CN116188847A - 军事玩具模型的智能化加工方法及其*** - Google Patents

军事玩具模型的智能化加工方法及其*** Download PDF

Info

Publication number
CN116188847A
CN116188847A CN202310035339.4A CN202310035339A CN116188847A CN 116188847 A CN116188847 A CN 116188847A CN 202310035339 A CN202310035339 A CN 202310035339A CN 116188847 A CN116188847 A CN 116188847A
Authority
CN
China
Prior art keywords
image
detection
feature
feature map
detected
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.)
Withdrawn
Application number
CN202310035339.4A
Other languages
English (en)
Inventor
黄健
刘兆燕
谢寒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ji'an One Model Agel Ecommerce Ltd
Original Assignee
Ji'an One Model Agel Ecommerce Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ji'an One Model Agel Ecommerce Ltd filed Critical Ji'an One Model Agel Ecommerce Ltd
Priority to CN202310035339.4A priority Critical patent/CN116188847A/zh
Publication of CN116188847A publication Critical patent/CN116188847A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能加工技术领域，其具体地公开了一种军事玩具模型的智能化加工方法及其***，其首先获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像；然后，将所述检测图像和所述参考图像映射到高维空间以得到所述检测特征图和所述参考特征图；接着，计算在高维空间中关于所述待检测军事玩具模型和所述真实军工设备的伪装性特征的差异性关联特征分布信息，并以此进行分类以得到用于表示待检测军事玩具模型的伪装效果是否满足预定要求的分类结果；通过这样的方式，能够对于军事玩具模型的伪装效果进行精准检测，以确保其能满足应用要求。

Description

军事玩具模型的智能化加工方法及其***
技术领域
本申请涉及智能加工技术领域，且更为具体地，涉及一种军事玩具模型的智能化加工方法及其***。
背景技术
在现代军事领域不论是小型野战、突击战、奇袭战各个指挥中心伪装技术位于首位。对于伪装策略的使用可谓是信手拈来，侦察与监视技术的进步大大促进了与之相对的伪装技术的进步。
所谓伪装，就是利用许多东西对自己进行伪装，比如说电磁学、光学、热学、声学等技术手段，改变目标原有的特征信息，隐真示假，降低敌人的侦察效果，使敌方对己方军队的配置、企图、行动等产生错觉，造成其指挥失误，以保存自己，大限度地打击敌人。按运用范围，可分为战略伪装、战役伪装和战术伪装；根据所对付的侦察器材的不同，又可分为雷达波伪装、可见光及红外波伪装、防声测伪装等。
在进行伪装战略的部署过程中，需要准确地对于战场情况进行分析，这就需要实时准确地模拟战场战况。因此，军事玩具模型在国内军事伪装领域得到应用。在应用时，需要对军事玩具模型的伪装性进行测试，以确保其能满足应用要求。但是，现有的军事伪装领域也只是将真实装备进行遮盖隐形来进行伪装模拟，大大降低了对于战场战况的模拟精度，同时也降低了对于战况分析的准确性。
因此，期望一种优化的军事玩具模型的智能化加工方案。
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军事玩具模型的智能化加工方法及其***，其首先获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像，然后对所述检测图像和所述参考图像进行特征提取以得到所述检测特征图和所述参考特征图；接着，计算出两者在高维空间中关于所述待检测军事玩具模型和所述真实军工设备的伪装性特征的差异性关联特征分布信息，并以此进行分类以得到用于表示待检测军事玩具模型的伪装效果是否满足预定要求的分类结果；通过这样的方式，能够对于军事玩具模型的伪装效果进行精准检测，以确保其能满足应用要求。
根据本申请的一个方面，提供了一种军事玩具模型的智能化加工方法，其包括：获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像；将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；将所述校正后检测图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图，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；计算所述检测特征图和所述参考特征图之间的差分特征图；以及，将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。
在上述军事玩具模型的智能化加工方法中，所述将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像，包括：将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到检测特征图；以及，将所述检测特征图输入所述信号图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述检测特征图进行反卷积处理以得到所述校正后检测图像。
在上述军事玩具模型的智能化加工方法中，所述第一图像编码器和所述第二图像编码器为金字塔网络模型。
在上述军事玩具模型的智能化加工方法中，所述计算所述检测特征图和所述参考特征图之间的差分特征图，包括：计算所述检测特征图和所述参考特征图之间的按位置差分以得到初始差分特征图；以及，对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图。
在上述军事玩具模型的智能化加工方法中，所述对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图，包括：将所述检测特征图和所述参考特征图进行特征图展开以得到检测特征向量和参考特征向量；计算所述检测特征向量和所述参考特征向量之间的差分特征向量；计算所述检测特征向量和所述参考特征向量之间的图核游走节点分布融合特征矩阵；将所述差分特征向量与所述图核游走节点分布融合特征矩阵进行矩阵相乘以得到权重特征向量；将所述权重特征向量重构为权重特征图；以及，计算所述权重特征图与所述初始差分特征图之间的按位置点乘以得到所述差分特征图。
在上述军事玩具模型的智能化加工方法中，所述将所述检测特征图和所述参考特征图进行特征图展开以得到检测特征向量和参考特征向量，包括：将所述检测特征图和所述参考特征图沿着列向量进行展开以得到所述检测特征向量和所述参考特征向量。
在上述军事玩具模型的智能化加工方法中，所述计算所述检测特征向量和所述参考特征向量之间的差分特征向量，包括：以如下公式计算所述检测特征向量和所述参考特征向量之间的差分特征向量；
其中，所述公式为：
Figure BDA0004048476270000031
其中，V1表示所述检测特征向量，
Figure BDA0004048476270000032
表示按位置作差，V2表示所述参考特征向量，且V表示所述差分特征向量。
在上述军事玩具模型的智能化加工方法中，所述计算所述检测特征向量和所述参考特征向量之间的图核游走节点分布融合特征矩阵，包括：
以如下公式计算所述检测特征向量和所述参考特征向量之间的所述图核游走节点分布融合特征矩阵；
其中，所述公式为：
Figure BDA0004048476270000033
其中V1表示所述检测特征向量，V2表示所述参考特征向量，D(V1，V2)为所述检测特征向量和所述参考特征向量之间的距离矩阵，且V1和V2均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004048476270000034
表示向量乘法，Mc表示所述图核游走节点分布融合特征矩阵。/>
在上述军事玩具模型的智能化加工方法中，所述将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求，包括：将所述差分特征图按行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全连接编码特征向量；将所述全连接编码特征向量通过所述分类器的Softmax分类函数以得到归属于待检测军事玩具模型的伪装效果满足预定要求的第一概率以及归属于待检测军事玩具模型的伪装效果不满足预定要求的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
根据本申请的另一方面，提供了一种军事玩具模型的智能化加工***，其包括：图像获取模块，用于获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像；自动解编码模块，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；孪生检测模块，用于将所述校正后检测图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图，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；差分模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；以及，分类模块，用于将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。
与现有技术相比，本申请提供的一种军事玩具模型的智能化加工方法及其***，其首先获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像，然后对所述检测图像和所述参考图像进行特征提取以得到所述检测特征图和所述参考特征图；接着，计算出两者在高维空间中关于所述待检测军事玩具模型和所述真实军工设备的伪装性特征的差异性关联特征分布信息，并以此进行分类以得到用于表示待检测军事玩具模型的伪装效果是否满足预定要求的分类结果；通过这样的方式，能够对于军事玩具模型的伪装效果进行精准检测，以确保其能满足应用要求。
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军事玩具模型的智能化加工方法及其***的应用场景图。
图2为根据本申请实施例的军事玩具模型的智能化加工方法的流程图。
图3为根据本申请实施例的军事玩具模型的智能化加工方法的模型架构的示意图。
图4为根据本申请实施例的军事玩具模型的智能化加工方法中，计算所述检测特征图和所述参考特征图之间的差分特征图的流程图。
图5为根据本申请实施例的军事玩具模型的智能化加工方法中，对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图的流程图。
图6为根据本申请实施例的军事玩具模型的智能化加工***的框图示意图。
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。
场景概述
如上所述，由于目前军事玩具模型在国内军事伪装领域得到应用。在应用时，需要对军事玩具模型的伪装性进行测试，以确保其能满足应用要求。但是，现有的军事伪装领域也只是将真实装备进行遮盖隐形来进行伪装模拟，大大降低了对于战场战况的模拟精度，同时也降低了对于战况分析的准确性。因此，期望一种优化的军事玩具模型的智能化加工方案。
相应地，在本申请的技术方案中，考虑到在实际对于军事玩具模型的伪装性进行检测可以通过对于军事玩具模型的检测图像和真实军工设备的参考图像进行差异性分析来实现。但是，考虑到由于图像中存在的信息量较大，难以对于有用的伪装效果信息进行捕捉，同时也会受到其他无用的信息干扰，造成对于军事玩具模型的伪装效果检测精准度较低。并且，在所述检测图像的采集过程中，还可能会发生图像畸变，造成图像中关于军事玩具模型的伪装效果特征变得模糊，难以进行有效地特征挖掘。
基于此，在本申请的技术方案中，将对于所述军事玩具模型的检测图像进行畸变矫正后，在高维空间中对于所述检测图像和所述参考图像进行差异性特征对比来实现对于军事玩具模型的伪装效果检测。在此过程中，难点在于如何挖掘所述检测图像和所述参考图像中的差异性关联特征，以此提高对于军事玩具模型的伪装效果检测的精准度，进而确保其能满足应用要求。
近年来，深度学***。
深度学习以及神经网络的发展为挖掘所述检测图像和所述参考图像中的差异性关联特征提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟挖掘事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述检测图像和所述参考图像中的差异性关联特征。
具体地，在本申请的技术方案中，首先，通过摄像头采集待检测军事玩具模型的检测图像和真实军工设备的参考图像。接着，考虑到在所述待检测军事玩具模型的检测图像中，可能会在图像采集时产生图像畸变，这会对于图像中关于军事玩具模型的伪装性特征捕捉造成影响，使得所述军事玩具模型的伪装性特征在图像中变得模糊，降低其伪装性的检测精准度。因此，在本申请的技术方案中，在特征提取前先进行所述检测图像的畸变矫正。具体地，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。特别地，这里，所述基于自动编解码器的图像畸变矫正器包括编码器和解码器，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
然后，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分别进行所述校正后检测图像和所述参考图像的特征挖掘，特别地，考虑到在进行军事玩具模型的伪装效果检测时，不仅需要关注于所述检测图像的深层隐藏特征，更需要聚焦于其表面的浅层纹理等特征信息。而金字塔网络主要是解决目标检测中的多尺度问题，其可以同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到很好的效果。
基于此，在本申请的技术方案中，将所述校正后检测图像和所述参考图像分别通过包含包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图。也就是，通过所述具有第一图像编码器和第二图像编码器的孪生检测模型使用金字塔网络作为图像编码器来分别对于所述校正后检测图像和所述参考图像进行编码处理，以在分别提取出所述校正后检测图像和所述参考图像的深层隐含特征的同时，保留作为浅层特征的纹理特征信息，进而在后续分类时提高对于军事玩具模型的伪装效果检测的精准度。
特别地，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，且所述第一图像编码器和所述第二图像编码器都为金字塔网络模型。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孪生检测模型来分别进行所述校正后检测图像和所述参考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，以此来进行所述待检测军事玩具模型的伪装效果检测，以提高检测的准确性。并且，所述金字塔网络模型主要是解决目标检测中的多尺度问题，通过简单的改变网络连接，在基本不增加原有模型计算量的情况下，可以在不同的特征层上独立进行检测，大幅提升了小目标检测的性能。这样，也就能够对于图像中的军事玩具模型和真实军工设备的伪装性隐藏特征进行多尺度的深层挖掘以及对于浅层的军事玩具模型和真实军工设备的纹理等特征进行保留，以在后续对于所述待检测军事玩具模型进行伪装效果检测时提供更高的精准度。
然后，计算所述检测特征图和所述参考特征图之间的差分特征图，以此来得到在高维空间中关于所述待检测军事玩具模型和所述真实军工设备的伪装性特征的差异性关联特征分布信息，从而得到差分特征图。相应地，在本申请的技术方案中，计算所述检测特征图和所述参考特征图之间的按位置差分以得到差分特征图。
进一步地，以所述差分特征图作为分类特征图通过分类器中进行分类处理，以得到用于表示待检测军事玩具模型的伪装效果是否满足预定要求的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括所述待检测军事玩具模型的伪装效果满足预定要求，以及，所述待检测军事玩具模型的伪装效果不满足预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。进而，在检测出所述待检测军事玩具模型的伪装效果不满足预定要求时发出不满足的预警信号来提示工作人员，避免造成大批量的残次品出现。这样，能够对于军事玩具模型的伪装效果进行精准检测，以确保其能满足应用要求。
特别地，在本申请的技术方案中，当计算所述检测特征图和所述参考特征图之间的所述差分特征图时，是计算所述检测特征图和所述参考特征图之间的逐位置差分，以得到特征值粒度的差分特征，因此，如果所述差分特征图能够表达所述检测特征图和所述参考特征图的特征图粒度的差分特征，则显然能够提高所述差分特征图的表达效果。
因此，首先计算所述检测特征图展开后得到的检测特征向量，例如记为V1和所述参考特征图展开后得到的参考特征向量，例如记为V2之间的图核游走节点分布融合特征矩阵，表示为：
Figure BDA0004048476270000081
D(V1，V2)为所述检测特征向量V1和所述参考特征向量V2之间的距离矩阵，即di，j＝d(v1i，v2j)，且V1和V2均为列向量。
所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述检测特征向量V1和所述参考特征向量V2分别视为图中的节点，基于所述检测特征向量V1和所述参考特征向量V2的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述检测特征向量V1和所述参考特征向量V2的分类回归特征分布具有连续高维回归空间属性的场景下，从而表示作为拓扑节点的所述检测特征向量V1和所述参考特征向量V2在融合特征的高维特征空间内的局部分布信息，以表达所述检测特征向量V1和所述参考特征向量V2之间的向量粒度的融合特征。
进一步地，将所述图核游走节点分布融合特征矩阵与所述检测特征向量V1和所述参考特征向量V2之间的差分特征向量进行矩阵相乘，以将所述差分特征向量映射到向量级融合特征空间内，再将融合后得到的权重特征向量重新排列为权重特征图，并与所述差分特征图进行点乘，就使得所述差分特征图能够表达所述检测特征图和所述参考特征图的特征图粒度的差分特征，从而提高了所述差分特征图的表达效果，以得到优化后差分特征图。然后，将所述优化后差分特征图作为分类特征图通过分类器中进行军事玩具模型的伪装效果分类检测。这样，能够精准地对于军事玩具模型的伪装效果进行检测，以确保生产出的军事玩具模型的伪装效果能满足应用要求。
图1为根据本申请实施例的军事玩具模型的智能化加工方法及其***的应用场景图。如图1所示，在该应用场景中，通过摄像头(例如，图1中所示意的C)采集的待检测军事玩具模型(例如，图1中所示意的T1)的检测图像，同时从数据库(例如，图1中所示意的B)中提取真实军工设备(例如，图1中所示意的T2)的参考图像。然后，将采集的所述待检测军事玩具模型的检测图像和所述真实军工设备的参考图像输入至部署有军事玩具模型的智能化加工算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述军事玩具模型的智能化加工算法对所述待检测军事玩具模型的检测图像和所述真实军工设备的参考图像进行处理以生成用于表示待检测军事玩具模型的伪装效果是否满足预定要求的分类结果。
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2为根据本申请实施例的军事玩具模型的智能化加工方法的流程图。如图2所示，根据本申请实施例的所述军事玩具模型的智能化加工方法，包括：S110，获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像；S120，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；S130，将所述校正后检测图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图，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；S140，计算所述检测特征图和所述参考特征图之间的差分特征图；以及，S150，将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。
图3为根据本申请实施例的军事玩具模型的智能化加工方法的模型架构的示意图。如图3所示，在本申请实施例的所述军事玩具模型的智能化加工方法的模型架构中，首先，获取由摄像头采集的待检测军事玩具模型的检测图像，并将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。然后，将所述校正后检测图像通过包含孪生检测模型的第一图像编码器以得到检测特征图。同时，获取从数据库中提取的真实军工设备的参考图像，并将所述参考图像通过包含孪生检测模型的第一图像编码器以得到参考特征图。接着，计算所述检测特征图和所述参考特征图之间的差分特征图。最后，将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。
在本申请实施例的步骤S110中，获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像。应可以理解，考虑到在实际对于军事玩具模型的伪装性进行检测可以通过对于军事玩具模型的检测图像和真实军工设备的参考图像进行差异性分析来实现。但是，考虑到由于图像中存在的信息量较大，难以对于有用的伪装效果信息进行捕捉，同时也会受到其他无用的信息干扰，造成对于军事玩具模型的伪装效果检测精准度较低。并且，在所述检测图像的采集过程中，还可能会发生图像畸变，造成图像中关于军事玩具模型的伪装效果特征变得模糊，难以进行有效地特征挖掘。基于此，在本申请的技术方案中，将对于所述军事玩具模型的检测图像进行畸变矫正后，在高维空间中对于所述检测图像和所述参考图像进行差异性特征对比来实现对于军事玩具模型的伪装效果检测。在此过程中，难点在于如何挖掘所述检测图像和所述参考图像中的差异性关联特征，以此提高对于军事玩具模型的伪装效果检测的精准度，进而确保其能满足应用要求。
深度学习以及神经网络的发展为解决上述难点提供了新的解决思路和方案。基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟挖掘事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述检测图像和所述参考图像中的差异性关联特征。
具体的，在本申请的一个实施例中，通过摄像头采集的待检测军事玩具模型的检测图像，同时从数据库中提取真实军工设备的参考图像。
在本申请实施例的步骤S120中，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。应可以理解，考虑到在所述待检测军事玩具模型的检测图像中，可能会在图像采集时产生图像畸变，这会对于图像中关于军事玩具模型的伪装性特征捕捉造成影响，使得所述军事玩具模型的伪装性特征在图像中变得模糊，降低其伪装性的检测精准度。因此，在本申请的技术方案中，在特征提取前先进行所述检测图像的畸变矫正。具体地，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。特别地，这里，所述基于自动编解码器的图像畸变矫正器包括编码器和解码器，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
具体的，在本申请的一个实施例中，所述将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像，包括：将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到检测特征图；以及，将所述检测特征图输入所述信号图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述检测特征图进行反卷积处理以得到所述校正后检测图像。
更为具体的，在本申请的一个实施例中，所述解码器使用反卷积层对所述检测特征图进行反卷积处理以得到所述校正后检测图像，包括：根据所述编码器的卷积核的步长对所述检测特征图进行补零以得到补零特征图；以及，使用与所述编码器的卷积核互为转置的转置卷积核对所述补零特征图进行卷积处理以生成所述校正后检测图像，其中，所述校正后检测图像与所述检测图像尺寸相同。应可以理解，考虑到根据卷积编码的特征，经过显式空间编码后得到的检测特征图要远小于原图像，因此需要对检测特征图进行补零后再进行反卷积编码，并且，应当注意的是，经过卷积编码提取的特征图会过滤出检测图像的无用的信息干扰。再经过反卷积编码重新还原成图像，以此，经过反卷积编码的图像虽然和原图像大小一样，但并非是还原成原图像。
在本申请实施例的步骤S130中，将所述校正后检测图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图，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分别进行所述校正后检测图像和所述参考图像的特征挖掘，特别地，考虑到在进行军事玩具模型的伪装效果检测时，不仅需要关注于所述检测图像的深层隐藏特征，更需要聚焦于其表面的浅层纹理等特征信息。而金字塔网络主要是解决目标检测中的多尺度问题，其可以同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到很好的效果。
基于此，在本申请的技术方案中，将所述校正后检测图像和所述参考图像分别通过包含包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图。也就是，通过所述具有第一图像编码器和第二图像编码器的孪生检测模型使用金字塔网络作为图像编码器来分别对于所述校正后检测图像和所述参考图像进行编码处理，以在分别提取出所述校正后检测图像和所述参考图像的深层隐含特征的同时，保留作为浅层特征的纹理特征信息，进而在后续分类时提高对于军事玩具模型的伪装效果检测的精准度。
特别地，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，且所述第一图像编码器和所述第二图像编码器都为金字塔网络模型。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孪生检测模型来分别进行所述校正后检测图像和所述参考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，以此来进行所述待检测军事玩具模型的伪装效果检测，以提高检测的准确性。并且，所述金字塔网络模型主要是解决目标检测中的多尺度问题，通过简单的改变网络连接，在基本不增加原有模型计算量的情况下，可以在不同的特征层上独立进行检测，大幅提升了小目标检测的性能。这样，也就能够对于图像中的军事玩具模型和真实军工设备的伪装性隐藏特征进行多尺度的深层挖掘以及对于浅层的军事玩具模型和真实军工设备的纹理等特征进行保留，以在后续对于所述待检测军事玩具模型进行伪装效果检测时提供更高的精准度。
具体的，在本申请的一个实施例中，将所述校正后检测图像通过使用金字塔网络模型的第一图像编码器以得到检测特征图，包括：将所述校正后检测图像输入第一卷积神经模型；从所述第一卷积神经网络模型的第i层提取浅层特征图，所述第i层为所述第一卷积神经网络模型的第一层至第六层；从所述第一卷积神经网络模型的第j层提取深层特征图，所述第j层与所述第i层之间的比值大于等于5；对所述深层特征图进行1x1的卷积调整所述深层特征图的大小以得到放大后深层特征图，其中，所述放大后深层特征图的尺寸与所述浅层特征图相同；对所述放大后深层特征图和所述浅层特征图进行按位置加权以得到所述检测特征图。
在本申请实施例的步骤S140中，计算所述检测特征图和所述参考特征图之间的差分特征图。应可以理解，计算所述检测特征图和所述参考特征图之间的差分特征图，以此来得到在高维空间中关于所述待检测军事玩具模型和所述真实军工设备的伪装性特征的差异性关联特征分布信息，从而得到差分特征图。特别地，在本申请的技术方案中，当计算所述检测特征图和所述参考特征图之间的所述差分特征图时，是计算所述检测特征图和所述参考特征图之间的逐位置差分，以得到特征值粒度的差分特征，因此，如果所述差分特征图能够表达所述检测特征图和所述参考特征图的特征图粒度的差分特征，则显然能够提高所述差分特征图的表达效果。
图4为根据本申请实施例的军事玩具模型的智能化加工方法中，计算所述检测特征图和所述参考特征图之间的差分特征图的流程图。如图4所示，具体的，在本申请的一个实施例中，所述计算所述检测特征图和所述参考特征图之间的差分特征图，包括：S210，计算所述检测特征图和所述参考特征图之间的按位置差分以得到初始差分特征图；以及，S220，对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图。
因此，首先计算所述检测特征图展开后得到的检测特征向量，例如记为V1和所述参考特征图展开后得到的参考特征向量，例如记为V2之间的图核游走节点分布融合特征矩阵。
图5为根据本申请实施例的军事玩具模型的智能化加工方法中，对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图的流程图。如图5所示，具体的，在本申请的一个实施例中，所述对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图，包括：S310，将所述检测特征图和所述参考特征图进行特征图展开以得到检测特征向量和参考特征向量；S320，计算所述检测特征向量和所述参考特征向量之间的差分特征向量；S330，计算所述检测特征向量和所述参考特征向量之间的图核游走节点分布融合特征矩阵；S340，将所述差分特征向量与所述图核游走节点分布融合特征矩阵进行矩阵相乘以得到权重特征向量；S350，将所述权重特征向量重构为权重特征图；以及，S360，计算所述权重特征图与所述初始差分特征图之间的按位置点乘以得到所述差分特征图。
具体的，在本申请的一个实施例中，所述将所述检测特征图和所述参考特征图进行特征图展开以得到检测特征向量和参考特征向量，包括：将所述检测特征图和所述参考特征图沿着列向量进行展开以得到所述检测特征向量和所述参考特征向量。
具体的，在本申请的一个实施例中，所述计算所述检测特征向量和所述参考特征向量之间的差分特征向量，包括：以如下公式计算所述检测特征向量和所述参考特征向量之间的差分特征向量；
其中，所述公式为：
Figure BDA0004048476270000141
其中，V1表示所述检测特征向量，
Figure BDA0004048476270000142
表示按位置作差，V2表示所述参考特征向量，且V表示所述差分特征向量。
具体的，在本申请的一个实施例中，所述计算所述检测特征向量和所述参考特征向量之间的图核游走节点分布融合特征矩阵，包括：以如下公式计算所述检测特征向量和所述参考特征向量之间的所述图核游走节点分布融合特征矩阵；
其中，所述公式为：
Figure BDA0004048476270000143
其中V1表示所述检测特征向量，V2表示所述参考特征向量，D(V1，V2)为所述检测特征向量和所述参考特征向量之间的距离矩阵，且V1和V2均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004048476270000144
表示向量乘法，Mc表示所述图核游走节点分布融合特征矩阵。
所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述检测特征向量V1和所述参考特征向量V2分别视为图中的节点，基于所述检测特征向量V1和所述参考特征向量V2的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述检测特征向量V1和所述参考特征向量V2的分类回归特征分布具有连续高维回归空间属性的场景下，从而表示作为拓扑节点的所述检测特征向量V1和所述参考特征向量V2在融合特征的高维特征空间内的局部分布信息，以表达所述检测特征向量V1和所述参考特征向量V2之间的向量粒度的融合特征。
进一步地，将所述图核游走节点分布融合特征矩阵与所述检测特征向量V1和所述参考特征向量V2之间的差分特征向量进行矩阵相乘，以将所述差分特征向量映射到向量级融合特征空间内，再将融合后得到的权重特征向量重新排列为权重特征图，这里可以将权重特征向量拆分为多个列向量，列向量的长度和所述差分特征图中的列向量的长度一致，再进行三维排列以获得所述权重特征图，再与所述差分特征图进行点乘，就使得所述差分特征图能够表达所述检测特征图和所述参考特征图的特征图粒度的差分特征，从而提高了所述差分特征图的表达效果，以得到优化后差分特征图。然后，将所述优化后差分特征图作为分类特征图通过分类器中进行军事玩具模型的伪装效
果分类检测。这样，能够精准地对于军事玩具模型的伪装效果进行检测，以确保生产出的军事玩具模型的伪装效果能满足应用要求。
在本申请实施例的步骤S150中，将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。也就是，以所述差分特征图作为分类特征图通过分类器中进行分类处理，以得到用于表示待检测军事玩具模型的伪装效果是否满足预定要求的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括所述待检测军事玩具模型的伪装效果满足预定要求，以及，所述待检测军事玩具模型的伪装效果不满足预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。进而，在检测出所述待检测军事玩具模型的伪装效果不满足预定要求时发出不满足的预警信号来提示工作人员，避免造成大批量的残次品出现。这样，能够对于军事玩具模型的伪装效果进行精准检测，以确保其能满足应用要求。
具体的，在本申请的一个实施例中，所述将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求，包括：将所述差分特征图按行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全连接编码特征向量；将所述全连接编码特征向量通过所述分类器的Softmax分类函数以得到归属于待检测军事玩具模型的伪装效果满足预定要求的第一概率以及归属于待检测军事玩具模型的伪装效果不满足预定要求的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
综上，本申请实施例的军事玩具模型的智能化加工方法已被阐明，其首先获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像，然后对所述检测图像和所述参考图像进行特征提取以得到所述检测特征图和所述参考特征图；接着，计算出两者在高维空间中关于所述待检测军事玩具模型和所述真实军工设备的伪装性特征的差异性关联特征分布信息，并以此进行分类以得到用于表示待检测军事玩具模型的伪装效果是否满足预定要求的分类结果；通过这样的方式，能够对于军事玩具模型的伪装效果进行精准检测，以确保其能满足应用要求。
示例性***
图6为根据本申请实施例的军事玩具模型的智能化加工***的框图示意图。如图6所示，根据本申请实施例的所述军事玩具模型的智能化加工***100，包括：图像获取模块110，用于获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像；自动解编码模块120，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；孪生检测模块130，用于将所述校正后检测图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图，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；差分模块140，用于计算所述检测特征图和所述参考特征图之间的差分特征图；以及，分类模块150，用于将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。
具体的，在本申请的一个实施例中，所述自动解编码模块，包括：图像编码单元，用于将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到检测特征图；以及，图像解码单元，用于将所述检测特征图输入所述信号图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述检测特征图进行反卷积处理以得到所述校正后检测图像。
具体的，在本申请的一个实施例中，所述差分模块，包括：初始差分单元，用于计算所述检测特征图和所述参考特征图之间的按位置差分以得到初始差分特征图；以及，差分优化单元，用于对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图。
具体的，在本申请的一个实施例中，所述差分优化单元，包括：特征图展开子单元，用于将所述检测特征图和所述参考特征图进行特征图展开以得到检测特征向量和参考特征向量；差分特征向量获取子单元，用于计算所述检测特征向量和所述参考特征向量之间的差分特征向量；融合子单元，用于计算所述检测特征向量和所述参考特征向量之间的图核游走节点分布融合特征矩阵；矩阵相乘子单元，用于将所述差分特征向量与所述图核游走节点分布融合特征矩阵进行矩阵相乘以得到权重特征向量；重构子单元，将所述权重特征向量重构为权重特征图；以及，按位置点乘子单元，用于计算所述权重特征图与所述初始差分特征图之间的按位置点乘以得到所述差分特征图。
具体的，在本申请的一个实施例中，所述特征图展开子单元，进一步用于：将所述检测特征图和所述参考特征图沿着列向量进行展开以得到所述检测特征向量和所述参考特征向量。
具体的，在本申请的一个实施例中，所述差分特征向量获取子单元，进一步用于：以如下公式计算所述检测特征向量和所述参考特征向量之间的差分特征向量；
其中，所述公式为：
Figure BDA0004048476270000171
其中，V1表示所述检测特征向量.
Figure BDA0004048476270000172
表示按位置作差，V2表示所述参考特征向量，且V表示所述差分特征向量。
具体的，在本申请的一个实施例中，所述融合子单元，进一步用于：以如下公式计算所述检测特征向量和所述参考特征向量之间的所述图核游走节点分布融合特征矩阵；
其中，所述公式为：
Figure BDA0004048476270000173
其中V1表示所述检测特征向量，V2表示所述参考特征向量，D(V1，V2)为所述检测特征向量和所述参考特征向量之间的距离矩阵，且V1和V2均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004048476270000174
表示向量乘法，Mc表示所述图核游走节点分布融合特征矩阵。
具体的，在本申请的一个实施例中，所述分类模块，包括：分类特征向量获取单元，用于将所述差分特征图按行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全连接编码特征向量；Softmax分类函数计算单元，用于将所述全连接编码特征向量通过所述分类器的Softmax分类函数以得到归属于待检测军事玩具模型的伪装效果满足预定要求的第一概率以及归属于待检测军事玩具模型的伪装效果不满足预定要求的第二概率；以及，分类结果获取单元，用于基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
这里，本领域技术人员可以理解，上述军事玩具模型的智能化加工***中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的军事玩具模型的智能化加工方法的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图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军事玩具模型的智能化加工以及/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待检测军事玩具模型的检测图像和真实军工设备的参考图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
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军事玩具模型的智能化加工方法的步骤。
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军事玩具模型的智能化加工方法的步骤。
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***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种军事玩具模型的智能化加工方法，其特征在于，包括：
获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像；
将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
将所述校正后检测图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图，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；
计算所述检测特征图和所述参考特征图之间的差分特征图；以及
将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。
2.根据权利要求1所述的军事玩具模型的智能化加工方法，其特征在于，所述将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像，包括：
将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到检测特征图；以及
将所述检测特征图输入所述信号图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述检测特征图进行反卷积处理以得到所述校正后检测图像。
3.根据权利要求2所述的军事玩具模型的智能化加工方法，其特征在于，所述第一图像编码器和所述第二图像编码器为金字塔网络模型。
4.根据权利要求3所述的军事玩具模型的智能化加工方法，其特征在于，所述计算所述检测特征图和所述参考特征图之间的差分特征图，包括：
计算所述检测特征图和所述参考特征图之间的按位置差分以得到初始差分特征图；以及
对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图。
5.根据权利要求4所述的军事玩具模型的智能化加工方法，其特征在于，所述对所述初始差分特征图进行特征图粒度的差分特征优化以得到所述差分特征图，包括：
将所述检测特征图和所述参考特征图进行特征图展开以得到检测特征向量和参考特征向量；
计算所述检测特征向量和所述参考特征向量之间的差分特征向量；
计算所述检测特征向量和所述参考特征向量之间的图核游走节点分布融合特征矩阵；
将所述差分特征向量与所述图核游走节点分布融合特征矩阵进行矩阵相乘以得到权重特征向量；
将所述权重特征向量重构为权重特征图；以及
计算所述权重特征图与所述初始差分特征图之间的按位置点乘以得到所述差分特征图。
6.根据权利要求5所述的军事玩具模型的智能化加工方法，其特征在于，所述将所述检测特征图和所述参考特征图进行特征图展开以得到检测特征向量和参考特征向量，包括：
将所述检测特征图和所述参考特征图沿着列向量进行展开以得到所述检测特征向量和所述参考特征向量。
7.根据权利要求6所述的军事玩具模型的智能化加工方法，其特征在于，所述计算所述检测特征向量和所述参考特征向量之间的差分特征向量，包括：以如下公式计算所述检测特征向量和所述参考特征向量之间的差分特征向量；
其中，所述公式为：
Figure FDA0004048476260000021
其中，V1表示所述检测特征向量，
Figure FDA0004048476260000022
表示按位置作差，V2表示所述参考特征向量，且V表示所述差分特征向量。
8.根据权利要求7所述的军事玩具模型的智能化加工方法，其特征在于，所述计算所述检测特征向量和所述参考特征向量之间的图核游走节点分布融合特征矩阵，包括：
以如下公式计算所述检测特征向量和所述参考特征向量之间的所述图核游走节点分布融合特征矩阵；
其中，所述公式为：
Figure FDA0004048476260000031
其中V1表示所述检测特征向量，V2表示所述参考特征向量，D(V1,V2)为所述检测特征向量和所述参考特征向量之间的距离矩阵，且V1和V2均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
Figure FDA0004048476260000032
表示向量乘法，Mc表示所述图核游走节点分布融合特征矩阵。
9.根据权利要求8所述的军事玩具模型的智能化加工方法，其特征在于，所述将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求，包括：
将所述差分特征图按行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全连接编码特征向量；
将所述全连接编码特征向量通过所述分类器的Softmax分类函数以得到归属于待检测军事玩具模型的伪装效果满足预定要求的第一概率以及归属于待检测军事玩具模型的伪装效果不满足预定要求的第二概率；以及
基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
10.一种军事玩具模型的智能化加工***，其特征在于，包括：
图像获取模块，用于获取由摄像头采集的待检测军事玩具模型的检测图像和真实军工设备的参考图像；
自动解编码模块，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
孪生检测模块，用于将所述校正后检测图像和所述参考图像通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到检测特征图和参考特征图，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；
差分模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；以及
分类模块，用于将所述差分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待检测军事玩具模型的伪装效果是否满足预定要求。
CN202310035339.4A 2023-01-10 2023-01-10 军事玩具模型的智能化加工方法及其*** Withdrawn CN116188847A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310035339.4A CN116188847A (zh) 2023-01-10 2023-01-10 军事玩具模型的智能化加工方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310035339.4A CN116188847A (zh) 2023-01-10 2023-01-10 军事玩具模型的智能化加工方法及其***

Publications (1)

Publication Number Publication Date
CN116188847A true CN116188847A (zh) 2023-05-30

Family

ID=86450057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310035339.4A Withdrawn CN116188847A (zh) 2023-01-10 2023-01-10 军事玩具模型的智能化加工方法及其***

Country Status (1)

Country Link
CN (1) CN116188847A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704498A (zh) * 2023-06-02 2023-09-05 浙江汇驰厨房设备工程有限公司 基于机器视觉的菜品识别方法及其***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704498A (zh) * 2023-06-02 2023-09-05 浙江汇驰厨房设备工程有限公司 基于机器视觉的菜品识别方法及其***

Similar Documents

Publication Publication Date Title
Yu et al. A survey on deepfake video detection
CN110472483B (zh) 一种面向sar图像的小样本语义特征增强的方法及装置
Li et al. Grayscale-thermal object tracking via multitask laplacian sparse representation
CN114049381A (zh) 一种融合多层语义信息的孪生交叉目标跟踪方法
CN112036260B (zh) 一种自然环境下多尺度子块聚合的表情识别方法及***
Cao et al. EFFNet: Enhanced feature foreground network for video smoke source prediction and detection
CN116343301B (zh) 基于人脸识别的人员信息智能校验***
CN116091414A (zh) 一种基于深度学习的心血管图像识别方法及其***
CN116910611A (zh) 基于大数据的智能环境监测***及其方法
CN115222998A (zh) 一种图像分类方法
CN116977674A (zh) 图像匹配方法、相关设备、存储介质及程序产品
CN116188847A (zh) 军事玩具模型的智能化加工方法及其***
Chen et al. A novel smoke detection algorithm based on improved mixed Gaussian and YOLOv5 for textile workshop environments
Liu et al. Dim and small target detection in multi-frame sequence using Bi-Conv-LSTM and 3D-Conv structure
Di et al. 3D face modeling algorithm for film and television animation based on lightweight convolutional neural network
Lu Multifeature fusion human motion behavior recognition algorithm using deep reinforcement learning
Liu et al. HPN-SOE: Infrared small target detection and identification algorithm based on heterogeneous parallel networks with similarity object enhancement
Huang et al. EST-YOLOv5s: SAR image aircraft target detection model based on improved YOLOv5s
Zhao et al. Deep learning-based laser and infrared composite imaging for armor target identification and segmentation in complex battlefield environments
Lu et al. Multimode Gesture Recognition Algorithm Based on Convolutional Long Short‐Term Memory Network
CN116797814A (zh) 智慧工地安全管理***
Jain et al. Fusion-driven deep feature network for enhanced object detection and tracking in video surveillance systems
Wang et al. SPGNet: Spatial projection guided 3D human pose estimation in low dimensional space
CN114998711A (zh) 一种空中红外弱小目标检测方法、***及计算机存储介质
CN111126310B (zh) 一种基于场景迁移的行人性别识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230530