CN117011264A - 一种内衣机集群生产监测系统及控制方法 - Google Patents
一种内衣机集群生产监测系统及控制方法 Download PDFInfo
- Publication number
- CN117011264A CN117011264A CN202310971744.7A CN202310971744A CN117011264A CN 117011264 A CN117011264 A CN 117011264A CN 202310971744 A CN202310971744 A CN 202310971744A CN 117011264 A CN117011264 A CN 117011264A
- Authority
- CN
- China
- Prior art keywords
- underwear
- feature map
- image
- difference
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 21
- 238000007689 inspection Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002257 embryonic structure Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 210000001161 mammalian embryo Anatomy 0.000 description 2
- 238000009958 sewing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000017105 transposition Effects 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
公开了一种内衣机集群生产监测系统及控制方法。其首先通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像,接着,对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图,然后,对所述差异特征图进行特征增强以得到内衣质量差异增强特征图,最后,基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。这样,可以判断内衣机集群生产的产品一致性是否符合预定标准,以对于不符合预定标准的内衣机进行相应处理,从而保证内衣机集群生产的质量一致性和效率。
Description
技术领域
本公开涉及智能化监测领域,且更为具体地,涉及一种内衣机集群生产监测系统及控制方法。
背景技术
随着制造业的发展,内衣产业也在不断演进和创新。对于内衣生产而言,确保每件内衣产品的质量和均一性符合预定标准尤为重要。
然而,在实际的内衣生产过程中,传统的内衣生产质量检测方法通常依赖于质检人员的经验和主观判断,不同的质检人员可能对同一件内衣的判定结果存在差异,这会导致质量判别的不稳定性和不一致性。并且,通常一个车间往往有多台内衣机,质检人员需要对多台内衣机生产的内衣胚进行质检,不仅需要花费大量的人力时间,效率较为低下,还会使得质检的精准度和稳定性难以保障,使得多件内衣胚成为次品,提高了生产成本。
因此,期望一种优化的内衣机集群生产监测系统。
发明内容
有鉴于此,本公开提出了一种内衣机集群生产监测系统及控制方法,可以判断内衣机集群生产的产品一致性是否符合预定标准,以对于不符合预定标准的内衣机进行相应处理,从而保证内衣机集群生产的质量一致性和效率。
根据本公开的一方面,提供了一种内衣机集群生产监测系统,其包括:
内衣检测图像采集模块,用于通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像;
图像差异性特征分析模块,用于对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图;
内衣质量差异特征增强模块,用于对所述差异特征图进行特征增强以得到内衣质量差异增强特征图;以及
产品一致性检测模块,用于基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。
根据本公开的另一方面,提供了一种内衣机集群生产监测系统的控制方法,其包括:
通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像;
对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图;
对所述差异特征图进行特征增强以得到内衣质量差异增强特征图;以及
基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。
根据本公开的实施例,其首先通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像,接着,对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图,然后,对所述差异特征图进行特征增强以得到内衣质量差异增强特征图,最后,基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。这样,可以判断内衣机集群生产的产品一致性是否符合预定标准,以对于不符合预定标准的内衣机进行相应处理,从而保证内衣机集群生产的质量一致性和效率。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的内衣机集群生产监测系统的框图。
图2示出根据本公开的实施例的内衣机集群生产监测系统中所述图像差异性特征分析模块的框图。
图3示出根据本公开的实施例的内衣机集群生产监测系统中所述图像特征优化单元的框图。
图4示出根据本公开的实施例的内衣机集群生产监测系统的控制方法的流程图。
图5示出根据本公开的实施例的内衣机集群生产监测系统的控制方法的架构示意图。
图6示出根据本公开的实施例的内衣机集群生产监测系统的应用场景图。
具体实施方式
下面将结合附图对本公开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公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开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。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在实际的内衣生产过程中,传统的内衣生产质量检测方法通常依赖于质检人员的经验和主观判断,不同的质检人员可能对同一件内衣的判定结果存在差异,这会导致质量判别的不稳定性和不一致性。并且,通常一个车间往往有多台内衣机,质检人员需要对多台内衣机生产的内衣胚进行质检,不仅需要花费大量的人力时间,效率较为低下,还会使得质检的精准度和稳定性难以保障,使得多件内衣胚成为次品,提高了生产成本。因此,期望一种优化的内衣机集群生产监测系统。
值得一提的是,内衣机是一种用于生产内衣的机器设备,也被称为内衣制造机或内衣生产线。内衣机通常由多个工作站组成,每个工作站负责不同的生产步骤,如裁剪、缝制、装配等。内衣机的设计和功能可以根据具体的生产需求进行定制,以适应不同类型和款式的内衣生产。内衣机相比手工生产,内衣机能够以更快的速度完成生产任务,并且在生产过程中能够保持较为一致的质量水平。但是,由于现有方案的智能化水平不足,仍需大量质检人员对多台内衣机生产的内衣胚进行质检,费时费力,严重影响效率。
相应地,考虑到在实际进行内衣的生产质检时,需要关注到不同内衣机生产的内衣质量都否一致,以此来保证内衣机集群中不同内衣机生产出的内衣质量和一致性都符合预定标准。基于此,在本申请的技术方案中,期望通过基于深度学习的机器视觉技术来对于第一内衣机所生产的第一内衣与第二内衣机所产生的第二内衣之间的质量进行分析比较,以此来判断内衣机集群生产的产品一致性是否符合预定标准,以对于不符合预定标准的内衣机进行相应处理,从而保证内衣机集群生产的质量一致性和效率。
图1示出根据本公开的实施例的内衣机集群生产监测系统的框图示意图。如图1所示,根据本公开实施例的内衣机集群生产监测系统100,包括:内衣检测图像采集模块110,用于通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像;图像差异性特征分析模块120,用于对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图;内衣质量差异特征增强模块130,用于对所述差异特征图进行特征增强以得到内衣质量差异增强特征图;以及,产品一致性检测模块140,用于基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。
更具体地,在本公开实施例中,所述内衣检测图像采集模块110,用于通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像。应可以理解,为使由第一内衣机生产的第一内衣和由第二内衣机生产的第二内衣的拍摄条件保持一致,以降低外部因素的干扰,可以选择同款摄像头或者同一个摄像头分别对由第一内衣机生产的第一内衣和由第二内衣机生产的第二内衣进行拍摄,以确保图像采集的一致性和可比性。摄像头应具备快速的图像采集能力,以捕捉内衣的关键细节,同时,摄像头应具备良好的色彩还原能力,以确保图像的准确性,例如,可以选择高分辨率、高清晰度的工业相机或专业摄像头,以获取清晰、准确的图像。进一步地,摄像头应该被安置在适当的位置和角度,以便捕捉到内衣的关键部位和细节,确保摄像头能够全面覆盖内衣,并保持适当的距离和角度,以避免图像失真或模糊。并且,为了保证图像的一致性,摄像头的拍摄环境应尽量保持一致,这包括光线条件、背景环境等因素,使用均匀的照明设备和统一的背景,可以减少图像中的干扰因素,提高质检的准确性。因此,选择适合的摄像头并确保其位置、角度和拍摄环境的一致性,可以提高质检过程中图像采集的准确性和可靠性。这有助于实现对不同内衣机生产的内衣进行质检的目标。
更具体地,在本公开实施例中,所述图像差异性特征分析模块120,用于对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图。
使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述第一检测图像和所述第二检测图像的特征挖掘。特别地,考虑到在对于内衣质量进行检测,以判断产品一致性是否符合预定标准的过程中,由于所述第一检测图像和所述第二检测图像中关于内衣质量的特征为小尺度的细微特征信息,这样就使得对内衣集群生产的产品一致性检测的精度较低。因此,为了能够进一步提高对于两者图像的特征对比的精准度,在本申请的技术方案中,将所述第一检测图像和所述第二检测图像分别通过包含第一图像编码器和第二图像编码器的双管线模型以得到第一内衣特征图和第二内衣特征图。值得一提的是,这里,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。应可以理解,使用包含有相同网络结构的图像编码器的所述第一检测图像和所述第二检测图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来提高两者图像中关于内衣质量的特征差异性对比的精度,从而有利于进行内衣集群的产品质量一致性的检测评估。
相应地,在一种可能的实现方式中,如图2所示,所述图像差异性特征分析模块120,包括:内衣图像编码单元121,用于将所述第一检测图像和所述第二检测图像分别通过包含第一图像编码器和第二图像编码器的双管线模型以得到第一内衣特征图和第二内衣特征图;图像差异特征计算单元122,用于计算所述第一内衣特征图和所述第二内衣特征图之间的初始差异特征图;以及,图像特征优化单元123,用于对所述初始差异特征图进行特征分布优化以得到所述差异特征图。相应地,在一种可能的实现方式中,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
应可以理解,图像编码器是一种神经网络模型,用于将输入的图像数据转换为低维的特征表示,其可以提取图像中的有用信息,并将其编码成一组紧凑的特征向量,以便后续的处理和分析。图像差异性特征分析模块中,包含了第一图像编码器和第二图像编码器的双管线模型,这意味着分别有两个图像编码器,用于对第一检测图像和第二检测图像进行编码。图像编码器通常采用卷积神经网络(Convolutional Neural Network,CNN)的结构,因为卷积神经网络在图像处理任务中表现出色,卷积神经网络由多个卷积层、池化层和全连接层组成,通过学习卷积核和权重参数来提取图像的特征。具体而言,第一图像编码器和第二图像编码器将分别接收第一检测图像和第二检测图像作为输入,并通过网络的前向传播过程,逐层提取图像的特征,最终,生成第一内衣特征图和第二内衣特征图,这些特征图表示了图像中的重要信息。通过使用图像编码器,可以将原始的图像数据转换为具有更低维度的特征表示,这有助于减少数据的复杂性并提取关键的差异特征。这些特征可以用于后续的差异计算和特征优化,从而实现图像差异性特征分析的目的。
相应地,在一种可能的实现方式中,所述图像差异特征计算单元122,用于:计算所述第一内衣特征图和所述第二内衣特征图的对应通道的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的所述初始差异特征图。为了评估所述第一检测图像和所述第二检测图像中关于第一内衣机和第二内衣机生产出的内衣质量差异性,以此来检测出产品一致性是否符合预定标准,在本申请的技术方案中,进一步计算所述第一内衣特征图和所述第二内衣特征图的对应通道的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的差异特征图,以此来表示内衣机集群中不同内衣机生产出的内衣质量在各个局部区域细节特征的差异性关联特征信息。
具体地,在图像差异特征计算单元中,转移矩阵用于计算第一内衣特征图和第二内衣特征图之间对应通道的特征矩阵之间的转移关系。转移矩阵可以理解为一种映射关系,其描述了从一个特征图到另一个特征图的转换规则。具体而言,对于每个通道,转移矩阵将第一内衣特征图中的特征值映射到第二内衣特征图中的对应位置。通过计算多个通道的转移矩阵,可以得到由多个转移矩阵组成的初始差异特征图。这个初始差异特征图反映了第一内衣特征图和第二内衣特征图之间的差异信息,可以用于后续的图像质量检测和特征优化。应可以理解,转移矩阵在图像差异特征计算中起到了将特征图之间的差异信息进行映射和转换的作用。
在一个示例中,转移矩阵的计算方式可以通过以下步骤来实现:1.首先,获取第一内衣特征图(A)和第二内衣特征图(B),第一内衣特征图(A)和第二内衣特征图(B)都是由图像编码器生成的低维特征表示;2.对于每个通道,将第一内衣特征图的特征矩阵(A_channel)与第二内衣特征图的特征矩阵(B_channel)进行转置操作,以确保形状一致;3.接下来使用线性代数中的矩阵乘法运算来计算转移矩阵(T_channel),具体而言,转移矩阵可以通过以下公式计算得到: ,其中,/>表示矩阵的转置操作;4.重复上述步骤,对于每个通道都计算相应的转移矩阵;5.最终,得到由多个转移矩阵组成的初始差异特征图,其中每个转移矩阵对应一个通道。需要注意的是,转移矩阵的计算方式可能因具体的图像质检系统而有所不同,上述步骤提供了一种常见的计算方式,但实际应用中可能会根据需求进行调整和优化。
特别地,在本申请的技术方案中,将计算所述第一内衣特征图和所述第二内衣特征图的对应通道的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的差异特征图时,所述差异特征图的每个转移矩阵表达所述第一检测图像和所述第二检测图像的高维图像语义之间的域转移特征,由此,为了提升所述差异特征图的图像语义表达效果,仍然期望所述差异特征图表达所述第一检测图像和所述第二检测图像本身由图像编码器提取的图像语义特征。
这里,考虑到将所述第一检测图像和所述第二检测图像分别通过包含第一图像编码器和第二图像编码器得到所述第一内衣特征图和所述第二内衣特征图时,是基于所述第一图像编码器和所述第二图像编码器的卷积核对图像语义进行卷积核尺度下的空间关联特征提取,因此在融合所述第一内衣特征图和所述第二内衣特征图本身的图像语义特征时,需要基于空间尺度表示来进行融合。基于此,本申请的申请人对所述第一内衣特征图和所述第二内衣特征图进行全局上下文空间关联富化融合以获得融合特征图。
相应地,在一种可能的实现方式中,如图3所示,所述图像特征优化单元123,包括:空间尺度表示融合子单元1231,用于对所述第一内衣特征图和所述第二内衣特征图进行全局上下文空间关联富化融合以获得融合特征图;以及,特征优化融合子单元1232,用于将所述融合特征图与所述初始差异特征图进行融合以得到所述差异特征图。
相应地,在一种可能的实现方式中,所述空间尺度表示融合子单元1231,用于:以如下优化公式对所述第一内衣特征图和所述第二内衣特征图进行全局上下文空间关联富化融合以获得所述融合特征图;其中,所述优化公式为:
其中,/>和/>分别是所述第一内衣特征图和所述第二内衣特征图的第/>个特征矩阵,/>是所述融合特征图的第/>个特征矩阵,/>表示矩阵的转置矩阵,/>和/>分别是矩阵乘法和矩阵加法。
这里,为了聚集在所述第一内衣特征图和所述第二内衣特征图之间关联分布的本地空间语义之间的上下文空间关联语义,所述全局上下文空间关联富化融合通过聚焦于特征图的特征矩阵所表示的空间帧级别(spatial frame-level)的显式上下文相关性,来富化(enriching)全局感知野下的特征矩阵的帧级别的空间语义融合式表达,从而实现所述第一内衣特征图和所述第二内衣特征图的跨通道的空间共享上下文语义的同化(assimilation)融合,以获得较好地融合所述第一内衣特征图和所述第二内衣特征图本身的图像语义特征的融合特征图。然后,再将所述融合特征图进一步与所述差异特征图融合,就可以使得所述差异特征图更好地表达所述第一检测图像和所述第二检测图像本身由图像编码器提取的图像语义特征,从而提升所述差异特征图的特征表达效果。这样,能够准确检测内衣机集群生产的产品一致性是否符合预定标准,以对于不符合预定标准的内衣机进行相应处理,从而保证内衣机集群生产的质量一致性和效率。
应可以理解,全局上下文空间关联富化融合是一种图像处理技术,用于将全局上下文信息与局部特征进行关联、富化和融合,以提高图像分析和理解的性能。在传统的图像处理中,通常只考虑局部特征,如图像的纹理、形状等。然而,图像的全局上下文信息也包含了重要的语义和结构信息,可以提供更全面的图像理解。因此,全局上下文空间关联富化融合技术可以将全局上下文信息与局部特征进行有效的融合,以获取更丰富的图像表示。具体而言,全局上下文空间关联富化融合技术包括以下步骤:1.全局上下文建模:通过对整个图像进行分析和建模,提取全局上下文信息,这可以包括图像的语义分割、物体检测、场景分类等;2.局部特征提取:在图像中提取局部特征,如纹理、边缘、颜色等,这可以使用传统的特征提取算法或深度学习模型;3.空间关联建模:将全局上下文信息与局部特征进行关联建模,以捕捉它们之间的关系,这可以通过计算全局上下文和局部特征之间的相似性、距离或相关性来实现;4.富化融合:将全局上下文信息与局部特征进行融合,以生成更丰富的图像表示,这可以通过加权求和、特征拼接、特征映射等方法来实现;5.性能提升:通过全局上下文空间关联富化融合,可以提高图像分析和理解任务的性能,如图像分类、目标检测、图像生成等。全局上下文空间关联富化融合技术通过将全局上下文信息与局部特征进行关联、富化和融合,可以提高图像处理任务的性能,并获得更全面和准确的图像理解。
更具体地,在本公开实施例中,所述内衣质量差异特征增强模块130,用于对所述差异特征图进行特征增强以得到内衣质量差异增强特征图。考虑到在实际进行不同内衣机的产品一致性检测时,所述差异特征图沿通道维度的各个特征矩阵表示关于不同内衣机所生产出的内衣中不同类型的质量差异性特征信息,例如尺寸差异性特征、缝制差异性特征和色牢度差异性特征等。并且,这些不同的质量类型特征信息之间具有着关于内衣产品质量的关联关系。因此,在检测时需要进一步关注于通道质量类型内容间的关联特征信息。基于此,在本申请的技术方案中,将所述差异特征图通过通道注意力模块以得到内衣质量差异增强特征图,应可以理解,这里,所述通道注意力所提取到的关于不同内衣机生产的内衣质量差异性特征反映了特征通道间的相关性和重要性,以此来得到聚焦于两者内衣不同质量类型的差异性特征之间的关联特征分布信息。相应地,在一种可能的实现方式中,所述内衣质量差异特征增强模块130,用于:将所述差异特征图通过通道注意力模块以得到所述内衣质量差异增强特征图。
值得一提的是,通道注意力模块是一种用于增强图像特征的技术,其能够自动学习并关注图像中最具有区分性和重要性的特征通道。在内衣质量差异特征增强模块中,通道注意力模块被用来通过对差异特征图进行处理,生成内衣质量差异增强特征图。通道注意力模块通常由两个主要组件组成:全局平均池化(Global Average Pooling)和全连接层(Fully Connected Layer)。首先,全局平均池化对每个特征通道进行平均池化操作,将通道维度降低为一个标量。然后,全连接层将这些标量输入,并通过激活函数生成一个权重向量,该权重向量表示每个特征通道的重要性。最后,通过将权重向量与差异特征图进行元素级别的相乘操作,通道注意力模块能够增强差异特征图中最重要的特征通道,从而提取更具区分性的特征信息。这样,生成的内衣质量差异增强特征图可以更好地捕捉到内衣质量差异的细节和特征,有助于进行更准确的质量检测和分析。
更具体地,在本公开实施例中,所述产品一致性检测模块140,用于基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。相应地,在一种可能的实现方式中,所述产品一致性检测模块140,用于:将所述内衣质量差异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产品一致性是否符合预定标准。也就是,在本申请的技术方案中,所述分类器的标签包括产品一致性符合预定标准(第一标签),以及,产品一致性不符合预定标准(第二标签),其中,所述分类器通过软最大值函数来确定所述内衣质量差异增强特征图属于哪个分类标签。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“产品一致性是否符合预定标准”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,产品一致性是否符合预定标准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“产品一致性是否符合预定标准”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为产品一致性是否符合预定标准的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来进行产品一致性的检测,以对于不符合预定标准的内衣机进行相应处理,从而保证内衣机集群生产的质量一致性和效率。
进一步地,将所述内衣质量差异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产品一致性是否符合预定标准,包括:将所述内衣质量差异增强特征图按照行向量或列向量展开为多个分类特征向量;使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到多个编码分类特征向量;以及,将所述多个编码分类特征向量通过所述分类器的Softmax分类函数以得到所述多个概率值。
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。
值得一提的是,在本申请的另一个示例中,所述图像差异性特征分析模块120还可以通过计算两个图像之间的像素级差异或特征级差异来确定两个图像之间的差异性,进而得到差异特征图。具体地,可以将获取的第一检测图像和第二检测图像分别转换为相同的颜色空间,例如灰度图像,接着,对两个图像进行预处理,例如去噪、平滑或直方图均衡化,以减少噪声和增强图像特征,然后,使用像素级差异、结构相似性指数(SSIM)或特征级差异(例如特征提取和匹配)等方法计算两个图像之间的差异,最后,根据差异计算得到的差异特征图,可以可视化显示差异的位置和强度。差异特征图可以用于检测和识别图像中的变化、缺陷或异常。在内衣生产中,通过对第一检测图像和第二检测图像进行图像差异性特征分析,可以帮助确定内衣的质量差异,并及时采取措施进行调整和修正。
综上,基于本公开实施例的内衣机集群生产监测系统100被阐明,其可以判断内衣机集群生产的产品一致性是否符合预定标准,以对于不符合预定标准的内衣机进行相应处理,从而保证内衣机集群生产的质量一致性和效率。
如上所述,根据本公开实施例的所述内衣机集群生产监测系统100可以实现在各种终端设备中,例如具有内衣机集群生产监测系统的控制算法的服务器等。在一个示例中,内衣机集群生产监测系统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,该内衣机集群生产监测系统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,该内衣机集群生产监测系统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,该内衣机集群生产监测系统100与该终端设备也可以是分立的设备,并且该内衣机集群生产监测系统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4示出根据本公开的实施例的内衣机集群生产监测系统的控制方法的流程图。图5示出根据本公开的实施例的内衣机集群生产监测系统的控制方法的系统架构的示意图。如图4和图5所示,根据本公开实施例的内衣机集群生产监测系统的控制方法,其包括:S110,通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像;S120,对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图;S130,对所述差异特征图进行特征增强以得到内衣质量差异增强特征图;以及,S140,基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。
在一种可能的实现方式中,对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图,包括:将所述第一检测图像和所述第二检测图像分别通过包含第一图像编码器和第二图像编码器的双管线模型以得到第一内衣特征图和第二内衣特征图;计算所述第一内衣特征图和所述第二内衣特征图之间的初始差异特征图;以及,对所述初始差异特征图进行特征分布优化以得到所述差异特征图。
这里,本领域技术人员可以理解,上述内衣机集群生产监测系统的控制方法中的各个步骤的具体操作已经在上面参考图1到图3的内衣机集群生产监测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图6示出根据本公开的实施例的内衣机集群生产监测系统的应用场景图。如图6所示,在该应用场景中,首先,通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像(例如,图6中所示意的D1)和由第二内衣机生产的第二内衣的第二检测图像(例如,图6中所示意的D2),然后,将所述第一检测图像和所述第二检测图像输入至部署有内衣机集群生产监测系统的控制算法的服务器中(例如,图6中所示意的S),其中,所述服务器能够使用所述内衣机集群生产监测系统的控制算法对所述第一检测图像和所述第二检测图像进行处理以得到用于表示产品一致性是否符合预定标准的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种内衣机集群生产监测系统,其特征在于,包括:
内衣检测图像采集模块,用于通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像;
图像差异性特征分析模块,用于对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图;
内衣质量差异特征增强模块,用于对所述差异特征图进行特征增强以得到内衣质量差异增强特征图;以及
产品一致性检测模块,用于基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。
2.根据权利要求1所述的内衣机集群生产监测系统,其特征在于,所述图像差异性特征分析模块,包括:
内衣图像编码单元,用于将所述第一检测图像和所述第二检测图像分别通过包含第一图像编码器和第二图像编码器的双管线模型以得到第一内衣特征图和第二内衣特征图;
图像差异特征计算单元,用于计算所述第一内衣特征图和所述第二内衣特征图之间的初始差异特征图;以及
图像特征优化单元,用于对所述初始差异特征图进行特征分布优化以得到所述差异特征图。
3.根据权利要求2所述的内衣机集群生产监测系统,其特征在于,所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
4.根据权利要求3所述的内衣机集群生产监测系统,其特征在于,所述图像差异特征计算单元,用于:计算所述第一内衣特征图和所述第二内衣特征图的对应通道的特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的所述初始差异特征图。
5.根据权利要求4所述的内衣机集群生产监测系统,其特征在于,所述图像特征优化单元,包括:
空间尺度表示融合子单元,用于对所述第一内衣特征图和所述第二内衣特征图进行全局上下文空间关联富化融合以获得融合特征图;以及
特征优化融合子单元,用于将所述融合特征图与所述初始差异特征图进行融合以得到所述差异特征图。
6.根据权利要求5所述的内衣机集群生产监测系统,其特征在于,所述空间尺度表示融合子单元,用于:
以如下优化公式对所述第一内衣特征图和所述第二内衣特征图进行全局上下文空间关联富化融合以获得所述融合特征图;
其中,所述优化公式为:其中,/>和/>分别是所述第一内衣特征图和所述第二内衣特征图的第/>个特征矩阵,/>是所述融合特征图的第/>个特征矩阵,/>表示矩阵的转置矩阵,/>和/>分别是矩阵乘法和矩阵加法。
7.根据权利要求6所述的内衣机集群生产监测系统,其特征在于,所述内衣质量差异特征增强模块,用于:将所述差异特征图通过通道注意力模块以得到所述内衣质量差异增强特征图。
8.根据权利要求7所述的内衣机集群生产监测系统,其特征在于,所述产品一致性检测模块,用于:将所述内衣质量差异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产品一致性是否符合预定标准。
9.一种内衣机集群生产监测系统的控制方法,其特征在于,包括:
通过摄像头采集由第一内衣机生产的第一内衣的第一检测图像和由第二内衣机生产的第二内衣的第二检测图像;
对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图;
对所述差异特征图进行特征增强以得到内衣质量差异增强特征图;以及
基于所述内衣质量差异增强特征图,确定产品一致性是否符合预定标准。
10.根据权利要求9所述的内衣机集群生产监测系统的控制方法,其特征在于,对所述第一检测图像和所述第二检测图像进行图像差异性特征分析以得到差异特征图,包括:
将所述第一检测图像和所述第二检测图像分别通过包含第一图像编码器和第二图像编码器的双管线模型以得到第一内衣特征图和第二内衣特征图;
计算所述第一内衣特征图和所述第二内衣特征图之间的初始差异特征图;以及
对所述初始差异特征图进行特征分布优化以得到所述差异特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971744.7A CN117011264A (zh) | 2023-08-03 | 2023-08-03 | 一种内衣机集群生产监测系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310971744.7A CN117011264A (zh) | 2023-08-03 | 2023-08-03 | 一种内衣机集群生产监测系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117011264A true CN117011264A (zh) | 2023-11-07 |
Family
ID=88565123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310971744.7A Pending CN117011264A (zh) | 2023-08-03 | 2023-08-03 | 一种内衣机集群生产监测系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011264A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115091725A (zh) * | 2022-07-04 | 2022-09-23 | 浙江同发塑机有限公司 | 用于生产农药包装桶的智能吹塑机及其控制方法 |
CN115619698A (zh) * | 2021-07-14 | 2023-01-17 | 武汉Tcl集团工业研究院有限公司 | 电路板缺陷的检测方法、装置及模型训练方法 |
CN115661758A (zh) * | 2022-11-15 | 2023-01-31 | 江西创成微电子有限公司 | 基于人工智能的公共场所人群密集度监测方法及其系统 |
CN115797670A (zh) * | 2022-11-22 | 2023-03-14 | 华能伊敏煤电有限责任公司 | 基于卷积神经网络的斗轮性能监测方法及其系统 |
CN116030048A (zh) * | 2023-03-27 | 2023-04-28 | 山东鹰眼机械科技有限公司 | 灯检机及其方法 |
CN116038854A (zh) * | 2023-01-10 | 2023-05-02 | 漯河江山天安新型建材有限公司 | 门加工用成型控制系统及方法 |
CN116238125A (zh) * | 2023-04-08 | 2023-06-09 | 河南曙光汇知康生物科技股份有限公司 | 注射器注塑成型生产用产品质量监控方法及系统 |
CN116342551A (zh) * | 2023-03-30 | 2023-06-27 | 江西中翔健康产业有限公司 | 一种抑制内衣内裤细菌的中药制备方法及装置 |
CN116402671A (zh) * | 2023-06-08 | 2023-07-07 | 北京万象创造科技有限公司 | 用于自动打码系统的样品打码图像处理方法 |
CN116453067A (zh) * | 2023-06-20 | 2023-07-18 | 广州思林杰科技股份有限公司 | 基于动态视觉识别的短跑计时方法 |
CN116503314A (zh) * | 2023-01-10 | 2023-07-28 | 漯河江山天安新型建材有限公司 | 用于门制造的质量检测系统及方法 |
CN116492224A (zh) * | 2023-06-15 | 2023-07-28 | 张甜 | 一种中药外用膏药及其制备方法 |
-
2023
- 2023-08-03 CN CN202310971744.7A patent/CN117011264A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619698A (zh) * | 2021-07-14 | 2023-01-17 | 武汉Tcl集团工业研究院有限公司 | 电路板缺陷的检测方法、装置及模型训练方法 |
CN115091725A (zh) * | 2022-07-04 | 2022-09-23 | 浙江同发塑机有限公司 | 用于生产农药包装桶的智能吹塑机及其控制方法 |
CN115661758A (zh) * | 2022-11-15 | 2023-01-31 | 江西创成微电子有限公司 | 基于人工智能的公共场所人群密集度监测方法及其系统 |
CN115797670A (zh) * | 2022-11-22 | 2023-03-14 | 华能伊敏煤电有限责任公司 | 基于卷积神经网络的斗轮性能监测方法及其系统 |
CN116038854A (zh) * | 2023-01-10 | 2023-05-02 | 漯河江山天安新型建材有限公司 | 门加工用成型控制系统及方法 |
CN116503314A (zh) * | 2023-01-10 | 2023-07-28 | 漯河江山天安新型建材有限公司 | 用于门制造的质量检测系统及方法 |
CN116030048A (zh) * | 2023-03-27 | 2023-04-28 | 山东鹰眼机械科技有限公司 | 灯检机及其方法 |
CN116342551A (zh) * | 2023-03-30 | 2023-06-27 | 江西中翔健康产业有限公司 | 一种抑制内衣内裤细菌的中药制备方法及装置 |
CN116238125A (zh) * | 2023-04-08 | 2023-06-09 | 河南曙光汇知康生物科技股份有限公司 | 注射器注塑成型生产用产品质量监控方法及系统 |
CN116402671A (zh) * | 2023-06-08 | 2023-07-07 | 北京万象创造科技有限公司 | 用于自动打码系统的样品打码图像处理方法 |
CN116492224A (zh) * | 2023-06-15 | 2023-07-28 | 张甜 | 一种中药外用膏药及其制备方法 |
CN116453067A (zh) * | 2023-06-20 | 2023-07-18 | 广州思林杰科技股份有限公司 | 基于动态视觉识别的短跑计时方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN110647874B (zh) | 一种端到端的血细胞识别模型构造方法及应用 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN114897816B (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
CN111652317B (zh) | 基于贝叶斯深度学习的超参数图像分割方法 | |
CN108537168B (zh) | 基于迁移学习技术的面部表情识别方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN104504366A (zh) | 基于光流特征的笑脸识别系统及方法 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN112037222B (zh) | 一种神经网络模型的自动更新方法及系统 | |
JP2021515885A (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
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 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
Li et al. | IC solder joint inspection via generator-adversarial-network based template | |
WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN117910073A (zh) | 基于3d打印技术的工艺品包装设计优化系统及方法 | |
CN109255805B (zh) | 机器学习的工业智能数据收集系统和方法 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
CN117011264A (zh) | 一种内衣机集群生产监测系统及控制方法 | |
CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN111696070A (zh) | 基于深度学习的多光谱图像融合电力物联网故障点检测方法 | |
CN116610080B (zh) | 休闲椅的智能生产方法及其控制系统 |
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 |