CN116038147A - 激光金属切割机及其控制方法 - Google Patents
激光金属切割机及其控制方法 Download PDFInfo
- Publication number
- CN116038147A CN116038147A CN202211693192.XA CN202211693192A CN116038147A CN 116038147 A CN116038147 A CN 116038147A CN 202211693192 A CN202211693192 A CN 202211693192A CN 116038147 A CN116038147 A CN 116038147A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- classification
- feature
- feature map
- 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.)
- Withdrawn
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/38—Removing material by boring or cutting
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
公开了一种激光金属切割机及其控制方法，其采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测。
Description
技术领域
本申请涉及金属切割技术领域，且更为具体地，涉及一种激光金属切割机及其控制方法。
背景技术
随着工业技术的不断发展，激光切割机的应用越来越广泛，目前市面上用于对铝基板、铜基板等金属基板进行切割的激光切割机存在如下缺点：由于铝基板、铜基板等金属基板的厚度较薄，但是目前市面上的激光切割机又无法实现对铝基板、铜基板等金属基板的可靠支撑，这样一来，在固定铝基板、铜基板等金属基板时，容易导致铝基板、铜基板等金属基板出现弯曲的现象，从而会影响对铝基板、铜基板等金属基板的切割精度，且会使得切割后的铝基板、铜基板等金属基板存在很多毛刺，同时存在材料浪费多的缺陷。
因此，期望一种优化的激光金属切割机。
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激光金属切割机及其控制方法，其采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测。
相应地，根据本申请的一个方面，提供了一种激光金属切割机，其包括：
摄像单元，用于获取待切割金属的检测图像；
畸变校正单元，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
纹理特征图提取单元，用于提取所述校正后检测图像的方向梯度直方图；
多通道聚合单元，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
图像特征提取单元，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及
平整度判定结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
在上述激光金属切割机中，所述畸变校正单元，包括：图像编码单元，用于将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；以及，特征解码单元，用于将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
在上述激光金属切割机中，所述纹理特征图提取单元，进一步用于：对所述校正后检测图像进行均匀划分以得到多个细胞空间；计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；以及，基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
在上述激光金属切割机中，所述图像特征提取单元，进一步用于使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
在上述激光金属切割机中，所述图像特征提取单元，进一步用于：从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6；从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10；以及，使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。
在上述激光金属切割机中，所述平整度判定结果生成单元，包括：展开单元，用于将分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于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编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类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。
在上述激光金属切割机中，还包括控制结果生成单元，用于响应于所述分类结果为待切割金属的表面平整度不满足预定要求，生成重安装提示。
在上述激光金属切割机中，还包括用于对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取待切割金属的训练检测图像，以及，所述待切割金属的表面平整度是否满足预定要求的真实值；训练畸变校正单元，用于将所述训练检测图像通过所述基于自动编解码器的图像畸变矫正器以得到训练校正后检测图像；训练纹理特征图提取单元，用于提取所述训练校正后检测图像的训练方向梯度直方图；训练多通道聚合单元，用于将所述训练方向梯度直方图和所述训练校正后检测图像沿着通道维度进行聚合以得到训练多通道输入图像；训练图像特征提取单元，用于将所述训练多通道输入图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练分类特征图；分类损失单元，用于将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征图进行加权迭代。
在上述激光金属切割机中，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；
其中，所述公式为：
其中V是所述训练分类特征图展开后得到的特征向量，M是所述分类器对所述训练分类特征图展开后得到的特征向量的权重矩阵，
和
分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
根据本申请的另一方面，还提供了一种激光金属切割机的控制方法，其包括：
获取待切割金属的检测图像；
将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
提取所述校正后检测图像的方向梯度直方图；
将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
在上述激光金属切割机的控制方法中，所述将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像，包括：将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；以及，将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
在上述激光金属切割机的控制方法中，所述提取所述校正后检测图像的方向梯度直方图，包括：对所述校正后检测图像进行均匀划分以得到多个细胞空间；计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；以及，基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
在上述激光金属切割机的控制方法中，所述将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
在上述激光金属切割机的控制方法中，所述将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6；从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10；以及，使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。
在上述激光金属切割机的控制方法中，所述将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求，包括：将分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联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编码分类特征向量；以及，将所述编码分类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。
在上述激光金属切割机的控制方法中，还包括响应于所述分类结果为待切割金属的表面平整度不满足预定要求，生成重安装提示。
在上述激光金属切割机的控制方法中，还包括对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练。其中，所述对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，包括步骤：获取待切割金属的训练检测图像，以及，所述待切割金属的表面平整度是否满足预定要求的真实值；将所述训练检测图像通过所述基于自动编解码器的图像畸变矫正器以得到训练校正后检测图像；提取所述训练校正后检测图像的训练方向梯度直方图；将所述训练方向梯度直方图和所述训练校正后检测图像沿着通道维度进行聚合以得到训练多通道输入图像；将所述训练多通道输入图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练分类特征图；将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征图进行加权迭代。
在上述激光金属切割机的控制方法中，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；
其中，所述公式为：
其中V是所述训练分类特征图展开后得到的特征向量，M是所述分类器对所述训练分类特征图展开后得到的特征向量的权重矩阵，
和
分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
与现有技术相比，本申请提供的激光金属切割机及其控制方法，其采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测。
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激光金属切割机的应用场景图。
图2为根据本申请实施例的激光金属切割机的框图。
图3为根据本申请实施例的激光金属切割机的架构示意图。
图4为根据本申请实施例的激光金属切割机中训练模块的框图。
图5为根据本申请实施例的激光金属切割机的控制方法的流程图。
图6为根据本申请实施例的激光金属切割机的控制方法中对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的流程图。
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。
申请概述
如上述背景技术所言，由于铝基板、铜基板等金属基板的厚度较薄，但是目前市面上的激光切割机又无法实现对铝基板、铜基板等金属基板的可靠支撑，这样一来，在固定铝基板、铜基板等金属基板时，容易导致铝基板、铜基板等金属基板出现弯曲的现象，从而会影响对铝基板、铜基板等金属基板的切割精度，且会使得切割后的铝基板、铜基板等金属基板存在很多毛刺，同时存在材料浪费多的缺陷。因此，期望一种优化的激光金属切割机。
具体地，在本申请的技术方案中，期望在激光金属切割机中配置金属基板的安装平整度检测，以在检测到平整度不满足要求时，生成提示信息，以此来提高切割的精度和质量。
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。
近年来，深度学习以及神经网络的发展为金属表面的平整度检测提供了新的解决思路和方案。
相应地，考虑到在实际进行金属表面的平整度检测时，可以通过对于采集在切割机上的切割金属的检测图像的分析来进行，但是，由于所述检测图像中存在着较多的信息量，而金属表面的平整度为小尺度信息，因此难以对于金属的平整度信息进行捕捉。并且，在采集的过程中还可能会发生图像畸变，进而导致图像呈现弯曲，但实际上金属基板并没有弯曲，这会对于金属表面的平整度检测判断带来影响。基于此，在本申请的技术方案中，采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测，以在检测到平整度不满足要求时，生成提示信息，进而在提高切割的精度和质量的同时避免材料浪费。
具体地，在本申请的技术方案中，首先，通过摄像头获取待切割金属的检测图像。接着，考虑到在对于所述待切割金属的检测图像进行采集的过程中可能会因成像系统以及外部因素而产生图像畸变，进而导致图像呈现出弯曲现象，但是在实际过程中所述待切割金属基板并没有弯曲，这会对于金属的表面平整度检测带来影响。因此，为了能够提高检测的精准度，需要在特征提取前进行图像的畸变校正。也就是，具体地，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。特别地，这里，所述基于自动编解码器的图像畸变矫正器包括编码器和解码器，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征，且所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
然后，考虑到如果金属基板存在弯曲，则其在图像纹理端会有呈现，因此，首先以所述校正后检测图像的方向梯度直方图来替代原始RGB图像作为输入数据，以进一步提取出所述检测图像中关于所述金属基板的纹理特征信息。这里，所述方向梯度直方图是一种用于描述图像局部纹理特征的方法，该算法图像将图像等划分为小尺寸的细胞空间，计算细胞内各像素点的梯度，并根据梯度分布生成细胞(HOG(Histogram ofOrientedGradient,HOG)，然后，在较大尺寸的块空间内统计各细胞HOG分布，生成块空间HOG，描述局部纹理信息。因此，使用所述方向梯度直方图替代原始RGB图像作为输入数据，可以使得特征提取器能够更为有效且容易地提取到所述方向梯度直方图中的与所述校正后检测图像中关于金属基板的纹理信息相关的特征，而对于所述待切割金属的表面平整度缺陷往往体现在纹理信息层面。
进一步地，就可以使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来对于所述方向梯度直方图进行特征挖掘。特别地，考虑到由于如果金属基板存在着弯曲现象，那么其在图像的纹理端会有所呈现，也就是说，所述待切割金属表面的平整度特征信息在其浅层纹理特征中会有着特殊的表现形式。而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在特征提取时不仅需要关注于图像中的深层隐藏特征信息，更需要聚焦于其浅层纹理特征信息。同时，为了能够提高对于所述待切割金属表面的平整度检测的精准度，进一步将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合，以整合在激光金属切割机上的所述待切割金属的RGB图像和方向梯度直方图，从而得到多通道输入图像，并以所述多通道输入图像来进行深浅特征的提取融合，进而来进行平整度检测。
也就是，具体地，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型中进行特征挖掘以得到分类特征图。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述多通道输入图像中关于所述待切割金属表面平整度的浅层纹理特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，进而提高对于所述待切割金属的表面平整度是否满足预定要求的检测精准度。
接着，进一步再将所述分类特征图通过分类器以得到用于表示待切割金属的表面平整度是否满足预定要求的分类结果。并且在响应于所述分类结果为待切割金属的表面平整度不满足预定要求时，生成重安装提示。这样，能够准确地对于待切割金属的表面平整度进行智能检测，以在检测到平整度不满足要求时，生成提示信息，进而在提高切割的精度和质量的同时避免材料浪费。
特别地，在本申请的技术方案中，由于所述分类特征图是将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型得到的，因此所述分类特征图包含了所述多通道输入图像的丰富的深层和浅层特征，而由于所述多通道输入图像本身就是所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合后得到的，因此可以通过集合多个不同类别的图像语义的不同深度的特征关联来提高分类结果的准确性。但是另一方面，多个不同类别的图像语义的不同深度的特征关联也会导致所述分类特征图的整体分布具有较强的离散性，使得分类器的训练困难，尤其是分类器的标签值的收敛困难。
因此，优选地使用软标签学习来代替常用的硬标签学习，具体地，在每次迭代时，计算所述分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值，表示为：
其中V是所述分类特征图展开后得到的特征向量，M是所述分类器对所述分类特征图展开后得到的特征向量的权重矩阵，
和
分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这里，所述基于跨分类器软相似性的自由标签优化因数通过在以硬标签值计算特征向量的分类概率之前来对所述分类特征向量和分类器对于其的权重矩阵进行双向聚簇，来通过所述分类特征向量与所述权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别，从而以软相似性学习来避免了硬标签学习带来的分类量化损失，实现了更关注于分类器的内在权重结构的自由标签优化，从而优化了分类器的标签值的训练，提升了分类器的训练速度，进而提高了分类的准确性。这样，能够准确地对于待切割金属的表面平整度进行智能检测，以在检测到平整度不满足要求时，生成提示信息，进而在提高切割的精度和质量的同时避免材料浪费。
基于此，本申请提供了一种激光金属切割机，其包括：摄像单元，用于获取待切割金属的检测图像；畸变校正单元，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；纹理特征图提取单元，用于提取所述校正后检测图像的方向梯度直方图；多通道聚合单元，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；图像特征提取单元，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及，平整度判定结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
图1为根据本申请实施例的激光金属切割机的应用场景图。如图1所示，在所述激光金属切割机的应用场景图中，首先，由摄像头(例如，如图1中所示意的C)获取待切割金属(例如，如图1中所示意的M)的检测图像。进而，将待切割金属的检测图像输入至所述激光金属切割机(例如，如图1中所示意的Ma)的数据处理器(例如，如图1中所示意的P)中，其中，所述数据处理器能够基于预定算法对所述待切割金属的检测图像进行处理，以得到用于表示待切割金属的表面平整度是否满足预定要求的分类结果，并且响应于所述分类结果为待切割金属的表面平整度不满足预定要求时，生成重安装提示。
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为根据本申请实施例的激光金属切割机的框图。如图2所示，根据本申请实施例的激光金属切割机100，包括：摄像单元110，用于获取待切割金属的检测图像；畸变校正单元120，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；纹理特征图提取单元130，用于提取所述校正后检测图像的方向梯度直方图；多通道聚合单元140，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；图像特征提取单元150，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及，平整度判定结果生成单元160，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
图3为根据本申请实施例的激光金属切割机的架构示意图。如图3所示，首先，获取待切割金属的检测图像。接着，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。然后，提取所述校正后检测图像的方向梯度直方图。进而，将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像。接着，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。然后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
在上述激光金属切割机100中，所述摄像单元110，用于获取待切割金属的检测图像。如上述背景技术所言，由于铝基板、铜基板等金属基板的厚度较薄，但是目前市面上的激光切割机又无法实现对铝基板、铜基板等金属基板的可靠支撑，这样一来，在固定铝基板、铜基板等金属基板时，容易导致铝基板、铜基板等金属基板出现弯曲的现象，从而会影响对铝基板、铜基板等金属基板的切割精度，且会使得切割后的铝基板、铜基板等金属基板存在很多毛刺，同时存在材料浪费多的缺陷。因此，期望一种优化的激光金属切割机。
具体地，在本申请的技术方案中，期望在激光金属切割机中配置金属基板的安装平整度检测，以在检测到平整度不满足要求时，生成提示信息，以此来提高切割的精度和质量。
相应地，考虑到在实际进行金属表面的平整度检测时，可以通过对于采集在切割机上的切割金属的检测图像的分析来进行，但是，由于所述检测图像中存在着较多的信息量，而金属表面的平整度为小尺度信息，因此难以对于金属的平整度信息进行捕捉。并且，在采集的过程中还可能会发生图像畸变，进而导致图像呈现弯曲，但实际上金属基板并没有弯曲，这会对于金属表面的平整度检测判断带来影响。基于此，在本申请的技术方案中，采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测，以在检测到平整度不满足要求时，生成提示信息，进而在提高切割的精度和质量的同时避免材料浪费。具体地，在本申请的技术方案中，首先，通过摄像头获取待切割金属的检测图像。
在上述激光金属切割机100中，所述畸变校正单元120，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。考虑到在对于所述待切割金属的检测图像进行采集的过程中可能会因成像系统以及外部因素而产生图像畸变，进而导致图像呈现出弯曲现象，但是在实际过程中所述待切割金属基板并没有弯曲，这会对于金属的表面平整度检测带来影响。因此，为了能够提高检测的精准度，需要在特征提取前进行图像的畸变校正。也就是，具体地，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。特别地，这里，所述基于自动编解码器的图像畸变矫正器包括编码器和解码器，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征，且所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
具体地，在本申请实施例中，所述畸变校正单元120，首先，通过图像编码单元将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征。然后，通过特征解码单元将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
在上述激光金属切割机100中，所述纹理特征图提取单元130，用于提取所述校正后检测图像的方向梯度直方图。考虑到如果金属基板存在弯曲，则其在图像纹理端会有呈现，因此，首先以所述校正后检测图像的方向梯度直方图来替代原始RGB图像作为输入数据，以进一步提取出所述检测图像中关于所述金属基板的纹理特征信息。这里，所述方向梯度直方图是一种用于描述图像局部纹理特征的方法，该算法图像将图像等划分为小尺寸的细胞空间，计算细胞内各像素点的梯度，并根据梯度分布生成细胞HOG(HistogramofOriented Gradient,HOG)，然后，在较大尺寸的块空间内统计各细胞HOG分布，生成块空间HOG，描述局部纹理信息。因此，使用所述方向梯度直方图替代原始RGB图像作为输入数据，可以使得特征提取器能够更为有效且容易地提取到所述方向梯度直方图中的与所述校正后检测图像中关于金属基板的纹理信息相关的特征，而对于所述待切割金属的表面平整度缺陷往往体现在纹理信息层面。
具体地，在本申请实施例中，所述纹理特征图提取单元130，首先，对所述校正后检测图像进行均匀划分以得到多个细胞空间。接着，计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图。最后，基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
在上述激光金属切割机100中，所述多通道聚合单元140，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像。这里，为了能够提高对于所述待切割金属表面的平整度检测的精准度，进一步将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合，以整合在激光金属切割机上的所述待切割金属的RGB图像和方向梯度直方图，从而得到多通道输入图像，并以所述多通道输入图像作为后续模型的输入，进而来进行平整度检测。
在上述激光金属切割机100中，所述图像特征提取单元150，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。也就是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来对于所述方向梯度直方图进行特征挖掘。特别地，这里，考虑到由于如果金属基板存在着弯曲现象，那么其在图像的纹理端会有所呈现，也就是说，所述待切割金属表面的平整度特征信息在其浅层纹理特征中会有着特殊的表现形式。而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在特征提取时不仅需要关注于图像中的深层隐藏特征信息，更需要聚焦于其浅层纹理特征信息。
也就是，具体地，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型中进行特征挖掘以得到分类特征图。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述多通道输入图像中关于所述待切割金属表面平整度的浅层纹理特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，进而提高对于所述待切割金属的表面平整度是否满足预定要求的检测精准度。
具体地，在本申请实施例中，所述图像特征提取单元150，进一步用于使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
更具体地，在本申请实施例中，所述图像特征提取单元150，首先，从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6。接着，从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10。最后，使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。这里，将所述浅层特征图和所述深层特征图进行级联来获得所述分类特征图。
在上述激光金属切割机100中，所述平整度判定结果生成单元160，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。也就是，以所述分类器对所述分类特征图的高维数据流形进行类边界划分和确定以得到所述分类结果。
具体地，在本申请实施例中，所述平整度判定结果生成单元160，包括：展开单元，用于将分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于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编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类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。
具体地，在本申请实施例中，还包括控制结果生成单元，用于响应于所述分类结果为待切割金属的表面平整度不满足预定要求，生成重安装提示。这样，能够准确地对于待切割金属的表面平整度进行智能检测，以在检测到平整度不满足要求时，生成提示信息，进而在提高切割的精度和质量的同时避免材料浪费。
在上述激光金属切割机100中，还包括用于对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的训练模块200。
图4为根据本申请实施例的激光金属切割机中训练模块的框图。如图4所示，所述训练模块200，包括：训练数据获取单元210，用于获取待切割金属的训练检测图像，以及，所述待切割金属的表面平整度是否满足预定要求的真实值；训练畸变校正单元220，用于将所述训练检测图像通过所述基于自动编解码器的图像畸变矫正器以得到训练校正后检测图像；训练纹理特征图提取单元230，用于提取所述训练校正后检测图像的训练方向梯度直方图；训练多通道聚合单元240，用于将所述训练方向梯度直方图和所述训练校正后检测图像沿着通道维度进行聚合以得到训练多通道输入图像；训练图像特征提取单元250，用于将所述训练多通道输入图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练分类特征图；分类损失单元260，用于将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，训练单元270，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征图进行加权迭代。
特别地，在本申请的技术方案中，由于所述分类特征图是将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型得到的，因此所述分类特征图包含了所述多通道输入图像的丰富的深层和浅层特征，而由于所述多通道输入图像本身就是所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合后得到的，因此可以通过集合多个不同类别的图像语义的不同深度的特征关联来提高分类结果的准确性。但是另一方面，多个不同类别的图像语义的不同深度的特征关联也会导致所述分类特征图的整体分布具有较强的离散性，使得分类器的训练困难，尤其是分类器的标签值的收敛困难。因此，优选地使用软标签学习来代替常用的硬标签学习，具体地，在每次迭代时，计算所述分类特征图的基于跨分类器软相似性的自由标签优化因数。
具体地，在本申请实施例中，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；
其中，所述公式为：
其中V是所述训练分类特征图展开后得到的特征向量，M是所述分类器对所述训练分类特征图展开后得到的特征向量的权重矩阵，
和
分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这里，所述基于跨分类器软相似性的自由标签优化因数通过在以硬标签值计算特征向量的分类概率之前来对所述分类特征向量和分类器对于其的权重矩阵进行双向聚簇，来通过所述分类特征向量与所述权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别，从而以软相似性学习来避免了硬标签学习带来的分类量化损失，实现了更关注于分类器的内在权重结构的自由标签优化，从而优化了分类器的标签值的训练，提升了分类器的训练速度，进而提高了分类的准确性。这样，能够准确地对于待切割金属的表面平整度进行智能检测，以在检测到平整度不满足要求时，生成提示信息，进而在提高切割的精度和质量的同时避免材料浪费。
综上，基于本申请实施例的激光金属切割机100被阐明，其采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测。
示例性方法
图5为根据本申请实施例的激光金属切割机的控制方法的流程图。如图5所示，根据本申请实施例的激光金属切割机的控制方法，包括：S110，获取待切割金属的检测图像；S120，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；S130，提取所述校正后检测图像的方向梯度直方图；S140，将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；S150，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及，S160，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
在一个示例中，在上述激光金属切割机的控制方法中，所述将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像，包括：将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；以及，将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
在一个示例中，在上述激光金属切割机的控制方法中，所述提取所述校正后检测图像的方向梯度直方图，包括：对所述校正后检测图像进行均匀划分以得到多个细胞空间；计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；以及，基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
在一个示例中，在上述激光金属切割机的控制方法中，所述将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
在一个示例中，在上述激光金属切割机的控制方法中，所述将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6；从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10；以及，使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。
在一个示例中，在上述激光金属切割机的控制方法中，所述将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求，包括：将分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联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编码分类特征向量；以及，将所述编码分类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。
在一个示例中，在上述激光金属切割机的控制方法中，还包括响应于所述分类结果为待切割金属的表面平整度不满足预定要求，生成重安装提示。
在一个示例中，在上述激光金属切割机的控制方法中，还包括对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练。
图6为根据本申请实施例的激光金属切割机的控制方法中对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的流程图。如图6所示，所述对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，包括步骤：S210，获取待切割金属的训练检测图像，以及，所述待切割金属的表面平整度是否满足预定要求的真实值；S220，将所述训练检测图像通过所述基于自动编解码器的图像畸变矫正器以得到训练校正后检测图像；S230，提取所述训练校正后检测图像的训练方向梯度直方图；S240，将所述训练方向梯度直方图和所述训练校正后检测图像沿着通道维度进行聚合以得到训练多通道输入图像；S250，将所述训练多通道输入图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练分类特征图；S260，将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，S270，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征图进行加权迭代。
在一个示例中，在上述激光金属切割机的控制方法中，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；
其中，所述公式为：
其中V是所述训练分类特征图展开后得到的特征向量，M是所述分类器对所述训练分类特征图展开后得到的特征向量的权重矩阵，
和
分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
综上，本申请实施例的激光金属切割机的控制方法被阐明，其采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测。
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)
1.一种激光金属切割机，其特征在于，包括：摄像单元，用于获取待切割金属的检测图像；畸变校正单元，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；纹理特征图提取单元，用于提取所述校正后检测图像的方向梯度直方图；多通道聚合单元，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；图像特征提取单元，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及平整度判定结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
2.根据权利要求1所述的激光金属切割机，其特征在于，所述畸变校正单元，包括：图像编码单元，用于将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；以及特征解码单元，用于将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
3.根据权利要求2所述的激光金属切割机，其特征在于，所述纹理特征图提取单元，进一步用于：对所述校正后检测图像进行均匀划分以得到多个细胞空间；计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；以及基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
4.根据权利要求3所述的激光金属切割机，其特征在于，所述图像特征提取单元，进一步用于使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
5.根据权利要求4所述的激光金属切割机，其特征在于，所述图像特征提取单元，进一步用于：从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6；从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10；以及使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。
6.根据权利要求5所述的激光金属切割机，其特征在于，所述平整度判定结果生成单元，包括：展开单元，用于将分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于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编码分类特征向量；以及分类结果生成单元，用于将所述编码分类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所述的激光金属切割机，其特征在于，还包括控制结果生成单元，用于响应于所述分类结果为待切割金属的表面平整度不满足预定要求，生成重安装提示。
8.根据权利要求1所述的激光金属切割机，其特征在于，还包括用于对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取待切割金属的训练检测图像，以及，所述待切割金属的表面平整度是否满足预定要求的真实值；训练畸变校正单元，用于将所述训练检测图像通过所述基于自动编解码器的图像畸变矫正器以得到训练校正后检测图像；训练纹理特征图提取单元，用于提取所述训练校正后检测图像的训练方向梯度直方图；训练多通道聚合单元，用于将所述训练方向梯度直方图和所述训练校正后检测图像沿着通道维度进行聚合以得到训练多通道输入图像；训练图像特征提取单元，用于将所述训练多通道输入图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练分类特征图；分类损失单元，用于将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征图进行加权迭代。
9.根据权利要求8所述的激光金属切割机，其特征在于，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；其中，所述公式为：
其中V是所述训练分类特征图展开后得到的特征向量，M是所述分类器对所述训练分类特征图展开后得到的特征向量的权重矩阵，
和
分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
10.一种激光金属切割机的控制方法，其特征在于，包括：获取待切割金属的检测图像；将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；提取所述校正后检测图像的方向梯度直方图；将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；以及将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待切割金属的表面平整度是否满足预定要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211693192.XA CN116038147A (zh) | 2022-12-28 | 2022-12-28 | 激光金属切割机及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211693192.XA CN116038147A (zh) | 2022-12-28 | 2022-12-28 | 激光金属切割机及其控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116038147A true CN116038147A (zh) | 2023-05-02 |
Family
ID=86117439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211693192.XA Withdrawn CN116038147A (zh) | 2022-12-28 | 2022-12-28 | 激光金属切割机及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116038147A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116657348A (zh) * | 2023-06-02 | 2023-08-29 | 浙江正源丝绸科技有限公司 | 真丝前处理方法及其系统 |
| CN116777908A (zh) * | 2023-08-18 | 2023-09-19 | 新疆塔林投资(集团)有限责任公司 | 油气井套管堵漏辅助方法及其系统 |
| CN117193121A (zh) * | 2023-10-07 | 2023-12-08 | 东莞市中能精密机械有限公司 | 涂布机模头的控制系统 |
-
2022
- 2022-12-28 CN CN202211693192.XA patent/CN116038147A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116657348A (zh) * | 2023-06-02 | 2023-08-29 | 浙江正源丝绸科技有限公司 | 真丝前处理方法及其系统 |
| CN116657348B (zh) * | 2023-06-02 | 2023-11-21 | 浙江正源丝绸科技有限公司 | 真丝前处理方法及其系统 |
| CN116777908A (zh) * | 2023-08-18 | 2023-09-19 | 新疆塔林投资(集团)有限责任公司 | 油气井套管堵漏辅助方法及其系统 |
| CN116777908B (zh) * | 2023-08-18 | 2023-11-03 | 新疆塔林投资(集团)有限责任公司 | 油气井套管堵漏辅助方法及其系统 |
| CN117193121A (zh) * | 2023-10-07 | 2023-12-08 | 东莞市中能精密机械有限公司 | 涂布机模头的控制系统 |
| CN117193121B (zh) * | 2023-10-07 | 2024-06-11 | 东莞市中能精密机械有限公司 | 涂布机模头的控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| CN116038147A (zh) | 激光金属切割机及其控制方法 | |
| CN111126359B (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
| CN113743269B (zh) | 一种轻量化识别视频人体姿态的方法 | |
| CN112464912B (zh) | 基于YOLO-RGGNet的机器人端人脸检测方法 | |
| CN111680705B (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
| CN114973222B (zh) | 基于显式监督注意力机制的场景文本识别方法 | |
| CN113159023A (zh) | 基于显式监督注意力机制的场景文本识别方法 | |
| CN112200057A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
| CN116993975A (zh) | 基于深度学习无监督领域适应的全景相机语义分割方法 | |
| CN113569881A (zh) | 一种基于链式残差与注意力机制的自适应语义分割方法 | |
| CN117689928A (zh) | 一种改进yolov5的无人机检测方法 | |
| CN113962281A (zh) | 基于Siamese-RFB的无人机目标跟踪方法 | |
| CN115713632A (zh) | 一种基于多尺度注意力机制的特征提取方法及装置 | |
| CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
| CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 | |
| CN115641584B (zh) | 一种雾天图像识别方法及装置 | |
| CN116851856A (zh) | 纯水线切割加工工艺及其系统 | |
| CN112487927B (zh) | 一种基于物体关联注意力的室内场景识别实现方法及系统 | |
| CN115049611A (zh) | 一种基于改进yolov5的连铸坯裂纹缺陷识别方法 | |
| CN114359786A (zh) | 一种基于改进时空卷积网络的唇语识别方法 | |
| CN114926760B (zh) | 基于时空卷积神经网络的视频显著性目标检测系统及方法 | |
| CN113506272B (zh) | 一种虚假视频的检测方法及系统 | |
| CN116823787A (zh) | 钣金件人工智能生产系统及其方法 | |
| CN117260492A (zh) | 金属工件加工设备及其方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230502 |
|
| WW01 | Invention patent application withdrawn after publication |