[发明专利]一种鞋子的智能化加工方法

权利要求书

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；

其中，所述公式为：

softmaxv(F)＝[p(F),1-p(F)]

其中，F₁是所述第一尺度关联特征图，F_r是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图，p(F)表示特征图通过分类器所获得的概率值，||·||₂表示向量的2范数，log(·)表示以2的为底的对数函数值，且w₁表示所述第一优化因子；以如下公式来计算所述第二尺度关联特征图的第二优化因子；其中，所述公式为：

softmaxv(F)＝[p(F),1-p(F)]

其中，F₂是所述第二尺度关联特征图，F_r是基于所述第一尺度关联特征图和所述第二尺度关联特征图的参考特征图，p(F)表示特征图通过分类器所获得的概率值，||·||₂表示向量的2范数，log(·)表示以2的为底的对数函数值，且w₂表示所述第二优化因子；以所述第一优化因子和所述第二优化因子作为权重分别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加权以得到加权后第一尺度关联特征图和加权后第二尺度关联特征图；以及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。