[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115601318B - 快吸收低反渗纸尿裤智能生产方法及其系统 - Google Patents

快吸收低反渗纸尿裤智能生产方法及其系统 Download PDF

Info

Publication number
CN115601318B
CN115601318B CN202211233469.0A CN202211233469A CN115601318B CN 115601318 B CN115601318 B CN 115601318B CN 202211233469 A CN202211233469 A CN 202211233469A CN 115601318 B CN115601318 B CN 115601318B
Authority
CN
China
Prior art keywords
feature map
training
feature
neural network
differential
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.)
Active
Application number
CN202211233469.0A
Other languages
English (en)
Other versions
CN115601318A (zh
Inventor
侯中华
潘浩添
梁崇驹
颜汉民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Winsun Personal Care Supplies Co ltd
Original Assignee
Guangdong Winsun Personal Care Supplies Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Winsun Personal Care Supplies Co ltd filed Critical Guangdong Winsun Personal Care Supplies Co ltd
Priority to CN202211233469.0A priority Critical patent/CN115601318B/zh
Publication of CN115601318A publication Critical patent/CN115601318A/zh
Application granted granted Critical
Publication of CN115601318B publication Critical patent/CN115601318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Absorbent Articles And Supports Therefor (AREA)
  • Orthopedics, Nursing, And Contraception (AREA)

Abstract

公开了一种快吸收低反渗纸尿裤智能生产方法及其系统，其通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型对组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像进行高维空间内的深层特征挖掘，并在高维特征空间中对于两者的特征一致性进行比对以得到差分特征图；然后，通过并行权重分配模块中的空间注意力模块和通道注意力模块分别对于差分特征图进行特征加强，并以此来进行组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的判断。这样，可以更好地实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。

Description

快吸收低反渗纸尿裤智能生产方法及其系统
技术领域
本申请涉及智能化生成技术领域，且更为具体地，涉及一种快吸收低反渗纸尿裤智能生产方法及其系统。
背景技术
随着人们生活水平的提高，由于一次性卫生用品可以为人们的生活提供极大的便利，因此成为大多数人的选择。目前一次性卫生用品尤其以纸尿裤为主，纸尿裤中的吸收芯在一次性卫生用品中属于核心产品，是吸收各种液体的关键组件。
但是，现有的吸收芯是利用在其中填充的高分子吸收树脂来吸收液体，由于没有对其进行适当的结构设计，在吸收液体时使液体集聚于面向人体的一侧，容易出现反渗。当液体量较多时，面向人体侧的吸收芯体吸收液体的速度慢，当使用者躺着，运动幅度较大时会进一步发生液体的侧漏，严重影响了使用者的舒适度。
针对上述技术问题，中国专利CN112245116揭露了一种快吸收低反渗的纸尿裤，其吸收芯体包括第一吸收芯体和第二吸收芯体，由于第一吸收芯体中的高分子吸收树脂的含量大于第二吸收芯体的含量，可以确保纸尿裤在吸收液体的过程中使得绝大多数的液体被第二吸收芯体快速吸收，使得面向人体的第一吸收芯体中吸收较少的液体，提高液体吸收速度，降低液体的反渗，从而提高了使用者的舒适度。
在上述快吸收低反渗的纸尿裤的制备过程中，优选地第二吸收芯体的面积大于第一吸收芯体且第二吸收芯体能够完全地覆盖第一吸收芯体，这就要求在制备过程中对第一吸收芯体和第二吸收芯体之间的组装相对位置关系进行监控以避免两者发生错位，影响最终的成型效果。
因此，期待一种快吸收低反渗纸尿裤的智能生产方案。
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快吸收低反渗纸尿裤智能生产方法及其系统，其通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型对组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像进行高维空间内的深层特征挖掘，并在高维特征空间中对于两者的特征一致性进行比对以得到差分特征图；然后，通过并行权重分配模块中的空间注意力模块和通道注意力模块分别对于差分特征图进行特征加强，并以此来进行组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的判断。这样，可以更好地实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。
根据本申请的一个方面，提供了一种快吸收低反渗纸尿裤智能生产方法，其特征在于，包括：
获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；
将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；
计算所述检测特征图和所述参考特征图之间的差分特征图；
将所述差分特征图通过并行权重分配模块以得到增强特征图；以及
将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求。
根据本申请的另一方面，提供了一种快吸收低反渗纸尿裤智能生产系统，其特征在于，包括：
图像获取模块，用于获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；
特征提取模块，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；
差分特征图计算模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；
并行权重分配模块，用于将所述差分特征图通过并行权重分配模块以得到增强特征图；以及
组装结果生成模块，用于将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求。
与现有技术相比，本申请提供的快吸收低反渗纸尿裤智能生产方法及其系统，其通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型对组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像进行高维空间内的深层特征挖掘，并在高维特征空间中对于两者的特征一致性进行比对以得到差分特征图；然后，通过并行权重分配模块中的空间注意力模块和通道注意力模块分别对于差分特征图进行特征加强，并以此来进行组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的判断。这样，可以更好地实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。
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图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法的场景示意图。
图2图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法的流程图。
图3图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法的架构示意图。
图4图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图的流程图。
图5图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述差分特征图通过并行权重分配模块以得到增强特征图的流程图。
图6图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图的流程图。
图7图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图的流程图。
图8图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练的流程图。
图9图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产系统的框图。
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。
场景概述
如上所述，现有的吸收芯是利用在其中填充的高分子吸收树脂来吸收液体，由于没有对其进行适当的结构设计，在吸收液体时使液体集聚于面向人体的一侧，容易出现反渗。当液体量较多时，面向人体侧的吸收芯体吸收液体的速度慢，当使用者躺着，运动幅度较大时会进一步发生液体的侧漏，严重影响了使用者的舒适度。
针对上述技术问题，中国专利CN112245116揭露了一种快吸收低反渗的纸尿裤，其吸收芯体包括第一吸收芯体和第二吸收芯体，由于第一吸收芯体中的高分子吸收树脂的含量大于第二吸收芯体的含量，可以确保纸尿裤在吸收液体的过程中使得绝大多数的液体被第二吸收芯体快速吸收，使得面向人体的第一吸收芯体中吸收较少的液体，提高液体吸收速度，降低液体的反渗，从而提高了使用者的舒适度。
在上述快吸收低反渗的纸尿裤的制备过程中，优选地第二吸收芯体的面积大于第一吸收芯体且第二吸收芯体能够完全地覆盖第一吸收芯体，这就要求在制备过程中对第一吸收芯体和第二吸收芯体之间的组装相对位置关系进行监控以避免两者发生错位，影响最终的成型效果。因此，期待一种快吸收低反渗纸尿裤的智能生产方案。
目前，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、语音信号处理等领域。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。
近年来，深度学习以及神经网络的发展为快吸收低反渗纸尿裤的智能生产提供了新的解决思路和方案。
应可以理解，由于如果组装满足要求，则从俯视视角来看，组装在一起的第一和第二吸收芯体仅能够看到所述第二吸收芯体，而如果组装错位，则会有所述第一吸收芯体突出。因此，为了对于在制备过程中的第一吸收芯体和第二吸收芯体之间的组装相对位置关系进行监控来保证纸尿裤生产的成型效果，以实现快吸收低反渗纸尿裤的智能生产，最直接的方法就是利用参考设计图像和实际图像进行对比来进行监测。但是，考虑到这两者的图像在实际的对比过程中不仅尺寸互不相同，而且图像中的特征信息也难以进行深度对比，从而造成判断的结果精准度不高。因此，在本申请的技术方案中，期望利用基于深度学习的人工智能算法来对于组装检测图像和设计参考图像进行高维空间内的深层特征挖掘，以在高维特征空间中对于两者的特征一致性进行比对，并以此来进行组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的判断，进而实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。
具体地，在本申请的技术方案中，首先，获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像。然后，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来进行特征挖掘。具体地，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型中进行处理，以分别提取出所述检测图像和所述参考图像中的局部特征在高维空间中的特征分布表示，从而得到检测特征图和参考特征图。特别地，这里，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
应可以理解，由于在对于快吸收低反渗的纸尿裤的制备过程中，优选地所述第二吸收芯体的面积大于所述第一吸收芯体且所述第二吸收芯体能够完全地覆盖所述第一吸收芯体。因此，为了能够在制备过程中对所述第一吸收芯体和所述第二吸收芯体之间的组装相对位置关系进行监控以避免两者发生错位，进一步计算所述检测特征图和所述参考特征图之间的差分特征图，以通过在高维特征空间中对于实际的检测图像和设计参考图像进行一致性比较来进行相对位置关系的判断。
接着，考虑到由于所述第一吸收芯体中的高分子吸收树脂的含量大于所述第二吸收芯体的含量，且所述第二吸收芯体的面积大于所述第一吸收芯体，以使得所述第二吸收芯体能够完全地覆盖所述第一吸收芯体。因此，在本申请的技术方案中，在对于实际检测图像和所述参考图像在高维特征空间中进行特征一致性比对时，应更加关注于所述第一吸收芯体和所述第二吸收芯体在空间位置上和通道维度上的特征信息，而滤除对于所述第一吸收芯体和所述第二吸收芯体之间的相对位置关系检测判断无用的特征信息干扰。因此，进一步将所述差分特征图通过并行权重分配模块以得到增强特征图。具体地，所述并行权重分配模块使用空间注意力模块和通道注意力模块分别对于所述差分特征图进行特征加强，也就是，所述并行权重分配模块通过注意力模块分别从通道注意力和空间注意力两个角度对所述差分特征图同时进行处理，以加强有效特征表示并抑制无用特征信息，进而来提高后续分类的准确性。
进一步地，再将得到的所述增强特征图通过分类器中进行分类处理，以得到用于表示组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的分类结果。
特别地，在本申请的技术方案中，由于通过分类器进行分类的所述增强特征图是从作为所述检测特征图和所述参考特征图之间的差分的所述差分特征图通过并行权重分配模块得到的，因此在对模型进行训练中，当计算损失函数的梯度并从分类器向模型进行反向传播时，梯度会分别通过得到所述检测特征图和所述参考特征图的所述第一卷积神经网络和所述第二卷积神经网络，这时，可能会由于异常的梯度分支而导致所述检测特征图和所述参考特征图所表达的特征模式的消解。
基于此，在本申请的技术方案中，优选地在分类损失函数之外，进一步引入分类模式消解抑制损失函数：
Figure GDA0004128408820000061
V1和V2分别是所述检测特征图和所述参考特征图展开后得到的特征向量，且M1和M2分别是分类器对于V1和V2的权重矩阵，
Figure GDA0004128408820000062
表示向量的二范数的平方。
也就是，通过引入分类模式消解抑制损失函数，将分类器权重的伪差异推向所述检测特征图和所述参考特征图的真实的特征分布差异，即所述差分特征图的特征分布，从而保证梯度反向传播时的定向导数在梯度分支点附近得到正则化，也就是，将梯度在所述第一卷积神经网络和所述第二卷积神经网络的特征提取模式之间进行过加权，从而对特征的分类模式消解进行抑制，以提高所述检测特征图和所述参考特征图的特征表达能力，从而相应地提高由差分特征图得到的所述增强特征图的分类结果的准确性。这样，能够对于所述组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求进行准确地判断，进而更好地实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。
基于此，本申请提供了一种快吸收低反渗纸尿裤智能生产方法，其包括：获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；计算所述检测特征图和所述参考特征图之间的差分特征图；将所述差分特征图通过并行权重分配模块以得到增强特征图；以及，将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求。
图1图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法的场景示意图。如图1所示，在该应用场景中，获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像(例如，如图1中所示意的C)以及参考图像(例如，如图1中所示意的M)，所述参考图像为所述第二吸收芯体的设计图像；然后，将获取的检测图像和参考图像输入至部署有快吸收低反渗纸尿裤智能生产算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器以快吸收低反渗纸尿裤智能生产算法对所述检测图像和所述参考图像进行处理，以生成用于表示组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的分类结果。
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图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法的流程图。如图2所示，根据本申请实施例的快吸收低反渗纸尿裤智能生产方法，包括步骤：S110，获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；S120，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；S130，计算所述检测特征图和所述参考特征图之间的差分特征图；S140，将所述差分特征图通过并行权重分配模块以得到增强特征图；以及，S150，将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求。
图3图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法的架构示意图。如图3所示，在该网络架构中，首先，获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；然后，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；接着，计算所述检测特征图和所述参考特征图之间的差分特征图；然后，将所述差分特征图通过并行权重分配模块以得到增强特征图；以及，最后，将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求。
在步骤S110中，获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像。如前所述，现有的吸收芯是利用在其中填充的高分子吸收树脂来吸收液体，由于没有对其进行适当的结构设计，在吸收液体时使液体集聚于面向人体的一侧，容易出现反渗。当液体量较多时，面向人体侧的吸收芯体吸收液体的速度慢，当使用者躺着，运动幅度较大时会进一步发生液体的侧漏，严重影响了使用者的舒适度。
针对上述技术问题，中国专利CN112245116揭露了一种快吸收低反渗的纸尿裤，其吸收芯体包括第一吸收芯体和第二吸收芯体，由于第一吸收芯体中的高分子吸收树脂的含量大于第二吸收芯体的含量，可以确保纸尿裤在吸收液体的过程中使得绝大多数的液体被第二吸收芯体快速吸收，使得面向人体的第一吸收芯体中吸收较少的液体，提高液体吸收速度，降低液体的反渗，从而提高了使用者的舒适度。
在上述快吸收低反渗的纸尿裤的制备过程中，优选地第二吸收芯体的面积大于第一吸收芯体且第二吸收芯体能够完全地覆盖第一吸收芯体，这就要求在制备过程中对第一吸收芯体和第二吸收芯体之间的组装相对位置关系进行监控以避免两者发生错位，影响最终的成型效果。因此，期待一种快吸收低反渗纸尿裤的智能生产方案。
目前，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、语音信号处理等领域。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。
近年来，深度学习以及神经网络的发展为快吸收低反渗纸尿裤的智能生产提供了新的解决思路和方案。
应可以理解，由于如果组装满足要求，则从俯视视角来看，组装在一起的第一和第二吸收芯体仅能够看到所述第二吸收芯体，而如果组装错位，则会有所述第一吸收芯体突出。因此，为了对于在制备过程中的第一吸收芯体和第二吸收芯体之间的组装相对位置关系进行监控来保证纸尿裤生产的成型效果，以实现快吸收低反渗纸尿裤的智能生产，最直接的方法就是利用参考设计图像和实际图像进行对比来进行监测。但是，考虑到这两者的图像在实际的对比过程中不仅尺寸互不相同，而且图像中的特征信息也难以进行深度对比，从而造成判断的结果精准度不高。因此，在本申请的技术方案中，期望利用基于深度学习的人工智能算法来对于组装检测图像和设计参考图像进行高维空间内的深层特征挖掘，以在高维特征空间中对于两者的特征一致性进行比对，并以此来进行组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的判断，进而实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。
具体地，在本申请的技术方案中，首先，获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像。
在步骤S120中，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。也就是，在得到所述组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像后，接着，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来进行特征挖掘。具体地，将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型中进行处理，以分别提取出所述检测图像和所述参考图像中的局部特征在高维空间中的特征分布表示，从而得到检测特征图和参考特征图。特别地，这里，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构。
具体地，在本申请实施例中，图4图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图的流程图，如图4所示，所述将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，包括：S210，使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图；以及，S220，使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
在步骤S130中，计算所述检测特征图和所述参考特征图之间的差分特征图。应可以理解，由于在对于快吸收低反渗的纸尿裤的制备过程中，优选地所述第二吸收芯体的面积大于所述第一吸收芯体且所述第二吸收芯体能够完全地覆盖所述第一吸收芯体。因此，为了能够在制备过程中对所述第一吸收芯体和所述第二吸收芯体之间的组装相对位置关系进行监控以避免两者发生错位，进一步计算所述检测特征图和所述参考特征图之间的差分特征图，以通过在高维特征空间中对于实际的检测图像和设计参考图像进行一致性比较来进行相对位置关系的判断。
进一步地，使用如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure GDA0004128408820000101
其中，Fd表示所述差分特征图，F1表示所述检测特征图，F2表示所述参考特征图，
Figure GDA0004128408820000102
表示按位置减法。
在步骤S140中，将所述差分特征图通过并行权重分配模块以得到增强特征图。考虑到由于所述第一吸收芯体中的高分子吸收树脂的含量大于所述第二吸收芯体的含量，且所述第二吸收芯体的面积大于所述第一吸收芯体，以使得所述第二吸收芯体能够完全地覆盖所述第一吸收芯体。因此，在本申请的技术方案中，在对于实际检测图像和所述参考图像在高维特征空间中进行特征一致性比对时，应更加关注于所述第一吸收芯体和所述第二吸收芯体在空间位置上和通道维度上的特征信息，而滤除对于所述第一吸收芯体和所述第二吸收芯体之间的相对位置关系检测判断无用的特征信息干扰。
因此，进一步将所述差分特征图通过并行权重分配模块以得到增强特征图。具体地，所述并行权重分配模块使用空间注意力模块和通道注意力模块分别对于所述差分特征图进行特征加强，也就是，所述并行权重分配模块通过注意力模块分别从通道注意力和空间注意力两个角度对所述差分特征图同时进行处理，以加强有效特征表示并抑制无用特征信息，进而来提高后续分类的准确性。
具体地，在本申请实施例中，图5图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述差分特征图通过并行权重分配模块以得到增强特征图的流程图，如图5所示，所述将所述差分特征图通过并行权重分配模块以得到增强特征图，包括：S310，将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图；S320，将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图；以及，S330，融合所述空间注意力特征图和所述通道注意力特征图以得到所述增强特征图。
进一步地，图6图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图的流程图，如图6所示，所述将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图，包括：S410，使用所述并行权重分配模块的空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到差分卷积特征图；S420，将所述差分卷积特征图输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力图；S430，将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，S440，计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述空间注意力特征图。
更进一步地，图7图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图的流程图，如图7所示，所述将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图，包括：S510，将所述差分特征图输入所述并行权重分配模块的通道注意力模块的多层卷积层以得到第二卷积特征图；S520，计算所述第二卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；S530，将所述通道特征向量输入所述Sigmoid激活函数以得到通道注意力权重向量；以及，S540，以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述第二卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
在步骤S150中，将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求。也就是，进一步地，再将得到的所述增强特征图通过分类器中进行分类处理，以得到用于表示组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的分类结果。
进一步地，使用所述分类器以如下公式对所述增强特征图进行处理以生成分类结果；其中，所述公式为：softmax{(Mc,Bc)│Project(F)}，其中，Project(F)表示将所述增强特征图投影为向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量。
应可以理解，在本申请实施例中，所述快吸收低反渗纸尿裤智能生产方法，还包括对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练。其中，图8图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产方法中对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练的流程图，如图8所示，所述对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练，包括：S610，获取训练数据，所述训练数据包括组装在一起的第一吸收芯体和第二吸收芯体的训练检测图像、作为所述第二吸收芯体的设计图像的训练参考图像，以及，所述组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的真实值；S620，将所述训练检测图像和所述训练参考图像通过包含第一卷积神经网络和第二卷积神经网络的所述孪生网络模型以得到训练检测特征图和训练参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；S630，计算所述训练检测特征图和所述训练参考特征图之间的训练差分特征图；S640，将所述训练差分特征图通过所述并行权重分配模块以得到训练增强特征图；S650，将所述训练增强特征图通过分类器以得到分类损失函数值；S660，计算所述训练检测特征图和所述训练参考特征图的分类模式消解抑制损失函数值；以及，S670，以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练。
特别地，在本申请的技术方案中，由于通过分类器进行分类的所述增强特征图是从作为所述检测特征图和所述参考特征图之间的差分的所述差分特征图通过并行权重分配模块得到的，因此在对模型进行训练中，当计算损失函数的梯度并从分类器向模型进行反向传播时，梯度会分别通过得到所述检测特征图和所述参考特征图的所述第一卷积神经网络和所述第二卷积神经网络，这时，可能会由于异常的梯度分支而导致所述检测特征图和所述参考特征图所表达的特征模式的消解。
基于此，在本申请的技术方案中，优选地在分类损失函数之外，进一步引入分类模式消解抑制损失函数，也就是，以如下公式计算所述训练检测特征图和所述训练参考特征图的所述分类模式消解抑制损失函数值；其中，所述公式为：
Figure GDA0004128408820000131
其中V1和F2分别是所述训练检测特征图和所述训练参考特征图展开后得到的特征向量，且M1和M2分别是所述分类器对于所述训练检测特征图和所述训练参考特征图展开后得到的特征向量的权重矩阵，
Figure GDA0004128408820000132
表示向量的二范数的平方，‖·‖F表示矩阵的F范数，
Figure GDA0004128408820000133
表示按位置减法，exp表示向量的指数运算和矩阵的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
也就是，通过引入分类模式消解抑制损失函数，将分类器权重的伪差异推向所述检测特征图和所述参考特征图的真实的特征分布差异，即所述差分特征图的特征分布，从而保证梯度反向传播时的定向导数在梯度分支点附近得到正则化，也就是，将梯度在所述第一卷积神经网络和所述第二卷积神经网络的特征提取模式之间进行过加权，从而对特征的分类模式消解进行抑制，以提高所述检测特征图和所述参考特征图的特征表达能力，从而相应地提高由差分特征图得到的所述增强特征图的分类结果的准确性。这样，能够对于所述组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求进行准确地判断，进而更好地实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。
综上，基于本申请实施例的快吸收低反渗纸尿裤智能生产方法被阐明，其通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型对组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像进行高维空间内的深层特征挖掘，并在高维特征空间中对于两者的特征一致性进行比对以得到差分特征图；然后，通过并行权重分配模块中的空间注意力模块和通道注意力模块分别对于差分特征图进行特征加强，并以此来进行组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的判断。这样，可以更好地实现快吸收低反渗纸尿裤的智能生产，以保证纸尿裤的生产成型效果。
示例性系统
图9图示了根据本申请实施例的快吸收低反渗纸尿裤智能生产系统100的框图。如图9所示，根据本申请实施例的快吸收低反渗纸尿裤智能生产系统100，包括：图像获取模块110，用于获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；特征提取模块120，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；差分特征图计算模块130，用于计算所述检测特征图和所述参考特征图之间的差分特征图；并行权重分配模块140，用于将所述差分特征图通过并行权重分配模块以得到增强特征图；以及，组装结果生成模块150，用于将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，所述特征提取模块，包括：第一特征提取单元，用于使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图；以及，第二特征提取单元，用于使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，所述差分特征图计算模块，用于：使用如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure GDA0004128408820000141
其中，Fd表示所述差分特征图，F1表示所述检测特征图，F2表示所述参考特征图，
Figure GDA0004128408820000151
表示按位置减法。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，所述并行权重分配模块，包括：空间注意力特征图获取单元，用于将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图；通道注意力特征图获取单元，用于将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图；以及，融合单元，用于融合所述空间注意力特征图和所述通道注意力特征图以得到所述增强特征图。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，所述空间注意力特征图获取单元，包括：卷积编码子单元，用于使用所述并行权重分配模块的空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到差分卷积特征图；空间注意力图获取子单元，用于将所述差分卷积特征图输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力图；激活子单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算子单元，计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述空间注意力特征图。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，所述通道注意力特征图获取单元，包括：卷积子单元，用于将所述差分特征图输入所述并行权重分配模块的通道注意力模块的多层卷积层以得到第二卷积特征图；全局均值计算子单元，用于计算所述第二卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；通道注意力权重向量计算子单元，用于将所述通道特征向量输入所述Sigmoid激活函数以得到通道注意力权重向量；以及，加权子单元，用于以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述第二卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，所述组装结果生成模块，用于：使用所述分类器以如下公式对所述增强特征图进行处理以生成分类结果；其中，所述公式为：softmax{(Mc,Bc)│Project(F)}，其中，Project(F)表示将所述增强特征图投影为向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，还包括对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练；其中，所述对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练，包括：训练数据获取模块，用于获取训练数据，所述训练数据包括组装在一起的第一吸收芯体和第二吸收芯体的训练检测图像、作为所述第二吸收芯体的设计图像的训练参考图像，以及，所述组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的真实值；训练特征提取模块，用于将所述训练检测图像和所述训练参考图像通过包含第一卷积神经网络和第二卷积神经网络的所述孪生网络模型以得到训练检测特征图和训练参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；训练差分特征图计算模块，用于计算所述训练检测特征图和所述训练参考特征图之间的训练差分特征图；训练增强特征图获取模块，用于将所述训练差分特征图通过所述并行权重分配模块以得到训练增强特征图；分类损失函数值生成模块，用于将所述训练增强特征图通过分类器以得到分类损失函数值；分类模式消解抑制损失函数值计算模块，用于计算所述训练检测特征图和所述训练参考特征图的分类模式消解抑制损失函数值；以及，训练模块，用于以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练。
在一个实施例中，在上述快吸收低反渗纸尿裤智能生产系统100中，所述分类模式消解抑制损失函数值计算模块，用于：以如下公式计算所述训练检测特征图和所述训练参考特征图的所述分类模式消解抑制损失函数值；其中，所述公式为：
Figure GDA0004128408820000161
其中V1和V2分别是所述训练检测特征图和所述训练参考特征图展开后得到的特征向量，且M1和m2分别是所述分类器对于所述训练检测特征图和所述训练参考特征图展开后得到的特征向量的权重矩阵，
Figure GDA0004128408820000162
表示向量的二范数的平方，‖·‖F表示矩阵的F范数，
Figure GDA0004128408820000163
表示按位置减法，exp表示向量的指数运算和矩阵的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
这里，本领域技术人员可以理解，上述快吸收低反渗纸尿裤智能生产系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图8的快吸收低反渗纸尿裤智能生产方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的快吸收低反渗纸尿裤智能生产系统100可以实现在各种无线终端中，例如用于快吸收低反渗纸尿裤智能生产系统的服务器等。在一个示例中，根据本申请实施例的快吸收低反渗纸尿裤智能生产系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该快吸收低反渗纸尿裤智能生产系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该快吸收低反渗纸尿裤智能生产系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该快吸收低反渗纸尿裤智能生产系统100与该无线终端也可以是分立的设备，并且该快吸收低反渗纸尿裤智能生产系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

Claims (6)

1.一种快吸收低反渗纸尿裤智能生产方法，其特征在于，包括：
获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；
将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；
计算所述检测特征图和所述参考特征图之间的差分特征图；
将所述差分特征图通过并行权重分配模块以得到增强特征图；以及
将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求；
其中，所述将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图，包括：
使用所述并行权重分配模块的空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到差分卷积特征图；
将所述差分卷积特征图输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力图；
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及
计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述空间注意力特征图；
其中，所述将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图，包括：
将所述差分特征图输入所述并行权重分配模块的通道注意力模块的多层卷积层以得到第二卷积特征图；
计算所述第二卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；
将所述通道特征向量输入Sigmoid激活函数以得到通道注意力权重向量；以及
以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述第二卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图；
其中，还包括对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练；
其中，所述对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括组装在一起的第一吸收芯体和第二吸收芯体的训练检测图像、作为所述第二吸收芯体的设计图像的训练参考图像，以及，所述组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的真实值；
将所述训练检测图像和所述训练参考图像通过包含第一卷积神经网络和第二卷积神经网络的所述孪生网络模型以得到训练检测特征图和训练参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；
计算所述训练检测特征图和所述训练参考特征图之间的训练差分特征图；
将所述训练差分特征图通过所述并行权重分配模块以得到训练增强特征图；
将所述训练增强特征图通过分类器以得到分类损失函数值；
计算所述训练检测特征图和所述训练参考特征图的分类模式消解抑制损失函数值；以及
以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练；
其中，所述计算所述训练检测特征图和所述训练参考特征图的分类模式消解抑制损失函数值，包括：
以如下公式计算所述训练检测特征图和所述训练参考特征图的所述分类模式消解抑制损失函数值；
其中，所述公式为：
Figure QLYQS_1
其中V1和V2分别是所述训练检测特征图和所述训练参考特征图展开后得到的特征向量，且M1和M2分别是所述分类器对于所述训练检测特征图和所述训练参考特征图展开后得到的特征向量的权重矩阵，
Figure QLYQS_2
表示向量的二范数的平方，‖·‖F表示矩阵的F范数，
Figure QLYQS_3
表示按位置减法，exp表示向量的指数运算和矩阵的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
2.根据权利要求1所述的快吸收低反渗纸尿裤智能生产方法，其特征在于，所述将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，包括：
使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述检测特征图；以及
使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述第二卷积神经网络的最后一层输出所述参考特征图。
3.根据权利要求2所述的快吸收低反渗纸尿裤智能生产方法，其特征在于，所述计算所述检测特征图和所述参考特征图之间的差分特征图，包括：使用如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；
其中，所述公式为：
Figure QLYQS_4
其中，Fd表示所述差分特征图，F1表示所述检测特征图，F2表示所述参考特征图，
Figure QLYQS_5
表示按位置减法。
4.根据权利要求3所述的快吸收低反渗纸尿裤智能生产方法，其特征在于，所述将所述差分特征图通过并行权重分配模块以得到增强特征图，包括：
将所述差分特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图；
将所述差分特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图；以及
融合所述空间注意力特征图和所述通道注意力特征图以得到所述增强特征图。
5.根据权利要求4所述的快吸收低反渗纸尿裤智能生产方法，其特征在于，所述将所述增强特征图通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述增强特征图进行处理以生成分类结果；其中，所述公式为：softmax{(Mc,Bc)│Project(F)}，其中，Project(F)表示将所述增强特征图投影为向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量。
6.一种快吸收低反渗纸尿裤智能生产系统，其特征在于，包括：
图像获取模块，用于获取组装在一起的第一吸收芯体和第二吸收芯体的检测图像以及参考图像，所述参考图像为所述第二吸收芯体的设计图像；
特征提取模块，用于将所述检测图像和所述参考图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；
差分特征图计算模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；
并行权重分配模块，用于将所述差分特征图通过并行权重分配模块以得到增强特征图；以及
组装结果生成模块，用于将所述增强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组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求；
其中，空间注意力特征图获取单元，包括：卷积编码子单元，用于使用所述并行权重分配模块的空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到差分卷积特征图；空间注意力图获取子单元，用于将所述差分卷积特征图输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力图；激活子单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算子单元，计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述空间注意力特征图；
其中，通道注意力特征图获取单元，包括：卷积子单元，用于将所述差分特征图输入所述并行权重分配模块的通道注意力模块的多层卷积层以得到第二卷积特征图；全局均值计算子单元，用于计算所述第二卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；通道注意力权重向量计算子单元，用于将所述通道特征向量输入Sigmoid激活函数以得到通道注意力权重向量；以及，加权子单元，用于以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述第二卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图；
其中，还包括对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练；其中，所述对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练，包括：训练数据获取模块，用于获取训练数据，所述训练数据包括组装在一起的第一吸收芯体和第二吸收芯体的训练检测图像、作为所述第二吸收芯体的设计图像的训练参考图像，以及，所述组装完成的第一吸收芯体和第二吸收芯体之间的相对位置关系是否满足预定要求的真实值；训练特征提取模块，用于将所述训练检测图像和所述训练参考图像通过包含第一卷积神经网络和第二卷积神经网络的所述孪生网络模型以得到训练检测特征图和训练参考特征图，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；训练差分特征图计算模块，用于计算所述训练检测特征图和所述训练参考特征图之间的训练差分特征图；训练增强特征图获取模块，用于将所述训练差分特征图通过所述并行权重分配模块以得到训练增强特征图；分类损失函数值生成模块，用于将所述训练增强特征图通过分类器以得到分类损失函数值；分类模式消解抑制损失函数值计算模块，用于计算所述训练检测特征图和所述训练参考特征图的分类模式消解抑制损失函数值；以及，训练模块，用于以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络模型、所述并行权重分配模块和所述分类器进行训练；
其中，所述分类模式消解抑制损失函数值计算模块，用于：以如下公式计算所述训练检测特征图和所述训练参考特征图的所述分类模式消解抑制损失函数值；其中，所述公式为：
Figure QLYQS_6
其中V1和V2分别是所述训练检测特征图和所述训练参考特征图展开后得到的特征向量，且M1和M2分别是所述分类器对于所述训练检测特征图和所述训练参考特征图展开后得到的特征向量的权重矩阵，
Figure QLYQS_7
表示向量的二范数的平方，‖·‖F表示矩阵的F范数，
Figure QLYQS_8
表示按位置减法，exp表示向量的指数运算和矩阵的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
CN202211233469.0A 2022-10-10 2022-10-10 快吸收低反渗纸尿裤智能生产方法及其系统 Active CN115601318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211233469.0A CN115601318B (zh) 2022-10-10 2022-10-10 快吸收低反渗纸尿裤智能生产方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211233469.0A CN115601318B (zh) 2022-10-10 2022-10-10 快吸收低反渗纸尿裤智能生产方法及其系统

Publications (2)

Publication Number Publication Date
CN115601318A CN115601318A (zh) 2023-01-13
CN115601318B true CN115601318B (zh) 2023-05-02

Family

ID=84846402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211233469.0A Active CN115601318B (zh) 2022-10-10 2022-10-10 快吸收低反渗纸尿裤智能生产方法及其系统

Country Status (1)

Country Link
CN (1) CN115601318B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051506B (zh) * 2023-01-28 2023-06-16 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116030048B (zh) * 2023-03-27 2023-07-18 山东鹰眼机械科技有限公司 灯检机及其方法
CN117008557B (zh) * 2023-09-28 2023-12-15 苏州顶材新材料有限公司 共混型互穿网络热塑性弹性体的生产控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110581837A (zh) * 2019-03-15 2019-12-17 上海大学 一种基于物联网的智能急救箱管理系统和方法
CN111192292A (zh) * 2019-12-27 2020-05-22 深圳大学 基于注意力机制与孪生网络的目标跟踪方法及相关设备
CN112651320A (zh) * 2020-12-21 2021-04-13 南京掘物网络信息技术有限公司 用于智能化纺织车间的吸尘器的功率智能控制方法
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN114581767A (zh) * 2022-01-19 2022-06-03 上海土蜂科技有限公司 图像处理系统、方法及其计算机装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3637303B1 (en) * 2018-10-09 2024-02-14 Naver Corporation Methods for generating a base of training images, for training a cnn and for detecting a poi change in a pair of inputted poi images using said cnn
CN109794436A (zh) * 2018-10-30 2019-05-24 泉州装备制造研究所 基于计算机视觉的一次性纸尿裤智能分拣系统
US11164329B2 (en) * 2018-11-01 2021-11-02 Inpixon Multi-channel spatial positioning system
CN110728330A (zh) * 2019-10-23 2020-01-24 腾讯科技（深圳）有限公司 基于人工智能的对象识别方法、装置、设备及存储介质
CN112245116A (zh) * 2020-10-27 2021-01-22 湖南爽洁卫生用品有限公司 一种快吸收低反渗的纸尿裤
CN112932803A (zh) * 2021-01-27 2021-06-11 江南大学 一种智能纸尿裤检测分析系统
CN113208632A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 一种基于卷积神经网络的注意力检测方法、系统
CN113609896B (zh) * 2021-06-22 2023-09-01 武汉大学 基于对偶相关注意力的对象级遥感变化检测方法及系统
CN114299000A (zh) * 2021-12-24 2022-04-08 哈尔滨工业大学（深圳） 一种基于可微分神经网络架构搜索的缺陷检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN110581837A (zh) * 2019-03-15 2019-12-17 上海大学 一种基于物联网的智能急救箱管理系统和方法
CN111192292A (zh) * 2019-12-27 2020-05-22 深圳大学 基于注意力机制与孪生网络的目标跟踪方法及相关设备
CN112651320A (zh) * 2020-12-21 2021-04-13 南京掘物网络信息技术有限公司 用于智能化纺织车间的吸尘器的功率智能控制方法
CN114581767A (zh) * 2022-01-19 2022-06-03 上海土蜂科技有限公司 图像处理系统、方法及其计算机装置

Also Published As

Publication number Publication date
CN115601318A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN115601318B (zh) 快吸收低反渗纸尿裤智能生产方法及其系统
CN104809722A (zh) 一种基于红外热像的电气设备故障诊断方法
CN114937066A (zh) 基于交叉偏移特征与空间一致性的点云配准系统及方法
CN115564766B (zh) 水轮机蜗壳座环的制备方法及其系统
CN115223020B (zh) 图像处理方法、装置、设备、存储介质及计算机程序产品
CN114494789B (zh) 图像风格迁移模型的训练方法、系统、设备及存储介质
CN115456789B (zh) 基于交易模式识别的异常交易检测方法及其系统
CN115013298B (zh) 污水泵的实时性能在线监测系统及其监测方法
CN112633425B (zh) 图像分类方法和装置
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
CN114800229B (zh) 双面双玻表面抛光装置及其抛光方法
CN110111365B (zh) 基于深度学习的训练方法和装置以及目标跟踪方法和装置
CN115761900A (zh) 用于实训基地管理的物联网云平台
CN115580564B (zh) 一种物联网通信网关动态调用装置
CN116503354A (zh) 基于多模态融合的光伏电池热斑检测及评估方法与装置
CN116151270A (zh) 泊车测试系统及方法
CN112819044B (zh) 用于目标对象的目标操作任务补偿的神经网络的训练方法
CN112960213A (zh) 使用特征概率分布表示的智能包装质量检测方法
CN116955991A (zh) 智能室内环境检测系统及其方法
CN116704547A (zh) 一种隐私保护下基于gcn-lstm的人体姿态检测方法
CN116204821A (zh) 用于轨道交通车辆的振动评估方法及系统
CN116563816A (zh) 一种基于智能灯杆的道路识别方法及系统
CN116188847A (zh) 军事玩具模型的智能化加工方法及其系统
CN114998711A (zh) 一种空中红外弱小目标检测方法、系统及计算机存储介质
CN115273048A (zh) 基于视觉的手部脱离方向盘检测判断方法及电子设备

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
GR01 Patent grant
GR01 Patent grant