CN116843656B - 钢带管的涂塑控制方法及其系统 - Google Patents
钢带管的涂塑控制方法及其系统 Download PDFInfo
- Publication number
- CN116843656B CN116843656B CN202310827151.3A CN202310827151A CN116843656B CN 116843656 B CN116843656 B CN 116843656B CN 202310827151 A CN202310827151 A CN 202310827151A CN 116843656 B CN116843656 B CN 116843656B
- Authority
- CN
- China
- Prior art keywords
- plastic
- coated
- feature
- matrix
- image
- 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.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 169
- 239000010959 steel Substances 0.000 title claims abstract description 169
- 239000006223 plastic coating Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000576 coating method Methods 0.000 claims abstract description 40
- 239000011248 coating agent Substances 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 245
- 239000013598 vector Substances 0.000 claims description 125
- 238000012545 processing Methods 0.000 claims description 47
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 230000000903 blocking effect Effects 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000003466 welding 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/82—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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (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钢带管的涂塑控制方法及其系统，其采用基于机器视觉的人工智能检测技术，首先对钢带管涂塑图像进行图像分块处理，接着提取出各个图像块中涂塑质量的隐含特征分布信息，然后进一步引入所述各个图像块的空间拓扑特征来加强所述钢带管图像中关于涂塑质量的特征表达，以此来进行涂塑质量的检测。这样，可以及时判断涂层质量是否符合预定要求，并针对性地调整涂塑过程，有利于提升钢带管的产品品质。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种钢带管的涂塑控制方法及其系统。
背景技术
钢带管是一种由钢带制成的管状材料，通常用于输送液体、气体和其他流体。它由多个钢带环绕成管状，并通过焊接或其他连接方式固定在一起。钢带管具有高强度、耐腐蚀、耐高温、耐压等特点，因此被广泛应用于石油、天然气、化工、建筑等领域。
钢带管涂塑是一种常见的防腐蚀处理方式，钢带管的涂塑过程主要的步骤为钢带表面处理、涂料制备、涂料喷涂、固化处理以及对涂层进行检验。在进行涂料喷涂的过程中，可能由于喷涂设备不良造成涂层厚度不均匀，涂层厚度不均匀，可能导致有的地方不能得到充分的防腐保护，从而影响钢带管的使用寿命。
因此，需要一种优化的钢带管的涂塑控制方案。
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钢带管的涂塑控制方法及其系统，其采用基于机器视觉的人工智能检测技术，首先对钢带管涂塑图像进行图像分块处理，接着提取出各个图像块中涂塑质量的隐含特征分布信息，然后进一步引入所述各个图像块的空间拓扑特征来加强所述钢带管图像中关于涂塑质量的特征表达，以此来进行涂塑质量的检测。这样，可以及时判断涂层质量是否符合预定要求，并针对性地调整涂塑过程，有利于提升钢带管的产品品质。
根据本申请的一个方面，提供了一种钢带管的涂塑控制方法,其包括：
获取由摄像头采集的钢带管涂塑图像；
对所述钢带管涂塑图像进行图像分块处理以得到图像块序列；
将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量；
计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵；
将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵；
将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵；
对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵；以及
将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求。
在上述钢带管的涂塑控制方法中，所述对所述钢带管涂塑图像进行图像分块处理以得到图像块序列，包括：对所述钢带管涂塑图像进行均匀图像分块处理以得到所述图像块序列，其中，所述图像块序列中各个图像块具有相同的尺寸。
在上述钢带管的涂塑控制方法中，所述将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述钢带管局部涂塑特征向量，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中的各个图像块。
在上述钢带管的涂塑控制方法中，所述计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵，包括：识别所述图像块序列中各个图像块的中心点；计算每两个所述图像块的中心点之间的欧式距离以得到多个欧式距离；以及，将所述多个欧式距离进行二维排列以得到所述空间拓扑矩阵。
在上述钢带管的涂塑控制方法中，所述将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵，包括：所述图神经网络通过可学习的神经网络参数来对所述全局涂塑特征矩阵和所述空间拓扑特征矩阵进行处理以得到包含所述各个图像块的涂塑效果特征信息与不规则的拓扑结构特征信息的所述拓扑全局涂塑特征矩阵。
在上述钢带管的涂塑控制方法中，所述对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵，包括：初始化一个随机向量作为初始特征向量；基于所述拓扑全局涂塑特征矩阵，对所述初始特征向量进行幂迭代直至特征向量收敛以得到最大特征向量；基于所述拓扑全局涂塑特征矩阵的逆矩阵，对所述初始特征向量进行逆幂迭代直至特征向量收敛以得到最小特征向量；构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵；将所述鲁棒依赖性矩阵通过Softmax激活函数以得到影响力优化权重矩阵；以及，计算所述影响力优化权重矩阵与所述拓扑全局涂塑特征矩阵之间的按位置点乘以得到所述优化拓扑全局涂塑特征矩阵。
在上述钢带管的涂塑控制方法中，所述将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求，包括：将所述优化拓扑全局涂塑特征矩阵按照行向量或者列向量的展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种钢带管的涂塑控制系统，其包括：
图像采集模块，用于获取由摄像头采集的钢带管涂塑图像；
图像分块处理模块，用于对所述钢带管涂塑图像进行图像分块处理以得到图像块序列；
图像块特征提取模块，用于将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量；
图像块拓扑构造模块，用于计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵；
拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
矩阵化模块，用于将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵；
图神经网络编码模块，用于将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵；
鲁棒依赖性迭代模块，用于对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵；以及
涂塑效果自校验模块，用于将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求。
与现有技术相比，本申请提供的钢带管的涂塑控制方法及其系统，其采用基于机器视觉的人工智能检测技术，首先对钢带管涂塑图像进行图像分块处理，接着提取出各个图像块中涂塑质量的隐含特征分布信息，然后进一步引入所述各个图像块的空间拓扑特征来加强所述钢带管图像中关于涂塑质量的特征表达，以此来进行涂塑质量的检测。这样，可以及时判断涂层质量是否符合预定要求，并针对性地调整涂塑过程，有利于提升钢带管的产品品质。
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钢带管的涂塑控制方法的流程图。
图2为根据本申请实施例的钢带管的涂塑控制方法中的架构图。
图3为根据本申请实施例的钢带管的涂塑控制方法中计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵的流程图。
图4为根据本申请实施例的钢带管的涂塑控制方法中对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵的流程图。
图5为根据本申请实施例的钢带管的涂塑控制方法中将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求的流程图。
图6为根据本申请实施例的钢带管的涂塑控制系统的系统框图。
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
如上述背景技术所言，钢带管在涂塑的过程中，容易因为喷涂设备造成涂层厚度不均匀，涂层厚度不均匀容易导致钢带管的有的地方不能得到充分的防腐保护，从而影响钢带管的使用寿命，因此，需要一种优化的钢带管的涂塑控制方案，它可以及时判断钢带管的涂塑质量，如果涂塑质量不符合预定要求，及时调整涂塑流程，提升钢带管的涂塑质量，优化钢带管的涂塑控制工艺。
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钢带管的涂塑控制提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的钢带管涂塑图像。应可以理解，利用摄像头可以实时采集到钢带管的图像数据，它能够直观的反应涂塑的情况和变化，为后续钢带管的涂塑质量判断提供数据支持。接着，对所述钢带管涂塑图像进行图像分块处理以得到图像块序列。由于钢带管的尺寸比较大，采集到的图像也比较复杂，如果直接将整张图像输入到模型中进行处理，在计算和诊断时会比较耗时，并且难以全面准确地描述涂塑情况。将图像进行分块处理后，可以将每个图像块看作一个小区域，更好地反映出涂塑地局部情况。不同的图像块可能具有不同的颜色纹理特征，通过对图像进行分块处理，并且将每个图像块都看作一个单独的样本进行处理，可以使模型更好地掌握和学习钢带管涂塑的多种情况，从而提高模型的鲁棒性和泛化能力，使其在实际情况下表现更为稳定和可靠。
然后，将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量。应可以理解，卷积神经网络在特征提取方面表现优异，通过将每个图像块输入到卷积神经网络模型中，可以提取出每个图像块中的局部特征，包括颜色、纹理和形状等信息，并将其转化为对应的特征向量。这些特征向量能够更加准确地描述每个图像块的涂塑情况，从而为后续的计算和诊断提供更加精细、全面和准确的信息。
同时，计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵。通过计算欧式距离可以得到空间拓扑矩阵，该矩阵用于表示图像块之间的相对位置和空间关系，这样可以在一定程度上反映出不同图像块之间的相互作用与联系，为后续的分析和处理提供更加全面和准确地信息。并且由于钢带管具有一定的规律性和连续性，涂塑情况往往会受到前后相邻图像块的影响，通过计算空间拓扑矩阵，可以辅助判断不同图像块之间的涂塑情况，并推断出整个钢带管的涂塑情况。
接着，将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵。应可以理解，将空间拓扑矩阵转换成特征矩阵后，能够更好地去除噪声和干扰，从而使算法具有更好地鲁棒性和稳定性。同时，通过卷积神经网络的非线性表示能力，能够更好地提取数据中的信息和特征，对诊断和控制任务也会产生正面影响。
然后，将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵。应可以理解，通过将多个钢带管局部涂塑特征向量进行二维排列可以在不同位置上提取出钢带管地涂层分布情况和厚度变化等信息，通过将这些信息组合起来，形成全局涂塑特征矩阵，可以更好地反映钢带管涂塑质量地整体水平。对于大规模数据处理任务来说，维度往往是一个很大的问题，通过将多个钢带管局部涂塑特征向量进行二维排列，可以将高纬度数据转换为低纬度数据，从而方便数据处理和分析。同时，也避免数据冗余问题，提高了算法的效率。
进而，将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵。应可以理解，全局涂塑特征矩阵和空间拓跋特征矩阵分别反映了涂塑质量的整体水平和空间分布情况，通过将这两种不同类型的特征信息融合起来，可以形成更加全面和细致的涂塑质量特征信息。在本申请的技术方案中，图神经网络已被证明可以有效地处理复杂的带有空间信息的数据，通过采用图神经网络对全局涂塑特征矩阵和空间拓扑矩阵进行综合处理，可以大大提高算法的计算效率和精度，同时还可以避免出现数据呈现出过度稀疏的问题。在得到拓扑全局涂塑特征矩阵后，将其通过分类器以得到用于表示所述钢带管的涂层质量是否符合预定要求的分类结果。这样，可以及时判断涂层质量是否符合要求，并针对性地调整涂塑过程，有利于提升钢带管的产品品质。
特别地，在本申请的技术方案中，考虑在摄像头采集图像时，可能会受到光照条件、摄像头质量等因素的影响，导致图像中存在一些噪声。这些噪声可能会在图像分块处理和特征提取过程中被放大或传递给后续步骤，导致拓扑全局涂塑特征矩阵中存在噪声。同时，第一卷积神经网络模型和第二卷积神经网络模型是用于提取钢带管局部涂塑特征向量和空间拓扑特征矩阵的模型。这些模型可能对某些图像块或特征无法准确捕捉，导致提取的特征向量或特征矩阵中存在冗余或异常值。图像分块处理过程中，可能存在边缘像素的丢失或重叠部分的不准确分割，这可能导致图像块序列中的某些图像块包含不完整或错误的信息。这些错误信息会在后续步骤中传播，导致拓扑全局涂塑特征矩阵中存在异常值或冗余信息。而所述拓扑全局涂塑特征矩阵中可能存在的异常值、噪声、冗余等信息会导致特征矩阵中存在不准确或多余的信息，影响所述拓扑全局涂塑特征矩阵的鲁棒性，从而降低所述拓扑全局涂塑特征矩阵进行分类判断的准确性。
具体地，对拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵，包括：初始化一个随机向量作为初始特征向量；基于所述拓扑全局涂塑特征矩阵，对所述初始特征向量进行幂迭代直至特征向量收敛以得到最大特征向量；基于所述拓扑全局涂塑特征矩阵的逆矩阵，对所述初始特征向量进行逆幂迭代直至特征向量收敛以得到最小特征向量；构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵；将所述鲁棒依赖性矩阵通过Softmax激活函数以得到影响力优化权重矩阵；以及，计算所述影响力优化权重矩阵与所述拓扑全局涂塑特征矩阵之间的按位置点乘以得到所述优化拓扑全局涂塑特征矩阵。
在本申请的技术方案中，通过对拓扑全局涂塑特征矩阵进行基于幂迭代和逆幂迭代的组合式双重双向迭代以求解出所述拓扑全局涂塑特征矩阵的最大和最小特征值对应的最大特征向量和最小特征向量。继而，构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵，并以Softmax激活函数对所述鲁棒依赖性矩阵进行逻辑斯蒂回归以对所述鲁棒依赖性矩阵进行类概率归一化。这样，基于所述鲁棒依赖性矩阵可以以类热力图的方式来可度量地评估出所述拓扑全局涂塑特征矩阵中可能存在的异常值、噪声、冗余等信息从而对这部分信息进行抑制、修正或者删除，从而提高所述拓扑全局涂塑特征矩阵的鲁棒性。
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。
示例性方法
图1为根据本申请实施例的钢带管的涂塑控制方法的流程图。如图1所示，根据本申请实施例的钢带管的涂塑控制方法，包括：S110，获取由摄像头采集的钢带管涂塑图像；S120，对所述钢带管涂塑图像进行图像分块处理以得到图像块序列；S130，将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量；S140，计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵；S150，将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；S160，将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵；S170，将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵；S180，对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵；以及，S190，将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求。
图2为根据本申请实施例的钢带管的涂塑控制方法的架构图。如图2所示，在该架构中，首先，获取由摄像头采集的钢带管涂塑图像。然后，对所述钢带管涂塑图像进行图像分块处理以得到图像块序列。紧接着，将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量。同时，计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵。接着，将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵。然后，将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵。接着，将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵。进而，对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵；最后，将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求。
在步骤S110中，获取由摄像头采集的钢带管涂塑图像。应可以理解，利用摄像头可以实时采集到钢带管的图像数据，它能够直观的反应涂塑的情况和变化，为后续钢带管的涂塑质量判断提供数据支持。
在步骤S120中，对所述钢带管涂塑图像进行图像分块处理以得到图像块序列。由于钢带管的尺寸比较大，采集到的图像也比较复杂，如果直接将整张图像输入到模型中进行处理，在计算和诊断时会比较耗时，并且难以全面准确地描述涂塑情况。将图像进行分块处理后，可以将每个图像块看作一个小区域，更好地反映出涂塑地局部情况。不同的图像块可能具有不同的颜色纹理特征，通过对图像进行分块处理，并且将每个图像块都看作一个单独的样本进行处理，可以使模型更好地掌握和学习钢带管涂塑的多种情况，从而提高模型的鲁棒性和泛化能力，使其在实际情况下表现更为稳定和可靠。
具体地，在步骤S120中，所述对所述钢带管涂塑图像进行图像分块处理以得到图像块序列，包括：对所述钢带管涂塑图像进行均匀图像分块处理以得到所述图像块序列，其中，所述图像块序列中各个图像块具有相同的尺寸。
在步骤S130中，将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量。在本申请实施例中，作为过滤器的第一卷积神经网络模型是指一个用于提取图像块中局部特征的卷积神经网络模型，它通常包含多个卷积层和池化层。这个模型会将每个图像块作为输入，并通过卷积操作提取出图像块中的局部特征。应可以理解，卷积神经网络在特征提取方面表现优异，通过将每个图像块输入到卷积神经网络模型中，可以提取出每个图像块中的局部特征，包括颜色、纹理和形状等信息，并将其转化为对应的特征向量。这些特征向量能够更加准确地描述每个图像块的涂塑情况，从而为后续的计算和诊断提供更加精细、全面和准确的信息。
具体地，在步骤S130中，所述将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述钢带管局部涂塑特征向量，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中的各个图像块。
在步骤S140中，计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵。欧式距离是指在欧几里得空间中，两个点之间的距离，在计算所述图像块序列中每两个图像块之间的欧式距离时，可以将每个图像块看作一个点，然后根据欧式距离公式计算每两个图像块之间的距离。通过计算欧式距离可以得到空间拓扑矩阵，该矩阵用于表示图像块之间的相对位置和空间关系，这样可以在一定程度上反映出不同图像块之间的相互作用与联系，为后续的分析和处理提供更加全面和准确地信息。并且由于钢带管具有一定的规律性和连续性，涂塑情况往往会受到前后相邻图像块的影响，通过计算空间拓扑矩阵，可以辅助判断不同图像块之间的涂塑情况，并推断出整个钢带管的涂塑情况。
图3为根据本申请实施例的钢带管的涂塑控制方法中计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵的流程图。如图3所示，所述计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵，包括：S141，识别所述图像块序列中各个图像块的中心点；S142，计算每两个所述图像块的中心点之间的欧式距离以得到多个欧式距离；以及，S143，将所述多个欧式距离进行二维排列以得到所述空间拓扑矩阵。
在步骤S150中，将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵。应可以理解，将空间拓扑矩阵转换成特征矩阵后，能够更好地去除噪声和干扰，从而使算法具有更好地鲁棒性和稳定性。同时，通过卷积神经网络的非线性表示能力，能够更好地提取数据中的信息和特征，对诊断和控制任务也会产生正面影响。
在步骤S160中，将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵。应可以理解，通过将多个钢带管局部涂塑特征向量进行二维排列可以在不同位置上提取出钢带管的涂层分布情况和厚度变化等信息，通过将这些信息组合起来，形成全局涂塑特征矩阵，可以更好地反映钢带管涂塑质量地整体水平。
在步骤S170中，将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵。应可以理解，全局涂塑特征矩阵和空间拓跋特征矩阵分别反映了涂塑质量的整体水平和空间分布情况，通过将这两种不同类型的特征信息融合起来，可以形成更加全面和细致的涂塑质量特征信息。图神经网络是一种用于处理图数据的神经网络模型，与传统的神经网络模型不同，图神经能够对图中的节点和边进行建模，从而在图数据上进行学习和预测。图神经的网络结构通常由多个图卷积层组成，每个图卷积层能够对图中的节点和边进行特征提取和传递，在每个图卷积层中，节点的特征会被更新，同时节点之间的关系也会被考虑进来。在本申请的技术方案中，图神经网络已被证明可以有效地处理复杂的带有空间信息的数据，通过采用图神经网络对全局涂塑特征矩阵和空间拓扑矩阵进行综合处理，可以大大提高算法的计算效率和精度，同时还可以避免出现数据呈现出过度稀疏的问题。
具体地，在步骤S170中，所述将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵，包括：所述图神经网络通过可学习的神经网络参数来对所述全局涂塑特征矩阵和所述空间拓扑特征矩阵进行处理以得到包含所述各个图像块的涂塑效果特征信息与不规则的拓扑结构特征信息的所述拓扑全局涂塑特征矩阵。
特别地，在本申请的技术方案中，考虑在摄像头采集图像时，可能会受到光照条件、摄像头质量等因素的影响，导致图像中存在一些噪声。这些噪声可能会在图像分块处理和特征提取过程中被放大或传递给后续步骤，导致拓扑全局涂塑特征矩阵中存在噪声。同时，第一卷积神经网络模型和第二卷积神经网络模型是用于提取钢带管局部涂塑特征向量和空间拓扑特征矩阵的模型。这些模型可能对某些图像块或特征无法准确捕捉，导致提取的特征向量或特征矩阵中存在冗余或异常值。图像分块处理过程中，可能存在边缘像素的丢失或重叠部分的不准确分割，这可能导致图像块序列中的某些图像块包含不完整或错误的信息。这些错误信息会在后续步骤中传播，导致拓扑全局涂塑特征矩阵中存在异常值或冗余信息。而所述拓扑全局涂塑特征矩阵中可能存在的异常值、噪声、冗余等信息会导致特征矩阵中存在不准确或多余的信息，影响所述拓扑全局涂塑特征矩阵的鲁棒性，从而降低所述拓扑全局涂塑特征矩阵进行分类判断的准确性。
在步骤S180中，对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵。
图4为根据本申请实施例的钢带管的涂塑控制方法中对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵的流程图。如图4所示，所述对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵，包括：S181,初始化一个随机向量作为初始特征向量；S182,基于所述拓扑全局涂塑特征矩阵，对所述初始特征向量进行幂迭代直至特征向量收敛以得到最大特征向量；S183，基于所述拓扑全局涂塑特征矩阵的逆矩阵，对所述初始特征向量进行逆幂迭代直至特征向量收敛以得到最小特征向量；S184,构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵；将所述鲁棒依赖性矩阵通过Softmax激活函数以得到影响力优化权重矩阵；S185,计算所述影响力优化权重矩阵与所述拓扑全局涂塑特征矩阵之间的按位置点乘以得到所述优化拓扑全局涂塑特征矩阵。
在本申请的技术方案中，通过对拓扑全局涂塑特征矩阵进行基于幂迭代和逆幂迭代的组合式双重双向迭代以求解出所述拓扑全局涂塑特征矩阵的最大和最小特征值对应的最大特征向量和最小特征向量。继而，构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵，并以Softmax激活函数对所述鲁棒依赖性矩阵进行逻辑斯蒂回归以对所述鲁棒依赖性矩阵进行类概率归一化。这样，基于所述鲁棒依赖性矩阵可以以类热力图的方式来可度量地评估出所述拓扑全局涂塑特征矩阵中可能存在的异常值、噪声、冗余等信息从而对这部分信息进行抑制、修正或者删除，从而提高所述拓扑全局涂塑特征矩阵的鲁棒性。
在步骤S190中，将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求。这样，可以及时判断涂层质量是否符合要求，并针对性地调整涂塑过程，有利于提升钢带管的产品品质。
图5为根据本申请实施例的钢带管的涂塑控制方法中将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求的流程图。如图5所示，所述将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求，包括：S191，将所述优化拓扑全局涂塑特征矩阵按照行向量或者列向量的展开为分类特征向量；S192，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，S193，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的钢带管的涂塑控制方法被阐明，其采用基于机器视觉的人工智能检测技术，首先对钢带管涂塑图像进行图像分块处理，接着提取出各个图像块中涂塑质量的隐含特征分布信息，然后进一步引入所述各个图像块的空间拓扑特征来加强所述钢带管图像中关于涂塑质量的特征表达，以此来进行涂塑质量的检测。这样，可以及时判断涂层质量是否符合预定要求，并针对性地调整涂塑过程，有利于提升钢带管的产品品质。
示例性系统
图6为根据本申请实施例的钢带管的涂塑控制系统的系统框图。如图6所示，根据本申请实施例的钢带管的涂塑控制系统100，包括：图像采集模块110，用于获取由摄像头采集的钢带管涂塑图像；图像分块处理模块120，用于对所述钢带管涂塑图像进行图像分块处理以得到图像块序列；图像块特征提取模块130，用于将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量；图像块拓扑构造模块140，用于计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵；拓扑特征提取模块150，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；矩阵化模块160，用于将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵；图神经网络编码模块170，用于将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵；鲁棒依赖性迭代模块180，用于对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵；以及，涂塑效果自校验模块190，用于将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求。
在一个示例中，在上述钢带管的涂塑控制系统100中，所述图像分块处理模块120，进一步用于：对所述钢带管涂塑图像进行均匀图像分块处理以得到所述图像块序列，其中，所述图像块序列中各个图像块具有相同的尺寸。
在一个示例中，在上述钢带管的涂塑控制系统100中，所述图像块特征提取模块130，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述钢带管局部涂塑特征向量，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中的各个图像块。
在一个示例中，在上述钢带管的涂塑控制系统100中，所述图像块拓扑构造模块140，包括：中心点识别单元，用于识别所述图像块序列中各个图像块的中心点；欧式距离度量单元，用于计算每两个所述图像块的中心点之间的欧式距离以得到多个欧式距离；以及，二维排列单元，用于将所述多个欧式距离进行二维排列以得到所述空间拓扑矩阵。
在一个示例中，在上述钢带管的涂塑控制系统100中，所述图神经网络编码模块170，用于：所述图神经网络通过可学习的神经网络参数来对所述全局涂塑特征矩阵和所述空间拓扑特征矩阵进行处理以得到包含所述各个图像块的涂塑效果特征信息与不规则的拓扑结构特征信息的所述拓扑全局涂塑特征矩阵。
在一个示例中，在上述钢带管的涂塑控制系统100中，所述鲁棒依赖性迭代模块180，包括：初始特征向量定义单元，用于初始化一个随机向量作为初始特征向量；最大特征向量生成单元，用于基于所述拓扑全局涂塑特征矩阵，对所述初始特征向量进行幂迭代直至特征向量收敛以得到最大特征向量；最小特征向量生成单元，用于基于所述拓扑全局涂塑特征矩阵的逆矩阵，对所述初始特征向量进行逆幂迭代直至特征向量收敛以得到最小特征向量；激活单元，用于构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵；将所述鲁棒依赖性矩阵通过Softmax激活函数以得到影响力优化权重矩阵；以及，优化拓扑全局涂塑特征矩阵生成单元，用于计算所述影响力优化权重矩阵与所述拓扑全局涂塑特征矩阵之间的按位置点乘以得到所述优化拓扑全局涂塑特征矩阵。
在一个示例中，在上述钢带管的涂塑控制系统100中，所述涂塑效果自校验模块190，包括：展开单元，将所述优化拓扑全局涂塑特征矩阵按照行向量或者列向量的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输入所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的钢带管的涂塑控制系统100被阐明，其采用基于机器视觉的人工智能检测技术，首先对钢带管涂塑图像进行图像分块处理，接着提取出各个图像块中涂塑质量的隐含特征分布信息，然后进一步引入所述各个图像块的空间拓扑特征来加强所述钢带管图像中关于涂塑质量的特征表达，以此来进行涂塑质量的检测。这样，可以及时判断涂层质量是否符合预定要求，并针对性地调整涂塑过程，有利于提升钢带管的产品品质。
如上所述，根据本申请实施例的钢带管的涂塑控制系统100可以实现在各种无线终端中，例如用于钢带管的涂塑控制的服务器等。在一个示例中，根据本申请实施例的钢带管的涂塑控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该钢带管的涂塑控制系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该钢带管的涂塑控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该钢带管的涂塑控制系统100与该无线终端也可以是分立的设备，并且该钢带管的涂塑控制系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
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钢带管的涂塑控制方法以及/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钢带管涂塑图像等各种内容。
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，包括判断钢带管涂层质量是否符合预定要求的分类结果等。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钢带管的涂塑控制方法中的步骤。
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钢带管的涂塑控制方法中的步骤。
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。
Claims (9)
1.一种钢带管的涂塑控制方法，其特征在于，包括：
获取由摄像头采集的钢带管涂塑图像；
对所述钢带管涂塑图像进行图像分块处理以得到图像块序列；
将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量；
计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵；
将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵；
将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵；
对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵；以及
将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求；
其中，对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵，包括：
初始化一个随机向量作为初始特征向量；
基于所述拓扑全局涂塑特征矩阵，对所述初始特征向量进行幂迭代直至特征向量收敛以得到最大特征向量；
基于所述拓扑全局涂塑特征矩阵的逆矩阵，对所述初始特征向量进行逆幂迭代直至特征向量收敛以得到最小特征向量；
构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵；将所述鲁棒依赖性矩阵通过Softmax激活函数以得到影响力优化权重矩阵；
计算所述影响力优化权重矩阵与所述拓扑全局涂塑特征矩阵之间的按位置点乘以得到所述优化拓扑全局涂塑特征矩阵。
2.根据权利要求1所述的钢带管的涂塑控制方法，其特征在于，对所述钢带管涂塑图像进行图像分块处理以得到图像块序列，包括：对所述钢带管涂塑图像进行均匀图像分块处理以得到所述图像块序列，其中，所述图像块序列中各个图像块具有相同的尺寸。
3.根据权利要求2所述的钢带管的涂塑控制方法，其特征在于，将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量，包括：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述钢带管局部涂塑特征向量，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中的各个图像块。
4.根据权利要求3所述的钢带管的涂塑控制方法，其特征在于，计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵，包括：
识别所述图像块序列中各个图像块的中心点；
计算每两个所述图像块的中心点之间的欧式距离以得到多个欧式距离；
将所述多个欧式距离进行二维排列以得到所述空间拓扑矩阵。
5.根据权利要求4所述的钢带管的涂塑控制方法，其特征在于，将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵，包括：所述图神经网络通过可学习的神经网络参数来对所述全局涂塑特征矩阵和所述空间拓扑特征矩阵进行处理以得到包含所述各个图像块的涂塑效果特征信息与不规则的拓扑结构特征信息的所述拓扑全局涂塑特征矩阵。
6.根据权利要求5所述的钢带管的涂塑控制方法，其特征在于，将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求，包括：
将所述优化拓扑全局涂塑特征矩阵按照行向量或者列向量的展开为分类特征向量；
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.一种钢带管的涂塑控制系统，其特征在于，包括：
图像采集模块，用于获取由摄像头采集的钢带管涂塑图像；
图像分块处理模块，用于对所述钢带管涂塑图像进行图像分块处理以得到图像块序列；
图像块特征提取模块，用于将所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个钢带管局部涂塑特征向量；
图像块拓扑构造模块，用于计算所述图像块序列中每两个图像块之间的欧式距离以得到空间拓扑矩阵；
拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
矩阵化模块，用于将所述多个钢带管局部涂塑特征向量进行二维排列以得到全局涂塑特征矩阵；
图神经网络编码模块，用于将所述全局涂塑特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到拓扑全局涂塑特征矩阵；
鲁棒依赖性迭代模块，用于对所述拓扑全局涂塑特征矩阵进行鲁棒依赖性迭代以得到优化拓扑全局涂塑特征矩阵；以及
涂塑效果自校验模块，用于将所述优化拓扑全局涂塑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所述钢带管的涂层质量是否符合预定要求；
其中，所述鲁棒依赖性迭代模块，包括：初始特征向量定义单元，用于初始化一个随机向量作为初始特征向量；最大特征向量生成单元，用于基于所述拓扑全局涂塑特征矩阵，对所述初始特征向量进行幂迭代直至特征向量收敛以得到最大特征向量；最小特征向量生成单元，用于基于所述拓扑全局涂塑特征矩阵的逆矩阵，对所述初始特征向量进行逆幂迭代直至特征向量收敛以得到最小特征向量；激活单元，用于构造所述最大特征向量和所述最小特征向量之间的鲁棒依赖性矩阵；将所述鲁棒依赖性矩阵通过Softmax激活函数以得到影响力优化权重矩阵；以及，优化拓扑全局涂塑特征矩阵生成单元，用于计算所述影响力优化权重矩阵与所述拓扑全局涂塑特征矩阵之间的按位置点乘以得到所述优化拓扑全局涂塑特征矩阵。
8.根据权利要求7所述的钢带管的涂塑控制系统，其特征在于，所述图像分块处理模块，用于：对所述钢带管涂塑图像进行均匀图像分块处理以得到所述图像块序列，其中，所述图像块序列中各个图像块具有相同的尺寸。
9.根据权利要求8所述的钢带管的涂塑控制系统，其特征在于，所述所述图像块特征提取模块，用于：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述钢带管局部涂塑特征向量，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中的各个图像块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310827151.3A CN116843656B (zh) | 2023-07-06 | 2023-07-06 | 钢带管的涂塑控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310827151.3A CN116843656B (zh) | 2023-07-06 | 2023-07-06 | 钢带管的涂塑控制方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116843656A CN116843656A (zh) | 2023-10-03 |
| CN116843656B true CN116843656B (zh) | 2024-03-15 |
Family
ID=88161309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310827151.3A Active CN116843656B (zh) | 2023-07-06 | 2023-07-06 | 钢带管的涂塑控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843656B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19734905C1 (de) * | 1997-08-12 | 1999-07-29 | Hoehn Marcus Dipl Wirtsch Ing | Resynthesizer |
| CN1832386A (zh) * | 2005-03-10 | 2006-09-13 | 松下电器产业株式会社 | 一种基于减少条件数的多重选择多入多出检测方法和装置 |
| CN102880869A (zh) * | 2012-08-10 | 2013-01-16 | 西安电子科技大学 | 基于先验知识的马尔科夫随机场指纹方向场提取方法 |
| CN111709097A (zh) * | 2020-06-08 | 2020-09-25 | 西安交通大学 | 一种基于零亏格网格曲面连续变形的柔顺机构生成方法 |
| WO2020215533A1 (zh) * | 2019-04-26 | 2020-10-29 | 大连理工大学 | 一种基于材料场缩减级数展开的结构拓扑优化方法 |
| CN113569195A (zh) * | 2021-07-19 | 2021-10-29 | 江南大学 | 一种用于分布式网络系统的预条件方法 |
| CN113780153A (zh) * | 2021-09-07 | 2021-12-10 | 北京理工大学 | 一种刀具磨损监测和预测方法 |
| CN113963757A (zh) * | 2021-11-15 | 2022-01-21 | 国网山西省电力公司晋城供电公司 | 基于气体关系和图神经网络的充油电气设备故障诊断方法 |
| CN114419671A (zh) * | 2022-01-18 | 2022-04-29 | 北京工业大学 | 一种基于超图神经网络的遮挡行人重识别方法 |
| WO2022228883A1 (en) * | 2021-04-30 | 2022-11-03 | International Business Machines Corporation | Hardware acceleration for computing eigenpairs of a matrix |
| CN115580328A (zh) * | 2021-06-21 | 2023-01-06 | 大唐移动通信设备有限公司 | 一种波束赋形方法、装置、存储介质及程序产品 |
| CN115861807A (zh) * | 2022-12-02 | 2023-03-28 | 中建新疆建工集团第三建设工程有限公司 | 建筑机械领域的墙面粉刷设备及其控制方法 |
-
2023
- 2023-07-06 CN CN202310827151.3A patent/CN116843656B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19734905C1 (de) * | 1997-08-12 | 1999-07-29 | Hoehn Marcus Dipl Wirtsch Ing | Resynthesizer |
| CN1832386A (zh) * | 2005-03-10 | 2006-09-13 | 松下电器产业株式会社 | 一种基于减少条件数的多重选择多入多出检测方法和装置 |
| CN102880869A (zh) * | 2012-08-10 | 2013-01-16 | 西安电子科技大学 | 基于先验知识的马尔科夫随机场指纹方向场提取方法 |
| WO2020215533A1 (zh) * | 2019-04-26 | 2020-10-29 | 大连理工大学 | 一种基于材料场缩减级数展开的结构拓扑优化方法 |
| CN111709097A (zh) * | 2020-06-08 | 2020-09-25 | 西安交通大学 | 一种基于零亏格网格曲面连续变形的柔顺机构生成方法 |
| WO2022228883A1 (en) * | 2021-04-30 | 2022-11-03 | International Business Machines Corporation | Hardware acceleration for computing eigenpairs of a matrix |
| CN115580328A (zh) * | 2021-06-21 | 2023-01-06 | 大唐移动通信设备有限公司 | 一种波束赋形方法、装置、存储介质及程序产品 |
| CN113569195A (zh) * | 2021-07-19 | 2021-10-29 | 江南大学 | 一种用于分布式网络系统的预条件方法 |
| CN113780153A (zh) * | 2021-09-07 | 2021-12-10 | 北京理工大学 | 一种刀具磨损监测和预测方法 |
| CN113963757A (zh) * | 2021-11-15 | 2022-01-21 | 国网山西省电力公司晋城供电公司 | 基于气体关系和图神经网络的充油电气设备故障诊断方法 |
| CN114419671A (zh) * | 2022-01-18 | 2022-04-29 | 北京工业大学 | 一种基于超图神经网络的遮挡行人重识别方法 |
| CN115861807A (zh) * | 2022-12-02 | 2023-03-28 | 中建新疆建工集团第三建设工程有限公司 | 建筑机械领域的墙面粉刷设备及其控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| Power iteration and inverse power iteration for eigenvalue complementarity problem;Fatemeh Abdi et al.;RESEARCH ARTICLE;20190405;全文 * |
| Richardson迭代法的松弛策略;韩光辉;渠刚荣;;吉林大学学报(理学版);20181126(06);全文 * |
| 基于优化卷积神经网络的电缆早期故障分类识别;汪颖;孙建风;肖先勇;卢宏;杨晓梅;;电力系统保护与控制;20200401(07);全文 * |
| 基于改进双边滤波的GPR图像强振幅噪声压制算法;刘毛毛等;地球物理学进展;20220430;第37卷(第4期);全文 * |
| 基于特征值分析的多尺度结构优化设计方法;孙国民;张效忠;孙延华;;应用数学和力学;20190606(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116843656A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Garces et al. | Outliers detection in environmental monitoring databases | |
| CN116820052B (zh) | Pbt材料生产设备及其控制方法 | |
| CN110780164A (zh) | 基于yolo的绝缘子红外故障定位诊断方法及装置 | |
| Marijan et al. | Software testing for machine learning | |
| CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
| CN117269644A (zh) | 电流互感器的线路故障监测系统及其方法 | |
| CN116247824A (zh) | 电力设备的控制方法及其系统 | |
| CN117131348B (zh) | 基于差分卷积特征的数据质量分析方法及系统 | |
| Zhang et al. | Identification of concrete surface damage based on probabilistic deep learning of images | |
| CN116843656B (zh) | 钢带管的涂塑控制方法及其系统 | |
| Lakshmi et al. | A novel hypergraph-based feature extraction technique for boiler flue gas components classification using PNN–A computational model for boiler flue gas analysis | |
| Lee et al. | Probabilistic analysis of stress corrosion crack growth and related structural reliability considerations | |
| Choi et al. | Graph neural rough differential equations for traffic forecasting | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN116302088B (zh) | 一种代码克隆检测方法、存储介质及设备 | |
| Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
| WO2024103470A1 (zh) | 自动扶梯生产用性能检测系统及其方法 | |
| CN116797586A (zh) | 纸杯缺陷自动检测方法及其系统 | |
| Chen et al. | Peripheric sensors-based leaking source tracking in a chemical industrial park with complex obstacles | |
| Arumugam et al. | Interpreting denoising autoencoders with complex perturbation approach | |
| CN115901954A (zh) | 超声导波管道缺陷无损检测方法 | |
| CN110533159B (zh) | 一种基于介科学指导提高深度学习数据集质量及模型可解释性的方法 | |
| CN117250521B (zh) | 充电桩电池容量监测系统及方法 | |
| CN116630909B (zh) | 基于无人机的无人值守智能监控系统及其方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 239000 No. 86, Yiye Road, Zhongxin Suchu high tech Industrial Development Zone, Chuzhou City, Anhui Province Applicant after: Anhui Zhenghui Auto Parts Co.,Ltd. Address before: 239000 No. 86, Yiye Road, Zhongxin Suchu high tech Industrial Development Zone, Chuzhou City, Anhui Province Applicant before: Chuzhou Zhenghui Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |