(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211139707.1 (22)申请日 2022.09.19 (71)申请人 温州丹悦线缆科技有限公司 地址 325600 浙江省温州市乐清市虹桥 镇 大崧上岙村崧 华路55号 (72)发明人 连素芬　郑冬有　陈加元　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 苏天功 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 电缆的智能化制备方法及其系统 (57)摘要 本申请公开了一种电缆的智能化制备方法 及其系统， 其利用具有非对称卷积核模块的卷积 神经网络模型来分别挖掘待检测电缆的多个电 缆段中各个电缆段的表面状态特征。 进一步地， 以电缆段图像的特征向量作为节 点， 以两个特征 向量之间的欧式距离作为节点与节点之间的关 联， 并通过图神经网路模型来进行特征融合以得 到所述待检测电缆的包含各个节点的相似度的 全局表面状态特征表示， 以此来提高对于所述待 检测电缆的表 面状态的质检精度， 从而保证所述 待检测电缆的成型质量。 权利要求书3页 说明书11页 附图4页 CN 115471732 A 2022.12.13 CN 115471732 A 1.一种电缆的智能化制备方法， 其特征在于， 包括： 沿着待检测电缆的延伸方向采集所 述待检测电缆的多个电缆段图像； 将所述多个电缆段图像中各个电缆段图像分别通过具有 非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量； 计算所 述多个电缆段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以 得到表面状态关联矩阵； 将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网 络模型以得到表面状态关联特征矩阵； 将所述多个电缆段表面状态特征向量进行二 维矩阵 排列以得到全局表面状态特征矩阵； 将所述全局表面状态特征矩阵和所述表面状态关联特 征矩阵通过图神经网络以得到拓扑全局表面状态特征矩阵； 对所述拓扑全局表面状态特征 矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全局表面状态 特征矩阵， 其中， 所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个 行向量或列向量的所有特征值的均值的倒数来进 行； 以及将所述校正后拓扑全局表面状态 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待检测电缆的表面状态是否 满足预定要求。 2.根据权利要求1所述的电缆的智能化制备方法， 其特征在于， 所述将所述多个电缆段 图像中各个电缆段图像分别通过具有非对称卷积核模块的第一卷积神经网络模型以得到 多个电缆段表面状态特征向量， 包括： 使用所述第一卷积神经网络模型 的各层在层的正向 传递中分别对输入数据进 行： 基于二 维卷积核对所述输入数据进 行卷积处理以得到第一卷 积特征图； 基于第一一维卷积核对所述输入数据进行一维卷积处理以得到第二卷积特征 图； 基于第二二维卷积核对所述输入数据进行一维卷积处理以得到第三卷积特征图； 融合 所述第一卷积特征图、 所述第二卷积特征图和所述第三卷积特征图以得到融合卷积特征 图； 对所述融合卷积特 征图进行基于局部通道维度的池化处 理以得到池化特 征图； 以及 对所述池化特征图进行非线性激活处理以得到激活特征图； 其中， 所述第一卷积神经 网络模型的最后一层的输出为所述电缆段表面状态特 征向量。 3.根据权利要求2所述的电缆的智能化制备方法， 其特征在于， 所述计算所述多个电缆 段表面状态特征向量中任意两个电缆段表面状态特征向量之间的欧式距离以得到表面状 态关联矩阵， 包括： 以如下公式来计算所述多个电缆段表面状态特征向量中任意两个电缆 段表面状态特 征向量之间的欧式距离以得到多个欧式距离； 其中， 所述公式为： 其中Vi和Vj分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态特 征向量， 和 分别表示所述多个电缆段表面状态特征向量中任意两个电缆段表面状态 特征向量的各个位置的特 征值； 以及 将所述多个欧式距离进行二维排列为所述表面状态关联矩阵。 4.根据权利要求3所述的电缆的智能化制备方法， 其特征在于， 所述将所述表面状态关 联矩阵通过作为特征提取器的第二卷积神经网络模型以得到表面状态关联特征矩阵， 包权　利　要　求　书 1/3 页 2 CN 115471732 A 2括： 使用所述第二卷积神经网络模型的各层 在层的正向传递中分别对输入数据进行： 对所述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沿通道维度 的全局均值池化以得到池化特 征矩阵； 以及 对所述池化特征矩阵进行非线性激活处理以得到激活特征矩阵； 其中， 所述第二卷积 神经网络模型的最后一层的输出为所述表面状态关联 特征矩阵。 5.根据权利要求4所述的电缆的智能化制备方法， 其特征在于， 所述对所述拓扑全局 表 面状态特征矩阵中各个行向量或列向量进行相位感知的按位置聚合以得到校正后拓扑全 局表面状态特征矩阵， 包括： 以如下公式对所述拓扑全局表面状态特征矩阵中各个行向量 或列向量进行相位感知的按位置聚合以得到所述校正后拓扑全局表面状态特征矩阵； 其 中， 所述公式为： 其中V表示所述拓扑全局 表面状态特征矩阵中与 所述电缆段表面状态特征向量相同维 度的各个行向量或列向量， 表示所述拓扑全局表面状态特征矩阵中各个行向量或列向 量的所有特 征值的均值的倒数， ⊙表示按位置点乘。 6.根据权利要求5所述的电缆的智能化制备方法， 其特征在于， 所述将所述校正后拓扑 全局表面状态特征矩阵通过分类器以得到分类结果， 包括： 将所述校正后拓扑全局表面状 态特征矩阵按照行向量 或列向量进行展开以得到分类特征向量； 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类分布特 征向量； 以及 将所述类分布特 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。 7.根据权利要求6所述的电缆的智能化制备方法， 其特征在于， 所述使用所述分类器的 全连接层对所述分类特 征向量进行全连接编码以得到类分布特 征向量， 包括： 使用所述分类器的全连接层以如下公式对所述分类特征向量进行全连接编码以提取 出所述分类特征向量中各个位置的特征值的高维隐含特征以得到类分布特征向量， 其中， 所述公式为： 其中X是所述分类特 征向量， Y是 所述类分布特 征向量， W是 权重矩阵， B是偏置向量， 表示矩阵乘。 8.一种电缆的智能化制备系统， 其特 征在于， 包括： 电缆段图像采集单元， 用于沿着待检测电缆的延伸方向采集所述待检测电缆的多个电 缆段图像； 表面状态特征提取单元， 用于将所述多个电缆段图像中各个电缆段图像分别通 过具有非对称卷积核模块的第一卷积神经网络模型以得到多个电缆段表面状态特征向量； 表面状态关联矩阵生成单元， 用于计算所述多个电缆段表面状态特征向量中任意两个电缆 段表面状态特征向量之 间的欧式距离以得到表面状态关联矩阵； 表面状态关联特征矩阵生 成单元， 用于将所述表面状态关联矩阵通过作为特征提取器的第二卷积神经网络模型以得 到表面状态关联特征矩阵； 全局表面状态整合单元， 用于将所述多个电缆段表面状态特征 向量进行二维矩阵排列以得到全局表面状态特征矩阵； 拓扑全局表面状态特征提取单元， 用于将所述全局表面状态特征矩阵和所述表面状态关联特征矩阵通过图神经网络以得到 拓扑全局表面状态特征矩阵； 相位感知单元， 用于对所述拓扑全局表面状态特征矩阵中各 个行向量或列向量进 行相位感知的按位置聚合以得到校正后拓扑全局表面状态特征矩阵， 其中， 所述相位感知的按位置聚合基于所述拓扑全局表面状态特征矩阵中各个行向量或列 向量的所有特 征值的均值的倒数来进行； 以及权　利　要　求　书 2/3 页 3 CN 115471732 A 3