,通道注意力模块将所述检测特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式得到用于对所述检测特征图进行通道注意力加权的加权特征向量,但是,由于特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息,即检测图像的不同深度的图像空间语义信息,因此期望所述加权特征向量能够尽量表达所述检测特征图所表达的由各个特征矩阵之间的整体分布相关而表达的通道维度的特征分布信息。
基于此,计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数,表示为:
μ和σ是特征集合mi,j∈M的均值和方差,mi,j为特征矩阵M的第(i,j)位置的特征值,且W和H分别是特征矩阵的宽度和高度。
这里,所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题,在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization:IN)的基础上,通过从类概率的统计残差特征中蒸馏一致性相关的特征,来将统计信息中的一致性相关的相干性恢复到特征值表示中,以实现所述加权特征向量相对于所述检测特征图的由特征矩阵的空间分布引起的通道因果关系约束的恢复。这样,通过以该因数作为所述加权特征向量的各个位置的特征值来对所述检测特征图进行通道注意力加权,就可以提升得到的所述分类特征图的特征表达效果,从而提升其通过分类器得到的分类结果的准确性。这样,能够准确地对于贵金属的类型进行检测识别,以保证组盘分类的精准度,提高贵金属库存的管理品质。
图1为根据本申请实施例的贵金属库存的管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,图1中所示意的C)采集的待组盘贵金属(例如,图1中所示意的M)的检测图像(例如,图1中所示意的D),然后,将所述待组盘贵金属的检测图像输入至部署有贵金属库存的管理算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述贵金属库存的管理算法对所述待组盘贵金属的检测图像进行处理以得到用于表示待组盘贵金属的类型标签的分类结果。
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2为根据本申请实施例的贵金属库存的管理方法的流程图。如图2所示,根据本申请实施例的贵金属库存的管理方法,包括步骤:S110,获取由摄像头采集的待组盘贵金属的检测图像;S120,将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图;S130,融合所述浅层特征图和所述深层特征图以得到检测特征图;S140,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图;S150,将所述优化检测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待组盘贵金属的类型标签。
图3为根据本申请实施例的贵金属库存的管理方法的架构示意图。如图3所示,在该网络架构中,首先,获取由摄像头采集的待组盘贵金属的检测图像;接着,将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图;然后,融合所述浅层特征图和所述深层特征图以得到检测特征图;接着,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图;然后,将所述优化检测特征图通过通道注意力模块以得到分类特征图;最后,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待组盘贵金属的类型标签。
更具体地,在步骤S110中,获取由摄像头采集的待组盘贵金属的检测图像。在实际进行贵金属组盘的过程中,为了保证组盘分类的精确性,以保证贵金属库存的管理品质,需要对于贵金属的种类进行准确地检测识别,这可以采用机器视觉技术以通过对于贵金属的检测图像进行分析来实现。但是,由于所述贵金属的检测图像中关于贵金属的种类隐含特征信息难以通过寻常方式进行捕捉提取,进而影响了组盘的精准度。因此,在本申请中,通过挖掘所述贵金属的检测图像的隐含特征分布信息,以此来准确地对于贵金属的类型进行检测识别,以保证组盘分类的精准度,提高贵金属库存的管理品质。
更具体地,在步骤S120中,将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图。由于所述待组盘贵金属的检测图像中存在有关于所述贵金属的种类隐含特征信息,因此,使用在图像的隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述待组盘贵金属的检测图像的特征挖掘。特别地,考虑到由于在所述待组盘贵金属的检测图像中,关于贵金属的类别特征不仅存在于深层特征中,还存在于所述检测图像中贵金属的形状、轮廓和纹理等浅层特征中,这些所述浅层特征对于所述贵金属的种类识别具有重要意义,而卷积神经网络在编码时,随着其深度的加深,浅层特征会变得模糊甚至被噪声所淹没。基于此,在本申请的技术方案中,在进行所述贵金属的类别隐含特征提取时,为了提高特征提取的充分性,以此来精准地进行贵金属类别检测,使用所述作为特征提取器的卷积神经网络模型的不同部分来分别提取出所述待组盘贵金属的检测图像中关于所述贵金属种类的深层和浅层的融合特征信息。
应可以理解,相较于标准卷积神经网络模型,根据本申请的所述卷积神经网络模型能够保留所述贵金属的种类隐含特征的浅层特征和深层特征,以不仅使得特征信息更为丰富,且不同深度的特征能得以保留,以提高对于所述待组盘贵金属的类型识别精准度。
特别地,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
相应地,在一个具体示例中,将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理,以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图,以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。
更具体地,在步骤S130中,融合所述浅层特征图和所述深层特征图以得到检测特征图。融合所述浅层特征图和所述深层特征图以得到检测特征图,以此来得到所述待组盘贵金属的类型深层隐含特征和浅层特征间的融合特征分布信息。
相应地,在一个具体示例中,融合所述浅层特征图和所述深层特征图以得到检测特征图,包括:以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图;其中,所述融合公式为:
Fs=λFa+βFb
其中,Fs表示所述检测特征图,Fa表示所述浅层特征图,Fb表示所述深层特征图,“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加,λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。
更具体地,在步骤S140中,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图。
相应地,在一个具体示例中,如图4所示,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图,包括:S141,计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量;以及,S142,以所述加权特征向量的各个位置的特征值作为权重来分别对所述检测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优化检测特征图。
特别地,在本申请的技术方案中,在融合所述浅层特征图和所述深层特征图得到所述检测特征图时,为了充分利用浅层特征和深层特征的特征信息,优选地通过沿通道维度直接级联所述浅层特征图和所述深层特征图来得到所述检测特征图,因此,在这种情况下,通过将所述检测特征图通过通道注意力模块,可以沿通道维度对各个特征矩阵表达的图像语义进行区分,从而提升所得到的所述分类特征图的特征表达效果,以提升所述分类特征图的分类结果的准确性。通常,通道注意力模块将所述检测特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式得到用于对所述检测特征图进行通道注意力加权的加权特征向量,但是,由于特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息,即检测图像的不同深度的图像空间语义信息,因此期望所述加权特征向量能够尽量表达所述检测特征图所表达的由各个特征矩阵之间的整体分布相关而表达的通道维度的特征分布信息。基于此,计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数。
相应地,在一个具体示例中,计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量,包括:以如下强化公式计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的所述加权特征向量;其中,所述强化公式为:
其中,mi,j表示所述检测特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述检测特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述检测特征图的每个特征矩阵的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述加权特征向量的各个位置的特征值。
这里,所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题,在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization:IN)的基础上,通过从类概率的统计残差特征中蒸馏一致性相关的特征,来将统计信息中的一致性相关的相干性恢复到特征值表示中,以实现所述加权特征向量相对于所述检测特征图的由特征矩阵的空间分布引起的通道因果关系约束的恢复。这样,通过以该因数作为所述加权特征向量的各个位置的特征值来对所述检测特征图进行通道注意力加权,就可以提升得到的所述分类特征图的特征表达效果,从而提升其通过分类器得到的分类结果的准确性。这样,能够准确地对于贵金属的类型进行检测识别,以保证组盘分类的精准度,提高贵金属库存的管理品质。
更具体地,在步骤S150中,将所述优化检测特征图通过通道注意力模块以得到分类特征图。在实际对于贵金属进行组盘分类的过程中,为了提高对于贵金属类型识别的精准度,应关注于空间位置上关于所述待组盘贵金属的类型隐含特征信息,且忽略与贵金属类型检测无关的干扰特征信息。而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,将所述优化检测特征图通过通道注意力模块中进行处理,以提取出所述检测图像中关于贵金属的类型隐含特征聚焦于空间位置上的浅层特征和深层特征的融合特征分布信息,从而得到分类特征图。特别地,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待组盘贵金属的类型隐含特征信息。
应可以理解,注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
相应地,在一个具体示例中,如图5所示,将所述优化检测特征图通过通道注意力模块以得到分类特征图,包括:S151,将所述优化检测特征图输入所述通道注意力模块的多层卷积层以得到优化检测卷积特征图;S152,计算所述优化检测卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到优化检测通道特征向量;S153,将所述优化检测通道特征向量输入所述Sigmoid激活函数以得到优化检测通道注意力权重向量;以及,S154,以所述优化检测通道注意力权重向量中各个位置的特征值作为权重分别对所述优化检测卷积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。
更具体地,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待组盘贵金属的类型标签。也就是,在本申请的技术方案中,所述分类器的标签为待组盘贵金属的类型标签,因此,在得到所述分类结果后,可基于所述分类结果来准确地对于所述待组盘贵金属的类型进行检测识别,以保证组盘分类的精准度,提高贵金属库存的管理品质。
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,如图6所示,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待组盘贵金属的类型标签,包括:S161,将所述分类特征图按照行向量展开为分类特征向量;S162,使用所述分类器的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,S163,将所述编码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结果。
综上,基于本申请实施例的贵金属库存的管理方法,其首先将待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,接着,融合所述浅层特征图和所述深层特征图以得到检测特征图,然后,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图,接着,将所述优化检测特征图通过通道注意力模块以得到分类特征图,最后,将所述分类特征图通过分类器以得到用于表示待组盘贵金属的类型标签的分类结果。这样,可以提高贵金属库存的管理品质。
图7为根据本申请实施例的贵金属库存的管理系统100的框图。如图7所示,根据本申请实施例的贵金属库存的管理系统100,包括:图像采集模块110,用于获取由摄像头采集的待组盘贵金属的检测图像;卷积编码模块120,用于将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图;特征图融合模块130,用于融合所述浅层特征图和所述深层特征图以得到检测特征图;特征分布强化模块140,用于对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图;通道注意力编码模块150,用于将所述优化检测特征图通过通道注意力模块以得到分类特征图;以及,分类模块160,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待组盘贵金属的类型标签。
在一个示例中,在上述贵金属库存的管理系统100中,所述卷积编码模块120,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理,以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图,以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。
在一个示例中,在上述贵金属库存的管理系统100中,所述特征图融合模块130,用于:以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图;其中,所述融合公式为:
Fs=λFa+βFb
其中,Fs表示所述检测特征图,Fa表示所述浅层特征图,Fb表示所述深层特征图,“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加,λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。
在一个示例中,在上述贵金属库存的管理系统100中,所述特征分布强化模块140,用于:计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量;以及,以所述加权特征向量的各个位置的特征值作为权重来分别对所述检测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优化检测特征图。
在一个示例中,在上述贵金属库存的管理系统100中,计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量,包括:以如下强化公式计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的所述加权特征向量;其中,所述强化公式为:
其中,mi,j表示所述检测特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述检测特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述检测特征图的每个特征矩阵的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述加权特征向量的各个位置的特征值。
在一个示例中,在上述贵金属库存的管理系统100中,所述通道注意力编码模块150,用于:将所述优化检测特征图输入所述通道注意力模块的多层卷积层以得到优化检测卷积特征图;计算所述优化检测卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到优化检测通道特征向量;将所述优化检测通道特征向量输入所述Sigmoid激活函数以得到优化检测通道注意力权重向量;以及,以所述优化检测通道注意力权重向量中各个位置的特征值作为权重分别对所述优化检测卷积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,在上述贵金属库存的管理系统100中,所述分类模块160,用于:将所述分类特征图按照行向量展开为分类特征向量;使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述贵金属库存的管理系统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6的贵金属库存的管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贵金属库存的管理系统100可以实现在各种无线终端中,例如具有贵金属库存的管理算法的服务器等。在一个示例中,根据本申请实施例的贵金属库存的管理系统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,该贵金属库存的管理系统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,该贵金属库存的管理系统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,该贵金属库存的管理系统100与该无线终端也可以是分立的设备,并且该贵金属库存的管理系统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)
1.一种贵金属库存的管理方法,其特征在于,包括:
获取由摄像头采集的待组盘贵金属的检测图像;
将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图;
融合所述浅层特征图和所述深层特征图以得到检测特征图;
对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图;
将所述优化检测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待组盘贵金属的类型标签。
2.根据权利要求1所述的贵金属库存的管理方法,其特征在于,将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图,包括:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理,以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图,以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。
3.根据权利要求2所述的贵金属库存的管理方法,其特征在于,融合所述浅层特征图和所述深层特征图以得到检测特征图,包括:
以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图;
其中,所述融合公式为:
Fs=λFa+βFb
其中,Fs表示所述检测特征图,Fa表示所述浅层特征图,Fb表示所述深层特征图,“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加,λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。
4.根据权利要求3所述的贵金属库存的管理方法,其特征在于,对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图,包括:
计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量;以及
以所述加权特征向量的各个位置的特征值作为权重来分别对所述检测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优化检测特征图。
5.根据权利要求4所述的贵金属库存的管理方法,其特征在于,计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的加权特征向量,包括:
以如下强化公式计算所述检测特征图的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由多个所述实例归一化和一致性相关恢复因数组成的所述加权特征向量;
其中,所述强化公式为:
其中,mi,j表示所述检测特征图的每个特征矩阵的第(i,j)位置的特征值,μ和σ分别是所述检测特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且W和H分别是所述检测特征图的每个特征矩阵的宽度和高度,log表示以2为底的对数函数值,exp(·)表示自然指数函数值,α表示所述加权特征向量的各个位置的特征值。
6.根据权利要求5所述的贵金属库存的管理方法,其特征在于,将所述优化检测特征图通过通道注意力模块以得到分类特征图,包括:
将所述优化检测特征图输入所述通道注意力模块的多层卷积层以得到优化检测卷积特征图;
计算所述优化检测卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到优化检测通道特征向量;
将所述优化检测通道特征向量输入所述Sigmoid激活函数以得到优化检测通道注意力权重向量;以及
以所述优化检测通道注意力权重向量中各个位置的特征值作为权重分别对所述优化检测卷积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。
7.根据权利要求6所述的贵金属库存的管理方法,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待组盘贵金属的类型标签,包括:
将所述分类特征图按照行向量展开为分类特征向量;
使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种贵金属库存的管理系统,其特征在于,包括:
图像采集模块,用于获取由摄像头采集的待组盘贵金属的检测图像;
卷积编码模块,用于将所述待组盘贵金属的检测图像通过作为特征提取器的卷积神经网络模型以从所述作为特征提取器的卷积神经网络模型的第一部分得到浅层特征图和从所述作为特征提取器的卷积神经网络模型的第二部分得到深层特征图;
特征图融合模块,用于融合所述浅层特征图和所述深层特征图以得到检测特征图;
特征分布强化模块,用于对所述检测特征图进行通道维度的特征分布强化以得到优化检测特征图;
通道注意力编码模块,用于将所述优化检测特征图通过通道注意力模块以得到分类特征图;以及
分类模块,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待组盘贵金属的类型标签。
9.根据权利要求8所述的贵金属库存的管理系统,其特征在于,所述卷积编码模块,用于:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述待组盘贵金属的检测图像进行卷积处理、池化处理和非线性激活处理,以从所述作为特征提取器的卷积神经网络模型的第一部分提取所述浅层特征图,以从所述作为特征提取器的卷积神经网络模型的第二部分提取深层特征图。
10.根据权利要求9所述的贵金属库存的管理系统,其特征在于,所述特征图融合模块,用于:
以如下融合公式融合所述浅层特征图和所述深层特征图以得到所述检测特征图;
其中,所述融合公式为:
Fs=λFa+βFb
其中,Fs表示所述检测特征图,Fa表示所述浅层特征图,Fb表示所述深层特征图,“+”表示所述浅层特征图和所述深层特征图相对应位置处的元素相加,λ和β表示用于控制所述浅层特征图和所述深层特征图之间的平衡的加权参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285092.1A CN116310563A (zh) | 2023-03-22 | 2023-03-22 | 一种贵金属库存的管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285092.1A CN116310563A (zh) | 2023-03-22 | 2023-03-22 | 一种贵金属库存的管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310563A true CN116310563A (zh) | 2023-06-23 |
Family
ID=86792266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310285092.1A Pending CN116310563A (zh) | 2023-03-22 | 2023-03-22 | 一种贵金属库存的管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310563A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116586924A (zh) * | 2023-07-17 | 2023-08-15 | 浙江一益医疗器械有限公司 | 一种针尖五斜面结构的不锈钢针管及其制备工艺 |
CN117492398A (zh) * | 2023-11-16 | 2024-02-02 | 北京雷格讯电子股份有限公司 | 一种高速数据采集系统及其采集方法 |
-
2023
- 2023-03-22 CN CN202310285092.1A patent/CN116310563A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116586924A (zh) * | 2023-07-17 | 2023-08-15 | 浙江一益医疗器械有限公司 | 一种针尖五斜面结构的不锈钢针管及其制备工艺 |
CN116586924B (zh) * | 2023-07-17 | 2024-02-27 | 浙江一益医疗器械有限公司 | 一种针尖五斜面结构的不锈钢针管及其制备工艺 |
CN117492398A (zh) * | 2023-11-16 | 2024-02-02 | 北京雷格讯电子股份有限公司 | 一种高速数据采集系统及其采集方法 |
CN117492398B (zh) * | 2023-11-16 | 2024-05-28 | 北京雷格讯电子股份有限公司 | 一种高速数据采集系统及其采集方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN105426356B (zh) | 一种目标信息识别方法和装置 | |
CN116310563A (zh) | 一种贵金属库存的管理方法及系统 | |
CN114008663A (zh) | 实时视频超分辨率 | |
CN110276248B (zh) | 一种基于样本权值分配和深度学习的人脸表情识别方法 | |
JP2010157118A (ja) | パターン識別装置及びパターン識別装置の学習方法ならびにコンピュータプログラム | |
CN111523421A (zh) | 基于深度学习融合各种交互信息的多人行为检测方法及系统 | |
CN116363738A (zh) | 一种基于多移动目标的人脸识别方法、系统及存储介质 | |
CN111738054A (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN115565071A (zh) | 高光谱图像Transformer网络训练及分类方法 | |
CN112749737A (zh) | 图像分类方法及装置、电子设备、存储介质 | |
CN113869234B (zh) | 人脸表情识别方法、装置、设备及存储介质 | |
Liang et al. | Cross-scene foreground segmentation with supervised and unsupervised model communication | |
CN116343301A (zh) | 基于人脸识别的人员信息智能校验系统 | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
CN115131695A (zh) | 视频检测模型的训练方法、视频检测方法及装置 | |
CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN116863406A (zh) | 一种基于人工智能的智能报警安防系统及其方法 | |
CN116682141A (zh) | 基于多尺度递进式感知的多标签行人属性识别方法及介质 | |
CN111797732B (zh) | 一种对采样不敏感的视频动作识别对抗攻击方法 | |
Cristin et al. | Image forgery detection using supervised learning algorithm | |
Bi et al. | CASA-Net: a context-aware correlation convolutional network for scale-adaptive crack detection | |
CN113011395A (zh) | 一种单阶段动态位姿识别方法、装置和终端设备 | |
Kumain et al. | VBNC: voting based noise classification framework using deep CNN |
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 |