CN117706058A - 丝锭数据的处理方法、装置、设备以及存储介质 - Google Patents
丝锭数据的处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117706058A CN117706058A CN202410161074.7A CN202410161074A CN117706058A CN 117706058 A CN117706058 A CN 117706058A CN 202410161074 A CN202410161074 A CN 202410161074A CN 117706058 A CN117706058 A CN 117706058A
- Authority
- CN
- China
- Prior art keywords
- target
- defect
- network layer
- feature
- ingot
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 191
- 230000007547 defect Effects 0.000 claims abstract description 174
- 230000004927 fusion Effects 0.000 claims description 62
- 238000007499 fusion processing Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 16
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 229920000728 polyester Polymers 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 101150064138 MAP1 gene Proteins 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了丝锭数据的处理方法、装置、设备以及存储介质。涉及数据处理技术领域，尤其涉及一种丝锭数据的处理方法、装置、设备以及存储介质。该方法包括：在确定所输送的丝锭进入检测区域的情况下，对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果；所述目标检测结果用于表征所述丝锭的缺陷程度；确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。基于本公开实施例提供的方式，能够高效地检测出丝锭中的缺陷，并根据检测结果对丝锭的级别进行自动化调整，从而节省了大量的人力成本和时间成本，进一步提升了丝锭的管理效率。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种丝锭数据的处理方法、装置、设备以及存储介质。
背景技术
化纤行业中，通常需要工作人员对单颗丝锭进行缺陷检测，并由工作人员根据检测的结果，对丝锭的级别进行重新评估，但是，该检测方式对人工经验具有较强的依赖性，且效率低下，从而使丝锭的生产和管理效率受到影响。
发明内容
本公开提供了一种丝锭数据的处理方法、装置、设备以及存储介质，以解决或缓解现有技术中的一项或更多项技术问题。
第一方面，本公开提供了一种丝锭数据的处理方法，包括：
在确定所输送的丝锭进入检测区域的情况下，对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果；所述目标检测结果用于表征所述丝锭的缺陷程度；
确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
第二方面，本公开提供了一种丝锭数据的处理装置，包括：
缺陷检测单元，用于在确定所输送的丝锭进入检测区域的情况下，对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果；所述目标检测结果用于表征所述丝锭的缺陷程度；
级别确定单元，用于确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一的方法。
第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法。
本公开提供的技术方案的有益效果至少包括：本公开方案先对丝锭的外观进行自动化缺陷检测，再根据丝锭的实际缺陷情况（比如目标检测结果），准确评估出丝锭的实际级别，进而对丝锭的级别做出快速调整，如此，实现了从丝锭的缺陷检测到丝锭的级别评估的一套完整的自动化处理流程，相比于现有的人工方法而言，本公开方案无需依赖人工经验，便可高效地检测出丝锭中的缺陷，并且能够根据检测结果对丝锭的级别进行自动化调整，从而节省了大量的人力成本和时间成本，进一步提升了丝锭的管理效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本公开提供的一些实施方式，而不应将其视为是对本公开范围的限制。
图1是根据本申请一实施例丝锭数据的处理方法的示意性流程图一；
图2是根据本申请一实施例丝锭数据的处理方法的示意性流程图二；
图3是根据本申请一实施例丝锭的图像采集的场景示意图；
图4是根据本申请一实施例第二网络层在一示例中的结构示意图；
图5是根据本申请一实施例第二网络层中的第六子网络层在一示例中的结构示意图；
图6是根据本申请一实施例特征权重模块的结构示意图；
图7是根据本申请一实施例多视图注意力模块的结构示意图；
图8是根据本申请一实施例丝锭数据的处理方法的示意性流程图三；
图9是根据本申请一实施例丝锭数据的处理装置的结构示意图；
图10是用来实现本公开实施例的丝锭数据的处理方法的电子设备的框图。
具体实施方式
下面将参考附图对本公开作进一步地详细描述。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、元件和电路等未作详细描述，以便于凸显本公开的主旨。
化纤行业中产品最小单元为单颗丝锭，基于单颗丝锭所建立的单锭数据流，实现了每颗丝锭生产的全程透明化。
单锭数据流是指单颗丝锭在赋码（比如二维码或条形码）的基础上，通过物理运输装置，对接自动落筒、单锭称重、外观检测、自动包装线以及单锭输送等环节，以让每一颗丝锭的相关数据能够在各环节即时、完整的进行汇集传递。然而，在对单颗丝锭进行外观检测的过程中，通常需要人工对丝锭进行缺陷检测，并且由人工根据检测结果评估出丝锭的实际级别，显然，此种检测方式效率低，并且对人工经验具有较强的依赖性，因此，亟需一种自动化处理流程，以高效识别出丝锭中的缺陷，进而重新评估出丝锭的级别。
基于此，本公开方案提供了一种丝锭数据的处理方法，以解决上述问题。
具体地，图1是根据本申请一实施例丝锭数据的处理方法的示意性流程图一。该方法可选地应用于电子设备中，比如，个人电脑、服务器、服务器集群等电子设备中。
进一步地，该方法至少包括以下内容的至少部分内容。如图1所示，包括：
步骤S101：在确定所输送的丝锭进入检测区域的情况下，对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果。
这里，所述目标检测结果用于表征所述丝锭的缺陷程度。
进一步地，在一具体示例中，所述丝锭中丝的主要类型可以包括预取向丝（Partially Oriented Yarns，POY）、全牵伸丝（Fully Drawn Yarns，FDY）、拉伸变形丝（Draw Textured Yarns，DTY）（或称为低弹丝）等的一种或多种。例如，丝的类型具体可以包括涤纶预取向丝（Polyester Partially Oriented Yarns）、涤纶全牵伸丝（PolyesterFully Drawn Yarns）、涤纶牵伸丝（Polyester Drawn Yarns）、涤纶低弹丝（PolyesterDraw Textured Yarns）等。
进一步地，在一具体示例中，对丝锭所进行的缺陷检测可具体指对如下缺陷进行检测：卷绕断丝、毛丝、油污、绊丝、夹结、纸管破损、尾丝或纸管颜色错误等。
步骤S102：确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
需要指出的是，所述丝锭的预设级别可以是预先设定的最高级别，或者是其它级别，比如在丝锭的降等场景中，将所述丝锭的预设级别设定为最高级别，此时，可根据所述丝锭的目标检测结果确定是否需要对丝锭的预设级别进行降级调整等。实际应用中，可根据实际场景需要，对丝锭的预设级别进行设定，本公开方案对此不作具体限制。
这样，本公开方案能够利用丝锭的目标检测结果来确定丝锭的目标级别，具体地，本公开方案先对丝锭的外观进行自动化缺陷检测，再根据丝锭的实际缺陷情况（比如目标检测结果），准确评估出丝锭的实际级别，进而对丝锭的级别做出快速调整，如此，实现了从丝锭的缺陷检测到丝锭的级别评估的一套完整的自动化处理流程，相比于现有的人工方法而言，本公开方案无需依赖人工经验，便可高效地检测出丝锭中的缺陷，并且能够根据检测结果对丝锭的级别进行自动化调整，从而节省了大量的人力成本和时间成本，进一步提升了丝锭的管理效率。
进一步地，由于能够对丝锭的级别进行自动化调整，所以，有效提升了单锭数据的数据质量，更好地实现了生产过程中针对丝锭的质量控制和反馈，有效避免了对用户可能造成的损失。
图2是根据本申请一实施例丝锭数据的处理方法的示意性流程图二。该方法可选地应用于电子设备中，比如，个人电脑、服务器、服务器集群等电子设备中。可以理解的是，以上图1所示方法的相关内容，也可以应用于该示例中，该示例对相关联内容不再赘述。
进一步地，该方法至少包括以下内容的至少部分内容。如图2所示，包括：
步骤S201：在确定所输送的丝锭进入检测区域的情况下，获取所述丝锭的N个图像。
这里，所述N个图像中的图像包含所述丝锭的至少部分区域，比如图像可以包含所述丝锭的上表面、下表面或者环形面（也即侧面）等局部区域。
进一步地，在一示例中，所述N大于等于3。
进一步地，在一具体示例中，可采用如下图像采集方式对所述丝锭进行采集图像；具体地，步骤S201可具体包括：在获取到针对所述丝锭对应的射频标识的响应信息的情况下（此时，可认为丝锭进入检测区域），利用N个图像采集组件分别对丝锭的不同角度进行图像采集，以得到N个图像。比如，如图3所示，利用3个图像采集组件对丝锭进行全方位的图像采集，其中，图像采集组件1对丝锭的上表面进行图像采集，图像采集组件2对丝锭的下表面的左部分、以及丝锭的左侧面进行图像采集，图像采集组件3对丝锭的下表面的右部分、以及丝锭的右侧面进行图像采集。如此，便于对丝锭进行全面的缺陷检测，为后续提升丝锭的缺陷检测的准确性奠定了基础。
这里，在一示例中，丝锭的图像采集方式还可以为：确定所述丝锭输送到达检测区域的情况下，生成控制指令，所述控制指令用于指示机械夹爪抓取丝锭，使所述丝锭进行旋转，以供图像采集组件对丝锭进行全方位的图像采集，或者，还可以是其它图像采集方式，本公开方案对丝锭的图像采集方式不作具体限制。
步骤S202：将所述N个图像输入至目标检测模型，得到所述N个图像中各图像对应的第一检测结果。
这里，所述目标检测模型用于识别所述丝锭的局部区域中是否存在缺陷，以得到第一检测结果；第一检测结果包括以下至少之一：缺陷数量、缺陷位置、缺陷类型。
步骤S203：基于所述N个图像中各图像对应的第一检测结果，得到所述丝锭的目标检测结果。
这里，所述目标检测结果用于表征所述丝锭的缺陷程度。
步骤S204：确定所述目标检测结果是否满足预设缺陷要求，若是，则进入步骤S205，否则进入步骤S206。
步骤S205：确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
步骤S206：确定所述目标检测结果不满足预设缺陷要求的情况下，将所述丝锭的预设级别作为所述丝锭的目标级别。
这样，本公开方案能够利用模型对丝锭进行缺陷检测，进而根据所得的检测结果（比如目标检测结果）确定丝锭的目标级别，如此，能够准确地评估出丝锭的实际级别，并且实现了对丝锭的级别的自动化调整，进而大幅提升丝锭的管理效率。而且，由于本公开方案使用模型进行缺陷检测，所以，实现了对丝锭中缺陷的高效识别，进而极大提升了对丝锭的级别的评估准确性。
进一步地，在一示例中，所述目标检测模型可以是基于动态权重的小波注意力神经网络，或者也可以是基于动态小波卷积网络（Dynamic Wavelet Convolution Networks，DWCNet）改进所得的其它模型，本公开方案对此不作具体限制。
进一步地，在一具体示例中，所述目标检测模型至少包括第一网络层、第二网络层以及第三网络层。
具体地，所述第一网络层用于对输入的图像进行特征处理，得到低层次特征图，比如，所述第一网络层可以为动态小波卷积网络；这里，所述低层次特征图用于表征滤除图像中的背景噪声后所提取得到的特征图。
进一步地，所述第二网络层用于至少对低层次特征图中的关键特征信息进行特征增强处理，得到高层次特征图。比如，在一示例中，所述第二网络层可以具体用于将低层次特征图中的关键特征信息进行增强处理，相对地，也抑制了该低层次特征图中不相干的特征信息，比如抑制了与所述丝锭不相关的特征信息，以得到高层次特征图。
进一步地，所述第三网络层用于基于高层次特征图进行缺陷识别，得到第一检测结果。
这样，本公开方案提供了一种模型的具体示例，用于对丝锭进行快速地缺陷检测，如此，相比于现有的人工方法而言，本公开方案无需人工经验，即可实现对丝锭中缺陷的高效检测，尤其能够检测出丝锭中不易被检测出弱缺陷，进而进一步提升了检测的准确性，为后续能够快速评估出丝锭的级别奠定了基础。
在本公开方案的一具体示例中，所述第一网络层可以至少包括第一子网络层、第二子网络层、第三子网络层以及第四子网络层。
这里，所述第一子网络层用于对输入的图像进行局部特征提取，得到低频特征图；所述第二子网络层用于得到所输入的图像的特征图的目标权重因子；所述第三子网络层用于对输入的图像进行全局特征提取，得到全局特征图（比如，得到包含有低频信息和高频信息的全局特征图）；所述第四子网络层用于基于目标权重因子，将低频特征图和全局特征图进行融合处理，以进行噪声滤除，得到低层次特征图，也就是说，第一网络层能够结合所提取到的局部特征信息（比如低频特征图）与全局特征信息（比如全局特征图），得到较高质量的特征图，如此，便于更好地捕捉到缺陷的特征信息，进而提升缺陷检测的准确性，为后续能够准确评估出丝锭的级别奠定了基础。
举例来说，在一示例中，记第二子网络层所确定的目标权重因子为w，记第一子网络层所得到的低频特征图为p，记第三子网络层所得到的全局特征图为q，第四子网络层所得到的低层次特征图记为x，则具体表达式为：
。
这样，本公开方案能够利用所得到的权重因子，对所得到的局部特征信息与全局特征信息进行适度结合，如此，能够调节特征图中所存在的噪声，有利于缓解噪声对缺陷检测的干扰，进而提升缺陷检测的准确性。
在本公开方案的另一示例中，所述第二网络层至少包括第五子网络层、第六子网络层以及第七子网络层。
这里，所述第五子网络层用于对低层次特征图进行特征提取，并对所提取的多个特征图进行融合处理，得到M个初始融合特征图，所述M为大于等于2的整数；所述第六子网络层用于对所述M个初始融合特征图中的各初始融合特征图进行关键特征提取，并对各初始融合特征图所提取到的关键特征信息进行特征增强处理，以得到M个目标增强特征图；所述第七子网络层用于将得到的M个目标增强特征图进行融合处理，得到高层次特征图。如此，能够得到清晰且丰富的特征信息（比如，高层次特征图），进而提升了缺陷检测的准确性，尤其对于丝锭中不易检测出的弱缺陷而言，显著提升了弱缺陷的检测准确性，为后续准确评估出丝锭的级别奠定了基础。
举例来说，所述第五子网络层为特征金字塔网络（Feature Pyramid Network，FPN）层，所述第六子网络层为特征增强网络层，所述第七子网络层为线性相加（Addition，Add）处理层；如图4所示，首先，将低层次特征图输入至FPN层，得到M个初始融合特征图；其次，将所得到的各初始融合特征图输入至特征增强网络层，比如，通过特征增强网络层对各初始融合特征图进行关键特征提取，并对所提取到的特征图进行特征增强处理，得到M个目标增强特征图；最后将所得到的M个目标增强特征图输入至线性相加处理层，得到高层次特征图。如此，有利于提升缺陷以及弱缺陷检测的准确性，为后续准确地评估出丝锭的级别提供了依据。
这里，在一示例中，所述M个目标增强特征图中的第i目标增强特征图为基于以下方式所得：
对第i初始融合特征图进行卷积处理，以基于卷积处理结果得到第i权重因子；基于第i权重因子，将第i+1初始融合特征图与第i初始融合特征图进行融合处理，得到第i目标融合特征图；将所得到的第i目标融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行特征增强处理（比如对不同的特征图进行相应程度的增强处理），得到多个第i初始增强特征图，对多个第i初始增强特征图进行融合处理，得到第i目标增强特征图。这里，i为大于等于1小于等于M-1的整数。
进一步地，在i为M的情况下，此时，第M+1初始融合特征图可为一预设值，此时，即可得到第M目标融合特征图，进而得到第M目标增强特征图。或者，还可以采用如下方式得到第M目标增强特征图：
将第M初始融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行增强处理，得到多个第M初始增强特征图，对多个第M初始增强特征图进行融合处理，得到第M目标增强特征图。
举例来说，继续以所述第六子网络层为特征增强网络层为例，此时，所述特征增强网络层还可以具体包括特征权重模块和多视图注意力模块；如图5所示，将M个初始融合特征图中的第i初始融合特征图和第i+1初始融合特征图输入至特征权重模块，得到第i目标融合特征图，并将所得到的第i目标融合特征图输入至多视图注意力模块，以进行关键特征提取和特征增强处理，得到第i目标增强特征图，另外，对于第M初始融合特征图而言，可直接将第M初始融合特征图作为第M目标融合特征图，并将所得到的第M目标融合特征图输入至多视图注意力模块，以进行关键特征提取和特征增强处理，得到第M目标增强特征图。
进一步地，如图6所示，特征权重模块用于，首先对第i+1初始融合特征图进行上采样处理，得到处理后的第i+1初始融合特征图；对第i初始融合特征图进行卷积处理，并对处理后得到的结果进行S形弯曲函数（Sigmod）处理，以得到第i权重因子（比如图示中的λ i ，或者1-λ i ），其次，将第i权重因子，比如1-λ i 与第i初始融合特征图进行元素相乘，将λ i 和处理后的第i+1初始融合特征图进行元素相乘，并将所得到的结果进行元素相加，得到第i目标融合特征图；这里，i为M的情况下，第M初始融合特征图无需输入至特征权重模块，可直接作为第M目标融合特征图。
进一步地，如图7所示，多视图注意力模块用于，首先对第i目标融合特征图进行第一预设卷积核（比如为1×1）的可变形卷积处理，以进行关键特征提取，得到关键特征的特征图1，以及，对第i目标融合特征图进行第二预设卷积核（比如为3×3）的可变形卷积处理，得到关键特征的特征图2，以及对第i目标融合特征图进行第三预设卷积核（比如为5×5）的可变形卷积处理，得到关键特征的特征图3；其次，将所得到的特征图1输入至注意力子模块A，以对特征图1进行特征增强处理，得到第i初始增强特征图1，同理，将特征图2输入至注意力子模块B中，得到第i初始增强特征图2，以及将特征图3输入至注意力子模块C中，得到第i初始增强特征图3；最后，将上述三个第i初始增强特征图进行融合处理（比如进行元素相加），得到第i目标增强特征图。
进一步地，在图7所示的基础上，还可增加一神经网络，比如增加小波神经网络，以利用小波神经网络直接对第i目标融合特征图进行特征提取，得到第i补充特征图，并与上述三个第i初始增强特征图一同进行融合处理。
需要指出的是，多视图注意力模块所包含的注意力子模块（比如注意力子模块A，或者注意力子模块B，或者注意力子模块C）中的结构可以是压缩和激励（Squeeze andExcitation，SE）网络，或者也可以是基于SE网络所得的其它网络结构，本公开方案对此不作限定。
这样，本公开方案能够充分利用第六子网络层，对低层次特征图中进行关键特征提取，并对所提取到的结果进行特征增强处理，如此，实现了将网络的注意力引导到潜在目标（即丝锭中的缺陷）上，便于后续更好地进行缺陷识别，尤其对于丝锭中不易检测出的弱缺陷而言，能够更全面地获得弱缺陷的关键特征，进而提升弱缺陷的检测准确性，为后续能够准确评估出丝锭的级别奠定了基础。
在本公开方案的再一示例中，所述第三网络层包括第八子网络层和第九子网络层。
这里，所述第八子网络层用于基于所述高层次特征图，框选得到图像中疑似缺陷的候选区域；所述第九子网络层用于基于高层次特征图以及所框选得到的候选区域，识别候选区域是否存在缺陷。如此，能够高效识别出丝锭中可能存在的缺陷，为后续能够准确评估出丝锭的级别并进行自动化调整奠定了基础。
图8是根据本申请一实施例丝锭数据的处理方法的示意性流程图三。该方法可选地应用于电子设备中，比如，个人电脑、服务器、服务器集群等电子设备中。可以理解的是，以上图1和图2所示方法的相关内容，也可以应用于该示例中，该示例对相关联内容不再赘述。
进一步地，该方法至少包括以下内容的至少部分内容。如图8所示，包括：
步骤S801：在确定所输送的丝锭进入检测区域的情况下，获取所述丝锭的N个图像；其中，所述N个图像中的图像包含所述丝锭的至少部分区域；所述N大于等于3。
步骤S802：将所述N个图像输入至目标检测模型，得到所述N个图像中各图像对应的第一检测结果。
这里，所述目标检测模型用于识别所述丝锭的局部区域中是否存在缺陷，以得到第一检测结果；第一检测结果包括以下至少之一：缺陷数量、缺陷位置、缺陷类型。
步骤S803：执行以下至少之一，以得到所述丝锭的缺陷相关信息，并基于所述丝锭的缺陷相关信息，确定表征所述丝锭的缺陷程度的目标检测结果：
方式一：统计所述N个第一检测结果中各第一检测结果所包含的缺陷数量，得到所述丝锭的总缺陷数量；
方式二：基于所述N个第一检测结果中各第一检测结果所包含的缺陷位置（比如，包括位置和缺陷大小），得到所述丝锭中所有的缺陷位置（比如，得到总的缺陷大小）；
方式三：基于所述N个第一检测结果中各第一检测结果所包含的缺陷类型，得到所述丝锭的目标缺陷类型（比如，该目标缺陷类型包括所有第一检测结果所包含的缺陷类型）。
步骤S804：确定所述目标检测结果是否满足预设缺陷要求，若是，则进入步骤S805，否则进入步骤S806。
步骤S805：确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
进一步地，在一具体示例中，可采用如下方式得到所述丝锭的目标级别，如此，能够实现对丝锭的级别进行自动化调整，进而大幅提升丝锭的管理效率，从而确保了单锭数据的数据质量；具体地，以上所述确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别（比如，以上所述的步骤S805），具体包括：
确定满足以下至少之一的情况下，对所述丝锭的预设级别进行降级调整，以得到所检测的丝锭的目标级别：
条件1：所述目标检测结果中所述丝锭的总缺陷数量大于预设阈值；
条件2：所述目标检测结果中所述丝锭的所有缺陷位置中的缺陷位置位于预设缺陷位置范围内（比如，总的缺陷大小位于预设缺陷位置范围内，且超过预设面积）；
条件3：所述目标检测结果中所述丝锭的目标缺陷类型位于预设缺陷类型范围内（比如，若目标缺陷类型包含所有第一检测结果所包含的缺陷类型，则存在至少一个缺陷类型落入预设缺陷类型范围内，就可认为该目标缺陷类型位于预设缺陷类型范围内）。
步骤S806：确定所述目标检测结果不满足预设缺陷要求的情况下，将所述丝锭的预设级别作为所述丝锭的目标级别。
这样，本公开方案能够利用模型对丝锭进行缺陷检测，并根据检测结果（比如目标检测结果），对丝锭的级别进行确定，如此，能够实现对丝锭的级别进行自动化调整，进而大幅提升丝锭的管理效率，从而确保了单锭数据的数据质量，并且有效避免了可能对用户所造成的损失。
综上所述，相比于现有技术，本公开方案具有以下几项优势，具体包括：
第一、实现自动化处理。相比于现有的人工方法而言，本公开方案无需依赖人工经验，便可高效地检测出丝锭中的缺陷，并且能够根据检测结果对丝锭的级别进行自动化调整，从而节省了大量的人力成本和时间成本，进一步提升了丝锭的管理效率。
第二、提升检测准确性。传统的人工检测方法，对丝锭中的外观缺陷难以检测出，容易出现漏检情形；本公开方案使用了更加适用于缺陷检测的神经网络模型，尤其对于不易检测出的弱缺陷而言，检测准确性更高，如此，确保了丝锭的质量。
第三、提升单锭数据的质量。在单锭数据流的应用过程中，本公开方案在单颗丝锭的外观缺陷检测方面，进一步提升了单颗丝锭的数据质量，从而更好地实现生产过程中针对丝锭的质量控制和反馈，有效避免了对用户可能造成的损失。
本公开方案还提供了一种丝锭数据的处理装置，如图9所示，包括：
缺陷检测单元901，用于在确定所输送的丝锭进入检测区域的情况下，对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果；所述目标检测结果用于表征所述丝锭的缺陷程度；
级别确定单元902，用于确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
在本公开方案的一具体示例中，所述缺陷检测单元901，具体用于：
获取所述丝锭的N个图像；其中，所述N个图像中的图像包含所述丝锭的至少部分区域；所述N大于等于3；
将所述N个图像输入至目标检测模型，得到所述N个图像中各图像对应的第一检测结果；其中，所述目标检测模型用于识别所述丝锭的局部区域中是否存在缺陷，以得到第一检测结果；第一检测结果包括以下至少之一：缺陷数量、缺陷位置、缺陷类型；
基于所述N个图像中各图像对应的第一检测结果，得到所述丝锭的目标检测结果。
在本公开方案的一具体示例中，所述缺陷检测单元901，具体用于：
执行以下至少之一，以得到所述丝锭的缺陷相关信息，并基于所述丝锭的缺陷相关信息，确定表征所述丝锭的缺陷程度的目标检测结果：
统计所述N个第一检测结果中各第一检测结果所包含的缺陷数量，得到所述丝锭的总缺陷数量；
基于所述N个第一检测结果中各第一检测结果所包含的缺陷位置，得到所述丝锭中所有的缺陷位置；
基于所述N个第一检测结果中各第一检测结果所包含的缺陷类型，得到所述丝锭的目标缺陷类型。
在本公开方案的一具体示例中，所述级别确定单元902，具体用于：
确定满足以下至少之一的情况下，对所述丝锭的预设级别进行降级调整，以得到所检测的丝锭的目标级别：
所述目标检测结果中所述丝锭的总缺陷数量大于预设阈值；
所述目标检测结果中所述丝锭的所有缺陷位置中的缺陷位置位于预设缺陷位置范围内；
所述目标检测结果中所述丝锭的目标缺陷类型位于预设缺陷类型范围内。
在本公开方案的一具体示例中，所述目标检测模型至少包括第一网络层、第二网络层以及第三网络层；
所述第一网络层用于对输入的图像进行特征处理，得到低层次特征图；所述低层次特征图用于表征滤除图像中的背景噪声后所提取得到的特征图；
所述第二网络层用于至少对低层次特征图中的关键特征信息进行特征增强处理，得到高层次特征图；
所述第三网络层用于基于高层次特征图进行缺陷识别，得到第一检测结果。
在本公开方案的一具体示例中，所述第一网络层至少包括第一子网络层、第二子网络层、第三子网络层以及第四子网络层；
其中，所述第一子网络层用于对输入的图像进行局部特征提取，得到低频特征图；所述第二子网络层用于得到所输入的图像的特征图的目标权重因子；所述第三子网络层用于对输入的图像进行全局特征提取，得到全局特征图；所述第四子网络层用于基于目标权重因子，将低频特征图和全局特征图进行融合处理，以进行噪声滤除，得到低层次特征图。
在本公开方案的一具体示例中，所述第二网络层至少包括第五子网络层、第六子网络层以及第七子网络层；
其中，所述第五子网络层用于对低层次特征图进行特征提取，并对所提取的多个特征图进行融合处理，得到M个初始融合特征图，所述M为大于等于2的整数；
所述第六子网络层用于对所述M个初始融合特征图中的各初始融合特征图进行关键特征提取，并对各初始融合特征图所提取到的关键特征信息进行特征增强处理，以得到M个目标增强特征图；
所述第七子网络层用于将得到的M个目标增强特征图进行融合处理，得到高层次特征图。
在本公开方案的一具体示例中，所述M个目标增强特征图中的第i目标增强特征图为基于以下方式所得：
对第i初始融合特征图进行卷积处理，以基于卷积处理结果得到第i权重因子；基于第i权重因子，将第i+1初始融合特征图与第i初始融合特征图进行融合处理，得到第i目标融合特征图；将所得到的第i目标融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行特征增强处理，得到多个第i初始增强特征图，并对多个第i初始增强特征图进行融合处理，得到第i目标增强特征图；其中，i为大于等于1小于等于M-1的整数；在i为M的情况下，将第M初始融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行增强处理，得到多个第M初始增强特征图，并对多个第M初始增强特征图进行融合处理，得到第M目标增强特征图。
本公开实施例的装置的各单元的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图10为根据本公开一实施例的电子设备的结构框图。如图10所示，该电子设备包括：存储器1010和处理器1020，存储器1010内存储有可在处理器1020上运行的计算机程序。存储器1010和处理器1020的数量可以为一个或多个。存储器1010可以存储一个或多个计算机程序，当该一个或多个计算机程序被该电子设备执行时，使得该电子设备执行上述方法实施例提供的方法。该电子设备还可以包括：通信接口1030，用于与外界设备进行通信，进行数据交互传输。
如果存储器1010、处理器1020和通信接口1030独立实现，则存储器1010、处理器1020和通信接口1030可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(PeripheralComponent Interconnect，PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1010、处理器1020及通信接口1030集成在一块芯片上，则存储器1010、处理器1020及通信接口1030可以通过内部接口完成相互间的通信。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(Advanced RISC Machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic Random Access Memory ，DRAM) 、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct RAMBUS RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(Digital Subscriber Line，DSL))或无线(例如：红外、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质，或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))或半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。值得注意的是，本公开提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本公开实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本公开的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本公开实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
在本公开实施例的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本公开的示例性实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (18)
1.一种丝锭数据的处理方法，包括：
在确定所输送的丝锭进入检测区域的情况下，对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果；所述目标检测结果用于表征所述丝锭的缺陷程度；
确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
2.根据权利要求1所述的方法，其中，所述对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果，包括：
获取所述丝锭的N个图像；其中，所述N个图像中的图像包含所述丝锭的至少部分区域；所述N大于等于3；
将所述N个图像输入至目标检测模型，得到所述N个图像中各图像对应的第一检测结果；其中，所述目标检测模型用于识别所述丝锭的局部区域中是否存在缺陷，以得到第一检测结果；第一检测结果包括以下至少之一：缺陷数量、缺陷位置、缺陷类型；
基于所述N个图像中各图像对应的第一检测结果，得到所述丝锭的目标检测结果。
3.根据权利要求2所述的方法，其中，所述基于所述N个图像中各图像对应的第一检测结果，得到所述丝锭的目标检测结果，包括：
执行以下至少之一，以得到所述丝锭的缺陷相关信息，并基于所述丝锭的缺陷相关信息，确定表征所述丝锭的缺陷程度的目标检测结果：
统计所述N个第一检测结果中各第一检测结果所包含的缺陷数量，得到所述丝锭的总缺陷数量；
基于所述N个第一检测结果中各第一检测结果所包含的缺陷位置，得到所述丝锭中所有的缺陷位置；
基于所述N个第一检测结果中各第一检测结果所包含的缺陷类型，得到所述丝锭的目标缺陷类型。
4.根据权利要求3所述的方法，其中，所述确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别，包括：
确定满足以下至少之一的情况下，对所述丝锭的预设级别进行降级调整，以得到所检测的丝锭的目标级别：
所述目标检测结果中所述丝锭的总缺陷数量大于预设阈值；
所述目标检测结果中所述丝锭的所有缺陷位置中的缺陷位置位于预设缺陷位置范围内；
所述目标检测结果中所述丝锭的目标缺陷类型位于预设缺陷类型范围内。
5.根据权利要求2-4任一项所述的方法，其中，所述目标检测模型至少包括第一网络层、第二网络层以及第三网络层；
所述第一网络层用于对输入的图像进行特征处理，得到低层次特征图；所述低层次特征图用于表征滤除图像中的背景噪声后所提取得到的特征图；
所述第二网络层用于至少对低层次特征图中的关键特征信息进行特征增强处理，得到高层次特征图；
所述第三网络层用于基于高层次特征图进行缺陷识别，得到第一检测结果。
6.根据权利要求5所述的方法，其中，所述第一网络层至少包括第一子网络层、第二子网络层、第三子网络层以及第四子网络层；
其中，所述第一子网络层用于对输入的图像进行局部特征提取，得到低频特征图；所述第二子网络层用于得到所输入的图像的特征图的目标权重因子；所述第三子网络层用于对输入的图像进行全局特征提取，得到全局特征图；所述第四子网络层用于基于目标权重因子，将低频特征图和全局特征图进行融合处理，以进行噪声滤除，得到低层次特征图。
7.根据权利要求6所述的方法，其中，所述第二网络层至少包括第五子网络层、第六子网络层以及第七子网络层；
其中，所述第五子网络层用于对低层次特征图进行特征提取，并对所提取的多个特征图进行融合处理，得到M个初始融合特征图，所述M为大于等于2的整数；
所述第六子网络层用于对所述M个初始融合特征图中的各初始融合特征图进行关键特征提取，并对各初始融合特征图所提取到的关键特征信息进行特征增强处理，以得到M个目标增强特征图；
所述第七子网络层用于将得到的M个目标增强特征图进行融合处理，得到高层次特征图。
8.根据权利要求7所述的方法，其中，所述M个目标增强特征图中的第i目标增强特征图为基于以下方式所得：
对第i初始融合特征图进行卷积处理，以基于卷积处理结果得到第i权重因子；基于第i权重因子，将第i+1初始融合特征图与第i初始融合特征图进行融合处理，得到第i目标融合特征图；将所得到的第i目标融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行特征增强处理，得到多个第i初始增强特征图，并对多个第i初始增强特征图进行融合处理，得到第i目标增强特征图；其中，i为大于等于1小于等于M-1的整数；在i为M的情况下，将第M初始融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行增强处理，得到多个第M初始增强特征图，并对多个第M初始增强特征图进行融合处理，得到第M目标增强特征图。
9.一种丝锭数据的处理装置，包括：
缺陷检测单元，用于在确定所输送的丝锭进入检测区域的情况下，对位于所述检测区域内的丝锭进行缺陷检测，得到所述丝锭的目标检测结果；所述目标检测结果用于表征所述丝锭的缺陷程度；
级别确定单元，用于确定所述目标检测结果满足预设缺陷要求的情况下，基于所述丝锭的目标检测结果以及所述丝锭的预设级别，得到所述丝锭的目标级别。
10.根据权利要求9所述的装置，其中，所述缺陷检测单元，具体用于：
获取所述丝锭的N个图像；其中，所述N个图像中的图像包含所述丝锭的至少部分区域；所述N大于等于3；
将所述N个图像输入至目标检测模型，得到所述N个图像中各图像对应的第一检测结果；其中，所述目标检测模型用于识别所述丝锭的局部区域中是否存在缺陷，以得到第一检测结果；第一检测结果包括以下至少之一：缺陷数量、缺陷位置、缺陷类型；
基于所述N个图像中各图像对应的第一检测结果，得到所述丝锭的目标检测结果。
11.根据权利要求10所述的装置，其中，所述缺陷检测单元，具体用于：
执行以下至少之一，以得到所述丝锭的缺陷相关信息，并基于所述丝锭的缺陷相关信息，确定表征所述丝锭的缺陷程度的目标检测结果：
统计所述N个第一检测结果中各第一检测结果所包含的缺陷数量，得到所述丝锭的总缺陷数量；
基于所述N个第一检测结果中各第一检测结果所包含的缺陷位置，得到所述丝锭中所有的缺陷位置；
基于所述N个第一检测结果中各第一检测结果所包含的缺陷类型，得到所述丝锭的目标缺陷类型。
12.根据权利要求11所述的装置，其中，所述级别确定单元，具体用于：
确定满足以下至少之一的情况下，对所述丝锭的预设级别进行降级调整，以得到所检测的丝锭的目标级别：
所述目标检测结果中所述丝锭的总缺陷数量大于预设阈值；
所述目标检测结果中所述丝锭的所有缺陷位置中的缺陷位置位于预设缺陷位置范围内；
所述目标检测结果中所述丝锭的目标缺陷类型位于预设缺陷类型范围内。
13.根据权利要求10-12任一项所述的装置，其中，所述目标检测模型至少包括第一网络层、第二网络层以及第三网络层；
所述第一网络层用于对输入的图像进行特征处理，得到低层次特征图；所述低层次特征图用于表征滤除图像中的背景噪声后所提取得到的特征图；
所述第二网络层用于至少对低层次特征图中的关键特征信息进行特征增强处理，得到高层次特征图；
所述第三网络层用于基于高层次特征图进行缺陷识别，得到第一检测结果。
14.根据权利要求13所述的装置，其中，所述第一网络层至少包括第一子网络层、第二子网络层、第三子网络层以及第四子网络层；
其中，所述第一子网络层用于对输入的图像进行局部特征提取，得到低频特征图；所述第二子网络层用于得到所输入的图像的特征图的目标权重因子；所述第三子网络层用于对输入的图像进行全局特征提取，得到全局特征图；所述第四子网络层用于基于目标权重因子，将低频特征图和全局特征图进行融合处理，以进行噪声滤除，得到低层次特征图。
15.根据权利要求14所述的装置，其中，所述第二网络层至少包括第五子网络层、第六子网络层以及第七子网络层；
其中，所述第五子网络层用于对低层次特征图进行特征提取，并对所提取的多个特征图进行融合处理，得到M个初始融合特征图，所述M为大于等于2的整数；
所述第六子网络层用于对所述M个初始融合特征图中的各初始融合特征图进行关键特征提取，并对各初始融合特征图所提取到的关键特征信息进行特征增强处理，以得到M个目标增强特征图；
所述第七子网络层用于将得到的M个目标增强特征图进行融合处理，得到高层次特征图。
16.根据权利要求15所述的装置，其中，所述M个目标增强特征图中的第i目标增强特征图为基于以下方式所得：
对第i初始融合特征图进行卷积处理，以基于卷积处理结果得到第i权重因子；基于第i权重因子，将第i+1初始融合特征图与第i初始融合特征图进行融合处理，得到第i目标融合特征图；将所得到的第i目标融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行特征增强处理，得到多个第i初始增强特征图，并对多个第i初始增强特征图进行融合处理，得到第i目标增强特征图；其中，i为大于等于1小于等于M-1的整数；在i为M的情况下，将第M初始融合特征图进行关键特征提取，并对所提取到的多个特征图分别进行增强处理，得到多个第M初始增强特征图，并对多个第M初始增强特征图进行融合处理，得到第M目标增强特征图。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161074.7A CN117706058B (zh) | 2024-02-04 | 2024-02-04 | 丝锭数据的处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161074.7A CN117706058B (zh) | 2024-02-04 | 2024-02-04 | 丝锭数据的处理方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117706058A true CN117706058A (zh) | 2024-03-15 |
| CN117706058B CN117706058B (zh) | 2024-05-10 |
Family
ID=90161072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410161074.7A Active CN117706058B (zh) | 2024-02-04 | 2024-02-04 | 丝锭数据的处理方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706058B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292305A (zh) * | 2020-01-22 | 2020-06-16 | 重庆大学 | 一种改进型yolo-v3的金属加工表面缺陷检测方法 |
| CN111353442A (zh) * | 2020-03-03 | 2020-06-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
| US20200285911A1 (en) * | 2019-03-06 | 2020-09-10 | Beijing Horizon Robotics Technology Research And Development Co., Ltd. | Image Recognition Method, Electronic Apparatus and Readable Storage Medium |
| CN112241646A (zh) * | 2019-07-16 | 2021-01-19 | 长沙智能驾驶研究院有限公司 | 车道线识别方法、装置、计算机设备和存储介质 |
| CN112819780A (zh) * | 2021-01-29 | 2021-05-18 | 菲特（天津）检测技术有限公司 | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 |
| CN113869325A (zh) * | 2021-08-27 | 2021-12-31 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及介质 |
| CN114092820A (zh) * | 2022-01-20 | 2022-02-25 | 城云科技（中国）有限公司 | 目标检测方法及应用其的移动目标跟踪方法 |
| CN114299065A (zh) * | 2022-03-03 | 2022-04-08 | 科大智能物联技术股份有限公司 | 丝锭外观成型不良缺陷检测与分级方法、存储介质及设备 |
| CN114399440A (zh) * | 2022-01-13 | 2022-04-26 | 马上消费金融股份有限公司 | 图像处理方法、图像处理网络训练方法、装置及电子设备 |
| CN114511576A (zh) * | 2022-04-19 | 2022-05-17 | 山东建筑大学 | 尺度自适应特征增强深度神经网络的图像分割方法与系统 |
| CN115205224A (zh) * | 2022-06-22 | 2022-10-18 | 锋睿领创(珠海)科技有限公司 | 自适应特征增强的多源融合视觉检测方法、装置及介质 |
| CN116091942A (zh) * | 2023-02-16 | 2023-05-09 | 中国科学院半导体研究所 | 特征增强与融合的小目标检测方法、装置及设备 |
| CN116152622A (zh) * | 2023-03-07 | 2023-05-23 | 中国人民解放军国防科技大学 | 基于多尺度特征融合的点云目标检测方法、装置和设备 |
| CN116167992A (zh) * | 2023-02-02 | 2023-05-26 | 北京百度网讯科技有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
| CN116258906A (zh) * | 2023-03-14 | 2023-06-13 | 北京奇艺世纪科技有限公司 | 一种对象识别方法、特征提取模型的训练方法及装置 |
| CN116580393A (zh) * | 2023-05-16 | 2023-08-11 | 西安石油大学 | 基于改进YOLOv5的钢中非金属夹杂物识别方法及装置 |
| WO2023169582A1 (zh) * | 2022-03-11 | 2023-09-14 | 北京字跳网络技术有限公司 | 图像增强方法、装置、设备及介质 |
-
2024
- 2024-02-04 CN CN202410161074.7A patent/CN117706058B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200285911A1 (en) * | 2019-03-06 | 2020-09-10 | Beijing Horizon Robotics Technology Research And Development Co., Ltd. | Image Recognition Method, Electronic Apparatus and Readable Storage Medium |
| CN112241646A (zh) * | 2019-07-16 | 2021-01-19 | 长沙智能驾驶研究院有限公司 | 车道线识别方法、装置、计算机设备和存储介质 |
| CN111292305A (zh) * | 2020-01-22 | 2020-06-16 | 重庆大学 | 一种改进型yolo-v3的金属加工表面缺陷检测方法 |
| CN111353442A (zh) * | 2020-03-03 | 2020-06-30 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112819780A (zh) * | 2021-01-29 | 2021-05-18 | 菲特（天津）检测技术有限公司 | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 |
| CN113869325A (zh) * | 2021-08-27 | 2021-12-31 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及介质 |
| CN114399440A (zh) * | 2022-01-13 | 2022-04-26 | 马上消费金融股份有限公司 | 图像处理方法、图像处理网络训练方法、装置及电子设备 |
| CN114092820A (zh) * | 2022-01-20 | 2022-02-25 | 城云科技（中国）有限公司 | 目标检测方法及应用其的移动目标跟踪方法 |
| CN114299065A (zh) * | 2022-03-03 | 2022-04-08 | 科大智能物联技术股份有限公司 | 丝锭外观成型不良缺陷检测与分级方法、存储介质及设备 |
| WO2023169582A1 (zh) * | 2022-03-11 | 2023-09-14 | 北京字跳网络技术有限公司 | 图像增强方法、装置、设备及介质 |
| CN114511576A (zh) * | 2022-04-19 | 2022-05-17 | 山东建筑大学 | 尺度自适应特征增强深度神经网络的图像分割方法与系统 |
| CN115205224A (zh) * | 2022-06-22 | 2022-10-18 | 锋睿领创(珠海)科技有限公司 | 自适应特征增强的多源融合视觉检测方法、装置及介质 |
| CN116167992A (zh) * | 2023-02-02 | 2023-05-26 | 北京百度网讯科技有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
| CN116091942A (zh) * | 2023-02-16 | 2023-05-09 | 中国科学院半导体研究所 | 特征增强与融合的小目标检测方法、装置及设备 |
| CN116152622A (zh) * | 2023-03-07 | 2023-05-23 | 中国人民解放军国防科技大学 | 基于多尺度特征融合的点云目标检测方法、装置和设备 |
| CN116258906A (zh) * | 2023-03-14 | 2023-06-13 | 北京奇艺世纪科技有限公司 | 一种对象识别方法、特征提取模型的训练方法及装置 |
| CN116580393A (zh) * | 2023-05-16 | 2023-08-11 | 西安石油大学 | 基于改进YOLOv5的钢中非金属夹杂物识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| RUNXI WEI ET AL.,: "O p t i c a l R e m o t e S e n s i n g I m a g e Ta rge t D e t e c t i o n B a s e d on I m p r ove d Fe a t u r e P y r a m i d", JOURNAL OF S ELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, 31 December 2023 (2023-12-31) * |
| 景国秀;: "浅谈卷积神经网络", 黑龙江科技信息, no. 11, 15 April 2017 (2017-04-15) * |
| 杨爱萍;鲁立宇;冀中;: "多层特征图堆叠网络及其目标检测方法", 天津大学学报(自然科学与工程技术版), no. 06, 27 April 2020 (2020-04-27) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117706058B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8811750B2 (en) | Apparatus and method for extracting edge in image | |
| CN114299065B (zh) | 丝锭外观成型不良缺陷检测与分级方法、存储介质及设备 | |
| CN110599484A (zh) | 缺陷检测方法、装置及存储介质 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN112487848A (zh) | 文字识别方法和终端设备 | |
| CN116519707A (zh) | 基于机器视觉的锂电池缺陷检测方法、装置及电子设备 | |
| CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及系统 | |
| CN110008949B (zh) | 一种图像目标检测方法、系统、装置和存储介质 | |
| CN111369492B (zh) | 一种显示屏的检测方法及检测装置、检测系统 | |
| CN117706058B (zh) | 丝锭数据的处理方法、装置、设备以及存储介质 | |
| CN113902697A (zh) | 缺陷检测方法及相关装置 | |
| CN116503382B (zh) | 一种显示屏划痕缺陷检测的方法和系统 | |
| CN116993710A (zh) | 纺丝工艺的检测方法、装置、电子设备及存储介质 | |
| CN116777894A (zh) | 芯片的表面缺陷检测方法和装置 | |
| CN113870754B (zh) | 一种面板检测电子信号缺陷判定的方法和系统 | |
| CN113935966B (zh) | 金属物料的渣点检测方法、装置、设备和存储介质 | |
| CN110634124A (zh) | 一种区域检测的方法及设备 | |
| CN114708214A (zh) | 一种烟盒缺陷检测方法、装置、设备及介质 | |
| CN116091389A (zh) | 基于分类模型的图像检测方法、电子设备及介质 | |
| CN112967223A (zh) | 一种基于人工智能的纺织品检测系统、方法及介质 | |
| CN114463345A (zh) | 基于动态自适应网络的多参数乳腺磁共振图像分割方法 | |
| WO2021189460A1 (zh) | 图像处理方法、装置及可移动平台 | |
| CN110991331A (zh) | 施工现场的检测方法、装置、计算机设备和存储介质 | |
| CN112102302A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN117974609A (zh) | 纺丝箱体的检测方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |