基于预检测权值的样本维度加权的模具清洗效果检验方法

技术领域

本申请涉及人工智能领域，且更为具体地，涉及一种基于预检测权值的样本维度加权的模具清洗效果检验方法、基于预检测权值的样本维度加权的模具清洗效果检验系统和电子设备。

背景技术

模具是工业生产上用以注塑、吹塑、挤出、压铸或锻压成型、冶炼、冲压等方法得到所需产品的各种模子和工具。简而言之，模具是用来制作成型物品的工具，这种工具由各种零件构成，不同的模具由不同的零件构成。目前，模具在使用后需要通过清洗设备进行清洗，而清洗设备的清洗效果也会影响后续模具的使用。

但是，目前的模具的清洗效果基本上都是通过人工来进行检验，这不但流程繁琐，还会影响检验效果。

因此，期望一种能够用于模具清洗效果检验的技术方案。

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、文本信号处理等领域。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模具清洗效果检验提供了新的解决思路和方案。

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基于预检测权值的样本维度加权的模具清洗效果检验方法、基于预检测权值的样本维度加权的模具清洗效果检验系统和电子设备，其基于卷积神经网络来学习到每个角度的特征图对于最终的分类结果的贡献值，从而作为权重来对各个特征图进行加权，以提高最终的分类的准确率且提高了模型的泛化能力。

根据本申请的一个方面，提供了一种基于预检测权值的样本维度加权的模具清洗效果检验方法，其包括：

训练阶段，包括：

获取以多个角度拍摄的已清洗模具的图像作为多张训练图像；

将所述多张训练图像输入预检测卷积神经网络以获得与所述多张训练图像对应的多张第一训练特征图；

对所述多张第一训练特征图，将每一所述第一训练特征图进行全局平均值池化以获得对应于每一所述第一训练特征图的特征值，以获得多个特征值作为样本加权权重；

将所述多张训练图像输入卷积神经网络以获得与所述多张训练图像对应的多张第二训练特征图；

以所述样本加权权重对所述多张第二训练特征图进行加权，以获得训练分类特征图；

将所述训练分类特征图通过分类器以获得分类损失函数值；以及

基于所述分类损失函数值更新所述卷积神经网络和所述分类器的参数；以及

推断阶段，包括：

获取以多个角度拍摄的待检测已清洗模具的多张待检测图像；

将所述多张待检测图像输入所述预检测卷积神经网络以获得与所述多张待检测图像对应的多张第一特征图；

对所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重；

将所述多张待检测图像输入所述卷积神经网络以获得与所述多张待检测图像对应的多张第二特征图；

以所述样本加权权重对所述多张第二特征图进行加权，以获得分类特征图；以及

将所述分类特征图通过所述分类器以获得分类结果，所述分类结果用于表示所述待检测已清洗模具的清洗效果是否合格。

在上述基于预检测权值的样本维度加权的模具清洗效果检验方法中，基于所述分类损失函数值更新所述卷积神经网络和所述分类器的参数，包括：基于所述分类损失函数值更新所述卷积神经网络、所述分类器和所述预检测卷积神经网络的参数。

在上述基于预检测权值的样本维度加权的模具清洗效果检验方法中，将所述训练分类特征图通过分类器以获得分类损失函数值，包括：将所述训练分类特征图通过一个或多个全连接层，以获得训练分类特征向量；将所述训练分类特征向量输入分类函数以获得分类结果；以及，将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。

在上述基于预检测权值的样本维度加权的模具清洗效果检验方法中，对所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重，包括：将所述多个特征值以所述多个待检测图像对应的拍摄角度为序排列以获得所述样本加权权重；其中，以所述样本加权权重对所述多张第二特征图进行加权，以获得分类特征图，包括：将所述多个第二特征图以所述多个待检测图像对应的拍摄角度为序排列；以及，以顺序一致的所述样本加权权重计算所述多张第二特征图的加权和，以获得所述分类特征图。

在上述基于预检测权值的样本维度加权的模具清洗效果检验方法中，所述卷积神经网络为深度残差网络。

根据本申请的另一方面，提供了一种基于预检测权值的样本维度加权的模具清洗效果检验系统，包括：

训练模块，包括：

训练图像获取单元，用于获取以多个角度拍摄的已清洗模具的图像作为多张训练图像；

第一训练特征图生成单元，用于将所述训练训练图像获取单元获得的所述多张训练图像输入预检测卷积神经网络以获得与所述多张训练图像对应的多张第一训练特征图；

训练样本加权权重生成单元，用于对所述第一训练特征图生成单元获得的所述多张第一训练特征图，将每一所述第一训练特征图进行全局平均值池化以获得对应于每一所述第一训练特征图的特征值，以获得多个特征值作为样本加权权重；

第二训练特征图生成单元，用于将所述训练图像获取单元获得的所述多张训练图像输入卷积神经网络以获得与所述多张训练图像对应的多张第二训练特征图；

训练分类特征图生成单元，用于以所述样本加权权重生成单元获得的所述样本加权权重对所述第二训练特征图生成单元获得的所述多张第二训练特征图进行加权，以获得训练分类特征图；

分类损失函数值计算单元，用于将所述第二训练分类特征图生成单元获得的所述训练分类特征图通过分类器以获得分类损失函数值；以及

参数更新单元，用于基于所述分类损失函数值计算单元获得的所述分类损失函数值更新所述卷积神经网络和所述分类器的参数；以及

推断模块，包括：

待检测图像获取单元，用于获取以多个角度拍摄的待检测已清洗模具的多张待检测图像；

第一检测特征图生成单元，用于将所述待检测图像获取单元获得的所述多张待检测图像输入所述预检测卷积神经网络以获得与所述多张待检测图像对应的多张第一特征图；

检测样本加权权重生成单元，用于对所述第一检测特征图生成单元获得的所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重；

第二检测特征图生成单元，用于将所述待检测图像获取单元获得的所述多张待检测图像输入所述卷积神经网络以获得与所述多张待检测图像对应的多张第二特征图；

检测分类特征图生成单元，用于以所述检测样本加权权重生成单元获得的所述样本加权权重对所述第二检测特征图生成单元获得的所述多张第二特征图进行加权，以获得分类特征图；以及

分类结果生成单元，用于将所述检测分类特征图生成单元获得的所述分类特征图通过所述分类器以获得分类结果，所述分类结果用于表示所述待检测已清洗模具的清洗效果是否合格。

在上述基于预检测权值的样本维度加权的模具清洗效果检验系统中，所述参数更新单元，进一步用于：基于所述分类损失函数值更新所述卷积神经网络、所述分类器和所述预检测卷积神经网络的参数。

在上述基于预检测权值的样本维度加权的模具清洗效果检验系统中，所述分类损失函数值计算单元，包括：训练分类特征向量生成子单元，用于将所述训练分类特征图通过一个或多个全连接层，以获得训练分类特征向量；训练分类结果生成子单元，用于将所述训练分类特征向量输入分类函数以获得分类结果；以及，损失函数计算子单元，用于将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。

在上述基于预检测权值的样本维度加权的模具清洗效果检验系统中，所述检测样本加权权重生成单元，进一步用于：将所述多个特征值以所述多个待检测图像对应的拍摄角度为序排列以获得所述样本加权权重；其中，所述检测分类特征图生成单元，进一步用于：将所述多个第二特征图以所述多个待检测图像对应的拍摄角度为序排列；以及，以顺序一致的所述样本加权权重计算所述多张第二特征图的加权和，以获得所述分类特征图。

在上述基于预检测权值的样本维度加权的模具清洗效果检验系统中，所述卷积神经网络为深度残差网络。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于预检测权值的样本维度加权的模具清洗效果检验方法。

根据本申请的又一方面，提供了一种计算机可读介质，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如上所述的基于预检测权值的样本维度加权的模具清洗效果检验方法。

根据本申请提供的基于预检测权值的样本维度加权的模具清洗效果检验方法、基于预检测权值的样本维度加权的模具清洗效果检验系统和电子设备，其基于卷积神经网络来学习到每个角度的特征图对于最终的分类结果的贡献值，从而作为权重来对各个特征图进行加权，以提高最终的分类的准确率且提高了模型的泛化能力。

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基于预检测权值的样本维度加权的模具清洗效果检验方法的场景示意图。

图2A图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中训练阶段的流程图。

图2B图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中推断阶段的流程图。

图3A图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中训练阶段的架构示意图。

图3B图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中推断阶段的架构示意图。

图4图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中，将所述训练分类特征图通过分类器以获得分类损失函数值的流程图。

图5图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验系统的框图。

图6图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验系统中分类损失函数值计算单元的框图。

图7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。

如前所述，模具是工业生产上用以注塑、吹塑、挤出、压铸或锻压成型、冶炼、冲压等方法得到所需产品的各种模子和工具。简而言之，模具是用来制作成型物品的工具，这种工具由各种零件构成，不同的模具由不同的零件构成。目前，模具在使用后需要通过清洗设备进行清洗，而清洗设备的清洗效果也会影响后续模具的使用。

但是，目前的模具的清洗效果基本上都是通过人工来进行检验，这不但流程繁琐，还会影响检验效果。

因此，期望一种能够用于模具清洗效果检验的技术方案。

具体地，本申请的申请人期望通过成熟的基于深度学习的计算机视觉技术来实现模具的清洗效果的检验，其通过卷积神经网络提取图像特征并进行对象检测来确定清洗后的模具是否检测到对应于预定污渍的对象，显然这是一个基于卷积神经网络的分类问题。

但是，对于单个模具来说，其通常具有比较复杂的形状，且还会具有空腔这种凹面，而且为了提高本申请的检验模型的泛化能力，期望能够开发适用于各种形状的模具的模型，而并非仅适用于单一形状的模具的检验的模型。

基于此，本申请的申请人在研究过程中发现，当对模具进行检测时，如果从不同角度获取图像，则当从每个图像提取出特征图之后，与每个图像对应的特征图对于最终的分类结果的贡献并不相同，因而期望能够基于卷积神经网络来学习到每个角度的特征图对于最终的分类结果的贡献值，从而作为权重来对各个特征图进行加权，以提高最终的分类的准确性。

因此，在本申请的技术方案中，首先将多个角度的图像分别输入用于预检测的第一卷积神经网络以获得与每个图像对应的第一特征图，然后，对于每个第一特征图进行全局平均池化以获得对应于每个图像的特征值，以此作为权重，也就是，所述第一卷积神经网络可以被看作为权重生成网络。

然后，将所述多个角度的图像作为检测图像集输入第二卷积神经网络以获得第二特征图，然后，以所述对应角度的权重值在样本维度上对于所述第二特征图进行加权，即对于每个对应角度的特征图进行加权，从而获得分类特征图，并以此来通过分类函数获得分类结果。

这里，在训练过程中，可以不训练用于预检测的第一卷积神经网络，而是通过第二卷积神经网络的训练来使得第二卷积神经网络的特征提取与第一卷积神经网络的特征提取相适应，从而减少计算量。

基于此，本申请提出了一种基于预检测权值的样本维度加权的模具清洗效果检验方法，其包括：训练阶段，包括：获取以多个角度拍摄的已清洗模具的图像作为多张训练图像；将所述多张训练图像输入预检测卷积神经网络以获得与所述多张训练图像对应的多张第一训练特征图；对所述多张第一训练特征图，将每一所述第一训练特征图进行全局平均值池化以获得对应于每一所述第一训练特征图的特征值，以获得多个特征值作为样本加权权重；将所述多张训练图像输入卷积神经网络以获得与所述多张训练图像对应的多张第二训练特征图；以所述样本加权权重对所述多张第二训练特征图进行加权，以获得训练分类特征图；将所述训练分类特征图通过分类器以获得分类损失函数值；以及，基于所述分类损失函数值更新所述卷积神经网络和所述分类器的参数；以及，推断阶段，包括：获取以多个角度拍摄的待检测已清洗模具的多张待检测图像；将所述多张待检测图像输入所述预检测卷积神经网络以获得与所述多张待检测图像对应的多张第一特征图；对所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重；将所述多张待检测图像输入所述卷积神经网络以获得与所述多张待检测图像对应的多张第二特征图；以所述样本加权权重对所述多张第二特征图进行加权，以获得分类特征图；以及，将所述分类特征图通过所述分类器以获得分类结果，所述分类结果用于表示所述待检测已清洗模具的清洗效果是否合格。

图1图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法的场景示意图。

如图1所示，在该应用场景中，在训练阶段中，通过摄像头(例如，如图1中所示意的C)以多个角度拍摄已清洗模具的图像，以作为训练图像集；然后，将所述训练图像集输入至部署有基于预检测权值的样本维度加权的模具清洗效果检验算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于预检测权值的样本维度加权的模具清洗效果检验算法以所述训练图像集对用于模具清洗效果检验的卷积神经网络进行训练。

在训练完成后，在推断阶段中，通过摄像头(例如，如图1中所示意的C)以多个角度拍摄已清洗模具的多张待检测图像；然后，将所述多张待检测图像输入部署有基于预检测权值的样本维度加权的模具清洗效果检验算法的服务器(例如，如图1中所示意的S)，其中，其中，所述服务器能够基于预检测权值的样本维度加权的模具清洗效果检验算法对所述多张待检测图像进行处理，以生成表示所述待检测已清洗模具的清洗效果是否合格的检测结果。

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。

图2A图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中训练阶段的流程图。图2B图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中推断阶段的流程图。如图2A所示，根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法，包括：训练阶段，包括：S110,获取以多个角度拍摄的已清洗模具的图像作为多张训练图像；S120，将所述多张训练图像输入预检测卷积神经网络以获得与所述多张训练图像对应的多张第一训练特征图；S130，对所述多张第一训练特征图，将每一所述第一训练特征图进行全局平均值池化以获得对应于每一所述第一训练特征图的特征值，以获得多个特征值作为样本加权权重；S140，将所述多张训练图像输入卷积神经网络以获得与所述多张训练图像对应的多张第二训练特征图；S150，以所述样本加权权重对所述多张第二训练特征图进行加权，以获得训练分类特征图；S160，将所述训练分类特征图通过分类器以获得分类损失函数值；以及，S170，基于所述分类损失函数值更新所述卷积神经网络和所述分类器的参数。

如图2B所示，根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法，还包括：推断阶段，包括：S210,获取以多个角度拍摄的待检测已清洗模具的多张待检测图像；S220，将所述多张待检测图像输入所述预检测卷积神经网络以获得与所述多张待检测图像对应的多张第一特征图；S230，对所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重；S240，将所述多张待检测图像输入所述卷积神经网络以获得与所述多张待检测图像对应的多张第二特征图；S250，以所述样本加权权重对所述多张第二特征图进行加权，以获得分类特征图；S260，将所述分类特征图通过所述分类器以获得分类结果，所述分类结果用于表示所述待检测已清洗模具的清洗效果是否合格。

图3A图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中训练阶段的架构示意图。如图3A所示，在训练阶段中，在该网络架构中，首先将获取的多张训练图像(例如，如图3中所示意的I N0)输入到预检测卷积神经网络(例如，如图3A中所示意的CNNt)中以获得多张第一训练特征图(例如，如图3A中所示意的Ft1)，其中，所述多张训练图像为以多个角度拍摄的已清洗模具的图像。接着，对所述多张第一训练特征图，将每一所述第一训练特征图以池化层(例如，如图3A中所示意的PL)进行全局平均值池化以获得对应于每一所述第一训练特征图的特征值，以获得多个特征值作为样本加权权重。接着，所述多张训练图像被输入卷积神经网络(例如，如图3A中所示意的CNN)以获得与所述多张训练图像对应的多张第二训练特征图(例如，如图3A中所示意的Ft2)。进而，以所述样本加权权重对所述多张第二训练特征图进行加权，以获得训练分类特征图(例如，如图3A中所示意的Ftc)。接着，将所述训练分类特征图通过分类器以获得分类损失函数值。然后，基于所述分类损失函数值更新所述卷积神经网络和所述分类器的参数直到所述卷积神经网络和所述分类器的训练完成。

图3B图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中推断阶段的架构示意图。如图3B所示，在推断阶段中，在该网络结构中，首先将获取的多张待检测图像(例如，如图3中所示意的I N1)输入到预检测卷积神经网络(例如，如图3B中所示意的CNNt)中以获得多张第一特征图(例如，如图3B中所示意的F1)，其中，所述多张待检测图像为以多个角度拍摄的已清洗模具的图像。接着，对所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重。接着，将所述多张待检测图像输入所述卷积神经网络(例如，如图3B中所示意的CNN)以获得与所述多张待检测图像对应的多张第二特征图(例如，如图3B中所示意的F2)。进而，以所述样本加权权重对所述多张第二特征图进行加权，以获得分类特征图(例如，如图3B中所示意的Fc)。接着，将所述分类特征图通过所述分类器以获得分类结果，所述分类结果用于表示所述待检测已清洗模具的清洗效果是否合格。

更具体地，在训练阶段中，在步骤S110中，获取以多个角度拍摄的已清洗模具的图像作为多张训练图像。应可以理解的，在对模具的清洗效果进行检测的过程中，模具通常具有比较复杂的形状且还会具有空腔这种凹面，因此，为了提高检测准确度，需以多个角度拍摄已清洗模具的图像以从多个视角展示所述已清洗模具的视觉特征。

特别地，在训练过程中，所述已清洗模具图像具有清洗效果合格或者不合格的标签。

更具体地，在训练阶段中，在步骤S120中，将所述多张训练图像输入预检测卷积神经网络以获得与所述多张训练图像对应的多张第一训练特征图。如前所述，在对模具清洗效果进行检测时，当从每个图像提取出特征图之后，与每个图像对应的特征图对于最终的分类结果的贡献并不相同，因而期望能够基于卷积神经网络来学习到每个角度的特征图对于最终的分类结果的贡献值，从而作为权重来对各个特征图进行加权，以提高最终的分类的准确性。

相应地，在本申请实施例中，以所述预检测卷积神经网络来学习到每个角度的特征图对于最终的分类结果的贡献值。

更具体地，在训练阶段中，在步骤S130中，对所述多张第一训练特征图，将每一所述第一训练特征图进行全局平均值池化以获得对应于每一所述第一训练特征图的特征值，以获得多个特征值作为样本加权权重。也就是，在通过预检测卷积神经网络获得所述多个训练图像对应的所述第一训练特征图后，以池化层对每个第一训练特征图进行全局平均池化以获得对应于每个图像的特征值，并将获得的特征值作为权重。相应地，所述预检测卷积神经网络可以被看作为权重生成网络。

特别地，本领域普通技术人员，通过对所述第一训练特征图进行全局平均池化操作，能够抑制由于邻域大小受限造成估计值方差增大的现象，以使得所获得的特征值能够更为有效地表征对应角度的训练特征图对于分类的贡献值。

更具体地，在训练阶段中，在步骤S140中，将所述多张训练图像输入卷积神经网络以获得与所述多张训练图像对应的多张第二训练特征图。也就是，以卷积神经网络提取出所述多张训练图像中的高维特征。本领域普通技术人员应知晓，卷积神经网络在提取图像局部空间特征上具有优异的性能表面。

优选地，在本申请实施例中，所述卷积神经网络被实施为深度残差网络，例如，ResNet 50。相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

更具体地，在训练阶段中，在步骤S150中，以所述样本加权权重对所述多张第二训练特征图进行加权，以获得训练分类特征图。也就是，基于所述预检测卷积神经网络学习到的每个角度的特征图对于最终的分类结果的贡献值作为权重来融合所述多张第二训练特征图，以获得所述训练分类特征图。相应地，以所述分类特征图来进行分类，能够有效地提高模型的泛化能力和分类的准确度。

更具体地，在本申请实施例中，以所述样本加权权重对所述多张第二训练特征图进行加权，以获得训练分类特征图的过程，包括：首先，将所述多个第二训练特征图以所述多个训练图像对应的拍摄角度为序排列；然后，以顺序一致的所述样本加权权重计算所述多张第二训练特征图的加权和，以获得所述训练分类特征图。

更具体地，在训练阶段中，在步骤S160中，将所述训练分类特征图通过分类器以获得分类损失函数值。也就是，将所述训练分类特征图通过分类器以获得分类结果，并计算所述分类结果符合所述真实值的概率，即所述分类损失函数值。

更具体地，在本申请实施例中，将所述训练分类特征图通过分类器以获得分类损失函数值的过程，包括：首先，以一个或多个全连接层对所述训练分类特征图进行编码，以获得训练分类特征向量，应可以理解，通过全连接层可以充分地利用所述训练分类特征图中各个位置的信息，以提高编码的准确率。接着，将所述训练分类特征向量输入分类函数(例如，Softmax分类函数)以获得分类结果，所述分类结果为所述第二训练特征图归属于清洗效果合格的第一概率和所述第二训练特征图归属于清洗效果不合格的第二概率。然后，将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。

图4图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法中，将所述训练分类特征图通过分类器以获得分类损失函数值的流程图。如图4所示，在本申请实施例中，将所述训练分类特征图通过分类器以获得分类损失函数值，包括：S310，将所述训练分类特征图通过一个或多个全连接层，以获得训练分类特征向量；S320，将所述训练分类特征向量输入分类函数以获得分类结果；以及，S330，将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。

更具体地，在训练阶段中，在步骤S170中，基于所述分类损失函数值更新所述卷积神经网络和所述分类器的参数。也就是，以所述分类损失函数值通过梯度下降的反向传播来更新所述卷积神经网络和所述分类器的参数。

特别地，在申请实施例中，在训练过程中，可以不训练用于预检测的第一卷积神经网络，而是通过第二卷积神经网络的训练来使得第二卷积神经网络的特征提取与第一卷积神经网络的特征提取相适应，从而减少计算量。当然，也可以在训练过程中同步地对所述预检测卷积神经网络进行训练，也就是，在本申请实施例中，基于所述分类损失函数值更新所述卷积神经网络和所述分类器的参数的过程，可包括：基于所述分类损失函数值更新所述卷积神经网络、所述分类器和所述预检测卷积神经网络的参数。

在训练完成后，进入推断阶段。

更具体地，在推断阶段中，在步骤S210中，获取以多个角度拍摄的待检测已清洗模具的多张待检测图像。也就是，在检测过程中，同样需要采集被测已清洗模具的多个角度的图像，以通过多个角度的图像信息来更为充分地展示模具的清洗效果。

更具体地，在推断阶段中，在步骤S220中，将所述多张待检测图像输入所述预检测卷积神经网络以获得与所述多张待检测图像对应的多张第一特征图。以及，在步骤S230中，对所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重。

应可以理解，在步骤S220和步骤S230中，所述多张待检测图像被输入预检测卷积神经网络以获得多个角度拍摄的所述多张待检测图像对应的检测特征图对于分类结果的贡献值，即，所述样本加权权重。

更具体地，在推断阶段中，在步骤S240中，将所述多张待检测图像输入所述卷积神经网络以获得与所述多张待检测图像对应的多张第二特征图。也就是，以训练完成的所述卷积神经网络提取出所述多张待检测图像中的高维特征。应可以理解，经上述训练过程，所述卷积神经网络能够提取出所述所述多张待检测图像中具有辨别能力的特征且该具有辨别度的特征具有一定的类间相似性，以避免过拟合的发生。

更具体地，在推断阶段中，在步骤S250中，以所述样本加权权重对所述多张第二特征图进行加权，以获得分类特征图。也就是，以步骤S230中所获得的样本加权权重将所述多张第二特征图进行融合，以获得所述分类特征图。

更具体地，在推断阶段中，在步骤S260中，将所述分类特征图通过所述分类器以获得分类结果，所述分类结果用于表示所述待检测已清洗模具的清洗效果是否合格。也就是，将得到的分类特征图输入训练完成的所述分类器中，以生成用于表示所述待检测已清洗模具的清洗效果是否合格的分类结果。

综上，基于本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验方法被阐明，其基于卷积神经网络来学习到每个角度的特征图对于最终的分类结果的贡献值，从而作为权重来对各个特征图进行加权，以提高最终的分类的准确率且提高了模型的泛化能力。

图5图示了根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验系统的框图。

如图5所示，根据本申请实施例的基于预检测权值的样本维度加权的模具清洗效果检验系统600，包括：训练模块610，包括：训练图像获取单元611，用于获取以多个角度拍摄的已清洗模具的图像作为多张训练图像；第一训练特征图生成单元612，用于将所述训练训练图像获取单元611获得的所述多张训练图像输入预检测卷积神经网络以获得与所述多张训练图像对应的多张第一训练特征图；训练样本加权权重生成单元613，用于对所述第一训练特征图生成单元612获得的所述多张第一训练特征图，将每一所述第一训练特征图进行全局平均值池化以获得对应于每一所述第一训练特征图的特征值，以获得多个特征值作为样本加权权重；第二训练特征图生成单元614，用于将所述训练图像获取单元611获得的所述多张训练图像输入卷积神经网络以获得与所述多张训练图像对应的多张第二训练特征图；训练分类特征图生成单元615，用于以所述样本加权权重生成单元获得的所述样本加权权重对所述第二训练特征图生成单元614获得的所述多张第二训练特征图进行加权，以获得训练分类特征图；分类损失函数值计算单元616，用于将所述第二训练分类特征图生成单元615获得的所述训练分类特征图通过分类器以获得分类损失函数值；以及，参数更新单元617，用于基于所述分类损失函数值计算单元616获得的所述分类损失函数值更新所述卷积神经网络和所述分类器的参数；以及，推断模块620，包括：待检测图像获取单元621，用于获取以多个角度拍摄的待检测已清洗模具的多张待检测图像；第一检测特征图生成单元622，用于将所述待检测图像获取单元621获得的所述多张待检测图像输入所述预检测卷积神经网络以获得与所述多张待检测图像对应的多张第一特征图；检测样本加权权重生成单元623，用于对所述第一检测特征图生成单元622获得的所述多张第一特征图，将每一所述第一特征图进行全局平均值池化以获得对应于每一所述第一特征图的特征值，以获得多个特征值作为样本加权权重；第二检测特征图生成单元624，用于将所述待检测图像获取单元621获得的所述多张待检测图像输入所述卷积神经网络以获得与所述多张待检测图像对应的多张第二特征图；检测分类特征图生成单元625，用于以所述检测样本加权权重生成单元623获得的所述样本加权权重对所述第二检测特征图生成单元624获得的所述多张第二特征图进行加权，以获得分类特征图；以及，分类结果生成单元626，用于将所述检测分类特征图生成单元625获得的所述分类特征图通过所述分类器以获得分类结果，所述分类结果用于表示所述待检测已清洗模具的清洗效果是否合格。

在一个示例中，在上述检测系统600中，所述参数更新单元617，进一步用于：基于所述分类损失函数值更新所述卷积神经网络、所述分类器和所述预检测卷积神经网络的参数。

在一个示例中，在上述检测系统600中，如图6所示，所述分类损失函数值计算单元616，包括：训练分类特征向量生成子单元621，用于将所述训练分类特征图通过一个或多个全连接层，以获得训练分类特征向量；训练分类结果生成子单元622，用于将所述训练分类特征向量输入分类函数以获得分类结果；以及，损失函数计算子单元623，用于将所述分类结果与真实值之差输入损失函数，以获得所述分类损失函数值。

在一个示例中，在上述检测系统600中，所述检测样本加权权重生成单元623，进一步用于：将所述多个特征值以所述多个待检测图像对应的拍摄角度为序排列以获得所述样本加权权重；其中，所述检测分类特征图生成单元625，进一步用于：将所述多个第二特征图以所述多个待检测图像对应的拍摄角度为序排列；以及，以顺序一致的所述样本加权权重计算所述多张第二特征图的加权和，以获得所述分类特征图。

这里，本领域技术人员可以理解，上述检测系统600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4的基于预检测权值的样本维度加权的模具清洗效果检验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检测系统600可以实现在各种终端设备中，例如用于模具清洗效果的控制器等。在一个示例中，根据本申请实施例的检测系统600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，该检测系统600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，该检测系统600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，该检测系统600与该终端设备也可以是分立的设备，并且该检测系统600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。

下面，参考图7来描述根据本申请实施例的电子设备。

图7图示了根据本申请实施例的电子设备的框图。

如图7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基于预检测权值的样本维度加权的模具清洗效果检验方法以及/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训练图像、分类结果等各种内容。

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，包括分类结果等。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7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。

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基于预检测权值的样本维度加权的模具清洗效果检验方法中的步骤。

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基于预检测权值的样本维度加权的模具清洗效果检验方法中的步骤。

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。