CN116851856B - 纯水线切割加工工艺及其系统 - Google Patents

纯水线切割加工工艺及其系统 Download PDF

Info

Publication number
CN116851856B
CN116851856B CN202310302605.5A CN202310302605A CN116851856B CN 116851856 B CN116851856 B CN 116851856B CN 202310302605 A CN202310302605 A CN 202310302605A CN 116851856 B CN116851856 B CN 116851856B
Authority
CN
China
Prior art keywords
cut
training
feature map
decoding
neural network
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
CN202310302605.5A
Other languages
English (en)
Other versions
CN116851856A (zh
Inventor
俞强
金达
金苗兴
亚历山大·桑科
鲍里斯·普里达尔尼
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.)
ZHEJIANG OMNIPOTENT SPRING MACHINE CO Ltd
Original Assignee
ZHEJIANG OMNIPOTENT SPRING MACHINE 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 ZHEJIANG OMNIPOTENT SPRING MACHINE CO Ltd filed Critical ZHEJIANG OMNIPOTENT SPRING MACHINE CO Ltd
Priority to CN202310302605.5A priority Critical patent/CN116851856B/zh
Publication of CN116851856A publication Critical patent/CN116851856A/zh
Application granted granted Critical
Publication of CN116851856B publication Critical patent/CN116851856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H11/00—Auxiliary apparatus or details, not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23H—WORKING OF METAL BY THE ACTION OF A HIGH CONCENTRATION OF ELECTRIC CURRENT ON A WORKPIECE USING AN ELECTRODE WHICH TAKES THE PLACE OF A TOOL; SUCH WORKING COMBINED WITH OTHER FORMS OF WORKING OF METAL
    • B23H7/00—Processes or apparatus applicable to both electrical discharge machining and electrochemical machining
    • B23H7/02—Wire-cutting
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能加工领域，其具体地公开了一种纯水线切割加工工艺及其系统，其通过采用基于深度学习的神经网络模型挖掘出被切割工件的材质特征信息和厚度特征信息，以此基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。

Description

纯水线切割加工工艺及其系统
技术领域
本申请涉及智能加工领域，且更为具体地，涉及一种纯水线切割加工工艺及其系统。
背景技术
线切割机经过不断的优化改进和长期实践发展，实现了多次切割工艺的广泛应用，目前市场上通用的国产机器，都是基于人工试验现场尝试确定后的加工工艺数据库来控制加工精度，机器的整个加工过程是静态的。但是，在实际的切割过程中，大部分的加工件不会是一块平板，同一材质加工过程中的切割厚度是变量，会存在阶梯性突变、缓慢渐变等各种工况。
因此，期待一种优化的纯水线切割加工系统，其能够对于同一加工工件中的不同材质、不同厚度的切割部分进行放电功率自适应调整。
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纯水线切割加工工艺及其系统，其通过采用基于深度学习的神经网络模型挖掘出被切割工件的材质特征信息和厚度特征信息，以此基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。
根据本申请的一个方面，提供了一种纯水线切割加工系统，其包括：图像采集模块，用于获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；材质特征提取模块，用于将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；厚度特征提取模块，用于将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；切割特征融合模块，用于融合所述材质特征图和所述厚度表征特征图以得到解码特征图；幅值生成模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。
在上述纯水线切割加工系统中，所述材质特征提取模块，用于：从所述第一卷积神经网络模型的浅层提取浅层特征图；从所述第一卷积神经网络模型的深层提取深层特征图；以及，融合所述浅层特征图和所述深层特征图以得到所述材质特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在上述纯水线切割加工系统中，所述厚度特征提取模块，用于：使用所述作为过滤器的第二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：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述厚度表征特征图，所述作为过滤器的第二卷积神经网络的第一层的输入为所述被切割工件的待切割区域的截面图像。
在上述纯水线切割加工系统中，所述切割特征融合模块，用于：以如下级联公式来融合所述材质特征图和所述厚度表征特征图以得到解码特征图；其中，所述级联公式为：其中，/>表示所述材质特征图，/>表示所述厚度表征特征图，表示级联函数，/>表示所述解码特征图。
在上述纯水线切割加工系统中，还包括用于对所述包含深浅特征融合模块的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练的训练模块。
在上述纯水线切割加工系统中，所述训练模块，包括：训练数据采集模块，用于获取由所述第一摄像头采集的被切割工件的待切割区域的训练表面图像和由所述第二摄像采集的所述被切割工件的待切割区域的训练截面图像，以及，所述当前时间点的脉冲信号的推荐幅值的真实值；训练材质特征提取模块，用于将所述被切割工件的待切割区域的训练表面图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练材质特征图；训练厚度特征提取模块，用于将所述被切割工件的待切割区域的训练截面图像通过所述作为过滤器的第二卷积神经网络模型以得到训练厚度表征特征图；训练切割特征融合模块，用于融合所述训练材质特征图和所述训练厚度表征特征图以得到训练解码特征图；解码损失模块，用于将所述训练解码特征图通过所述解码器以得到解码损失函数值；以及，训练模块，用于基于所述解码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第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在上述纯水线切割加工系统中，所述解码损失模块，用于：使用所述解码器以如下公式将所述训练解码特征图进行解码回归以获得解码损失函数值；其中，所述公式为： ，其中/>表示所述训练解码特征图，/>是所述解码值，/>是权重矩阵，表示矩阵相乘。
在上述纯水线切割加工系统中，在所述训练的每一轮迭代中，以如下公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述公式为：其中/>是所述解码器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，/>表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示迭代后的所述解码器的权重矩阵。
根据本申请的另一方面，提供了一种纯水线切割加工工艺，其包括：获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；融合所述材质特征图和所述厚度表征特征图以得到解码特征图；将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的纯水线切割加工工艺。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的纯水线切割加工工艺。
与现有技术相比，本申请提供的一种纯水线切割加工工艺及其系统，其通过采用基于深度学习的神经网络模型挖掘出被切割工件的材质特征信息和厚度特征信息，以此基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。
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纯水线切割加工系统的场景示意图；
图2为根据本申请实施例的纯水线切割加工系统的框图；
图3为根据本申请实施例的纯水线切割加工系统的框图；
图4为根据本申请实施例的纯水线切割加工系统中推断模块的系统架构图；
图5为根据本申请实施例的纯水线切割加工系统中训练模块的系统架构图；
图6为根据本申请实施例的纯水线切割加工系统中第一卷积神经网络编码的流程图；
图7为根据本申请实施例的纯水线切割加工系统中第二卷积神经网络编码的流程图；
图8为根据本申请实施例的纯水线切割加工工艺的流程图；
图9为根据本申请实施例的电子设备的框图。
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：如前背景技术所言，在实际的切割过程中，大部分的加工件不会是一块平板，同一材质加工过程中的切割厚度是变量，会存在阶梯性突变、缓慢渐变等各种工况。因此，期待一种优化的纯水线切割加工系统，其能够对于同一加工工件中的不同材质、不同厚度的切割部分进行放电功率自适应调整。
相应地，在本申请的技术方案中，考虑到通过被切割工件的待切割区域的表面图像可观察其材质特性，而通过被切割工件的待切割区域的截面图像则可以得出其厚度信息（包括厚度绝对量和厚度变化量），因此，可基于对被切割工件的待切割区域的表面图像和截面图像的图像分析来自适应地调整脉冲信号的幅值。但是，由于所述被切割工件的待切割区域的表面图像和截面图像中都存在有较多的图像信息量，而关于所述被切割工件的材质特征信息和厚度特征信息在图像中皆为小尺度的隐含特征，难以进行捕捉提取，进而也就降低了对于脉冲信号的幅值控制精准度，使得放电功率不能满足加工工件的实际加工变化情况，降低了切割加工的质量。因此，在此过程中，难点在于如何充分且准确度挖掘出所述被切割工件的材质特征信息和厚度特征信息，以此基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。
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。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挖掘所述被切割工件的材质特征信息和厚度特征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，通过第一摄像头采集被切割工件的待切割区域的表面图像，并且通过第二摄像采集所述被切割工件的待切割区域的截面图像。接着，对于所述被切割工件的待切割区域的表面图像来说，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被切割工件的待切割区域的表面图像的特征挖掘。特别地，考虑到在对于所述被切割工件的待切割区域的表面图像的隐藏特征进行提取时，为了能够更准确地检测出所述被切割工件的材质特性，以实现对于同一加工工件中的不同材质的切割部分进行放电功率自适应调整，需要更加关注于所述被切割工件的待切割区域的表面图像的颜色、纹理等浅层特征，这些所述浅层特征对于所述被切割工件的材质特性检测具有重要意义，然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。
基于此，在本申请的技术方案中，使用包含深浅特征融合模块的第一卷积神经网络模型来对所述被切割工件的待切割区域的表面图像进行处理以得到材质特征图。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被切割工件的待切割区域的表面浅层特征和深层特征，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，以提高所述被切割工件的材质特性检测的精准度。
然后，对于所述被切割工件的待切割区域的截面图像来说，考虑到所述被切割工件的厚度信息在整合加工过程中是不断变化的，也就是说，所述被切割工件的待切割区域的截面图像中关于所述被切割工件的厚度特征信息（包括厚度绝对量特征和厚度相对变化量特征）具有着不确定的变化特性，难以进行捕捉提取。因此，在本申请的技术方案中，为了提高对于所述被切割工件的厚度特征信息提取的精准度，使用在图像的隐含特征提取方面具有优异表现性能的作为过滤器的第二卷积神经网络模型来进行所述被切割工件的待切割区域的截面图像的特征挖掘，以提取出图像中关于所述被切割工件的厚度高维隐含特征分布信息，从而得到具有所述被切割工件厚度特征的厚度表征特征图。
进一步地，在得到所述被切割工件的材质特性特征和厚度特征后，进一步再融合所述材质特征图和所述厚度表征特征图，以此来融合所述被切割工件的材质隐含特征和厚度隐含特征信息，并以此作为解码特征图来进行解码回归，得到用于表示当前时间点的脉冲信号的推荐幅值的解码值。这样，能够基于实际的被切割工件的材质变化和厚度变化来自适应地调整脉冲信号的幅值，以优化切割加工的质量。
特别地，在本申请的技术方案中，这里，在融合所述材质特征图和所述厚度表征特征图得到所述解码特征图时，为了充分利用所述材质特征图表达的融合深层和浅层特征的材质特征和所述厚度表征特征图表达的截面图像的图像语义特征，优选地通过沿通道维度直接级联所述材质特征图和所述厚度表征特征图来得到所述解码特征图，但是，考虑到所述材质特征图和所述厚度表征特征图的特征分布之间的差异，级联之后的所述解码特征图的特征分布会同时偏离所述材质特征图和所述厚度表征特征图的特征表示的高维特征分布，从而使得在训练过程中所述解码器的权重矩阵的收敛速度慢，影响了模型的整体训练速度。
因此，在本申请的技术方案中，本申请的申请人在每次解码器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：其中/>是所述解码器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，例如可以初始设置为单位矩阵。
所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于特征所表达的特定模式的语义依赖程度，从而使得权重空间反应出所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升模型的整体训练速度。这样，能够实时准确地基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。
基于此，本申请提出了一种纯水线切割加工系统，其包括：图像采集模块，用于获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；材质特征提取模块，用于将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；厚度特征提取模块，用于将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；切割特征融合模块，用于融合所述材质特征图和所述厚度表征特征图以得到解码特征图；幅值生成模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。
图1为根据本申请实施例的纯水线切割加工系统的场景示意图。如图1所示，在该应用场景中，通过第一摄像头（例如，如图1中所示意的C1）获取被切割工件的待切割区域的表面图像（例如，如图1中所示意的F1）；以及，通过第二摄像头（例如，如图1中所示意的C2）获取所述被切割工件的待切割区域的截面图像（例如，如图1中所示意的F2）。接着，将上述图像输入至部署有用于纯水线切割加工算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述纯水线切割加工算法对上述输入的图像进行处理，以生成解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。
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。
示例性系统：图2为根据本申请实施例的纯水线切割加工系统的框图。如图2所示，根据本申请实施例的纯水线切割加工系统300包括推断模块，其中，所述推断模块包括：图像采集模块310；材质特征提取模块320；厚度特征提取模块330；切割特征融合模块340；幅值生成模块350。
其中，所述图像采集模块310，用于获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；所述材质特征提取模块320，用于将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；所述厚度特征提取模块330，用于将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；所述切割特征融合模块340，用于融合所述材质特征图和所述厚度表征特征图以得到解码特征图；所述幅值生成模块350，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。
图4为根据本申请实施例的纯水线切割加工系统中推断模块的系统架构图。如图4所示，在所述纯水线切割加工系统300的系统架构中，在推断过程中，首先通过所述图像采集模块310获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；接着，所述材质特征提取模块320将所述图像采集模块310获的被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；所述厚度特征提取模块330将所述图像采集模块310获的被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；然后，所述切割特征融合模块340融合所述材质特征提取模块320得到的材质特征图和所述厚度特征提取模块330得到的厚度表征特征图以得到解码特征图；进而，所述幅值生成模块350将所述切割特征融合模块340融合所得的解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。
具体地，在所述纯水线切割加工系统300的运行过程中，所述图像采集模块310，用于获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像。应可以理解，考虑到通过被切割工件的待切割区域的表面图像可观察其材质特性，而通过被切割工件的待切割区域的截面图像则可以得出其厚度信息，其中，所述厚度信息包括厚度绝对量和厚度变化量，因此，在本申请的技术方案中，可基于对被切割工件的待切割区域的表面图像和截面图像的图像分析来自适应地调整脉冲信号的幅值，因此，在本申请的一个具体示例中，首先，通过通过第一摄像头采集被切割工件的待切割区域的表面图像，并且通过第二摄像采集所述被切割工件的待切割区域的截面图像。
具体地，在所述纯水线切割加工系统300的运行过程中，所述材质特征提取模块320，用于将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图。对于所述被切割工件的待切割区域的表面图像来说，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被切割工件的待切割区域的表面图像的特征挖掘。特别地，考虑到在对于所述被切割工件的待切割区域的表面图像的隐藏特征进行提取时，为了能够更准确地检测出所述被切割工件的材质特性，以实现对于同一加工工件中的不同材质的切割部分进行放电功率自适应调整，需要更加关注于所述被切割工件的待切割区域的表面图像的颜色、纹理等浅层特征，这些所述浅层特征对于所述被切割工件的材质特性检测具有重要意义，然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，在本申请的技术方案中，采用深浅融合的第一卷积神经网络模型对所述被切割工件的待切割区域的表面图像进行处理以得到材质特征图。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被切割工件的待切割区域的表面浅层特征和深层特征，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，以提高所述被切割工件的材质特性检测的精准度。
图6为根据本申请实施例的纯水线切割加工系统中第一卷积神经网络编码的流程图。如图6所示，在所述第一卷积神经网络的编码过程中，包括：S210,从所述第一卷积神经网络模型的浅层提取浅层特征图；S220,从所述第一卷积神经网络模型的深层提取深层特征图；以及，S230,融合所述浅层特征图和所述深层特征图以得到所述材质特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
具体地，在所述纯水线切割加工系统300的运行过程中，所述厚度特征提取模块330，用于将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图。应可以理解，所述被切割工件的厚度信息在整合加工过程中会不断变化，也就是，所述被切割工件的待切割区域的截面图像中关于所述被切割工件的厚度特征信息，即厚度绝对量特征和厚度相对变化量特征具有不确定的变化特性，难以进行特征的捕捉提取，因此，在本申请的技术方案中，使用在图像的隐含特征提取方面具有优异表现性能的作为过滤器的第二卷积神经网络模型来进行所述被切割工件的待切割区域的截面图像的特征挖掘，以提取出图像中关于所述被切割工件的厚度高维隐含特征分布信息，从而得到具有所述被切割工件厚度特征的厚度表征特征图。所述在一个具体示例中，所述第二卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第二卷积神经网络的编码过程中，所述第二卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图7为根据本申请实施例的纯水线切割加工系统中第二卷积神经网络编码的流程图。如图7所示，在所述第二卷积神经网络的额编码过程中，包括：使用所述作为过滤器的第二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：S310，对输入数据进行卷积处理以得到卷积特征图；S320，对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，S330，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述厚度表征特征图，所述作为过滤器的第二卷积神经网络的第一层的输入为所述被切割工件的待切割区域的截面图像。
具体地，在所述纯水线切割加工系统300的运行过程中，所述切割特征融合模块340，用于融合所述材质特征图和所述厚度表征特征图以得到解码特征图。也就是，融合所述材质特征图和所述厚度表征特征图以此来融合所述被切割工件的材质隐含特征和厚度隐含特征信息，在本申请的一个具体示例中，可通过级联的方式来融合所述材质特征图和所述厚度表征特征图以得到所述解码特征图。更具体地，以如下级联公式来融合所述材质特征图和所述厚度表征特征图以得到解码特征图；其中，所述级联公式为：其中，/>表示所述材质特征图，/>表示所述厚度表征特征图，表示级联函数，/>表示所述解码特征图。
具体地，在所述纯水线切割加工系统300的运行过程中，所述幅值生成模块350，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。也就是，在本申请的技术方案中，将所述解码特征图通过解码器进行解码回归以得到解码值，更具体地，在本申请的一个具体示例中，使用所述解码器以如下公式将所述解码特征图进行解码回归以获得解码损失函数值；
其中，所述公式为： ，其中/>表示所述训练解码特征图，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述包含深浅特征融合模块的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练。也就是说，在本申请的纯水线切割加工系统中，还包括训练模块，用于对所述包含深浅特征融合模块的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练。
图3为根据本申请实施例的纯水线切割加工系统的框图。如图3所示，根据本申请实施例的纯水线切割加工系统300，还包括训练模块400，所述训练模块包括：训练数据采集模块410；训练材质特征提取模块420；训练厚度特征提取模块430；训练切割特征融合模块440；解码损失模块450；以及，训练模块460。
其中，所述训练数据采集模块410，用于获取由所述第一摄像头采集的被切割工件的待切割区域的训练表面图像和由所述第二摄像采集的所述被切割工件的待切割区域的训练截面图像，以及，所述当前时间点的脉冲信号的推荐幅值的真实值；所述训练材质特征提取模块420，用于将所述被切割工件的待切割区域的训练表面图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练材质特征图；所述训练厚度特征提取模块430，用于将所述被切割工件的待切割区域的训练截面图像通过所述作为过滤器的第二卷积神经网络模型以得到训练厚度表征特征图；所述训练切割特征融合模块440，用于融合所述训练材质特征图和所述训练厚度表征特征图以得到训练解码特征图；所述解码损失模块450，用于将所述训练解码特征图通过所述解码器以得到解码损失函数值；以及，所述训练模块460，用于基于所述解码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第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
图5为根据本申请实施例的纯水线切割加工系统中训练模块的系统架构图。如图5所示，在所述纯水线切割加工系统300的系统架构中，在训练模块400中，首先通过所述训练数据采集模块410获取由所述第一摄像头采集的被切割工件的待切割区域的训练表面图像和由所述第二摄像采集的所述被切割工件的待切割区域的训练截面图像，以及，所述当前时间点的脉冲信号的推荐幅值的真实值；接着，所述训练材质特征提取模块420将所述训练数据采集模块410获取的被切割工件的待切割区域的训练表面图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练材质特征图；所述训练厚度特征提取模块430将所述训练数据采集模块410获取的被切割工件的待切割区域的训练截面图像通过所述作为过滤器的第二卷积神经网络模型以得到训练厚度表征特征图；然后，所述训练切割特征融合模块440融合所述训练材质特征提取模块420得到的训练材质特征图和所述训练厚度特征提取模块430得到的训练厚度表征特征图以得到训练解码特征图；所述解码损失模块450将所述训练切割特征融合模块440融合所得的训练解码特征图通过所述解码器以得到解码损失函数值；进而，所述训练模块460基于所述解码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第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
特别地，在本申请的技术方案中，这里，在融合所述材质特征图和所述厚度表征特征图得到所述解码特征图时，为了充分利用所述材质特征图表达的融合深层和浅层特征的材质特征和所述厚度表征特征图表达的截面图像的图像语义特征，优选地通过沿通道维度直接级联所述材质特征图和所述厚度表征特征图来得到所述解码特征图，但是，考虑到所述材质特征图和所述厚度表征特征图的特征分布之间的差异，级联之后的所述解码特征图的特征分布会同时偏离所述材质特征图和所述厚度表征特征图的特征表示的高维特征分布，从而使得在训练过程中所述解码器的权重矩阵的收敛速度慢，影响了模型的整体训练速度。因此，在本申请的技术方案中，本申请的申请人在每次解码器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：其中/>是所述解码器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，/>表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示迭代后的所述解码器的权重矩阵。所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于特征所表达的特定模式的语义依赖程度，从而使得权重空间反应出所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升模型的整体训练速度。这样，能够实时准确地基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。综上，根据本申请实施例的纯水线切割加工系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出被切割工件的材质特征信息和厚度特征信息，以此基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。
如上所述，根据本申请实施例的纯水线切割加工系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的纯水线切割加工系统300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，该纯水线切割加工系统300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，该纯水线切割加工系统300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，该纯水线切割加工系统300与该终端设备也可以是分立的设备，并且该纯水线切割加工系统300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8为根据本申请实施例的纯水线切割加工工艺的流程图。如图8所示，根据本申请实施例的纯水线切割加工工艺，包括步骤：S110，获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；S120，将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；S130，将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；S140，融合所述材质特征图和所述厚度表征特征图以得到解码特征图；S150，将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值。
在一个示例中，在上述纯水线切割加工工艺中，所述步骤S120，包括：从所述第一卷积神经网络模型的浅层提取浅层特征图；从所述第一卷积神经网络模型的深层提取深层特征图；以及，融合所述浅层特征图和所述深层特征图以得到所述材质特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在一个示例中，在上述纯水线切割加工工艺中，所述步骤S130，包括：使用所述作为过滤器的第二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：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述厚度表征特征图，所述作为过滤器的第二卷积神经网络的第一层的输入为所述被切割工件的待切割区域的截面图像。
在一个示例中，在上述纯水线切割加工工艺中，所述步骤S140，包括：以如下级联公式来融合所述材质特征图和所述厚度表征特征图以得到解码特征图；其中，所述级联公式为：其中，/>表示所述材质特征图，/>表示所述厚度表征特征图，/>表示级联函数，/>表示所述解码特征图。
综上，根据本申请实施例的纯水线切割加工工艺被阐明，其通过采用基于深度学习的神经网络模型挖掘出被切割工件的材质特征信息和厚度特征信息，以此基于实际的被切割工件的加工变化情况来自适应地调整脉冲信号的幅值，以优化切割加工的质量。
示例性电子设备：下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的纯水线切割加工系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如解码特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的纯水线切割加工工艺中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的纯水线切割加工工艺中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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 (6)

1.一种纯水线切割加工系统，其特征在于，包括：
图像采集模块，用于获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；
材质特征提取模块，用于将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；
厚度特征提取模块，用于将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；
切割特征融合模块，用于融合所述材质特征图和所述厚度表征特征图以得到解码特征图；
幅值生成模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值；
其中，还包括用于对所述包含深浅特征融合模块的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练的训练模块；
其中，所述训练模块，包括：
训练数据采集模块，用于获取由所述第一摄像头采集的被切割工件的待切割区域的训练表面图像和由所述第二摄像采集的所述被切割工件的待切割区域的训练截面图像，以及，所述当前时间点的脉冲信号的推荐幅值的真实值；
训练材质特征提取模块，用于将所述被切割工件的待切割区域的训练表面图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练材质特征图；
训练厚度特征提取模块，用于将所述被切割工件的待切割区域的训练截面图像通过所述作为过滤器的第二卷积神经网络模型以得到训练厚度表征特征图；
训练切割特征融合模块，用于融合所述训练材质特征图和所述训练厚度表征特征图以得到训练解码特征图；
解码损失模块，用于将所述训练解码特征图通过所述解码器以得到解码损失函数值；以及
训练模块，用于基于所述解码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第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，所述解码损失模块，用于：使用所述解码器以如下公式将所述训练解码特征图进行解码回归以获得解码损失函数值；
其中，所述公式为：其中X表示所述训练解码特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘；
其中，在所述训练的每一轮迭代中，以如下公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，所述公式为：
其中M是所述解码器的权重矩阵，||·||F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M′表示迭代后的所述解码器的权重矩阵。
2.根据权利要求1所述的纯水线切割加工系统，其特征在于，所述材质特征提取模块，用于：
从所述第一卷积神经网络模型的浅层提取浅层特征图；
从所述第一卷积神经网络模型的深层提取深层特征图；以及
融合所述浅层特征图和所述深层特征图以得到所述材质特征图；
其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
3.根据权利要求2所述的纯水线切割加工系统，其特征在于，所述厚度特征提取模块，用于：使用所述作为过滤器的第二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：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述厚度表征特征图，所述作为过滤器的第二卷积神经网络的第一层的输入为所述被切割工件的待切割区域的截面图像。
4.根据权利要求3所述的纯水线切割加工系统，其特征在于，所述切割特征融合模块，用于：以如下级联公式来融合所述材质特征图和所述厚度表征特征图以得到解码特征图；
其中，所述级联公式为：
Fc＝Concat[F1，F2]
其中，F1表示所述材质特征图，F2表示所述厚度表征特征图，Concat[·，·]表示级联函数，Fc表示所述解码特征图。
5.一种纯水线切割加工工艺，其特征在于，包括：
获取由第一摄像头采集的被切割工件的待切割区域的表面图像和由第二摄像采集的所述被切割工件的待切割区域的截面图像；
将所述被切割工件的待切割区域的表面图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到材质特征图；
将所述被切割工件的待切割区域的截面图像通过作为过滤器的第二卷积神经网络模型以得到厚度表征特征图；
融合所述材质特征图和所述厚度表征特征图以得到解码特征图；
将所述解码特征图通过解码器以得到解码值，所述解码值用于表示当前时间点的脉冲信号的推荐幅值；
其中，还包括：对所述包含深浅特征融合模块的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练；
其中，对所述包含深浅特征融合模块的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练，包括：
获取由所述第一摄像头采集的被切割工件的待切割区域的训练表面图像和由所述第二摄像采集的所述被切割工件的待切割区域的训练截面图像，以及，所述当前时间点的脉冲信号的推荐幅值的真实值；
将所述被切割工件的待切割区域的训练表面图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练材质特征图；
将所述被切割工件的待切割区域的训练截面图像通过所述作为过滤器的第二卷积神经网络模型以得到训练厚度表征特征图；
融合所述训练材质特征图和所述训练厚度表征特征图以得到训练解码特征图；
将所述训练解码特征图通过所述解码器以得到解码损失函数值；以及
基于所述解码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第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，将所述训练解码特征图通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下公式将所述训练解码特征图进行解码回归以获得解码损失函数值；
其中，所述公式为：其中X表示所述训练解码特征图，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘；
其中，在所述训练的每一轮迭代中，以如下公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，所述公式为：
其中M是所述解码器的权重矩阵，||·||F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M′表示迭代后的所述解码器的权重矩阵。
6.根据权利要求5所述的一种纯水线切割加工工艺，其特征在于，融合所述材质特征图和所述厚度表征特征图以得到解码特征图，包括：以如下级联公式来融合所述材质特征图和所述厚度表征特征图以得到解码特征图；
其中，所述级联公式为：
Fc＝Concat[F1，F2]
其中，F1表示所述材质特征图，F2表示所述厚度表征特征图，Concat[·，·]表示级联函数，Fc表示所述解码特征图。
CN202310302605.5A 2023-03-27 2023-03-27 纯水线切割加工工艺及其系统 Active CN116851856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310302605.5A CN116851856B (zh) 2023-03-27 2023-03-27 纯水线切割加工工艺及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310302605.5A CN116851856B (zh) 2023-03-27 2023-03-27 纯水线切割加工工艺及其系统

Publications (2)

Publication Number Publication Date
CN116851856A CN116851856A (zh) 2023-10-10
CN116851856B true CN116851856B (zh) 2024-05-10

Family

ID=88223974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310302605.5A Active CN116851856B (zh) 2023-03-27 2023-03-27 纯水线切割加工工艺及其系统

Country Status (1)

Country Link
CN (1) CN116851856B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117087023B (zh) * 2023-10-17 2024-06-25 杭州泓芯微半导体有限公司 一种双工位线切割机及其控制方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016013928A (ja) * 2014-06-12 2016-01-28 日本電気硝子株式会社 ガラスパネル体の切断方法
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN109784258A (zh) * 2019-01-08 2019-05-21 华南理工大学 一种基于多尺度特征切割与融合的行人重识别方法
CN112085741A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于深度学习的胃癌病理切片分割算法
CN112767251A (zh) * 2021-01-20 2021-05-07 重庆邮电大学 基于多尺度细节特征融合神经网络的图像超分辨率方法
CN113076966A (zh) * 2020-01-06 2021-07-06 字节跳动有限公司 图像处理方法及装置、神经网络的训练方法、存储介质
CN113196186A (zh) * 2018-12-19 2021-07-30 百超激光有限公司 激光切割方法的自动参数化
CN113592018A (zh) * 2021-08-10 2021-11-02 大连大学 基于残差密集网络和梯度损失的红外光与可见光图像融合方法
CN113763386A (zh) * 2021-07-13 2021-12-07 合肥工业大学 基于多尺度特征融合的手术器械图像智能分割方法和系统
CN115631138A (zh) * 2022-09-27 2023-01-20 华中科技大学 一种锆合金板材激光切割质量监检测方法与装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3446820A1 (en) * 2017-08-22 2019-02-27 Agie Charmilles SA Wire electrical discharge machining method
EP3886056A1 (en) * 2020-03-16 2021-09-29 Stryker Australia PTY LTD Automated cut planning for removal of diseased regions

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016013928A (ja) * 2014-06-12 2016-01-28 日本電気硝子株式会社 ガラスパネル体の切断方法
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN113196186A (zh) * 2018-12-19 2021-07-30 百超激光有限公司 激光切割方法的自动参数化
CN109784258A (zh) * 2019-01-08 2019-05-21 华南理工大学 一种基于多尺度特征切割与融合的行人重识别方法
CN113076966A (zh) * 2020-01-06 2021-07-06 字节跳动有限公司 图像处理方法及装置、神经网络的训练方法、存储介质
CN112085741A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于深度学习的胃癌病理切片分割算法
CN112767251A (zh) * 2021-01-20 2021-05-07 重庆邮电大学 基于多尺度细节特征融合神经网络的图像超分辨率方法
CN113763386A (zh) * 2021-07-13 2021-12-07 合肥工业大学 基于多尺度特征融合的手术器械图像智能分割方法和系统
CN113592018A (zh) * 2021-08-10 2021-11-02 大连大学 基于残差密集网络和梯度损失的红外光与可见光图像融合方法
CN115631138A (zh) * 2022-09-27 2023-01-20 华中科技大学 一种锆合金板材激光切割质量监检测方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
模具快走丝放电线切割工艺的神经网络模拟与优化;罗蓬;贵州工业大学学报(自然科学版);20001025(第05期) *

Also Published As

Publication number Publication date
CN116851856A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN111259940B (zh) 一种基于空间注意力地图的目标检测方法
CN110490239B (zh) 图像质控网络的训练方法、质量分类方法、装置及设备
CN107633513A (zh) 基于深度学习的3d图像质量的度量方法
CN109635763B (zh) 一种人群密度估计方法
CN109005398B (zh) 一种基于卷积神经网络的立体图像视差匹配方法
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN116851856B (zh) 纯水线切割加工工艺及其系统
CN111639186B (zh) 动态嵌入投影门控的多类别多标签文本分类模型及装置
CN115761900B (zh) 用于实训基地管理的物联网云平台
CN117058622A (zh) 污水处理设备的智能监测系统及其方法
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN116720004A (zh) 推荐理由生成方法、装置、设备及存储介质
CN115564766A (zh) 水轮机蜗壳座环的制备方法及其系统
CN116245513A (zh) 基于规则库的自动化运维系统及其方法
CN116038147A (zh) 激光金属切割机及其控制方法
CN116030018A (zh) 用于门加工的来料合格检验系统及方法
CN115147931A (zh) 基于detr的人物成对解码交互的人与物交互检测方法
CN116091414A (zh) 一种基于深度学习的心血管图像识别方法及其系统
CN112749737A (zh) 图像分类方法及装置、电子设备、存储介质
CN115205788A (zh) 食材质量监控系统
CN104008177A (zh) 面向图像语义标注的规则库结构优化与生成方法及系统
CN114998373A (zh) 基于多尺度损失函数的改进型U-Net云图分割方法
CN116821745B (zh) 智能线切割慢走丝设备的控制方法及其系统
CN116467485A (zh) 一种视频图像检索构建系统及其方法
CN117456236A (zh) 一种3d点云数据零样本分类方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant