CN117670857B - 校服智能生产线及方法 - Google Patents

Abstract

本申请涉及智能生产领域，其具体地公开了一种校服智能生产线及方法，其通过摄像头采集熨烫后校服的校服检测图像，并在后端引入图像处理和分析算法来进行该校服检测图像的分析，以此来对熨烫后校服进行质量检测，以判断该校服是否存在缺陷。这样，能够对生产的校服进行自动化地质量检测，以确保生产出的校服符合标准和要求，通过这样的方式，可以提高校服生产线的生产效率和产品质量，并减少人为因素带来的误差和影响。

Description

校服智能生产线及方法

技术领域

本申请涉及智能生产领域，且更为具体地，涉及一种校服智能生产线及方法。

背景技术

校服是学生在学校中穿着的统一服装，通常由学校或学校委托的供应商进行生产。校服生产线是专门用于生产校服的生产流水线。校服生产线的目标是高效地生产符合质量标准的校服，以满足学生和学校的需求。

校服质量检测在校服生产过程中非常重要。合格的校服应该符合尺寸标准、颜色一致、缝线牢固、标签齐全等要求。然而，传统的校服质检方式通常依赖于人工操作和目视检查，这种检测方式需要大量的人工操作和目视检查，容易受到个体主观意识和疲劳等因素的影响，导致检测结果的主观性和不一致性。同时，人工操作和检测的方式效率有限，无法满足大规模生产的需求。

因此，期望一种优化的校服智能生产线。

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校服智能生产线及方法，其通过摄像头采集熨烫后校服的校服检测图像，并在后端引入图像处理和分析算法来进行该校服检测图像的分析，以此来对熨烫后校服进行质量检测，以判断该校服是否存在缺陷。这样，能够对生产的校服进行自动化地质量检测，以确保生产出的校服符合标准和要求，通过这样的方式，可以提高校服生产线的生产效率和产品质量，并减少人为因素带来的误差和影响。

根据本申请的一个方面，提供了一种校服智能生产线，其包括：

裁剪机，用于根据校服的款式、尺寸和数量自动进行布料裁剪以得到裁剪后布料；

缝纫机，用于将所述裁剪后布料进行缝纫以得到缝纫后校服；

熨烫机，用于将所述缝纫后校服进行熨烫以得到熨烫后校服；

检测机，用于对所述熨烫后校服进行质量检测以判断所述熨烫后校服是否存在缺陷；

包装机，用于对质检后的所述熨烫后校进行分类、分组、打包和贴标签处理以得到校服成品。

根据本申请的另一方面，提供了一种校服智能生产方法，其包括：

获取由摄像头采集的所述熨烫后校服的校服检测图像；

通过基于深度神经网络模型的多尺度特征提取器对所述校服检测图像进行多尺度特征提取以得到校服检测图像浅层特征图和校服检测图像深层特征图；

基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，确定网络损失信息；

基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图；

对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征；

基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷。

与现有技术相比，本申请提供的一种校服智能生产线及方法，其通过摄像头采集熨烫后校服的校服检测图像，并在后端引入图像处理和分析算法来进行该校服检测图像的分析，以此来对熨烫后校服进行质量检测，以判断该校服是否存在缺陷。这样，能够对生产的校服进行自动化地质量检测，以确保生产出的校服符合标准和要求，通过这样的方式，可以提高校服生产线的生产效率和产品质量，并减少人为因素带来的误差和影响。

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校服智能生产线的框图。

图2为根据本申请实施例的校服智能生产线中检测机的框图。

图3为根据本申请实施例的校服智能生产线中检测机的架构示意图。

图4为根据本申请实施例的校服智能生产线中校服缺陷检测模块的框图。

图5为根据本申请实施例的校服智能生产方法的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。

应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

需要注意,本公开中提及“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。

校服是学校规定学生在校内穿着的统一服装。学生在校期间穿着校服，可以营造学校的秩序和纪律，减少学生之间的社会经济差异带来的不公平感，以展示学校的形象和建立统一的学生风貌。校服生产线是指用于生产校服的一系列工作流程和设备。它是一个由多个环节组成的生产过程，从原材料准备到最终成品的制造，包括设计、裁剪、缝制、整烫、包装等环节。校服生产线的目的是为了高效地生产符合学校要求的校服，以满足学生和学校的需求。具体来说，校服生产线的设计和组织旨在实现大规模的批量生产，通过使用自动化设备和标准化工艺，可以提高生产效率，快速制造大量校服，以满足学校和学生的需求。另外，校服生产线通过严格的质检流程和标准化操作，确保校服的质量符合学校的要求。每一件校服都需要经过质检环节，以确保缝制牢固、面料完好等，以保证校服的一致性和耐用性。因而校服的质量检测在校服的生产过程中是不可缺少的一步。合格的校服可以确保校服的缝制牢固、面料无刺激性、无有害物质等，避免可能导致学生受伤或过敏的情况发生。还可以确保校服的外观整洁、颜色均匀、符合学校规定的标准和要求，从而提升学校的形象和品牌形象，维护学校管理的严谨性和规范性。

但传统校服质量检测通常依赖于人工进行目视检查和手工测试，存在主观性和个体差异，而不同的检测员可能对校服质量的评判标准有所差异，导致结果的不一致性。其次，人工进行检测需要大量的人力投入和时间成本，检测速度相对较慢，无法满足大规模生产的需求，导致生产效率低下和成本增加。

因此，针对上述技术问题，在本申请的技术方案中，提出了一种校服智能生产线，其包括：裁剪机，用于根据校服的款式、尺寸和数量自动进行布料裁剪以得到裁剪后布料；缝纫机，用于将所述裁剪后布料进行缝纫以得到缝纫后校服；熨烫机，用于将所述缝纫后校服进行熨烫以得到熨烫后校服；检测机，用于对所述熨烫后校服进行质量检测以判断所述熨烫后校服是否存在缺陷；包装机，用于对质检后的所述熨烫后校进行分类、分组、打包和贴标签处理以得到校服成品。

图1为根据本申请实施例的校服智能生产线的框图。如图1所示，根据本申请实施例的校服智能生产线100，包括：裁剪机110，用于根据校服的款式、尺寸和数量自动进行布料裁剪以得到裁剪后布料；缝纫机120，用于将所述裁剪后布料进行缝纫以得到缝纫后校服；熨烫机130，用于将所述缝纫后校服进行熨烫以得到熨烫后校服；检测机140，用于对所述熨烫后校服进行质量检测以判断所述熨烫后校服是否存在缺陷；以及，包装机150，用于对质检后的所述熨烫后校进行分类、分组、打包和贴标签处理以得到校服成品。

在本申请实施例中，所述裁剪机110，用于根据校服的款式、尺寸和数量自动进行布料裁剪以得到裁剪后布料。特别地，在裁剪之前需要根据校服的款式和尺寸要求进行设计和规划，包括确定校服的样式、尺码范围和数量，以及确定每个尺码所需的布料数量和裁剪方案。然后，可以使用计算机辅助设计（CAD）软件对布料进行优化。通过在计算机上创建校服的模板，并利用算法进行布料排列和优化，可以最大程度地减少布料的浪费和成本。接着，一旦布料优化完成，可以使用自动化裁剪设备进行裁剪。这些设备通常配备了切割刀、传送带和图像识别系统，可以根据预先设定的裁剪方案，自动将布料切割成所需的形状和尺寸。

在本申请实施例中，所述缝纫机120，用于将所述裁剪后布料进行缝纫以得到缝纫后校服。相应地，在开始缝纫之前，需要准备好所需的缝纫设备和工具，例如缝纫机、线轴、针、剪刀、尺子等。接着，根据校服的款式和设计要求，确定缝纫的顺序。然后，根据缝纫顺序，将裁剪后的布料放置在缝纫机上，并根据缝纫线的颜色和类型选择合适的线轴和针。在缝纫过程中，需要进行精确的测量和对齐，以确保校服的尺寸和比例准确无误。

在本申请实施例中，所述熨烫机130，用于将所述缝纫后校服进行熨烫以得到熨烫后校服。应可以理解，将缝纫后的校服进行熨烫是为了使其平整、整齐，并提升外观和质感。首先，确保熨烫设备处于良好工作状态。准备一台熨斗和熨烫板（熨衣板），并确保熨斗中有足够的水（如果是蒸汽熨斗）。然后，根据校服面料的种类和熨烫要求，调整熨斗的温度设置。不同面料需要不同的温度，以避免损坏或烫伤校服。接着，根据校服的不同部分和细节，确定熨烫的顺序。通常，先熨烫平整的表面，如衣身的正面和背面，然后再处理较复杂的部分，如领口、袖口、褶皱等。

在本申请实施例中，所述检测机140，用于对所述熨烫后校服进行质量检测以判断所述熨烫后校服是否存在缺陷。相应地，考虑到在实际进行校服生成过程中，对于熨烫后校服进行全面地质量检测至关重要，其能够发现校服的尺寸、颜色、缝线、标签等问题，并做出相应地措施以确保生产出的校服符合标准和要求。基于此，本申请的技术构思为通过摄像头采集熨烫后校服的校服检测图像，并在后端引入图像处理和分析算法来进行该校服检测图像的分析，以此来对熨烫后校服进行质量检测，以判断该校服是否存在缺陷。这样，能够对生产的校服进行自动化地质量检测，以确保生产出的校服符合标准和要求，通过这样的方式，可以提高校服生产线的生产效率和产品质量，并减少人为因素带来的误差和影响。

图2为根据本申请实施例的校服智能生产线中检测机的框图。图3为根据本申请实施例的校服智能生产线中检测机的架构示意图。具体地，在本申请实施例中，如图2和图3所示，所述检测机140，包括：校服检测图像采集模块141，用于获取由摄像头采集的所述熨烫后校服的校服检测图像；校服图像特征提取模块142，用于通过基于深度神经网络模型的多尺度特征提取器对所述校服检测图像进行多尺度特征提取以得到校服检测图像浅层特征图和校服检测图像深层特征图；深浅特征损失信息计算模块143，用于基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，确定网络损失信息；信息补偿模块144，用于基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图；校服特征显著化模块145，用于对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征；以及，校服缺陷检测模块146，用于基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷。

具体地，所述校服检测图像采集模块141，用于获取由摄像头采集的所述熨烫后校服的校服检测图像。应可以理解，考虑到校服检测图像中包含了熨烫后的校服的细节和特征信息,如平整度、褶皱、烫痕、污渍等，可以为后续判断熨烫后的校服是否存在缺陷提供依据。基于此，在本申请的技术方案中，获取由摄像头采集的所述熨烫后校服的校服检测图像，以此来检测和识别熨烫后校服有无任何异常或瑕疵，如破损、烫伤、断线、缺失的纽扣等。从而及早发现和解决潜在的质量问题，以确保校服的整体质量符合标准，并提升校服的整体质量和外观。

具体地，所述校服图像特征提取模块142，用于通过基于深度神经网络模型的多尺度特征提取器对所述校服检测图像进行多尺度特征提取以得到校服检测图像浅层特征图和校服检测图像深层特征图。特别地，这里所述的深度神经网络模型为金字塔网络。相应地，考虑到所述校服检测图像通常包含了丰富的信息，如校服的纹理、颜色、形状等，并且这些关于校服的浅层特征和深层特征都对于校服的质量检测有着至关重要的作用。因此，为了更好地理解和分析这些校服特征信息，以便于更为准确地进行校服缺陷检测，在本申请的技术方案中，使用在图像的隐含特征提取方面具有优异表现性能的深度神经网络模型来进行该校服检测图像的特征分析。也就是，将所述校服检测图像通过基于金字塔网络的多尺度特征提取器以得到校服检测图像浅层特征图和校服检测图像深层特征图。应可以理解，所述校服检测图像浅层特征图主要包括所述校服检测图像的低级特征，如边缘、纹理和颜色等浅层特征信息。这些特征可以帮助捕捉到校服图像的细节和纹理信息，从而更准确地进行校服的检测和分类。例如，通过浅层特征可以检测校服上的细小缝线、纹理变化等。而所述校服检测图像深层特征图则包含了有关于所述校服检测图像的更加抽象和高级的特征信息，可以捕捉到图像的语义信息和高级特征，从而更好地进行校服的分类和识别。

值得一提的是，所述金字塔网络（Pyramid Network）是一种用于图像处理和计算机视觉任务的深度神经网络架构。它的设计灵感来自于图像金字塔，图像金字塔是一种多尺度表示方法，可以在不同尺度上对图像进行分析和处理。应可以理解，金字塔网络的主要思想是通过在网络中引入多个并行的分支，每个分支处理不同尺度的输入数据，从而捕捉不同层次的语义信息。这些分支通常由不同的卷积层和池化层组成，每个分支的输出会被级联或融合在一起，形成最终的网络输出。金字塔网络的优势在于它可以同时处理不同尺度的特征，从而提高模型对于尺度变化的适应能力。也就是说，由于图像中的物体可能以不同的尺度出现，金字塔网络可以更好地捕捉不同尺度下的物体特征，从而提高目标检测、语义分割等任务的性能。金字塔网络在计算机视觉领域的应用非常广泛，例如目标检测中的金字塔区域建议网络（Region Proposal Network，RPN），语义分割中的金字塔池化模块（Pyramid Pooling Module）等。这些应用都利用了金字塔网络的多尺度特性，提高了模型对于图像中不同尺度目标的检测和分割能力。

特别地，在本申请的另一个可实现的实施例中，通过基于深度神经网络模型的多尺度特征提取器对所述校服检测图像进行多尺度特征提取以得到校服检测图像浅层特征图和校服检测图像深层特征图，可通过以下方式实现。1.输入图像，假设有一张校服检测图像，尺寸为$256\times256$像素。2.选择适合校服检测任务的深度神经网络模型，例如卷积神经网络（CNN）。以VGG16模型为例，它是一个经典的卷积神经网络模型。3.在VGG16模型中，添加多个分支来实现多尺度特征提取。添加两个分支，分别为浅层分支和深层分支。4.在浅层分支中，选择VGG16模型的前两个卷积块作为浅层特征提取器。这些卷积块通常包含较小的卷积核和较浅的层级，用于提取图像的细节和局部特征。5.在深层分支中，选择VGG16模型的后两个卷积块作为深层特征提取器。这些卷积块通常包含较大的卷积核和较深的层级，用于提取图像的全局特征和语义信息。6.将输入图像通过VGG16模型进行前向传播。图像将经过一系列的卷积层、池化层和全连接层，逐渐提取出浅层和深层的特征。7.从浅层分支和深层分支中提取特征图。浅层分支将提取出浅层特征图，深层分支将提取出深层特征图。8.对浅层特征图和深层特征图进行进一步的处理，可以使用卷积层、池化层或其他操作来调整特征图的尺寸和通道数，以适应后续处理和融合的需要。通过以上步骤，使用基于深度神经网络模型的多尺度特征提取器对校服检测图像进行了多尺度特征提取，并得到了浅层特征图和深层特征图。这些特征图可以用于校服质量的检测，提高校服检测系统的准确性。

具体地，所述深浅特征损失信息计算模块143，用于基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，确定网络损失信息。进一步地，考虑到所述校服检测图像浅层特征图和所述校服检测图像深层特征图分别捕捉了所述校服检测图像中有关于熨烫后校服的浅层和深层特征信息。因此，为了将所述校服检测图像的不同层次和尺度的特征进行有效的融合，以获取更全面、更丰富的特征表示来提高对校服缺陷和质量检测的综合能力，在本申请的技术方案中，需要将所述校服检测图像浅层特征图和所述校服检测图像深层特征图进行有效融合。具体地，在本申请的技术方案中，基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，确定网络损失信息，以此能够更好地理解校服的特征和结构，提高后续校服检测模型的准确性。

更具体地，在本申请实施例中，所述深浅特征损失信息计算模块，用于：基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，以如下损失公式计算损失信息以得到损失信息特征图作为所述网络损失信息；其中，所述损失公式为：其中，/>表示所述校服检测图像浅层特征图，/>表示所述校服检测图像深层特征图，/>表示上采样处理，/>表示卷积处理，/>表示/>函数，/>表示所述损失信息特征图。

具体地，所述信息补偿模块144，用于基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图。应可以理解，校服在图像中可能以不同的尺度出现，而浅层特征图通常对于小尺度的校服检测更敏感。相应地，所述校服检测图像浅层特征图是通过金字塔网络得到包含了更多的浅层特征，如边缘和纹理信息等。而所述网络损失信息是通过校服检测图像浅层特征图和所述校服检测图像深层特征图进行有效融合得到，包含了不同抽象级别的信息。基于此，在本申请的技术方案中，进一步基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图，能够更好地利用网络损失信息来提升校服检测模型的性能。具体来说，这样能够利用残差连接的方式和思想来实现不同层次特征之间的交互和信息传递，使得有关于校服的浅层特征和深层特征能够相互补充和增强，以有利于提供更丰富、更全面的校服特征表达能力，可以更好地分析生产出的校服质量情况。

更具体的，在本申请实施例中，所述信息补偿模块，用于：基于所述网络损失信息，以如下补偿公式对所述校服检测图像浅层特征图进行补偿以得到所述补偿校服特征图；其中，所述补偿公式为：其中，/>表示所述校服检测图像浅层特征图，表示所述损失信息特征图，/>表示基于注意力的池化处理，/>表示所述补偿校服特征图。

具体地，所述校服特征显著化模块145，用于对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征。应可以理解，所述校服检测图像中包含了与校服相关的显著性信息，如颜色、图案、表示或徽章，这些信息对校服的质量检测至关重要。基于此，在本申请的技术方案中，进一步地对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征。也就是说，通过进行显著化补偿，可以使校服在特征图中的表示更加突出和明显，帮助模型更好地关注校服的显著性区域，将注意力集中在校服的关键部分，减少背景干扰，以便提供更丰富和有区分度的特征表示，从而有助于模型更准确地检测和定位校服，提高校服质量检测的精确度。

具体地，在本申请实施例中，所述校服特征显著化模块，用于：将所述补偿校服特征图通过显著特征提取器以得到显著化补偿校服特征图作为所述显著化补偿校服特征。应可以理解，在所述校服检测图像中，可能存在一些与校服相关的显著特征，如校徽、纹理和颜色等，这些显著特征对于校服的质量检测和分类非常重要。然而，传统的图像特征提取方式是使用具有局部感受野的神经元提取特征并由池化降维，同时获得各通道上的显著信息，但这种方法感受野大，提取的校徽图案粗糙，容易忽略掉特征图中具有分辨力的细节信息。因此，在本申请的技术方案中，进一步将所述补偿校服特征图通过显著特征提取器以得到显著化补偿校服特征图。也就是说，通过所述显著特征提取器，可以对所述补偿校服特征图进行处理，以将其中的显著特征突出显示出来，形成所述显著化补偿校服特征图。特别地，所述显著化补偿校服特征图可以帮助更直观地观察和分析校服图像中的重要特征，例如校徽的图案、颜色等特征信息。应可以理解，显著特征提取器是一种用于提取图像中显著目标的特征的技术。它可以根据图像中像素的显著性程度，将显著目标从背景中分离出来，并生成显著图，其中显著目标的区域被强调。值得一提的是，这里，所述显著特征提取器是在传统卷积后增加1×1卷积核和ReLU激活函数，从跨通道池化的角度来看，这样等效于在一个正常的卷积层上实施级联跨通道加权池化，使得模型能够学习到通道之间的关系，对局部信息进行更高地建模。

更具体地，在本申请实施例中，所述校服特征显著化模块，用于：将所述补偿校服特征图通过显著特征提取器中使用如下显著化公式进行处理以得到所述显著化补偿校服特征图；其中，所述显著化公式为：其中，/>表示所述补偿校服特征图，/>表示使用3×3的卷积核进行卷积处理，/>表示使用1×1的卷积核进行卷积处理，/>表示/>函数，/>表示所述显著化补偿校服特征图。

在本申请实施例中，所述校服缺陷检测模块146，用于基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷。应可以理解，显著化补偿可以突出校服的特征信息，以便更容易观察到校服上的细节和问题。因此，在本申请的技术方案中，进一步基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷，以此来提高对校服质量的判断准确性和效率，从而确保校服的外观和品质符合预期要求。

图4为根据本申请实施例的校服智能生产线中校服缺陷检测模块的框图。具体地，在本申请实施例中，如图4所示，所述校服缺陷检测模块146，包括：校服显著化特征优化单元1461，用于对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图；以及，熨烫后校服质量检测单元1462，用于将所述优化显著化补偿校服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所述熨烫后校服是否存在缺陷。

具体地，所述校服显著化特征优化单元1461，用于对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图。特别地，在上述技术方案中，所述校服检测图像浅层特征图和所述校服检测图像深层特征图分别表达所述所述校服检测图像的基于金字塔网络的图像语义空间关联尺度的浅层图像语义特征和深层图像语义特征，由此，在基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图确定网络损失信息，并基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图时，所述补偿校服特征图表达不同空间分布尺度的浅层图像语义特征和深层图像语义特征间的层间图像语义补偿的图像语义特征，这样，在将所述补偿校服特征图进一步通过显著特征提取器以得到显著化补偿校服特征图时，所述显著化补偿校服特征图会在特征矩阵空间分布维度上表达空间关联显著化的图像语义特征表示，而在特征矩阵通道分布维度上表达图像语义特征层间跨尺度语义差异关联表示，也就是，所述显著化补偿校服特征图在整体分布维度上具有与图像语义特征的不同关联分布对应的空间信息属性。因此，如果能提升所述显著化补偿校服特征图作为高维特征的空间信息表达效果，则能够提升所述显著化补偿校服特征图的表达效果，从而改进其通过分类器得到的分类结果的准确性。

具体地，所述校服显著化特征优化单元，用于：以如下优化公式对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图；其中，所述优化公式为：其中，/>是所述显著化补偿校服特征图，/>且，/>和/>分别是所述显著化补偿校服特征图/>的/>位置和/>位置的特征值，/>是局部空间分割系数，/>是局部邻域的尺度，/>是所述优化显著化补偿校服特征图的/>位置的特征值。

具体地，以所述显著化补偿校服特征图展开后的希尔伯特空间内的局部分割空间为基准，对所述显著化补偿校服特征图/>在高维特征空间内的特征流形进行曲面的局部积分，从而基于积分函数的局部积分处理，来修正所述显著化补偿校服特征图/>的局部空间展开后的非平稳数据序列所表达的特征流形的相变不连续点，从而获得特征流形的更精细的结构和几何特征，提升所述显著化补偿校服特征图/>在高维特征空间内的空间信息表达效果，从而提升所述显著化补偿校服特征图的表达效果，改进所述显著化补偿校服特征图通过分类器得到的分类结果的准确性。这样，能够对生产线上生产的校服进行自动化地质量检测，以确保生产出的校服符合标准和要求，通过这样的方式，可以提高校服生产线的生产效率和产品质量，并减少人为因素带来的误差和影响。

具体地，所述熨烫后校服质量检测单元1462，用于将所述优化显著化补偿校服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所述熨烫后校服是否存在缺陷。也就是说，利用经过显著化补偿后的有关于校服的残差融合特征信息来进行分类处理，以此来对熨烫后校服进行质量检测，以判断该校服是否存在缺陷，例如校服的尺寸、颜色、缝线、标签等问题。这样，能够对生产的校服进行自动化地质量检测，以确保生产出的校服符合标准和要求。

综上，基于本申请实施例的校服智能生产线100被阐明，其通过摄像头采集熨烫后校服的校服检测图像，并在后端引入图像处理和分析算法来进行该校服检测图像的分析，以此来对熨烫后校服进行质量检测，以判断该校服是否存在缺陷。这样，能够对生产的校服进行自动化地质量检测，以确保生产出的校服符合标准和要求，通过这样的方式，可以提高校服生产线的生产效率和产品质量，并减少人为因素带来的误差和影响。

如上所述，根据本申请实施例的校服智能生产线100可以实现在各种无线终端中，例如具有校服智能生产算法的服务器等。在一种可能的实现方式中，根据本申请实施例的校服智能生产线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，该校服智能生产线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，该校服智能生产线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，该校服智能生产线100与该无线终端也可以是分立的设备，并且该校服智能生产线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。

图5为根据本申请实施例的校服智能生产方法中的流程图。如图5所示，根据本申请实施例的校服智能生产方法，包括：S110,获取由摄像头采集的所述熨烫后校服的校服检测图像；S120,通过基于深度神经网络模型的多尺度特征提取器对所述校服检测图像进行多尺度特征提取以得到校服检测图像浅层特征图和校服检测图像深层特征图；S130,基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，确定网络损失信息；S140,基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图；S150,对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征；以及，S160,基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷。

这里，本领域技术人员可以理解，上述校服智能生产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的校服智能生产线的描述中得到了详细介绍，并因此，将省略其重复描述。

以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的。并且也不限于所公开的各实现，在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员未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现的原理、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他普通技术人员能理解本文公开的各个实理方式。

Claims (8)

1.一种校服智能生产线，其特征在于，包括：

裁剪机，用于根据校服的款式、尺寸和数量自动进行布料裁剪以得到裁剪后布料；

缝纫机，用于将所述裁剪后布料进行缝纫以得到缝纫后校服；

熨烫机，用于将所述缝纫后校服进行熨烫以得到熨烫后校服；

检测机，用于对所述熨烫后校服进行质量检测以判断所述熨烫后校服是否存在缺陷；

包装机，用于对质检后的所述熨烫后校进行分类、分组、打包和贴标签处理以得到校服成品；

其中，所述检测机，包括：

校服检测图像采集模块，用于获取由摄像头采集的所述熨烫后校服的校服检测图像；

校服图像特征提取模块，用于通过基于深度神经网络模型的多尺度特征提取器对所述校服检测图像进行多尺度特征提取以得到校服检测图像浅层特征图和校服检测图像深层特征图；

深浅特征损失信息计算模块，用于基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，确定网络损失信息；

信息补偿模块，用于基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图；

校服特征显著化模块，用于对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征；

校服缺陷检测模块，用于基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷；

其中，所述校服缺陷检测模块，包括：

校服显著化特征优化单元，用于对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图；

熨烫后校服质量检测单元，用于将所述优化显著化补偿校服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所述熨烫后校服是否存在缺陷；

其中，所述校服显著化特征优化单元，用于：以如下优化公式对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图；其中，所述优化公式为：

其中，F是所述显著化补偿校服特征图，f_i，j，k∈F且f_{i′，j′，k′}∈F，f_i，j，k和f_{i′，j′，k′}分别是所述显著化补偿校服特征图F的(i，j，k)位置和(i′，j′，k′)位置的特征值，α是局部空间分割系数，N是局部邻域的尺度，f′_i，j，k是所述优化显著化补偿校服特征图的(i，j，k)位置的特征值。

2.根据权利要求1所述的校服智能生产线，其特征在于，所述深度神经网络模型为金字塔网络。

3.根据权利要求2所述的校服智能生产线，其特征在于，所述深浅特征损失信息计算模块，用于：基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，以如下损失公式计算损失信息以得到损失信息特征图作为所述网络损失信息；

其中，所述损失公式为：

Mask＝Sigmoid(F₁-Conv_1×1(UpSampling(F₂)))

其中，F₁表示所述校服检测图像浅层特征图，F₂表示所述校服检测图像深层特征图，UpSampling(·)表示上采样处理，Conv_1×1(·)表示卷积处理，Sigmoid(·)表示Sigmoid函数，Mask表示所述损失信息特征图。

4.根据权利要求3所述的校服智能生产线，其特征在于，所述信息补偿模块，用于：基于所述网络损失信息，以如下补偿公式对所述校服检测图像浅层特征图进行补偿以得到所述补偿校服特征图；

其中，所述补偿公式为：

F_input＝PMA(F₁，Mask)

其中，F₁表示所述校服检测图像浅层特征图，Mask表示所述损失信息特征图，PMA(·)表示基于注意力的池化处理，F_input表示所述补偿校服特征图。

5.根据权利要求4所述的校服智能生产线，其特征在于，所述校服特征显著化模块，用于：将所述补偿校服特征图通过显著特征提取器以得到显著化补偿校服特征图作为所述显著化补偿校服特征。

6.根据权利要求5所述的校服智能生产线，其特征在于，所述校服特征显著化模块，用于：将所述补偿校服特征图通过显著特征提取器中使用如下显著化公式进行处理以得到所述显著化补偿校服特征图；

其中，所述显著化公式为：

F_output＝ReLU(Conv_1×1[Conv_3×3(F_input)])

其中，F_input表示所述补偿校服特征图，Conv_3×3(·)表示使用3×3的卷积核进行卷积处理，Conv_1×1(·)表示使用1×1的卷积核进行卷积处理，ReLU(·)表示ReLU函数，F_output表示所述显著化补偿校服特征图。

7.一种校服智能生产方法，其特征在于，包括：

获取由摄像头采集的熨烫后校服的校服检测图像；

通过基于深度神经网络模型的多尺度特征提取器对所述校服检测图像进行多尺度特征提取以得到校服检测图像浅层特征图和校服检测图像深层特征图；

基于所述校服检测图像浅层特征图和所述校服检测图像深层特征图，确定网络损失信息；

基于所述网络损失信息对所述校服检测图像浅层特征图进行补偿以得到补偿校服特征图；

对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征；

基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷；

其中，基于所述显著化补偿校服特征，确定所述熨烫后校服是否存在缺陷，包括：

对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图；

将所述优化显著化补偿校服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所述熨烫后校服是否存在缺陷；

其中，对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图，包括：以如下优化公式对所述显著化补偿校服特征图进行优化以得到优化显著化补偿校服特征图；其中，所述优化公式为：

其中，F是所述显著化补偿校服特征图，f_i，j，k∈F且f_{i′，j′，k′}∈F，f_i，j，k和f_{i′，j′，k′}分别是所述显著化补偿校服特征图F的(i，j，k)位置和(i′，j′，k′)位置的特征值，α是局部空间分割系数，N是局部邻域的尺度，f′_i，j，k是所述优化显著化补偿校服特征图的(i，j，k)位置的特征值。

8.根据权利要求7所述的校服智能生产方法，其特征在于，对所述补偿校服特征图进行显著化补偿以得到显著化补偿校服特征，包括：将所述补偿校服特征图通过显著特征提取器中使用如下显著化公式进行处理以得到所述显著化补偿校服特征图；

其中，所述显著化公式为：

F_output＝ReLU(Conv_1×1[Conv_3×3(F_input)])

其中，F_input表示所述补偿校服特征图，Conv_3×3(·)表示使用3×3的卷积核进行卷积处理，Conv_1×1(·)表示使用1×1的卷积核进行卷积处理，ReLU(·)表示ReLU函数，F_output表示所述显著化补偿校服特征图。