牛津布的生产控制系统及其方法技术方案

公开了一种牛津布的生产控制系统及其方法。其首先将检测图像通过卷积神经网络模型以得到牛津布检测特征图，接着，对所述牛津布检测特征图进行特征图切分后分别进行卷积处理以得到多个牛津布深度子特征图，然后，将所述多个牛津布深度子特征图拼接为牛津布深度特征图后进行通道重排以得到分类特征图，接着，对所述分类特征图进行流形几何一致性优化以得到优化分类特征图，最后，将所述优化分类特征图通过分类器以得到用于表示待检测成品牛津布的外观是否符合预定标准的分类结果。这样，可以实现准确的质量检测。可以实现准确的质量检测。可以实现准确的质量检测。

【技术实现步骤摘要】
牛津布的生产控制系统及其方法


[0001]本申请涉及智能化控制领域，且更为具体地，涉及一种牛津布的生产控制系统及其方法。

技术介绍

[0002]牛津布是一种棉质织物，通常用于制作衬衫、裙子和裤子，是一种耐用、舒适、易于清洗的织物，适合各种场合和季节。
[0003]牛津布的生产过程中，需要对成品牛津布进行严格的外观检测，以保证其色泽、花型、厚度、光泽等方面的一致性和稳定性。传统的外观检测方法主要依靠人工视觉，存在主观性强、效率低、误差大等缺点。因此，期待一种解决方案。

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牛津布的生产控制系统及其方法。其首先将检测图像通过卷积神经网络模型以得到牛津布检测特征图，接着，对所述牛津布检测特征图进行特征图切分后分别进行卷积处理以得到多个牛津布深度子特征图，然后，将所述多个牛津布深度子特征图拼接为牛津布深度特征图后进行通道重排以得到分类特征图，接着，对所述分类特征图进行流形几何一致性优化以得到优化分类特征图，最后，将所述优化分类特征图通过分类器以得到用于表示待检测成品牛津布的外观是否符合预定标准的分类结果。这样，可以实现准确的质量检测。
[0005]根据本申请的一个方面，提供了一种牛津布的生产控制系统，其包括：
[0006]图像采集模块，用于获取由摄像头采集的待检测成品牛津布的检测图像；
[0007]特征提取模块，用于将所述检测图像通过作为特征提取器的卷积神经网络模型以得到牛津布检测特征图；
>[0008]切分模块，用于对所述牛津布检测特征图进行特征图切分以得到多个牛津布子特征图；
[0009]深度滤波模块，用于分别对所述多个牛津布子特征图进行卷积处理以得到多个牛津布深度子特征图；
[0010]拼接模块，用于将所述多个牛津布深度子特征图拼接为牛津布深度特征图；
[0011]通道重排模块，用于对所述牛津布深度特征图进行通道重排以得到分类特征图；
[0012]一致性优化模块，用于对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及
[0013]外观检测结果生成模块，用于将所述优化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成品牛津布的外观是否符合预定标准。
[0014]在上述的牛津布的生产控制系统中，所述特征提取模块，用于：
[0015]使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作
为特征提取器的卷积神经网络模型的最后一层输出所述牛津布检测特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述检测图像。
[0016]在上述的牛津布的生产控制系统中，所述深度滤波模块，用于：
[0017]分别对所述多个牛津布子特征图进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以得到所述多个牛津布深度子特征图。
[0018]在上述的牛津布的生产控制系统中，所述一致性优化模块，包括：
[0019]逐片近似因数计算单元，用于计算所述分类特征图的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；以及
[0020]加权单元，用于以所述多个逐片近似因数对所述分类特征图的各个分类特征矩阵进行加权以得到所述优化分类特征图。
[0021]在上述的牛津布的生产控制系统中，所述逐片近似因数计算单元，用于：
[0022]以如下因数计算公式计算所述分类特征图的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个逐片近似因数；
[0023]其中，因数计算公式为：
[0024][0025]其中，V
ij
是所述分类特征图的第i个分类特征矩阵的第j个行向量或者列向量，[:B:]表示将各个向量级联，且表示向量的二范数的平方，w
i
是所述分类特征图的第i个分类特征矩阵的逐片近似因数。
[0026]在上述的牛津布的生产控制系统中，所述外观检测结果生成模块，包括：
[0027]特征图展开单元，用于将所述优化分类特征图按照行向量或者列向量展开为优化分类特征向量；
[0028]全连接编码单元，用于使用所述分类器的全连接层对所述优化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
[0029]分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0030]根据本申请的另一个方面，提供了一种牛津布的生产控制方法，其包括：
[0031]获取由摄像头采集的待检测成品牛津布的检测图像；
[0032]将所述检测图像通过作为特征提取器的卷积神经网络模型以得到牛津布检测特征图；
[0033]对所述牛津布检测特征图进行特征图切分以得到多个牛津布子特征图；
[0034]分别对所述多个牛津布子特征图进行卷积处理以得到多个牛津布深度子特征图；
[0035]将所述多个牛津布深度子特征图拼接为牛津布深度特征图；
[0036]对所述牛津布深度特征图进行通道重排以得到分类特征图；
[0037]对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及
[0038]将所述优化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成品牛津布的外观是否符合预定标准。
[0039]在上述的牛津布的生产控制方法中，将所述检测图像通过作为特征提取器的卷积神经网络模型以得到牛津布检测特征图，包括：
[0040]使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述牛津布检测特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述检测图像。
[0041]在上述的牛津布的生产控制方法中，分别对所述多个牛津布子特征图进行卷积处理以得到多个牛津布深度子特征图，包括：
[0042]分别对所述多个牛津布子特征图进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以得到所述多个牛津布深度子特征图。
[0043]在上述的牛津布的生产控制方法中，对所述分类特征图进行流形几何一致性优化以得到优化分类特征图，包括：
[0044]计算所述分类特征图的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；以及
[0045]以所述多个逐片近似因数对所述分类特征图的各个分类特征矩阵进行加权以得到所述优化分类特征图。
[0046]与现有技术相比，本申请提供的牛津布的生产控制系统及其方法，其首先将检测图像通过卷积神经网络模型以得到牛津布检测特征图，接着，对所述牛津布检测特征图进行特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种牛津布的生产控制系统，其特征在于，包括：图像采集模块，用于获取由摄像头采集的待检测成品牛津布的检测图像；特征提取模块，用于将所述检测图像通过作为特征提取器的卷积神经网络模型以得到牛津布检测特征图；切分模块，用于对所述牛津布检测特征图进行特征图切分以得到多个牛津布子特征图；深度滤波模块，用于分别对所述多个牛津布子特征图进行卷积处理以得到多个牛津布深度子特征图；拼接模块，用于将所述多个牛津布深度子特征图拼接为牛津布深度特征图；通道重排模块，用于对所述牛津布深度特征图进行通道重排以得到分类特征图；一致性优化模块，用于对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及外观检测结果生成模块，用于将所述优化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成品牛津布的外观是否符合预定标准。2.根据权利要求1所述的牛津布的生产控制系统，其特征在于，所述特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述牛津布检测特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述检测图像。3.根据权利要求2所述的牛津布的生产控制系统，其特征在于，所述深度滤波模块，用于：分别对所述多个牛津布子特征图进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以得到所述多个牛津布深度子特征图。4.根据权利要求3所述的牛津布的生产控制系统，其特征在于，所述一致性优化模块，包括：逐片近似因数计算单元，用于计算所述分类特征图的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；以及加权单元，用于以所述多个逐片近似因数对所述分类特征图的各个分类特征矩阵进行加权以得到所述优化分类特征图。5.根据权利要求4所述的牛津布的生产控制系统，其特征在于，所述逐片近似因数计算单元，用于：以如下因数计算公式计算所述分类特征图的每个分类特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个逐片近似因数；其中，因数计算公式为：其中，V
ij
是所述分类特征图的第i个分类特征矩阵的第j个行向量或者列向量，[:V:]表示将各个向量级联，且表示向量的二范数的平方，w
i
...

【专利技术属性】
技术研发人员：陈德选，李信德，郑和乐，
申请(专利权)人：江西中亚科技有限公司，
类型：发明
国别省市：