[发明专利]注射器注塑成型生产用采集数据处理方法及系统

权利要求书

1.一种注射器注塑成型生产用采集数据处理方法，其特征在于，包括：

获取注塑成型后产品的六视图，其中，将所述注塑成型后产品的六视图定义为第一至第六检测图像；

将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量；

将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；

对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图；

将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图；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注塑成型后产品的整体成型质量是否符合预定标准。

2.根据权利要求1所述的注射器注塑成型生产用采集数据处理方法，其特征在于，将所述第一至第六检测图像进行图像分块处理后通过包含嵌入层的ViT模型以得到第一至第六检测语义特征向量，包括：

使用所述ViT模型的转换器对所述第一至第六检测图像块的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义第一至第六检测图像块特征向量；以及

将所述多个全局上下文语义第一至第六检测图像块特征向量进行级联以得到所述第一至第六检测语义特征向量。

3.根据权利要求2所述的注射器注塑成型生产用采集数据处理方法，其特征在于，将所述第一至第六检测语义特征向量进行二维排列为特征矩阵后通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构以得到多尺度关联特征图，包括：使用所述包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度集成感知结构的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述多尺度集成感知结构的最后一层的输出为所述多尺度关联特征图，所述多尺度集成感知结构的第一层的输入为所述第一至第六检测语义特征向量进行二维排列得到的特征矩阵。

4.根据权利要求3所述的注射器注塑成型生产用采集数据处理方法，其特征在于，对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化多尺度关联特征图，包括：

以如下优化公式对所述多尺度关联特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化多尺度关联特征图；

其中，所述优化公式为：

F_b＝Cov(F_a)

其中，F为所述多尺度关联特征图，Cov表示单层卷积操作，和⊙分别表示特征图的逐位置相加、相减和相乘，且B₁和B₂为偏置特征图，F^′为所述优化多尺度关联特征图。

5.根据权利要求4所述的注射器注塑成型生产用采集数据处理方法，其特征在于，将所述优化多尺度关联特征图通过通道注意力模块以得到分类特征图，包括：

对所述优化多尺度关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；

将所述通道特征向量输入Softmax激活函数以得到通道注意力权重向量；

以所述通道注意力权重向量中各个位置的特征值作为权重对所述优化多尺度关联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分类特征图。