龙门刨床及其加工控制方法技术

本申请涉及智能制造的领域，其具体地公开了一种龙门刨床及其加工控制方法，其通过三维卷积神经网络模型从所述待加工工件的正面图像和所述待加工工件的拉丝面图像的感兴趣区域中提取所述待加工工件的拉丝面和直径的动态变化特征，并且以尺度迁移确定性对特征融合后的分类矩阵进行约束，这样不仅保持了所述拉丝面特征和所述横断面特征到关联特征空间的尺度迁移确定性关系，而且也保持了所述分类矩阵与所述拉丝面特征和所述横断面特征的一定程度的一致性，进而提高了分类效果。这样，就能够基于拉丝过程中待拉丝件的实时截面尺寸来微调拉丝轮的高度，以保证在拉丝过程中丝路的均匀一致性。均匀一致性。均匀一致性。

【技术实现步骤摘要】
龙门刨床及其加工控制方法


[0001]本专利技术涉及智能制造的领域，且更为具体地，涉及一种龙门刨床及其加工控制方法。

技术介绍

[0002]龙门刨床主要用于刨削大型工件，也可在工作台上装夹多个零件同时加工，是工业的母机。龙门刨床的工作台带着工件通过门式框架作直线往复运动，空行程速度大于工作行程速度。横梁上一般装有两个垂直刀架，刀架滑座可在垂直面内回转一个角度，并可沿横梁作横向进给运动，拉丝是一种金属加工工艺，具体是指在金属压力加工中，在外力作用下使金属强行通过模具，金属横截面积被压缩，并获得所要求的横截面积形状和尺寸的技术加工方法，拉丝主要应用于家用电器面板、各种数码产品外设和面板、笔记本电脑面板中，用于制作各种标识等。
[0003]在对加工件进行拉丝处理时，需要根据加工件尺寸和拉丝深度对拉丝轮进行相应的调节，而目前对拉丝轮进行调节时主要是通过人工调节，该调节方式操作步骤较为繁琐且调节的精度不能得到保证，需要对调节后的拉丝轮进行数据测量比对，拉丝轮的调节难度高，效率不佳，不能满足使用需求。
[0004]并且，现有的基于龙门刨床的拉丝装置在利用拉丝轮进行拉丝时，拉丝轮保持于特定的高度。但在实际工作中，由于待拉丝工件并非理想工件，也就是，待拉丝工件沿其径向方向上会发生直径的变化，因此，在进行拉丝过程中，为了使得丝路均匀一致，期待一种优化的控制方案，其能够基于拉丝过程中待拉丝件的实时截面尺寸来微调拉丝轮的高度。

技术实现思路

[0005]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龙门刨床及其加工控制方法，其通过三维卷积神经网络模型从所述待加工工件的正面图像和所述待加工工件的拉丝面图像的感兴趣区域中提取所述待加工工件的拉丝面和直径的动态变化特征，并且以尺度迁移确定性对特征融合后的分类矩阵进行约束，这样不仅保持了所述拉丝面特征和所述横断面特征到关联特征空间的尺度迁移确定性关系，而且也保持了所述分类矩阵与所述拉丝面特征和所述横断面特征的一定程度的一致性，进而提高了分类效果。这样，就能够基于拉丝过程中待拉丝件的实时截面尺寸来微调拉丝轮的高度，以保证在拉丝过程中丝路的均匀一致性。
[0006]根据本申请的一个方面，提供了一种龙门刨床，其包括：图像采集模块，用于通过部署于龙门刨床且与所述龙门刨床随动的第一摄像头和第二摄像头采集待拉丝件的第一监控视频和第二监控视频，其中，所述第一摄像头对应于所述待拉丝件的拉丝面，所述第二摄像头对应于所述待拉丝件的横断面；采样模块，用于从所述第一监控视频中提取包含当前时间点在内的多个预定时间点的多个第一图像帧和从所述第二监控视频中提取所述多个预定时间点的多个第二图像帧；第一编码模块，用于将所述多个第一图像帧按照时间维
度构造为拉丝面三维张量后通过使用三维卷积核的第一卷积神经网络以得到拉丝面特征向量；第二编码模块，用于将所述多个第二图像帧按照时间维度构造为横断面三维张量后通过使用三维卷积核的第二卷积神经网路以得到横断面特征向量；关联编码模块，用于对所述拉丝面特征向量和所述横断面特征向量进行基于位置关联的关联编码以得到分类特征矩阵，其中，所述基于位置关联的关联编码基于所述拉丝面特征向量乘以所述横断面特征向量的转置向量所得到的特征矩阵除以所述特征矩阵的Frobenius范数来进行；以及拉丝控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的拉丝轮高度应降低、保持不变或应抬高。
[0007]在上述龙门刨床中，所述第一编码模块，包括：感兴趣区域提取单元，用于以候选框提取网络对所述拉丝面三维张量中各个图像帧进行感兴趣区域提取以获得由多个感兴趣区域图像组成的拉丝面感兴趣区域三维张量；以及，第一三维卷积编码单元，用于将所述拉丝面感兴趣区域三维张量通过所述使用三维卷积核的第一卷积神经网络以得到拉丝面特征向量。
[0008]在上述龙门刨床中，所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维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均值池化处理以得到池化特征图；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，所述第一卷积神经网络的最后一层的输出为所述拉丝面特征向量，所述第一卷积神经网络的第一层的输入为所述拉丝面感兴趣区域三维张量。
[0009]在上述龙门刨床中，所述关联编码模块，进一步用于：以如下公式对所述拉丝面特征向量和所述横断面特征向量进行基于位置关联的关联编码以得到所述分类特征矩阵；其中，所述公式为：其中表示所述分类特征矩阵，表示所述拉丝面特征向量,表示所述横断面特征向量，和均为列向量，表示矩阵的Frobenius范数，表示矩阵的指数运算。
[0010]在上述龙门刨床中，所述拉丝控制结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0011]根据本申请的另一方面，一种龙门刨床的加工控制方法，其包括：通过部署于龙门刨床且与所述龙门刨床随动的第一摄像头和第二摄像头采集待拉丝件的第一监控视频和第二监控视频，其中，所述第一摄像头对应于所述待拉丝件的拉丝面，所述第二摄像头对应于所述待拉丝件的横断面；从所述第一监控视频中提取包含当前时间点在内的多个预定时间点的多个第一图像帧和从所述第二监控视频中提取所述多个预定时间点的多个第二图像帧；将所述多个第一图像帧按照时间维度构造为拉丝面三维张量后通过使用三维卷积核的第一卷积神经网络以得到拉丝面特征向量；将所述多个第二图像帧按照时间维度构造为
横断面三维张量后通过使用三维卷积核的第二卷积神经网路以得到横断面特征向量；对所述拉丝面特征向量和所述横断面特征向量进行基于位置关联的关联编码以得到分类特征矩阵，其中，所述基于位置关联的关联编码基于所述拉丝面特征向量乘以所述横断面特征向量的转置向量所得到的特征矩阵除以所述特征矩阵的Frobenius范数来进行；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的拉丝轮高度应降低、保持不变或应抬高。
[0012]在上述龙门刨床的加工控制方法中，从所述第一监控视频中提取包含当前时间点在内的多个预定时间点的多个第一图像帧和从所述第二监控视频中提取所述多个预定时间点的多个第二图像帧，包括：将所述多个第一图像帧按照时间维度构造为拉丝面三维张量后通过使用三维卷积核的第一卷积神经网络以得到拉丝面特征向量，包括：以候选框提取网络对所述拉丝面三维张量中各个图像帧进行感兴趣区域提取以获得由多个感兴趣区域图像组成的拉丝面感兴趣区域三维张量；以及，将所述拉丝面感兴趣区域三维张量通过所述使用三维卷积核的第一卷积神经网络以得到拉丝面特征向量。
[0013]在上述龙门刨床的加工控制方法中，所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种龙门刨床，其特征在于，包括：图像采集模块，用于通过部署于龙门刨床且与所述龙门刨床随动的第一摄像头和第二摄像头采集待拉丝件的第一监控视频和第二监控视频，其中，所述第一摄像头对应于所述待拉丝件的拉丝面，所述第二摄像头对应于所述待拉丝件的横断面；采样模块，用于从所述第一监控视频中提取包含当前时间点在内的多个预定时间点的多个第一图像帧和从所述第二监控视频中提取所述多个预定时间点的多个第二图像帧；第一编码模块，用于将所述多个第一图像帧按照时间维度构造为拉丝面三维张量后通过使用三维卷积核的第一卷积神经网络以得到拉丝面特征向量；第二编码模块，用于将所述多个第二图像帧按照时间维度构造为横断面三维张量后通过使用三维卷积核的第二卷积神经网路以得到横断面特征向量；关联编码模块，用于对所述拉丝面特征向量和所述横断面特征向量进行基于位置关联的关联编码以得到分类特征矩阵，其中，所述基于位置关联的关联编码基于所述拉丝面特征向量乘以所述横断面特征向量的转置向量所得到的特征矩阵除以所述特征矩阵的Frobenius范数来进行；拉丝控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的拉丝轮高度应降低、保持不变或应抬高。2.根据权利要求1所述的龙门刨床，其中，所述第一编码模块，包括：感兴趣区域提取单元，用于以候选框提取网络对所述拉丝面三维张量中各个图像帧进行感兴趣区域提取以获得由多个感兴趣区域图像组成的拉丝面感兴趣区域三维张量；以及第一三维卷积编码单元，用于将所述拉丝面感兴趣区域三维张量通过所述使用三维卷积核的第一卷积神经网络以得到拉丝面特征向量。3.根据权利要求2所述的龙门刨床，其中，所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维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均值池化处理以得到池化特征图；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，所述第一卷积神经网络的最后一层的输出为所述拉丝面特征向量，所述第一卷积神经网络的第一层的输入为所述拉丝面感兴趣区域三维张量。4.根据权利要求3所述的龙门刨床，其中，所述关联编码模块，进一步用于：以如下公式对所述拉丝面特征向量和所述横断面特征向量进行基于位置关联的关联编码以得到所述分类特征矩阵；其中，所述公式为：其中 表示所述分类特征矩阵，表示所述拉丝面特征向量,表示所述横断面特征向量，和均为列向量，表示矩阵的Frobenius范数，表示矩阵的指数运算。5.根据权利要求4所述的龙门刨床，其中，所述拉丝控制结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。6.一种龙门刨床的加工控制方法，其特征在于，包括：通过...

【专利技术属性】
技术研发人员：孟令勇，邢运平，陆小朵，
申请(专利权)人：大畏机床江苏有限公司，
类型：发明
国别省市：