CN116824256A - 磨床的视觉检测系统及其方法 - Google Patents

磨床的视觉检测系统及其方法 Download PDF

Info

Publication number
CN116824256A
CN116824256A CN202310788861.XA CN202310788861A CN116824256A CN 116824256 A CN116824256 A CN 116824256A CN 202310788861 A CN202310788861 A CN 202310788861A CN 116824256 A CN116824256 A CN 116824256A
Authority
CN
China
Prior art keywords
image block
feature vector
classification
vectors
scale
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.)
Withdrawn
Application number
CN202310788861.XA
Other languages
English (en)
Inventor
赵梁均
王盛伟
李勇
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.)
Zhejiang Qianxiang Tools Co ltd
Original Assignee
Zhejiang Qianxiang Tools 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 Zhejiang Qianxiang Tools Co ltd filed Critical Zhejiang Qianxiang Tools Co ltd
Priority to CN202310788861.XA priority Critical patent/CN116824256A/zh
Publication of CN116824256A publication Critical patent/CN116824256A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B19/00—Single-purpose machines or devices for particular grinding operations not covered by any other main group
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06V10/77—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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (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

本申请涉及智能检测领域，其具体地公开了一种磨床的视觉检测系统及其方法，其首先对待检测加工产品的检测图像进行分块处理并通过线性嵌入层以得到多个图像块嵌入向量，接着对所述多个图像块嵌入向量分别进行特征提取以得到不同尺度图像块语义特征向量，然后融合所述不同尺度图像块语义特征向量并通过分类器得到表示所述待检测产品是否符合预定标准的分类结果。这样，避免了传统检测方法主观性过强的问题，可以有效提高加工产品质量检测的准确性以及检测效率。

Description

磨床的视觉检测系统及其方法
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种磨床的视觉检测系统及其方法。
背景技术
磨床的视觉检测是指通过与能源服务公司签订合同，委托其对企业或机构的能源使用进行全面管理和优化的一种能源服务模式，该模式通常涵盖采集、监测、分析电力能耗数据等多个环节，以实现对能源使用的有效控制和管理。
在这种能源服务模式中，可以对能源使用情况进行监控和数据分析以及发现异常。在磨床的视觉检测系统中，电力能耗异常的检测非常重要，传统的基于规则或阈值的异常检测方法难以有效的检测电力能耗异常。
因此，需要一种优化的磨床的视觉检测方案。
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磨床的视觉检测系统及其方法，其首先对待检测加工产品的检测图像进行分块处理并通过线性嵌入层以得到多个图像块嵌入向量，接着对所述多个图像块嵌入向量分别进行特征提取以得到不同尺度图像块语义特征向量，然后融合所述不同尺度图像块语义特征向量并通过分类器得到表示所述待检测产品是否符合预定标准的分类结果。这样，避免了传统检测方法主观性过强的问题，可以有效提高加工产品质量检测的准确性以及检测效率。
根据本申请的一个方面，提供了一种磨床的视觉检测系统，其包括：
图像获取模块，用于获取待检测加工成品的检测图像；
分块模块，用于对所述检测图像进行分块处理以得到二维图像块的序列；
嵌入向量获取模块，用于将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量；
第一尺度编码模块，用于将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量；
第二尺度编码模块，用于将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量；
融合模块，用于融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量；以及
检测结果生成模块，用于将所述分类特征向量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加工成品的质量是否符合预定标准。
在上述磨床的视觉检测系统中，所述分块模块，用于：对所述检测图像进行均匀分块处理以得到所述二维图像块的序列，其中，所述二维图像块的序列中各个图像块具有相同的尺寸。
在上述磨床的视觉检测系统中，所述嵌入向量获取模块，用于：所述线性嵌入层以可学习嵌入矩阵分别对所述二维图像块的序列中各个图像块进行嵌入编码以得到所述多个图像块嵌入向量。
在上述磨床的视觉检测系统中，所述第二尺度编码模块，包括：上下文图像编码单元，用于将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义图像块特征向量；以及，上下文图像级联单元，用于将所述多个上下文语义图像块特征向量进行级联以得到所述第二尺度图像块语义特征向量。
在上述磨床的视觉检测系统中，所述上下文图像编码单元，用于：使用所述基于转换器的上下文编码器对由所述多个图像块嵌入向量排列的向量进行基于全局的上下文语义编码以得到多个上下文语义图像块特征向量。
在上述磨床的视觉检测系统中，所述融合模块，包括：协方差矩阵生成单元，用于计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；以及，排列单元，用于将所述多个特征向量排列为所述分类特征向量。
在上述磨床的视觉检测系统中，所述检测结果生成模块，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成分类结果；其中，所述分类公式为：
O＝softmax{(,Bc)|Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
根据本申请的另一方面，提供了一种磨床的视觉检测方法，其包括：
获取待检测加工成品的检测图像；
对所述检测图像进行分块处理以得到二维图像块的序列；
将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量；
将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量；
将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量；
融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量；以及
将所述分类特征向量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加工成品的质量是否符合预定标准。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的磨床的视觉检测方法。
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磨床的视觉检测方法。
与现有技术相比，本申请提供的磨床的视觉检测系统及其方法，其首先对待检测加工产品的检测图像进行分块处理并通过线性嵌入层以得到多个图像块嵌入向量，接着对所述多个图像块嵌入向量分别进行特征提取以得到不同尺度图像块语义特征向量，然后融合所述不同尺度图像块语义特征向量并通过分类器得到表示所述待检测产品是否符合预定标准的分类结果。这样，避免了传统检测方法主观性过强的问题，可以有效提高加工产品质量检测的准确性以及检测效率。
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。附图用于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磨床的视觉检测系统的系统的应用场景图。
图2为根据本申请实施例的磨床的视觉检测系统的系统框图。
图3为根据本申请实施例的磨床的视觉检测系统的架构图。
图4为根据本申请实施例的磨床的视觉检测系统中第二尺度编码模块的框图。
图5为根据本申请实施例的磨床的视觉检测系统中融合模块的框图。
图6为根据本申请实施例的磨床的视觉检测方法的流程图。
图7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
如上所述，在生产制备中，需要对加工成品的成型质量进行检测，以确保其是否为合格产品。但是传统的产品质检方法多依靠人工对其进行判断，人工判断的主观性过强，容易导致检测结果准确性较低。因此，期待一种优化的磨床的视觉检测方案。
目前，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、语音信号处理等领域。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。近年来，深度学习以及神经网络的发展为磨床的视觉检测提供了新的解决思路和方案。
相应地，考虑传统的加工产品质量检测多依靠人工，因此，在本申请的技术方案中，期望采用基于深度学习的人工智能检测技术，以利用采集的待检测加工产品的检测图像中的多尺度长距离全局隐含特征信息和短距离局部隐含特征信息之间的融合特征分布来进行加工产品的质量检测。这样，避免了传统人工检测带来的主观性过强的问题，还可以有效提高加工产品质量检测的效率和准确性。
具体地，在本申请的技术方案中，首先获取待检测加工成品的检测图像。这里可以理解，检测图像作为系统的输入数据，它能够准确地反映待检测加工成品的状态和特征。在磨床加工过程中，待检测产品的表面会受到各种因素的影响，如磨削力、转速等，这些因素都会导致加工产品的表面产生不良状况，通过获取检测图像，可以清晰地观察待检测加工成品的表面情况，后续通过对图像数据进行处理以得到用于判断加工产品质量是否符合标准的分类结果。接着，对所述检测图像进行分块处理以得到二维图像块的序列。也就是，对所述检测图像进行均匀分块处理可以得到不重叠且尺寸固定的二维图像块的序列，其中，各个图像块表示待检测加工产品的各个局部区域的检测图像，且所述二维图像块的序列中各个图像块具有相同的尺寸。
然后，将所述二维图像块的序列中各个二维图像块输入线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块嵌入向量，这里，每个图像块转换成一个固定大小的向量表示，这个向量表示可以保留图像块的关键特征，如边缘、纹理等信息，通过将图像块嵌入向量送入到神经网络中，可以利用深度学习来学习这些向量之间的相关性和特征表示，可以更好地捕捉到目标物体的特征，提高检测的精度和鲁棒性。并且使用嵌入向量也可以减少模型中需要处理的参数数量。从而降低计算的复杂度和消耗的存储空间。
紧接着，将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量。应可以理解，使用双向长短期记忆神经网络模型可以通过学习和提取数据的高层次特征，有效地获取图像块的语义信息。图像块之间存在着一定的空间相关性，可以将它们作为一个序列来处理，双向长短期记忆神经网络模型可以对这些图像块进行序列建模，捕捉它们之间的时序关系，进一步提高模型的性能。
同时，将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量。多个图像块嵌入向量可以提取出相应图像块的特征信息，包括颜色、形状、纹理等，有助于更全面地描述整张图像的特征，通过基于转换器的上下文编码器对多个图像块嵌入向量进行编码可以捕获每个图像块的上下文信息，即与周围相关的图像块的信息，这有利于提高整体语义理解和特征提取的精度。
紧接着，融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量。具体来说，第一尺度和第二尺度图像块分别提取了不同的图像特征，它们之间可能存在互补性，即一个图像块中的信息可能在另一个图像块中得到弥补，因此，将这两个图像块的语义特征向量进行融合可以充分利用它们之间的互补性，并提高图像分类的精度和鲁棒性。此外，使用分类特征向量还可以减少计算复杂度，将两个尺度的特征向量融合在一起比单独使用每个特征向量更加高效。最后，将所述分类特征向量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加工成品的质量是否符合预定标准。
特别地，在本申请的技术方案中，在融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量时，所述分类特征向量用于表示图像块多尺度上下文语义关联特征表达。本领域普通技术人员应知晓，双向长短期记忆神经网络模型在捕捉中距离上下文依赖信息方面具有优异性能表现，则所述基于转换器的上下文编码器则在捕捉长距离上下文依赖信息方面具有优异性能表现，因此，通过融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量可以将图像块之间的不同距离之间的上下文依赖信息进行聚合以提高所述分类特征向量通过所述分类器得到的分类结果的精准度。
但是，因所述双向长短期记忆神经网络模型和所述基于转换器的上下文编码器的编码机制不同，会使得所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量在各子维度之间的数据变化方向和幅度差异较大。在上述前提下，如果以计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的按位置加权和的方式来融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到所述分类特征向量，会使得所述分类特征向量因所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的特征分布错配以导致所述分类特征向量在特征局部结构发生模糊或者偏差，影响所述分类特征向量的分类判断的精准度。
基于此，在本申请的技术方案中，对所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量进行基于特征集合的各子维度之间的空间联立投影以得到所述分类特征向量。具体地，首先计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的协方差矩阵；进而，对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；接着，将所述多个特征向量排列为所述分类特征向量。
这样，对所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量进行基于特征集合的各子维度之间的空间联立投影，可充分考虑所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量的数据变化方向和幅度，使得空间联立投影得到的所述分类特征向量能够最大程度地保留所述所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量的主要特征信息且减少数据中的噪声和冗余信息，通过这样的方式，可更好地观察和分析所述分类特征向量中的模式和规律。这样，提高所述分类特征向量的分类判断的精准度。
图1为根据本申请实施例的磨床的视觉检测系统的系统的应用场景图。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)获取待检测加工产品的检测图像(例如，如图1中所示意的F)。接着，将上述图像输入至部署有用于磨床的视觉检测算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述磨床的视觉检测算法对所述图像进行处理，以生成用于表示待检测加工成品的质量是否符合预定标准的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2为根据本申请实施例的磨床的视觉检测系统的系统框图。如图2所示，在磨床的视觉检测系统100中，包括：图像获取模块110，用于获取待检测加工成品的检测图像；分块模块120，用于对所述检测图像进行分块处理以得到二维图像块的序列；嵌入向量获取模块130，用于将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量；第一尺度编码模块140，用于将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量；第二尺度编码模块150，用于将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量；融合模块160，用于融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量；以及，检测结果生成模块170，用于将所述分类特征向量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加工成品的质量是否符合预定标准。
图3为根据本申请实施例的磨床的视觉检测系统的架构图。如图3所示，在该架构中，首先，获取待检测加工成品的检测图像。接着，对所述检测图像进行分块处理以得到二维图像块的序列。然后，将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量。同时，将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量。接着，融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量。最后，将所述分类特征向量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加工成品的质量是否符合预定标准。
在磨床的视觉检测系统100中，所述图像获取模块110，用于获取待检测加工成品的检测图像。如前所述，传统的产品质检方法多依靠人工对其进行判断，人工判断存在主观性过强的问题，这容易导致检测结果准确率较低。因此，期待一种优化的磨床的视觉检测方案。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，以利用采集的待检测加工产品的检测图像中的多尺度长距离全局隐含特征信息和短距离局部隐含特征信息之间的融合特征分布来进行加工产品的质量检测。具体地，首先获取待检测加工成品的检测图像，所述检测头像可由摄像头拍摄获得。
在磨床的视觉检测系统100中，所述分块模块120，用于对所述检测图像进行分块处理以得到二维图像块的序列。也就是，对所述检测图像进行均匀分块处理可以得到不重叠且尺寸固定的二维图像块的序列，其中，各个图像块表示待检测加工产品的各个局部区域的检测图像，且所述二维图像块的序列中各个图像块具有相同的尺寸。应可以理解，将所述检测图像进行分块处理有利于后续计算机的处理；而且，所述二维图像块的序列中各个图像块具有相同的尺寸，使得所述检测图像中的信息均可以被获取到，使得生成的结果更加准确。
在磨床的视觉检测系统100中，所述嵌入向量获取模块130，用于将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量。这里，每个图像块转换成一个固定大小的向量表示，这个向量表示可以保留图像块的关键特征，如边缘、纹理等信息，通过将图像块嵌入向量送入到神经网络中，可以利用深度学习来学习这些向量之间的相关性和特征表示，可以更好地捕捉到目标物体的特征，提高检测的精度和鲁棒性。
具体地，在磨床的视觉检测系统100中，所述嵌入向量获取模块130，用于：所述线性嵌入层以可学习嵌入矩阵分别对所述二维图像块的序列中各个图像块进行嵌入编码以得到所述多个图像块嵌入向量。
在磨床的视觉检测系统100中，所述第一尺度编码模块140，用于将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量。进一步地，应可以理解，考虑到对于所述待检测加工产品的各个局部区域的检测图像特征来说，各个局部区域的检测图像特征具有着隐藏关联性的特征分布信息。也就是说，为了能够对于所述待检测加工产品的质量进行精准检测，需要对于各个局部区域的检测图像特征进行关联性的隐含特征提取。因此，在本申请的技术方案中，将所述多个图像块特征向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量。
应可以理解，所述双向长短期记忆神经网络模型(LSTM，Long Short-TermMemory)通过增加输入门、输出门和遗忘门，使得神经网络的权重能够自我更新，在网络模型参数固定的情况下，不同通道的权重尺度可以动态改变，从而能够避免梯度消失或者梯度膨胀的问题。所述双向长短期记忆神经网络模型是由前向LSTM与后向LSTM组合而成，前向LSTM可以学习到前面局部区域的检测图像的语义特征信息而后向LSTM可以学习到后续局部区域的检测图像的语义特征信息，所以通过所述双向长短期记忆神经网络模型获得的所述第一尺度图像块语义特征向量学习到了各个局部区域的检测图像的第一尺度长短距离隐含关联特征信息。
在磨床的视觉检测系统100中，所述第二尺度编码模块150，用于将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量。基于转换器的上下文编码器是一种深度学习模型，通常用于将序列或者图像等输入数据转化为语义向量表示。该模型基于自注意力机制，可以捕获输入数据之间的关系，并且能够同时处理整个输入序列或者图像，而不是像传统的循环神经网络等模型那样逐步处理。应可以理解，多个图像块嵌入向量可以提取出相应图像块的特征信息，包括颜色、形状、纹理等，有助于更全面地描述整张图像的特征，通过基于转换器的上下文编码器对多个图像块嵌入向量进行编码可以捕获每个图像块的上下文信息，即与周围相关的图像块的信息，这有利于提高整体语义理解和特征提取的精度。
图4为根据本申请实施例的磨床的视觉检测系统中第二尺度编码模块的框图。如图4所示，所述第二尺度编码模块150，包括：上下文图像编码单元151，用于将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义图像块特征向量；以及，上下文图像级联单元152，用于将所述多个上下文语义图像块特征向量进行级联以得到所述第二尺度图像块语义特征向量。
更具体地，在磨床的视觉检测系统100中，所述上下文图像编码单元151，用于：使用所述基于转换器的上下文编码器对由所述多个图像块嵌入向量排列的向量进行基于全局的上下文语义编码以得到多个上下文语义图像块特征向量。
在磨床的视觉检测系统100中，所述融合模块160，用于融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量。应可以理解，第一尺度和第二尺度图像块分别提取了不同的图像特征，它们之间可能存在互补性，即一个图像块中的信息可能在另一个图像块中得到弥补，因此，将这两个图像块的语义特征向量进行融合可以充分利用它们之间的互补性，并提高图像分类的精度和鲁棒性。
特别地，在本申请的技术方案中，在融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量时，所述分类特征向量用于表示图像块多尺度上下文语义关联特征表达。本领域普通技术人员应知晓，双向长短期记忆神经网络模型在捕捉中距离上下文依赖信息方面具有优异性能表现，则所述基于转换器的上下文编码器则在捕捉长距离上下文依赖信息方面具有优异性能表现，因此，通过融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量可以将图像块之间的不同距离之间的上下文依赖信息进行聚合以提高所述分类特征向量通过所述分类器得到的分类结果的精准度。
但是，因所述双向长短期记忆神经网络模型和所述基于转换器的上下文编码器的编码机制不同，会使得所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量在各子维度之间的数据变化方向和幅度差异较大。在上述前提下，如果以计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的按位置加权和的方式来融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到所述分类特征向量，会使得所述分类特征向量因所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的特征分布错配以导致所述分类特征向量在特征局部结构发生模糊或者偏差，影响所述分类特征向量的分类判断的精准度。
基于此，在本申请的技术方案中，对所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量进行基于特征集合的各子维度之间的空间联立投影以得到所述分类特征向量。
图5为根据本申请实施例的磨床的视觉检测系统中融合模块的框图。如图5所示，所述融合模块160，包括：协方差矩阵生成单元161，用于计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的协方差矩阵；特征值分解单元162，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；以及，排列单元163，用于将所述多个特征向量排列为所述分类特征向量。这样，对所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量进行基于特征集合的各子维度之间的空间联立投影，可充分考虑所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量的数据变化方向和幅度，使得空间联立投影得到的所述分类特征向量能够最大程度地保留所述所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量的主要特征信息且减少数据中的噪声和冗余信息，通过这样的方式，可更好地观察和分析所述分类特征向量中的模式和规律。这样，提高所述分类特征向量的分类判断的精准度。
在磨床的视觉检测系统100中，所述检测结果生成模块170，用于将所述分类特征向量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加工成品的质量是否符合预定标准。也就是，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示待检测加工成品的质量是否符合预定标准的分类结果。这样可以对加工产品进行智能检测，避免了人工操作主观性过强的问题，可以有效提高加工产品质量检测的效率和准确性。
具体地，在磨床的视觉检测系统100中，所述检测结果生成模块170，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成分类结果；其中，所述分类公式为：
O＝softmax{(,Bc)|Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
综上所述，基于本申请实施例的磨床的视觉检测系统被阐明，其首先对待检测加工产品的检测图像进行分块处理并通过线性嵌入层以得到多个图像块嵌入向量，接着对所述多个图像块嵌入向量分别进行特征提取以得到不同尺度图像块语义特征向量，然后融合所述不同尺度图像块语义特征向量并通过分类器得到表示所述待检测产品是否符合预定标准的分类结果。这样，避免了传统检测方法主观性过强的问题，可以有效提高加工产品质量检测的准确性以及检测效率。
示例性方法
图6为根据本申请实施例的磨床的视觉检测方法的流程图。如图6所示，在磨床的视觉检测方法中，包括：S110，获取待检测加工成品的检测图像；S120，对所述检测图像进行分块处理以得到二维图像块的序列；S130，将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量；S140，将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量；S150，将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量；S160，融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量；以及，S170，将所述分类特征向量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加工成品的质量是否符合预定标准。
在一个示例中，在上述磨床的视觉检测方法中，所述将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量，用于：所述线性嵌入层以可学习嵌入矩阵分别对所述二维图像块的序列中各个图像块进行嵌入编码以得到所述多个图像块嵌入向量。
在一个示例中，在上述磨床的视觉检测方法中，所述将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量，包括：将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义图像块特征向量；以及，将所述多个上下文语义图像块特征向量进行级联以得到所述第二尺度图像块语义特征向量。
在一个示例中，在上述磨床的视觉检测方法中，所述将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义图像块特征向量，用于：使用所述基于转换器的上下文编码器对由所述多个图像块嵌入向量排列的向量进行基于全局的上下文语义编码以得到多个上下文语义图像块特征向量。
在一个示例中，在上述磨床的视觉检测方法中，融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量，包括：计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；以及，将所述多个特征向量排列为所述分类特征向量。
在一个示例中，在上述磨床的视觉检测方法中，所述将所述分类特征向量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加工成品的质量是否符合预定标准，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成分类结果；其中，所述分类公式为：
O＝softmax{(,Bc)|Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
综上所述，基于本申请实施例的磨床的视觉检测方法被阐明，其首先对待检测加工产品的检测图像进行分块处理并通过线性嵌入层以得到多个图像块嵌入向量，接着对所述多个图像块嵌入向量分别进行特征提取以得到不同尺度图像块语义特征向量，然后融合所述不同尺度图像块语义特征向量并通过分类器得到表示所述待检测产品是否符合预定标准的分类结果。这样，避免了传统检测方法主观性过强的问题，可以有效提高加工产品质量检测的准确性以及检测效率。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7为根据本申请实施例的电子设备的框图。
如图7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磨床的视觉检测方法以及/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待检测加工成品的检测图像等各种内容。
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，包括判断待检测加工产品成品的质量是否符合预定标准的结果等。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7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磨床的视觉检测方法中的步骤。
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磨床的视觉检测方法中的步骤。
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)

1.一种磨床的视觉检测系统，其特征在于，包括：
图像获取模块，用于获取待检测加工成品的检测图像；
分块模块，用于对所述检测图像进行分块处理以得到二维图像块的序列；
嵌入向量获取模块，用于将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量；
第一尺度编码模块，用于将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量；
第二尺度编码模块，用于将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量；
融合模块，用于融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量；以及
检测结果生成模块，用于将所述分类特征向量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加工成品的质量是否符合预定标准。
2.根据权利要求1所述的磨床的视觉检测系统，其特征在于，所述分块模块，用于：对所述检测图像进行均匀分块处理以得到所述二维图像块的序列，其中，所述二维图像块的序列中各个图像块具有相同的尺寸。
3.根据权利要求2所述的磨床的视觉检测系统，其特征在于，所述嵌入向量获取模块，用于：所述线性嵌入层以可学习嵌入矩阵分别对所述二维图像块的序列中各个图像块进行嵌入编码以得到所述多个图像块嵌入向量。
4.根据权利要求3所述的磨床的视觉检测系统，其特征在于，所述第二尺度编码模块，包括：
上下文图像编码单元，用于将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义图像块特征向量；以及
上下文图像级联单元，用于将所述多个上下文语义图像块特征向量进行级联以得到所述第二尺度图像块语义特征向量。
5.根据权利要求4所述的磨床的视觉检测系统，其特征在于，所述上下文图像编码单元，用于：使用所述基于转换器的上下文编码器对由所述多个图像块嵌入向量排列的向量进行基于全局的上下文语义编码以得到多个上下文语义图像块特征向量。
6.根据权利要求5所述的磨床的视觉检测系统，其特征在于，所述融合模块，包括：
协方差矩阵生成单元，用于计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的协方差矩阵；
特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；以及
排列单元，用于将所述多个特征向量排列为所述分类特征向量。
7.根据权利要求6所述的磨床的视觉检测系统，其特征在于，所述检测结果生成模块，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成分类结果；
其中，所述分类公式为：
O＝softmax{(,Bc)|Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
8.一种磨床的视觉检测方法，其特征在于，包括：
获取待检测加工成品的检测图像；
对所述检测图像进行分块处理以得到二维图像块的序列；
将所述二维图像块的序列输入线性嵌入层以得到多个图像块嵌入向量；
将所述多个图像块嵌入向量通过双向长短期记忆神经网络模型以得到第一尺度图像块语义特征向量；
将所述多个图像块嵌入向量通过基于转换器的上下文编码器以得到第二尺度图像块语义特征向量；
融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量；以及
将所述分类特征向量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加工成品的质量是否符合预定标准。
9.根据权利要求8所述的磨床的视觉检测方法，其特征在于，融合所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量以得到分类特征向量，包括：
计算所述第一尺度图像块语义特征向量和所述第二尺度图像块语义特征向量之间的协方差矩阵；
对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；以及
将所述多个特征向量排列为所述分类特征向量。
10.根据权利要求9所述的磨床的视觉检测方法，其特征在于，将所述分类特征向量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加工成品的质量是否符合预定标准，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成分类结果；
其中，所述分类公式为：
O＝softmax{(,Bc)|Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
CN202310788861.XA 2023-06-30 2023-06-30 磨床的视觉检测系统及其方法 Withdrawn CN116824256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310788861.XA CN116824256A (zh) 2023-06-30 2023-06-30 磨床的视觉检测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310788861.XA CN116824256A (zh) 2023-06-30 2023-06-30 磨床的视觉检测系统及其方法

Publications (1)

Publication Number Publication Date
CN116824256A true CN116824256A (zh) 2023-09-29

Family

ID=88142594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310788861.XA Withdrawn CN116824256A (zh) 2023-06-30 2023-06-30 磨床的视觉检测系统及其方法

Country Status (1)

Country Link
CN (1) CN116824256A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132600A (zh) * 2023-10-26 2023-11-28 广东岚瑞新材料科技集团有限公司 基于图像的注塑制品质量检测系统及其方法
CN117274270A (zh) * 2023-11-23 2023-12-22 吉林大学 基于人工智能的消化内镜实时辅助系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132600A (zh) * 2023-10-26 2023-11-28 广东岚瑞新材料科技集团有限公司 基于图像的注塑制品质量检测系统及其方法
CN117132600B (zh) * 2023-10-26 2024-04-16 广东岚瑞新材料科技集团有限公司 基于图像的注塑制品质量检测系统及其方法
CN117274270A (zh) * 2023-11-23 2023-12-22 吉林大学 基于人工智能的消化内镜实时辅助系统及方法
CN117274270B (zh) * 2023-11-23 2024-01-26 吉林大学 基于人工智能的消化内镜实时辅助系统及方法

Similar Documents

Publication Publication Date Title
Mayer et al. Exposing fake images with forensic similarity graphs
Springenberg et al. Improving deep neural networks with probabilistic maxout units
CN116824256A (zh) 磨床的视觉检测系统及其方法
CN111428071B (zh) 一种基于多模态特征合成的零样本跨模态检索方法
CN108520215B (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
Meister et al. Cross-evaluation of a parallel operating SVM–CNN classifier for reliable internal decision-making processes in composite inspection
CN116308754B (zh) 一种银行信贷风险预警系统及其方法
Tueller et al. Target detection using features for sonar images
Szarski et al. An unsupervised defect detection model for a dry carbon fiber textile
CN116309580A (zh) 基于磁应力的油气管道腐蚀检测方法
CN117784710A (zh) 数控机床远程状态监控系统及其方法
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN117030129A (zh) 纸杯在线检漏方法及其系统
CN117541964A (zh) 云端视频处理系统及其方法
Devereux et al. A new approach for crack detection and sizing in nuclear reactor cores
Wu et al. Object detection and X-ray security imaging: A survey
CN111881906A (zh) 一种基于注意力机制图像检索的logo识别方法
Ghamisi et al. Anomaly detection in automated fibre placement: Learning with data limitations
CN116402777B (zh) 基于机器视觉的电力设备检测方法及系统
CN117475266A (zh) 基于多专家注意力融合的机器人视觉感知方法及装置
CN116994049A (zh) 全自动针织横机及其方法
Shishkin et al. Implementation of yolov5 for detection and classification of microplastics and microorganisms in marine environment
Xia et al. Source Code Vulnerability Detection Based On SAR-GIN
CN115408693A (zh) 一种基于自适应计算时间策略的恶意软件检测方法及系统
Wang et al. Intelligent detection of foreign objects over coal flow based on improved GANomaly

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20230929

WW01 Invention patent application withdrawn after publication