CN116503314A - 用于门制造的质量检测系统及方法 - Google Patents
用于门制造的质量检测系统及方法 Download PDFInfo
- Publication number
- CN116503314A CN116503314A CN202310035297.4A CN202310035297A CN116503314A CN 116503314 A CN116503314 A CN 116503314A CN 202310035297 A CN202310035297 A CN 202310035297A CN 116503314 A CN116503314 A CN 116503314A
- Authority
- CN
- China
- Prior art keywords
- paint
- image
- feature map
- feature
- detection
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 87
- 238000007689 inspection Methods 0.000 title claims description 61
- 238000000034 method Methods 0.000 title claims description 28
- 239000003973 paint Substances 0.000 claims abstract description 234
- 238000001514 detection method Methods 0.000 claims abstract description 211
- 238000012937 correction Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 59
- 238000010586 diagram Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005507 spraying Methods 0.000 abstract description 25
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000003014 reinforcing effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本申请涉及智能检测领域,其具体地公开了一种用于门制造的质量检测系统及方法,其通过采用基于深度学习的人工智能检测技术,以通过对于漆面检测图像进行畸变校正编解码后,提取出所述漆面检测图像和所述漆面参考图像在高维空间中的特征差异,并基于注意力机制来加强这种特征差异信息在通道维度上的内容关联特征,以此来进行门漆面的质量检测。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种用于门制造的质量检测系统及方法。
背景技术
在木门的生产加工过程中,进行油漆喷涂作业时,一般传统的方法是由操作工人手持油漆喷枪直接对木门进行喷涂,这种方法劳动强度大,且油漆喷雾易对操作工人身体造成损害,同时喷涂效果也一般。近些年,出现了一些自动喷漆装置或设备实现自动喷漆,但是这些装置或设备都需要人工辅助作业,对操作人员的操作要求高,并且极易造成喷漆的缺陷,例如,漆面不均匀,漆面会存在局部缺陷(例如,小范围没上漆,上错漆)等,从而导致喷涂作业的效率较低,喷涂质量一般,喷漆批量小,进而造成门制造的效率和质量难以达到预期。
因此,期望一种优化的用于门制造的质量检测方案。
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用于门制造的质量检测系统及方法,其通过采用基于深度学习的人工智能检测技术,以通过对于漆面检测图像进行畸变校正编解码后,提取出所述漆面检测图像和所述漆面参考图像在高维空间中的特征差异,并基于注意力机制来加强这种特征差异信息在通道维度上的内容关联特征,以此来进行门漆面的质量检测。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
根据本申请的一个方面,提供了一种用于门制造的质量检测系统,其包括:
质检数据采集模块,用于获取待检测门的漆面检测图像和漆面参考图像;
图像畸变校正模块,用于将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;
孪生编码模块,用于将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
按通道差分模块,用于计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;
通道增强模块,用于将所述差分特征图通过通道注意力模块以得到通道增强差分特征图;
平展化模块,用于对所述通道增强差分特征图进行类表征平展化以得到分类特征图;以及
质量检测结果生成模块,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待检测门的漆面质量是否符合预定要求。
在上述用于门制造的质量检测系统中,所述图像畸变校正模块,包括:信号编码单元,用于使用所述自动编码器的编码器从所述漆面检测图像提取漆面检测特征图,其中,所述自动编码器的编码器为卷积层;以及,信号解码单元,用于使用所述自动编码器的解码器对所述漆面检测特征图进行解码以得到所述校正后漆面检测图像,其中,所述自动编码器的解码器为反卷积层。
在上述用于门制造的质量检测系统中,所述第一图像编码器和所述第二图像编码器为金字塔网络。
在上述用于门制造的质量检测系统中,所述按通道差分模块,进一步用于:以如下公式计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;其中,所述公式为:
其中,F1表示所述检测特征图,F2表示所述参考特征图,Fc表示所述差分特征图,表示按位置差分。
在上述用于门制造的质量检测系统中,所述通道增强模块,包括:全局均值池化单元,用于计算所述差分特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;非线性激活单元,用于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特征向量;以及,通道注意力施加单元,用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述差分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通道增强差分特征图。
在上述用于门制造的质量检测系统中,所述平展化模块,进一步用于:以如下公式对所述通道增强差分特征图进行类表征平展化以得到所述分类特征图;其中,所述公式为:
其中fi是所述通道增强差分特征图的预定特征值,fj是所述通道增强差分特征图的所述预定特征值以外的其它特征值,是所述通道增强差分特征图的所有特征值的均值,且N是所述通道增强差分特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,fi'是所述分类特征图的预定特征值。
在上述用于门制造的质量检测系统中,所述质量检测结果生成模块,包括:展开单元,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;全连接编码单元,用于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,分类结果生成单元,用于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,提供了一种用于门制造的质量检测方法,其包括:
获取待检测门的漆面检测图像和漆面参考图像;
将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;
将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;
将所述差分特征图通过通道注意力模块以得到通道增强差分特征图;
对所述通道增强差分特征图进行类表征平展化以得到分类特征图;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检测门的漆面质量是否符合预定要求。
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用于门制造的质量检测方法。
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用于门制造的质量检测方法。
与现有技术相比,本申请提供的一种用于门制造的质量检测系统及方法,其通过采用基于深度学习的人工智能检测技术,以通过对于漆面检测图像进行畸变校正编解码后,提取出所述漆面检测图像和所述漆面参考图像在高维空间中的特征差异,并基于注意力机制来加强这种特征差异信息在通道维度上的内容关联特征,以此来进行门漆面的质量检测。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
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用于门制造的质量检测系统的应用场景图;
图2为根据本申请实施例的用于门制造的质量检测系统的框图;
图3为根据本申请实施例的用于门制造的质量检测系统的系统架构图;
图4为根据本申请实施例的用于门制造的质量检测系统中图像畸变校正模块的框图;
图5为根据本申请实施例的用于门制造的质量检测系统中通道增强模块的框图;
图6为根据本申请实施例的用于门制造的质量检测系统中质量检测结果生成模块的框图;
图7为根据本申请实施例的用于门制造的质量检测方法的流程图;
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
如前背景技术所言,在使用自动喷漆装置或设备实现自动喷漆作业时,需要人工辅助作业,对操作人员的操作要求高,并且极易造成喷漆的缺陷,例如,漆面不均匀,漆面会存在局部缺陷(例如,小范围没上漆,上错漆)等,从而导致喷涂作业的效率较低,喷涂质量一般,喷漆批量小,进而造成门制造的效率和质量难以达到预期。因此,期望一种优化的用于门制造的质量检测方案。
相应地,考虑到在实际进行门漆面质量检测时,可以通过对于门漆面的检测图像和标准喷漆的参考图像进行比对分析来进行,但是,由于图像中的信息量较为繁杂,难以对于有用信息进行提取,并且由于喷漆的缺陷一般都为局部缺陷或者不均匀缺陷,这就加大了对于漆面质量检测的困难。并且,在实际图像采集的过程中,会存在着各种因素的干扰,例如会存在着图像畸变,导致对于门的漆面质量检测的精度降低。
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门的漆面质量检测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,采用基于深度学习的人工智能检测技术,以通过对于漆面检测图像进行畸变校正编解码后,提取出所述漆面检测图像和所述漆面参考图像在高维空间中的特征差异,并基于注意力机制来加强这种特征差异信息在通道维度上的内容关联特征,以此来进行门漆面的质量检测。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
更具体地,在本申请的技术方案中,首先,获取待检测门的漆面检测图像和漆面参考图像。接着,考虑到在实际采集待检测门的漆面检测图像的过程中,可能会因采集的图像发生图像畸变导致所述检测图像中关于门的漆面质量特征变得模糊,降低质量检测的精准度。因此,需要在特征提取前先将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像。特别地,这里,所述自动编解码器包括编码器和解码器,其中,所述编码器使用卷积层对所述漆面检测图像进行显式空间编码以得到图像特征,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后漆面检测图像。
然后,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述漆面检测图像和所述漆面参考图像的特征挖掘,特别地,考虑到在进行门漆面质量检测时,不仅需要关注于所述漆面图像的深层隐藏特征,更需要聚焦于其表面的浅层纹理等特征信息。而金字塔网络主要是解决目标检测中的多尺度问题,其可以同时利用低层特征高分辨率和高层特征的高语义信息,通过融合这些不同层的特征达到很好的效果。
基于此,在本申请的技术方案中,将所述漆面参考图像和所述校正后漆面检测图像分别通过包含包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图。也就是,通过所述具有第一图像编码器和第二图像编码器的孪生检测模型使用金字塔网络作为图像编码器来分别对于所述漆面参考图像和所述校正后漆面检测图像进行编码处理,以在分别提取出所述漆面参考图像和所述校正后漆面检测图像的深层隐含特征的同时,保留作为浅层特征的纹理特征信息,进而在后续分类时提高对于漆面质量检测评估的精准度。
特别地,这里,所述第一图像编码器和所述第二图像编码器具有相同的网络结构,且所述第一图像编码器和所述第二图像编码器都为金字塔网络。应可以理解,使用包含有相同网络结构的图像编码器的所述孪生检测模型来分别进行所述漆面检测图像和所述漆面参考图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来进行所述待检测门的漆面质量检测。并且,所述金字塔网络主要是解决目标检测中的多尺度问题,通过简单的改变网络连接,在基本不增加原有模型计算量的情况下,可以在不同的特征层上独立进行预测,大幅提升了小目标检测的性能。这样,也就能够对于漆面图像中的漆面质量隐藏特征进行多尺度的深层挖掘以及对于浅层的漆面纹理等特征进行保留,以在后续对于漆面质量进行检测时提供更高的精准度且还能够直接以应用为导向构建漆面质量筛选标准。
进一步地,为了对于所述待检测门的漆面质量进行准确地检测,需要对于所述检测特征图和所述参考特征图在高维特征空间中进行差异性特征对比,也就是,具体地,计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图。
特别地,考虑到在所述差分特征图中,所述通道维度上的各个特征矩阵表示所述漆面检测图像和所述漆面参考图像中关于漆面质量的各个特征内容的差异性特征分布信息,而这些特征内容的差异性特征分布信息具有着相互的关联性。鉴于通道注意力能够关注于图像中的特征内容的关联性特征,因此,为了进一步提高对于门的漆面质量检测的精准度,将所述差分特征图通过通道注意力模块以得到通道增强差分特征图。这里,所述通道注意力所提取到的图像特征反映了特征通道间的相关性和重要性。
然后,在进行通道内容增强后,将增强后的所述通道增强差分特征图作为分类特征图通过分类器中进行分类处理,以得到用于表示待检测门的漆面质量是否符合预定要求的分类结果,以实现门制造的质量检测。这样,能够对于门漆面的质量进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
特别地,在本申请的技术方案中,通过计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图,并将所述差分特征图通过通道注意力模块得到所述通道增强差分特征图,可以使得所述通道增强差分特征图关注预定通道的差分特征矩阵。但是,这也会导致所述通道增强差分特征图在通道维度下的特征分布连续性低,使得所述通道增强差分特征图在分类器中展开为特征向量之后,与所述分类器的权重矩阵之间的拟合负担重,从而影响所述分类器的训练速度和分类结果的准确性。
因此,本申请的申请人对所述通道增强差分特征图进行类表征平展化,具体表示为:
fi是所述通道增强差分特征图的预定特征值,fj是所述通道增强差分特征图的所述预定特征值以外的其它特征值,是所述通道增强差分特征图的所有特征值的均值,且N是所述通道增强差分特征图的尺度,即宽度乘以高度乘以通道数。
这里,所述通道增强差分特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得平展的“切片”连续性,以增强所述通道增强差分特征图对于分类器的权重矩阵的拟合性能。这样,就提升了所述通道增强差分特征图通过分类器进行分类的训练速度和分类结果的准确性。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
基于此,本申请提出了一种用于门制造的质量检测系统,其包括:质检数据采集模块,用于获取待检测门的漆面检测图像和漆面参考图像;图像畸变校正模块,用于将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;孪生编码模块,用于将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;按通道差分模块,用于计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;通道增强模块,用于将所述差分特征图通过通道注意力模块以得到通道增强差分特征图;平展化模块,用于对所述通道增强差分特征图进行类表征平展化以得到分类特征图;以及,质量检测结果生成模块,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待检测门的漆面质量是否符合预定要求。
图1为根据本申请实施例的用于门制造的质量检测系统的应用场景图。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)获取待检测门的漆面检测图像。接着,将上述图像输入至部署有用于门制造的质量检测算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述门制造的质量检测算法对上述输入的图像进行处理,以生成用于表示待检测门的漆面质量是否符合预定要求的分类结果。
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。
示例性系统
图2为根据本申请实施例的用于门制造的质量检测系统的框图。如图2所示,根据本申请实施例的用于门制造的质量检测系统300,包括:质检数据采集模块310;图像畸变校正模块320;孪生编码模块330;按通道差分模块340;通道增强模块350;平展化模块360;以及,质量检测结果生成模块370。
其中,所述质检数据采集模块310,用于获取待检测门的漆面检测图像和漆面参考图像;所述图像畸变校正模块320,用于将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;所述孪生编码模块330,用于将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;所述按通道差分模块340,用于计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;所述通道增强模块350,用于将所述差分特征图通过通道注意力模块以得到通道增强差分特征图;所述平展化模块360,用于对所述通道增强差分特征图进行类表征平展化以得到分类特征图;以及,所述质量检测结果生成模块370,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检测门的漆面质量是否符合预定要求。
图3为根据本申请实施例的用于门制造的质量检测系统的系统架构图。如图3所示,在所述用于门制造的质量检测系统300的系统架构中,首先通过所述质检数据采集模块310获取待检测门的漆面检测图像和漆面参考图像;接着,所述图像畸变校正模块320将所述质检数据采集模块310获取的漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;所述孪生编码模块330将所述质检数据采集模块310获取的漆面参考图像和所述图像畸变校正模块320得到的校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;然后,所述按通道差分模块340计算所述孪生编码模块330得到的检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;所述通道增强模块350将所述按通道差分模块340计算得到的差分特征图通过通道注意力模块以得到通道增强差分特征图;然后,所述平展化模块360对所述通道增强模块350得到的通道增强差分特征图进行类表征平展化以得到分类特征图;进而,所述质量检测结果生成模块370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检测门的漆面质量是否符合预定要求。
具体地,在所述用于门制造的质量检测系统300的运行过程中,所述质检数据采集模块310,用于获取待检测门的漆面检测图像和漆面参考图像。考虑到在实际进行门漆面质量检测时,可以通过对于门漆面的检测图像和标准喷漆的参考图像进行比对分析来进行,所述参考图像为漆面检测合格情况下的图形,在本申请的一个具体示例中,可通过摄像头获取待检测门的漆面检测图像。
具体地,在所述用于门制造的质量检测系统300的运行过程中,所述图像畸变校正模块320,用于将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像。考虑到在实际采集待检测门的漆面检测图像的过程中,可能会因采集的图像发生图像畸变导致所述检测图像中关于门的漆面质量特征变得模糊,降低质量检测的精准度。因此,需要在特征提取前先将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像。特别地,自动编码器是由编码器和解码器组成的三层前馈神经网络,属于无监督学习方法。编码器将输入数据从高维空间映射到低维特征空间,实现输入数据的压缩表示以及提取特征向量,同时,通过解码器尽可能多地重构输入数据的低维特征。在本申请的技术方案中,所述编码器使用卷积层对所述漆面检测图像进行显式空间编码以得到图像特征,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后漆面检测图像。
图4为根据本申请实施例的用于门制造的质量检测系统中图像畸变校正模块的框图。如图4所示,所述图像畸变校正模块320,包括:信号编码单元321,用于使用所述自动编码器的编码器从所述漆面检测图像提取漆面检测特征图,其中,所述自动编码器的编码器为卷积层;以及,信号解码单元322,用于使用所述自动编码器的解码器对所述漆面检测特征图进行解码以得到所述校正后漆面检测图像,其中,所述自动编码器的解码器为反卷积层。
具体地,在所述用于门制造的质量检测系统300的运行过程中,所述孪生编码模块330,用于将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。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分别进行所述漆面检测图像和所述漆面参考图像的特征挖掘,特别地,考虑到在进行门漆面质量检测时,不仅需要关注于所述漆面图像的深层隐藏特征,更需要聚焦于其表面的浅层纹理等特征信息。而金字塔网络主要是解决目标检测中的多尺度问题,其可以同时利用低层特征高分辨率和高层特征的高语义信息,通过融合这些不同层的特征达到很好的效果。基于此,在本申请的技术方案中,将所述漆面参考图像和所述校正后漆面检测图像分别通过包含包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图。也就是,通过所述具有第一图像编码器和第二图像编码器的孪生检测模型使用金字塔网络作为图像编码器来分别对于所述漆面参考图像和所述校正后漆面检测图像进行编码处理,以在分别提取出所述漆面参考图像和所述校正后漆面检测图像的深层隐含特征的同时,保留作为浅层特征的纹理特征信息,进而在后续分类时提高对于漆面质量检测评估的精准度。应可以理解,使用包含有相同网络结构的图像编码器的所述孪生检测模型来分别进行所述漆面检测图像和所述漆面参考图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来进行所述待检测门的漆面质量检测。并且,所述金字塔网络主要是解决目标检测中的多尺度问题,通过简单的改变网络连接,在基本不增加原有模型计算量的情况下,可以在不同的特征层上独立进行预测,大幅提升了小目标检测的性能。这样,也就能够对于漆面图像中的漆面质量隐藏特征进行多尺度的深层挖掘以及对于浅层的漆面纹理等特征进行保留,以在后续对于漆面质量进行检测时提供更高的精准度且还能够直接以应用为导向构建漆面质量筛选标准。
具体地,在所述用于门制造的质量检测系统300的运行过程中,所述按通道差分模块340,用于计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图。应可以理解,为了对于所述待检测门的漆面质量进行准确地检测,需要对于所述检测特征图和所述参考特征图在高维特征空间中进行差异性特征对比,也就是,具体地,计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图。在本申请的一个具体示例中,以如下公式计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;其中,所述公式为:其中,F1表示所述检测特征图,F2表示所述参考特征图,Fc表示所述差分特征图,/>表示按位置差分。
具体地,在所述用于门制造的质量检测系统300的运行过程中,所述通道增强模块350,用于将所述差分特征图通过通道注意力模块以得到通道增强差分特征图。考虑到在所述差分特征图中,所述通道维度上的各个特征矩阵表示所述漆面检测图像和所述漆面参考图像中关于漆面质量的各个特征内容的差异性特征分布信息,而这些特征内容的差异性特征分布信息具有着相互的关联性。鉴于通道注意力能够关注于图像中的特征内容的关联性特征,因此,为了进一步提高对于门的漆面质量检测的精准度,将所述差分特征图通过通道注意力模块以得到通道增强差分特征图。这里,所述通道注意力所提取到的图像特征反映了特征通道间的相关性和重要性。
图5为根据本申请实施例的用于门制造的质量检测系统中通道增强模块的框图。如图5所示,所述通道增强模块350,包括:全局均值池化单元351,用于计算所述差分特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;非线性激活单元352,用于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特征向量;以及,通道注意力施加单元353,用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述差分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通道增强差分特征图。
具体地,在所述用于门制造的质量检测系统300的运行过程中,所述平展化模块360,用于对所述通道增强差分特征图进行类表征平展化以得到分类特征图。特别地,在本申请的技术方案中,通过计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图,并将所述差分特征图通过通道注意力模块得到所述通道增强差分特征图,可以使得所述通道增强差分特征图关注预定通道的差分特征矩阵。但是,这也会导致所述通道增强差分特征图在通道维度下的特征分布连续性低,使得所述通道增强差分特征图在分类器中展开为特征向量之后,与所述分类器的权重矩阵之间的拟合负担重,从而影响所述分类器的训练速度和分类结果的准确性。因此,本申请的申请人对所述通道增强差分特征图进行类表征平展化,具体地,以如下公式对所述通道增强差分特征图进行类表征平展化以得到所述分类特征图;其中,所述公式为:
其中fi是所述通道增强差分特征图的预定特征值,fj是所述通道增强差分特征图的所述预定特征值以外的其它特征值,是所述通道增强差分特征图的所有特征值的均值,且N是所述通道增强差分特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,fi'是所述分类特征图的预定特征值。这里,所述通道增强差分特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得平展的“切片”连续性,以增强所述通道增强差分特征图对于分类器的权重矩阵的拟合性能。这样,就提升了所述通道增强差分特征图通过分类器进行分类的训练速度和分类结果的准确性。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
具体地,在所述用于门制造的质量检测系统300的运行过程中,所述质量检测结果生成模块370,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检测门的漆面质量是否符合预定要求。也就是,将增强后的所述通道增强差分特征图作为分类特征图通过分类器中进行分类处理,以得到用于表示待检测门的漆面质量是否符合预定要求的分类结果,以实现门制造的质量检测。也就是,使用所述分类器确定所述分类特征图所属的类概率标签,其中,所述类概率标签包括待检测门的漆面质量符合预定要求(第一标签),以及,待检测门的漆面质量不符合预定要求(第二标签)。这样,能够对于门漆面的质量进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。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:
P=softmax{(Wn,Bn):…:(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Wn为各层全连接层的权重矩阵,B1至Bn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所述编码分类特征向量归属于待检测门的漆面质量符合预定要求的第一标签以及待检测门的漆面质量不符合预定要求的第二标签。
图6为根据本申请实施例的用于门制造的质量检测系统中质量检测结果生成模块的框图。如图6所示,所述质量检测结果生成模块370,包括:展开单元371,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;全连接编码单元372,用于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,分类结果生成单元373,用于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用于门制造的质量检测系统300被阐明,其通过采用基于深度学习的人工智能检测技术,以通过对于漆面检测图像进行畸变校正编解码后,提取出所述漆面检测图像和所述漆面参考图像在高维空间中的特征差异,并基于注意力机制来加强这种特征差异信息在通道维度上的内容关联特征,以此来进行门漆面的质量检测。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
如上所述,根据本申请实施例的用于门制造的质量检测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用于门制造的质量检测系统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,该用于门制造的质量检测系统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,该用于门制造的质量检测系统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,该用于门制造的质量检测系统300与该终端设备也可以是分立的设备,并且该用于门制造的质量检测系统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。
示例性方法
图7为根据本申请实施例的用于门制造的质量检测方法的流程图。如图7所示,根据本申请实施例的用于门制造的质量检测方法,包括步骤:S110,获取待检测门的漆面检测图像和漆面参考图像;S120,将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;S130,将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;S140,计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;S150,将所述差分特征图通过通道注意力模块以得到通道增强差分特征图;S160,对所述通道增强差分特征图进行类表征平展化以得到分类特征图;以及,S170,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检测门的漆面质量是否符合预定要求。
在一个示例中,在上述用于门制造的质量检测方法中,所述步骤S120,包括:使用所述自动编码器的编码器从所述漆面检测图像提取漆面检测特征图,其中,所述自动编码器的编码器为卷积层;以及,使用所述自动编码器的解码器对所述漆面检测特征图进行解码以得到所述校正后漆面检测图像,其中,所述自动编码器的解码器为反卷积层。
在一个示例中,在上述用于门制造的质量检测方法中,所述步骤S130,包括:所述第一图像编码器和所述第二图像编码器为金字塔网络。
在一个示例中,在上述用于门制造的质量检测方法中,所述步骤S140,包括:以如下公式计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;其中,所述公式为:
其中,F1表示所述检测特征图,F2表示所述参考特征图,Fc表示所述差分特征图,表示按位置差分。
在一个示例中,在上述用于门制造的质量检测方法中,所述步骤S150,包括:计算所述差分特征图的沿通道维度的各个特征矩阵的全局均值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特征向量;以及,以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述差分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通道增强差分特征图。
在一个示例中,在上述用于门制造的质量检测方法中,所述步骤S160,包括:以如下公式对所述通道增强差分特征图进行类表征平展化以得到所述分类特征图;其中,所述公式为:
其中fi是所述通道增强差分特征图的预定特征值,fj是所述通道增强差分特征图的所述预定特征值以外的其它特征值,是所述通道增强差分特征图的所有特征值的均值,且N是所述通道增强差分特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,fi'是所述分类特征图的预定特征值。
在一个示例中,在上述用于门制造的质量检测方法中,所述步骤S170,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。
综上,根据本申请实施例的用于门制造的质量检测方法被阐明,其通过采用基于深度学习的人工智能检测技术,以通过对于漆面检测图像进行畸变校正编解码后,提取出所述漆面检测图像和所述漆面参考图像在高维空间中的特征差异,并基于注意力机制来加强这种特征差异信息在通道维度上的内容关联特征,以此来进行门漆面的质量检测。这样,能够对于门漆面的质量是否符合预定要求进行准确地检测,以提高喷漆的效率和质量,进而提高木门的生产质量和效率。
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用于门制造的质量检测系统中的功能以及/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差分特征图等各种内容。
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,仅示出该电子设备10中与本申请有关的组件中的一些,省略诸如总线、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“示例性系统”部分中描述的根据本申请各种实施例的用于门制造的质量检测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“示例性系统”部分中描述的根据本申请各种实施例的用于门制造的质量检测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)
1.一种用于门制造的质量检测系统,其特征在于,包括:
质检数据采集模块,用于获取待检测门的漆面检测图像和漆面参考图像;
图像畸变校正模块,用于将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;
孪生编码模块,用于将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
按通道差分模块,用于计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;
通道增强模块,用于将所述差分特征图通过通道注意力模块以得到通道增强差分特征图;
平展化模块,用于对所述通道增强差分特征图进行类表征平展化以得到分类特征图;以及
质量检测结果生成模块,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待检测门的漆面质量是否符合预定要求。
2.根据权利要求1所述的用于门制造的质量检测系统,其特征在于,所述图像畸变校正模块,包括:
信号编码单元,用于使用所述自动编码器的编码器从所述漆面检测图像提取漆面检测特征图,其中,所述自动编码器的编码器为卷积层;以及
信号解码单元,用于使用所述自动编码器的解码器对所述漆面检测特征图进行解码以得到所述校正后漆面检测图像,其中,所述自动编码器的解码器为反卷积层。
3.根据权利要求2所述的用于门制造的质量检测系统,其特征在于,所述第一图像编码器和所述第二图像编码器为金字塔网络。
4.根据权利要求3所述的用于门制造的质量检测系统,其特征在于,所述按通道差分模块,进一步用于:以如下公式计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;
其中,所述公式为:
其中,表示所述检测特征图,/>表示所述参考特征图,/>表示所述差分特征图,/>表示按位置差分。
5.根据权利要求4所述的用于门制造的质量检测系统,其特征在于,所述通道增强模块,包括:
全局均值池化单元,用于计算所述差分特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;
非线性激活单元,用于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特征向量;以及
通道注意力施加单元,用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述差分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通道增强差分特征图。
6.根据权利要求5所述的用于门制造的质量检测系统,其特征在于,所述平展化模块,进一步用于:以如下公式对所述通道增强差分特征图进行类表征平展化以得到所述分类特征图;
其中,所述公式为:
其中是所述通道增强差分特征图的预定特征值,/>是所述通道增强差分特征图的所述预定特征值以外的其它特征值,/>是所述通道增强差分特征图的所有特征值的均值,且/>是所述通道增强差分特征图的尺度,/>表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,/>是所述分类特征图的预定特征值。
7.根据权利要求6所述的用于门制造的质量检测系统,其特征在于,所述质量检测结果生成模块,包括:
展开单元,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;
全连接编码单元,用于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
分类结果生成单元,用于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。
8.一种用于门制造的质量检测方法,其特征在于,包括:
获取待检测门的漆面检测图像和漆面参考图像;
将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像;
将所述漆面参考图像和所述校正后漆面检测图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图,其中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构;
计算所述检测特征图和所述参考特征图中每组对应通道维度的特征矩阵之间的差分以得到差分特征图;
将所述差分特征图通过通道注意力模块以得到通道增强差分特征图;
对所述通道增强差分特征图进行类表征平展化以得到分类特征图;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检测门的漆面质量是否符合预定要求。
9.根据权利要求8所述的用于门制造的质量检测方法,其特征在于,所述将所述漆面检测图像通过基于自动编解码器的图像畸变校正器以得到校正后漆面检测图像,包括:
使用所述自动编码器的编码器从所述漆面检测图像提取漆面检测特征图,其中,所述自动编码器的编码器为卷积层;以及
使用所述自动编码器的解码器对所述漆面检测特征图进行解码以得到所述校正后漆面检测图像,其中,所述自动编码器的解码器为反卷积层。
10.根据权利要求9所述的用于门制造的质量检测方法,其特征在于,所述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检测门的漆面质量是否符合预定要求,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310035297.4A CN116503314A (zh) | 2023-01-10 | 2023-01-10 | 用于门制造的质量检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310035297.4A CN116503314A (zh) | 2023-01-10 | 2023-01-10 | 用于门制造的质量检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503314A true CN116503314A (zh) | 2023-07-28 |
Family
ID=87319075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310035297.4A Pending CN116503314A (zh) | 2023-01-10 | 2023-01-10 | 用于门制造的质量检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503314A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011264A (zh) * | 2023-08-03 | 2023-11-07 | 杭州高腾机电科技有限公司 | 一种内衣机集群生产监测系统及控制方法 |
-
2023
- 2023-01-10 CN CN202310035297.4A patent/CN116503314A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011264A (zh) * | 2023-08-03 | 2023-11-07 | 杭州高腾机电科技有限公司 | 一种内衣机集群生产监测系统及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grm et al. | Strengths and weaknesses of deep learning models for face recognition against image degradations | |
CN108805015B (zh) | 加权卷积自编码长短期记忆网络人群异常检测方法 | |
Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
CN109919204B (zh) | 一种面向噪声图像的深度学习聚类方法 | |
CN107832747B (zh) | 一种基于低秩字典学习算法的人脸识别方法 | |
CN113255830A (zh) | 基于变分自编码器与高斯混合模型的无监督目标检测方法及系统 | |
CN116030018A (zh) | 用于门加工的来料合格检验系统及方法 | |
CN116503314A (zh) | 用于门制造的质量检测系统及方法 | |
CN117217368A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
Shen et al. | An improved UAV target detection algorithm based on ASFF-YOLOv5s | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
Cilla et al. | Human action recognition with sparse classification and multiple‐view learning | |
Huang et al. | Underwater image enhancement via LBP‐based attention residual network | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
CN116704208A (zh) | 基于特征关系的局部可解释方法 | |
CN117076983A (zh) | 传输外线资源识别检测方法、装置、设备及存储介质 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
Jiang et al. | Image quality assessment with transformers and multi-metric fusion modules | |
CN116797814A (zh) | 智慧工地安全管理系统 | |
Zhang et al. | SE-DCGAN: a new method of semantic image restoration | |
CN114782995A (zh) | 一种基于自注意力机制的人交互行为检测方法 | |
CN113627556B (zh) | 一种图像分类的实现方法、装置、电子设备和存储介质 | |
Zhang et al. | TCDM: Transformational Complexity Based Distortion Metric for Perceptual Point Cloud Quality Assessment | |
Huo et al. | Domain adaptive crowd counting via dynamic scale aggregation network | |
CN113591771B (zh) | 一种多场景配电室物体检测模型的训练方法和设备 |
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 |