CN116834244A - 注塑模具的图像监测报警系统及其方法 - Google Patents
注塑模具的图像监测报警系统及其方法 Download PDFInfo
- Publication number
- CN116834244A CN116834244A CN202310842351.6A CN202310842351A CN116834244A CN 116834244 A CN116834244 A CN 116834244A CN 202310842351 A CN202310842351 A CN 202310842351A CN 116834244 A CN116834244 A CN 116834244A
- Authority
- CN
- China
- Prior art keywords
- feature map
- product
- feature
- image
- neural network
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 52
- 239000007924 injection Substances 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 239000003292 glue Substances 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 239000000853 adhesive Substances 0.000 claims description 12
- 230000001070 adhesive effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000001746 injection moulding Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76177—Location of measurement
- B29C2945/76287—Moulding material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76451—Measurement means
- B29C2945/76454—Electrical, e.g. thermocouples
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76822—Phase or stage of control
- B29C2945/76899—Removing or handling ejected articles
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能监测领域,其具体地公开了一种注塑模具的图像监测报警系统及其方法,其采用基于深度神经网络模型的人工智能技术,获取产品开模后顶出前的检测图像以及产品的参考图像,通过孪生网络进行特征提取,得到检测和参考特征图并融合,再通过空间注意力模块进行增强,以得到用于表示模具内产品是否缺胶的分类结果,基于所述分类结果,将若发现有缺胶,就会停止顶出,并且报警。这样,构建注塑模具的图像监测报警方案,能够实现对模具内产品是否缺胶的自动化检测,从而提高了产品的质量和生产效率。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种注塑模具的图像监测报警系统及其方法。
背景技术
注塑模具一般指注塑成型,也称注射模塑成型,是一种注射兼模塑的成型方法。注塑模具是在一定温度下,通过螺杆搅拌完全熔融的塑料材料,用高压射入模腔,经冷却固化后,得以成型。但由于传统的在顶出前,无法确保产品是否有缺胶的情况,导致产品顶出后品控不达标,生产效率较低。
因此,期待一种优化的注塑模具的图像监测报警方案,实现对模具内产品是否缺胶的自动化检测,从而提高了产品的质量和生产效率。
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注塑模具的图像监测报警系统及其方法,其采用基于深度神经网络模型的人工智能技术,获取产品开模后顶出前的检测图像以及产品的参考图像,通过孪生网络进行特征提取,得到检测和参考特征图并融合,再通过空间注意力模块进行增强,以得到用于表示模具内产品是否缺胶的分类结果,基于所述分类结果,将若发现有缺胶,就会停止顶出,并且报警。这样,构建注塑模具的图像监测报警方案,能够实现对模具内产品是否缺胶的自动化检测,从而提高了产品的质量和生产效率。
根据本申请的一个方面,提供了一种注塑模具的图像监测报警系统,其包括:
图像获取模块,用于获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像;
特征提取模块,用于将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构;
差分特征图模块,用于计算所述检测特征图和所述参考特征图之间的差分特征图;
空间增强模块,用于将所述差分特征图通过并行权重分配模块以得到增强特征图;
优化模块,用于对增强特征图进行鲁棒性聚类优化以得到优化增强特征图;
结果生成模块,用于将所述优化增强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模具内产品是否缺胶;以及
报警模块,用于响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
在上述注塑模具的图像监测报警系统中,所述特征提取模块,包括:第一卷积单元,用于使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图;以及,第二卷积单元,用于使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
在上述注塑模具的图像监测报警系统中,所述差分特征图,用于:使用如下差分公式计算所述检测特征图和所述参考特征图之间的差分特征图;其中,所述差分公式为:
其中,Fd表示所述差分特征图,F1表示所述检测特征图,F2表示所述参考特征图,表示按位置减法。
在上述注塑模具的图像监测报警系统中,所述空间增强模块,包括:空间注意力单元,用于将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图;通道注意力单元,用于将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图;以及,融合单元,用于融合所述空间注意力特征图和所述通道注意力特征图以得到所述增强特征图。
在上述注塑模具的图像监测报警系统中,所述空间注意力单元,包括:卷积编码子单元,用于使用所述并行权重分配模块的空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到差分卷积特征图;空间注意力图提取子单元,用于将所述差分卷积特征图输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力图;激活子单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算子单元,用于计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述空间注意力特征图。
在上述注塑模具的图像监测报警系统中,所述通道注意力单元,包括:并行权重分配子单元,用于将所述差分特征图输入所述并行权重分配模块的通道注意力模块的多层卷积层以得到第二卷积特征图;全局均值计算子单元,用于计算所述第二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通道特征向量;通道注意力权重子单元,用于将所述通道特征向量输入所述Si gmo id激活函数以得到通道注意力权重向量;以及,加权子单元,用于以所述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第二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通道注意力特征图。
根据本申请的另一方面,提供了一种注塑模具的图像监测报警方法,其包括:
获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像;
将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络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之间的差分特征图;
将所述差分特征图通过并行权重分配模块以得到增强特征图;
对增强特征图进行鲁棒性聚类优化以得到优化增强特征图;
将所述优化增强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模具内产品是否缺胶;以及
响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
与现有技术相比,本申请提供的一种注塑模具的图像监测报警系统及其方法,其采用基于深度神经网络模型的人工智能技术,获取产品开模后顶出前的检测图像以及产品的参考图像,通过孪生网络进行特征提取,得到检测和参考特征图并融合,再通过空间注意力模块进行增强,以得到用于表示模具内产品是否缺胶的分类结果,基于所述分类结果,将若发现有缺胶,就会停止顶出,并且报警。这样,构建注塑模具的图像监测报警方案,能够实现对模具内产品是否缺胶的自动化检测,从而提高了产品的质量和生产效率。
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注塑模具的图像监测报警系统的框图。
图2为根据本申请实施例的注塑模具的图像监测报警系统的架构示意图。
图3为根据本申请实施例的注塑模具的图像监测报警系统中空间增强模块的框图。
图4为根据本申请实施例的注塑模具的图像监测报警系统中优化模块的框图。
图5为根据本申请实施例的注塑模具的图像监测报警方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,在注塑模具的生产过程中,在将熔融的塑料材料注入模具内形成,冷却形成产品后,由于传统的技术在产品顶出前无法确认产品是否有缺胶的情况,会导致顶出后产品的质量不达标,增加生产时间。因此,期待一种优化的注塑模具的图像监测报警方案。
针对上述技术问题,本申请的申请人其通过获取产品开模后顶出前的检测图像以及产品的参考图像,通过孪生网络进行特征提取,得到检测和参考特征图并融合,再通过空间注意力模块进行增强,以得到用于表示模具内产品是否缺胶的分类结果,响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
相应地,在本申请的技术方案中,考虑到在模具内生产产品的过程中,由于各种原因,可能会出现产品缺陷的情况,例如缺胶等。为了保证产品的质量,需要对产品进行检测。因此,获取产品开模后顶出前的检测图像和参考图像是为了进行产品的自动化检测。其中,参考图像是指质量完整的无缺胶的产品图像,用于作为标准参考,以便将检测图像与标准参考进行比较,从而检测出产品是否存在缺陷。通过获取这些图像,可以实现对模具内产品缺陷的自动化检测,提高产品的质量和生产效率。
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。
具体地,在本申请的技术方案中,首先,获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像。考虑到使用孪生网络的搭配可以将检测图像和参考图像分别输入到两个相同的卷积神经网络中进行特征提取,从而得到检测特征图和参考特征图,可以使得检测图像和参考图像的特征表示在相同的特征空间中,这样,通过比较检测特征图和参考特征图之间的差异来判断产品是否缺胶。因此,将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。通过使用孪生网络可以将检测图像和参考图像的特征表示在相同的特征空间中,并且通过比较这两个特征图之间的差异来判断产品是否缺胶,从而提高产品检测的准确性和效率。
然后,计算所述检测特征图和所述参考特征图之间的差分特征图。考虑到计算检测特征图和参考特征图之间的差分特征图是为了捕捉检测图像和参考图像之间的差异。在这个过程中,我们会对检测特征图和参考特征图进行逐像素的差分,得到一个新的差分特征图。这个差分特征图反映了检测图像和参考图像之间的差异情况,可以被用来判断产品是否缺胶。具体来说,如果差分特征图中的像素值较大,说明检测图像和参考图像在这个位置上存在较大的差异,也就是说,产品可能存在缺陷。相反,如果差分特征图中的像素值较小,说明检测图像和参考图像在这个位置上差异较小,产品可能不存在缺陷。因此,计算差分特征图是为了提高产品检测的准确性和效率。通过比较检测特征图和参考特征图之间的差异,我们可以更准确地判断产品是否缺陷。
接着,考虑到在检测过程中,得到了差分特征图,这个特征图反映了检测图像和参考图像之间的差异情况。但是,差分特征图中可能存在一些噪声或者干扰,这些噪声或者干扰可能会影响后续的产品检测结果。因此,我们需要对差分特征图进行增强,去除其中的噪声或者干扰,从而得到更加准确的检测结果。具体来说,在进行特征图增强时,我们可以使用并行权重分配模块来调整差分特征图中每个像素点的权重,使得重要的像素点得到更高的权重,而不重要的像素点得到更低的权重。这样做可以去除噪声或者干扰,同时保留重要的特征信息。通过特征图增强,我们可以得到更加准确的增强特征图,从而提高产品检测的准确性和效率。
特别地,在本申请的技术方案中,考虑到通过孪生网络模型提取的检测特征图和参考特征图可以获得差分特征图,该差分特征图可能包含了一些与欠缺胶有关的信息。然而,差分特征图中可能也会包含一些冗余或干扰的特征。如果通过能够对增强特征图进行优化从而强化有用的特征,去除冗余和干扰,以提高后续处理的准确性。通过对增强特征图进行优化,还提高其质量、丰富其中的信息,并突出有关模具内产品是否缺胶的特征。优化增强特征图可以更好地区分产品的缺陷和非缺陷,并为后续的分类提供更有信心的特征输入。
具体地,对增强特征图进行鲁棒性聚类优化以得到优化增强特征图,包括:将所述增强特征图的沿通道维度的各个局部特征矩阵进行特征展平以得到多个分类局部特征向量;
以如下公式来分别计算所述增强特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值;
其中,所述公式为:
其中,JSi表示所述多个JS散度值中的第i个JS散度值,Vi表示所述多个分类局部特征向量中的第i个分类局部特征向量,V1,V2,....,Vn表示所述多个分类局部特征向量,表示特征训练的按位置加法,n表示所述多个分类局部特征向量的个数,表示所述增强特征图的聚类中心,即所述多个分类局部特征向量的按位置均值向量,S表示所述增强特征图的聚类中心和所述多个分类局部特征向量中的第i个分类局部特征向量的平均分布,KL表示相对熵;
对所述多个JS散度值进行高斯归一化以得到多个归一化JS散度值;以所述各个归一化JS散度值作为权重,分别对所述各个分类局部特征向量进行加权以得到多个优化分类局部特征向量;以及,将所述多个优化分类局部特征向量进行维度重构以得到所述优化增强特征图。
在本申请的技术方案中,对增强特征图进行鲁棒性聚类优化以充分利用所述增强特征图的沿通道维度的各个局部特征之间的特征流形表达之间的非监督自组织一致性以得到聚类中心,并利用所述聚类中心与各个局部特征的概率分布之间的相似性来可度量地加入聚类鲁棒性平衡参数以使得各个局部特征能够在高维流形特征空间中趋向所述聚类中心,通过这样的方式,增强能够促进分类的局部特征且抑制降低分类精准度的局部特征,这样,能够有效地抑制所述增强特征图中的噪声和冗余信息,提高特征的表达能力和判别力。
进一步地,将所述优化增强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模具内产品是否缺胶;以及,响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。考虑到在模具内产品缺胶检测的方案中,我们需要将提取的增强特征图输入到分类器中,以得到分类结果。这是因为分类器可以对特征图进行分类,将其划分为缺胶和未缺胶两类,从而判断模具内产品是否缺胶。分类器是一种机器学习算法,它可以通过训练样本学习特征之间的关系,并将其应用于新的测试样本中。因此,我们可以通过训练分类器来提高模具内产品缺胶检测的准确性和效率。
基于此,本申请提供了一种注塑模具的图像监测报警系统,其包括:图像获取模块,用于获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像;特征提取模块,用于将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构;差分特征图模块,用于计算所述检测特征图和所述参考特征图之间的差分特征图;空间增强模块,用于将所述差分特征图通过并行权重分配模块以得到增强特征图;优化模块,用于对增强特征图进行鲁棒性聚类优化以得到优化增强特征图;结果生成模块,用于将所述优化增强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模具内产品是否缺胶;以及,报警模块,用于响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
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1为根据本申请实施例的注塑模具的图像监测报警系统的框图。如图1所示,根据本申请实施例的注塑模具的图像监测报警系统100,包括:图像获取模块110,用于获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像;特征提取模块120,用于将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构;差分特征图模块130,用于计算所述检测特征图和所述参考特征图之间的差分特征图;空间增强模块140,用于将所述差分特征图通过并行权重分配模块以得到增强特征图;优化模块150,用于对增强特征图进行鲁棒性聚类优化以得到优化增强特征图;结果生成模块160,用于将所述优化增强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模具内产品是否缺胶;以及,报警模块170,用于响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
图2为根据本申请实施例的注塑模具的图像监测报警系统的架构示意图。如图2所示,首先,获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像。接着,将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。然后,计算所述检测特征图和所述参考特征图之间的差分特征图。接着,将所述差分特征图通过并行权重分配模块以得到增强特征图。然后,对增强特征图进行鲁棒性聚类优化以得到优化增强特征图。最后,将所述优化增强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模具内产品是否缺胶;以及,响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
在本申请实施例中,所述图像获取模块110,用于获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像。考虑到在模具内生产产品的过程中,由于各种原因,可能会出现产品缺陷的情况,例如缺胶等。为了保证产品的质量,需要对产品进行检测。因此,获取产品开模后顶出前的检测图像和参考图像是为了进行产品的自动化检测。其中,参考图像是指质量完整的无缺胶的产品图像,用于作为标准参考,以便将检测图像与标准参考进行比较,从而检测出产品是否存在缺陷。通过获取这些图像,可以实现对模具内产品缺陷的自动化检测,提高产品的质量和生产效率。
在本申请实施例中,所述特征提取模块120,用于将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。考虑到使用孪生网络的搭配可以将检测图像和参考图像分别输入到两个相同的卷积神经网络中进行特征提取,从而得到检测特征图和参考特征图,可以使得检测图像和参考图像的特征表示在相同的特征空间中,这样,通过比较检测特征图和参考特征图之间的差异来判断产品是否缺胶。因此,将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。通过使用孪生网络可以将检测图像和参考图像的特征表示在相同的特征空间中,并且通过比较这两个特征图之间的差异来判断产品是否缺胶,从而提高产品检测的准确性和效率。
具体地,在本申请实施例中,所述特征提取模块,包括:第一卷积单元,用于使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图;以及,第二卷积单元,用于使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
在本申请实施例中,所述差分特征图模块130,用于计算所述检测特征图和所述参考特征图之间的差分特征图。考虑到计算检测特征图和参考特征图之间的差分特征图是为了捕捉检测图像和参考图像之间的差异。在这个过程中,我们会对检测特征图和参考特征图进行逐像素的差分,得到一个新的差分特征图。这个差分特征图反映了检测图像和参考图像之间的差异情况,可以被用来判断产品是否缺胶。具体来说,如果差分特征图中的像素值较大,说明检测图像和参考图像在这个位置上存在较大的差异,也就是说,产品可能存在缺陷。相反,如果差分特征图中的像素值较小,说明检测图像和参考图像在这个位置上差异较小,产品可能不存在缺陷。因此,计算差分特征图是为了提高产品检测的准确性和效率。通过比较检测特征图和参考特征图之间的差异,我们可以更准确地判断产品是否缺陷。
具体地,在本申请实施例中,所述差分特征图,用于:使用如下差分公式计算所述检测特征图和所述参考特征图之间的差分特征图;其中,所述差分公式为:
其中,Fd表示所述差分特征图,F1表示所述检测特征图,F2表示所述参考特征图,表示按位置减法。
在本申请实施例中,所述空间增强模块140,用于将所述差分特征图通过并行权重分配模块以得到增强特征图。考虑到在检测过程中,得到了差分特征图,这个特征图反映了检测图像和参考图像之间的差异情况。但是,差分特征图中可能存在一些噪声或者干扰,这些噪声或者干扰可能会影响后续的产品检测结果。因此,我们需要对差分特征图进行增强,去除其中的噪声或者干扰,从而得到更加准确的检测结果。具体来说,在进行特征图增强时,我们可以使用并行权重分配模块来调整差分特征图中每个像素点的权重,使得重要的像素点得到更高的权重,而不重要的像素点得到更低的权重。这样做可以去除噪声或者干扰,同时保留重要的特征信息。通过特征图增强,我们可以得到更加准确的增强特征图,从而提高产品检测的准确性和效率。
图3为根据本申请实施例的注塑模具的图像监测报警系统中空间增强模块的框图。具体地,在本申请实施例中,如图3所示,所述空间增强模块140,包括:空间注意力单元141,用于将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图;通道注意力单元142,用于将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图;以及,融合单元143,用于融合所述空间注意力特征图和所述通道注意力特征图以得到所述增强特征图。
更具体地,在本申请实施例中,所述空间注意力单元,包括:卷积编码子单元,用于使用所述并行权重分配模块的空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到差分卷积特征图;空间注意力图提取子单元,用于将所述差分卷积特征图输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力图;激活子单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算子单元,用于计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述空间注意力特征图。
更具体地,在本申请实施例中,所述通道注意力单元,包括:并行权重分配子单元,用于将所述差分特征图输入所述并行权重分配模块的通道注意力模块的多层卷积层以得到第二卷积特征图;全局均值计算子单元,用于计算所述第二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通道特征向量;通道注意力权重子单元,用于将所述通道特征向量输入所述Sigmoid激活函数以得到通道注意力权重向量;以及,加权子单元,用于以所述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第二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通道注意力特征图。
在本申请实施例中,所述优化模块150,用于对增强特征图进行鲁棒性聚类优化以得到优化增强特征图。
特别地,在本申请的技术方案中,考虑到通过孪生网络模型提取的检测特征图和参考特征图可以获得差分特征图,该差分特征图可能包含了一些与欠缺胶有关的信息。然而,差分特征图中可能也会包含一些冗余或干扰的特征。如果通过能够对增强特征图进行优化从而强化有用的特征,去除冗余和干扰,以提高后续处理的准确性。通过对增强特征图进行优化,还提高其质量、丰富其中的信息,并突出有关模具内产品是否缺胶的特征。优化增强特征图可以更好地区分产品的缺陷和非缺陷,并为后续的分类提供更有信心的特征输入。
图4为根据本申请实施例的注塑模具的图像监测报警系统中优化模块的框图。具体地,在本申请实施例中,如图4所示,所述优化模块150,包括:特征展平单元151,用于将所述增强特征图的沿通道维度的各个局部特征矩阵进行特征展平以得到多个分类局部特征向量;散度计算单元152,用于计算所述增强特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值;高斯归一化单元153,用于对所述多个JS散度值进行高斯归一化以得到多个归一化JS散度值;加权单元154,用于以所述各个归一化JS散度值作为权重,分别对所述各个分类局部特征向量进行加权以得到多个优化分类局部特征向量;以及,维度重构单元155,用于将所述多个优化分类局部特征向量进行维度重构以得到所述优化增强特征图。
更具体地,在本申请实施例中,所述散度计算单元,用于:以如下散度公式来分别计算所述增强特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值;其中,所述散度公式为:
其中,JSi表示所述多个JS散度值中的第i个JS散度值,Vi表示所述多个分类局部特征向量中的第i个分类局部特征向量,V1,V2,....,Vn表示所述多个分类局部特征向量,表示特征训练的按位置加法,n表示所述多个分类局部特征向量的个数,表示所述增强特征图的聚类中心,即所述多个分类局部特征向量的按位置均值向量,S表示所述增强特征图的聚类中心和所述多个分类局部特征向量中的第i个分类局部特征向量的平均分布,KL表示相对熵。
在本申请的技术方案中,对增强特征图进行鲁棒性聚类优化以充分利用所述增强特征图的沿通道维度的各个局部特征之间的特征流形表达之间的非监督自组织一致性以得到聚类中心,并利用所述聚类中心与各个局部特征的概率分布之间的相似性来可度量地加入聚类鲁棒性平衡参数以使得各个局部特征能够在高维流形特征空间中趋向所述聚类中心,通过这样的方式,增强能够促进分类的局部特征且抑制降低分类精准度的局部特征,这样,能够有效地抑制所述增强特征图中的噪声和冗余信息,提高特征的表达能力和判别力。
在本申请实施例中,所述结果生成模块160,用于将所述优化增强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模具内产品是否缺胶。考虑到在模具内产品缺胶检测的方案中,我们需要将提取的增强特征图输入到分类器中,以得到分类结果。这是因为分类器可以对特征图进行分类,将其划分为缺胶和未缺胶两类,从而判断模具内产品是否缺胶。分类器是一种机器学习算法,它可以通过训练样本学习特征之间的关系,并将其应用于新的测试样本中。因此,我们可以通过训练分类器来提高模具内产品缺胶检测的准确性和效率。
在本申请实施例中,所述报警模块170,响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
综上,基于本申请实施例的注塑模具的图像监测报警系统100被阐明,其采用基于深度神经网络模型的人工智能技术,获取产品开模后顶出前的检测图像以及产品的参考图像,通过孪生网络进行特征提取,得到检测和参考特征图并融合,再通过空间注意力模块进行增强,以得到用于表示模具内产品是否缺胶的分类结果,基于所述分类结果,将若发现有缺胶,就会停止顶出,并且报警。这样,构建注塑模具的图像监测报警方案,能够实现对模具内产品是否缺胶的自动化检测,从而提高了产品的质量和生产效率。
示例性方法
图5为根据本申请实施例的注塑模具的图像监测报警方法的流程图。如图5所示,根据本申请实施例的注塑模具的图像监测报警方法,包括:S110,获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像;S120,将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构;S130,计算所述检测特征图和所述参考特征图之间的差分特征图;S140,将所述差分特征图通过并行权重分配模块以得到增强特征图;S150,对增强特征图进行鲁棒性聚类优化以得到优化增强特征图;S160,将所述优化增强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模具内产品是否缺胶;以及,S170,响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
在一个示例中,在上述注塑模具的图像监测报警方法中,将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,包括:使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图;以及,使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
这里,本领域技术人员可以理解,上述注塑模具的图像监测报警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的注塑模具的图像监测报警系统的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理模块(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模块,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注塑模具的图像监测报警系统及其方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如产品开模后顶出前的检测图像以及产品的参考图像等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的注塑模具的图像监测报警方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的注塑模具的图像监测报警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。
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)
1.一种注塑模具的图像监测报警系统,其特征在于,包括:
图像获取模块,用于获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像;
特征提取模块,用于将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构;
差分特征图模块,用于计算所述检测特征图和所述参考特征图之间的差分特征图;
空间增强模块,用于将所述差分特征图通过并行权重分配模块以得到增强特征图;
优化模块,用于对增强特征图进行鲁棒性聚类优化以得到优化增强特征图;
结果生成模块,用于将所述优化增强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模具内产品是否缺胶;以及
报警模块,用于响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
2.根据权利要求1所述的注塑模具的图像监测报警系统,其特征在于,所述特征提取模块,包括:
第一卷积单元,用于使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图;以及
第二卷积单元,用于使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
3.根据权利要求2所述的注塑模具的图像监测报警系统,其特征在于,所述差分特征图,用于:使用如下差分公式计算所述检测特征图和所述参考特征图之间的差分特征图;
其中,所述差分公式为:
其中,Fd表示所述差分特征图,F1表示所述检测特征图,F2表示所述参考特征图,表示按位置减法。
4.根据权利要求3所述的注塑模具的图像监测报警系统,其特征在于,所述空间增强模块,包括:
空间注意力单元,用于将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图;
通道注意力单元,用于将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图;以及
融合单元,用于融合所述空间注意力特征图和所述通道注意力特征图以得到所述增强特征图。
5.根据权利要求4所述的注塑模具的图像监测报警系统,其特征在于,所述空间注意力单元,包括:
卷积编码子单元,用于使用所述并行权重分配模块的空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到差分卷积特征图;
空间注意力图提取子单元,用于将所述差分卷积特征图输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力图;
激活子单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及
计算子单元,用于计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述空间注意力特征图。
6.根据权利要求5所述的注塑模具的图像监测报警系统,其特征在于,所述通道注意力单元,包括:
并行权重分配子单元,用于将所述差分特征图输入所述并行权重分配模块的通道注意力模块的多层卷积层以得到第二卷积特征图;
全局均值计算子单元,用于计算所述第二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通道特征向量;
通道注意力权重子单元,用于将所述通道特征向量输入所述Sigmoid激活函数以得到通道注意力权重向量;以及
加权子单元,用于以所述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第二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通道注意力特征图。
7.根据权利要求6所述的注塑模具的图像监测报警系统,其特征在于,所述优化模块,包括:
特征展平单元,用于将所述增强特征图的沿通道维度的各个局部特征矩阵进行特征展平以得到多个分类局部特征向量;
散度计算单元,用于计算所述增强特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值;
高斯归一化单元,用于对所述多个JS散度值进行高斯归一化以得到多个归一化JS散度值;
加权单元,用于以所述各个归一化JS散度值作为权重,分别对所述各个分类局部特征向量进行加权以得到多个优化分类局部特征向量;以及
维度重构单元,用于将所述多个优化分类局部特征向量进行维度重构以得到所述优化增强特征图。
8.根据权利要求7所述的注塑模具的图像监测报警系统,其特征在于,所述散度计算单元,用于:
以如下散度公式来分别计算所述增强特征图的聚类中心与所述多个分类局部特征向量中的各个分类局部特征向量之间的JS散度值以得到多个JS散度值;
其中,所述散度公式为:
其中,JSi表示所述多个JS散度值中的第i个JS散度值,Vi表示所述多个分类局部特征向量中的第i个分类局部特征向量,V1,V2,....,Vn表示所述多个分类局部特征向量,表示特征训练的按位置加法,n表示所述多个分类局部特征向量的个数,/>表示所述增强特征图的聚类中心,S表示所述增强特征图的聚类中心和所述多个分类局部特征向量中的第i个分类局部特征向量的平均分布,KL表示相对熵。
9.一种注塑模具的图像监测报警方法,其特征在于,包括:
获取产品开模后顶出前的检测图像以及产品的参考图像,所述参考图像为质量完整的无缺胶的产品图像;
将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,所述第一卷积神经网络和所述第二卷积神经网络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之间的差分特征图;
将所述差分特征图通过并行权重分配模块以得到增强特征图;
对增强特征图进行鲁棒性聚类优化以得到优化增强特征图;
将所述优化增强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模具内产品是否缺胶;以及
响应于模具内产品有缺胶的分类结果,停止顶出并进行报警。
10.根据权利要求9所述的注塑模具的图像监测报警方法,其特征在于,将所述产品开模后顶出前的检测图像和所述产品的参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图,包括:
使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图;以及
使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842351.6A CN116834244A (zh) | 2023-07-10 | 2023-07-10 | 注塑模具的图像监测报警系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842351.6A CN116834244A (zh) | 2023-07-10 | 2023-07-10 | 注塑模具的图像监测报警系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116834244A true CN116834244A (zh) | 2023-10-03 |
Family
ID=88166866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310842351.6A Pending CN116834244A (zh) | 2023-07-10 | 2023-07-10 | 注塑模具的图像监测报警系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116834244A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117826658A (zh) * | 2024-01-18 | 2024-04-05 | 杭州七所科技有限公司 | 一种燃汽轮机叶轮水洗模块的控制系统 |
CN117826658B (zh) * | 2024-01-18 | 2024-07-05 | 杭州七所科技有限公司 | 一种燃汽轮机叶轮水洗模块的控制系统 |
-
2023
- 2023-07-10 CN CN202310842351.6A patent/CN116834244A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117826658A (zh) * | 2024-01-18 | 2024-04-05 | 杭州七所科技有限公司 | 一种燃汽轮机叶轮水洗模块的控制系统 |
CN117826658B (zh) * | 2024-01-18 | 2024-07-05 | 杭州七所科技有限公司 | 一种燃汽轮机叶轮水洗模块的控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112286751B (zh) | 一种基于边云协同的高端装备故障智能诊断系统及方法 | |
CN107832663B (zh) | 一种基于量子理论的多模态情感分析方法 | |
CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
CN112784801A (zh) | 基于文本和图片的双模态胃部疾病分类方法及装置 | |
CN112966088B (zh) | 未知意图的识别方法、装置、设备及存储介质 | |
Li et al. | Stochastic configuration networks for self-blast state recognition of glass insulators with adaptive depth and multi-scale representation | |
CN117037031A (zh) | 防辐射玻璃的制备方法及其系统 | |
CN116701992A (zh) | 基于图注意力网络和时间卷积网络的多模态异常检测方法 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN112395974B (zh) | 一种基于对象间依赖关系的目标置信度矫正方法 | |
CN116834244A (zh) | 注塑模具的图像监测报警系统及其方法 | |
CN116843677A (zh) | 钣金件的外观质量检测系统及其方法 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
CN117274926A (zh) | 交通信号设备的控制方法及系统 | |
CN117332337A (zh) | 电池热失控预警方法、装置、服务器和存储介质 | |
CN116630943A (zh) | 一种驾驶员疲劳检测模型构建方法、装置、设备及介质 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN116129168A (zh) | 一种鞋子的智能化加工方法 | |
CN112529093A (zh) | 基于预检测权值的样本维度加权的模具清洗效果检验方法 | |
CN117935174B (zh) | 真空袋膜生产线的智能化管理系统及方法 | |
CN117132600B (zh) | 基于图像的注塑制品质量检测系统及其方法 | |
CN112800227B (zh) | 文本分类模型的训练方法及其设备、存储介质 | |
CN117428988B (zh) | Eps泡沫的成型控制系统及其方法 | |
CN117197103A (zh) | 用于模具加工的智能检测方法及其系统 |
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 |