CN117030129A - 纸杯在线检漏方法及其*** - Google Patents
纸杯在线检漏方法及其*** Download PDFInfo
- Publication number
- CN117030129A CN117030129A CN202310757027.4A CN202310757027A CN117030129A CN 117030129 A CN117030129 A CN 117030129A CN 202310757027 A CN202310757027 A CN 202310757027A CN 117030129 A CN117030129 A CN 117030129A
- Authority
- CN
- China
- Prior art keywords
- detection
- feature
- feature map
- paper cup
- map
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 268
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 125
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000010586 diagram Methods 0.000 claims description 38
- 238000007689 inspection Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 229940050561 matrix product Drugs 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 description 20
- 230000007547 defect Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- Pure & Applied Mathematics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Computational Mathematics (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及智能检测技术领域,且更为具体地公开了一种纸杯在线检漏方法及其***,其利用高速摄像头拍摄纸杯表面图像,使用图像处理技术对图像分析处理,并通过将纸杯检测图像和参考图像对比,判断纸杯是否存在漏洞或缺陷。这种方法具有检测速度快、准确性高、实时性强等优点,并且能够对微小的漏洞进行有效检测,可以更好地满足纸杯生产过程中的检漏需求。
Description
技术领域
本申请涉及智能检测技术领域,且更为具体地,涉及一种纸杯在线检漏方法及其***。
背景技术
在纸杯的工业生产中,对纸杯进行检漏是非常重要的一个步骤,气密性检测和液体检漏是常见的检漏方法,但这两种方法都存在一些缺陷,气密性检测仪器较为昂贵,需要进行定期维护和校准,液体检漏需要使用大量的水资源,并且检测速度较慢,还会影响纸杯的外观质量,不能满足高效生产需求。
因此,期待一种优化的纸杯在线检漏方法及其***。
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纸杯在线检漏方法及其***,其利用高速摄像头拍摄纸杯表面图像,使用图像处理技术对图像分析处理,并通过将纸杯检测图像和参考图像对比,判断纸杯是否存在漏洞或缺陷。这种方法具有检测速度快、准确性高、实时性强等优点,并且能够对微小的漏洞进行有效检测,可以更好地满足纸杯生产过程中的检漏需求。
相应地,根据本申请的一个方面,提供了一种纸杯在线检漏方法,其包括:
获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像;
将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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;
将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图;
对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图;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纸杯的质检是否合格。
在上述纸杯在线检漏方法中,所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度残差网络模型。
在上述纸杯在线检漏方法中,将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图,包括:使用所述空间注意力模块的卷积编码部分对所述检测特征图和所述参考特征图分别进行深度卷积编码以得到检测卷积特征图和参考卷积特征图;将所述检测卷积特征图和所述参考卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到空间检测注意力图和空间参考注意力图;将所述空间检测注意力图和所述空间参考注意力图分别通过Softmax激活函数以得到空间检测注意力特征图和空间参考注意力特征图;以及,分别计算所述空间检测注意力特征图和所述检测卷积特征图的按位置点乘、所述空间参考注意力特征图和所述参考卷积特征图的按位置点乘以得到所述增强检测特征图和所述增强参考特征图。
在上述纸杯在线检漏方法中,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图,包括:将所述增强检测特征图和所述增强参考特征图分别展开为增强检测特征向量和增强参考特征向量;计算所述增强检测特征向量和所述增强参考特征向量之间的协方差矩阵;对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量;将所述多个特征向量排列为联合特征矩阵,并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵;计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量;以及,计算所述增强检测投影特征向量和所述增强参考投影特征向量之间的按位置差值以得到差分特征向量,并将所述差分特征向量重构为所述差分特征图。在上述纸杯在线检漏方法中,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纸杯的质检是否合格,包括:
将所述差分特征图基于行向量或列向量展开为分类特征向量;
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种纸杯在线检漏***,其包括:
图像获取模块,用于获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像;
图像编码模块,用于将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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;
空间增强模块,用于将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图;
差分模块,用于对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图;以及
管理结果生成模块,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纸杯的质检是否合格。
在上述纸杯在线检漏***中,所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度残差网络模型。
在上述纸杯在线检漏***中,所述空间增强模块,包括:深度卷积编码单元,用于使用所述空间注意力模块的卷积编码部分对所述检测特征图和所述参考特征图分别进行深度卷积编码以得到检测卷积特征图和参考卷积特征图;空间注意力单元,用于将所述检测卷积特征图和所述参考卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到空间检测注意力图和空间参考注意力图;激活单元,用于将所述空间检测注意力图和所述空间参考注意力图分别通过Softmax激活函数以得到空间检测注意力特征图和空间参考注意力特征图;以及,计算单元,用于分别计算所述空间检测注意力特征图和所述检测卷积特征图的按位置点乘、所述空间参考注意力特征图和所述参考卷积特征图的按位置点乘以得到所述增强检测特征图和所述增强参考特征图。
在上述纸杯在线检漏***中,所述差分模块,包括:降维单元,用于将所述增强检测特征图和所述增强参考特征图分别展开为增强检测特征向量和增强参考特征向量;协方差计算单元,用于计算所述增强检测特征向量和所述增强参考特征向量之间的协方差矩阵;协方差矩阵分解单元,用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量;筛选特征单元,用于将所述多个特征向量排列为联合特征矩阵,并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵;计算单元,用于计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量;以及,差分计算单元,用于计算所述增强检测投影特征向量和所述增强参考投影特征向量之间的按位置差值以得到差分特征向量,并将所述差分特征向量重构为所述差分特征图。
与现有技术相比,本申请提供的纸杯在线检漏方法及其***,其利用高速摄像头拍摄纸杯表面图像,使用图像处理技术对图像分析处理,并通过将纸杯检测图像和参考图像对比,判断纸杯是否存在漏洞或缺陷。这种方法具有检测速度快、准确性高、实时性强等优点,并且能够对微小的漏洞进行有效检测,可以更好地满足纸杯生产过程中的检漏需求。
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纸杯在线检漏方法的应用场景图。
图2为根据本申请实施例的纸杯在线检漏方法的流程图。
图3为根据本申请实施例的纸杯在线检漏方法的架构示意图。
图4为根据本申请实施例的纸杯在线检漏方法中将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图的流程图。
图5为根据本申请实施例的纸杯在线检漏方法中对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图的流程图。
图6为根据本申请实施例的纸杯在线检漏方法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纸杯的质检是否合格的流程图。
图7为根据本申请实施例的纸杯在线检漏***的框图。
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
针对上述问题,本申请的技术构思为:利用高速摄像头拍摄纸杯表面图像,使用图像处理技术对图像分析处理,并通过将纸杯检测图像和参考图像对比,判断纸杯是否存在漏洞或缺陷。这种方法具有检测速度快、准确性高、实时性强等优点,并且能够对微小的漏洞进行有效检测,可以更好地满足纸杯生产过程中的检漏需求。
在纸杯生产过程中,需要对纸杯进行在线检漏,以确保其符合质量标准。通过高速摄像头拍摄纸杯表面图像,可以获取大量的纸杯图像数据,用于进行质量分析和处理。而从数据库调取合格纸杯的参考图像,则可以用于比对和判断纸杯是否合格。利用摄像头采集的检测图像,可以实时监测纸杯表面的缺陷和瑕疵,如裂口、变形、划痕等。因此,在本申请的技术方案中,首先,获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像。
为了提取出纸杯检测图像和参考图像的关键特征信息,接着,利用孪生网络模型对纸杯图像进行分类和分析。在该方案中,将纸杯检测图像和参考图像输入孪生网络模型,可以得到检测特征图和参考特征图,通过比较检测特征图和参考特征图之间的差异,可以判断纸杯是否存在漏洞或缺陷,从而实现对纸杯质量的监测和控制。此外,将第一图像编码器和第二图像编码器具有相同的网络结构,可以保证两个编码器的参数共享,进而提高训练效率和泛化能力。该方案利用卷积神经网络等深度学习技术,对纸杯图像进行特征提取和分类分析,具有较高的准确性和鲁棒性,能够有效地判断纸杯是否存在漏洞或缺陷。
为了提高纸杯质量特征的表达能力和区分度,将所述检测特征图和所述参考特征图分别通过空间注意力模块进行关键特征增强。在深度学习领域中,注意力机制已经成为一种有效的特征提取方式。空间注意力模块用于对输入特征进行加权融合,使网络能够专注于更加重要的特征,从而提高特征的表达能力和区分度。该方案采用空间注意力模块,对检测特征图和参考特征图进行增强处理,提高其特征表达能力。具体地说,将检测特征图和参考特征图分别输入空间注意力模块,空间注意力模块会根据特征图的像素值分布情况,自动确定每个像素点的权重,以达到更好的特征表达效果。经过空间注意力模块的增强处理后,可以使得特征更加凸显,并排除无关或噪声因素,提高特征的鲁棒性和可靠性。
为了提取出所述增强检测特征图和所述增强参考特征图之间的差异信息,进而判断纸杯是否存在漏洞或缺陷。进一步计算所述增强检测特征图和所述增强参考特征图之间的差分特征图。在该方案中,通过将纸杯检测图像和参考图像输入孪生网络模型,得到检测特征图和参考特征图,并使用空间注意力模块进行增强处理,提高特征表达能力。然后,计算增强检测特征图和增强参考特征图之间的差分特征图,以得到纸杯质量信息的差异性表示。如果差分特征图中存在较大的值,就说明纸杯存在漏洞或缺陷,需要继续进行人工检测或处理。
特别地,在本申请的技术方案中,在计算所述增强检测特征图和所述增强参考特征图之间的差分特征图时,所述差分特征图用于表示纸杯检测图像和合格纸杯的参考图像在高维特征空间中的特征分布差异。应可以理解,所述孪生网络模型本质上是域变换器,其用于将所述纸杯检测图像和所述合格纸杯的参考图像从图像源域映射到高维特征空间中。虽然通过所述孪生网络模型可从所述纸杯检测图像和所述合格纸杯的参考图像中提取图像隐含抽象特征表达,但是,因在采集所述纸杯检测图像的图像过程中会因拍摄条件、摄像头本身的性能而引入图像噪声,这部分噪声也会经所述域变换器的变换而被放大,从而所述检测特征图和所述参考特征图的各子维度的特征值之间的数据变化方向和幅度差异较大。虽然通过所述空间注意力模块可通过重新分配权重的方式来压缩检测特征图和所述参考特征图的各子维度的特征值之间在数据变化方向和幅度之间的差异,从而提高所述差分特征图的特征表达的精准度,但这种差异的压缩是有限的且是局部的。
基于此,在本申请的技术方案中,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到所述差分特征图。具体地,首先将所述增强检测特征图和所述增强参考特征图分别展开为增强检测特征向量和增强参考特征向量;然后计算所述增强检测特征向量和所述增强参考特征向量之间的协方差矩阵;进而,对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量;接着,将所述多个特征向量排列为联合特征矩阵,并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵;进而,计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量;继而,计算所述增强检测投影特征向量和所述增强参考投影特征向量之间的按位置差值以得到差分特征向量,并将所述差分特征向量重构为所述差分特征图。
这样,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影,可充分考虑所述增强检测特征图和所述增强参考特征图的数据变化方向和幅度,使得空间联立投影得到的所述分类特征向量能够最大程度地保留所述增强检测特征图和所述增强参考特征图的主要特征信息且减少数据中的噪声和冗余信息,通过这样的方式,可更好地观察和分析所述差分特征图中的模式和规律,即在二维平面上可以更容易看出数据点之间的相似性和差异性。这样,提高所述差分特征图通过所述分类器得到的分类结果的精准度。
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纸杯的质检是否合格,是实现对纸杯质量智能化监测和控制的最终步骤。在该方案中,计算增强检测特征图和增强参考特征图之间的差分特征图后,需要将其输入分类器进行分类,以得出纸杯的质检结果。分类器可以是常见的机器学习模型或深度学习模型,如支持向量机、决策树、神经网络等。通过将差分特征图输入分类器,可以判断纸杯是否具有良好的质量指标,从而判断纸杯的质检是否合格。使用分类器进行纸杯质检,可以避免了人工质检的主观性和误差性,并提高了质检准确率和效率。同时,分类器还可以对纸杯质检结果进行统计和分析,以便对生产流程和质量控制进行优化和改进。
图1为根据本申请实施例的纸杯在线检漏方法的应用场景图。如图1所示,在该应用场景中,首先,通过高速摄像头(例如,如图1中所示意的C)采集纸杯检测图像,以及从数据库调取合格纸杯的参考图像。然后,将采集的纸杯检测图像和合格纸杯的参考图像输入至部署有纸杯在线检漏算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述纸杯在线检漏算法对所述纸杯检测图像和所述纸杯参考图像进行处理以生成用于表示纸杯的质检是否合格的分类结果。
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纸杯在线检漏方法的流程图。如图2所示,根据本申请实施例的纸杯在线检漏方法,包括步骤:S110,获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像;S120,将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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;S130,将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图;S140,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图;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纸杯的质检是否合格。
图3为根据本申请实施例的纸杯在线检漏方法的架构示意图。如图3所示,首先,获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像。然后,将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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。接着,将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图。然后,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图。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纸杯的质检是否合格。
在上述步骤S110中,获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像。在纸杯生产过程中,需要对纸杯进行在线检漏,以确保其符合质量标准。通过高速摄像头拍摄纸杯表面图像,可以获取大量的纸杯图像数据,用于进行质量分析和处理。而从数据库调取合格纸杯的参考图像,则可以用于比对和判断纸杯是否合格。利用摄像头采集的检测图像,可以实时监测纸杯表面的缺陷和瑕疵,如裂口、变形、划痕等。所以,本申请的技术构思为:利用高速摄像头拍摄纸杯表面图像,使用图像处理技术对图像分析处理,并通过将纸杯检测图像和参考图像对比,判断纸杯是否存在漏洞或缺陷。这种方法具有检测速度快、准确性高、实时性强等优点,并且能够对微小的漏洞进行有效检测,可以更好地满足纸杯生产过程中的检漏需求。因此,首先,获取由高速摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像。
在上述步骤S120中,将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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。为了提取出纸杯检测图像和参考图像的关键特征信息,接着,利用孪生网络模型对纸杯图像进行分类和分析。在该方案中,将纸杯检测图像和参考图像输入孪生网络模型,可以得到检测特征图和参考特征图,通过比较检测特征图和参考特征图之间的差异,可以判断纸杯是否存在漏洞或缺陷,从而实现对纸杯质量的监测和控制。此外,将第一图像编码器和第二图像编码器具有相同的网络结构,可以保证两个编码器的参数共享,进而提高训练效率和泛化能力。该方案利用卷积神经网络等深度学习技术,对纸杯图像进行特征提取和分类分析,具有较高的准确性和鲁棒性,能够有效地判断纸杯是否存在漏洞或缺陷。相应地,在一个具体示例中,所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度残差网络模型。
在上述步骤S130中,将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图。为了提高纸杯质量特征的表达能力和区分度,将所述检测特征图和所述参考特征图分别通过空间注意力模块进行关键特征增强。在深度学习领域中,注意力机制已经成为一种有效的特征提取方式。空间注意力模块用于对输入特征进行加权融合,使网络能够专注于更加重要的特征,从而提高特征的表达能力和区分度。该方案采用空间注意力模块,对检测特征图和参考特征图进行增强处理,提高其特征表达能力。具体地说,将检测特征图和参考特征图分别输入空间注意力模块,空间注意力模块会根据特征图的像素值分布情况,自动确定每个像素点的权重,以达到更好的特征表达效果。经过空间注意力模块的增强处理后,可以使得特征更加凸显,并排除无关或噪声因素,提高特征的鲁棒性和可靠性。
图4为根据本申请实施例的纸杯在线检漏方法中将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图的流程图。如图4所示,所述步骤S130,包括:S210,使用所述空间注意力模块的卷积编码部分对所述检测特征图和所述参考特征图分别进行深度卷积编码以得到检测卷积特征图和参考卷积特征图;S220,将所述检测卷积特征图和所述参考卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到空间检测注意力图和空间参考注意力图;S230,将所述空间检测注意力图和所述空间参考注意力图分别通过Softmax激活函数以得到空间检测注意力特征图和空间参考注意力特征图;以及,S240,分别计算所述空间检测注意力特征图和所述检测卷积特征图的按位置点乘、所述空间参考注意力特征图和所述参考卷积特征图的按位置点乘以得到所述增强检测特征图和所述增强参考特征图。。
在上述步骤S140中,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图。为了提取出所述增强检测特征图和所述增强参考特征图之间的差异信息,进而判断纸杯是否存在漏洞或缺陷。进一步计算所述增强检测特征图和所述增强参考特征图之间的差分特征图。在该方案中,通过将纸杯检测图像和参考图像输入孪生网络模型,得到检测特征图和参考特征图,并使用空间注意力模块进行增强处理,提高特征表达能力。然后,计算增强检测特征图和增强参考特征图之间的差分特征图,以得到纸杯质量信息的差异性表示。如果差分特征图中存在较大的值,就说明纸杯存在漏洞或缺陷,需要继续进行人工检测或处理。
特别地,在本申请的技术方案中,在计算所述增强检测特征图和所述增强参考特征图之间的差分特征图时,所述差分特征图用于表示纸杯检测图像和合格纸杯的参考图像在高维特征空间中的特征分布差异。应可以理解,所述孪生网络模型本质上是域变换器,其用于将所述纸杯检测图像和所述合格纸杯的参考图像从图像源域映射到高维特征空间中。虽然通过所述孪生网络模型可从所述纸杯检测图像和所述合格纸杯的参考图像中提取图像隐含抽象特征表达,但是,因在采集所述纸杯检测图像的图像过程中会因拍摄条件、摄像头本身的性能而引入图像噪声,这部分噪声也会经所述域变换器的变换而被放大,从而所述检测特征图和所述参考特征图的各子维度的特征值之间的数据变化方向和幅度差异较大。虽然通过所述空间注意力模块可通过重新分配权重的方式来压缩检测特征图和所述参考特征图的各子维度的特征值之间在数据变化方向和幅度之间的差异,从而提高所述差分特征图的特征表达的精准度,但这种差异的压缩是有限的且是局部的。基于此,在本申请的技术方案中,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到所述差分特征图。
图5为根据本申请实施例的纸杯在线检漏方法中对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图的流程图。如图5所示,所述步骤S140,包括:S310,将所述增强检测特征图和所述增强参考特征图分别展开为增强检测特征向量和增强参考特征向量;S320,计算所述增强检测特征向量和所述增强参考特征向量之间的协方差矩阵;S330,对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量;S340,将所述多个特征向量排列为联合特征矩阵,并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵;S350,计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量;S360,计算所述增强检测投影特征向量和所述增强参考投影特征向量之间的按位置差值以得到差分特征向量,并将所述差分特征向量重构为所述差分特征图。
这样,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影,可充分考虑所述增强检测特征图和所述增强参考特征图的数据变化方向和幅度,使得空间联立投影得到的所述分类特征向量能够最大程度地保留所述增强检测特征图和所述增强参考特征图的主要特征信息且减少数据中的噪声和冗余信息,通过这样的方式,可更好地观察和分析所述差分特征图中的模式和规律,即在二维平面上可以更容易看出数据点之间的相似性和差异性。这样,提高所述差分特征图通过所述分类器得到的分类结果的精准度。
在上述步骤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纸杯的质检是否合格。在该方案中,计算增强检测特征图和增强参考特征图之间的差分特征图后,需要将其输入分类器进行分类,以得出纸杯的质检结果。分类器可以是常见的机器学习模型或深度学习模型,如支持向量机、决策树、神经网络等。通过将差分特征图输入分类器,可以判断纸杯是否具有良好的质量指标,从而判断纸杯的质检是否合格。使用分类器进行纸杯质检,可以避免了人工质检的主观性和误差性,并提高了质检准确率和效率。同时,分类器还可以对纸杯质检结果进行统计和分析,以便对生产流程和质量控制进行优化和改进。
图6为根据本申请实施例的纸杯在线检漏方法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纸杯的质检是否合格的流程图。如图6所示,所述步骤S150,包括:S410,将所述差分特征图基于行向量或列向量展开为分类特征向量;S420,使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S430,将所述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分类结果。
综上,根据本申请实施例的纸杯在线检漏方法被阐明,其利用高速摄像头拍摄纸杯表面图像,使用图像处理技术对图像分析处理,并通过将纸杯检测图像和参考图像对比,判断纸杯是否存在漏洞或缺陷。这种方法具有检测速度快、准确性高、实时性强等优点,并且能够对微小的漏洞进行有效检测,可以更好地满足纸杯生产过程中的检漏需求。
示例性***
图7为根据本申请实施例的纸杯在线检漏***的框图。如图7所示,根据本申请实施例的纸杯在线检漏***100,包括:图像获取模块110,用于获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像;图像编码模块120,用于将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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;空间增强模块130,用于将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图;差分模块140,用于对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图;以及,管理结果生成模块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纸杯的质检是否合格。
在一个具体示例中,在上述纸杯在线检漏***中,所述第一图像编码器和所述第二图像编码器为作为特征提取器的深度残差网络模型。
在一个具体示例中,在上述纸杯在线检漏***中,所述空间增强模块130,包括:深度卷积编码单元,用于使用所述空间注意力模块的卷积编码部分对所述检测特征图和所述参考特征图分别进行深度卷积编码以得到检测卷积特征图和参考卷积特征图;空间注意力单元,用于将所述检测卷积特征图和所述参考卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到空间检测注意力图和空间参考注意力图;激活单元,用于将所述空间检测注意力图和所述空间参考注意力图分别通过Softmax激活函数以得到空间检测注意力特征图和空间参考注意力特征图;以及,计算单元,用于分别计算所述空间检测注意力特征图和所述检测卷积特征图的按位置点乘、所述空间参考注意力特征图和所述参考卷积特征图的按位置点乘以得到所述增强检测特征图和所述增强参考特征图。
在一个具体示例中,在上述纸杯在线检漏***中,所述差分模块140,包括:降维单元,用于将所述增强检测特征图和所述增强参考特征图分别展开为增强检测特征向量和增强参考特征向量;协方差计算单元,用于计算所述增强检测特征向量和所述增强参考特征向量之间的协方差矩阵;协方差矩阵分解单元,用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量;筛选特征单元,用于将所述多个特征向量排列为联合特征矩阵,并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵;计算单元,用于计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量;以及,差分计算单元,用于计算所述增强检测投影特征向量和所述增强参考投影特征向量之间的按位置差值以得到差分特征向量,并将所述差分特征向量重构为所述差分特征图。
在一个具体示例中,在上述纸杯在线检漏***中,所述管理结果生成模块150,包括:特征图展开单元,用于将所述差分特征图基于行向量或列向量展开为分类特征向量;编码分类特征向量获取单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元,用于将所述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分类结果。
这里,本领域技术人员可以理解,上述纸杯在线检漏***中的各个模块的具体操作已经在上面参考图2到图6的纸杯在线检漏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8来描述根据本申请实施例的电子设备。图8为根据本申请实施例的电子设备的框图。如图8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纸杯在线检漏方法中的功能以及/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纸杯检测图像和纸杯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。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的纸杯在线检漏方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的纸杯在线检漏方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种纸杯在线检漏方法,其特征在于,包括:
获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像;
将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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;
将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图;
对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图;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纸杯的质检是否合格。
2.根据权利要求1所述的纸杯在线检漏方法,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作为特征提取器的深度残差网络模型。
3.根据权利要求2所述的纸杯在线检漏方法,其特征在于,将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图,包括:
使用所述空间注意力模块的卷积编码部分对所述检测特征图和所述参考特征图分别进行深度卷积编码以得到检测卷积特征图和参考卷积特征图;
将所述检测卷积特征图和所述参考卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到空间检测注意力图和空间参考注意力图;
将所述空间检测注意力图和所述空间参考注意力图分别通过Softmax激活函数以得到空间检测注意力特征图和空间参考注意力特征图;以及
分别计算所述空间检测注意力特征图和所述检测卷积特征图的按位置点乘、所述空间参考注意力特征图和所述参考卷积特征图的按位置点乘以得到所述增强检测特征图和所述增强参考特征图。
4.根据权利要求3所述的纸杯在线检漏方法,其特征在于,对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图,包括:
将所述增强检测特征图和所述增强参考特征图分别展开为增强检测特征向量和增强参考特征向量;
计算所述增强检测特征向量和所述增强参考特征向量之间的协方差矩阵;
对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量;
将所述多个特征向量排列为联合特征矩阵,并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵;
计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量;以及
计算所述增强检测投影特征向量和所述增强参考投影特征向量之间的按位置差值以得到差分特征向量,并将所述差分特征向量重构为所述差分特征图。
5.根据权利要求4所述的纸杯在线检漏方法,其特征在于,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纸杯的质检是否合格,包括:
将所述差分特征图基于行向量或列向量展开为分类特征向量;
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.一种纸杯在线检漏***,其特征在于,包括:
图像获取模块,用于获取由摄像头采集的纸杯检测图像以及从数据库调取合格纸杯的参考图像;
图像编码模块,用于将所述纸杯检测图像和所述纸杯参考图像输入包含第一图像编码器和第二图像编码器的孪生网络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;
空间增强模块,用于将所述检测特征图和所述参考特征图分别通过空间注意力模块以得到增强检测特征图和增强参考特征图;
差分模块,用于对所述增强检测特征图和所述增强参考特征图进行基于特征集合的各子维度之间的空间联立投影以得到差分特征图;以及
管理结果生成模块,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纸杯的质检是否合格。
7.根据权利要求6所述的纸杯在线检漏***,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作为特征提取器的深度残差网络模型。
8.根据权利要求7所述的纸杯在线检漏***,其特征在于,所述空间增强模块,包括:
深度卷积编码单元,用于使用所述空间注意力模块的卷积编码部分对所述检测特征图和所述参考特征图分别进行深度卷积编码以得到检测卷积特征图和参考卷积特征图;
空间注意力单元,用于将所述检测卷积特征图和所述参考卷积特征图分别输入所述空间注意力模块的空间注意力部分以得到空间检测注意力图和空间参考注意力图;
激活单元,用于将所述空间检测注意力图和所述空间参考注意力图分别通过Softmax激活函数以得到空间检测注意力特征图和空间参考注意力特征图;以及
计算单元,用于分别计算所述空间检测注意力特征图和所述检测卷积特征图的按位置点乘、所述空间参考注意力特征图和所述参考卷积特征图的按位置点乘以得到所述增强检测特征图和所述增强参考特征图。
9.根据权利要求8所述的纸杯在线检漏***,其特征在于,所述差分模块,包括:
降维单元,用于将所述增强检测特征图和所述增强参考特征图分别展开为增强检测特征向量和增强参考特征向量;
协方差计算单元,用于计算所述增强检测特征向量和所述增强参考特征向量之间的协方差矩阵;
协方差矩阵分解单元,用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量;
筛选特征单元,用于将所述多个特征向量排列为联合特征矩阵,并计算所述协方差矩阵与所述联合特征矩阵之间的矩阵乘积以得到筛选特征矩阵;
计算单元,用于计算所述检测特征向量和所述参考特征向量与所述筛选特征矩阵之间的乘积以得到检测投影特征向量和参考投影特征向量;以及
差分计算单元,用于计算所述增强检测投影特征向量和所述增强参考投影特征向量之间的按位置差值以得到差分特征向量,并将所述差分特征向量重构为所述差分特征图。
10.根据权利要求9所述的纸杯在线检漏***,其特征在于,所述管理结果生成模块,包括:
特征图展开单元,用于将所述差分特征图基于行向量或列向量展开为分类特征向量;
编码分类特征向量获取单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述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分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310757027.4A CN117030129A (zh) | 2023-06-25 | 2023-06-25 | 纸杯在线检漏方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310757027.4A CN117030129A (zh) | 2023-06-25 | 2023-06-25 | 纸杯在线检漏方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117030129A true CN117030129A (zh) | 2023-11-10 |
Family
ID=88630641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310757027.4A Pending CN117030129A (zh) | 2023-06-25 | 2023-06-25 | 纸杯在线检漏方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117030129A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686153A (zh) * | 2024-02-04 | 2024-03-12 | 江苏中创机械装备制造有限公司 | 一种轨道车辆转向架检验*** |
CN117710366A (zh) * | 2024-02-02 | 2024-03-15 | 杭州百子尖科技股份有限公司 | 用于保温杯的质检方法、装置和存储介质 |
-
2023
- 2023-06-25 CN CN202310757027.4A patent/CN117030129A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710366A (zh) * | 2024-02-02 | 2024-03-15 | 杭州百子尖科技股份有限公司 | 用于保温杯的质检方法、装置和存储介质 |
CN117710366B (zh) * | 2024-02-02 | 2024-05-14 | 杭州百子尖科技股份有限公司 | 用于保温杯的质检方法、装置和存储介质 |
CN117686153A (zh) * | 2024-02-04 | 2024-03-12 | 江苏中创机械装备制造有限公司 | 一种轨道车辆转向架检验*** |
CN117686153B (zh) * | 2024-02-04 | 2024-04-09 | 江苏中创机械装备制造有限公司 | 一种轨道车辆转向架检验*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Automatic fabric defect detection using a wide-and-light network | |
CN117030129A (zh) | 纸杯在线检漏方法及其*** | |
KR20190063839A (ko) | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 | |
US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113920053A (zh) | 基于深度学习的瑕疵检测方法、计算设备和存储介质 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其*** | |
CN115901954A (zh) | 超声导波管道缺陷无损检测方法 | |
CN117036271A (zh) | 生产线质量监测方法及其*** | |
CN114677362A (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN116858789A (zh) | 食品安全检测***及其方法 | |
CN115526847A (zh) | 一种基于半监督学习的主板表面缺陷检测方法 | |
CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试*** | |
CN113627503A (zh) | 生成图像溯源方法与装置、模型训练方法与装置、电子设备及存储介质 | |
Qiu et al. | Uneven illumination surface defects inspection based on saliency detection and intrinsic image decomposition | |
CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
Yi et al. | Insulator and defect detection model based on improved YOLO-S | |
CN117131348B (zh) | 基于差分卷积特征的数据质量分析方法及*** | |
CN116797586A (zh) | 纸杯缺陷自动检测方法及其*** | |
CN117274689A (zh) | 用于包装盒缺陷检测的检测方法及其*** | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测*** | |
CN116030056A (zh) | 一种钢表面裂缝的检测方法及*** | |
CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
Nayak et al. | Effective PCB Defect Detection Using Stacked Autoencoder with Bi-LSTM Network. |
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 |