一种鞋子的智能化加工方法与流程

本申请涉及智能加工，且更为具体地，涉及一种鞋子的智能化加工方法。

背景技术：

1、鞋子是人们保护脚不受伤的一种工具。各种样式功能的鞋子随处可见，包括运动鞋、女鞋、童鞋、凉鞋之类。在传统的鞋子的制备中，不同类型的鞋子因款式不同，需要构造专门的检测产线，以判断其所加工的鞋子的成型质量是否满足预定要求。如果产品的款式多，其检测产线会占据很大的空间，且如果款式发生调整，又得构筑新的检测产线，无疑增加了额外的成本。

2、因此，期待一种优化的鞋子的智能化加工方案。

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鞋子的智能化加工方法，其通过摄像头采集待检测鞋子的六视图，然后，通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵，接着，将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量，并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图，优选的，计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合，通过这样的方式，提高对于待检测鞋子的质量检测的精准度。

2、根据本申请的一个方面，提供了一种鞋子的智能化加工方法，其包括：

3、获取待检测鞋子的六视图，所述待检测鞋子的六视图为第一至第六检测图像；

4、将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵；

5、将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量；

6、将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图；

7、将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图，所述第二三维卷积核与所述第一三维卷积核具有不同的尺度；

8、融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图；以及

9、将所述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鞋子的成型质量是否满足预定要求。

10、根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的鞋子的智能化加工方法。

11、根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的鞋子的智能化加工方法。

12、与现有技术相比，本申请提供的一种鞋子的智能化加工方法，其通过摄像头采集待检测鞋子的六视图，然后，通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵，接着，将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量，并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图，优选的，计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合，通过这样的方式，提高对于待检测鞋子的质量检测的精准度。

技术特征：

1.一种鞋子的智能化加工方法，其特征在于，包括：获取待检测鞋子的六视图，所述待检测鞋子的六视图为第一至第六检测图像；将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵；将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量；将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图；将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图，所述第二三维卷积核与所述第一三维卷积核具有不同的尺度；融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图；以及将所述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鞋子的成型质量是否满足预定要求。

2.根据权利要求1所述的鞋子的智能化加工方法，其特征在于，所述将所述第一至第六检测图像中的各个检测图像分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到第一至第六特征矩阵，包括：从所述第一卷积神经网络模型的第i层提取浅层特征矩阵，所述第i层为所述第一卷积神经网络模型的第一层至第六层；从所述第一卷积神经网络模型的第j层提取深层特征矩阵，所述第j层与所述第i层之间的比值大于等于5；以及使用所述深浅特征融合模块来融合所述浅层特征矩阵和所述深层特征矩阵以得到所述第一至第六特征矩阵中的各个特征矩阵。

3.根据权利要求2所述的鞋子的智能化加工方法，其特征在于，所述将所述三维输入张量输入使用第一三维卷积核的第二卷积神经网络模型以得到第一尺度关联特征图，包括：基于所述第一三维卷积核对所述输入数据进行第一尺度的三维卷积处理以得到第一卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第一池化特征图；以及对所述池化特征图进行非线性激活以得到第一激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第一尺度关联特征图，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

4.根据权利要求3所述的鞋子的智能化加工方法，其特征在于，所述将所述三维输入张量输入使用第二三维卷积核的第三卷积神经网络模型以得到第二尺度关联特征图，包括：基于所述第二三维卷积核对所述输入数据进行第二尺度的三维卷积处理以得到第二卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到第二池化特征图；以及对所述池化特征图进行非线性激活以得到第二激活特征图；其中，所述第三卷积神经网络模型的最后一层的输出为所述第二尺度关联特征图，所述第三卷积神经网络模型的第一层的输入为所述三维输入张量。

5.根据权利要求4所述的鞋子的智能化加工方法，其特征在于，所述融合所述第一尺度关联特征图和所述第二尺度关联特征图以得到分类特征图，包括：以如下公式来计算所述第一尺度关联特征图的第一优化因子；

6.根据权利要求5所述的鞋子的智能化加工方法，其特征在于，所述融合所述加权后第一尺度关联特征图和所述加权后第二尺度关联特征图以得到所述分类特征图，包括：对所述第一尺度关联特征图和所述第二尺度关联特征图进行沿通道维度的级联以得到所述分类特征图。

7.根据权利要求6所述的鞋子的智能化加工方法，其特征在于，所述将所述分类特征图通过分类器以得到分类结果，包括：使用所述分类器的全连接层对所述分类特征图进行全连接编码以得到分类特征向量；将所述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特征向量归属于各个分类标签的概率值，所述分类标签包括所述待检测鞋子的成型质量满足预定要求和所述待检测鞋子的成型质量不满足预定要求；将所述概率值中最大者对应的分类标签确定为所述分类结果。

技术总结
本申请涉及智能加工技术领域，其具体地公开了一种鞋子的智能化加工方法，其通过摄像头采集待检测鞋子的六视图，然后，通过包含深浅特征融合模块的第一卷积神经网络模型对所述待检测鞋子的六视图进行适当编码以得到第一至第六特征矩阵，接着，将所述第一至第六特征矩阵沿着通道维度排列为三维输入张量，并分别通过使用第一三维卷积核的第二卷积神经网络模型和使用第二三维卷积核的第三卷积神经网络模型进行不同尺度的特征提取并融合以得到分类特征图，优选的，计算第一尺度关联特征图和第二尺度关联特征图的多分布二元分类连续性因数的方式来作为权重进行融合，通过这样的方式，提高对于待检测鞋子的质量检测的精准度。

技术研发人员：蔡晓勇,王东弟,董西锋
受保护的技术使用者：金帝集团股份有限公司
技术研发日：
技术公布日：2024/1/12