密集架生产用喷漆方法及其系统与流程

本技术涉及智能化喷漆，并且更具体地，涉及一种密集架生产用喷漆方法及其系统。

背景技术：

1、密集架是各企业、事业、银行、图书管、档案管、学校、博物馆的必须办公用品，用来保存各种文件、书籍、凭证等，其保密性高、存储量大，尤其适合现代办公需要，密集架是由多节柜体组合而成的，组装时需要使用外框对柜体进行固体，为保证外框的使用期限，需对外框进行喷漆，减缓氧化速度。

2、如果柜体的各个侧表面的喷漆效果不一致，会影响整个密集架的外观质量，同时，会产生容易受潮、氧化，加快腐蚀速度，从而出现生锈等现象，缩短使用寿命，更为严重的是会造成文件的污染和损坏。

3、因此，期待一种优化的密集架生产用喷漆方案。

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密集架生产用喷漆方法及其系统，其获取待检测柜体的第一至第六检测图；采用基于深度学习的人工智能技术，挖掘待检测柜体的第一至第六检测图的隐藏特征信息，并获取待检测柜体的每个侧面之间的关联性特征，基于此对于待检测柜体的各个侧表面的喷漆效果的一致性(包括色差、纹理等方面的一致性)进行检验。这样，可以对待检测柜体喷漆效果进行自动化检测，避免了人为误差，进而提高检测效率和整个密集架的外观质量。

2、第一方面，提供了一种密集架生产用喷漆方法，其包括：

3、获取待检测柜体的第一至第六检测图；

4、将所述待检测柜体的第一至第六检测图通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测矩阵；

5、将所述第一至第六检测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检测特征图；

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检测特征图，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、融合所述第一尺度检测特征图和所述第二尺度检测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柜体是否符合预定标准。

10、在上述密集架生产用喷漆方法中，将所述待检测柜体的第一至第六检测图通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得多个特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述第一至第六检测矩阵。

11、在上述密集架生产用喷漆方法中，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检测特征图，包括：使用第一三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对所述三维输入张量分别进行基于三维卷积核的卷积处理、池化处理和非线性激活处理以由所述使用第一三维卷积核的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检测特征图，其中，所述使用第一三维卷积核的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。

12、在上述密集架生产用喷漆方法中，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检测特征图，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，包括：使用第二三维卷积核的第三卷积神经网络模型的各层在层的正向传递中对所述三维输入张量分别进行基于三维卷积核的卷积处理、池化处理和非线性激活处理以由所述使用第二三维卷积核的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检测特征图，其中，所述使用第二三维卷积核的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。

13、在上述密集架生产用喷漆方法中，融合所述第一尺度检测特征图和所述第二尺度检测特征图以得到分类特征图，包括：以如下融合公式对所述第一尺度检测特征图和所述第二尺度检测特征图进行基于尺度认知的高斯联合密度融合以得到所述分类特征图；其中，所述融合公式为：

14、

15、

16、f1∈f1 and f2∈f2

17、其中，f1表示所述第一尺度检测特征图，f2表示第二尺度检测特征图，μ和σ分别是所述第一尺度检测特征图和所述第二尺度检测特征图的所有位置的特征值集合的均值和方差，w、h和c分别是特征图的宽度、高度和通道数，且f′是所述分类特征图的特征值，exp{·}表示计算以所述数值为幂的自然指数函数值。

18、在上述密集架生产用喷漆方法中，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柜体是否符合预定标准，包括：将所述分类特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个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；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

19、第二方面，提供了一种密集架生产用喷漆系统，其包括：

20、检测图获取模块，用于获取待检测柜体的第一至第六检测图；

21、空间注意力模块，用于将所述待检测柜体的第一至第六检测图通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测矩阵；

22、张量排列模块，用于将所述第一至第六检测矩阵沿着通道维度排列为三维输入张量；

23、第一尺度特征提取模块，用于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检测特征图；

24、第二尺度特征提取模块，用于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检测特征图，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；

25、融合模块，用于融合所述第一尺度检测特征图和所述第二尺度检测特征图以得到分类特征图；以及

26、待检测柜体结果生成模块，用于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柜体是否符合预定标准。

27、在上述密集架生产用喷漆系统中，所述空间注意力模块，用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得多个特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述第一至第六检测矩阵。

28、在上述密集架生产用喷漆系统中，所述第一尺度特征提取模块，用于：使用第一三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对所述三维输入张量分别进行基于三维卷积核的卷积处理、池化处理和非线性激活处理以由所述使用第一三维卷积核的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检测特征图，其中，所述使用第一三维卷积核的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。

29、在上述密集架生产用喷漆系统中，所述第二尺度特征提取模块，用于：使用第二三维卷积核的第三卷积神经网络模型的各层在层的正向传递中对所述三维输入张量分别进行基于三维卷积核的卷积处理、池化处理和非线性激活处理以由所述使用第二三维卷积核的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检测特征图，其中，所述使用第二三维卷积核的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。

30、与现有技术相比，本技术提供的密集架生产用喷漆方法及其系统，其获取待检测柜体的第一至第六检测图；采用基于深度学习的人工智能技术，挖掘待检测柜体的第一至第六检测图的隐藏特征信息，并获取待检测柜体的每个侧面之间的关联性特征，基于此对于待检测柜体的各个侧表面的喷漆效果的一致性(包括色差、纹理等方面的一致性)进行检验。这样，可以对待检测柜体喷漆效果进行自动化检测，避免了人为误差，进而提高检测效率和整个密集架的外观质量。