CN115239515A - 用于机械部件的精密智能化加工制造系统及其制造方法 - Google Patents
用于机械部件的精密智能化加工制造系统及其制造方法 Download PDFInfo
- Publication number
- CN115239515A CN115239515A CN202210898104.3A CN202210898104A CN115239515A CN 115239515 A CN115239515 A CN 115239515A CN 202210898104 A CN202210898104 A CN 202210898104A CN 115239515 A CN115239515 A CN 115239515A
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- difference
- internal
- feature matrix
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 title claims description 28
- 238000003754 machining Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 198
- 239000013598 vector Substances 0.000 claims description 94
- 238000000465 moulding Methods 0.000 claims description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000007246 mechanism Effects 0.000 claims description 34
- 230000000007 visual effect Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000007689 inspection Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 239000003507 refrigerant Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011905 homologation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能制造的领域,其具体地公开了一种用于机械部件的精密智能化加工制造系统及其制造方法,其采用基于人工智能的产品质量检测技术,通过卷积神经网络模型来对加工成型的泵体的各个内外视角图像进行高维的隐含关联特征挖掘,并利用所述各个内外视角图像之间的差异度与相似度的关联性来对于产品的质量进行检测判断,以保证所述泵体的成型质量以及压缩机的工作性能。
Description
技术领域
本发明涉及智能制造的领域,且更为具体地,涉及一种用于机械部件的精密智能化加工制造系统及其制造方法。
背景技术
压缩机是一种将低压气体提升为高压气体的从动的流体机械,是制冷系统的心脏。它从吸气管吸入低温低压的制冷剂气体,通过电机运转带动活塞对其进行压缩后,向排气管排出高温高压的制冷剂气体,为制冷循环提供动力。而对于压缩机来说,压缩机的泵体尤为重要,因此对于生产出的压缩机泵体进行质检是保证压缩机正常运行的关键。
在压缩机的泵体的智能化加工产线中,最后一道产线是对所生产出来的产品进行质检,以一方面确定所产生的泵体的成型质量是否满足预定要求,另一方面,也通过成型质量的检测从侧面来对泵体生成设备的性能进行检测,例如,确定泵体生产设备是否存在故障或者性能是否满足预定要求。
传统的成型质量检测需要通过一系列检测设备来测量各种数据,例如,长度、表面粗糙度、硬度等,不仅成本耗费多,且在搬运产品的过程中还有可能造成不必要的破坏,例如发生碰撞等。
因此,期待一种优化的用于压缩机泵体的成型质量检测系统,以对于产品的质量进行检测,进而保证泵体的成型质量以及压缩机的工作性能。
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用于机械部件的精密智能化加工制造系统及其制造方法,其采用基于人工智能的产品质量检测技术,通过卷积神经网络模型来对加工成型的泵体的各个内外视角图像进行高维的隐含关联特征挖掘,并利用所述各个内外视角图像之间的差异度与相似度的关联性来对于产品的质量进行检测判断,以保证所述泵体的成型质量以及压缩机的工作性能。
根据本申请的一个方面,提供了一种用于机械部件的精密智能化加工制造系统,其包括:
成型面数据采集模块,用于获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像;
内成型面数据编码模块,用于将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵;
外成型面数据编码模块,用于将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵;
内外成型面特征差异模块,用于分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵;
预分类模块,用于将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值;
预分类隐含关联模块,用于将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量;
校正模块,用于分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵;
融合模块,用于以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵;以及
加工成型结果评估模块,用于将所述分类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加工成型的泵体的成型质量是否满足预定标准。
在上述用于机械部件的精密智能化加工制造系统中,所述内成型面数据编码模块,进一步用于:所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六内部特征矩阵。
在上述用于机械部件的精密智能化加工制造系统中,所述外成型面数据编码模块,进一步用于:所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述第七至第十二外部特征矩。
在上述用于机械部件的精密智能化加工制造系统中,所述内外成型面特征差异模块,包括:第一差分单元,用于计算所述第一内部特征矩阵和所述第七外部特征矩阵的按位置差分以得到所述第一差分特征矩阵;第二差分单元,用于计算所述第二内部特征矩阵和所述第八外部特征矩阵的按位置差分以得到所述第二差分特征矩阵;第三差分单元,用于计算所述第三内部特征矩阵和所述第九外部特征矩阵的按位置差分以得到所述第三差分特征矩阵;第四差分单元,用于计算所述第四内部特征矩阵和所述第十外部特征矩阵的按位置差分以得到所述第四差分特征矩阵;第五差分单元,用于计算所述第五内部特征矩阵和所述第十一外部特征矩阵的按位置差分以得到所述第五差分特征矩阵;第六差分单元,用于计算所述第六内部特征矩阵和所述第十二外部特征矩阵的按位置差分以得到所述第六差分特征矩阵。
在上述用于机械部件的精密智能化加工制造系统中,所述预分类模块,包括:全连接编码子单元,用于使用所述预分类器的至少一个全连接层对所述第一至第六差分特征矩阵中各个差分特征矩阵进行全连接编码以得到多个预分类特征向量;以及,预分类概率计算子单元,用于分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述第一至第六概率值。
在上述用于机械部件的精密智能化加工制造系统中,所述预分类隐含关联模块,包括:输入向量构造子单元,用于将所述第一至第六概率值排列为所述概率输入向量;一维卷积子单元,用于使用所述一维卷积层以如下公式对所述概率输入向量进行一维卷积编码以提取出所述概率输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述输入向量。
在上述用于机械部件的精密智能化加工制造系统中,所述校正模块,进一步用于:以如下公式分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到所述校正后第一至第六差分特征矩阵;
其中,所述公式为:
其中,fi表示所述第一至第六差分特征矩阵的各个位置的特征值,fj表示所述第一至第六差分特征矩阵中fi所属的特证矩阵以外的其它特征矩阵的与fi相同位置的特征值,d(fi,fj)表示所述特征值fi和所述特征值fj之间的距离,且ρ是超参数。
在上述用于机械部件的精密智能化加工制造系统中,所述加工成型结果评估模块,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,一种用于机械部件的精密智能化加工制造方法,其包括:
获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像;
将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵;
将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵;
分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵;
将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值;
将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量;
分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵;
以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵;以及
将所述分类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加工成型的泵体的成型质量是否满足预定标准。
在上述用于机械部件的精密智能化加工制造方法中,将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵,包括:所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六内部特征矩阵。
在上述用于机械部件的精密智能化加工制造方法中,将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵,包括:所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述第七至第十二外部特征矩。
在上述用于机械部件的精密智能化加工制造方法中,分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵,包括:计算所述第一内部特征矩阵和所述第七外部特征矩阵的按位置差分以得到所述第一差分特征矩阵;计算所述第二内部特征矩阵和所述第八外部特征矩阵的按位置差分以得到所述第二差分特征矩阵;计算所述第三内部特征矩阵和所述第九外部特征矩阵的按位置差分以得到所述第三差分特征矩阵;计算所述第四内部特征矩阵和所述第十外部特征矩阵的按位置差分以得到所述第四差分特征矩阵;计算所述第五内部特征矩阵和所述第十一外部特征矩阵的按位置差分以得到所述第五差分特征矩阵;计算所述第六内部特征矩阵和所述第十二外部特征矩阵的按位置差分以得到所述第六差分特征矩阵。
在上述用于机械部件的精密智能化加工制造方法中,将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值,包括:使用所述预分类器的至少一个全连接层对所述第一至第六差分特征矩阵中各个差分特征矩阵进行全连接编码以得到多个预分类特征向量;以及,分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述第一至第六概率值。
在上述用于机械部件的精密智能化加工制造方法中,将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量,包括:将所述第一至第六概率值排列为所述概率输入向量;使用所述一维卷积层以如下公式对所述概率输入向量进行一维卷积编码以提取出所述概率输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述输入向量。
在上述用于机械部件的精密智能化加工制造方法中,以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵,包括:以如下公式分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到所述校正后第一至第六差分特征矩阵;
其中,所述公式为:
其中,fi表示所述第一至第六差分特征矩阵的各个位置的特征值,fj表示所述第一至第六差分特征矩阵中fi所属的特证矩阵以外的其它特征矩阵的与fi相同位置的特征值,d(fi,fj)表示所述特征值fi和所述特征值fj之间的距离,且ρ是超参数。
在上述用于机械部件的精密智能化加工制造方法中,将所述分类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加工成型的泵体的成型质量是否满足预定标准,包括:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比,本申请提供的用于机械部件的精密智能化加工制造系统及其制造方法,其采用基于人工智能的产品质量检测技术,通过卷积神经网络模型来对加工成型的泵体的各个内外视角图像进行高维的隐含关联特征挖掘,并利用所述各个内外视角图像之间的差异度与相似度的关联性来对于产品的质量进行检测判断,以保证所述泵体的成型质量以及压缩机的工作性能。
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为根据本申请实施例的用于机械部件的精密智能化加工制造系统的应用场景图。
图2为根据本申请实施例的用于机械部件的精密智能化加工制造系统的框图。
图3为根据本申请实施例的用于机械部件的精密智能化加工制造系统中预分类模块的框图。
图4为根据本申请实施例的用于机械部件的精密智能化加工制造方法的流程图。
图5为根据本申请实施例的用于机械部件的精密智能化加工制造方法的架构示意图。
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。
场景概述
如前所述,压缩机是一种将低压气体提升为高压气体的从动的流体机械,是制冷系统的心脏。它从吸气管吸入低温低压的制冷剂气体,通过电机运转带动活塞对其进行压缩后,向排气管排出高温高压的制冷剂气体,为制冷循环提供动力。而对于压缩机来说,压缩机的泵体尤为重要,因此对于生产出的压缩机泵体进行质检是保证压缩机正常运行的关键。
在压缩机的泵体的智能化加工产线中,最后一道产线是对所生产出来的产品进行质检,以一方面确定所产生的泵体的成型质量是否满足预定要求,另一方面,也通过成型质量的检测从侧面来对泵体生成设备的性能进行检测,例如,确定泵体生产设备是否存在故障或者性能是否满足预定要求。
传统的成型质量检测需要通过一系列检测设备来测量各种数据,例如,长度、表面粗糙度、硬度等,不仅成本耗费多,且在搬运产品的过程中还有可能造成不必要的破坏,例如发生碰撞等。
因此,期待一种优化的用于压缩机泵体的成型质量检测系统,以对于产品的质量进行检测,进而保证泵体的成型质量以及压缩机的工作性能。
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。
深度学习以及神经网络的发展为压缩机泵体的成型质量检测提供了新的解决思路和方案。
相应地,本申请发明人发现在传统的成型质量检测中需要通过一系列设备来测量各种数据以进行质量检测,这种方法不仅费时费力,还可能会造成产品的损坏。因此,在对于压缩机泵体的成型质量进行检测时,期望通过成型后的产品的表面图像来判断产品质量是否满足要求。并且,本申请发明人还考虑到如果成型质量满足要求,泵体各个内外视角的内部图像和外部图像之间的差异与相似度存在预定模式的表征。因此,在本申请的技术方案中,可以使用所述泵体的各个内外视角的外部图像和内部图像的差异和相似度来进行所述泵体成型的质量分类检测。
具体地,在本申请的技术方案中,首先,通过相机采集加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像。然后,应可以理解,考虑到由于所述加工成型的泵体的内外视角在空间上具有着关联性规律,例如相邻两个视角的图像可能会存在着重合的图像特征信息,因此,为了能够充分地提取出各个所述视角图像中的高维隐含关联特征,使用空间注意力机制的卷积神经网络模型分别对所述第一至第六图像中各个图像和将所述第七至第十二图像中各个图像进行隐含的关联特征挖掘,以得到对应于各个内部视角方位隐含特征的第一至第六内部特征矩阵和对应于各个外部视角方位隐含特征的第七至第十二外部特征矩阵。
应可以理解,考虑到所述加工成型的泵体的各个内部视角图像和各个外部视角图像之间会存在着对应性,也就是,如果成型质量满足要求,泵体各个内外视角的内部图像和外部图像之间的差异与相似度存在预定模式的表征,因此,在本申请的技术方案中,进一步再分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵。
并且,考虑到所述不同视角的内、外图像对于最终成像质量的分类判断的贡献度不同,因此进一步可以通过预分类器来进行度量。也就是,在本申请的技术方案中,将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值。然后,由于所述不同视角的内、外图像的差异度和相似度之间存在关联,因此,再通过一维卷积编码来对预分类器所得到的贡献度进行一维卷积关联编码。具体地,将所述第一至第六概率值排列为概率输入向量后输入一维卷积层,以提取出所述第一至第六概率值的隐含关联特征信息,从而得到概率关联特征向量。
应可以理解,考虑到在对所述第一至第六差分特征矩阵进行按位置加权和时,以所述概率关联特征向量中各个位置的特征值作为权重仅就对分类决策的重要程度来考虑加权系数,但没有对所述第一至第六差分特征矩阵的按位置特征值的分布差异进行优化,因此优选地,在对所述第一至第六差分特征矩阵进行按位置加权求和之前,对所述第一至第六差分特征矩阵进行对比搜索空间同向化,表示为:
其中,fi表示所述第一至第六差分特征矩阵的各个位置的特征值,fj表示所述第一至第六差分特征矩阵中fi所属的特证矩阵以外的其它特征矩阵的与fi相同位置的特征值,d(fi,fj)表示所述特征值fi和所述特征值fj之间的距离,且ρ是超参数,例如可以初始设置为所述第一至第六差分特征矩阵的距离矩阵的全局均值。
这里,该所述对比搜索空间同向化考虑到所述第一至第六差分特征矩阵各自作为分布式特征表示存在各向异性,导致其各个位置的特征值之间的联合分布驻留在整个高维特征空间的一个狭窄子集中,这使得直接对其进行分类求解,解空间会退化而缺乏连续性,因此,通过对比搜索空间同向化,可以使得特征矩阵的各个位置的特征值分布之间获得各向同性且有区分度的表示空间,增强了融合后的特征矩阵的特征表示的分布连续性,进而提高了分类的准确性。
进一步地,就可以以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和,以得到分类特征矩阵来进行分类判断,进而就可以得到用于表示加工成型的泵体的成型质量是否满足预定标准的分类结果。
基于此,本申请提出了一种用于机械部件的精密智能化加工制造系统,其包括:成型面数据采集模块,用于获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像;内成型面数据编码模块,用于将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵;外成型面数据编码模块,用于将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵;内外成型面特征差异模块,用于分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵;预分类模块,用于将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值;预分类隐含关联模块,用于将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量;校正模块,用于分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵;融合模块,用于以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵;以及,加工成型结果评估模块,用于将所述分类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加工成型的泵体的成型质量是否满足预定标准。
图1图示了根据本申请实施例的用于机械部件的精密智能化加工制造系统的应用场景图。如图1所示,在该应用场景中,首先,通过相机(例如,如图1中所示意的C)采集加工成型的泵体(例如,如图1中所示意的T)的六个内部视角图像和六个外部视角图像。然后,将获取的所述加工成型的泵体的六个内部视角图像和六个外部视角图像输入至部署有用于机械部件的精密智能化加工制造算法的服务器(例如,如图1中所示意的服务器S)中,其中,所述服务器能够以用于机械部件的精密智能化加工制造算法对所述加工成型的泵体的六个内部视角图像和六个外部视角图像进行处理,以生成用于表示所述加工成型的泵体的成型质量是否满足预定标准的分类结果。
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。
示例性系统
图2图示了根据本申请实施例的用于机械部件的精密智能化加工制造系统的框图。如图2所示,根据本申请实施例的用于机械部件的精密智能化加工制造系统200,包括:成型面数据采集模块210,用于获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像;内成型面数据编码模块220,用于将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵;外成型面数据编码模块230,用于将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵;内外成型面特征差异模块240,用于分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵;预分类模块250,用于将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值;预分类隐含关联模块260,用于将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量;校正模块270,用于分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵;融合模块280,用于以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵;以及,加工成型结果评估模块290,用于将所述分类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加工成型的泵体的成型质量是否满足预定标准。
具体地,在本申请实施例中,所述成型面数据采集模块210、所述内成型面数据编码模块220和所述外成型面数据编码模块230,用于获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像,并将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵,再将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵。如前所述,应可以理解,由于在传统的成型质量检测中需要通过一系列设备来测量各种数据以进行质量检测,这种方法不仅费时费力,还可能会造成产品的损坏。因此,在对于压缩机泵体的成型质量进行检测时,期望通过成型后的产品的表面图像来判断产品质量是否满足要求。并且,考虑到如果成型质量满足要求,所述泵体各个内外视角的内部图像和外部图像之间的差异与相似度存在预定模式的表征。因此,在本申请的技术方案中,可以使用所述泵体的各个内外视角的外部图像和内部图像的差异和相似度来进行所述泵体成型的质量分类检测。
也就是,具体地,在本申请的技术方案中,首先,通过相机采集加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像。然后,应可以理解,考虑到由于所述加工成型的泵体的内外视角在空间上具有着关联性规律,例如相邻两个视角的图像可能会存在着重合的图像特征信息,因此,为了能够充分地提取出各个所述视角图像中的高维隐含关联特征,使用空间注意力机制的卷积神经网络模型分别对所述第一至第六图像中各个图像和将所述第七至第十二图像中各个图像进行隐含的关联特征挖掘,以得到对应于各个内部视角方位隐含特征的第一至第六内部特征矩阵和对应于各个外部视角方位隐含特征的第七至第十二外部特征矩阵。
更具体地,在本申请实施例中,所述内成型面数据编码模块,进一步用于:所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六内部特征矩阵。
更具体地,在本申请实施例中,所述外成型面数据编码模块,进一步用于:所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述第七至第十二外部特征矩。
具体地,在本申请实施例中,所述内外成型面特征差异模块240,用于分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵。应可以理解,考虑到所述加工成型的泵体的各个内部视角图像和各个外部视角图像之间会存在着对应性,也就是,如果成型质量满足要求,所述泵体各个内外视角的内部图像和外部图像之间的差异与相似度存在预定模式的表征,因此,在本申请的技术方案中,进一步再分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵。
更具体地,在本申请实施例中,所述内外成型面特征差异模块,包括:第一差分单元,用于计算所述第一内部特征矩阵和所述第七外部特征矩阵的按位置差分以得到所述第一差分特征矩阵;第二差分单元,用于计算所述第二内部特征矩阵和所述第八外部特征矩阵的按位置差分以得到所述第二差分特征矩阵;第三差分单元,用于计算所述第三内部特征矩阵和所述第九外部特征矩阵的按位置差分以得到所述第三差分特征矩阵;第四差分单元,用于计算所述第四内部特征矩阵和所述第十外部特征矩阵的按位置差分以得到所述第四差分特征矩阵;第五差分单元,用于计算所述第五内部特征矩阵和所述第十一外部特征矩阵的按位置差分以得到所述第五差分特征矩阵;第六差分单元,用于计算所述第六内部特征矩阵和所述第十二外部特征矩阵的按位置差分以得到所述第六差分特征矩阵。
具体地,在本申请实施例中,所述预分类模块250和所述预分类隐含关联模块260,用于将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值,并将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量。应可以理解,考虑到所述不同视角的内、外图像对于最终成像质量的分类判断的贡献度不同,因此可以通过预分类器来进行度量。也就是,在本申请的技术方案中,将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值。相应地,在一个具体示例中,首先,使用所述预分类器的至少一个全连接层对所述第一至第六差分特征矩阵中各个差分特征矩阵进行全连接编码以得到多个预分类特征向量;接着,分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述第一至第六概率值。
然后,应可以理解,由于所述不同视角的内、外图像的差异度和相似度之间存在关联,因此,再通过一维卷积编码来对预分类器所得到的贡献度进行一维卷积关联编码。具体地,在本申请的技术方案中,将所述第一至第六概率值排列为概率输入向量后输入一维卷积层,以提取出所述第一至第六概率值的隐含关联特征信息,从而得到概率关联特征向量。
更具体地,在本申请实施例中,所述预分类隐含关联模块,包括:输入向量构造子单元,用于将所述第一至第六概率值排列为所述概率输入向量;一维卷积子单元,用于使用所述一维卷积层以如下公式对所述概率输入向量进行一维卷积编码以提取出所述概率输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述输入向量。
图3图示了根据本申请实施例的用于机械部件的精密智能化加工制造系统中预分类模块的框图。如图3所示,所述预分类模块250,包括:全连接编码子单元251,用于使用所述预分类器的至少一个全连接层对所述第一至第六差分特征矩阵中各个差分特征矩阵进行全连接编码以得到多个预分类特征向量;以及,预分类概率计算子单元252,用于分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述第一至第六概率值。
具体地,在本申请实施例中,所述校正模块270,用于分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵。应可以理解,考虑到在对所述第一至第六差分特征矩阵进行按位置加权和时,以所述概率关联特征向量中各个位置的特征值作为权重仅就对分类决策的重要程度来考虑加权系数,但没有对所述第一至第六差分特征矩阵的按位置特征值的分布差异进行优化,因此,在本申请的技术方案中,优选地,在对所述第一至第六差分特征矩阵进行按位置加权求和之前,对所述第一至第六差分特征矩阵进行对比搜索空间同向化。
更具体地,在本申请实施例中,所述校正模块,进一步用于:以如下公式分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到所述校正后第一至第六差分特征矩阵;
其中,所述公式为:
其中,fi表示所述第一至第六差分特征矩阵的各个位置的特征值,fj表示所述第一至第六差分特征矩阵中fi所属的特证矩阵以外的其它特征矩阵的与fi相同位置的特征值,d(fi,fj)表示所述特征值fi和所述特征值fj之间的距离,且ρ是超参数,例如可以初始设置为所述第一至第六差分特征矩阵的距离矩阵的全局均值。应可以理解,这里,该所述对比搜索空间同向化考虑到所述第一至第六差分特征矩阵各自作为分布式特征表示存在各向异性,导致其各个位置的特征值之间的联合分布驻留在整个高维特征空间的一个狭窄子集中,这使得直接对其进行分类求解,解空间会退化而缺乏连续性,因此,通过所述对比搜索空间同向化,可以使得特征矩阵的各个位置的特征值分布之间获得各向同性且有区分度的表示空间,增强了融合后的特征矩阵的特征表示的分布连续性,进而提高了分类的准确性。
具体地,在本申请实施例中,所述融合模块280和所述加工成型结果评估模块290,用于以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵,并将所述分类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加工成型的泵体的成型质量是否满足预定标准。也就是,在本申请的技术方案中,进一步地,就可以以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和,以得到分类特征矩阵来进行分类判断,进而就可以得到用于表示加工成型的泵体的成型质量是否满足预定标准的分类结果。
更具体地,在本申请实施例中,所述加工成型结果评估模块,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述用于机械部件的精密智能化加工制造系统200被阐明,其采用基于人工智能的产品质量检测技术,通过卷积神经网络模型来对加工成型的泵体的各个内外视角图像进行高维的隐含关联特征挖掘,并利用所述各个内外视角图像之间的差异度与相似度的关联性来对于产品的质量进行检测判断,以保证所述泵体的成型质量以及压缩机的工作性能。
如上所述,根据本申请实施例的用于机械部件的精密智能化加工制造系统200可以实现在各种终端设备中,例如用于机械部件的精密智能化加工制造算法的服务器等。在一个示例中,根据本申请实施例的用于机械部件的精密智能化加工制造系统200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,该用于机械部件的精密智能化加工制造系统200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,该用于机械部件的精密智能化加工制造系统200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,该用于机械部件的精密智能化加工制造系统200与该终端设备也可以是分立的设备,并且该用于机械部件的精密智能化加工制造系统200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。
示例性方法
图4图示了用于机械部件的精密智能化加工制造方法的流程图。如图4所示,根据本申请实施例的用于机械部件的精密智能化加工制造方法,包括步骤:S110,获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像;S120,将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵;S130,将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵;S140,分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵;S150,将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值;S160,将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量;S170,分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵;S180,以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵;以及,S190,将所述分类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加工成型的泵体的成型质量是否满足预定标准。
图5图示了根据本申请实施例的用于机械部件的精密智能化加工制造方法的架构示意图。如图5所示,在所述用于机械部件的精密智能化加工制造方法的网络架构中,首先,将获得的所述第一至第六图像中各个图像(例如,如图5中所示意的P1)分别通过使用空间注意力机制的第一卷积神经网络模型(例如,如图5中所示意的CNN1)以得到第一至第六内部特征矩阵(例如,如图5中所示意的MF1);接着,将获得的所述第七至第十二图像中各个图像(例如,如图5中所示意的P2)通过使用空间注意力机制的第二卷积神经网络模型(例如,如图5中所示意的CNN2)以得到第七至第十二外部特征矩阵(例如,如图5中所示意的MF2);然后,分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵(例如,如图5中所示意的MD1);接着,将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器(例如,如图5中所示意的预分类器)以得到第一至第六概率值(例如,如图5中所示意的PV1-PV6);然后,将所述第一至第六概率值排列为概率输入向量(例如,如图5中所示意的V)后输入一维卷积层(例如,如图5中所示意的DC)以得到概率关联特征向量(例如,如图5中所示意的VF);接着,分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵(例如,如图5中所示意的MD2);然后,以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵(例如,如图5中所示意的MF);以及,最后,将所述分类特征矩阵通过分类器(例如,如图5中所示意的分类器)以得到分类结果,所述分类结果用于表示加工成型的泵体的成型质量是否满足预定标准。
更具体地,在步骤S110、步骤S120和步骤S130中,获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像,并将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵,再将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵。应可以理解,由于在传统的成型质量检测中需要通过一系列设备来测量各种数据以进行质量检测,这种方法不仅费时费力,还可能会造成产品的损坏。因此,在对于压缩机泵体的成型质量进行检测时,期望通过成型后的产品的表面图像来判断产品质量是否满足要求。并且,考虑到如果成型质量满足要求,所述泵体各个内外视角的内部图像和外部图像之间的差异与相似度存在预定模式的表征。因此,在本申请的技术方案中,可以使用所述泵体的各个内外视角的外部图像和内部图像的差异和相似度来进行所述泵体成型的质量分类检测。
也就是,具体地,在本申请的技术方案中,首先,通过相机采集加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像。然后,应可以理解,考虑到由于所述加工成型的泵体的内外视角在空间上具有着关联性规律,例如相邻两个视角的图像可能会存在着重合的图像特征信息,因此,为了能够充分地提取出各个所述视角图像中的高维隐含关联特征,使用空间注意力机制的卷积神经网络模型分别对所述第一至第六图像中各个图像和将所述第七至第十二图像中各个图像进行隐含的关联特征挖掘,以得到对应于各个内部视角方位隐含特征的第一至第六内部特征矩阵和对应于各个外部视角方位隐含特征的第七至第十二外部特征矩阵。
更具体地,在步骤S140中,分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵。应可以理解,考虑到所述加工成型的泵体的各个内部视角图像和各个外部视角图像之间会存在着对应性,也就是,如果成型质量满足要求,所述泵体各个内外视角的内部图像和外部图像之间的差异与相似度存在预定模式的表征,因此,在本申请的技术方案中,进一步再分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵。
更具体地,在步骤S150和步骤S160中,将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值,并将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量。应可以理解,考虑到所述不同视角的内、外图像对于最终成像质量的分类判断的贡献度不同,因此可以通过预分类器来进行度量。也就是,在本申请的技术方案中,将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值。相应地,在一个具体示例中,首先,使用所述预分类器的至少一个全连接层对所述第一至第六差分特征矩阵中各个差分特征矩阵进行全连接编码以得到多个预分类特征向量;接着,分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述第一至第六概率值。
更具体地,在步骤S170中,分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵。应可以理解,考虑到在对所述第一至第六差分特征矩阵进行按位置加权和时,以所述概率关联特征向量中各个位置的特征值作为权重仅就对分类决策的重要程度来考虑加权系数,但没有对所述第一至第六差分特征矩阵的按位置特征值的分布差异进行优化,因此,在本申请的技术方案中,优选地,在对所述第一至第六差分特征矩阵进行按位置加权求和之前,对所述第一至第六差分特征矩阵进行对比搜索空间同向化。
更具体地,在步骤S180和步骤S190中,以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵,并将所述分类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加工成型的泵体的成型质量是否满足预定标准。也就是,在本申请的技术方案中,进一步地,就可以以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和,以得到分类特征矩阵来进行分类判断,进而就可以得到用于表示加工成型的泵体的成型质量是否满足预定标准的分类结果。
综上,基于本申请实施例的所述用于机械部件的精密智能化加工制造方法被阐明,其采用基于人工智能的产品质量检测技术,通过卷积神经网络模型来对加工成型的泵体的各个内外视角图像进行高维的隐含关联特征挖掘,并利用所述各个内外视角图像之间的差异度与相似度的关联性来对于产品的质量进行检测判断,以保证所述泵体的成型质量以及压缩机的工作性能。
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。
Claims (10)
1.一种用于机械部件的精密智能化加工制造系统,其特征在于,包括:
成型面数据采集模块,用于获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像;
内成型面数据编码模块,用于将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵;
外成型面数据编码模块,用于将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵;
内外成型面特征差异模块,用于分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵;
预分类模块,用于将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值;
预分类隐含关联模块,用于将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量;
校正模块,用于分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵;
融合模块,用于以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵;以及
加工成型结果评估模块,用于将所述分类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加工成型的泵体的成型质量是否满足预定标准。
2.根据权利要求1所述的用于机械部件的精密智能化加工制造系统,其特征在于,所述内成型面数据编码模块,进一步用于:所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及
计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;
其中,所述第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六内部特征矩阵。
3.根据权利要求2所述的用于机械部件的精密智能化加工制造系统,其特征在于,所述外成型面数据编码模块,进一步用于:所述使用空间注意力机制的第二卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及
计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;
其中,所述第二卷积神经网络模型的最后一层输出的所述特征矩阵为所述第七至第十二外部特征矩。
4.根据权利要求3所述的用于机械部件的精密智能化加工制造系统,其特征在于,所述内外成型面特征差异模块,包括:
第一差分单元,用于计算所述第一内部特征矩阵和所述第七外部特征矩阵的按位置差分以得到所述第一差分特征矩阵;
第二差分单元,用于计算所述第二内部特征矩阵和所述第八外部特征矩阵的按位置差分以得到所述第二差分特征矩阵;
第三差分单元,用于计算所述第三内部特征矩阵和所述第九外部特征矩阵的按位置差分以得到所述第三差分特征矩阵;
第四差分单元,用于计算所述第四内部特征矩阵和所述第十外部特征矩阵的按位置差分以得到所述第四差分特征矩阵;
第五差分单元,用于计算所述第五内部特征矩阵和所述第十一外部特征矩阵的按位置差分以得到所述第五差分特征矩阵;
第六差分单元,用于计算所述第六内部特征矩阵和所述第十二外部特征矩阵的按位置差分以得到所述第六差分特征矩阵。
5.根据权利要求4所述的用于机械部件的精密智能化加工制造系统,其特征在于,所述预分类模块,包括:
全连接编码子单元,用于使用所述预分类器的至少一个全连接层对所述第一至第六差分特征矩阵中各个差分特征矩阵进行全连接编码以得到多个预分类特征向量;以及
预分类概率计算子单元,用于分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述第一至第六概率值。
8.根据权利要求7所述的用于机械部件的精密智能化加工制造系统,其特征在于,所述加工成型结果评估模块,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
9.一种用于机械部件的精密智能化加工制造方法,其特征在于,包括:
获取由相机采集的加工成型的泵体的六个内部视角图像和六个外部视角图像,其中,所述六个内部视角图像为第一至第六图像,所述六个外部视角图像为第七至第十二图像;
将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵;
将所述第七至第十二图像中各个图像通过使用空间注意力机制的第二卷积神经网络模型以得到第七至第十二外部特征矩阵;
分别计算所述第一至第六内部特征矩阵和所述第七至第十二外部特征矩阵中各组对应视角的特征矩阵之间的差分以得到第一至第六差分特征矩阵;
将所述第一至第六差分特征矩阵中各个差分特征矩阵分别通过预分类器以得到第一至第六概率值;
将所述第一至第六概率值排列为概率输入向量后输入一维卷积层以得到概率关联特征向量;
分别对所述第一至第六差分特征矩阵中各个差分特征矩阵中各个位置的特征值进行校正以得到校正后第一至第六差分特征矩阵;
以所述概率关联特征向量中各个位置的特征值作为加权系数来计算所述校正后第一至第六差分特征矩阵的按位置加权和以得到分类特征矩阵;以及
将所述分类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加工成型的泵体的成型质量是否满足预定标准。
10.根据权利要求9所述的用于机械部件的精密智能化加工制造方法,其特征在于,所述将所述第一至第六图像中各个图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六内部特征矩阵,包括:
所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及
计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;
其中,所述第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六内部特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898104.3A CN115239515B (zh) | 2022-07-28 | 2022-07-28 | 用于机械部件的精密智能化加工制造系统及其制造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898104.3A CN115239515B (zh) | 2022-07-28 | 2022-07-28 | 用于机械部件的精密智能化加工制造系统及其制造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239515A true CN115239515A (zh) | 2022-10-25 |
CN115239515B CN115239515B (zh) | 2023-04-07 |
Family
ID=83677508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210898104.3A Active CN115239515B (zh) | 2022-07-28 | 2022-07-28 | 用于机械部件的精密智能化加工制造系统及其制造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239515B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
CN115661759A (zh) * | 2022-11-23 | 2023-01-31 | 山东宝能智维工业科技有限公司 | 井下设备的实时在线监控系统及其监控方法 |
CN115901794A (zh) * | 2023-02-17 | 2023-04-04 | 广州达普绅智能设备有限公司 | 一种条形光源检测瓶口瑕疵的系统及方法 |
CN115983874A (zh) * | 2023-02-17 | 2023-04-18 | 江苏秀圆果信息科技有限公司 | 酒类防伪溯源方法及其系统 |
CN116051506A (zh) * | 2023-01-28 | 2023-05-02 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的智能化生产系统及其方法 |
CN116258947A (zh) * | 2023-03-07 | 2023-06-13 | 浙江研几网络科技股份有限公司 | 适用于家居定制行业的工业自动化处理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068198A1 (en) * | 2016-09-06 | 2018-03-08 | Carnegie Mellon University | Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network |
US20200380379A1 (en) * | 2019-06-03 | 2020-12-03 | Bank Of America Corporation | Data Quality Tool |
CN112733853A (zh) * | 2021-01-20 | 2021-04-30 | 成都羿层娇网络科技有限公司 | 基于前景背景的分离与关联的矿物分离效果的检测方法 |
CA3121440A1 (en) * | 2021-05-10 | 2021-11-16 | Cheng Jun Chen | Assembly body change detection method, device and medium based on attention mechanism |
CN114782423A (zh) * | 2022-06-17 | 2022-07-22 | 江苏明德电力设备有限公司 | 干式变压器的低压线圈的成型质量检测系统及其检测方法 |
US20220392202A1 (en) * | 2020-02-28 | 2022-12-08 | Shenzhen Sensetime Technology Co., Ltd. | Imaging processing method and apparatus, electronic device, and storage medium |
-
2022
- 2022-07-28 CN CN202210898104.3A patent/CN115239515B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068198A1 (en) * | 2016-09-06 | 2018-03-08 | Carnegie Mellon University | Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network |
US20200380379A1 (en) * | 2019-06-03 | 2020-12-03 | Bank Of America Corporation | Data Quality Tool |
US20220392202A1 (en) * | 2020-02-28 | 2022-12-08 | Shenzhen Sensetime Technology Co., Ltd. | Imaging processing method and apparatus, electronic device, and storage medium |
CN112733853A (zh) * | 2021-01-20 | 2021-04-30 | 成都羿层娇网络科技有限公司 | 基于前景背景的分离与关联的矿物分离效果的检测方法 |
CA3121440A1 (en) * | 2021-05-10 | 2021-11-16 | Cheng Jun Chen | Assembly body change detection method, device and medium based on attention mechanism |
CN114782423A (zh) * | 2022-06-17 | 2022-07-22 | 江苏明德电力设备有限公司 | 干式变压器的低压线圈的成型质量检测系统及其检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
CN115375691B (zh) * | 2022-10-26 | 2023-04-07 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
CN115661759A (zh) * | 2022-11-23 | 2023-01-31 | 山东宝能智维工业科技有限公司 | 井下设备的实时在线监控系统及其监控方法 |
CN115661759B (zh) * | 2022-11-23 | 2024-03-08 | 山东宝能智维工业科技有限公司 | 井下设备的实时在线监控系统及其监控方法 |
CN116051506A (zh) * | 2023-01-28 | 2023-05-02 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的智能化生产系统及其方法 |
CN115901794A (zh) * | 2023-02-17 | 2023-04-04 | 广州达普绅智能设备有限公司 | 一种条形光源检测瓶口瑕疵的系统及方法 |
CN115983874A (zh) * | 2023-02-17 | 2023-04-18 | 江苏秀圆果信息科技有限公司 | 酒类防伪溯源方法及其系统 |
CN116258947A (zh) * | 2023-03-07 | 2023-06-13 | 浙江研几网络科技股份有限公司 | 适用于家居定制行业的工业自动化处理方法及系统 |
CN116258947B (zh) * | 2023-03-07 | 2023-08-18 | 浙江研几网络科技股份有限公司 | 适用于家居定制行业的工业自动化处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115239515B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115239515B (zh) | 用于机械部件的精密智能化加工制造系统及其制造方法 | |
CN110009674B (zh) | 基于无监督深度学习的单目图像景深实时计算方法 | |
CN109871803B (zh) | 机器人回环检测方法和装置 | |
CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN110659565B (zh) | 一种基于带孔卷积的3d多人人体姿态估计方法 | |
CN110322507B (zh) | 一种基于深度重投影和空间一致性特征匹配的方法 | |
CN115359300A (zh) | 风力发电机部件智能化加工制造系统及其制造方法 | |
CN109389156B (zh) | 一种图像定位模型的训练方法、装置及图像定位方法 | |
CN101347000B (zh) | 用于确定立体视觉中密集差异区的方法 | |
CN110570474B (zh) | 一种深度相机的位姿估计方法及系统 | |
CN114494462A (zh) | 一种基于Yolov5和改进跟踪算法的双目相机测距方法 | |
CN110443849B (zh) | 一种基于深度图像的双流卷积神经网络回归学习的目标定位方法 | |
CN114782423B (zh) | 干式变压器的低压线圈的成型质量检测系统及其检测方法 | |
CN112070832A (zh) | 基于点云dca特征的非合作目标位姿跟踪方法及装置 | |
CN109920050A (zh) | 一种基于深度学习和薄板样条的单视图三维火焰重建方法 | |
CN117392496A (zh) | 基于红外与可见光图像融合的目标检测方法及系统 | |
CN110796182A (zh) | 一种少量样本的票据分类方法及系统 | |
CN111858990A (zh) | 一种基于卷积分类网络的晶圆图失效模式相似检索的方法 | |
CN113781563B (zh) | 一种基于深度学习的移动机器人回环检测方法 | |
CN107945166A (zh) | 基于双目视觉的待测物体三维振动轨迹的测量方法 | |
CN115091725B (zh) | 用于生产农药包装桶的智能吹塑机及其控制方法 | |
CN112396167A (zh) | 一种外观相似度与空间位置信息融合的回环检测方法 | |
CN116871395A (zh) | 钢带加工设备控制系统及其方法 | |
CN116907838A (zh) | 基于增强关系网络的齿轮故障诊断方法 | |
CN111882663A (zh) | 一种融合语义信息完成视觉slam闭环检测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240111 Address after: 313100 southeast of the intersection of Central Avenue and Changxing Avenue, Taihu street, Changxing County, Huzhou City, Zhejiang Province Patentee after: Demak (Zhejiang) Seiko technology Co.,Ltd. Address before: 313100 plant 2, No. 2587, development avenue, Taihu street, Changxing County, Huzhou City, Zhejiang Province Patentee before: Demak (Changxing) Precision Machinery Co.,Ltd. |
|
TR01 | Transfer of patent right |