一种易接线型三防灯的制作方法

1.本技术涉及三防灯技术领域，且更为具体地，涉一种易接线型三防灯。


背景技术：

2.三防灯，顾名思义其为一种三防功能的照明灯，具体具有防水、防尘和防腐的三大特点，使用场所涵盖电厂、钢铁、石化、船舶、场馆、停车场、地下室等，领域非常广泛。
3.现有的三防灯在接线时还是采用普通的接线方法，必须将三防灯的灯盖打开后再进行接线，整个过程较长，效率较低，并且无法满足一些特殊场所的接线要求。
4.针对上述技术问题，中国专利cn211260420u公开了一种方便接线的三防灯，其包括灯体和设置在灯体前后两端的灯盖，所述灯体内设有接线座，所述接线座与灯体内的pcb板相连，所述灯盖上设有接线盖，且所述的接线盖与所述的灯盖可拆卸连接。通过接线盖的可拆卸连接，可以在接线时直接通过打开接线盖即可将外部电线与内部的接线座进行接线，接线非常方便，并且在接线盖上设有锁止结构而防止受外界因素影响使得接线盖打开，保证了接线盖固定的可靠性。
5.在上述产品的制备中，主要产品缺陷产生于接线座与pcb板之间的焊接工艺中，主要是两种缺陷：接线座与pcb板之间的物理结合强度不够，接线座与pcb板之间的电连接稳定性不够。
6.因此，期待一种优化的易接线型三防灯及其制备方案。


技术实现要素：

7.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易接线型三防灯。其包括：具有收容腔的灯体、盖合于所述灯体的前后两端的第一灯盖和第二灯盖、设置于所述收容腔内的pcb板和接线座，所述接线座通过焊接工艺被电连接于所述pcb板、以及可动地设置于所述第一灯盖或所述第二灯盖的接线盖；其中，所述pcb板和所述接线座的制备方法包括：首先将获取的所述pcb板和所述接线座的结合检测图像和参考图像输入孪生网络模型以得到检测特征图和参考特征图，然后，将所述检测特征图和所述参考特征图通过关系网络以得到距离特征向量，最后，将所述距离特征向量输入分类器以得到用于表示焊接质量是否满足预定标准的分类结果。这样，可以保证加工成型后的接线座与pcb板之间的焊接质量。
8.根据本技术的一个方面，提供了一种易接线型三防灯，包括：具有收容腔的灯体、盖合于所述灯体的前后两端的第一灯盖和第二灯盖、设置于所述收容腔内的pcb板和接线座，所述接线座通过焊接工艺被电连接于所述pcb板、以及，可动地设置于所述第一灯盖或所述第二灯盖的接线盖；其中，所述pcb板和所述接线座以如下制备方法进行制备，其中，所述制备方法，包括：获取加工成型的所述pcb板和所述接线座的结合检测图像；
9.将所述结合检测图像和参考图像输入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，其中，所述参考图像为所述pcb板和所
述接线座被标准焊接和组装的图像；将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量；以及，将所述距离特征向量作为分类特征向量输入分类器以得到分类结果，所述分类结果用于表示加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准。
10.在上述的易接线型三防灯中，所述将所述结合检测图像和参考图像输入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：使用所述孪生网络模型的第一卷积神经网络的卷积编码部分对所述结合检测图像进行深度卷积编码以得到检测卷积特征图；将所述检测卷积特征图输入所述第一卷积神经网络的空间注意力部分以得到第一空间注意力图；将所述第一空间注意力图通过softmax激活函数以得到第一空间注意力特征图；以及，计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
11.在上述的易接线型三防灯中，所述将所述结合检测图像和参考图像输入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：使用所述孪生网络模型的第二卷积神经网络的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；将所述参考卷积特征图输入所述第二卷积神经网络的空间注意力部分以得到第二空间注意力图；将所述第二空间注意力图通过softmax激活函数以得到第二空间注意力特征图；以及，计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
12.在上述的易接线型三防灯中，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。
13.在上述的易接线型三防灯中，所述将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量，包括：使用所述关系网络的第一全连接层对所述检测特征图进行全连接编码以得到检测特征向量；使用所述关系网络的第二全连接层对所述参考特征图进行全连接编码以得到参考特征向量；以及，使用所述关联网络的差分层计算所述检测特征向量和所述参考特征向量的按位置差分以得到所述距离特征向量。
14.在上述的易接线型三防灯中，所述将所述距离特征向量作为分类特征向量输入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距离特征向量进行处理以生成分类结果；其中，所述公式为：softmax{(mc,bc)|y}，其中y表示所述距离特征向量，mc为全连接层的权重矩阵，bc表示全连接层的偏置矩阵。
15.在上述的易接线型三防灯中，所述制备方法，还包括步骤：对所述孪生网络模型和所述分类器进行训练；所述对所述孪生网络模型和所述分类器进行训练，包括步骤：
16.获取训练数据，所述训练数据包括加工成型的所述pcb板和所述接线座的训练结合检测图像；
17.将所述训练结合检测图像和训练参考图像输入所述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训练检测特征图和训练参考特征图；
18.将所述训练检测特征图和所述训练参考特征图通过所述作为距离度量模型的关系网络以得到训练距离特征向量；
19.将所述训练距离特征向量作为训练分类特征向量输入分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述孪生网络模型
和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征向量进行迭代。
20.在上述的易接线型三防灯中，在所述训练的每一轮迭代中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征向量进行迭代；其中，所述公式为：
[0021][0022]
其中v表示所述训练分类特征向量，m1表示具有可学习的参数的所述远程迁移矩阵，m2表示每次迭代时所述分类器的初始全连接权重矩阵，且v
p
为所述惩罚向量，relu(
·
)表示relu激活函数，表示按位置加法，表示按位置减法，表示矩阵相乘，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。
[0023]
与现有技术相比，本技术提供的一种易接线型三防灯，其包括：具有收容腔的灯体、盖合于所述灯体的前后两端的第一灯盖和第二灯盖、设置于所述收容腔内的pcb板和接线座，所述接线座通过焊接工艺被电连接于所述pcb板、以及可动地设置于所述第一灯盖或所述第二灯盖的接线盖；其中，所述pcb板和所述接线座的制备方法包括：首先将获取的所述pcb板和所述接线座的结合检测图像和参考图像输入孪生网络模型以得到检测特征图和参考特征图，然后，将所述检测特征图和所述参考特征图通过关系网络以得到距离特征向量，最后，将所述距离特征向量输入分类器以得到用于表示焊接质量是否满足预定标准的分类结果。这样，可以保证加工成型后的接线座与pcb板之间的焊接质量。
附图说明
[0024]
图1图示了根据本技术实施例的易接线型三防灯的制备方法的应用场景图。
[0025]
图2图示了根据本技术实施例的易接线型三防灯的结构示意图。
[0026]
图3图示了根据本技术实施例的易接线型三防灯的制备方法的流程图。
[0027]
图4图示了根据本技术实施例的易接线型三防灯的制备方法的系统架构的示意图。
[0028]
图5图示了根据本技术实施例的易接线型三防灯的制备方法中步骤s120的子步骤的一部分的流程图。
[0029]
图6图示了根据本技术实施例的易接线型三防灯的制备方法中步骤s120的子步骤的另一部分的流程图。
[0030]
图7图示了根据本技术实施例的易接线型三防灯的制备方法中步骤s130的子步骤的流程图。
[0031]
图8图示了根据本技术实施例的易接线型三防灯的制备方法中还包括的对所述孪生网络模型和所述分类器进行训练的步骤的子步骤的流程图。
[0032]
图9图示了根据本技术实施例的易接线型三防灯的制备系统的框图示意图。
具体实施方式
[0033]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的
示例实施例的限制。
[0034]
现有的三防灯在接线时还是采用普通的接线方法，必须将三防灯的灯盖打开后再进行接线，整个过程较长，效率较低，并且无法满足一些特殊场所的接线要求。
[0035]
针对上述技术问题，中国专利cn 211260420u公开了一种方便接线的三防灯，其包括灯体和设置在灯体前后两端的灯盖，所述灯体内设有接线座，所述接线座与灯体内的pcb板相连，所述灯盖上设有接线盖，且所述的接线盖与所述的灯盖可拆卸连接。通过接线盖的可拆卸连接，可以在接线时直接通过打开接线盖即可将外部电线与内部的接线座进行接线，接线非常方便，并且在接线盖上设有锁止结构而防止受外界因素影响使得接线盖打开，保证了接线盖固定的可靠性。
[0036]
在上述产品的制备中，主要产品缺陷产生于接线座与pcb板之间的焊接工艺中，主要是两种缺陷：接线座与pcb板之间的物理结合强度不够，接线座与pcb板之间的电连接稳定性不够。因此，期待一种优化的易接线型三防灯及其制备方案。
[0037]
相应地，为了能够在易接线型三防灯的制备过程中准确地检测出接线座与pcb板之间的焊接工艺缺陷，以保证接线座与pcb板之间的焊接质量，需要对于易接线型三防灯的制备方案中加工成型得到的所述pcb板和所述接线座之间的焊接质量进行质检。具体地，在本技术的技术方案中，采用基于深度学习的人工智能检测技术来分别挖掘出实际的结合检测图像和标准的参考图像的高维隐含图像特征，并利用距离度量工具来精准地度量所述检测图像隐含特征和所述参考图像隐含特征之间的差异性特征，以此来进行质检。这样，能够保证加工成型后的接线座与pcb板之间的焊接质量，进而也保证了易接线型三防灯的制备生产质量。
[0038]
具体地，在本技术的技术方案中，首先，通过摄像头获取加工成型的所述pcb板和所述接线座的结合检测图像，并且以所述pcb板和所述接线座被标准焊接和组装的图像作为参考图像。应可以理解，在对于加工成型的所述pcb板和所述接线座之间的焊接质量进行判断时，可以根据实际的加工成型的检测图像中的焊接质量特征与标准的参考图像中的焊接质量特征之间的差异性比较来确定加工成型的产品是否满足应有质量要求。
[0039]
接着，考虑到由于卷积神经网络模型在图像的隐含特征提取方面具有优异的表现，因此，可以使用卷积神经网络模型来对于所述结合检测图像和所述参考图像进行高维隐含特征提取。但是，考虑到在对于加工成型的所述pcb板和所述接线座之间的焊接质量进行检测时，应更加关注于所述pcb板和所述接线座之间的空间位置特征信息。因此，在本技术的技术方案中，进一步使用具有空间注意力机制的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来分别对于所述结合检测图像和参考图像进行特征挖掘，以分别提取出所述结合检测图像和参考图像中的隐含特征在高维空间中的特征分布信息，即所述结合检测图像和参考图像中聚焦于所述pcb板和所述接线座之间的焊接质量高维特征，从而得到检测特征图和参考特征图。
[0040]
进一步地，为了能够在高维特征空间中对于所述结合检测图像和参考图像中的聚焦于所述pcb板和所述接线座之间的焊接质量特征进行差异性比较，来确定加工成型后的产品质量。在本技术的技术方案中，进一步利用作为距离度量模型的关系网络来度量所述检测特征图的隐含特征和所述参考特征图的隐含特征之间的差异特征以得到距离特征向量。也就是，并非基于距离公式来进行所述结合检测图像特征和参考图像特征之间的差异
度量，而是基于训练完成的关系网络作为距离度量工具来更为精准地度量所述检测图像特征和所述参考图像特征之间的差异性，以更好地进行质检。
[0041]
然后，将得到的所述距离特征向量作为分类特征向量输入分类器以得到用于表示加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准的分类结果。这样，就能够利用所述检测图像和所述参考图像之间的精确差异性特征来进行焊接质量检测，以提高检测的精准度。
[0042]
特别地，在本技术的技术方案中，这里，在将所述距离特征向量作为分类特征向量输入分类器得到分类结果时，由于所述距离特征向量是所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络得到的，所述距离特征向量的特征分布与所述检测特征图和所述参考特征图之间的图像语义特征分布之间可能存在差异，从而使得所述分类特征向量相对于所述检测特征图和所述参考特征图之间的图像语义特征分布会发生具有跨分类器的远程分布偏差，从而影响分类器的训练速度和分类特征向量度量所述检测图像和参考图像之间的差异的精确性。
[0043]
因此，在本技术的技术方案中，在模型的训练过程中，使用跨分类器的远程分布描述性增强来优化所述分类特征向量的分类过程，具体地，在分类过程中，在每次分类器的权重矩阵的迭代过程中，通过下式来计算输入分类器的分类特征向量：
[0044][0045]
v是所述分类特征向量，m1为具有可学习的参数的远程迁移矩阵，m2为每次迭代时分类器的初始全连接权重矩阵，且v
p
为惩罚向量，其中所述远程迁移矩阵m1初始可设置为所述初始全连接权重矩阵m2的全局均值构成的矩阵，且所述惩罚向量v
p
可设置为所述分类特征向量v的全局均值构成的向量。
[0046]
这样，通过以具有可学习的参数的远程迁移矩阵m1来对跨分类器的分布迁移进行特征分布的支持性描述，可以支持优化后的分类特征向量v
′
跨分类器的全连接权重矩阵m2的远程分布对预定分类的类概率的描述性，并且，惩罚向量v
p
作为偏置并以relu激活函数进行激活，用于保留具有正向作用的分布描述依赖的增强，由此，就提升了分类器的训练速度和分类特征向量度量所述检测图像和参考图像之间的差异的精确性，进而能够提高分类的准确性。这样，能够保证加工成型后的接线座与pcb板之间的焊接质量，进而也保证了易接线型三防灯的制备生产质量。
[0047]
基于此，本技术提供了一种易接线型三防灯，其包括：具有收容腔的灯体、盖合于所述灯体的前后两端的第一灯盖和第二灯盖、设置于所述收容腔内的pcb板和接线座，所述接线座通过焊接工艺被电连接于所述pcb板、以及，可动地设置于所述第一灯盖或所述第二灯盖的接线盖；其特征在于，所述pcb板和所述接线座以如下制备方法进行制备，其中，所述制备方法，包括：获取加工成型的所述pcb板和所述接线座的结合检测图像；将所述结合检测图像和参考图像输入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，其中，所述参考图像为所述pcb板和所述接线座被标准焊接和组装的图像；将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量；以及，将所述距离特征向量作为分类特征向量输入分类器以得到分类结果，所述分类结果用于表示加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准。
[0048]
图1图示了根据本技术实施例的易接线型三防灯的制备方法的应用场景图。如图1所示，在该应用场景中，通过摄像头(例如，图1中所示意的c)获取易接线型三防灯(例如，图1中所示意的l)中加工成型的所述pcb板和所述接线座的结合检测图像(例如，图1中所示意的d1)，然后，将获取的结合检测图像和参考图像(例如，图1中所示意的d2)输入至部署有易接线型三防灯的制备算法的服务器中(例如，图1中所示意的s)，其中，所述服务器能够使用所述易接线型三防灯的制备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加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准的分类结果。其中，以所述pcb板和所述接线座被标准焊接和组装的图像作为参考图像。
[0049]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0050]
示例性易接线型三防灯
[0051]
图2图示了根据本技术实施例的易接线型三防灯的结构示意图。如图2所示，根据本技术实施例的易接线型三防灯1，包括：具有收容腔的灯体10、盖合于所述灯体的前后两端的第一灯盖20和第二灯盖30、设置于所述收容腔内的pcb板40和接线座50，所述接线座50通过焊接工艺被电连接于所述pcb板40、以及，可动地设置于所述第一灯盖20或所述第二灯盖30的接线盖60。通过接线盖60的可拆卸连接，可以在接线时直接通过打开接线盖60即可将外部电线与内部的接线座50进行接线，接线非常方便，并且在接线盖60上设有锁止结构而防止受外界因素影响使得接线盖60打开，保证了接线盖固定的可靠性。
[0052]
但是，在制备上述的易接线型三防灯1的过程中，发现接线座50与pcb板40之间容易发生产品缺陷，其主要包括两种缺陷：接线座50与pcb板40之间的物理结合强度不够，接线座50与pcb板40之间的电连接稳定性不够。因此，期待一种优化的易接线型三防灯及其制备方案。
[0053]
示例性方法
[0054]
图3图示了根据本技术实施例的易接线型三防灯的制备方法的流程图。如图3所示，根据本技术实施例的易接线型三防灯的制备方法，包括步骤：s110，获取加工成型的所述pcb板和所述接线座的结合检测图像；s120，将所述结合检测图像和参考图像输入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，其中，所述参考图像为所述pcb板和所述接线座被标准焊接和组装的图像；s130，将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量；以及，s140，将所述距离特征向量作为分类特征向量输入分类器以得到分类结果，所述分类结果用于表示加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准。
[0055]
图4图示了根据本技术实施例的易接线型三防灯的制备方法的架构示意图。如图4所示，在该网络架构中，首先，获取加工成型的所述pcb板和所述接线座的结合检测图像；接着，将所述结合检测图像和参考图像输入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，其中，所述参考图像为所述pcb板和所述接线座被标准焊接和组装的图像；然后，将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量；最后，将所述距离特征向量作为分类特征向量输入分类器以得到分类结果，所述分类结果用于表示加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准。
[0056]
更具体地，在步骤s110中，获取加工成型的所述pcb板和所述接线座的结合检测图像。在产品的制备中，主要产品缺陷产生于接线座与pcb板之间的焊接工艺中，主要是两种缺陷：接线座与pcb板之间的物理结合强度不够，接线座与pcb板之间的电连接稳定性不够。因此，为了能够在易接线型三防灯的制备过程中准确地检测出接线座与pcb板之间的焊接工艺缺陷，以保证接线座与pcb板之间的焊接质量，需要对于易接线型三防灯的制备方案中加工成型得到的所述pcb板和所述接线座之间的焊接质量进行质检。因此，获取加工成型的所述pcb板和所述接线座的结合检测图像，通过基于深度学习的人工智能检测技术来分别挖掘出实际的结合检测图像和标准的参考图像的高维隐含图像特征，以期能够检测出前述缺陷。应可以理解，在对于加工成型的所述pcb板和所述接线座之间的焊接质量进行判断时，可以根据实际的加工成型的检测图像中的焊接质量特征与标准的参考图像中的焊接质量特征之间的差异性比较来确定加工成型的产品是否满足应有质量要求。
[0057]
更具体地，在步骤s120中，将所述结合检测图像和参考图像输入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，其中，所述参考图像为所述pcb板和所述接线座被标准焊接和组装的图像。考虑到由于卷积神经网络模型在图像的隐含特征提取方面具有优异的表现，因此，可以使用卷积神经网络模型来对于所述结合检测图像和所述参考图像进行高维隐含特征提取。但是，考虑到在对于加工成型的所述pcb板和所述接线座之间的焊接质量进行检测时，应更加关注于所述pcb板和所述接线座之间的空间位置特征信息。因此，在本技术的技术方案中，进一步使用具有空间注意力机制的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来分别对于所述结合检测图像和参考图像进行特征挖掘，以分别提取出所述结合检测图像和参考图像中的隐含特征在高维空间中的特征分布信息，即所述结合检测图像和参考图像中聚焦于所述pcb板和所述接线座之间的焊接质量高维特征，从而得到所述检测特征图和所述参考特征图。
[0058]
相应地，在一个具体示例中，如图5所示，在所述的易接线型三防灯的制备方法中，所述将所述结合检测图像和参考图像输入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：s1211，使用所述孪生网络模型的第一卷积神经网络的卷积编码部分对所述结合检测图像进行深度卷积编码以得到检测卷积特征图；s1212，将所述检测卷积特征图输入所述第一卷积神经网络的空间注意力部分以得到第一空间注意力图；s1213，将所述第一空间注意力图通过softmax激活函数以得到第一空间注意力特征图；以及，s1214，计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
[0059]
相应地，在一个具体示例中，如图6所示，在所述的易接线型三防灯的制备方法中，所述将所述结合检测图像和参考图像输入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：s1221，使用所述孪生网络模型的第二卷积神经网络的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；s1222，将所述参考卷积特征图输入所述第二卷积神经网络的空间注意力部分以得到第二空间注意力图；s1223，将所述第二空间注意力图通过softmax激活函数以得到第二空间注意力特征图；以及，s1224，计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
[0060]
相应地，在一个具体示例中，在所述的易接线型三防灯的制备方法中，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。
[0061]
更具体地，在步骤s130中，将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量。进一步地，为了能够在高维特征空间中对于所述结合检测图像和参考图像中的聚焦于所述pcb板和所述接线座之间的焊接质量特征进行差异性比较，来确定加工成型后的产品质量。在本技术的技术方案中，进一步利用作为距离度量模型的关系网络来度量所述检测特征图的隐含特征和所述参考特征图的隐含特征之间的差异特征以得到距离特征向量。也就是，并非基于距离公式来进行所述结合检测图像特征和参考图像特征之间的差异度量，而是基于训练完成的关系网络作为距离度量工具来更为精准地度量所述检测图像特征和所述参考图像特征之间的差异性，以更好地进行质检。
[0062]
相应地，在一个具体示例中，如图7所示，在所述的易接线型三防灯的制备方法中，所述将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量，包括：s131,使用所述关系网络的第一全连接层对所述检测特征图进行全连接编码以得到检测特征向量；s132,使用所述关系网络的第二全连接层对所述参考特征图进行全连接编码以得到参考特征向量；以及,s133,使用所述关联网络的差分层计算所述检测特征向量和所述参考特征向量的按位置差分以得到所述距离特征向量。
[0063]
更具体地，在步骤s140中，将所述距离特征向量作为分类特征向量输入分类器以得到分类结果，所述分类结果用于表示加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准。这样，就能够利用所述检测图像和所述参考图像之间的精确差异性特征来进行焊接质量检测，以提高检测的精准度。
[0064]
相应地，在一个具体示例中，在所述的易接线型三防灯的制备方法中，所述将所述距离特征向量作为分类特征向量输入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距离特征向量进行处理以生成分类结果；其中，所述公式为：softmax{(mc,bc)|y}，其中y表示所述距离特征向量，mc为全连接层的权重矩阵，bc表示全连接层的偏置矩阵。
[0065]
相应地，在一个具体示例中，如图8所示，在所述的易接线型三防灯的制备方法中，所述制备方法，还包括步骤：对所述孪生网络模型和所述分类器进行训练；所述对所述孪生网络模型和所述分类器进行训练，包括步骤：s210,获取训练数据，所述训练数据包括加工成型的所述pcb板和所述接线座的训练结合检测图像；s220,将所述训练结合检测图像和训练参考图像输入所述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训练检测特征图和训练参考特征图；s230,将所述训练检测特征图和所述训练参考特征图通过所述作为距离度量模型的关系网络以得到训练距离特征向量；s240,将所述训练距离特征向量作为训练分类特征向量输入分类器以得到分类损失函数值；以及,s250,基于所述分类损失函数值并通过梯度下降的方向传播来对所述孪生网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征向量进行迭代。
[0066]
特别地，在本技术的技术方案中，这里，在将所述距离特征向量作为分类特征向量输入分类器得到分类结果时，由于所述距离特征向量是所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络得到的，所述距离特征向量的特征分布与所述检测特征图和所述参考特征图之间的图像语义特征分布之间可能存在差异，从而使得所述分类特征向量相对于所述检测特征图和所述参考特征图之间的图像语义特征分布会发生具有跨分
类器的远程分布偏差，从而影响分类器的训练速度和分类特征向量度量所述检测图像和参考图像之间的差异的精确性。因此，在本技术的技术方案中，在模型的训练过程中，使用跨分类器的远程分布描述性增强来优化所述分类特征向量的分类过程。
[0067]
相应地，在一个具体示例中，在所述训练的每一轮迭代中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征向量进行迭代；其中，所述公式为：
[0068][0069]
其中v表示所述训练分类特征向量，m1表示具有可学习的参数的所述远程迁移矩阵，m2表示每次迭代时所述分类器的初始全连接权重矩阵，且v
p
为所述惩罚向量，relu(
·
)表示relu激活函数，表示按位置加法，表示按位置减法，表示矩阵相乘，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。
[0070]
这样，通过以具有可学习的参数的远程迁移矩阵m1来对跨分类器的分布迁移进行特征分布的支持性描述，可以支持优化后的分类特征向量v
′
跨分类器的全连接权重矩阵m2的远程分布对预定分类的类概率的描述性，并且，惩罚向量v
p
作为偏置并以relu激活函数进行激活，用于保留具有正向作用的分布描述依赖的增强，由此，就提升了分类器的训练速度和分类特征向量度量所述检测图像和参考图像之间的差异的精确性，进而能够提高分类的准确性。这样，能够保证加工成型后的接线座与pcb板之间的焊接质量，进而也保证了易接线型三防灯的制备生产质量。
[0071]
综上，基于本技术实施例的易接线型三防灯，其包括：具有收容腔的灯体、盖合于所述灯体的前后两端的第一灯盖和第二灯盖、设置于所述收容腔内的pcb板和接线座，所述接线座通过焊接工艺被电连接于所述pcb板、以及可动地设置于所述第一灯盖或所述第二灯盖的接线盖；其中，所述pcb板和所述接线座的制备方法包括：首先将获取的所述pcb板和所述接线座的结合检测图像和参考图像输入孪生网络模型以得到检测特征图和参考特征图，然后，将所述检测特征图和所述参考特征图通过关系网络以得到距离特征向量，最后，将所述距离特征向量输入分类器以得到用于表示焊接质量是否满足预定标准的分类结果。这样，可以保证加工成型后的接线座与pcb板之间的焊接质量。
[0072]
示例性系统
[0073]
图9图示了根据本技术实施例的易接线型三防灯的制备系统100的框图。如图9所示，根据本技术实施例的易接线型三防灯的制备系统100，包括：图像获取模块110，用于获取加工成型的所述pcb板和所述接线座的结合检测图像；编码模块120，用于将所述结合检测图像和参考图像输入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，其中，所述参考图像为所述pcb板和所述接线座被标准焊接和组装的图像；距离特征向量获取模块130，用于将所述检测特征图和所述参考特征图通过作为距离度量模型的关系网络以得到距离特征向量；以及，分类结果生成模块140，用于将所述距离特征向量作为分类特征向量输入分类器以得到分类结果，所述分类结果用于表示加工成型的所述pcb板和所述接线座之间的焊接质量是否满足预定标准。
[0074]
在一个示例中，在上述的易接线型三防灯的制备系统100中，所述编码模块120，包括：第一卷积单元，用于使用所述孪生网络模型的第一卷积神经网络的卷积编码部分对所
述结合检测图像进行深度卷积编码以得到检测卷积特征图；第一空间注意力图获取单元，用于将所述检测卷积特征图输入所述第一卷积神经网络的空间注意力部分以得到第一空间注意力图；第一特征图获取单元，用于将所述第一空间注意力图通过softmax激活函数以得到第一空间注意力特征图；以及，检测特征图计算单元，用于计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
[0075]
在一个示例中，在上述的易接线型三防灯的制备系统100中，所述编码模块120，包括：第二卷积单元，用于使用所述孪生网络模型的第二卷积神经网络的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；第二空间注意力图获取单元，用于将所述参考卷积特征图输入所述第二卷积神经网络的空间注意力部分以得到第二空间注意力图；第二特征图获取单元，用于将所述第二空间注意力图通过softmax激活函数以得到第二空间注意力特征图；以及，参考特征图计算单元，用于计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
[0076]
在一个示例中，在上述的易接线型三防灯的制备系统100中，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。
[0077]
在一个示例中，在上述的易接线型三防灯的制备系统100中，所述距离特征向量获取模块130，包括：第一全连接编码单元，用于使用所述关系网络的第一全连接层对所述检测特征图进行全连接编码以得到检测特征向量；第二全连接编码单元，用于使用所述关系网络的第二全连接层对所述参考特征图进行全连接编码以得到参考特征向量；以及，差分计算单元，用于使用所述关联网络的差分层计算所述检测特征向量和所述参考特征向量的按位置差分以得到所述距离特征向量。
[0078]
在一个示例中，在上述的易接线型三防灯的制备系统100中，所述分类结果生成模块140，进一步用于：使用所述分类器以如下公式对所述距离特征向量进行处理以生成分类结果；其中，所述公式为：softmax{(mc,bc)|y}，其中y表示所述距离特征向量，mc为全连接层的权重矩阵，bc表示全连接层的偏置矩阵。
[0079]
在一个示例中，在上述的易接线型三防灯的制备系统100中，所述制备系统，还包括对所述孪生网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括加工成型的所述pcb板和所述接线座的训练结合检测图像；训练编码单元，用于将所述训练结合检测图像和训练参考图像输入所述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训练检测特征图和训练参考特征图；训练距离特征向量获取单元，用于将所述训练检测特征图和所述训练参考特征图通过所述作为距离度量模型的关系网络以得到训练距离特征向量；分类损失函数值计算单元，用于将所述训练距离特征向量作为训练分类特征向量输入分类器以得到分类损失函数值；以及，孪生网络模型和分类器训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述孪生网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征向量进行迭代。
[0080]
在一个示例中，在上述的易接线型三防灯的制备系统100中，在所述训练的每一轮迭代中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征向量进行迭代；其中，所述公式为：
[0081]
[0082]
其中v表示所述训练分类特征向量，m1表示具有可学习的参数的所述远程迁移矩阵，m2表示每次迭代时所述分类器的初始全连接权重矩阵，且v
p
为所述惩罚向量，relu(
·
)表示relu激活函数，表示按位置加法，表示按位置减法，表示矩阵相乘，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。
[0083]
这里，本领域技术人员可以理解，上述易接线型三防灯的制备系统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的易接线型三防灯的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0084]
如上所述，根据本技术实施例的易接线型三防灯的制备系统100可以实现在各种无线终端中，例如易接线型三防灯的制备算法的服务器等。在一个示例中，根据本技术实施例的易接线型三防灯的制备系统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，该易接线型三防灯的制备系统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，该易接线型三防灯的制备系统100同样可以是该无线终端的众多硬件模块之一。
[0085]
替换地，在另一示例中，该易接线型三防灯的制备系统100与该无线终端也可以是分立的设备，并且该易接线型三防灯的制备系统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。
[0086]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0087]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0088]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0089]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0090]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。