显影剂供应设备及方法与流程

本技术涉及智能控制领域，且更为具体的涉及一种显影剂供应设备及方法。

背景技术：

1、显影机是一种专门用于处理胶片或印版的设备，它通常包括显影槽、显影液供应系统、温控系统等。显影槽是用于装载显影液的容器，可以是金属或塑料制成。显影槽通常具有适当的尺寸和形状，以容纳胶片或印版，并确保显影液能够充分接触到表面。显影液供应系统用于将显影液输送到显影槽中。它通常包括液体储存容器、泵或喷嘴、管道和控制系统等组成部分。传统的将显影剂输送的显影槽的方法是：1、手动供应：在小规模的应用中，显影剂可以手动倒入显影槽中。这需要操作人员准确地控制显影剂的用量和时间，以确保显影的质量和一致性。2、自动供应：在大规模的生产环境中，可以使用自动供应系统。自动供应系统可以根据预设的参数和程序自动控制显影剂的供应量和时间。然而，传统输送方法对操作人员的熟练度要求较高，且不能根据实际情况实时控制显影剂的供应时机和供应量。

2、因此，期待一种优化显影剂供应方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种显影剂供应设备及方法，其使用基于深度学习模型的人工智能技术来对待显影图像的检测图像和参考图像进行特征提取和编码，以得到用于表示当前显影剂的是否需要继续供应的分类结果。这样通过智能控制显影剂的供应时机和供应量，提高了控制效率，降低了人力成本。

2、根据本技术的一个方面，提供了一种显影剂供应设备，其包括：

3、图像获取模块，用于获取待显影图像的检测图像和参考图像；

4、图像分块模块，用于对所述检测图像进行图像分块处理以得到多个图像块；

5、感兴趣区域模块，用于将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；

6、图像增强模块，用于将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；

7、特征提取模块，用于将所述增强感兴趣区域通过作为特征提取器的第一卷积神经网络模型以得到感兴趣区域特征图；

8、特征增强模块，用于将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；

9、参考特征提取模块，用于将所述参考图像通过第二卷积神经网络以得到参考特征图；

10、差分模块，用于计算所述增强感兴趣区域特征图和所述参考特征图之间的差分以得到差分特征图；

11、优化模块，用于对所述差分特征图进行基于秩序性的先验化以得到优化差分特征图；

12、分类结果生成模块，用于将所述优化差分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当前显影剂的是否需要继续供应。

13、在上述的显影剂供应设备中，所述图像分块模块，用于：

14、对所述检测图像进行均匀图像分块处理以得到所述多个图像块，其中，所述多个图像块中各个图像块具有相同的尺寸。

15、在上述的显影剂供应设备中，所述目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为fast r-cnn、faster r-cnn或retinanet。

16、在上述的显影剂供应设备中，所述基于对抗生成网络包含鉴别器和生成器，其中，所述图像增强模块，用于：

17、将所述感兴趣区域输入所述基于对抗生成网络的图像增强器的生成器以由所述生成器对所述感兴趣区域进行反卷积处理以得到所述增强感兴趣区域。

18、在上述的显影剂供应设备中，所述特征提取模块，用于：

19、使用所述作为特征提取器的第一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：

20、对输入数据进行卷积处理以得到卷积特征图；

21、对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；

22、对所述池化特征图进行非线性激活以得到激活特征图；

23、其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述感兴趣区域特征图，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述增强感兴趣区域。

24、在上述的显影剂供应设备中，所述特征增强模块，包括：

25、卷积单元，用于将所述感兴趣区域特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；

26、中间融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；

27、特征归一化单元，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；

28、再融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；

29、全局相似单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；

30、通道调整单元，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；

31、增强单元，用于计算所述通道调整全局相似特征图和所述感兴趣区域特征图的按位置加权和以得到所述增强感兴趣区域特征图。

32、在上述的显影剂供应设备中，所述参考特征提取模块，用于：

33、使用所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、基于局部特征矩阵的均值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，其中，所述第二卷积神经网络的输入为所述参考图像。

34、在上述的显影剂供应设备中，所述差分模块，用于：

35、以如下差分公式计算所述增强感兴趣区域特征图和所述参考特征图之间的差分特征图，

36、其中，所述差分公式为：

37、

38、其中，fa表示所述增强感兴趣区域特征图，表示按位置作差，fb表示所述参考特征图，且fn表示所述差分特征图。

39、在上述的显影剂供应设备中，所述优化模块，包括：

40、秩序轴线向量构造单元，用于沿着通道维度对所述差分特征图进行全局均值池化以得到秩序轴线特征向量；

41、特征展平化单元，用于将所述差分特征图的沿通道维度的各个特征矩阵进行特征展平化以得到多个分类局部特征向量；

42、秩序性关联编码单元，用于分别将所述多个分类局部特征向量和所述秩序轴线特征向量进行关联编码以得到多个秩序性关联矩阵；

43、秩序性量化单元，用于将所述多个秩序性关联矩阵通过softmax函数以得到多个秩序性量化概率值；

44、秩序性先验权重计算单元，用于对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性先验权重值；

45、优化单元，用于以所述多个秩序性先验权重值作为权重，并分别对所述差分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优化差分特征图。

46、根据本技术的另一方面，还提供了一种显影剂供应设备的控制方法，其包括：

47、获取待显影图像的检测图像和参考图像；

48、对所述检测图像进行图像分块处理以得到多个图像块；

49、将所述多个图像块分别通过目标检测网络以得到至少一个感兴趣区域；

50、将所述感兴趣区域通过基于对抗生成网络的图像增强器以得到增强感兴趣区域；

51、将所述增强感兴趣区域通过作为特征提取器的第一卷积神经网络模型以得到感兴趣区域特征图；

52、将所述感兴趣区域特征图通过非局部神经网络模型以得到增强感兴趣区域特征图；

53、将所述参考图像通过第二卷积神经网络以得到参考特征图；

54、计算所述增强感兴趣区域特征图和所述参考特征图之间的差分以得到差分特征图；

55、对所述差分特征图进行基于秩序性的先验化以得到优化差分特征图；

56、将所述优化差分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当前显影剂的是否需要继续供应。

57、与现有技术相比，本技术提供的显影剂供应设备及方法，其使用基于深度学习模型的人工智能技术来对待显影图像的检测图像和参考图像进行特征提取和编码，以得到用于表示当前显影剂的是否需要继续供应的分类结果。这样通过智能控制显影剂的供应时机和供应量，提高了控制效率，降低了人力成本。