一种鞋子的智能化加工方法技术

本申请涉及智能加工技术领域，其具体地公开了一种鞋子的智能化加工方法，其通过摄像头采集待检测鞋子的六视图，然后，通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵，接着，将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量，并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图，优选的，计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合，通过这样的方式，提高对于待检测鞋子的质量检测的精准度。度。度。

【技术实现步骤摘要】
一种鞋子的智能化加工方法


[0001]本申请涉及智能加工
，且更为具体地，涉及一种鞋子的智能化加工方法。

技术介绍

[0002]鞋子是人们保护脚不受伤的一种工具。各种样式功能的鞋子随处可见，包括运动鞋、女鞋、童鞋、凉鞋之类。在传统的鞋子的制备中，不同类型的鞋子因款式不同，需要构造专门的检测产线，以判断其所加工的鞋子的成型质量是否满足预定要求。如果产品的款式多，其检测产线会占据很大的空间，且如果款式发生调整，又得构筑新的检测产线，无疑增加了额外的成本。
[0003]因此，期待一种优化的鞋子的智能化加工方案。

技术实现思路

[0004]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鞋子的智能化加工方法，其通过摄像头采集待检测鞋子的六视图，然后，通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵，接着，将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量，并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图，优选的，计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合，通过这样的方式，提高对于待检测鞋子的质量检测的精准度。
[0005]根据本申请的一个方面，提供了一种鞋子的智能化加工方法，其包括：
[0006]获取待检测鞋子的六视图，所述待检测鞋子的六视图为第一至第六检测图像；
>[0007]将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵；
[0008]将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量；
[0009]将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图；
[0010]将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图，所述第二三维卷积核与所述第一三维卷积核具有不同的尺度；
[0011]融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图；以及
[0012]将所述分类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鞋子的成型质量是否满足预定要求。
[0013]根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的鞋子的智能化加工方法。
[0014]根据本申请的又一方面，提供了一种计算机可读介质，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如上所述的鞋子的智能化加工方法。
[0015]与现有技术相比，本申请提供的一种鞋子的智能化加工方法，其通过摄像头采集待检测鞋子的六视图，然后，通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵，接着，将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量，并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图，优选的，计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合，通过这样的方式，提高对于待检测鞋子的质量检测的精准度。
附图说明
[0016]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。
[0017]图1图示了根据本申请实施例的鞋子的智能化加工方法的应用场景图。
[0018]图2图示了根据本申请实施例的鞋子的智能化加工方法的流程图。
[0019]图3图示了根据本申请实施例的鞋子的智能化加工方法的系统架构的示意图。
[0020]图4图示了根据本申请实施例的鞋子的智能化加工方法中，融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图的流程图。
[0021]图5图示了根据本申请实施例的鞋子的智能化加工方法中，将所述分类特征图通过分类器以得到分类结果的流程图。
[0022]图6图示了根据本申请实施例的鞋子的智能化加工系统的框图示意图。
[0023]图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
[0024]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。
[0025]场景概述
[0026]如上所述，在传统的鞋子的制备中，不同类型的鞋子因款式不同，需要构造专门的检测产线，以判断其所加工的鞋子的成型质量是否满足预定要求。如果产品的款式多，其检测产线会占据很大的空间，且如果款式发生调整，又得构筑新的检测产线，无疑增加了额外的成本。因此，期待一种优化的鞋子的智能化加工方案，其能够针对不同款式和不同类型的鞋使用同样的质检方案，也就是，所述智能化加工方案包括适用于不同款式和不同类型的鞋的通用型质检方案。
[0027]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本
信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0028]深度学习以及神经网络的发展为鞋的通用型质检方案的构建提供了新的解决思路和方案。
[0029]具体地，对于任何鞋来说，其成型质量的检测都可以通过对其六视图的观察和分析来实现。也就是说，可通过基于深度神经网络的机器视觉技术来对待检测鞋的六视图进行处理以得到用于表示待检测鞋的成型质量是否满足预定标准的分类结果。值得一提的是，因图像特征提取不仅可捕捉到被检测鞋子的表观特征，例如，颜色、纹理等，还可以捕捉到鞋的各个部分的结构特征在图像端的表现，并还可以捕捉到鞋子的材料特征等，因此，基于机器视觉所构建的鞋子质检方案能够一次性对鞋子的各方面性能进行总和判断，以得到更为全局和合理的质检评估指标。
[0030]在本申请的技术方案中，首先获取由摄像头采集的待检测鞋子的六视图，所述待检测鞋子的六视图为第一至第六检测图像。在具体实施例中，可将待检测鞋子放置于预设平台，并通过六个摄像头从六个视角得到所述六视图。接着，将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵。这里，在本申请的技术方案中，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种鞋子的智能化加工方法，其特征在于，包括：获取待检测鞋子的六视图，所述待检测鞋子的六视图为第一至第六检测图像；将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵；将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量；将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图；将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图，所述第二三维卷积核与所述第一三维卷积核具有不同的尺度；融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图；以及将所述分类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鞋子的成型质量是否满足预定要求。2.根据权利要求1所述的鞋子的智能化加工方法，其特征在于，所述将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵，包括：从所述第一卷积神经网络模型的第i层提取浅层特征矩阵，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层提取深层特征矩阵，所述第j层与所述第i层之间的比值大于等于5；以及使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述第一至第六特征矩阵中的各个特征矩阵。3.根据权利要求2所述的鞋子的智能化加工方法，其特征在于，所述将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图，包括：基于所述第一三维卷积核对所述输入数据进行第一尺度的三维卷积处理以得到第一卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第一池化特征图；以及对所述池化特征图进行非线性激活以得到第一激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第一尺度关联特征图，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。4.根据权利要求3所述的鞋子的智能化加工方法，其特征在于，所述将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图，包括：基于所述第二三维卷积核对所述输入数据进行第二尺度的三维卷积处理以得到第二卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第二池化特征图；以及对所述池化特征图进行非线性激活以得到第二激活特征图；其中，所述第三卷积神经网络模型的最后一层的输出为所述第二尺度关联特...

【专利技术属性】
技术研发人员：蔡晓勇，王东弟，董西锋，
申请(专利权)人：金帝集团股份有限公司，
类型：发明
国别省市：