书架生产用检测方法及其系统与流程

本技术涉及智能检测领域，且更为具体的涉及一种书架生产用检测方法及其系统。

背景技术：

1、书架的表面平整度检测是确保其质量和外观的重要步骤。表面平整度检测旨在评估书架的平整度，即表面是否平坦，没有凹陷、凸起或其他不规则形状。这对于书架的外观和使用功能都非常重要。通常，表面平整度检测可以通过以下几种方法进行：1、目视检查：工作人员使用肉眼检查书架的表面，寻找任何明显的不平整或瑕疵。2、使用直尺或平板：直尺或平板可以放置在书架表面上，以检查是否存在凹陷或凸起。工作人员可以观察直尺或平板与表面之间的间隙，以评估平整度。3、使用测量仪器：一些高级的测量仪器，如激光扫描仪或光学测量仪，可以提供更准确的表面平整度数据。这些仪器可以测量书架表面的高度差异，并生成数字化的平整度报告。然而这几种方法各有缺点：1、目视检查：虽然目视检查是最简单和最常用的方法，但它可能会忽略一些微小的问题。人眼的限制和主观判断可能导致不一致的结果，特别是对于一些细微的表面缺陷可能无法准确检测到。2、使用直尺或平板：仍然依赖于人的主观观察和判断。这种方法可能无法提供准确的数字化数据，而且对于较大的书架可能不够方便。3、使用测量仪器：需要专业的操作技能和培训，使用这些仪器进行测量可能需要更多的时间和努力。

2、因此，期待一种优化的书架生产用检测方案。

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书架生产用检测方法，采用基于深度神经网络模型的人工智能技术来智能地对书架表面特征进行特征编码与提取，以得到更为精准的用于表示书架表面的平整度是否符合标准的分类标签。这样，构建书架生产检测方案，基于上述分类结果来提高判断的准确度。

2、根据本技术的一个方面，提供了一种书架生产用检测方法，其包括：

3、获取待检测书架的拍摄图像；

4、将所述待检测书架的拍摄图像通过基于自动编解码器的图像畸变矫正器以得到校正后拍摄图像；

5、提取所述校正后拍摄图像的方向梯度直方图；

6、将所述方向梯度直方图和所述校正后拍摄图像沿通道维度聚合以得到多通道输入图像；

7、将所述多通道输入图像通过包含多尺度特征提取模块的卷积神经网络模型以得到分类特征图；

8、对所述分类特征图进行特征分布优化以得到优化分类特征图；

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书架表面的平整度是否符合标准。

10、在上述的书架生产用检测方法中，将所述待检测书架的拍摄图像通过基于自动编解码器的图像畸变矫正器以得到校正后拍摄图像，包括：

11、将所述待检测书架的拍摄图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；

12、将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后拍摄图像。

13、在上述的书架生产用检测方法中，提取所述校正后拍摄图像的方向梯度直方图，包括：

14、对所述校正后拍摄图像进行均匀划分以得到多个细胞空间；

15、计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；

16、基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。

17、在上述的书架生产用检测方法中，将所述多通道输入图像通过包含多尺度特征提取模块的卷积神经网络模型以得到分类特征图，包括：

18、将所述多通道输入图像输入所述多尺度特征提取器结构的第一分支以得到第一尺度分类特征图；

19、将所述多通道输入图像输入所述多尺度特征提取器结构的第二分支以得到第二尺度分类特征图；

20、将所述多通道输入图像输入所述多尺度特征提取器结构的第三分支以得到第三尺度分类特征图；

21、融合所述第一尺度分类特征图、所述第二尺度分类特征图和所述第三尺度分类特征图以得到所述分类特征图。

22、在上述的书架生产用检测方法中，将所述多通道输入图像输入所述多尺度特征提取器结构的第一分支以得到第一尺度分类特征图，包括：

23、使用所述第一分支的原始特征编码器和残差级联块编码器对所述多通道输入图像进行基于具有第一尺寸的第一卷积核的深度卷积编码以得到第一尺度分类特征图。

24、在上述的书架生产用检测方法中，将所述多通道输入图像输入所述多尺度特征提取器结构的第二分支以得到第二尺度分类特征图，包括：

25、使用所述第二分支的原始特征编码器和残差级联块编码器对所述多通道输入图像进行基于具有第二尺寸的第二卷积核的深度卷积编码以得到第二尺度分类特征图。

26、在上述的书架生产用检测方法中，将所述多通道输入图像输入所述多尺度特征提取器结构的第三分支以得到第三尺度分类特征图，包括：

27、使用所述第三分支的原始特征编码器和残差级联块编码器对所述多通道输入图像进行基于具有第三尺寸的第三卷积核的深度卷积编码以得到第三尺度分类特征图。

28、在上述的书架生产用检测方法中，对所述分类特征图进行特征分布优化以得到优化分类特征图，包括：

29、计算所述分类特征图的沿通道维度的各个特征矩阵相对于所述分类特征图的沿通道维度的其他各个特征矩阵之间的余弦相似度以得到多个余弦相似度；

30、计算所述多个余弦相似度的加和值作为所述分类特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值；

31、将所述分类特征图的沿通道维度的各个特征矩阵的全局自聚类几何相似度特征值进行排列以得到类内-类间自聚类相似度输入向量；

32、将所述类内-类间自聚类相似度输入向量通过softmax函数以得到概率化类内-类间自聚类相似度特征向量；

33、以所述概率化类内-类间自聚类相似度特征向量中各个位置的特征值作为权重对所述分类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分类特征图。

34、在上述的书架生产用检测方法中，将所述优化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书架表面的平整度是否符合标准，包括：

35、将所述优化分类特征图按照行向量或者列向量展开为分类特征向量；

36、使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

37、将所述编码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结果。

38、根据本技术的另一方面，还提供了一种书架生产用检测系统，其包括：

39、图像获取模块，用于获取待检测书架的拍摄图像；

40、畸变校正模块，用于将所述待检测书架的拍摄图像通过基于自动编解码器的图像畸变矫正器以得到校正后拍摄图像；

41、纹理特征提取模块，用于提取所述校正后拍摄图像的方向梯度直方图；

42、图像聚合模块，用于将所述方向梯度直方图和所述校正后拍摄图像沿通道维度聚合以得到多通道输入图像；

43、多尺度特征提取模块，用于将所述多通道输入图像通过包含多尺度特征提取模块的卷积神经网络模型以得到分类特征图；

44、优化模块，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；

45、分类结果生成模块，用于将所述优化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书架表面的平整度是否符合标准。

46、与现有技术相比，本技术提供的书架生产用检测方法及其系统，其采用基于深度神经网络模型的人工智能技术来智能地对书架表面特征进行特征编码与提取，以得到更为精准的用于表示书架表面的平整度是否符合标准的分类标签。这样，构建书架生产检测方案，基于上述分类结果来提高判断的准确度。