全自动针织横机及其方法

技术领域

本申请涉及智能检测领域，且更为具体的涉及一种全自动针织横机及其方法。

背景技术

全自动针织横机是一种用于制造针织物品的机器。它能够自动完成整个针织过程，包括选择和放置针头、编织针织物等操作。在编织的过程中需要检测针织密度等参数，来保证针织物的质量。传统的机选针织密度的方法是：通过手动计数一定长度(如10厘米)内的针数来计算针织密度。这种方法简单直接，但需要人工操作，容易受到人为误差的影响，且速度较慢，不适用于大规模生产。

因此，期待一种优化的全自动针织横机。

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全自动针织横机及其方法，其使用基于深度神经网络的人工智能技术来对针织物拍摄图像进行特征提取与编码，以获取用于表示针织物的针织密度是否符合要求的分类标签。这样，可以提高产品质量、减少次品率。

根据本申请的一个方面，提供了一种全自动针织横机，其包括：

图像获取模块，用于获取针织物拍摄图像；

目标检测模块，用于将所述针织物拍摄图像通过针织区域目标检测网络以得到针织感兴趣区域；

灰度转化模块，用于将所述针织感兴趣区域进行灰度转化以得到底表面灰度图像；

预处理模块，用于对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像；

深浅特征融合模块，用于将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；

检测结果生成模块，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针织物的针织密度是否符合要求。

在上述的全自动针织横机中，所述针织区域目标检测网络为基于无锚窗的目标检测网络，所述基于无锚窗的目标检测网络为YOLOv1、FCOS或CenterNet。

在上述的全自动针织横机中，所述预处理模块，包括：

预处理单元，用于对所述底表面灰度图像进行直方图均衡化预处理以将所述底表面灰度图像通过变换函数映射为灰度分布均匀的图像以得到预处理后图像；

颜色校正单元，用于对所述预处理后图像进行CLAHE校正颜色以得到所述增强底表面检测图像。

在上述的全自动针织横机中，所述深浅特征融合模块，包括：

浅层特征提取单元，用于从所述包含深浅融合模块的卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；

深层特征提取单元，用于从所述包含深浅融合模块的卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；

融合单元，用于对所述浅层特征图和所述深层特征图进行基于局部特征流形间基于度量的特征分布约束性融合以得到分类特征图。

在上述的全自动针织横机中，所述融合单元，包括：

高斯模糊子单元，用于对所述浅层特征图和所述深层特征图进行高斯模糊处理以得到高斯优化浅层特征图和高斯优化深层特征图；

几何相似度量化子单元，用于计算所述高斯优化浅层特征图和所述高斯优化深层特征图的每组对应通道维度的特征矩阵之间的巴适距离以得到由多个巴适距离组成的特征图间流形几何相似度量化特征向量；

特征筛选子单元，用于基于预定阈值对所述特征图间流形几何相似度量化特征向量进行特征筛选以得到稀疏化流形几何相似度量化特征向量；

权重子单元，用于以所述稀疏化流形几何相似度量化特征向量作为权重特征向量；

融合子单元，用于融合所述浅层特征图和所述深层特征图以得到所述分类特征图。

在上述的全自动针织横机中，所述特征筛选子单元，用于将所述特征图间流形几何相似度量化特征向量中小于所述预定阈值的特征值位置的特征值设置为零。

在上述的全自动针织横机中，所述检测结果生成模块，包括：

展开单元，用于将所述分类特征图按照行向量或者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；

分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，还提供了一种全自动针织横机的检测方法，其包括：

获取针织物拍摄图像；

将所述针织物拍摄图像通过针织区域目标检测网络以得到针织感兴趣区域；

将所述针织感兴趣区域进行灰度转化以得到底表面灰度图像；

对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像；

将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；

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针织物的针织密度是否符合要求。

与现有技术相比，本申请提供的全自动针织横机及其方法，其使用基于深度神经网络的人工智能技术来对针织物拍摄图像进行特征提取与编码，以获取用于表示针织物的针织密度是否符合要求的分类标签。这样，可以提高产品质量、减少次品率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的全自动针织横机的框图。

图2图示了根据本申请实施例的全自动针织横机的系统架构图。

图3图示了根据本申请实施例的全自动针织横机中深浅特征融合模块的框图。

图4图示了根据本申请实施例的全自动针织横机的检测方法的流程图。

图5图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上述背景技术所言，传统的机选针织密度的方法是：通过手动计数一定长度(如10厘米)内的针数来计算针织密度。这种方法简单直接，但需要人工操作，容易受到人为误差的影响，且速度较慢，不适用于大规模生产。因此，期待一种优化的全自动针织横机。

针对上述技术问题，提出了一种全自动针织横机，使用基于深度神经网络的人工智能技术来对针织物拍摄图像进行特征提取与编码，以获取用于表示针织物的针织密度是否符合要求的分类标签。这样，可以提高产品质量、减少次品率。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为全自动针织横机提供了新的解决思路和方案。

具体地，首先，获取针织物拍摄图像。通过图像获取，可以获得针织物的视觉信息，包括针织的纹理、线条等特征。这些视觉信息可以在后续的处理中用于判断针织物的针织密度是否符合要求。针织密度是指在单位面积内针织物上的针数或针眼数。针织密度的准确性对于针织产品的质量和外观至关重要。通过获取针织物的拍摄图像，可以利用计算机视觉和图像处理技术对图像进行分析和处理，提取针织物的特征，并通过人工智能技术进行分类预测，判断针织密度是否符合要求。

然后，将所述针织物拍摄图像通过针织区域目标检测网络以得到针织感兴趣区域。考虑到针织物通常具有复杂的结构和纹理，其中的针织部分可能与背景或其他杂乱的区域混合在一起。通过针织区域目标检测网络，可以自动识别和定位针织物的感兴趣区域，即针织部分。这样可以剔除背景干扰和杂乱区域，专注于针织部分的处理和分析。针织区域目标检测网络通常是基于计算机视觉和深度学习技术的模型，它可以学习针织物的特征和形状，准确地检测出针织部分的位置和边界。通过这一步骤，可以确保后续处理模块只针对针织部分进行操作，提高处理的效率和准确性。

具体地，在本实施例中所述针织区域目标检测网络为基于无锚窗的目标检测网络，所述基于无锚窗的目标检测网络为YOLOv1、FCOS或CenterNet。

接着，将所述针织感兴趣区域进行灰度转化以得到底表面灰度图像。灰度图像是一种只包含亮度信息而不包含颜色信息的图像。通过将针织感兴趣区域进行灰度转化，可以将彩色图像转换为灰度图像，使得后续处理更加简化和高效。考虑到在针织物的底表面，通常存在着丰富的纹理和细节，这些信息对于针织密度的判断和质量评估非常重要。通过灰度转化，可以突出针织物的亮度变化，使得纹理和细节更加明显，方便后续的图像处理算法对针织物进行分析和特征提取。

进一步地，对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像。直方图均衡化是一种常用的图像增强方法，通过对图像的像素值进行变换，使得图像的直方图在灰度级别上更加均匀分布。这样可以增强图像的对比度，使得底表面的纹理和细节更加明显。直方图均衡化可以使得底表面的亮度变化更加平衡，减少光照不均匀的影响，提高图像的质量。CLAHE是一种对比度有限的自适应直方图均衡化方法，它可以在局部区域内进行直方图均衡化，避免了全局均衡化可能引起的过度增强或失真问题。CLAHE可以根据图像的局部特征进行自适应调整，使得底表面的纹理和细节更加清晰可见。

然后，将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。卷积神经网络(Convolutional Neural Network，CNN)是一种在计算机视觉任务中广泛应用的深度学习模型。它可以通过多层卷积和池化操作，自动学习图像中的特征表示，并在分类、检测等任务中取得优秀的性能。在底表面检测任务中，通过将增强的底表面检测图像输入到卷积神经网络模型中，可以利用网络的卷积层、池化层等操作来提取图像的低级特征，如边缘、纹理等。这些低级特征能够捕捉到底表面的细节信息，有助于区分不同的底表面类型。深浅特征融合模块是一种将网络中浅层特征和深层特征进行融合的方法。深层特征在网络的较深层次中提取，具有更高级的语义信息，而浅层特征则更加接近原始图像的细节。通过融合深浅特征，可以综合利用不同层次的特征信息，提高对底表面的分类准确性。

具体地，在本实施例中，将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：从所述包含深浅融合模块的卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述包含深浅融合模块的卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；以及，使用所述包含深浅融合模块的卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到分类特征图。

进而，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针织物的针织密度是否符合要求。这样，可以提高产品质量、减少次品率。

进一步地，考虑到所述分类特征图是通过融合浅层特征图和深层特征图以得到的，而所述浅层特征图和所述深层特征图分别来自卷积神经网络模型地不同层，它们可能具有不同的特征分布和表示能力，同时，所述浅层特征图和所述深层特征图分别包含了不同层次和角度的特征信息。如果直接采用按位置点加或级联，可能导致融合后的分类特征图的稳定性和抗干扰能力下降，降低了模型的分类准确率和识别能力。而通过基于局部特征流形间基于度量的特征分布约束性融合，可以使得这两种特征图的特征分布更加一致。这有助于消除特征之间的差异性，提高特征之间的相似性，从而更好地捕捉到监控场景中的重要信息。进而使分类特征图具有更准确、具有判别性和可解释性的特征表示，提高对监控场景中目标、行为和状态的感知能力，以及提高模型的鲁棒性。

因此，对所述浅层特征图和所述深层特征图进行基于局部特征流形间基于度量的特征分布约束性融合以得到分类特征图，包括：对所述浅层特征图和所述深层特征图进行高斯模糊处理以得到高斯优化浅层特征图和高斯优化深层特征图；计算所述高斯优化浅层特征图和所述高斯优化深层特征图的每组对应通道维度的特征矩阵之间的巴适距离以得到由多个巴适距离组成的特征图间流形几何相似度量化特征向量；基于预定阈值对所述特征图间流形几何相似度量化特征向量进行特征筛选以得到稀疏化流形几何相似度量化特征向量；以及，以所述稀疏化流形几何相似度量化特征向量作为权重特征向量，融合所述浅层特征图和所述深层特征图以得到所述分类特征图。

对所述浅层特征图和所述深层特征图进行基于局部特征流形间基于度量的特征分布约束性融合以通过限制所述浅层特征图和所述深层特征图之间的相似度，使得它们在高维空间中尽可能地分散，从而增加模型的表达能力和鲁棒性。这样，避免模型对输入数据的微小变化过于敏感，从而提高模型的稳定性和抗干扰能力，同时促进模型学习到更多的有用信息，从而提高模型的分类准确率和识别能力。

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。

示例性系统

图1图示了根据本申请实施例的全自动针织横机的框图。如图1所示，根据本申请实施例的全自动针织横机100，包括：图像获取模块110，用于获取针织物拍摄图像；目标检测模块120，用于将所述针织物拍摄图像通过针织区域目标检测网络以得到针织感兴趣区域；灰度转化模块130，用于将所述针织感兴趣区域进行灰度转化以得到底表面灰度图像；预处理模块140，用于对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像；深浅特征融合模块150，用于将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及，检测结果生成模块160，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针织物的针织密度是否符合要求。

图2图示了根据本申请实施例的全自动针织横机的系统架构图。如图2所示，在该系统架构中，首先，获取针织物拍摄图像。然后，将所述针织物拍摄图像通过针织区域目标检测网络以得到针织感兴趣区域。接着，将所述针织感兴趣区域进行灰度转化以得到底表面灰度图像。然后，对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像。接着，将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。进而，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针织物的针织密度是否符合要求。

在上述的全自动针织横机100中，所述图像获取模块110，用于获取针织物拍摄图像。如上述背景技术所言，传统的机选针织密度的方法是：通过手动计数一定长度(如10厘米)内的针数来计算针织密度。这种方法简单直接，但需要人工操作，容易受到人为误差的影响，且速度较慢，不适用于大规模生产。因此，期待一种优化的全自动针织横机。

针对上述技术问题，提出了一种全自动针织横机，使用基于深度神经网络的人工智能技术来对针织物拍摄图像进行特征提取与编码，以获取用于表示针织物的针织密度是否符合要求的分类标签。这样，可以提高产品质量、减少次品率。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为全自动针织横机提供了新的解决思路和方案。

具体地，首先，获取针织物拍摄图像。通过图像获取，可以获得针织物的视觉信息，包括针织的纹理、线条等特征。这些视觉信息可以在后续的处理中用于判断针织物的针织密度是否符合要求。针织密度是指在单位面积内针织物上的针数或针眼数。针织密度的准确性对于针织产品的质量和外观至关重要。通过获取针织物的拍摄图像，可以利用计算机视觉和图像处理技术对图像进行分析和处理，提取针织物的特征，并通过人工智能技术进行分类预测，判断针织密度是否符合要求。

在上述的全自动针织横机100中，所述目标检测模块120，用于将所述针织物拍摄图像通过针织区域目标检测网络以得到针织感兴趣区域。考虑到针织物通常具有复杂的结构和纹理，其中的针织部分可能与背景或其他杂乱的区域混合在一起。通过针织区域目标检测网络，可以自动识别和定位针织物的感兴趣区域，即针织部分。这样可以剔除背景干扰和杂乱区域，专注于针织部分的处理和分析。针织区域目标检测网络通常是基于计算机视觉和深度学习技术的模型，它可以学习针织物的特征和形状，准确地检测出针织部分的位置和边界。通过这一步骤，可以确保后续处理模块只针对针织部分进行操作，提高处理的效率和准确性。

具体地，在本申请实施例中，所述针织区域目标检测网络为基于无锚窗的目标检测网络，所述基于无锚窗的目标检测网络为YOLOv1、FCOS或CenterNet。

在上述的全自动针织横机100中，所述灰度转化模块130，用于将所述针织感兴趣区域进行灰度转化以得到底表面灰度图像。通过将针织感兴趣区域进行灰度转化，可以将彩色图像转换为灰度图像，使得后续处理更加简化和高效。考虑到在针织物的底表面，通常存在着丰富的纹理和细节，这些信息对于针织密度的判断和质量评估非常重要。通过灰度转化，可以突出针织物的亮度变化，使得纹理和细节更加明显，方便后续的图像处理算法对针织物进行分析和特征提取。

在上述的全自动针织横机100中，所述预处理模块140，用于对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像。直方图均衡化是一种常用的图像增强方法，通过对图像的像素值进行变换，使得图像的直方图在灰度级别上更加均匀分布。这样可以增强图像的对比度，使得底表面的纹理和细节更加明显。直方图均衡化可以使得底表面的亮度变化更加平衡，减少光照不均匀的影响，提高图像的质量。CLAHE是一种对比度有限的自适应直方图均衡化方法，它可以在局部区域内进行直方图均衡化，避免了全局均衡化可能引起的过度增强或失真问题。CLAHE可以根据图像的局部特征进行自适应调整，使得底表面的纹理和细节更加清晰可见。

具体地，在本申请实施例中，所述预处理模块140，包括：预处理单元，用于对所述底表面灰度图像进行直方图均衡化预处理以将所述底表面灰度图像通过变换函数映射为灰度分布均匀的图像以得到预处理后图像；以及颜色校正单元，用于对所述预处理后图像进行CLAHE校正颜色以得到所述增强底表面检测图像。

在上述的全自动针织横机100中，所述深浅特征融合模块150，用于将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。卷积神经网络(Convolutional Neural Network，CNN)是一种在计算机视觉任务中广泛应用的深度学习模型。它可以通过多层卷积和池化操作，自动学习图像中的特征表示，并在分类、检测等任务中取得优秀的性能。在底表面检测任务中，通过将增强的底表面检测图像输入到卷积神经网络模型中，可以利用网络的卷积层、池化层等操作来提取图像的低级特征，如边缘、纹理等。这些低级特征能够捕捉到底表面的细节信息，有助于区分不同的底表面类型。深浅特征融合模块是一种将网络中浅层特征和深层特征进行融合的方法。深层特征在网络的较深层次中提取，具有更高级的语义信息，而浅层特征则更加接近原始图像的细节。通过融合深浅特征，可以综合利用不同层次的特征信息，提高对底表面的分类准确性。

进一步地，考虑到所述分类特征图是通过融合浅层特征图和深层特征图以得到的，而所述浅层特征图和所述深层特征图分别来自卷积神经网络模型地不同层，它们可能具有不同的特征分布和表示能力，同时，所述浅层特征图和所述深层特征图分别包含了不同层次和角度的特征信息。如果直接采用按位置点加或级联，可能导致融合后的分类特征图的稳定性和抗干扰能力下降，降低了模型的分类准确率和识别能力。而通过基于局部特征流形间基于度量的特征分布约束性融合，可以使得这两种特征图的特征分布更加一致。这有助于消除特征之间的差异性，提高特征之间的相似性，从而更好地捕捉到监控场景中的重要信息。进而使分类特征图具有更准确、具有判别性和可解释性的特征表示，提高对监控场景中目标、行为和状态的感知能力，以及提高模型的鲁棒性。

因此，对所述浅层特征图和所述深层特征图进行基于局部特征流形间基于度量的特征分布约束性融合以得到分类特征图，包括：对所述浅层特征图和所述深层特征图进行高斯模糊处理以得到高斯优化浅层特征图和高斯优化深层特征图；计算所述高斯优化浅层特征图和所述高斯优化深层特征图的每组对应通道维度的特征矩阵之间的巴适距离以得到由多个巴适距离组成的特征图间流形几何相似度量化特征向量；基于预定阈值对所述特征图间流形几何相似度量化特征向量进行特征筛选以得到稀疏化流形几何相似度量化特征向量；以及，以所述稀疏化流形几何相似度量化特征向量作为权重特征向量，融合所述浅层特征图和所述深层特征图以得到所述分类特征图。

对所述浅层特征图和所述深层特征图进行基于局部特征流形间基于度量的特征分布约束性融合以通过限制所述浅层特征图和所述深层特征图之间的相似度，使得它们在高维空间中尽可能地分散，从而增加模型的表达能力和鲁棒性。这样，避免模型对输入数据的微小变化过于敏感，从而提高模型的稳定性和抗干扰能力，同时促进模型学习到更多的有用信息，从而提高模型的分类准确率和识别能力。

具体地，在本申请实施例中，将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：从所述包含深浅融合模块的卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述包含深浅融合模块的卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；以及，对所述浅层特征图和所述深层特征图进行基于局部特征流形间基于度量的特征分布约束性融合以得到分类特征图。

图3图示了根据本申请实施例的全自动针织横机中深浅特征融合模块的框图。如图3所示，所述深浅特征融合模块150，包括：浅层特征提取单元151，用于从所述包含深浅融合模块的卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元152，用于从所述包含深浅融合模块的卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；以及融合单元153，用于对所述浅层特征图和所述深层特征图进行基于局部特征流形间基于度量的特征分布约束性融合以得到分类特征图。

具体地，在本申请实施例中，所述融合单元153，包括：高斯模糊子单元，用于对所述浅层特征图和所述深层特征图进行高斯模糊处理以得到高斯优化浅层特征图和高斯优化深层特征图；几何相似度量化子单元，用于计算所述高斯优化浅层特征图和所述高斯优化深层特征图的每组对应通道维度的特征矩阵之间的巴适距离以得到由多个巴适距离组成的特征图间流形几何相似度量化特征向量；特征筛选子单元，用于基于预定阈值对所述特征图间流形几何相似度量化特征向量进行特征筛选以得到稀疏化流形几何相似度量化特征向量；权重子单元，用于以所述稀疏化流形几何相似度量化特征向量作为权重特征向量；以及融合子单元，用于融合所述浅层特征图和所述深层特征图以得到所述分类特征图。

具体地，在本申请实施例中，所述特征筛选子单元，用于将所述特征图间流形几何相似度量化特征向量中小于所述预定阈值的特征值位置的特征值设置为零。

在上述的全自动针织横机100中，所述检测结果生成模块160，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针织物的针织密度是否符合要求。这样，可以提高产品质量、减少次品率。

具体地，在本申请实施例中，所述检测结果生成模块160，包括：展开单元，用于将所述分类特征图按照行向量或者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；分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，根据本申请实施例的全自动针织横机已被阐明，其使用基于深度神经网络的人工智能技术来对针织物拍摄图像进行特征提取与编码，以获取用于表示针织物的针织密度是否符合要求的分类标签。这样，可以提高产品质量、减少次品率。

示例性方法

图4图示了根据本申请实施例的全自动针织横机的检测方法的流程图。如图4所示，根据本申请实施例的所述全自动针织横机的检测方法方法，包括步骤：S110，获取针织物拍摄图像；S120，将所述针织物拍摄图像通过针织区域目标检测网络以得到针织感兴趣区域；S130，将所述针织感兴趣区域进行灰度转化以得到底表面灰度图像；S140，对所述底表面灰度图像进行直方图均衡化预处理和CLAHE校正颜色以得到增强底表面检测图像；S150，将所述增强底表面检测图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及S160，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针织物的针织密度是否符合要求。

这里，本领域技术人员可以理解，上述全自动针织横机的检测方法中的各个步骤的具体操作已经在上面参考图1到图3的全自动针织横机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全自动针织横机100可以实现在各种终端设备中，例如全自动针织横机的服务器等。在一个示例中，根据本申请实施例的全自动针织横机100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，该全自动针织横机100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，该全自动针织横机100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，该全自动针织横机100与该终端设备也可以是分立的设备，并且该全自动针织横机100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

综上，根据本申请实施例的全自动针织横机的检测方法已被阐明，其使用基于深度神经网络的人工智能技术来对针织物拍摄图像进行特征提取与编码，以获取用于表示针织物的针织密度是否符合要求的分类标签。这样，可以提高产品质量、减少次品率。

示例性电子设备

下面，参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的全自动针织横机的检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如针织物拍摄图像等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括针织物的针织密度是否符合要求等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的全自动针织横机的检测方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的全自动针织横机的检测方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

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。

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。