CN116665134A - 一种用于射频滤波器的生产监测设备及其监测方法 - Google Patents

一种用于射频滤波器的生产监测设备及其监测方法 Download PDF

Info

Publication number
CN116665134A
CN116665134A CN202310935273.4A CN202310935273A CN116665134A CN 116665134 A CN116665134 A CN 116665134A CN 202310935273 A CN202310935273 A CN 202310935273A CN 116665134 A CN116665134 A CN 116665134A
Authority
CN
China
Prior art keywords
apparent image
radio frequency
frequency filter
feature
image block
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
Application number
CN202310935273.4A
Other languages
English (en)
Inventor
魏永华
陈婵华
李峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Yousheng Communication Technology Co ltd
Nanjing Xingcang Environmental Protection Technology Co ltd
Original Assignee
Hebei Yousheng Communication Technology Co ltd
Nanjing Xingcang Environmental Protection Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Yousheng Communication Technology Co ltd, Nanjing Xingcang Environmental Protection Technology Co ltd filed Critical Hebei Yousheng Communication Technology Co ltd
Priority to CN202310935273.4A priority Critical patent/CN116665134A/zh
Publication of CN116665134A publication Critical patent/CN116665134A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (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)
  • Aerials With Secondary Devices (AREA)
  • Image Processing (AREA)

Abstract

公开了一种用于射频滤波器的生产监测设备及其监测方法。涉及智能化监测领域，其首先对射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像，接着，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量，然后，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示射频滤波器的外观质量是否符合要求的分类结果。这样，可以提高射频滤波器的外观质量检测的精准度。

Description

一种用于射频滤波器的生产监测设备及其监测方法
技术领域
本申请涉及智能化监测领域，且更为具体地，涉及一种用于射频滤波器的生产监测设备及其监测方法。
背景技术
射频滤波器是一种用于滤除特定频率范围内信号的电路。它们通常用于无线电和通信系统中，以滤除不需要的信号或干扰。射频滤波器有许多不同的类型，包括低通滤波器、高通滤波器、带通滤波器和带阻滤波器等，上述滤波器可以使用不同的电路拓扑结构来实现，如RC、LC、SAW、BPF等。
在射频滤波器的生产过程中，需要对射频滤波器进行生产监测，其中，生产监测项包括参数测试、相关测试、光学检测和环境测试。光学检测用于判断射频滤波器的外观质量是否符合要求，例如，是否有裂纹、气泡、污点等缺陷。传统的光学检测是采集滤波器的图像，并基于特征工程来进行图像分析以判断射频滤波器的外观质量是否符合要求。但是，在所述射频滤波器的外观图像中，所述射频滤波器的外观缺陷类型多样且多变，传统的特征工程的检测精准度难以满足应用要求。
因此，期待一种优化的用于射频滤波器的生产监测方案。
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射频滤波器的生产监测设备及其监测方法。其首先对射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像，接着，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量，然后，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示射频滤波器的外观质量是否符合要求的分类结果。这样，可以提高射频滤波器的外观质量检测的精准度。
根据本申请的一个方面，提供了一种用于射频滤波器的生产监测设备，其包括：
图像获取模块，用于获取待检测射频滤波器的表观图像；
灰度化处理模块，用于对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像；
ViT编码模块，用于对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量；
双向注意力编码模块，用于将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；以及，
分类模块，用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射频滤波器的外观质量是否符合要求。
在上述的用于射频滤波器的生产监测设备中，所述灰度化处理模块，用于：
以如下灰度化公式对所述射频滤波器的表观图像进行图像灰度化处理以得到所述灰度化表观图像；
其中，所述灰度化公式为：
GS(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中，R(x,y)、G(x,y)、B(x,y)分别表示所述射频滤波器的表观图像在像素坐标(x,y)处的红、绿、蓝通道的亮度值，GS(x,y)表示灰度图像在像素坐标(x,y)处的亮度值。
在上述的用于射频滤波器的生产监测设备中，所述ViT编码模块，包括：
图像分块单元，用于对所述灰度化表观图像进行图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块，其中，所述各个灰度化表观图像块用于表示所述射频滤波器的表面的一个局部区域；
像素矩阵展开单元，用于将所述多个灰度化表观图像块中各个灰度化表观图像块的像素矩阵进行展开以得到多个灰度化表观图像块像素展开向量；
嵌入化单元，用于使用所述ViT模型的嵌入层对所述多个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量；以及，
上下文语义编码单元，用于使用所述ViT模型的转换器结构对所述多个灰度化表观图像块嵌入向量进行基于自注意力机制的全局上下文语义编码以得到所述多个上下文表观图像块特征向量。
在上述的用于射频滤波器的生产监测设备中，所述图像分块单元，用于：
对所述灰度化表观图像进行均匀地图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块。
在上述的用于射频滤波器的生产监测设备中，所述嵌入化单元，用于：
所述嵌入层使用全连接权重矩阵对所述多个灰度化表观图像块像素展开向量中的各个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量。
在上述的用于射频滤波器的生产监测设备中，所述上下文语义编码单元，用于：
将所述多个灰度化表观图像块嵌入向量进行一维排列以得到全局灰度化表观图像特征向量；
计算所述全局灰度化表观图像特征向量与所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，
分别以所述多个概率值中各个概率值作为权重对所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量进行加权以得到所述多个上下文表观图像块特征向量。
在上述的用于射频滤波器的生产监测设备中，所述双向注意力编码模块，包括：
级联单元，用于对所述多个上下文表观图像块特征向量进行级联以得到全局表观图像块特征向量；
感知因数计算单元，用于基于所述全局表观图像块特征向量，计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；
特征分布优化单元，用于基于每个特征向量的可转移特征的量化的可转移性感知因数，对所述多个上下文表观图像块特征向量进行加权优化以得到多个优化后上下文表观图像块特征向量；
二维排列单元，用于将所述多个优化后上下文表观图像块特征向量进行二维排列以得到所述二维特征矩阵；以及，
双向注意力编码单元，用于将所述二维特征矩阵通过所述双向注意力机制模块以得到所述分类特征矩阵。
在上述的用于射频滤波器的生产监测设备中，所述感知因数计算单元，用于：
基于所述全局表观图像块特征向量，以如下感知因数公式计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；
其中，所述感知因数公式为：
；
其中，是所述上下文表观图像块特征向量中的第/>个特征向量，/>分别是所述上下文表观图像块特征向量中的第/>个特征向量的第/>个特征值，/>是所述全局表观图像块特征向量，/>是所述全局表观图像块特征向量的第/>个特征值，/>为以2为底的对数，且/>是加权超参数，/>是第/>个特征向量的可转移特征的量化的可转移性感知因数。
在上述的用于射频滤波器的生产监测设备中，所述双向注意力编码单元，用于：
将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；
将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；
融合所述二维特征向量和所述注意力特征向量以得到融合关联特征向量；以及，
将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵。
根据本申请的另一个方面，提供了一种用于射频滤波器的生产监测方法，其包括：
获取待检测射频滤波器的表观图像；
对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像；
对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量；
将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；以及，
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射频滤波器的外观质量是否符合要求。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现一种用于射频滤波器的生产监测方法。
一种控制器，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现一种用于射频滤波器的生产监测方法。
与现有技术相比，本申请提供的用于射频滤波器的生产监测设备及其监测方法，其首先对射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像，接着，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量，然后，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示射频滤波器的外观质量是否符合要求的分类结果。这样，可以提高射频滤波器的外观质量检测的精准度。
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用于射频滤波器的生产监测设备的应用场景图。
图2为根据本申请实施例的用于射频滤波器的生产监测设备的框图示意图。
图3为根据本申请实施例的用于射频滤波器的生产监测设备中的所述ViT编码模块的框图示意图。
图4为根据本申请实施例的用于射频滤波器的生产监测设备中的所述双向注意力编码模块的框图示意图。
图5为根据本申请实施例的用于射频滤波器的生产监测方法的流程图。
图6为根据本申请实施例的用于射频滤波器的生产监测方法的系统架构的示意图。
其中，N、待检测射频滤波器；D、表观图像；S、服务器。
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。
针对上述技术问题，本申请的技术构思为使用基于转换器模型的ViT模型来作为视觉特征提取器来捕捉射频滤波器的图像特征，并使用具有非线性激活函数的分类器来确定射频滤波器的图像特征所属的类边界以得到射频滤波器的外观质量是否符合要求的分类结果，以此来提高射频滤波器的外观质量检测的精准度。
具体地，在本申请的技术方案中，首先获取待检测射频滤波器的表观图像。也就是，获取由摄像头所采集的待检测射频滤波器的表观图像，优选地，在本申请的技术方案中，使用高清摄像头来采集所述表观图像来提高神经网络的源数据输入质量。
接着，对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像。考虑到在所述射频滤波器的外观质量检测过程中，所述表观图像的颜色信息对于外观质量检测的贡献度较低，因此，一方面为了降低数据处理量，另一方面，为了避免颜色信息所带来的干扰，在本申请的技术方案中，对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像。
具体地，在本申请一个具体的示例中，以如下公式对所述射频滤波器的表观图像进行处理以对所述射频滤波器的表观图像进行灰度化以得到所述灰度化表观图像，其中，所述公式为：GS(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)，其中，R(x,y)、G(x,y)、B(x,y)分别表示所述射频滤波器的表观图像在像素坐标(x,y)处的红、绿、蓝通道的亮度值，GS(x,y)表示灰度图像在像素坐标(x,y)处的亮度值。
接着，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量。也就是，使用ViT模型（Vision Transformer Model）对所述灰度化表观图像进行图像特征提取以得到所述多个上下文表观图像块特征向量。具体地，首先对所述灰度化表观图像进行图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块，其中，所述各个灰度化表观图像块用于表示所述射频滤波器的表面的一个局部区域。接着，将所述多个灰度化表观图像块中各个灰度化表观图像块的像素矩阵进行展开以得到多个灰度化表观图像块像素展开向量。然后，使用所述ViT模型的嵌入层对所述多个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量。在本申请一个具体的示例中，所述嵌入层使用全连接权重矩阵对所述各个灰度化表观图像块像素展开向量进行嵌入化编码以充分利用所述灰度化表观图像块像素展开向量中各个位置的像素值信息。接着，使用所述ViT模型的转换器结构对所述多个灰度化表观图像块嵌入向量进行基于自注意力机制的全局上下文语义编码以得到所述多个上下文表观图像块特征向量。
接着，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵。也就是，将所述灰度化表观图像块的图像语义特征在一个所述二维特征矩阵中进行特征组合。继而考虑到所述二维特征矩阵在空间维度上各个位置的特征值对于最终的分类判断的贡献度不同，为了充分利用所述二维特征矩阵的空间特征分布显著性差异，在本申请的技术方案中，进一步将所述二维特征矩阵通过双向注意力机制模块以得到所述分类特征矩阵。
进一步地，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射频滤波器的外观质量是否符合要求。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，所述类概率标签用于表示射频滤波器的外观质量是否符合要求。这样，使用基于转换器模型的ViT模型来作为视觉特征提取器来捕捉射频滤波器的图像特征，并使用具有非线性激活函数的分类器来确定射频滤波器的图像特征所属的类边界以得到射频滤波器的外观质量是否符合要求的分类结果，以此来提高射频滤波器的外观质量检测的精准度。
特别地，在本申请的技术方案中，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型后，得到的所述多个上下文表观图像块特征向量表达各个表观图像块的上下文全局关联文本语义，但是因所述各个灰度化表观图像块的图像源域差异会因所述包含嵌入层的ViT模型的语义编码而放大而使得所述多个上下文表观图像块特征向量的高维特征分布会具有一定的显式差异，因此，在将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵的过程中，各个所述上下文表观图像块特征向量之间的特征分布显式差异会影响关联语义特征提取的精准度，进而影响所述分类特征矩阵通过分类器的分类判断的精准度。
因此，在本申请的技术方案中，期待能够强化多个上下文表观图像块特征向量之间的特征一致性。基于此，本申请的申请人对于所述上下文表观图像块特征向量中的每个特征向量，例如记为，其中/>，/>是所述上下文表观图像块特征向量的数目，以及级联得到的所述全局表观图像块特征向量，例如记为/>，计算其可转移特征的量化的可转移性感知因数：
；
其中，是所述上下文表观图像块特征向量中的第/>个特征向量，/>分别是所述上下文表观图像块特征向量中的第/>个特征向量的第/>个特征值，/>是所述全局表观图像块特征向量，/>是所述全局表观图像块特征向量的第/>个特征值，/>为以2为底的对数，且/>是加权超参数，/>是第/>个特征向量的可转移特征的量化的可转移性感知因数。
这里，所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到解码目标域的域不确定性，且由于该域不确定性估计可以用于标识已经在域间转移的特征表示，因此通过以该因数来作为权重分别对所述上下文表观图像块特征向量中的每个特征向量进行加权，就可以通过特征空间域到解码目标域的跨域对齐来鉴别特征映射是否在域间有效转移，从而量化地感知不同特征向量中的可转移特征的可转移性，以强化多个上下文表观图像块特征向量之间的特征一致性。
图1为根据本申请实施例的用于射频滤波器的生产监测设备的应用场景图。如图1所示，在该应用场景中，首先，获取待检测射频滤波器（例如，图1中所示意的N）的表观图像（例如，图1中所示意的D），然后，将所述射频滤波器的表观图像输入至部署有用于射频滤波器的生产监测算法的服务器（例如，图1中所示意的S）中，其中，所述服务器能够使用所述用于射频滤波器的生产监测算法对所述射频滤波器的表观图像进行处理以得到用于表示射频滤波器的外观质量是否符合要求的分类结果。
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。
图2为根据本申请实施例的用于射频滤波器的生产监测设备的框图示意图。如图2所示，根据本申请实施例的用于射频滤波器的生产监测设备100，包括：图像获取模块110，用于获取待检测射频滤波器的表观图像；灰度化处理模块120，用于对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像；ViT编码模块130，用于对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量；双向注意力编码模块140，用于将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；以及，分类模块150，用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射频滤波器的外观质量是否符合要求。
更具体地，在本申请实施例中，所述图像获取模块110，用于获取待检测射频滤波器的表观图像。也就是，获取由摄像头所采集的待检测射频滤波器的表观图像，优选地，在本申请的技术方案中，使用高清摄像头来采集所述表观图像来提高神经网络的源数据输入质量。
更具体地，在本申请实施例中，所述灰度化处理模块120，用于对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像。在所述射频滤波器的外观质量检测过程中，所述表观图像的颜色信息对于外观质量检测的贡献度较低，因此，一方面为了降低数据处理量，另一方面，为了避免颜色信息所带来的干扰，在本申请的技术方案中，对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像。
相应地，在一个具体示例中，所述灰度化处理模块120，用于：以如下灰度化公式对所述射频滤波器的表观图像进行图像灰度化处理以得到所述灰度化表观图像；其中，所述灰度化公式为：
GS(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中，R(x,y)、G(x,y)、B(x,y)分别表示所述射频滤波器的表观图像在像素坐标(x,y)处的红、绿、蓝通道的亮度值，GS(x,y)表示灰度图像在像素坐标(x,y)处的亮度值。
更具体地，在本申请实施例中，所述ViT编码模块130，用于对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量。也就是，使用ViT模型（Vision Transformer Model）对所述灰度化表观图像进行图像特征提取以得到所述多个上下文表观图像块特征向量。
相应地，在一个具体示例中，如图3所示，所述ViT编码模块130，包括：图像分块单元131，用于对所述灰度化表观图像进行图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块，其中，所述各个灰度化表观图像块用于表示所述射频滤波器的表面的一个局部区域；像素矩阵展开单元132，用于将所述多个灰度化表观图像块中各个灰度化表观图像块的像素矩阵进行展开以得到多个灰度化表观图像块像素展开向量；嵌入化单元133，用于使用所述ViT模型的嵌入层对所述多个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量；以及，上下文语义编码单元134，用于使用所述ViT模型的转换器结构对所述多个灰度化表观图像块嵌入向量进行基于自注意力机制的全局上下文语义编码以得到所述多个上下文表观图像块特征向量。
相应地，在一个具体示例中，所述图像分块单元131，用于：对所述灰度化表观图像进行均匀地图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块。
相应地，在一个具体示例中，所述嵌入化单元133，用于：所述嵌入层使用全连接权重矩阵对所述多个灰度化表观图像块像素展开向量中的各个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量。
相应地，在一个具体示例中，所述上下文语义编码单元134，用于：将所述多个灰度化表观图像块嵌入向量进行一维排列以得到全局灰度化表观图像特征向量；计算所述全局灰度化表观图像特征向量与所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量进行加权以得到所述多个上下文表观图像块特征向量。
更具体地，在本申请实施例中，所述双向注意力编码模块140，用于将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵。也就是，将所述灰度化表观图像块的图像语义特征在一个所述二维特征矩阵中进行特征组合。继而考虑到所述二维特征矩阵在空间维度上各个位置的特征值对于最终的分类判断的贡献度不同，为了充分利用所述二维特征矩阵的空间特征分布显著性差异，在本申请的技术方案中，进一步将所述二维特征矩阵通过双向注意力机制模块以得到所述分类特征矩阵。
相应地，在一个具体示例中，如图4所示，所述双向注意力编码模块140，包括：级联单元141，用于对所述多个上下文表观图像块特征向量进行级联以得到全局表观图像块特征向量；感知因数计算单元142，用于基于所述全局表观图像块特征向量，计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；特征分布优化单元143，用于基于每个特征向量的可转移特征的量化的可转移性感知因数，对所述多个上下文表观图像块特征向量进行加权优化以得到多个优化后上下文表观图像块特征向量；二维排列单元144，用于将所述多个优化后上下文表观图像块特征向量进行二维排列以得到所述二维特征矩阵；以及，双向注意力编码单元145，用于将所述二维特征矩阵通过所述双向注意力机制模块以得到所述分类特征矩阵。
特别地，在本申请的技术方案中，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型后，得到的所述多个上下文表观图像块特征向量表达各个表观图像块的上下文全局关联文本语义，但是因所述各个灰度化表观图像块的图像源域差异会因所述包含嵌入层的ViT模型的语义编码而放大而使得所述多个上下文表观图像块特征向量的高维特征分布会具有一定的显式差异，因此，在将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵的过程中，各个所述上下文表观图像块特征向量之间的特征分布显式差异会影响关联语义特征提取的精准度，进而影响所述分类特征矩阵通过分类器的分类判断的精准度。因此，在本申请的技术方案中，期待能够强化多个上下文表观图像块特征向量之间的特征一致性。基于此，本申请的申请人对于所述上下文表观图像块特征向量中的每个特征向量，例如记为，其中/>，是所述上下文表观图像块特征向量的数目，以及级联得到的所述全局表观图像块特征向量，例如记为/>，计算其可转移特征的量化的可转移性感知因数.
相应地，在一个具体示例中，所述感知因数计算单元142，用于：
基于所述全局表观图像块特征向量，以如下感知因数公式计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；
其中，所述感知因数公式为：
；
其中，是所述上下文表观图像块特征向量中的第/>个特征向量，/>分别是所述上下文表观图像块特征向量中的第/>个特征向量的第/>个特征值，/>是所述全局表观图像块特征向量，/>是所述全局表观图像块特征向量的第/>个特征值，/>为以2为底的对数，且/>是加权超参数，/>是第/>个特征向量的可转移特征的量化的可转移性感知因数
这里，所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来估计特征空间域到解码目标域的域不确定性，且由于该域不确定性估计可以用于标识已经在域间转移的特征表示，因此通过以该因数来作为权重分别对所述上下文表观图像块特征向量中的每个特征向量进行加权，就可以通过特征空间域到解码目标域的跨域对齐来鉴别特征映射是否在域间有效转移，从而量化地感知不同特征向量中的可转移特征的可转移性，以强化多个上下文表观图像块特征向量之间的特征一致性。
相应地，在一个具体示例中，所述双向注意力编码单元145，用于：将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；融合所述二维特征向量和所述注意力特征向量以得到融合关联特征向量；以及，将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵。
更具体地，在本申请实施例中，所述分类模块150，用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射频滤波器的外观质量是否符合要求。也就是，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，所述类概率标签用于表示射频滤波器的外观质量是否符合要求。
也就是，在本申请的技术方案中，所述分类器的标签包括射频滤波器的外观质量符合要求（第一标签），以及，射频滤波器的外观质量不符合要求（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“射频滤波器的外观质量是否符合要求”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，射频滤波器的外观质量是否符合要求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“射频滤波器的外观质量是否符合要求”的语言文本意义。
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。
综上，基于本申请实施例的用于射频滤波器的生产监测设备100被阐明，其首先对射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像，接着，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量，然后，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示射频滤波器的外观质量是否符合要求的分类结果。这样，可以提高射频滤波器的外观质量检测的精准度。
如上所述，根据本申请实施例的基于本申请实施例的用于射频滤波器的生产监测设备100可以实现在各种终端设备中，例如具有基于本申请实施例的用于射频滤波器的生产监测算法的服务器等。在一个示例中，基于本申请实施例的用于射频滤波器的生产监测设备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，该基于本申请实施例的用于射频滤波器的生产监测设备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，该基于本申请实施例的用于射频滤波器的生产监测设备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，该基于本申请实施例的用于射频滤波器的生产监测设备100与该终端设备也可以是分立的设备，并且该用于射频滤波器的生产监测设备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。
图5为根据本申请实施例的用于射频滤波器的生产监测方法的流程图。如图5所示，根据本申请实施例的用于射频滤波器的生产监测方法，其包括：S110，获取待检测射频滤波器的表观图像；S120，对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像；S130，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量；S140，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；以及，S150，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射频滤波器的外观质量是否符合要求。
图6为根据本申请实施例的用于射频滤波器的生产监测方法的系统架构的示意图。如图6所示，在所述用于射频滤波器的生产监测方法的系统架构中，首先，获取待检测射频滤波器的表观图像；接着，对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像；然后，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量；接着，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；最后，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射频滤波器的外观质量是否符合要求。
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像，包括：以如下灰度化公式对所述射频滤波器的表观图像进行图像灰度化处理以得到所述灰度化表观图像；其中，所述灰度化公式为：
GS(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中，R(x,y)、G(x,y)、B(x,y)分别表示所述射频滤波器的表观图像在像素坐标(x,y)处的红、绿、蓝通道的亮度值，GS(x,y)表示灰度图像在像素坐标(x,y)处的亮度值。
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量，包括：对所述灰度化表观图像进行图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块，其中，所述各个灰度化表观图像块用于表示所述射频滤波器的表面的一个局部区域；将所述多个灰度化表观图像块中各个灰度化表观图像块的像素矩阵进行展开以得到多个灰度化表观图像块像素展开向量；使用所述ViT模型的嵌入层对所述多个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量；以及，使用所述ViT模型的转换器结构对所述多个灰度化表观图像块嵌入向量进行基于自注意力机制的全局上下文语义编码以得到所述多个上下文表观图像块特征向量。
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，对所述灰度化表观图像进行图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块，包括：对所述灰度化表观图像进行均匀地图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块。
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，使用所述ViT模型的嵌入层对所述多个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量，包括：所述嵌入层使用全连接权重矩阵对所述多个灰度化表观图像块像素展开向量中的各个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量。
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，使用所述ViT模型的嵌入层对所述多个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量，包括：将所述多个灰度化表观图像块嵌入向量进行一维排列以得到全局灰度化表观图像特征向量；计算所述全局灰度化表观图像特征向量与所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量进行加权以得到所述多个上下文表观图像块特征向量。
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵，包括：对所述多个上下文表观图像块特征向量进行级联以得到全局表观图像块特征向量；基于所述全局表观图像块特征向量，计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；基于每个特征向量的可转移特征的量化的可转移性感知因数，对所述多个上下文表观图像块特征向量进行加权优化以得到多个优化后上下文表观图像块特征向量；将所述多个优化后上下文表观图像块特征向量进行二维排列以得到所述二维特征矩阵；以及，将所述二维特征矩阵通过所述双向注意力机制模块以得到所述分类特征矩阵
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，基于每个特征向量的可转移特征的量化的可转移性感知因数，对所述多个上下文表观图像块特征向量进行加权优化以得到多个优化后上下文表观图像块特征向量；包括：基于所述全局表观图像块特征向量，以如下感知因数公式计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；
其中，所述感知因数公式为：
；
其中，是所述上下文表观图像块特征向量中的第/>个特征向量，/>分别是所述上下文表观图像块特征向量中的第/>个特征向量的第/>个特征值，/>是所述全局表观图像块特征向量，/>是所述全局表观图像块特征向量的第/>个特征值，/>为以2为底的对数，且/>是加权超参数，/>是第/>个特征向量的可转移特征的量化的可转移性感知因数。
在一个具体示例中，在上述用于射频滤波器的生产监测方法中，将所述二维特征矩阵通过所述双向注意力机制模块以得到所述分类特征矩阵，包括：将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；融合所述二维特征向量和所述注意力特征向量以得到融合关联特征向量；以及，将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵。
这里，本领域技术人员可以理解，上述用于射频滤波器的生产监测方法中的各个步骤的具体操作已经在上面参考图1到图4的用于射频滤波器的生产监测设备100的描述中得到了详细介绍，并因此，将省略其重复描述。
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。
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 (12)

1.一种用于射频滤波器的生产监测设备，其特征在于，包括：
图像获取模块，用于获取待检测射频滤波器的表观图像；
灰度化处理模块，用于对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像；
ViT编码模块，用于对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量；
双向注意力编码模块，用于将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；以及，
分类模块，用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射频滤波器的外观质量是否符合要求。
2.根据权利要求1所述的用于射频滤波器的生产监测设备，其特征在于，所述灰度化处理模块，用于：
以如下灰度化公式对所述射频滤波器的表观图像进行图像灰度化处理以得到所述灰度化表观图像；
其中，所述灰度化公式为：
GS(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中，R(x,y)、G(x,y)、B(x,y)分别表示所述射频滤波器的表观图像在像素坐标(x,y)处的红、绿、蓝通道的亮度值，GS(x,y)表示灰度图像在像素坐标(x,y)处的亮度值。
3.根据权利要求2所述的用于射频滤波器的生产监测设备，其特征在于，所述ViT编码模块，包括：
图像分块单元，用于对所述灰度化表观图像进行图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块，其中，所述灰度化表观图像块用于表示所述射频滤波器的表面的一个局部区域；
像素矩阵展开单元，用于将所述多个灰度化表观图像块中各个灰度化表观图像块的像素矩阵进行展开以得到多个灰度化表观图像块像素展开向量；
嵌入化单元，用于使用所述ViT模型的嵌入层对所述多个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量；以及，
上下文语义编码单元，用于使用所述ViT模型的转换器结构对所述多个灰度化表观图像块嵌入向量进行基于自注意力机制的全局上下文语义编码以得到所述多个上下文表观图像块特征向量。
4.根据权利要求3所述的用于射频滤波器的生产监测设备，其特征在于，所述图像分块单元，用于：
对所述灰度化表观图像进行均匀地图像分块处理以将所述灰度化表观图像切分为多个灰度化表观图像块。
5.根据权利要求4所述的用于射频滤波器的生产监测设备，其特征在于，所述嵌入化单元，用于：
所述嵌入层使用全连接权重矩阵对所述多个灰度化表观图像块像素展开向量中的各个灰度化表观图像块像素展开向量进行嵌入化编码以得到多个灰度化表观图像块嵌入向量。
6.根据权利要求5所述的用于射频滤波器的生产监测设备，其特征在于，所述上下文语义编码单元，用于：
将所述多个灰度化表观图像块嵌入向量进行一维排列以得到全局灰度化表观图像特征向量；
计算所述全局灰度化表观图像特征向量与所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，
分别以所述多个概率值中各个概率值作为权重对所述多个灰度化表观图像块嵌入向量中各个灰度化表观图像块嵌入向量进行加权以得到所述多个上下文表观图像块特征向量。
7.根据权利要求6所述的用于射频滤波器的生产监测设备，其特征在于，所述双向注意力编码模块，包括：
级联单元，用于对所述多个上下文表观图像块特征向量进行级联以得到全局表观图像块特征向量；
感知因数计算单元，用于基于所述全局表观图像块特征向量，计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；
特征分布优化单元，用于基于每个特征向量的可转移特征的量化的可转移性感知因数，对所述多个上下文表观图像块特征向量进行加权优化以得到多个优化后上下文表观图像块特征向量；
二维排列单元，用于将所述多个优化后上下文表观图像块特征向量进行二维排列以得到所述二维特征矩阵；以及，
双向注意力编码单元，用于将所述二维特征矩阵通过所述双向注意力机制模块以得到所述分类特征矩阵。
8.根据权利要求7所述的用于射频滤波器的生产监测设备，其特征在于，所述感知因数计算单元，用于：
基于所述全局表观图像块特征向量，以如下感知因数公式计算所述上下文表观图像块特征向量中的每个特征向量的可转移特征的量化的可转移性感知因数；
其中，所述感知因数公式为：
；
其中，是所述上下文表观图像块特征向量中的第/>个特征向量，/>分别是所述上下文表观图像块特征向量中的第/>个特征向量的第/>个特征值，/>是所述全局表观图像块特征向量，/>是所述全局表观图像块特征向量的第/>个特征值，/>为以2为底的对数，且/>是加权超参数，/>是第/>个特征向量的可转移特征的量化的可转移性感知因数。
9.根据权利要求8所述的用于射频滤波器的生产监测设备，其特征在于，所述双向注意力编码单元，用于：
将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；
将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；
融合所述二维特征向量和所述注意力特征向量以得到融合关联特征向量；以及，
将所述融合关联特征向量进行维度重构以得到所述分类特征矩阵。
10.一种用于射频滤波器的生产监测方法，基于如权利要求1-9任一项所述的用于射频滤波器的生产监测设备实现，其特征在于，包括：
获取待检测射频滤波器的表观图像；
对所述射频滤波器的表观图像进行图像灰度化处理以得到灰度化表观图像；
对所述灰度化表观图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文表观图像块特征向量；
将所述多个上下文表观图像块特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；以及，
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射频滤波器的外观质量是否符合要求。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求10所述的一种用于射频滤波器的生产监测方法。
12.一种控制器，包括存储器和处理器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序时实现权利要求10所述的一种用于射频滤波器的生产监测方法。
CN202310935273.4A 2023-07-28 2023-07-28 一种用于射频滤波器的生产监测设备及其监测方法 Pending CN116665134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310935273.4A CN116665134A (zh) 2023-07-28 2023-07-28 一种用于射频滤波器的生产监测设备及其监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310935273.4A CN116665134A (zh) 2023-07-28 2023-07-28 一种用于射频滤波器的生产监测设备及其监测方法

Publications (1)

Publication Number Publication Date
CN116665134A true CN116665134A (zh) 2023-08-29

Family

ID=87728256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310935273.4A Pending CN116665134A (zh) 2023-07-28 2023-07-28 一种用于射频滤波器的生产监测设备及其监测方法

Country Status (1)

Country Link
CN (1) CN116665134A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284341A1 (zh) * 2021-07-15 2023-01-19 北京小蝇科技有限责任公司 一种基于深度学习、上下文相关的尿液有形成分检测方法
CN116168352A (zh) * 2023-04-26 2023-05-26 成都睿瞳科技有限责任公司 基于图像处理的电网障碍物识别处理方法及系统
CN116329949A (zh) * 2023-05-19 2023-06-27 浙江合信数控机床股份有限公司 刀塔的智能化装配方法及其系统
CN116468894A (zh) * 2023-04-26 2023-07-21 无锡源工三仟科技有限公司 面向锂电池极片可监督学习的距离自适应掩码生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284341A1 (zh) * 2021-07-15 2023-01-19 北京小蝇科技有限责任公司 一种基于深度学习、上下文相关的尿液有形成分检测方法
CN116168352A (zh) * 2023-04-26 2023-05-26 成都睿瞳科技有限责任公司 基于图像处理的电网障碍物识别处理方法及系统
CN116468894A (zh) * 2023-04-26 2023-07-21 无锡源工三仟科技有限公司 面向锂电池极片可监督学习的距离自适应掩码生成方法
CN116329949A (zh) * 2023-05-19 2023-06-27 浙江合信数控机床股份有限公司 刀塔的智能化装配方法及其系统

Similar Documents

Publication Publication Date Title
US11176408B2 (en) Tire image recognition method and tire image recognition device
CN109840531B (zh) 训练多标签分类模型的方法和装置
Manap et al. Non-distortion-specific no-reference image quality assessment: A survey
KR101836096B1 (ko) 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램
CN108734283A (zh) 神经网络系统
CN110033040B (zh) 一种火焰识别方法、系统、介质和设备
CN110795976A (zh) 一种训练物体检测模型的方法、装置以及设备
CN104537647A (zh) 一种目标检测方法及装置
US20210096530A1 (en) System and method for identifying manufacturing defects
CN116704431A (zh) 水污染的在线监测系统及其方法
CN116844217B (zh) 用于生成人脸数据的图像处理系统及方法
CN116740384B (zh) 洗地机的智能控制方法及系统
CN111784665B (zh) 基于傅里叶变换的oct图像质量评估方法、系统及装置
CN116310563A (zh) 一种贵金属库存的管理方法及系统
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN116740728A (zh) 一种用于晶圆读码器动态获取方法和系统
CN111862040A (zh) 人像图片质量评价方法、装置、设备及存储介质
CN116597198A (zh) 一种节能环保陶瓷砂锅的制备方法
CN108154199B (zh) 一种基于深度学习的高精度快速单类目标检测方法
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
CN113516652A (zh) 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备
CN116563291B (zh) 一种smt智能防错上料检测仪
Kaur et al. Classification of biological species based on leaf architecture
CN106682604B (zh) 一种基于深度学习的模糊图像检测方法
CN116402777B (zh) 基于机器视觉的电力设备检测方法及系统

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