随着智能制造技术的蓬勃发展,工厂内的车间设备逐渐智能化,生产图像的质量也越来越高。如何使用大量的图像视频数据结合人工智能技术对工厂实现精细化和智能化的管理是一项亟待发展的任务,其中对工厂车间状态的检测分析为至关重要的一环。结合图像语义分析技术与智能制造技术能实现车间对生产过程智能监测。本文主要围绕如何将图像自动标注技术应用到智能制造领域展开研究,其中重点关注视觉注意力机制的设计和标注句子属性分析两方面的内容,主要工作概括如下:(1)针对生产过程中的车间图像背景噪声大问题,利用目标检测模型对图像前景特征的提取能力,提出了基于自顶向下注意力机制的图像自动标注模型(Visual-Semantic Attention,VSA)。VSA模型在基础框架上设计了视觉注意力机制,首先使用基于YOLOv3模型的目标检测网络提取图像中的前景视觉特征并编码,再使用基于双层长短时记忆网络的语言模型生成最终的生产图像标注。同时在网络的训练过程中使用了迁移学习算法训练参数,在不降低模型准确率的同时,提高了模型的训练效率。为了更好的验证模型在实际生产过程中的性能,搭建了基于工业生产实情的工业数据集-XRindustry。在MSCOCO数据集和XRindustry数据集上的实验结果验证了视觉注意力模块能有效提高模型的性能,使模型更加适用于智能制造领域。(2)针对传统语言模型生成的单词与图像视觉特征关联性低的问题,利用了自然语言处理中的注意力机制,提出了基于属性分析的图像自动标注模型(Semantic Attention,SEA)。为使生成的标注句子中包含更多的图像信息,SEA模型首先使用指针网络和视觉权重对每个单词的视觉特性与语义特性进行分析,再生成完整的标注句子。模型在MSCOCO和XRindustry数据集上的对比实验结果验证了属性分析模块的设计能有效的提高生产描述与图像特征的关联性,同时验证了在语言模型中加入基于视觉模型的注意力机制能有效的提高生成句子的连贯性和语序正确率。