CN116533529B - 超声波焊接pc片的智能化控制方法及系统 - Google Patents

超声波焊接pc片的智能化控制方法及系统 Download PDF

Info

Publication number
CN116533529B
CN116533529B CN202310532292.2A CN202310532292A CN116533529B CN 116533529 B CN116533529 B CN 116533529B CN 202310532292 A CN202310532292 A CN 202310532292A CN 116533529 B CN116533529 B CN 116533529B
Authority
CN
China
Prior art keywords
feature
welding surface
welding
vectors
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.)
Active
Application number
CN202310532292.2A
Other languages
English (en)
Other versions
CN116533529A (zh
Inventor
沈晓宇
陶岗
李斌
窦志华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huzhou Dongni New Energy Co ltd
Original Assignee
Huzhou Dongni New Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huzhou Dongni New Energy Co ltd filed Critical Huzhou Dongni New Energy Co ltd
Priority to CN202310532292.2A priority Critical patent/CN116533529B/zh
Publication of CN116533529A publication Critical patent/CN116533529A/zh
Application granted granted Critical
Publication of CN116533529B publication Critical patent/CN116533529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C65/00—Joining or sealing of preformed parts, e.g. welding of plastics materials; Apparatus therefor
    • B29C65/02—Joining or sealing of preformed parts, e.g. welding of plastics materials; Apparatus therefor by heating, with or without pressure
    • B29C65/08—Joining or sealing of preformed parts, e.g. welding of plastics materials; Apparatus therefor by heating, with or without pressure using ultrasonic vibrations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C66/00—General aspects of processes or apparatus for joining preformed parts
    • B29C66/90—Measuring or controlling the joining process
    • B29C66/96—Measuring or controlling the joining process characterised by the method for implementing the controlling of the joining process
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2069/00—Use of PC, i.e. polycarbonates or derivatives thereof, as moulding material
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29L—INDEXING SCHEME ASSOCIATED WITH SUBCLASS B29C, RELATING TO PARTICULAR ARTICLES
    • B29L2007/00—Flat articles, e.g. films or sheets
    • B29L2007/002—Panels; Plates; Sheets

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Image Analysis (AREA)

Abstract

一种超声波焊接PC片的智能化控制方法及系统，其获取被焊接PC片的焊接面拍摄图像；采用基于深度学习的人工智能技术，进行所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息的充分表达，以此来对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。

Description

超声波焊接PC片的智能化控制方法及系统
技术领域
本申请涉及智能化控制技术领域，并且更具体地，涉及一种超声波焊接PC片的智能化控制方法及系统。
背景技术
PC片的化学名称叫聚碳酸脂(polycarbonate)，是一种环保型工程塑料，其具有重量轻、抗冲击强度高、硬度高、折射指数高、机械性能良好、热塑性好、电绝缘性能良好、不污染环境等优点。
目前，在PC片的制备过程中，需要利用超声波来进行焊接工艺。在超声波焊接时，控制超声波的振幅值和频率值对焊接效果至关重要，因为不同的焊接面形貌特征会造成不同的能量反射和吸收，从而导致焊接的质量和效率出现差异。但是在实际生产中，超声波焊接的参数设置往往需要人工经验调整，难以达到最优的焊接效果。
因此，期望一种优化的超声波焊接PC片的智能化控制方案。
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超声波焊接PC片的智能化控制方法及系统，其获取被焊接PC片的焊接面拍摄图像；采用基于深度学习的人工智能技术，进行所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息的充分表达，以此来对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。
第一方面，提供了一种超声波焊接PC片的智能化控制方法，其包括：
获取被焊接PC片的焊接面拍摄图像；
对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像；
对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列；
将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量；
将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵；以及
将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值。
在上述超声波焊接PC片的智能化控制方法中，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量，包括：使用所述ViT模型的嵌入层对所述焊接面局部区域图像块的序列中的各个焊接面局部区域图像块进行向量嵌入化以得到焊接面图像块嵌入向量的序列；以及，将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量。
在上述超声波焊接PC片的智能化控制方法中，将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量，包括：将所述焊接面图像块嵌入向量的序列进行一维排列以得到焊接面全局特征向量；计算所述焊接面全局特征向量与所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量进行加权以得到所述多个上下文焊接面局部区域特征向量。
在上述超声波焊接PC片的智能化控制方法中，将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵，包括：将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵；将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入作为特征提取器的卷积神经网络模型以得到注意力特征矩阵；将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；融合所述二维特征向量和所述注意力特征向量以得到融合特征向量；以及，将所述融合特征向量进行维度重构以得到所述解码特征矩阵。
在上述超声波焊接PC片的智能化控制方法中，将所述双向关联矩阵输入作为特征提取器的卷积神经网络模型以得到注意力特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述注意力特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述双向关联矩阵。
在上述超声波焊接PC片的智能化控制方法中，融合所述二维特征向量和所述注意力特征向量以得到融合特征向量，包括：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合所述二维特征向量和所述注意力特征向量以得到所述融合特征向量；其中，所述融合公式为：
其中，V1和V2分别是所述二维特征向量和所述注意力特征向量，D(V1,V2)为向量之间的距离矩阵，d(V1,V2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和⊙分别表示特征向量的逐位置相加、相减和相乘，/>表示矩阵乘法，Mask(·)表示Mask函数，Vf是所述融合特征向量，v1i表示所述二维特征向量第i个位置的特征值，v2j表示所述注意力特征向量第j个位置的特征值。
在上述超声波焊接PC片的智能化控制方法中，将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值，包括：使用所述第一解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述第一解码值；其中，所述解码公式为：其中，Md表示所述解码特征矩阵，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
在上述超声波焊接PC片的智能化控制方法中，还包括：将所述解码特征矩阵通过第二解码器以得到第二解码值，所述第二解码值用于表示推荐的超声波焊接频率值。
第二方面，提供了一种超声波焊接PC片的智能化控制系统，其包括：
图像获取模块，用于获取被焊接PC片的焊接面拍摄图像；
图像预处理模块，用于对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像；
图像分块处理模块，用于对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列；
嵌入编码模块，用于将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量；
双向注意力模块，用于将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵；以及
第一解码模块，用于将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值。
在上述超声波焊接PC片的智能化控制系统中，所述嵌入编码模块，包括：嵌入化单元，用于使用所述ViT模型的嵌入层对所述焊接面局部区域图像块的序列中的各个焊接面局部区域图像块进行向量嵌入化以得到焊接面图像块嵌入向量的序列；以及，转换编码单元，用于将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量。
与现有技术相比，本申请提供的超声波焊接PC片的智能化控制方法及系统，其获取被焊接PC片的焊接面拍摄图像；采用基于深度学习的人工智能技术，进行所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息的充分表达，以此来对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的超声波焊接PC片的智能化控制方法的场景示意图。
图2为根据本申请实施例的超声波焊接PC片的智能化控制方法的流程图。
图3为根据本申请实施例的超声波焊接PC片的智能化控制方法的架构示意图。
图4为根据本申请实施例的超声波焊接PC片的智能化控制方法中步骤140的子步骤的流程图。
图5为根据本申请实施例的超声波焊接PC片的智能化控制方法中步骤142的子步骤的流程图。
图6为根据本申请实施例的超声波焊接PC片的智能化控制方法中步骤150的子步骤的流程图。
图7为根据本申请实施例的超声波焊接PC片的智能化控制系统的框图。
图8为现有工艺通常加热管加热方式示意图。
图9为根据本申请实施例的空心塑胶铆柱的产品结构的示意图。
图10为根据本申请实施例的空心塑胶铆柱的构造结构的示意图。
图11为根据本申请实施例的焊接前状态的示意图。
图12为根据本申请实施例的焊接后状态的示意图。
图13为根据本申请实施例的系统原理框图。
图14为根据本申请实施例的工艺流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在3C电子、汽车新能源产品行业，常需将空心塑胶铆柱施加一定的压力温度使其形变，从而固定FPC或者其他扁平物体，通常的方式是通过加热的方式使塑胶制品软化，施加一定的压力使其发生形变实现的。本次创新是使用新的方法是采用高速摩擦的方式产生热量，从而融化塑胶制品接触面使其形变至预期状态。
如上所述，在超声波焊接时，控制超声波的振幅值和频率值对焊接效果至关重要。但是在实际生产中，超声波焊接的参数设置往往需要人工经验调整，难以达到最优的焊接效果。因此，期望一种优化的超声波焊接PC片的智能化控制方案。
相应地，考虑到在实际进行PC片的超声波焊接过程中，对于超声波的振幅值和频率值的控制尤为关键，由于不同的焊接面形貌特征会造成不同的能量反射和吸收，从而导致焊接的质量和效率出现差异。因此，在本申请的技术方案中，期望基于被焊接PC片的表面形貌特征来控制超声波焊接的振幅值和频率值以优化焊接效果，关于被焊接PC片的表面形貌特征可以通过对于被焊接PC片的焊接面拍摄图像的分析来进行刻画。但是，考虑到由于所述焊接面拍摄图像中存在有大量的干扰信息，导致图像中关于PC片焊接面的形貌特征信息变得模糊，影响后续的超声波焊接参数控制。并且，由于所述PC片焊接面的形貌特征信息在实际检测的过程中为小尺度的隐含特征，难以通过传统的特征提取方式进行捕捉。因此，在此过程中，难点在于如何进行所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息的充分表达，以此来对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。
近年来，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、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取被焊接PC片的焊接面拍摄图像。应可以理解，所述焊接面拍摄图像与背景颜色相近,会导致对比度不明显，也就是说，背景信息会影响到焊接面形貌隐含特征的提取和识别。如果将所述焊接面拍摄图像的原始图片直接放进编码器中进行图像特征提取,会影响最终对于超声波参数控制的精准度。因此，为了提高所述焊接面拍摄图像的对比度,以提高焊接面形貌隐含特征的表达能力，需要对原始图片进行图像预处理。也就是，对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像。具体来说，可以对图像进行灰度转换、图像标准化、对比度受限自适应直方图均衡化(CLAHE)和伽马校正。
进一步地，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进行所述预处理后焊接面拍摄图像的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述预处理后焊接面拍摄图像中关于所述被焊接PC片的焊接面形貌隐含特征为小尺度的细微特征，难以进行捕捉提取。因此，为了能够提高所述预处理后焊接面拍摄图像中关于焊接面形貌的隐含小尺度的细微特征的表达能力，以此来提高对于超声波参数控制的精准度，在本申请的技术方案中，对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列后，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型中进行编码，以提取出所述预处理后焊接面拍摄图像中关于所述被焊接PC片的焊接面形貌的隐含上下文语义关联特征分布信息，从而得到时域语义关联特征向量。应可以理解，在对于所述预处理后焊接面拍摄图像进行图像分块处理后的焊接面局部区域图像块的序列的各个焊接面局部区域图像块中关于焊接面形貌的小尺度隐含特征不再是小尺度的特征信息，有利于后续更精准地进行超声波的参数控制。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个焊接面局部区域图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述焊接面局部区域图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个焊接面局部区域图像块，以此来分别提取出所述各个焊接面局部区域图像块中基于所述预处理后焊接面拍摄图像整体的关于所述焊接面形貌的隐含上下文语义关联特征信息。
然后，还考虑到由于所述焊接面形貌特征复杂多样，保留和传递浅层细节特征对提高超声波参数控制的准确性非常重要。因此，可以在U-Net网络中,通过跳跃连接将特征提取的编码器所提取到的焊接面形貌特征信息直接传递到解码器,实现浅层特征与深层特征融合,补充解码器细节特征信息,但这种在同尺度之间特征直接传递的方式过于简单，没有对所述焊接面形貌特征信息进行筛选,进而无法有效对所述被焊接PC片的焊接面形貌进行检测。基于此，在本申请的技术方案中，进一步使用双向注意力机制模块来对所述多个上下文焊接面局部区域特征向量排列的二维特征矩阵进行处理以得到解码特征矩阵。这样，能够充分利用上下文信息来增强所述焊接面形貌的特征响应而抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个焊接面形貌特征信息的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
接着，进一步再将所述解码特征矩阵通过第一解码器中进行解码回归，以得到用于表示推荐的超声波焊接振幅值的第一解码值。也就是说，以在进行双向注意力增强后的所述焊接面形貌隐含特征信息来进行解码，以此来获取超声波焊接振幅值的推荐值，以对于超声波焊接振幅值进行自适应控制。值得一提的是，还可以将所述解码特征矩阵通过第二解码器中进行解码以得到第二解码值，所述第二解码值用于表示推荐的超声波焊接频率值，以此来对于超声波焊接频率值进行自适应控制，进而，优化焊接质量和效率。
特别地，在本申请的技术方案中，这里，所述双向注意力机制模块首先从所述多个上下文焊接面局部区域特征向量排列得到的所述二维特征矩阵基于所述二维特征矩阵的水平方向和垂直方向的注意力权重校准的关联特征提取而得到注意力特征矩阵，再将所述注意力特征矩阵与所述二维特征矩阵融合来得到所述解码特征矩阵，因此，在所述双向注意力机制模块进行特征提取的同时，所述注意力特征矩阵的特征分布相对于所述二维特征矩阵的特征分布在高维特征空间内就会存在空间迁移，因此，期望提升在具有空间迁移情况下的所述二维特征矩阵和所述注意力特征矩阵的融合效果。
因此，首先将所述二维特征矩阵和所述注意力特征矩阵展开为二维特征向量和注意力特征向量，再采用类转换器空间迁移置换融合来融合所述二维特征向量，例如记为V1和所述注意力特征向量，例如记为V2，具体表示为：
D(V1,V2)为向量之间的距离矩阵，即其第(i,j)位置的特征值是特征向量V1的第i个特征值v1i与特征向量V2的第j个特征值v2j之间的距离，d(V1,V2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量。
这里，所述类转换器空间迁移置换融合通过以所述二维特征向量V1和所述注意力特征向量V2的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了融合特征向量Vf在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过融合特征向量Vf相对于待融合的所述二维特征向量V1和所述注意力特征向量V2在转换器机制下的全局旋转和平移不变形，实现所述二维特征向量V1和所述注意力特征向量V2的特征分布的空间迁移可置换性。这样，再将所述融合特征向量Vf还原为所述解码特征矩阵，就提升了所述解码特征矩阵对所述二维特征矩阵和所述注意力特征矩阵的融合效果，从而提升了所述解码特征矩阵通过解码器得到的解码值的准确性。这样，能够基于实际焊接面形貌情况对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。
图1为根据本申请实施例的超声波焊接PC片的智能化控制方法的场景示意图。如图1所示，在该应用场景中，首先，获取被焊接PC片(例如，如图1中所示意的M)的焊接面拍摄图像(例如，如图1中所示意的C)；然后，将获取的焊接面拍摄图像输入至部署有超声波焊接PC片的智能化控制算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于超声波焊接PC片的智能化控制算法对所述焊接面拍摄图像进行处理，以生成用于表示推荐的超声波焊接振幅值的第一解码值。
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。
在本申请的一个实施例中，图2为根据本申请实施例的超声波焊接PC片的智能化控制方法的流程图。如图2所示，根据本申请实施例的超声波焊接PC片的智能化控制方法100，包括：110，获取被焊接PC片的焊接面拍摄图像；120，对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像；130，对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列；140，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量；150，将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵；以及，160，将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值。
图3为根据本申请实施例的超声波焊接PC片的智能化控制方法的架构示意图。如图3所示，在该网络架构中，首先，获取被焊接PC片的焊接面拍摄图像；然后，对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像；接着，对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列；然后，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量；接着，将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵；以及，最后，将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值。
具体地，在步骤110中，获取被焊接PC片的焊接面拍摄图像。如上所述，在超声波焊接时，控制超声波的振幅值和频率值对焊接效果至关重要。但是在实际生产中，超声波焊接的参数设置往往需要人工经验调整，难以达到最优的焊接效果。因此，期望一种优化的超声波焊接PC片的智能化控制方案。
相应地，考虑到在实际进行PC片的超声波焊接过程中，对于超声波的振幅值和频率值的控制尤为关键，由于不同的焊接面形貌特征会造成不同的能量反射和吸收，从而导致焊接的质量和效率出现差异。因此，在本申请的技术方案中，期望基于被焊接PC片的表面形貌特征来控制超声波焊接的振幅值和频率值以优化焊接效果，关于被焊接PC片的表面形貌特征可以通过对于被焊接PC片的焊接面拍摄图像的分析来进行刻画。但是，考虑到由于所述焊接面拍摄图像中存在有大量的干扰信息，导致图像中关于PC片焊接面的形貌特征信息变得模糊，影响后续的超声波焊接参数控制。并且，由于所述PC片焊接面的形貌特征信息在实际检测的过程中为小尺度的隐含特征，难以通过传统的特征提取方式进行捕捉。因此，在此过程中，难点在于如何进行所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息的充分表达，以此来对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。
近年来，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、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取被焊接PC片的焊接面拍摄图像。
具体地，在步骤120中，对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像。应可以理解，所述焊接面拍摄图像与背景颜色相近,会导致对比度不明显，也就是说，背景信息会影响到焊接面形貌隐含特征的提取和识别。如果将所述焊接面拍摄图像的原始图片直接放进编码器中进行图像特征提取,会影响最终对于超声波参数控制的精准度。
因此，为了提高所述焊接面拍摄图像的对比度,以提高焊接面形貌隐含特征的表达能力，需要对原始图片进行图像预处理。也就是，对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像。具体来说，可以对图像进行灰度转换、图像标准化、对比度受限自适应直方图均衡化(CLAHE)和伽马校正。
具体地，在步骤130中，对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列。进一步地，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进行所述预处理后焊接面拍摄图像的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述预处理后焊接面拍摄图像中关于所述被焊接PC片的焊接面形貌隐含特征为小尺度的细微特征，难以进行捕捉提取。
因此，为了能够提高所述预处理后焊接面拍摄图像中关于焊接面形貌的隐含小尺度的细微特征的表达能力，以此来提高对于超声波参数控制的精准度，在本申请的技术方案中，对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列
具体地，在步骤140中，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量。然后，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型中进行编码，以提取出所述预处理后焊接面拍摄图像中关于所述被焊接PC片的焊接面形貌的隐含上下文语义关联特征分布信息，从而得到时域语义关联特征向量。应可以理解，在对于所述预处理后焊接面拍摄图像进行图像分块处理后的焊接面局部区域图像块的序列的各个焊接面局部区域图像块中关于焊接面形貌的小尺度隐含特征不再是小尺度的特征信息，有利于后续更精准地进行超声波的参数控制。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个焊接面局部区域图像块线性投影为一维嵌入向量。
嵌入化的实现过程是先分别将各个所述焊接面局部区域图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个焊接面局部区域图像块，以此来分别提取出所述各个焊接面局部区域图像块中基于所述预处理后焊接面拍摄图像整体的关于所述焊接面形貌的隐含上下文语义关联特征信息。
图4为根据本申请实施例的超声波焊接PC片的智能化控制方法中步骤140的子步骤的流程图，如图4所示，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量，包括：141，使用所述ViT模型的嵌入层对所述焊接面局部区域图像块的序列中的各个焊接面局部区域图像块进行向量嵌入化以得到焊接面图像块嵌入向量的序列；以及，142，将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量。
应可以理解，自2017年Google提出的Transformer结构以来，迅速引发一波热潮，针对于NLP领域的，通过自注意力机制代替传统处理序列数据时采用的循环神经网络结构，不仅实现了并行训练，提升了训练的效率，同时也在应用中取得很好的结果。在NLP中，输入transformer中的是一个序列，而在视觉领域，需要考虑如何将一个2d图片转化为一个1d的序列，最直观的想法就是将图片中的像素点输入到transformer中，但是复杂度太高的问题。
而ViT模型对输入的改进可以降低复杂度，先将图片切分成一个个图像块，然后每一个图像块投影为固定长度的向量送入Transformer中，后续编码器的操作和原始Transformer中完全相同。但是因为对图片分类，因此在输入序列中加入一个特殊的标记，该标记对应的输出即为最后的类别预测。ViT在很多视觉任务上都展现了相当优秀的性能，但是和CNN(Convolutional Neural Network，卷积神经网络)相比，缺少归纳偏置让ViT应用于小数据集时非常依赖模型正则化(model regularization)和数据增广(dataaugmentation)。
图5为根据本申请实施例的超声波焊接PC片的智能化控制方法中步骤142的子步骤的流程图，如图5所示，将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量，包括：1421，将所述焊接面图像块嵌入向量的序列进行一维排列以得到焊接面全局特征向量；1422，计算所述焊接面全局特征向量与所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；1423，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；1424，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，1425，分别以所述多个概率值中各个概率值作为权重对所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量进行加权以得到所述多个上下文焊接面局部区域特征向量。
上下文编码旨在挖掘得到词序列中上下文之间的隐藏模式，基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳，因此基于Bi-LSTM(Long Short-Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在步骤150中，将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵。然后，还考虑到由于所述焊接面形貌特征复杂多样，保留和传递浅层细节特征对提高超声波参数控制的准确性非常重要。因此，可以在U-Net网络中,通过跳跃连接将特征提取的编码器所提取到的焊接面形貌特征信息直接传递到解码器,实现浅层特征与深层特征融合,补充解码器细节特征信息,但这种在同尺度之间特征直接传递的方式过于简单，没有对所述焊接面形貌特征信息进行筛选,进而无法有效对所述被焊接PC片的焊接面形貌进行检测。
基于此，在本申请的技术方案中，进一步使用双向注意力机制模块来对所述多个上下文焊接面局部区域特征向量排列的二维特征矩阵进行处理以得到解码特征矩阵。这样，能够充分利用上下文信息来增强所述焊接面形貌的特征响应而抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个焊接面形貌特征信息的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
图6为根据本申请实施例的超声波焊接PC片的智能化控制方法中步骤150的子步骤的流程图，如图6所示，将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵，包括：151，将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵；152，将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；153，对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；154，将所述双向关联矩阵输入作为特征提取器的卷积神经网络模型以得到注意力特征矩阵；155，将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；156，融合所述二维特征向量和所述注意力特征向量以得到融合特征向量；以及，157，将所述融合特征向量进行维度重构以得到所述解码特征矩阵。
进一步地，将所述双向关联矩阵输入作为特征提取器的卷积神经网络模型以得到注意力特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述注意力特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述双向关联矩阵。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
特别地，在本申请的技术方案中，这里，所述双向注意力机制模块首先从所述多个上下文焊接面局部区域特征向量排列得到的所述二维特征矩阵基于所述二维特征矩阵的水平方向和垂直方向的注意力权重校准的关联特征提取而得到注意力特征矩阵，再将所述注意力特征矩阵与所述二维特征矩阵融合来得到所述解码特征矩阵，因此，在所述双向注意力机制模块进行特征提取的同时，所述注意力特征矩阵的特征分布相对于所述二维特征矩阵的特征分布在高维特征空间内就会存在空间迁移，因此，期望提升在具有空间迁移情况下的所述二维特征矩阵和所述注意力特征矩阵的融合效果。
因此，首先将所述二维特征矩阵和所述注意力特征矩阵展开为二维特征向量和注意力特征向量，再采用类转换器空间迁移置换融合来融合所述二维特征向量，例如记为V1和所述注意力特征向量，例如记为V2，具体表示为：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合所述二维特征向量和所述注意力特征向量以得到所述融合特征向量；其中，所述融合公式为：
其中，V1和V2分别是所述二维特征向量和所述注意力特征向量，D(V1,V2)为向量之间的距离矩阵，d(V1,V2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和⊙分别表示特征向量的逐位置相加、相减和相乘，/>表示矩阵乘法，Mask(·)表示Mask函数，Vf是所述融合特征向量，v1i表示所述二维特征向量第i个位置的特征值，v2j表示所述注意力特征向量第j个位置的特征值。
这里，所述类转换器空间迁移置换融合通过以所述二维特征向量V1和所述注意力特征向量V2的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了融合特征向量Vf在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过融合特征向量Vf相对于待融合的所述二维特征向量V1和所述注意力特征向量V2在转换器机制下的全局旋转和平移不变形，实现所述二维特征向量V1和所述注意力特征向量V2的特征分布的空间迁移可置换性。这样，再将所述融合特征向量Vf还原为所述解码特征矩阵，就提升了所述解码特征矩阵对所述二维特征矩阵和所述注意力特征矩阵的融合效果，从而提升了所述解码特征矩阵通过解码器得到的解码值的准确性。这样，能够基于实际焊接面形貌情况对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。
具体地，在步骤160中，将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值。接着，进一步再将所述解码特征矩阵通过第一解码器中进行解码回归，以得到用于表示推荐的超声波焊接振幅值的第一解码值。也就是说，以在进行双向注意力增强后的所述焊接面形貌隐含特征信息来进行解码，以此来获取超声波焊接振幅值的推荐值，以对于超声波焊接振幅值进行自适应控制。值得一提的是，还可以将所述解码特征矩阵通过第二解码器中进行解码以得到第二解码值，所述第二解码值用于表示推荐的超声波焊接频率值，以此来对于超声波焊接频率值进行自适应控制，进而，优化焊接质量和效率。
其中，将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值，包括：使用所述第一解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述第一解码值；其中，所述解码公式为： 其中，Md表示所述解码特征矩阵，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
进一步地，所述超声波焊接PC片的智能化控制方法，还包括：将所述解码特征矩阵通过第二解码器以得到第二解码值，所述第二解码值用于表示推荐的超声波焊接频率值。
综上，基于本申请实施例的超声波焊接PC片的智能化控制方法100被阐明，其获取被焊接PC片的焊接面拍摄图像；采用基于深度学习的人工智能技术，进行所述焊接面拍摄图像中关于被焊接PC片的焊接面形貌隐含特征分布信息的充分表达，以此来对于超声波焊接参数进行自适应控制，从而优化焊接质量和效率。
在本申请的一个实施例中，图7为根据本申请实施例的超声波焊接PC片的智能化控制系统的框图。如图7所示，根据本申请实施例的超声波焊接PC片的智能化控制系统200，包括：图像获取模块210，用于获取被焊接PC片的焊接面拍摄图像；图像预处理模块220，用于对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像；图像分块处理模块230，用于对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列；嵌入编码模块240，用于将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量；双向注意力模块250，用于将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵；以及，第一解码模块260，用于将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值。
在一个具体示例中，在上述超声波焊接PC片的智能化控制系统中，所述嵌入编码模块，包括：嵌入化单元，用于使用所述ViT模型的嵌入层对所述焊接面局部区域图像块的序列中的各个焊接面局部区域图像块进行向量嵌入化以得到焊接面图像块嵌入向量的序列；以及，转换编码单元，用于将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量。
在一个具体示例中，在上述超声波焊接PC片的智能化控制系统中，所述转换编码单元，包括：排列子单元，用于将所述焊接面图像块嵌入向量的序列进行一维排列以得到焊接面全局特征向量；自注意力子单元，用于计算所述焊接面全局特征向量与所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；概率值计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，加权子单元，用于分别以所述多个概率值中各个概率值作为权重对所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量进行加权以得到所述多个上下文焊接面局部区域特征向量。
在一个具体示例中，在上述超声波焊接PC片的智能化控制系统中，所述双向注意力模块，包括：矩阵排列单元，用于将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵；池化单元，用于将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；特征提取单元，用于将所述双向关联矩阵输入作为特征提取器的卷积神经网络模型以得到注意力特征矩阵；向量展开单元，用于将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；融合单元，用于融合所述二维特征向量和所述注意力特征向量以得到融合特征向量；以及，维度重构单元，用于将所述融合特征向量进行维度重构以得到所述解码特征矩阵。
在一个具体示例中，在上述超声波焊接PC片的智能化控制系统中，所述特征提取单元，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述注意力特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述双向关联矩阵。
在一个具体示例中，在上述超声波焊接PC片的智能化控制系统中，所述融合单元，用于：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合所述二维特征向量和所述注意力特征向量以得到所述融合特征向量；其中，所述融合公式为：
其中，V1和V2分别是所述二维特征向量和所述注意力特征向量，D(V1,V2)为向量之间的距离矩阵，d(V1,V2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和⊙分别表示特征向量的逐位置相加、相减和相乘，/>表示矩阵乘法，Mask(·)表示Mask函数，Vf是所述融合特征向量，v1i表示所述二维特征向量第i个位置的特征值，v2j表示所述注意力特征向量第j个位置的特征值。
在一个具体示例中，在上述超声波焊接PC片的智能化控制系统中，所述第一解码模块，用于：使用所述第一解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述第一解码值；其中，所述解码公式为：其中，Md表示所述解码特征矩阵，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
在一个具体示例中，在上述超声波焊接PC片的智能化控制系统中，还包括第二解码模块，用于：将所述解码特征矩阵通过第二解码器以得到第二解码值，所述第二解码值用于表示推荐的超声波焊接频率值。
这里，本领域技术人员可以理解，上述超声波焊接PC片的智能化控制系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的超声波焊接PC片的智能化控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
现有工艺通常加热管加热方式产生热量，具体操作动作流程如图8所示，此类工艺通常是通过上部铆头加热和加压的方式对塑胶铆柱进行软化变形，此类工艺存在以下技术缺陷：1.加热需要消耗较大电能；2.整个铆接过程包括：升温时间、保持时间和冷却时间，所以整个用时较长，效率不高；3.吸塑性塑胶柱因为中心是空的，热铆效果不是很理想，具体体现表面光滑度不好和保持力不够。
空心塑胶铆柱的产品，比如通过吸塑工艺制作的塑料铆柱，需要通过外部介质和压力使其头部发生形变(变大)，从而固定其穿入通过的物体。通过该方案的实施，焊接效果明显，主要体现在铆接外观和铆主的包保持力上。
在本申请的一个实施例中，如图9和图10所示，超声波铆接空心塑性制品，采用低振幅、高频率振动能量使表面和分子摩擦产生焊接相连塑性制件所需的热量。超声波焊接在25-35HZ的频率范围内发生，其一般振幅范围为20-40um，焊接时间根据被焊物尺寸。焊接工艺变量包括焊机时间、焊头位置和焊接压力。超声波焊接设备通常用来焊接较小尺寸的空心塑料制品，对于较大的制品可采用多点焊接。
在本申请的一个实施例中，将所述超声波焊接PC片的智能化控制系统应用在新能源产品的CCS产线上，对于吸塑工艺生成的空心铆柱进行超声铆接，上焊头在铆柱上通过水平方向高频震动产生热量，通过焊头压力使铆柱融化形变，如图11是焊接前状态，上焊头还没有接触铆柱，图12是焊接后状态，铆柱是铆接后的蘑菇形状。
在本申请中，所述超声波焊接PC片的智能化控制系统原理为：如图13所示，通过换能器，电能转换为机械能，调幅器调整振幅通过上焊头传达到铆柱。其工艺流程为：如图14，按照这个顺序进行工艺加工，可以手动操作，也可以完全自动化操作。
如上所述，根据本申请实施例的超声波焊接PC片的智能化控制系统200可以实现在各种终端设备中，例如用于超声波焊接PC片的智能化控制的服务器等。在一个示例中，根据本申请实施例的超声波焊接PC片的智能化控制系统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，该超声波焊接PC片的智能化控制系统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，该超声波焊接PC片的智能化控制系统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，该超声波焊接PC片的智能化控制系统200与该终端设备也可以是分立的设备，并且超声波焊接PC片的智能化控制系统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。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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 (1)

1.一种超声波焊接PC片的智能化控制方法，其特征在于，包括：
获取被焊接PC片的焊接面拍摄图像；
对所述焊接面拍摄图像进行图像预处理以得到预处理后焊接面拍摄图像；
对所述预处理后焊接面拍摄图像进行图像分块处理以得到焊接面局部区域图像块的序列；
将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量；
将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵；以及
将所述解码特征矩阵通过第一解码器以得到第一解码值，所述第一解码值用于表示推荐的超声波焊接振幅值；
其中，将所述焊接面局部区域图像块的序列通过包含嵌入层的ViT模型以得到多个上下文焊接面局部区域特征向量，包括：
使用所述ViT模型的嵌入层对所述焊接面局部区域图像块的序列中的各个焊接面局部区域图像块进行向量嵌入化以得到焊接面图像块嵌入向量的序列；以及
将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量；
其中，将所述焊接面图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个上下文焊接面局部区域特征向量，包括：
将所述焊接面图像块嵌入向量的序列进行一维排列以得到焊接面全局特征向量；
计算所述焊接面全局特征向量与所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
分别以所述多个概率值中各个概率值作为权重对所述焊接面图像块嵌入向量的序列中各个焊接面图像块嵌入向量进行加权以得到所述多个上下文焊接面局部区域特征向量；
其中，将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵后通过双向注意力机制模块以得到解码特征矩阵，包括：
将所述多个上下文焊接面局部区域特征向量排列为二维特征矩阵；
将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入作为特征提取器的卷积神经网络模型以得到注意力特征矩阵；
将所述二维特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到二维特征向量和注意力特征向量；
融合所述二维特征向量和所述注意力特征向量以得到融合特征向量；以及
将所述融合特征向量进行维度重构以得到所述解码特征矩阵；
其中，将所述双向关联矩阵输入作为特征提取器的卷积神经网络模型以得到注意力特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述注意力特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述双向关联矩阵；
其中，融合所述二维特征向量和所述注意力特征向量以得到融合特征向量，包括：
通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合所述二维特征向量和所述注意力特征向量以得到所述融合特征向量；
其中，所述融合公式为：
其中，V1和V2分别是所述二维特征向量和所述注意力特征向量，D(V1,V2)为向量之间的距离矩阵，d(V1,V2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和⊙分别表示特征向量的逐位置相加、相减和相乘，/>表示矩阵乘法，Mask(·)表示Mask函数，Vf是所述融合特征向量，v1i表示所述二维特征向量第i个位置的特征值，v2j表示所述注意力特征向量第j个位置的特征值。
CN202310532292.2A 2023-05-12 2023-05-12 超声波焊接pc片的智能化控制方法及系统 Active CN116533529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310532292.2A CN116533529B (zh) 2023-05-12 2023-05-12 超声波焊接pc片的智能化控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310532292.2A CN116533529B (zh) 2023-05-12 2023-05-12 超声波焊接pc片的智能化控制方法及系统

Publications (2)

Publication Number Publication Date
CN116533529A CN116533529A (zh) 2023-08-04
CN116533529B true CN116533529B (zh) 2023-09-29

Family

ID=87443128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310532292.2A Active CN116533529B (zh) 2023-05-12 2023-05-12 超声波焊接pc片的智能化控制方法及系统

Country Status (1)

Country Link
CN (1) CN116533529B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252926B (zh) * 2023-11-20 2024-02-02 南昌工控机器人有限公司 基于视觉定位的手机壳辅料智能装配控制系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106003694A (zh) * 2015-03-25 2016-10-12 通用汽车环球科技运作有限责任公司 用于将翘曲工件接合到另一个工件的系统和方法
CN107107235A (zh) * 2014-11-05 2017-08-29 伊利诺斯工具制品有限公司 控制焊接系统相机曝光和标记物照明的系统和方法
CN109213861A (zh) * 2018-08-01 2019-01-15 上海电力学院 结合At_GRU神经网络与情感词典的旅游评价情感分类方法
CN110222784A (zh) * 2019-06-13 2019-09-10 郑州轻工业学院 融合短时和长时深度特征的太阳能电池片缺陷检测方法
CN114998744A (zh) * 2022-07-18 2022-09-02 中国农业大学 基于运动与视觉双特征融合的农机轨迹田路分割方法
CN115601772A (zh) * 2022-12-15 2023-01-13 南京邮电大学（Cn） 一种基于多模态学习的美学质量评价模型和方法
CN115860271A (zh) * 2023-02-21 2023-03-28 杭州唛扑网络科技有限公司 艺术设计用方案管理系统及其方法
CN116048031A (zh) * 2023-03-31 2023-05-02 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9333704B2 (en) * 2012-09-17 2016-05-10 Apple Inc. Ultrasonic welding
US9324155B2 (en) * 2014-03-10 2016-04-26 General Electric Company Systems and methods for determining parameters for image analysis

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107107235A (zh) * 2014-11-05 2017-08-29 伊利诺斯工具制品有限公司 控制焊接系统相机曝光和标记物照明的系统和方法
CN106003694A (zh) * 2015-03-25 2016-10-12 通用汽车环球科技运作有限责任公司 用于将翘曲工件接合到另一个工件的系统和方法
CN109213861A (zh) * 2018-08-01 2019-01-15 上海电力学院 结合At_GRU神经网络与情感词典的旅游评价情感分类方法
CN110222784A (zh) * 2019-06-13 2019-09-10 郑州轻工业学院 融合短时和长时深度特征的太阳能电池片缺陷检测方法
CN114998744A (zh) * 2022-07-18 2022-09-02 中国农业大学 基于运动与视觉双特征融合的农机轨迹田路分割方法
CN115601772A (zh) * 2022-12-15 2023-01-13 南京邮电大学（Cn） 一种基于多模态学习的美学质量评价模型和方法
CN115860271A (zh) * 2023-02-21 2023-03-28 杭州唛扑网络科技有限公司 艺术设计用方案管理系统及其方法
CN116048031A (zh) * 2023-03-31 2023-05-02 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法

Also Published As

Publication number Publication date
CN116533529A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN113688723B (zh) 一种基于改进YOLOv5的红外图像行人目标检测方法
CN109344288B (zh) 一种基于多模态特征结合多层注意力机制的结合视频描述方法
CN109035251B (zh) 一种基于多尺度特征解码的图像轮廓检测方法
CN116533529B (zh) 超声波焊接pc片的智能化控制方法及系统
CN109635661B (zh) 一种基于卷积神经网络的远场无线充电接收目标检测方法
CN113516152B (zh) 一种基于复合图像语义的图像描述方法
CN109766790B (zh) 一种基于自适应特征通道的行人检测方法
CN107463928A (zh) 基于ocr和双向lstm的文字序列纠错算法、系统及其设备
Cai et al. Multiscale attentive image de-raining networks via neural architecture search
Liu et al. Griddehazenet+: An enhanced multi-scale network with intra-task knowledge transfer for single image dehazing
CN113033276A (zh) 一种基于转换模块的行为识别方法
Zhang et al. Hybrid cross deep network for domain adaptation and energy saving in visual internet of things
CN112418235A (zh) 一种基于膨胀最近邻特征增强的点云语义分割方法
CN113807214B (zh) 基于deit附属网络知识蒸馏的小目标人脸识别方法
CN115713546A (zh) 移动终端设备用的轻量化目标跟踪算法
Fu et al. Learning heavily-degraded prior for underwater object detection
CN117191821B (zh) 一种基于Deformable-DAB-DETR的高透光菲涅尔透镜实时检测方法
Shen et al. Fishrecgan: An end to end gan based network for fisheye rectification and calibration
Lan et al. Infrared dim and small targets detection via self-attention mechanism and pipeline correlator
CN117238019A (zh) 基于时空相对变换的视频人脸表情类别识别方法和系统
Tan et al. Wide Residual Network for Vision-based Static Hand Gesture Recognition.
CN113378598B (zh) 一种基于深度学习的动态条码检测方法
CN116100171A (zh) 非金属激光切割机及其控制方法
CN116311493A (zh) 一种基于编码解码架构的两阶段人-物交互检测方法
Basrur et al. Food Recognition using Transfer Learning

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