【技术实现步骤摘要】
玩具模型质量检测方法及其系统
[0001]本申请涉及智能化检测
，并且更具体地，涉及一种玩具模型质量检测方法及其系统。
技术介绍
[0002]目前，在模型玩具中，通过在表面形成用于表现阴影的槽部从而提高立体感。现有的玩具模型加工方案是通过凹凸结构配置来有针对地抑制光的到达，利用增强范围与暗部范围之间的对比度来提高立体感。但是，在上述玩具模型的加工中，因玩具模型的立体感依赖于玩具模型自身的形状，因此，在制备过程中，需人工通过肉眼来评估玩具模型的立体感，以对产品进行成型质量检测，这种检测方案不仅效率低下，且难以保证产品立体感的一致性。因此，期待一种优化的玩具模型质量检测方案。
技术实现思路
[0003]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玩具模型质量检测方法及其系统，其获取待检测玩具模型的多个视角图像；采用基于深度学习的人工智能技术，挖掘出所述各个视角的检测图像中关于玩具模型的成型质量的一致性特征和差异性特征信息，并以此来准确地进行所述玩具模型的成型质量检测判断。这样，可以准确地进行...
【技术保护点】
【技术特征摘要】
1.一种玩具模型质量检测方法，其特征在于，包括：获取待检测玩具模型的多个视角图像；将所述多个视角图像分别通过作为过滤器的卷积神经网络模型以得到多个视角图像特征向量；将所述多个视角图像特征向量通过基于深度神经网模型的视角间一致性提取器以得到视角间一致性语义表达特征向量；计算所述多个视角图像特征向量中任意两个视角图像特征向量之间的协方差矩阵以得到多个协方差矩阵；计算所述多个协方差矩阵中各个协方差矩阵的全局均值以得到视角间差异性语义表达特征向量；融合所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量以得到分类特征向量；以及将所述分类特征向量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玩具模型的成型质量是否符合标准。2.根据权利要求1所述的玩具模型质量检测方法，其特征在于，将所述多个视角图像分别通过作为过滤器的卷积神经网络模型以得到多个视角图像特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个视角图像特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个视角图像。3.根据权利要求2所述的玩具模型质量检测方法，其特征在于，所述视角间一致性编码器为由多个全连接层组成的深度全连接网络模型。4.根据权利要求3所述的玩具模型质量检测方法，其特征在于，融合所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量以得到分类特征向量，包括：计算所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量的按位置方差构成的协方差矩阵；分别计算所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二的高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数分别作为权重，对所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量进行加权以得到校正后视角间一致性语义表达特征向量和校正后视角间差异性语义表达特征向量；以及融合所述校正后视角间一致性语义表达特征向量和所述校正后视角间差异性语义表
达特征向量以得到所述分类特征向量。5.根据权利要求4所述的玩具模型质量检测方法，其特征在于，计算所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量的联合高斯密度图，包括：以如下联合公式计算所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量的联合高斯密度图；其中，所述公式为：其中，表示计算所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量之间的按位置均值向量，且的每个位置的值表示所述视角间一致性语义表达特征向量和所述视角间差异性语义表达特征向量中各个位置的特征值之间的方差。6.根据权利要求5所述的玩具模型质量检测方法，其特征在于，分别计算所述视角间一致性语义表达...
【专利技术属性】
技术研发人员：戴志俊，曾珣，刘亮，
申请(专利权)人：吉安螃蟹王国科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。