【技术实现步骤摘要】
本申请涉及智能检测领域，且更为具体地，涉及一种防火橱柜的生产管理系统及其方法。
技术介绍
1、防火橱柜是一种由防火板制成的橱柜。防火板是一种使用精选天然木材纤维作为原材料，经高温压力下合成的一种板材。它不仅具备传统橱柜的优点，如耐用、环保等特点，同时还具有防火的特性。
2、如果防火板材表面存在缺陷，例如裂纹、破损，火势会通过这些缺陷迅速蔓延，降低橱柜的防火效果，增加火灾蔓延的风险；并且缺陷的表面会使防火橱柜板材对水分更加敏感，导致水分渗透到板材内部，引起腐烂、霉菌滋生等问题。
3、因此，需要一种防火橱柜的生产管理方案，其可以对防火橱柜板材进行缺陷检测，在发现存在缺陷的防火板材后对其进行修复，确保防护橱柜的生产质量。
技术实现思路
1、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防火橱柜的生产管理系统及其方法，其采用基于机器视觉的人工智能检测技术，通过对待检测防火橱柜板材表面的图像进行特征提取，从而判断所述待检测防火橱柜板材是否存在缺陷。这样，可以实现自动化的表面缺陷检测，并在发现缺陷问题之后及时采取措施进行处理，以提高防火橱柜的生产质量。
2、根据本申请的一个方面，提供了一种防火橱柜的生产管理系统，其包括：
3、板材表面数据获取模块，用于获取待检测防火橱柜板材的表面图像；
4、板材图像数据增强模块，用于将所述表面图像通过基于对抗生成网络的图像清晰度增强器以得到增强表面检测图像；
5、表面特征提取
6、优化模块，用于对所述检测特征图进行秩序先验化以得到优化检测特征图；
7、缺陷检测结果生成模块，用于将所述优化检测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所述待检测防火橱柜板材是否存在缺陷。
8、在上述防火橱柜的生产管理系统中，所述板材图像数据增强模块，进一步用于：将所述表面图像通过基于对抗生成网络的图像清晰度增强器以由所述图像清晰度增强器对所述表面图像进行反卷积处理以得到所述增强表面检测图像。
9、在上述防火橱柜的生产管理系统中，所述包含混合卷积层的卷积神经网络模型包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核。
10、在上述防火橱柜的生产管理系统中，所述表面特征提取模块，进一步用于：使用具有第一尺寸的第一卷积核对所述增强表面检测图像进行卷积编码以得到第一尺度特征图；使用具有第一空洞率的第二卷积核对所述增强表面检测图像进行卷积编码以得到第二尺度特征图；使用具有第二空洞率的第三卷积核对所述增强表面检测图像进行卷积编码以得到第三尺度特征图；使用具有第三空洞率的第四卷积核对所述增强表面检测图像进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；对所述聚合特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；其中，所述包含混合卷积层的卷积神经网络模型的最后一层的输出为所述检测特征图。
11、在上述防火橱柜的生产管理系统中，所述优化模块，包括：特征解耦单元，用于沿着通道维度对所述检测特征图进行特征解耦以得到特征矩阵的序列；伪先验中心特征矩阵生成单元，用于计算所述特征矩阵的序列中所有特征矩阵的按位置均值矩阵以得到伪先验中心特征矩阵；信息熵计算单元，用于计算所述伪先验中心特征矩阵与所述特征矩阵的序列中各个特征矩阵之间的信息熵以得到多个信息熵；秩序先验化掩码特征向量生成单元，用于基于所述多个信息熵与预定阈值之间的比较，生成秩序先验化掩码特征向量；优化检测特征图生成单元，用于基于所述秩序先验化掩码特征向量，对所述检测特征图进行处理以得到所述优化检测特征图。
12、在上述防火橱柜的生产管理系统中，所述缺陷检测结果生成模块，用于：使用所述分类器以如下分类公式对所述优化检测特征图进行处理以生成所述分类结果；其中，所述分类公式为：
13、o＝softmax{(wn,bn):…:(w1,b1)|project(f)}
14、其中o为所述分类结果，project(f)表示将所述优化检测特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
15、根据本申请的另一方面，提供了一种防火橱柜的生产管理方法，其包括：
16、获取待检测防火橱柜板材的表面图像；
17、将所述表面图像通过基于对抗生成网络的图像清晰度增强器以得到增强表面检测图像；
18、将所述增强表面检测图像通过包含混合卷积层的卷积神经网络模型以得到检测特征图；
19、对所述检测特征图进行秩序先验化以得到优化检测特征图；
20、将所述优化检测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所述待检测防火橱柜板材是否存在缺陷。
21、在上述防火橱柜的生产管理方法中，所述将所述表面图像通过基于对抗生成网络的图像清晰度增强器以得到增强表面检测图像，包括：将所述表面图像通过基于对抗生成网络的图像清晰度增强器以由所述图像清晰度增强器对所述表面图像进行反卷积处理以得到所述增强表面检测图像。
22、在上述防火橱柜的生产管理方法中，所述包含混合卷积层的卷积神经网络模型包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核。
23、在上述防火橱柜的生产管理方法中，所述将所述表面图像通过基于对抗生成网络的图像清晰度增强器以得到增强表面检测图像，包括：使用具有第一尺寸的第一卷积核对所述增强表面检测图像进行卷积编码以得到第一尺度特征图；使用具有第一空洞率的第二卷积核对所述增强表面检测图像进行卷积编码以得到第二尺度特征图；使用具有第二空洞率的第三卷积核对所述增强表面检测图像进行卷积编码以得到第三尺度特征图；使用具有第三空洞率的第四卷积核对所本文档来自技高网...
【技术保护点】
1.一种防火橱柜的生产管理系统，其特征在于，包括：
2.根据权利要求1所述的防火橱柜的生产管理系统，其特征在于，所述板材图像数据增强模块，进一步用于：将所述表面图像通过基于对抗生成网络的图像清晰度增强器以由所述图像清晰度增强器对所述表面图像进行反卷积处理以得到所述增强表面检测图像。
3.根据权利要求2所述的防火橱柜的生产管理系统，其特征在于，所述包含混合卷积层的卷积神经网络模型包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核。
4.根据权利要求3所述的防火橱柜的生产管理系统，其特征在于，所述表面特征提取模块，进一步用于：
5.根据权利要求4所述的防火橱柜的生产管理系统，其特征在于，所述优化模块，包括：
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。