CN114742987B - 一种用于非金属材料切割的自动定位控制方法及系统 - Google Patents
一种用于非金属材料切割的自动定位控制方法及系统 Download PDFInfo
- Publication number
- CN114742987B CN114742987B CN202210637648.4A CN202210637648A CN114742987B CN 114742987 B CN114742987 B CN 114742987B CN 202210637648 A CN202210637648 A CN 202210637648A CN 114742987 B CN114742987 B CN 114742987B
- Authority
- CN
- China
- Prior art keywords
- loss function
- time period
- difference
- cutting
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B26—HAND CUTTING TOOLS; CUTTING; SEVERING
- B26D—CUTTING; DETAILS COMMON TO MACHINES FOR PERFORATING, PUNCHING, CUTTING-OUT, STAMPING-OUT OR SEVERING
- B26D5/00—Arrangements for operating and controlling machines or devices for cutting, cutting-out, stamping-out, punching, perforating, or severing by means other than cutting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Forests & Forestry (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于非金属材料切割的自动定位控制方法及系统,属于人工智能技术在材料切割领域的应用,该方法步骤包括:获取不同时刻的切割图像;将相邻两时刻的切割图像做差得到不同时段的多通道特征差异图像并构建不同时段的先验信息损失函数;由开始切割到当前时段之间所有时段的差异度值组成差异度序列并拟合出曲线差异度方程,确定调整后下次训练时段的差异度值、下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数;本发明利用切割先验知识来辅助设计刀具识别网络,提高了刀具识别的准确性和实时性。
Description
技术领域
本发明属于人工智能技术在材料切割领域的应用,具体涉及一种用于非金属材料切割的自动定位控制方法及系统。
背景技术
随着社会经济的发展、科技水平的提高,材料切割加工需求量也随之提高。常规的切割控制有人工控制,这种控制方式不仅效率较低,而且还会造成人工浪费。还有一种切割控制方式是通过对加工的产品路径进行编程,通过程序完成切割,但是这种切割控制需要对每种新加工产品进行编订设定程序,这种对于那种批量的产品比较适合,但是随着社会发展人们对于小批量个性化产品需求更多。因而采用这种编程控制的方式效率也不能满足需求。
现在还有一种通过机器视觉的方式来实现切割控制,即利用相机采集的外界图像和设计图像来设计切割走向,同时通过相机实时监控切割是否发生偏移并实时矫正,这种切割控制方式适应性更高。但是这种控制方式的实现过程为,通过刀具识别识别出刀具位置,根据设计图和当前刀具位置判断刀具的移动方向,然后通过空间变换到世界坐标系完成切割控制。这个过程需要实时的识别刀具,而神经网络识别刀具的准确度更高,但是神经网络识别的实时性无法满足。
发明内容
本发明提供一种用于非金属材料切割的自动定位控制方法及系统,根据切割的先验知识来给予刀具识别网络学习指导,提高刀具识别效率,利用切割先验知识来辅助设计刀具识别网络,提高了刀具识别的准确性和实时性。
本发明的一种用于非金属材料切割的自动定位控制方法采用如下技术方案:该方法包括:
按照预设时间间隔采集从开始切割到结束切割之间不同时刻的切割图像;
对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,并获取每一时段的多通道特征差异图像中每个通道的字典特征向量;
将切割的预设指令路径曲线按照采集到的切割图像所对应的时刻进行分割,得到不同时段的指令路径曲线,并获取不同时段的指令路径曲线常量参数向量;
利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数;
利用从开始切割到结束切割之间中任一时间段作为当前时间段,获取当前时段的多通道特征差异图像中每个通道的字典特征向量与当前时段对应的指令路径曲线常量参数向量之间的距离均值,确定当前时段实际切割路径曲线与指令路径曲线的差异度值;
获取由开始切割到当前时段之间所有时段的差异度值组成差异度序列并拟合出曲线差异度方程;
根据曲线差异度方程拟合出的下次训练时段的差异度值和差异度序列的排列熵确定调整后下次训练时段的差异度值;
根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数;
利用综合损失函数对刀具识别网络进行监督训练,将当前采集到的切割图像作为训练完成的刀具识别网络的输入,输出下一时刻的刀具位置。
进一步地,所述对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,包括:
将不同时刻的切割图像经过卷积、池化处理后得到不同时刻的多通道特征图像;
将采集到的任意相邻两时刻中后一时刻的多通道特征图像与前一时刻的多通道特征图像在各通道对应做差,得到不同时段的多通道特征差异图像。
进一步地,所述利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数,包括:
选取任一时段作为待计算时段,并获取待计算时段的多通道特征差异图像中每个通道的字典特征向量;
根据待计算时段中每个通道的字典特征向量计算出待计算时段的字典特征质心向量;
计算待计算时段的字典特征质心向量与待计算时段的指令路径曲线常量参数向量之间的第一距离;
计算待计算时段中每个通道的字典特征向量与待计算时段的指令路径曲线常量参数向量之间的全部第二距离;
选取获得的所有第二距离中最大值记作第二距离最大值,根据第一距离和第二距离最大值的比值构建待计算时段的先验信息损失函数;
按照待计算时段的先验信息损失函数构建方法,构建出每一时段的先验信息损失函数。
进一步地,任一时段的所述先验信息损失函数的计算公式如下式所示:
其中,表示该时段的指令路径曲线常量参数向量;表示该时段的字典特征质心向量;表示该时段的字典特征质心向量与该时段的指令路径曲线常量参数向量之间的第一距离;表示该时段的多通道特征差异图像中任一通道的字典特征向量;表示该时段中任一通道的字典特征向量与该时段的指令路径曲线常量参数向量之间的第二距离;表示第二距离最大值。
进一步地,所述调整后下次训练时段的差异度值的计算公式如下式所示:
进一步地,所述根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,包括:
所述先验信息损失函数权重的计算公式如下式所示:
所述刀具识别网络中传统损失函数权重的计算公式如下式所示:
进一步地,所述将加权后先验信息损失函数和传统损失函数相加获得综合损失函数,包括:
所述综合损失函数的计算公式如下式所示:
进一步地,所述并获取不同时段的指令路径曲线常量参数向量,包括:
利用最小二乘法拟合出不同时段的指令路径曲线的多项式;
根据不同时段的指令路径曲线的多项式获取不同时段的指令路径曲线的常量参数;
由获得的不同时段的指令路径曲线的常量参数组成不同时段的指令路径曲线常量参数向量。
一种用于非金属材料切割的自动定位控制系统,包括:
图像采集模块,用于按照预设时间间隔采集从开始切割到结束切割之间不同时刻的切割图像;
向量获取模块,用于对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,并获取每一时段的多通道特征差异图像中每个通道的字典特征向量;用于将切割的预设指令路径曲线按照采集到的切割图像所对应的时刻进行分割,得到不同时段的指令路径曲线,并获取不同时段的指令路径曲线常量参数向量;
先验信息损失函数构建模块,用于利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数;
差异度值确定模块,用于利用从开始切割到结束切割之间中任一时间段作为当前时段,获取当前时段的多通道特征差异图像中每个通道的字典特征向量与当前时段对应的指令路径曲线常量参数向量之间的距离均值,确定当前时段实际切割路径曲线与指令路径曲线的差异度值;用于获取由开始切割到当前时段之间所有时段的差异度值组成差异度序列并拟合出曲线差异度方程;用于根据曲线差异度方程拟合出的下次训练时段的差异度值和差异度序列的排列熵确定调整后下次训练时段的差异度值;
综合损失函数构建模块,用于根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数;
网络训练模块,用于利用综合损失函数对刀具识别网络进行监督训练,将当前采集到的切割图像作为训练完成的刀具识别网络的输入,输出下一时刻的刀具位置;
控制器,用于协调图像采集模块、向量获取模块、先验信息损失函数构建模块、差异度值确定模块、综合损失函数构建模块以及网络训练模块的工作。
本发明的有益效果是:
目前有利用机器视觉的方式来实现切割控制,即利用相机采集的外界图像和设计图像来设计切割走向,同时通过相机实时监控切割是否发生偏移并实时矫正,这种切割控制方式适应性更高。但是这种控制方式的实现过程为,通过刀具识别出刀具位置,根据设计图和当前刀具位置判断刀具的移动方向,然后通过空间变换到世界坐标系完成切割控制。这个过程需要实时的识别刀具,而神经网络识别刀具的准确度更高,但是神经网络识别的实时性无法满足。
为了提高刀具识别的实时性,可根据更具切割的先验知识来给予神经网络学习指导,来提高识别效率。正常情况下进行刀具识别需要分析图像的各个区域,分析每个区域为刀具的概率,但是切割过程会有刀具的移动方向,其通过上面时刻的位置以及前期给予的切割指令可以大概估计出刀具位置。基于这种先验知识可与给予神经网络设定损失函数,利用损失函数引导神经网络快速识别。在兼顾识别效率的同时也不能降低识别精度,即根据先验可以缩小刀具识别的范围。但是先验是基于刀具位置准确预估的基础上进行,但当刀具预估位置和实际位置有较大偏差时通过先验进行刀具识别就会降低识别精度。因而需分析各时段预估的准确性来判断当前识别需更多的关注先验知识进行刀具识别还是更关注传统刀具识别方法,进而调整关注权重,实现准确高效的切割控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种用于非金属材料切割的自动定位控制方法的实施例总体步骤的流程示意图;
图2为本发明的一种用于非金属材料切割的自动定位控制方法的实施例步骤S4流程示意图;
图3为本发明的一种用于非金属材料切割的自动定位控制系统的控制原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的一种用于非金属材料切割的自动定位控制方法的实施例,如图1所示,该方法包括:
S1、按照预设时间间隔采集从开始切割到结束切割之间不同时刻的切割图像。
本发明需要根据切割图像来定位刀具位置,从而实现切割控制,所以需要采集利用刀具切割非金属材料从开始切割到结束切割之间在不同时刻的切割图像。由于要实现切割定位所以需要采集不同时刻的切割图像,通过分析不同时刻的切割图像识别出刀尖位置,因而需采集包含刀具和切割材料的切割图像。本发明在切割设备的一侧设置倾斜放置的采集相机,相机按照预设时间间隔5s采集一次切割图像。
S2、对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,并获取每一时段的多通道特征差异图像中每个通道的字典特征向量。
其中,将不同时刻的切割图像经过卷积、池化处理后得到不同时刻的多通道特征图像;将采集到的任意相邻两时刻中后一时刻的多通道特征图像与前一时刻的多通道特征图像在各通道对应做差,得到不同时段的多通道特征差异图像。
获取不同时段的多通道特征差异图像后,获取每一时段的多通道特征差异图像中每个通道的字典特征向量。由于字典特征值能够较好的表征多通道特征差异图像的重要信息,因而通过字典特征值构成的字典特征向量能描述出多通道特征差异图像的重要信息。利用K-SVD算法训练多通道特征差异图像,该网络的输入为多通道特征差异图像中每个通道特征差异图像形成的向量,输出为每个通道特征差异图像的稀疏向量和字典矩阵。获取各通道切割差异图像稀疏向量前N个稀疏向量值对应的字典特征值,将N个字典特征值组合一起构成各通道字典特征向量。
S3、将切割的预设指令路径曲线按照采集到的切割图像所对应的时刻进行分割,得到不同时段的指令路径曲线,并获取不同时段的指令路径曲线常量参数向量。
其中,利用最小二乘法拟合出不同时段的指令路径曲线的多项式;根据不同时段的指令路径曲线的多项式获取不同时段的指令路径曲线的常量参数;由获得的不同时段的指令路径曲线的常量参数组成不同时段的指令路径曲线常量参数向量。
本发明中预设时间间隔为5s,采集到的切割图像之间的时间间隔也为5s。将切割的预设指令路径曲线按照采集到的切割图像所对应的时刻进行分割,得到不同时段的指令路径曲线,利用最小二乘法拟合出每一时段的指令路径曲线的多项式,根据每一时段的指令路径曲线的多项式获取每一时段的指令路径曲线的常量参数,由每一时段的指令路径曲线的常量参数组成每一时段的指令路径曲线常量参数向量。
S4、利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数。
由于前后相邻两时刻切割图像存在一定的关系,即后一时刻切割图像信息与前一时刻切割图像信息相差一段中间时段的切割路径,因而可以通过该关系构建出前后相邻两时刻切割图像的关系,这样就可以根据当前时刻切割图像信息来推理出后一时刻切割图像的特征,这样就会减少神经网络的学习时间。
本发明要根据先验信息构建损失函数,即利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数,所以需要获取出两个重要特征信息:1、获取该时段的指令路径曲线常量参数向量;2、获取该时段的多通道特征差异图像中每个通道的字典特征向量。
如图2所示:S41、选取任一时段作为待计算时段,并获取待计算时段的多通道特征差异图像中每个通道的字典特征向量;
S42、根据待计算时段中每个通道的字典特征向量计算出待计算时段的字典特征质心向量;
由于字典特征值能够较好的表征多通道特征差异图像的重要信息,因而通过字典特征值构成的字典特征向量能描述出多通道特征差异图像的重要信息。利用K-SVD算法训练多通道特征差异图像,该网络的输入为多通道特征差异图像中每个通道特征差异图像形成的向量,输出为每个通道特征差异图像的稀疏向量和字典矩阵。获取各通道切割差异图像稀疏向量前N个稀疏向量值对应的字典特征值,将N个字典特征值组合一起构成各通道字典特征向量。
其中,若待计算时段多通道特征差异图像中通道数为M个,就会得到M个字典特征向量。获取M个字典特征向量的质心向量,记作待计算时段的字典特征质心向量。
S43、计算待计算时段的字典特征质心向量与待计算时段的指令路径曲线常量参数向量之间的第一距离。S44、计算待计算时段中每个通道的字典特征向量与待计算时段的指令路径曲线常量参数向量之间的全部第二距离;S45、选取获得的所有第二距离中最大值记作第二距离最大值,根据第一距离和第二距离最大值的比值构建待计算时段的先验信息损失函数;S46、按照待计算时段的先验信息损失函数构建方法,构建出每一时段的先验信息损失函数。
根据切割加工特征,相邻两时刻切割图像差异信息主要是关于切割路径的信息,而该时段的指令路径曲线刚好描述的是这一时段的切割路径信息,同时相邻两时刻切割图像差异信息利用这一时段的多通道特征差异图像表示。因而该时段各通道切割特征差异图像重要特征信息主要是围绕该时段的指令路径曲线分布,即该时段的字典特征质心向量与该时段的指令路径曲线常量参数向量的距离较近。基于此,构建出先验信息损失函数。
任一时段的先验信息损失函数的计算公式如下式所示:
其中,表示该时段的指令路径曲线常量参数向量;表示该时段的字典特征质心向量;表示该时段的字典特征质心向量与该时段的指令路径曲线常量参数向量之间的第一距离;表示该时段的多通道特征差异图像中任一通道的字典特征向量;表示该时段中任一通道的字典特征向量与该时段的指令路径曲线常量参数向量之间的第二距离;表示第二距离最大值,即该时段每个通道的字典特征向量与该时段的指令路径曲线常量参数向量之间的距离最大值,该值主要起到了归一化的目的。
S5、利用从开始切割到结束切割之间中任一时间段作为当前时段,获取当前时段的多通道特征差异图像中每个通道的字典特征向量与当前时段对应的指令路径曲线常量参数向量之间的距离均值,确定当前时段实际切割路径曲线与指令路径曲线的差异度值。
S6、获取由开始切割到当前时段之间所有时段的差异度值组成差异度序列并拟合出曲线差异度方程。
其中,S5步骤计算出的是当前时段的差异度值,按照当前时段的差异度值的计算方法获取由开始切割到当前时段之间所有时段的差异度值组成差异度序列,将差异度序列利用最小二乘法拟合出曲线差异度多项式,记作曲线差异度方程。
S7、根据曲线差异度方程拟合出的下次训练时段的差异度值和差异度序列的排列熵确定调整后下次训练时段的差异度值。
如果曲线差异度值变化越规律通过曲线差异度方程就会较为准确的预测出下次训练时段的差异度值,但当曲线差异度值变化规律程度较差时,通过曲线差异度方程就不能较为准确的预测出下次训练时段的差异度值,所以需给预估差异度值给予一定的容错系数。计算出差异度序列的排列熵,排列熵越大说明该序列的变化规则程度越大。
调整后下次训练时段的差异度值的计算公式如下式所示:
S8、根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数。
刀具识别网络为DNN网络,网络结构为Encoder-Decoder结构,该网络的输入为不同时刻的切割图像、指令路径曲线图像,输出为刀具热斑图像。刀具识别网络在训练时需要将切割图像经过卷积、池化处理后得到多通道特征图像,该刀具识别网络的损失函数为交叉熵损失函数,为刀具识别网络中传统损失函数,记为S0。
正常情况下刀具识别网络会通过刀具标签得到交叉熵损失函数进行网络训练监督。这种监督方式训练速度较慢。因而需结合先验信息损失函数进行共同监督。但是由于在实际切割加工过程中实际切割路径与指令路径曲线存在偏差,因而利用先验信息推理出的当前时段切割图像不够准确,而多通道特征差异图像主要描述的是实际切割路径信息,因而可以分析当前时段的多通道特征差异图像中每个通道的字典特征向量与当前时段对应的指令路径曲线常量参数向量之间的距离均值,确定当前时段实际切割路径曲线与指令路径曲线之间的偏差程度。
其中,根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数。
先验信息损失函数权重的计算公式如下式所示:
刀具识别网络中传统损失函数权重的计算公式如下式所示:
综合损失函数的计算公式如下式所示:
本发明中刀具识别网络中传统损失函数是确定的,但从开始切割到结束切割之间中任一时间段都有每一时段对应的先验信息损失函数,同时每一时段都有对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,所以每一时段都有对应的综合损失函数。
S9、利用综合损失函数对刀具识别网络进行监督训练,将当前采集到的切割图像作为训练完成的刀具识别网络的输入,输出下一时刻的刀具位置。
目前有利用机器视觉的方式来实现切割控制,即利用相机采集的外界图像和设计图像来设计切割走向,同时通过相机实时监控切割是否发生偏移并实时矫正,这种切割控制方式适应性更高。但是这种控制方式的实现过程为,通过刀具识别出刀具位置,根据设计图和当前刀具位置判断刀具的移动方向,然后通过空间变换到世界坐标系完成切割控制。这个过程需要实时的识别刀具,而神经网络识别刀具的准确度更高,但是神经网络识别的实时性无法满足。
为了提高刀具识别的实时性,可根据更具切割的先验知识来给予神经网络学习指导,来提高识别效率。正常情况下进行刀具识别需要分析图像的各个区域,分析每个区域为刀具的概率,但是切割过程会有刀具的移动方向,其通过上面时刻的位置以及前期给予的切割指令可以大概估计出刀具位置。基于这种先验知识可与给予神经网络设定损失函数,利用损失函数引导神经网络快速识别。在兼顾识别效率的同时也不能降低识别精度,即根据先验可以缩小刀具识别的范围。但是先验是基于刀具位置准确预估的基础上进行,但当刀具预估位置和实际位置有较大偏差时通过先验进行刀具识别就会降低识别精度。因而需分析各时段预估的准确性来判断当前识别需更多的关注先验知识进行刀具识别还是更关注普适性的刀具识别方法,因而可以根据此来确定两损失函数的关注权重,进而得到综合损失函数。根据综合损失函数训练网络,实现高效准确的刀具识别。
一种用于非金属材料切割的自动定位控制系统,如图3所示,包括:
图像采集模块,用于按照预设时间间隔采集从开始切割到结束切割之间不同时刻的切割图像;
向量获取模块,用于对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,并获取每一时段的多通道特征差异图像中每个通道的字典特征向量;用于将切割的预设指令路径曲线按照采集到的切割图像所对应的时刻进行分割,得到不同时段的指令路径曲线,并获取不同时段的指令路径曲线常量参数向量;
先验信息损失函数构建模块,用于利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数;
差异度值确定模块,用于利用从开始切割到结束切割之间中任一时间段作为当前时间段,获取当前时段的多通道特征差异图像中每个通道的字典特征向量与当前时段对应的指令路径曲线常量参数向量之间的距离均值,确定当前时段实际切割路径曲线与指令路径曲线的差异度值;用于获取由开始切割到当前时段之间所有时段的差异度值组成差异度序列并拟合出曲线差异度方程;用于根据曲线差异度方程拟合出的下次训练时段的差异度值和差异度序列的排列熵确定调整后下次训练时段的差异度值;
综合损失函数构建模块,用于根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数;
网络训练模块,用于利用综合损失函数对刀具识别网络进行监督训练,将当前采集到的切割图像作为训练完成的刀具识别网络的输入,输出下一时刻的刀具位置;
控制器,用于协调图像采集模块、向量获取模块、先验信息损失函数构建模块、差异度值确定模块、综合损失函数构建模块以及网络训练模块的工作。
本发明一种用于非金属材料切割的自动定位控制系统具体实施方式与一种用于非金属材料切割的自动定位控制方法的实施方式基本相同,在此不再赘述。
综上所述,本发明提供一种用于非金属材料切割的自动定位控制方法及系统,根据切割的先验知识来给予刀具识别网络学习指导,提高刀具识别效率,利用切割先验知识来辅助设计刀具识别网络,提高了刀具识别的准确性和实时性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于非金属材料切割的自动定位控制方法,其特征在于,该方法包括:
按照预设时间间隔采集从开始切割到结束切割之间不同时刻的切割图像;
对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,并获取每一时段的多通道特征差异图像中每个通道的字典特征向量;
将切割的预设指令路径曲线按照采集到的切割图像所对应的时刻进行分割,得到不同时段的指令路径曲线,并获取不同时段的指令路径曲线常量参数向量;
利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数,包括:选取任一时段作为待计算时段,并获取待计算时段的多通道特征差异图像中每个通道的字典特征向量;根据待计算时段中每个通道的字典特征向量计算出待计算时段的字典特征质心向量;计算待计算时段的字典特征质心向量与待计算时段的指令路径曲线常量参数向量之间的第一距离;计算待计算时段中每个通道的字典特征向量与待计算时段的指令路径曲线常量参数向量之间的全部第二距离;选取获得的所有第二距离中最大值记作第二距离最大值,根据第一距离和第二距离最大值的比值构建待计算时段的先验信息损失函数;按照待计算时段的先验信息损失函数构建方法,构建出每一时段的先验信息损失函数;任一时段的先验信息损失函数的计算公式如下式所示:
其中,表示该时段的指令路径曲线常量参数向量;表示该时段的字典特征质心向量;表示该时段的字典特征质心向量与该时段的指令路径曲线常量参数向量之间的第一距离;表示该时段的多通道特征差异图像中任一通道的字典特征向量;表示该时段中任一通道的字典特征向量与该时段的指令路径曲线常量参数向量之间的第二距离;表示第二距离最大值;
利用从开始切割到结束切割之间中任一时间段作为当前时段,获取当前时段的多通道特征差异图像中每个通道的字典特征向量与当前时段对应的指令路径曲线常量参数向量之间的距离均值,确定当前时段实际切割路径曲线与指令路径曲线的差异度值;
获取由开始切割到当前时段之间所有时段的差异度值组成差异度序列并拟合出曲线差异度方程;
根据曲线差异度方程拟合出的下次训练时段的差异度值和差异度序列的排列熵确定调整后下次训练时段的差异度值;
根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数;
利用综合损失函数对刀具识别网络进行监督训练,将当前采集到的切割图像作为训练完成的刀具识别网络的输入,输出下一时刻的刀具位置。
2.根据权利要求1所述的一种用于非金属材料切割的自动定位控制方法,其特征在于,所述对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,包括:
将不同时刻的切割图像经过卷积、池化处理后得到不同时刻的多通道特征图像;
将采集到的任意相邻两时刻中后一时刻的多通道特征图像与前一时刻的多通道特征图像在各通道对应做差,得到不同时段的多通道特征差异图像。
6.根据权利要求1所述的一种用于非金属材料切割的自动定位控制方法,其特征在于,所述并获取不同时段的指令路径曲线常量参数向量,包括:
利用最小二乘法拟合出不同时段的指令路径曲线的多项式;
根据不同时段的指令路径曲线的多项式获取不同时段的指令路径曲线的常量参数;
由获得的不同时段的指令路径曲线的常量参数组成不同时段的指令路径曲线常量参数向量。
7.一种用于非金属材料切割的自动定位控制系统,包括:
图像采集模块,用于按照预设时间间隔采集从开始切割到结束切割之间不同时刻的切割图像;
向量获取模块,用于对采集到的相邻两时刻的切割图像进行卷积、池化处理,并对处理后的图像做差得到不同时段的多通道特征差异图像,并获取每一时段的多通道特征差异图像中每个通道的字典特征向量;用于将切割的预设指令路径曲线按照采集到的切割图像所对应的时刻进行分割,得到不同时段的指令路径曲线,并获取不同时段的指令路径曲线常量参数向量;
先验信息损失函数构建模块,用于利用每一时段的多通道特征差异图像中每个通道的字典特征向量及该时段的指令路径曲线常量参数向量构建每一时段的先验信息损失函数,包括:选取任一时段作为待计算时段,并获取待计算时段的多通道特征差异图像中每个通道的字典特征向量;根据待计算时段中每个通道的字典特征向量计算出待计算时段的字典特征质心向量;计算待计算时段的字典特征质心向量与待计算时段的指令路径曲线常量参数向量之间的第一距离;计算待计算时段中每个通道的字典特征向量与待计算时段的指令路径曲线常量参数向量之间的全部第二距离;选取获得的所有第二距离中最大值记作第二距离最大值,根据第一距离和第二距离最大值的比值构建待计算时段的先验信息损失函数;按照待计算时段的先验信息损失函数构建方法,构建出每一时段的先验信息损失函数;任一时段的先验信息损失函数的计算公式如下式所示:
其中,表示该时段的指令路径曲线常量参数向量;表示该时段的字典特征质心向量;表示该时段的字典特征质心向量与该时段的指令路径曲线常量参数向量之间的第一距离;表示该时段的多通道特征差异图像中任一通道的字典特征向量;表示该时段中任一通道的字典特征向量与该时段的指令路径曲线常量参数向量之间的第二距离;表示第二距离最大值;
差异度值确定模块,用于利用从开始切割到结束切割之间中任一时间段作为当前时段,获取当前时段的多通道特征差异图像中每个通道的字典特征向量与当前时段对应的指令路径曲线常量参数向量之间的距离均值,确定当前时段实际切割路径曲线与指令路径曲线的差异度值;用于获取由开始切割到当前时段之间所有时段的差异度值组成差异度序列并拟合出曲线差异度方程;用于根据曲线差异度方程拟合出的下次训练时段的差异度值和差异度序列的排列熵确定调整后下次训练时段的差异度值;
综合损失函数构建模块,用于根据调整后下次训练时段的差异度值确定下次训练时段对应的先验信息损失函数权重和刀具识别网络中传统损失函数权重,将加权后先验信息损失函数和传统损失函数相加获得综合损失函数;
网络训练模块,用于利用综合损失函数对刀具识别网络进行监督训练,将当前采集到的切割图像作为训练完成的刀具识别网络的输入,输出下一时刻的刀具位置;
控制器,用于协调图像采集模块、向量获取模块、先验信息损失函数构建模块、差异度值确定模块、综合损失函数构建模块以及网络训练模块的工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637648.4A CN114742987B (zh) | 2022-06-08 | 2022-06-08 | 一种用于非金属材料切割的自动定位控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210637648.4A CN114742987B (zh) | 2022-06-08 | 2022-06-08 | 一种用于非金属材料切割的自动定位控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742987A CN114742987A (zh) | 2022-07-12 |
CN114742987B true CN114742987B (zh) | 2022-09-27 |
Family
ID=82287646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210637648.4A Active CN114742987B (zh) | 2022-06-08 | 2022-06-08 | 一种用于非金属材料切割的自动定位控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742987B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898220B (zh) * | 2022-07-13 | 2022-09-09 | 金成技术股份有限公司 | 一种高空作业车结构件的智能生产控制方法 |
CN117215180B (zh) * | 2023-11-09 | 2024-02-13 | 海门市知行包装制品有限公司 | 基于模糊pid的塑料膜包装智能调控系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599491A (zh) * | 2019-09-04 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 基于先验信息的眼部图像分割方法、装置、设备及介质 |
CN111325794A (zh) * | 2020-02-23 | 2020-06-23 | 哈尔滨工业大学 | 一种基于深度卷积自编码器的视觉同时定位与地图构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6757378B2 (ja) * | 2018-08-28 | 2020-09-16 | 株式会社モルフォ | 画像識別装置、画像識別方法及び画像識別プログラム |
-
2022
- 2022-06-08 CN CN202210637648.4A patent/CN114742987B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599491A (zh) * | 2019-09-04 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 基于先验信息的眼部图像分割方法、装置、设备及介质 |
CN111325794A (zh) * | 2020-02-23 | 2020-06-23 | 哈尔滨工业大学 | 一种基于深度卷积自编码器的视觉同时定位与地图构建方法 |
Non-Patent Citations (1)
Title |
---|
基于2D深度学习网络的全心脏MR图像分割;张博等;《中南民族大学学报(自然科学版)》;20200804(第04期);第50-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114742987A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742987B (zh) | 一种用于非金属材料切割的自动定位控制方法及系统 | |
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN112990310B (zh) | 服务于电力机器人的人工智能系统及方法 | |
CN111079342B (zh) | 一种基于在线岩体等级分类的tbm掘进性能预测方法 | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
CN110188754A (zh) | 图像分割方法和装置、模型训练方法和装置 | |
DE102016011532A1 (de) | Maschinenlernvorrichtung und Maschinenlernverfahren zum Optimieren der Häufigkeit einer Werkzeugkorrektur einer Werkzeugmaschine und Werkzeugmaschine mit der Maschinenlernvorrichtung | |
CN112560656A (zh) | 一种联合注意力机制端到端训练的行人多目标跟踪方法 | |
CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
CN111126658A (zh) | 一种基于深度学习的煤矿瓦斯预测方法 | |
CN110565039B (zh) | 一种热镀锌机组锌层厚度控制方法 | |
CN114898220B (zh) | 一种高空作业车结构件的智能生产控制方法 | |
CN110119768A (zh) | 用于车辆定位的视觉信息融合系统及方法 | |
CN110910440A (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN117006002B (zh) | 基于数字孪生的海上风力发电机监测方法及系统 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN116994206A (zh) | 基于多元数据融合的室内人员计数方法及系统 | |
CN115958609A (zh) | 基于智能机器人自动控制系统的指令数据安全预警方法 | |
CN112132428B (zh) | 基于大数据的蒸汽热网配汽站预测性调控决策方法 | |
CN110629149B (zh) | 一种热镀锌机组锌层厚度控制装置 | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
CN116523845B (zh) | 一种基于电缆隧道的缺陷检测方法和系统 | |
CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
CN117455725B (zh) | 一种基于bim建筑的建筑能耗管理方法及系统 | |
CN113108794B (zh) | 位置识别方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |