CN117079031A - 铁氟龙线路板钻孔加工系统及其方法 - Google Patents

铁氟龙线路板钻孔加工系统及其方法 Download PDF

Info

Publication number
CN117079031A
CN117079031A CN202311047817.XA CN202311047817A CN117079031A CN 117079031 A CN117079031 A CN 117079031A CN 202311047817 A CN202311047817 A CN 202311047817A CN 117079031 A CN117079031 A CN 117079031A
Authority
CN
China
Prior art keywords
feature
processing
vector
matrix
vectors
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.)
Pending
Application number
CN202311047817.XA
Other languages
English (en)
Inventor
陈星�
徐龙祥
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.)
Jiangxi Weiergao Electronics Co ltd
Original Assignee
Jiangxi Weiergao Electronics 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 Jiangxi Weiergao Electronics Co ltd filed Critical Jiangxi Weiergao Electronics Co ltd
Priority to CN202311047817.XA priority Critical patent/CN117079031A/zh
Publication of CN117079031A publication Critical patent/CN117079031A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00—Apparatus or processes for manufacturing printed circuits
    • H05K3/0011—Working of insulating substrates or insulating layers
    • H05K3/0044—Mechanical working of the substrate, e.g. drilling or punching
    • H05K3/0047—Drilling of holes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能加工领域，其具体公开了一种铁氟龙线路板钻孔加工系统及其方法，其使用基于深度神经网络模型的人工智能技术来对槽孔的加工情况和槽刀加工速度进行特征编码和提取，以得到用于表示当前时间点槽刀的加工速度应该增大或者减小的分类标签，这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。

Description

铁氟龙线路板钻孔加工系统及其方法
技术领域
本申请涉及智能加工领域，且更为具体的涉及一种铁氟龙线路板钻孔加工系统及其方法。
背景技术
铁氟龙(PTFE)板料，在钻孔生产时，孔内若有毛刺残留，面板孔有扩孔现象。使用刀具缠丝，槽孔经常会有毛刺堵孔，需要人工手工检查和修理，不仅影响产品交期，而且影响品质，容易因修理不良造成孔无铜，影响客户元器件插件和焊接。
因此，期待一种优化的铁氟龙线路板钻孔加工方案。
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铁氟龙线路板钻孔加工系统及其方法，其使用基于深度神经网络模型的人工智能技术来对槽孔的加工情况和槽刀加工速度进行特征编码和提取，以得到用于表示当前时间点槽刀的加工速度应该增大或者减小的分类标签，这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
根据本申请的一个方面，提供了一种铁氟龙线路板钻孔加工系统，其包括：
数据获取模块，用于获取槽孔加工监控视频以及多个预定时间点的加工速度值；
关键帧提取模块，用于从所述槽孔加工监控视频中提取出多个监控关键帧；
时间注意力模块，用于将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图；
语义编码模块，用于将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量；
时序编码模块，用于将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量；
响应性估计模块，用于计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
结果生成模块，用于将所述优化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当前时间点的槽刀的加工速度应增大或减小。
在上述的铁氟龙线路板钻孔加工系统中，所述时间注意力模块，包括：
相邻帧提取单元，用于从所述多个监控关键帧中提取相邻的第一监控关键帧和第二监控关键帧；
第一卷积编码单元，用于将所述第一监控关键帧所述第二监控关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；
时间注意力单元，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；
注意力激活单元，用于将所述时间注意力图输入Softmax激活函数以得到时间注意力特征图；
第二卷积编码单元，用于将所述第二监控关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；
注意力施加单元，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二监控关键帧的时间注意力特征图。
在上述的铁氟龙线路板钻孔加工系统中，所述语义编码模块，包括：
向量构造单元，用于将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量；
编码单元，用于将所述多个局部加工特征向量通过基于转换器的上下文编码器以得到多个加工特征向量；
级联单元，用于将所述多个加工特征向量进行级联以得到全局加工特征向量。
在上述的铁氟龙线路板钻孔加工系统中，所述编码单元，包括：
查询向量构造子单元，用于将所述多个局部加工特征向量排列为输入向量；
向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
关注度计算子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；
注意力施加子单元，用于将所述自注意力特征矩阵与所述各个局部加工特征向量分别相乘得到所述多个加工特征向量。
在上述的铁氟龙线路板钻孔加工系统中，所述时序编码模块，包括：
输入向量构造单元，用于将所述多个预定时间点的加工速度值按照时间维度排列为加工速度输入向量；
归一化映射单元，用于将所述加工速度输入向量进行基于最大值的归一化处理以得到归一化后加工速度输入向量；
特征提取单元，用于使用所述时序编码器的全连接层对所述归一化后加工速度输入向量进行全连接编码以提取所述归一化后加工速度输入向量中各个位置的特征值的高维隐含特征；
一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后加工速度输入向量进行一维编码以提取所述归一化后加工速度输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在上述的铁氟龙线路板钻孔加工系统中，所述响应性估计模块，用于：
以如下响应性估计公式计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性估计公式为：
其中Va表示所述加工速度特征向量，Vb表示所述全局加工特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述的铁氟龙线路板钻孔加工系统中，所述优化模块，包括：
融合单元，用于融合所述加工速度特征向量和所述全局加工特征向量以得到融合特征向量；
转置单元，用于将所述融合特征向量和其自身的转置进行相乘以得到融合特征矩阵；
优化单元，用于通过融合所述融合特征矩阵和分类特征矩阵以得到优化分类特征矩阵。
在上述的铁氟龙线路板钻孔加工系统中，所述融合单元，包括：
协方差子单元，用于分别计算所述加工速度特征向量和所述全局加工特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；
第一分解子单元，用于对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；
第二分解子单元，用于对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；
基提取子单元，用于从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；
映射子单元，用于将所述加工速度特征向量和所述全局加工特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；
按位加权子单元，用于计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
在上述的铁氟龙线路板钻孔加工系统中，所述结果生成模块，包括：
展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；
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；
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。
根据本申请的另一方面，还提供了一种铁氟龙线路板钻孔加工方法，其包括：
获取槽孔加工监控视频以及多个预定时间点的加工速度值；
从所述槽孔加工监控视频中提取出多个监控关键帧；
将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图；
将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量；
将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量；
计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵；
对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
将所述优化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当前时间点的槽刀的加工速度应增大或减小。
与现有技术相比，本申请提供的铁氟龙线路板钻孔加工系统及其方法，其使用基于深度神经网络模型的人工智能技术来对槽孔的加工情况和槽刀加工速度进行特征编码和提取，以得到用于表示当前时间点槽刀的加工速度应该增大或者减小的分类标签，这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
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图示了根据本申请实施例的铁氟龙线路板钻孔加工系统的框图。
图2图示了根据本申请实施例的铁氟龙线路板钻孔加工系统的系统架构图。
图3图示了根据本申请实施例的铁氟龙线路板钻孔加工系统中时间注意力模块的框图。
图4图示了根据本申请实施例的铁氟龙线路板钻孔加工系统中时序编码模块的框图。
图5图示了根据本申请实施例的铁氟龙线路板钻孔加工方法的流程图。
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，铁氟龙(PTFE)板料，在钻孔生产时，孔内若有毛刺残留，面板孔有扩孔现象。使用刀具缠丝，槽孔经常会有毛刺堵孔，需要人工手工检查和修理，不仅影响产品交期，而且影响品质，容易因修理不良造成孔无铜，影响客户元器件插件和焊接。因此，期待一种优化的铁氟龙线路板钻孔加工方案。
针对上述技术问题，本申请通过设计极小直径槽刀的钻带，可以实现圆角槽孔和直角槽孔的特殊加工方式，以达到槽孔无毛刺、提升加工效率和品质的目标。但由于槽刀直径较小，加工速度应适当控制，避免过高的转速导致刀具磨损或加工质量下降。
具体地，本申请提出了一种优化的铁氟龙线路板钻孔加工方案，其使用基于深度神经网络模型的人工智能技术来对槽孔的加工情况和槽刀加工速度进行特征编码和提取，以得到用于表示当前时间点槽刀的加工速度应该增大或者减小的分类标签，这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
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铁氟龙线路板钻孔加工系统提供了新的解决思路和方案。
具体地，首先，获取槽孔加工监控视频以及多个预定时间点的加工速度值。应可以理解，槽孔的表面质量，包括毛刺、光洁度和粗糙度等与槽刀的加工速度密切相关。槽孔加工监控视频记录了实际的加工过程，可以提供详细的视觉信息。通过对监控视频的分析，可以获取槽孔的形状、质量以及加工过程中可能出现的问题，如毛刺、偏差等。
然后，从所述槽孔加工监控视频中提取出多个监控关键帧。考虑到槽孔加工监控视频通常是连续的，包含大量的帧图像。直接使用全部帧图像可能会导致数据量过大，增加处理和存储的成本。通过提取关键帧，可以选择性地保留具有重要信息的帧图像，从而减少数据量。关键帧通常包含了加工过程中的关键特征，如槽孔的形状、质量、加工工具的位置等。通过提取关键帧，可以将注意力集中在这些关键特征上，便于后续的特征提取和分析，从而更好地理解和控制加工过程。
接着，将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图。关键帧中包含了加工过程中的重要信息，如槽孔的形状、质量、加工工具的位置等。通过使用卷积神经网络模型，可以从关键帧中提取这些关键信息，形成加工监控特征图。这些特征图可以更好地表示加工过程的状态和特征，为后续的分析和决策提供更丰富的信息。加工过程是一个动态的过程，关键帧之间可能存在较大的变化。使用时间注意力机制可以对关键帧进行加权，更加关注加工过程中的关键时刻和变化。通过卷积神经网络模型对这些加权后的关键帧进行处理，可以捕捉加工过程的动态变化，并生成更具代表性的加工监控特征图。
然后，将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量。加工监控特征图中的每个特征矩阵代表了不同的特征信息，如边缘、纹理、形状等。将这些特征矩阵沿通道维度展开为局部加工特征向量可以更细粒度地捕捉到局部特征信息。每个局部加工特征向量对应一个特征矩阵的局部区域，有助于分析和理解该区域的特征。基于转换器的上下文编码器可以对局部加工特征向量进行上下文建模，即考虑局部特征向量之间的关系和依赖。通过编码器的自注意力机制，可以捕捉到不同局部特征向量之间的关联性，帮助理解加工过程中的整体上下文信息。通过上述步骤，得到的全局加工特征向量将整合了局部特征的信息，并且具有更高层次的抽象表示能力。这种全局加工特征向量能够更好地表示加工过程的整体特征和状态，有助于后续的分析、决策和控制。
接着，将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量。加工速度是一个随时间变化的序列，它反映了加工过程中速度的动态变化情况。通过将多个预定时间点的加工速度值排列为加工速度输入向量，可以保留加工速度的时序信息。时序编码器可以捕捉到加工速度序列中不同时间点之间的关联性和依赖关系。通过建模序列中的上下文信息，可以更好地理解加工速度的整体趋势和变化规律。
然后，计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵。通过计算响应性估计，可以揭示加工速度和全局特征之间的关系。这有助于发现加工速度与特定类别的全局特征之间的相关性，进一步加深对加工过程中因果关系和相互作用的理解。基于响应性估计，可以将加工速度特征向量和全局加工特征向量结合起来，得到分类特征矩阵。分类特征矩阵综合考虑了加工速度和全局特征的信息，能够更好地表示不同类别的加工特征。
进而，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当前时间点的槽刀的加工速度应增大或减小。这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
进一步地，加工监控特征图通过卷积神经网络模型提取，包含了从监控视频中提取的多个关键帧的信息。这些关键帧捕捉到了加工过程中的重要细节和变化。然而，单独使用加工监控特征图可能无法充分捕捉到加工过程中的动态变化和速度信息。加工速度特征向量通过时序编码器从多个预定时间点的加工速度值中提取。加工速度是加工过程中的重要指标，可以反映材料的切削状态、刀具磨损情况以及加工过程的稳定性等信息。融合加工速度特征向量可以提供加工过程的动态信息，使得特征表示更加完整。融合加工速度特征向量和全局加工特征向量可以综合利用加工过程中的静态和动态信息，从而更好地表示加工过程的特征。这种融合可以增强特征的表达能力，提高分类任务的准确性和鲁棒性。
特别地，考虑到加工速度特征向量和全局加工特征向量是通过对不同源的数据进行不同编码以得到的，因此加工速度特征向量和全局加工特征向量具有不同的特征流形模态，如果直接融合加工速度特征向量和全局加工特征向量可能存在一些问题。首先，这两种特征具有不同的维度和模态，直接融合可能导致特征空间中的冗余或信息丢失。其次，加工速度特征向量和全局加工特征向量可能在特征空间中具有不同的尺度和分布，直接融合可能会导致特征的不平衡或偏差。因此，将加工速度特征向量和全局加工特征向量映射到一个公共的低维稀疏中介空间中进行融合。
具体地，融合加工速度特征向量和全局加工特征向量以得到融合特征向量，包括：分别计算所述加工速度特征向量和所述全局加工特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；将所述加工速度特征向量和所述全局加工特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
将具有不同特征流形模态的加工速度特征向量和全局加工特征向量通过类单应变换映射到一个公共的低维稀疏中介空间以将不同模态的语义特征在低维稀疏空间中进行线性嵌入融合以得到一个更具有表达能力和判别能力的融合特征向量。也就是，将高维特征向量的特征融合问题转化为低维特征空间类单应性映射和低维空间线性融合的问题，通过这样的方式，增加了所述融合特征向量的可解释性和鲁棒性。
然后，将融合特征向量和其自身的转置进行相乘以得到融合特征矩阵。从而通过计算特征向量之间的相关性，将特征的内部结构信息编码到特征矩阵中。接着，通过融合所述融合特征矩阵和分类特征矩阵以得到优化分类特征矩阵，从而进一步优化分类特征矩阵的特征表示，提高最终分类结果的准确性。
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1图示了根据本申请实施例的铁氟龙线路板钻孔加工系统的框图。如图1所示，根据本申请实施例的铁氟龙线路板钻孔加工系统100，包括：数据获取模块110，用于获取槽孔加工监控视频以及多个预定时间点的加工速度值；关键帧提取模块120，用于从所述槽孔加工监控视频中提取出多个监控关键帧；时间注意力模块130，用于将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图；语义编码模块140，用于将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量；时序编码模块150，用于将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量；响应性估计模块160，用于计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵；优化模块170，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；以及结果生成模块180，用于将所述优化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当前时间点的槽刀的加工速度应增大或减小。
图2图示了根据本申请实施例的铁氟龙线路板钻孔加工系统的系统架构图。如图2所示，在该系统架构中，首先，获取槽孔加工监控视频以及多个预定时间点的加工速度值。然后，从所述槽孔加工监控视频中提取出多个监控关键帧。接着，将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图。然后，将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量。接着，将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量。然后，计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵。接着，对所述分类特征矩阵进行优化以得到优化分类特征矩阵。进而，将所述优化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当前时间点的槽刀的加工速度应增大或减小。
在上述的铁氟龙线路板钻孔加工系统100中，所述数据获取模块110，用于获取槽孔加工监控视频以及多个预定时间点的加工速度值。如上述背景技术所言，铁氟龙(PTFE)板料，在钻孔生产时，孔内若有毛刺残留，面板孔有扩孔现象。使用刀具缠丝，槽孔经常会有毛刺堵孔，需要人工手工检查和修理，不仅影响产品交期，而且影响品质，容易因修理不良造成孔无铜，影响客户元器件插件和焊接。因此，期待一种优化的铁氟龙线路板钻孔加工方案。
针对上述技术问题，本申请通过设计极小直径槽刀的钻带，可以实现圆角槽孔和直角槽孔的特殊加工方式，以达到槽孔无毛刺、提升加工效率和品质的目标。但由于槽刀直径较小，加工速度应适当控制，避免过高的转速导致刀具磨损或加工质量下降。
具体地，本申请提出了一种优化的铁氟龙线路板钻孔加工方案，其使用基于深度神经网络模型的人工智能技术来对槽孔的加工情况和槽刀加工速度进行特征编码和提取，以得到用于表示当前时间点槽刀的加工速度应该增大或者减小的分类标签，这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
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铁氟龙线路板钻孔加工系统提供了新的解决思路和方案。
具体地，首先，获取槽孔加工监控视频以及多个预定时间点的加工速度值。应可以理解，槽孔的表面质量，包括毛刺、光洁度和粗糙度等与槽刀的加工速度密切相关。槽孔加工监控视频记录了实际的加工过程，可以提供详细的视觉信息。通过对监控视频的分析，可以获取槽孔的形状、质量以及加工过程中可能出现的问题，如毛刺、偏差等。
在上述的铁氟龙线路板钻孔加工系统100中，所述关键帧提取模块120，用于从所述槽孔加工监控视频中提取出多个监控关键帧。考虑到槽孔加工监控视频通常是连续的，包含大量的帧图像。直接使用全部帧图像可能会导致数据量过大，增加处理和存储的成本。通过提取关键帧，可以选择性地保留具有重要信息的帧图像，从而减少数据量。关键帧通常包含了加工过程中的关键特征，如槽孔的形状、质量、加工工具的位置等。通过提取关键帧，可以将注意力集中在这些关键特征上，便于后续的特征提取和分析，从而更好地理解和控制加工过程。
具体地，在本申请实施例中，所述关键帧提取模块120，用于将所述槽孔加工监控视频按照预定的采样频率提取出多个监控关键帧。
在上述的铁氟龙线路板钻孔加工系统100中，所述时间注意力模块130，用于将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图。关键帧中包含了加工过程中的重要信息，如槽孔的形状、质量、加工工具的位置等。通过使用卷积神经网络模型，可以从关键帧中提取这些关键信息，形成加工监控特征图。这些特征图可以更好地表示加工过程的状态和特征，为后续的分析和决策提供更丰富的信息。加工过程是一个动态的过程，关键帧之间可能存在较大的变化。使用时间注意力机制可以对关键帧进行加权，更加关注加工过程中的关键时刻和变化。通过卷积神经网络模型对这些加权后的关键帧进行处理，可以捕捉加工过程的动态变化，并生成更具代表性的加工监控特征图。
图3图示了根据本申请实施例的铁氟龙线路板钻孔加工系统中时间注意力模块的框图。如图3所示，所述时间注意力模块130，包括：相邻帧提取单元131，用于从所述多个监控关键帧中提取相邻的第一监控关键帧和第二监控关键帧；第一卷积编码单元132，用于将所述第一监控关键帧所述第二监控关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；时间注意力单元133，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；注意力激活单元134，用于将所述时间注意力图输入Softmax激活函数以得到时间注意力特征图；第二卷积编码单元135，用于将所述第二监控关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；以及注意力施加单元136，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二监控关键帧的时间注意力特征图。
在上述的铁氟龙线路板钻孔加工系统100中，所述语义编码模块140，用于将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量。加工监控特征图中的每个特征矩阵代表了不同的特征信息，如边缘、纹理、形状等。将这些特征矩阵沿通道维度展开为局部加工特征向量可以更细粒度地捕捉到局部特征信息。每个局部加工特征向量对应一个特征矩阵的局部区域，有助于分析和理解该区域的特征。基于转换器的上下文编码器可以对局部加工特征向量进行上下文建模，即考虑局部特征向量之间的关系和依赖。通过编码器的自注意力机制，可以捕捉到不同局部特征向量之间的关联性，帮助理解加工过程中的整体上下文信息。通过上述步骤，得到的全局加工特征向量将整合了局部特征的信息，并且具有更高层次的抽象表示能力。这种全局加工特征向量能够更好地表示加工过程的整体特征和状态，有助于后续的分析、决策和控制。
具体地，在本申请实施例中，所述语义编码模块140，包括：向量构造单元，用于将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量；编码单元，用于将所述多个局部加工特征向量通过基于转换器的上下文编码器以得到多个加工特征向量；以及级联单元，用于将所述多个加工特征向量进行级联以得到全局加工特征向量。
具体地，在本申请实施例中，所述编码单元，包括：查询向量构造子单元，用于将所述多个局部加工特征向量排列为输入向量；向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；关注度计算子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及注意力施加子单元，用于将所述自注意力特征矩阵与所述各个局部加工特征向量分别相乘得到所述多个加工特征向量。
在上述的铁氟龙线路板钻孔加工系统100中，所述时序编码模块150，用于将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量。加工速度是一个随时间变化的序列，它反映了加工过程中速度的动态变化情况。通过将多个预定时间点的加工速度值排列为加工速度输入向量，可以保留加工速度的时序信息。时序编码器可以捕捉到加工速度序列中不同时间点之间的关联性和依赖关系。通过建模序列中的上下文信息，可以更好地理解加工速度的整体趋势和变化规律。
图4图示了根据本申请实施例的铁氟龙线路板钻孔加工系统中时序编码模块的框图。如图4所示，所述时序编码模块150，包括：输入向量构造单元151，用于将所述多个预定时间点的加工速度值按照时间维度排列为加工速度输入向量；归一化映射单元152，用于将所述加工速度输入向量进行基于最大值的归一化处理以得到归一化后加工速度输入向量；特征提取单元153，用于使用所述时序编码器的全连接层对所述归一化后加工速度输入向量进行全连接编码以提取所述归一化后加工速度输入向量中各个位置的特征值的高维隐含特征；以及一维卷积编码单元154，用于使用所述时序编码器的一维卷积层对所述归一化后加工速度输入向量进行一维编码以提取所述归一化后加工速度输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在上述的铁氟龙线路板钻孔加工系统100中，所述响应性估计模块160，用于计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵。通过计算响应性估计，可以揭示加工速度和全局特征之间的关系。这有助于发现加工速度与特定类别的全局特征之间的相关性，进一步加深对加工过程中因果关系和相互作用的理解。基于响应性估计，可以将加工速度特征向量和全局加工特征向量结合起来，得到分类特征矩阵。分类特征矩阵综合考虑了加工速度和全局特征的信息，能够更好地表示不同类别的加工特征。
具体地，在本申请实施例中，所述响应性估计模块160，用于：以如下响应性估计公式计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性估计公式为：
其中Va表示所述加工速度特征向量，Vb表示所述全局加工特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述的铁氟龙线路板钻孔加工系统100中，所述优化模块170，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵。加工监控特征图通过卷积神经网络模型提取，包含了从监控视频中提取的多个关键帧的信息。这些关键帧捕捉到了加工过程中的重要细节和变化。然而，单独使用加工监控特征图可能无法充分捕捉到加工过程中的动态变化和速度信息。加工速度特征向量通过时序编码器从多个预定时间点的加工速度值中提取。加工速度是加工过程中的重要指标，可以反映材料的切削状态、刀具磨损情况以及加工过程的稳定性等信息。融合加工速度特征向量可以提供加工过程的动态信息，使得特征表示更加完整。融合加工速度特征向量和全局加工特征向量可以综合利用加工过程中的静态和动态信息，从而更好地表示加工过程的特征。这种融合可以增强特征的表达能力，提高分类任务的准确性和鲁棒性。
特别地，考虑到加工速度特征向量和全局加工特征向量是通过对不同源的数据进行不同编码以得到的，因此加工速度特征向量和全局加工特征向量具有不同的特征流形模态，如果直接融合加工速度特征向量和全局加工特征向量可能存在一些问题。首先，这两种特征具有不同的维度和模态，直接融合可能导致特征空间中的冗余或信息丢失。其次，加工速度特征向量和全局加工特征向量可能在特征空间中具有不同的尺度和分布，直接融合可能会导致特征的不平衡或偏差。因此，将加工速度特征向量和全局加工特征向量映射到一个公共的低维稀疏中介空间中进行融合。
具体地，融合加工速度特征向量和全局加工特征向量以得到融合特征向量，包括：分别计算所述加工速度特征向量和所述全局加工特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；将所述加工速度特征向量和所述全局加工特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
将具有不同特征流形模态的加工速度特征向量和全局加工特征向量通过类单应变换映射到一个公共的低维稀疏中介空间以将不同模态的语义特征在低维稀疏空间中进行线性嵌入融合以得到一个更具有表达能力和判别能力的融合特征向量。也就是，将高维特征向量的特征融合问题转化为低维特征空间类单应性映射和低维空间线性融合的问题，通过这样的方式，增加了所述融合特征向量的可解释性和鲁棒性。
然后，将融合特征向量和其自身的转置进行相乘以得到融合特征矩阵。从而通过计算特征向量之间的相关性，将特征的内部结构信息编码到特征矩阵中。接着，通过融合所述融合特征矩阵和分类特征矩阵以得到优化分类特征矩阵，从而进一步优化分类特征矩阵的特征表示，提高最终分类结果的准确性。
具体地，在本申请实施例中，所述优化模块170，包括：融合单元，用于融合所述加工速度特征向量和所述全局加工特征向量以得到融合特征向量；转置单元，用于将所述融合特征向量和其自身的转置进行相乘以得到融合特征矩阵；以及优化单元，用于通过融合所述融合特征矩阵和分类特征矩阵以得到优化分类特征矩阵。
具体地，在本申请实施例中，所述融合单元，包括：协方差子单元，用于分别计算所述加工速度特征向量和所述全局加工特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；第一分解子单元，用于对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；第二分解子单元，用于对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；基提取子单元，用于从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；映射子单元，用于将所述加工速度特征向量和所述全局加工特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；以及按位加权子单元，用于计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
在上述的铁氟龙线路板钻孔加工系统100中，所述结果生成模块180，用于将所述优化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当前时间点的槽刀的加工速度应增大或减小。这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
具体地，在本申请实施例中，所述结果生成模块170，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；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；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。
综上，根据本申请实施例的铁氟龙线路板钻孔加工系统已被阐明，其使用基于深度神经网络模型的人工智能技术来对槽孔的加工情况和槽刀加工速度进行特征编码和提取，以得到用于表示当前时间点槽刀的加工速度应该增大或者减小的分类标签，这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
示例性方法
图5图示了根据本申请实施例的铁氟龙线路板钻孔加工方法的流程图。如图5所示，根据本申请实施例的所述铁氟龙线路板钻孔加工方法，包括步骤：S110，获取槽孔加工监控视频以及多个预定时间点的加工速度值；S120，从所述槽孔加工监控视频中提取出多个监控关键帧；S130，将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图；S140，将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量；S150，将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量；S160，计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵；S170，对所述分类特征矩阵进行优化以得到优化分类特征矩阵；以及S170，将所述优化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当前时间点的槽刀的加工速度应增大或减小。
这里，本领域技术人员可以理解，上述铁氟龙线路板钻孔加工方法中的各个步骤的具体操作已经在上面参考图1到图4的铁氟龙线路板钻孔加工系统的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的铁氟龙线路板钻孔加工系统100可以实现在各种终端设备中，例如铁氟龙线路板钻孔加工服务器等。在一个示例中，根据本申请实施例的铁氟龙线路板钻孔加工系统100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，该铁氟龙线路板钻孔加工系统100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，该铁氟龙线路板钻孔加工系统100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，该铁氟龙线路板钻孔加工系统100与该终端设备也可以是分立的设备，并且该铁氟龙线路板钻孔加工系统100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。
综上，根据本申请实施例的铁氟龙线路板钻孔加工方法已被阐明，其使用基于深度神经网络模型的人工智能技术来对槽孔的加工情况和槽刀加工速度进行特征编码和提取，以得到用于表示当前时间点槽刀的加工速度应该增大或者减小的分类标签，这样，通过构建铁氟龙线路板钻孔加工方案，来分析槽孔的毛刺情况和槽刀加工速度，提高了铁氟龙线路板钻孔的加工质量，减少了人力成本。
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)

1.一种铁氟龙线路板钻孔加工系统，其特征在于，包括：
数据获取模块，用于获取槽孔加工监控视频以及多个预定时间点的加工速度值；
关键帧提取模块，用于从所述槽孔加工监控视频中提取出多个监控关键帧；
时间注意力模块，用于将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图；
语义编码模块，用于将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量；
时序编码模块，用于将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量；
响应性估计模块，用于计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
结果生成模块，用于将所述优化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当前时间点的槽刀的加工速度应增大或减小。
2.根据权利要求1所述的铁氟龙线路板钻孔加工系统，其特征在于，所述时间注意力模块，包括：
相邻帧提取单元，用于从所述多个监控关键帧中提取相邻的第一监控关键帧和第二监控关键帧；
第一卷积编码单元，用于将所述第一监控关键帧所述第二监控关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；
时间注意力单元，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；
注意力激活单元，用于将所述时间注意力图输入Softmax激活函数以得到时间注意力特征图；
第二卷积编码单元，用于将所述第二监控关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；
注意力施加单元，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二监控关键帧的时间注意力特征图。
3.根据权利要求2所述的铁氟龙线路板钻孔加工系统，其特征在于，所述语义编码模块，包括：
向量构造单元，用于将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量；
编码单元，用于将所述多个局部加工特征向量通过基于转换器的上下文编码器以得到多个加工特征向量；
级联单元，用于将所述多个加工特征向量进行级联以得到全局加工特征向量。
4.根据权利要求3所述的铁氟龙线路板钻孔加工系统，其特征在于，所述编码单元，包括：
查询向量构造子单元，用于将所述多个局部加工特征向量排列为输入向量；
向量转化子单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
自注意子单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
标准化子单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
关注度计算子单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；
注意力施加子单元，用于将所述自注意力特征矩阵与所述各个局部加工特征向量分别相乘得到所述多个加工特征向量。
5.根据权利要求4所述的铁氟龙线路板钻孔加工系统，其特征在于，所述时序编码模块，包括：
输入向量构造单元，用于将所述多个预定时间点的加工速度值按照时间维度排列为加工速度输入向量；
归一化映射单元，用于将所述加工速度输入向量进行基于最大值的归一化处理以得到归一化后加工速度输入向量；
特征提取单元，用于使用所述时序编码器的全连接层对所述归一化后加工速度输入向量进行全连接编码以提取所述归一化后加工速度输入向量中各个位置的特征值的高维隐含特征；
一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后加工速度输入向量进行一维编码以提取所述归一化后加工速度输入向量中各个位置的特征值间的关联的高维隐含关联特征。
6.根据权利要求5所述的铁氟龙线路板钻孔加工系统，其特征在于，所述响应性估计模块，用于：
以如下响应性估计公式计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性估计公式为：
其中Va表示所述加工速度特征向量，Vb表示所述全局加工特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
7.根据权利要求6所述的铁氟龙线路板钻孔加工系统，其特征在于，所述优化模块，包括：
融合单元，用于融合所述加工速度特征向量和所述全局加工特征向量以得到融合特征向量；
转置单元，用于将所述融合特征向量和其自身的转置进行相乘以得到融合特征矩阵；
优化单元，用于通过融合所述融合特征矩阵和分类特征矩阵以得到优化分类特征矩阵。
8.根据权利要求7所述的铁氟龙线路板钻孔加工系统，其特征在于，所述融合单元，包括：
协方差子单元，用于分别计算所述加工速度特征向量和所述全局加工特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵；
第一分解子单元，用于对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量；
第二分解子单元，用于对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量；
基提取子单元，用于从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基；
映射子单元，用于将所述加工速度特征向量和所述全局加工特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量；
按位加权子单元，用于计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
9.根据权利要求8所述的铁氟龙线路板钻孔加工系统，其特征在于，所述结果生成模块，包括：
展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；
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；
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。
10.一种铁氟龙线路板钻孔加工方法，其特征在于，包括：
获取槽孔加工监控视频以及多个预定时间点的加工速度值；
从所述槽孔加工监控视频中提取出多个监控关键帧；
将所述多个监控关键帧通过使用时间注意力机制的卷积神经网络模型以得到加工监控特征图；
将所述加工监控特征图的沿通道维度的各个特征矩阵沿着行向量或者列向量进行展开为多个局部加工特征向量后通过基于转换器的上下文编码器以得到全局加工特征向量；
将所述多个预定时间点的加工速度值排列为加工速度输入向量后通过时序编码器以得到加工速度特征向量；
计算所述加工速度特征向量相对于所述全局加工特征向量的响应性估计以得到所述分类特征矩阵；
对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
将所述优化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当前时间点的槽刀的加工速度应增大或减小。
CN202311047817.XA 2023-08-19 2023-08-19 铁氟龙线路板钻孔加工系统及其方法 Pending CN117079031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311047817.XA CN117079031A (zh) 2023-08-19 2023-08-19 铁氟龙线路板钻孔加工系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311047817.XA CN117079031A (zh) 2023-08-19 2023-08-19 铁氟龙线路板钻孔加工系统及其方法

Publications (1)

Publication Number Publication Date
CN117079031A true CN117079031A (zh) 2023-11-17

Family

ID=88703752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311047817.XA Pending CN117079031A (zh) 2023-08-19 2023-08-19 铁氟龙线路板钻孔加工系统及其方法

Country Status (1)

Country Link
CN (1) CN117079031A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117693122A (zh) * 2023-12-14 2024-03-12 江西红板科技股份有限公司 用于电池板的激光密钻盲槽工艺及其系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117693122A (zh) * 2023-12-14 2024-03-12 江西红板科技股份有限公司 用于电池板的激光密钻盲槽工艺及其系统
CN117693122B (zh) * 2023-12-14 2024-06-11 江西红板科技股份有限公司 用于电池板的激光密钻盲槽工艺及其系统

Similar Documents

Publication Publication Date Title
CN110580292A (zh) 一种文本标签生成方法、装置和计算机可读存储介质
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN116245513B (zh) 基于规则库的自动化运维系统及其方法
CN117079031A (zh) 铁氟龙线路板钻孔加工系统及其方法
CN117058622A (zh) 污水处理设备的智能监测系统及其方法
CN117040917A (zh) 一种具有监测预警功能的智慧型交换机
CN112966088B (zh) 未知意图的识别方法、装置、设备及存储介质
CN116680557B (zh) 用于煤层气钻井工程的实时监测系统及其方法
CN114821169A (zh) 微服务架构下的方法级无侵入调用链路追踪方法
CN116167989A (zh) 铝杯的智能化生产方法及其系统
CN116992304A (zh) 基于人工智能的政策匹配分析系统及其方法
CN117784710B (zh) 数控机床远程状态监控系统及其方法
CN116127019B (zh) 动态参数与可视化模型生成web 2d自动建模引擎系统
CN116258947B (zh) 适用于家居定制行业的工业自动化处理方法及系统
CN116851856B (zh) 纯水线切割加工工艺及其系统
CN117422065A (zh) 基于强化学习算法的自然语言数据处理系统
CN116945258A (zh) 模切机控制系统及其方法
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法
CN115453976A (zh) 设备状态监测方法及其系统
CN115410064A (zh) 智能制造下的设备状态监测系统及其监测方法
CN115456259A (zh) 基于中尺度数据的风电场选址优化系统及其方法
CN113159164A (zh) 基于分布式的工业互联网设备协同作业方法
Kawano et al. TAG: Guidance-free Open-Vocabulary Semantic Segmentation
CN117199029B (zh) 一种功率电源管理芯片及功率电源管理方法
CN117035689A (zh) 吹塑配料车间管理系统及其方法

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