[发明专利]办公桌椅的智能化制造方法及其系统

权利要求书

1.一种办公桌椅的智能化制造方法，其特征在于，包括：

获取被检测第一办公家具的六视图和被检测第二办公家具的六视图，其中，将所述被检测第一办公家具的六视图定义为第一至第六检测图像，将所述被检测第二办公家具的六视图定义为第七至第十二检测图像；

将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量；

将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量；

将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图；

将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图；

计算所述第一全局关联特征图和所述第二全局关联特征图之间的差分特征图；以及

将所述差分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所述被检测第一办公家具和所述被检测第二办公家具之间的一致性是否符合预定标准。

2.根据权利要求1所述的办公桌椅的智能化制造方法，其特征在于，将所述第一至第六检测图像分别通过包含图像块嵌入层的ViT模型以得到第一至第六局部图像特征向量，包括：

对所述第一检测图像进行图像分块处理以得到第一图像块的序列；

使用所述图像块嵌入层分别对所述第一图像块的序列中的各个第一图像块进行嵌入编码以得到第一图像块嵌入向量的序列；

使用所述ViT模型的转换器结构对所述第一图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第一上下文图像块特征向量；以及

将所述多个第一上下文图像块特征向量进行级联以得到所述第一局部图像特征向量。

3.根据权利要求2所述的办公桌椅的智能化制造方法，其特征在于，将所述第七至第十二检测图像分别通过所述包含图像块嵌入层的ViT模型以得到第七至第十二局部图像特征向量，包括：

对所述第七检测图像进行图像分块处理以得到第七图像块的序列；

使用所述图像块嵌入层分别对所述第七图像块的序列中的各个第七图像块进行嵌入编码以得到第七图像块嵌入向量的序列；

使用所述ViT模型的转换器结构对所述第七图像块嵌入向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个第七上下文图像块特征向量；以及

将所述多个第七上下文图像块特征向量进行级联以得到所述第七局部图像特征向量。

4.根据权利要求3所述的办公桌椅的智能化制造方法，其特征在于，将所述第一至第六局部图像特征向量进行二维排列为第一输入矩阵后通过作为特征提取器的卷积神经网络模型以得到第一全局关联特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第一全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第一输入矩阵。

5.根据权利要求4所述的办公桌椅的智能化制造方法，其特征在于，将所述第七至第十二局部图像特征向量进行二维排列为第二输入矩阵后通过所述作为特征提取器的卷积神经网络模型以得到第二全局关联特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第二全局关联特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述第二输入矩阵。