一种玩偶的生产管理方法及其系统

技术领域

本申请涉及智能化生产技术领域，并且更具体地，涉及一种玩偶的生产管理方法及其系统。

背景技术

随着玩具市场的不断扩大，玩偶作为一种受欢迎的玩具，其生产质量成为了制造商和消费者都关注的问题。为了保证玩偶的安全性、美观性和功能性，需要对其生产过程进行监控和控制，特别是进行质量检测，以保证玩偶的安全性、美观性和功能性。

然而，在玩偶的生产管理过程中，传统的质量检测存在人工检测效率低、误检率高的问题。因此，期待一种解决方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种玩偶的生产管理方法及其系统，其获取待检测玩偶的监控图像；利用深度学习和人工智能技术对玩偶的监控图像进行特征提取和分类以实现对玩偶表面缺陷的自动化检测，提高玩偶的生产效率和质量水平，保障消费者的权益和安全。

第一方面，提供了一种玩偶的生产管理方法，其包括：获取待检测玩偶的监控图像；对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正；对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列；将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量；将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。

在上述玩偶的生产管理方法中，对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列，包括：对所述预处理后监控图像进行均匀分块处理以得到所述监控图像块的序列，其中，所述监控图像块的序列中各个监控图像块具有相同的尺寸。

在上述玩偶的生产管理方法中，将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量，包括：使用所述ViT模型的嵌入层对所述监控图像块的序列中的各个监控图像块进行向量嵌入化以得到图像块嵌入向量的序列；以及，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个玩偶局部图像块特征向量。

在上述玩偶的生产管理方法中，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个玩偶局部图像块特征向量，包括：将所述图像块嵌入向量的序列进行一维排列以得到图像块全局特征向量；计算所述图像块全局特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个玩偶局部图像块特征向量。

在上述玩偶的生产管理方法中，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵，包括：将所述玩偶全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，计算所述双向关联权重矩阵和所述玩偶全局特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

在上述玩偶的生产管理方法中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：将所述分类特征矩阵通过线性变换转换为正方矩阵，其中，所述正方矩阵的行数和列数相同；以及，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化分类特征矩阵。

在上述玩偶的生产管理方法中，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化分类特征矩阵，包括：以如下优化公式对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化分类特征矩阵；其中，所述优化公式为：

在上述玩偶的生产管理方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷，包括：将所述优化分类特征矩阵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。

第二方面，提供了一种玩偶的生产管理系统，其包括：图像获取模块，用于获取待检测玩偶的监控图像；预处理模块，用于对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正；图像分块处理模块，用于对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列；嵌入编码模块，用于将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量；双向注意力模块，用于将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及

检测结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。

在上述玩偶的生产管理系统中，所述图像分块处理模块，用于：对所述预处理后监控图像进行均匀分块处理以得到所述监控图像块的序列，其中，所述监控图像块的序列中各个监控图像块具有相同的尺寸。

与现有技术相比，本申请提供的玩偶的生产管理方法及其系统，其获取待检测玩偶的监控图像；利用深度学习和人工智能技术对玩偶的监控图像进行特征提取和分类以实现对玩偶表面缺陷的自动化检测，提高玩偶的生产效率和质量水平，保障消费者的权益和安全。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的玩偶的生产管理方法的场景示意图。

图2为根据本申请实施例的玩偶的生产管理方法的流程图。

图3为根据本申请实施例的玩偶的生产管理方法的架构示意图。

图4为根据本申请实施例的玩偶的生产管理方法中步骤140的子步骤的流程图。

图5为根据本申请实施例的玩偶的生产管理方法中步骤142的子步骤的流程图。

图6为根据本申请实施例的玩偶的生产管理方法中步骤150的子步骤的流程图。

图7为根据本申请实施例的玩偶的生产管理方法中步骤160的子步骤的流程图。

图8为根据本申请实施例的玩偶的生产管理方法中步骤170的子步骤的流程图。

图9为根据本申请实施例的玩偶的生产管理系统的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

针对上述技术问题，本申请的技术构思为利用深度学习和人工智能技术对玩偶的监控图像进行特征提取和分类以实现对玩偶表面缺陷的自动化检测，提高玩偶的生产效率和质量水平，保障消费者的权益和安全。

具体地，在本申请的技术方案中，首先，获取待检测玩偶的监控图像。这里，监控图像可以作为玩偶质量检测的基础数据，从而对玩偶的表面进行有效的分析和识别。

为了提高图像的质量和可分析性，在本申请的技术方案中，对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正。具体来说，灰度转换是指将彩色图像转换为灰度图像，以降低图像的维度和复杂度，同时保留图像的主要信息；图像标准化是指将灰度图像的像素值归一化到[0,1]区间，以消除不同图像之间的亮度差异，增强图像的对比度；CLAHE即限制对比度自适应直方图均衡化，可以在增强图像的对比度的同时，避免过度增强导致的噪声放大和细节丢失；伽马校正是一种调整图像亮度的方法，可以根据人眼对亮度的感知特性，增强暗区的细节，抑制亮区的细节，使得图像更加清晰和自然。

接着，对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列。也就是，将预处理后监控图像分割成多个小的图像块。这样可以提高图像处理和深度学习分析的效率，同时可以减少计算量和内存占用，降低系统的复杂度和成本。

然后，将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量。其中，ViT模型是一种将Transformer应用在图像处理的模型。ViT模型的优势是可以利用Transformer的自注意力机制，捕捉图像块之间的长距离依赖关系。具体地，ViT模型包含一个嵌入层，用于将图像块的序列映射为固定长度的向量，然后送入Transformer的编码器。嵌入层的作用是将原始的图像块数据转化为适合Transformer处理的形式，同时保留图像块的信息。

考虑到玩偶的表面缺陷可能分布在玩偶的不同部位，因此，在本申请的技术方案中，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵。这里，通过将玩偶的局部图像块特征向量排列为玩偶的全局特征矩阵，以表征玩偶的整体信息。并且，双向注意力机制模块可以利用自注意力的思想来增强局部区域之间的相关性。具体地说，双向注意力模块分别从水平方向和垂直方向对整个特征矩阵的注意力权重校准并获取复杂特征关系，从而完全能够从空间的全局特征中获取局部特征信息。

进一步地，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。其中，分类器可以通过训练数据集学习玩偶的正常和异常样本的特征分布，从而能够对新的待检测玩偶（即输入的分类特征矩阵）进行分类。在本申请的技术方案中，分类器的分类标签有两类，即“待检测玩偶存在表面缺陷”和“待检测玩偶不存在表面缺陷”，分类器通过软最大值函数来确定分类特征矩阵属于哪个分类标签。通过这样的方式来区分正常玩偶和存在表面缺陷的玩偶，实现对玩偶表面缺陷的自动化检测，提高玩偶的生产效率和质量水平，保障消费者的权益和安全。

在本申请的技术方案中，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块得到所述分类特征矩阵时，考虑到在包含双向注意力机制的卷积神经网络模型基于行方向和列方向下的注意力权重机制进行特征提取时，所述玩偶全局特征矩阵的各个玩偶局部图像块特征向量拼接后在特征提取时，会由于各个玩偶局部图像块特征向量的内部图像特征语义与特征向量排列导致的合成噪声特征发生混淆，使得有意义的类回归图像语义特征与噪声特征之间分界的模糊性影响所述分类特征矩阵的整体特征分布表达效果。

因此，首先将所述分类特征矩阵通过线性变换转换为正方矩阵，即使得其行数和列数相同，再对所述正方矩阵，例如记为

这里，对于所述玩偶全局特征矩阵的各个玩偶局部图像块特征向量拼接后进行特征提取时，由于各个玩偶局部图像块特征向量的内部图像特征语义与合成噪声特征发生混淆而导致有意义的类回归图像语义特征与噪声特征之间分界的模糊性，所述向量谱聚类代理学习融合优化通过引入用于表示所述玩偶局部图像块特征向量间的空间布局和语义相似性的谱聚类代理学习，来利用类回归语义特征和类回归场景之间的关联的概念化信息，对各个玩偶局部图像块特征向量间的潜在关联属性进行隐性监督传播，从而提高作为合成特征的所述玩偶全局特征矩阵的整体分布依赖性，由此提升所述玩偶全局特征矩阵的整体特征分布表达效果，提高其通过分类器得到的分类结果的准确性。

本申请具有如下几点技术效果：1、提供了一种玩偶的生产管理方案，更具体地，是一种玩偶表面缺陷的自动化检测方案。2、该方案能够实现对玩偶表面缺陷的自动化检测，提高玩偶生产管理的效率和准确性，降低人力成本和资源消耗，提升玩偶的品质和市场竞争力。

图1为根据本申请实施例的玩偶的生产管理方法的场景示意图。如图1所示，在该应用场景中，首先，获取待检测玩偶（例如，如图1中所示意的M）的监控图像（例如，如图1中所示意的C）；然后，将获取的监控图像输入至部署有玩偶的生产管理算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于玩偶的生产管理算法对所述监控图像进行处理，以生成用于表示所述待检测玩偶是否存在表面缺陷的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

在本申请的一个实施例中，图2为根据本申请实施例的玩偶的生产管理方法的流程图。如图2所示，根据本申请实施例的玩偶的生产管理方法100，包括：110，获取待检测玩偶的监控图像；120，对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正；130，对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列；140，将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量；150，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；160，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，170，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。

图3为根据本申请实施例的玩偶的生产管理方法的架构示意图。如图3所示，在该网络架构中，首先，获取待检测玩偶的监控图像；然后，对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正；接着，对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列；然后，将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量；接着，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；然后，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。

具体地，在步骤110中，获取待检测玩偶的监控图像。针对上述技术问题，本申请的技术构思为利用深度学习和人工智能技术对玩偶的监控图像进行特征提取和分类以实现对玩偶表面缺陷的自动化检测，提高玩偶的生产效率和质量水平，保障消费者的权益和安全。

具体地，在本申请的技术方案中，首先，获取待检测玩偶的监控图像。这里，监控图像可以作为玩偶质量检测的基础数据，从而对玩偶的表面进行有效的分析和识别。

具体地，在步骤120中，对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正。为了提高图像的质量和可分析性，在本申请的技术方案中，对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正。具体来说，灰度转换是指将彩色图像转换为灰度图像，以降低图像的维度和复杂度，同时保留图像的主要信息；图像标准化是指将灰度图像的像素值归一化到[0,1]区间，以消除不同图像之间的亮度差异，增强图像的对比度；CLAHE即限制对比度自适应直方图均衡化，可以在增强图像的对比度的同时，避免过度增强导致的噪声放大和细节丢失；伽马校正是一种调整图像亮度的方法，可以根据人眼对亮度的感知特性，增强暗区的细节，抑制亮区的细节，使得图像更加清晰和自然。

具体地，在步骤130中，对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列。接着，对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列。也就是，将预处理后监控图像分割成多个小的图像块。这样可以提高图像处理和深度学习分析的效率，同时可以减少计算量和内存占用，降低系统的复杂度和成本。

其中，对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列，包括：对所述预处理后监控图像进行均匀分块处理以得到所述监控图像块的序列，其中，所述监控图像块的序列中各个监控图像块具有相同的尺寸。

具体地，在步骤140中，将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量。然后，将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量。其中，ViT模型是一种将Transformer应用在图像处理的模型。ViT模型的优势是可以利用Transformer的自注意力机制，捕捉图像块之间的长距离依赖关系。具体地，ViT模型包含一个嵌入层，用于将图像块的序列映射为固定长度的向量，然后送入Transformer的编码器。嵌入层的作用是将原始的图像块数据转化为适合Transformer处理的形式，同时保留图像块的信息。

图4为根据本申请实施例的玩偶的生产管理方法中步骤140的子步骤的流程图，如图4所示，将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量，包括：141，使用所述ViT模型的嵌入层对所述监控图像块的序列中的各个监控图像块进行向量嵌入化以得到图像块嵌入向量的序列；以及，142，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个玩偶局部图像块特征向量。

图5为根据本申请实施例的玩偶的生产管理方法中步骤142的子步骤的流程图，如图5所示，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个玩偶局部图像块特征向量，包括：1421，将所述图像块嵌入向量的序列进行一维排列以得到图像块全局特征向量；1422，计算所述图像块全局特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；1423，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；1424，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，1425，分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个玩偶局部图像块特征向量。

应可以理解， 自2017年Google提出的Transformer结构以来，迅速引发一波热潮，针对于NLP领域的，通过自注意力机制代替传统处理序列数据时采用的循环神经网络结构，不仅实现了并行训练，提升了训练的效率，同时也在应用中取得很好的结果。在NLP中，输入transformer中的是一个序列，而在视觉领域，需要考虑如何将一个2d图片转化为一个1d的序列，最直观的想法就是将图片中的像素点输入到transformer中，但是复杂度太高的问题。

而ViT模型对输入的改进可以降低复杂度，先将图片切分成一个个图像块，然后每一个图像块投影为固定长度的向量送入Transformer中，后续编码器的操作和原始Transformer中完全相同。但是因为对图片分类，因此在输入序列中加入一个特殊的标记，该标记对应的输出即为最后的类别预测。ViT在很多视觉任务上都展现了相当优秀的性能，但是和CNN(Convolutional Neural Network，卷积神经网络)相比，缺少归纳偏置让ViT应用于小数据集时非常依赖模型正则化（model regularization）和数据增广（dataaugmentation）。

具体地，在步骤150中，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵。考虑到玩偶的表面缺陷可能分布在玩偶的不同部位，因此，在本申请的技术方案中，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵。这里，通过将玩偶的局部图像块特征向量排列为玩偶的全局特征矩阵，以表征玩偶的整体信息。并且，双向注意力机制模块可以利用自注意力的思想来增强局部区域之间的相关性。具体地说，双向注意力模块分别从水平方向和垂直方向对整个特征矩阵的注意力权重校准并获取复杂特征关系，从而完全能够从空间的全局特征中获取局部特征信息。

图6为根据本申请实施例的玩偶的生产管理方法中步骤150的子步骤的流程图，如图6所示，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵，包括：151，将所述玩偶全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；152，对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；153，将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，154，计算所述双向关联权重矩阵和所述玩偶全局特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask, mask上的值的权重。 一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。

具体地，在步骤160中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。图7为根据本申请实施例的玩偶的生产管理方法中步骤160的子步骤的流程图，如图7所示，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：161，将所述分类特征矩阵通过线性变换转换为正方矩阵，其中，所述正方矩阵的行数和列数相同；以及，162，对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化分类特征矩阵。

在本申请的技术方案中，将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块得到所述分类特征矩阵时，考虑到在包含双向注意力机制的卷积神经网络模型基于行方向和列方向下的注意力权重机制进行特征提取时，所述玩偶全局特征矩阵的各个玩偶局部图像块特征向量拼接后在特征提取时，会由于各个玩偶局部图像块特征向量的内部图像特征语义与特征向量排列导致的合成噪声特征发生混淆，使得有意义的类回归图像语义特征与噪声特征之间分界的模糊性影响所述分类特征矩阵的整体特征分布表达效果。

因此，首先将所述分类特征矩阵通过线性变换转换为正方矩阵，即使得其行数和列数相同，再对所述正方矩阵，例如记为

这里，对于所述玩偶全局特征矩阵的各个玩偶局部图像块特征向量拼接后进行特征提取时，由于各个玩偶局部图像块特征向量的内部图像特征语义与合成噪声特征发生混淆而导致有意义的类回归图像语义特征与噪声特征之间分界的模糊性，所述向量谱聚类代理学习融合优化通过引入用于表示所述玩偶局部图像块特征向量间的空间布局和语义相似性的谱聚类代理学习，来利用类回归语义特征和类回归场景之间的关联的概念化信息，对各个玩偶局部图像块特征向量间的潜在关联属性进行隐性监督传播，从而提高作为合成特征的所述玩偶全局特征矩阵的整体分布依赖性，由此提升所述玩偶全局特征矩阵的整体特征分布表达效果，提高其通过分类器得到的分类结果的准确性。

具体地，在步骤170中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。进一步地，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。其中，分类器可以通过训练数据集学习玩偶的正常和异常样本的特征分布，从而能够对新的待检测玩偶（即输入的分类特征矩阵）进行分类。在本申请的技术方案中，分类器的分类标签有两类，即“待检测玩偶存在表面缺陷”和“待检测玩偶不存在表面缺陷”，分类器通过软最大值函数来确定分类特征矩阵属于哪个分类标签。通过这样的方式来区分正常玩偶和存在表面缺陷的玩偶，实现对玩偶表面缺陷的自动化检测，提高玩偶的生产效率和质量水平，保障消费者的权益和安全。

图8为根据本申请实施例的玩偶的生产管理方法中步骤170的子步骤的流程图，如图8所示，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷，包括：171，将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；172，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，173，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。

综上，基于本申请实施例的玩偶的生产管理方法100被阐明，其获取待检测玩偶的监控图像；利用深度学习和人工智能技术对玩偶的监控图像进行特征提取和分类以实现对玩偶表面缺陷的自动化检测，提高玩偶的生产效率和质量水平，保障消费者的权益和安全。

在本申请的一个实施例中，图9为根据本申请实施例的玩偶的生产管理系统的框图。如图9所示，根据本申请实施例的玩偶的生产管理系统200，包括：图像获取模块210，用于获取待检测玩偶的监控图像；预处理模块220，用于对所述监控图像进行图像预处理以得到预处理后监控图像，其中，所述图像预处理包括灰度转换、图像标准化、CLAHE和伽马校正；图像分块处理模块230，用于对所述预处理后监控图像进行图像分块处理以得到监控图像块的序列；嵌入编码模块240，用于将所述监控图像块的序列通过包含嵌入层的ViT模型以得到多个玩偶局部图像块特征向量；双向注意力模块250，用于将所述多个玩偶局部图像块特征向量排列为玩偶全局特征矩阵后通过双向注意力机制模块以得到分类特征矩阵；优化模块260，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，检测结果生成模块270，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测玩偶是否存在表面缺陷。

在一个具体示例中，在上述玩偶的生产管理系统中，所述图像分块处理模块，用于：对所述预处理后监控图像进行均匀分块处理以得到所述监控图像块的序列，其中，所述监控图像块的序列中各个监控图像块具有相同的尺寸。

在一个具体示例中，在上述玩偶的生产管理系统中，所述嵌入编码模块，包括：嵌入化单元，用于使用所述ViT模型的嵌入层对所述监控图像块的序列中的各个监控图像块进行向量嵌入化以得到图像块嵌入向量的序列；以及，转换编码单元，用于将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个玩偶局部图像块特征向量。

在一个具体示例中，在上述玩偶的生产管理系统中，所述转换编码单元，包括：一维排列子单元，用于将所述图像块嵌入向量的序列进行一维排列以得到图像块全局特征向量；自注意力子单元，用于计算所述图像块全局特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；激活子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，加权子单元，用于分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个玩偶局部图像块特征向量。

在一个具体示例中，在上述玩偶的生产管理系统中，所述双向注意力模块，包括：池化单元，用于将所述玩偶全局特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；矩阵激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，矩阵计算单元，用于计算所述双向关联权重矩阵和所述玩偶全局特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

在一个具体示例中，在上述玩偶的生产管理系统中，所述优化模块，包括：线性变换单元，用于将所述分类特征矩阵通过线性变换转换为正方矩阵，其中，所述正方矩阵的行数和列数相同；以及，优化单元，用于对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化分类特征矩阵。

在一个具体示例中，在上述玩偶的生产管理系统中，所述优化单元，用于：以如下优化公式对所述正方矩阵进行向量谱聚类代理学习融合优化以得到所述优化分类特征矩阵；其中，所述优化公式为：

在一个具体示例中，在上述玩偶的生产管理系统中，所述检测结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码单元，用于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，分类单元，用于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。

这里，本领域技术人员可以理解，上述玩偶的生产管理系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图8的玩偶的生产管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的玩偶的生产管理系统200可以实现在各种终端设备中，例如用于玩偶的生产管理的服务器等。在一个示例中，根据本申请实施例的玩偶的生产管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该玩偶的生产管理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该玩偶的生产管理系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该玩偶的生产管理系统200与该终端设备也可以是分立的设备，并且玩偶的生产管理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。

在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。

应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。

本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。