水锤自动化加工工艺及其系统技术方案

本申请涉及智能加工领域，其具体地公开了一种水锤自动化加工工艺及其系统，其通过采用基于机器视觉的人工智能检测技术，以对于焊接后水锤的检测图像进行焊接目标感兴趣区域框定，以此来提取出所述焊接区域的隐含特征分布信息以及所述检测图像中关于水锤整体的隐含特征分布信息，进一步融合这两者的特征信息来进行焊接后水锤的焊接质量检测判断。这样，能够准确地对于焊接后的水锤质量进行智能检测，以保证焊接后的水锤质量，进而能够起到消除共振、稳定压力的作用，以保护管道以及各个阀门原件。原件。原件。

【技术实现步骤摘要】
水锤自动化加工工艺及其系统


[0001]本申请涉及智能加工领域，且更为具体地，涉及一种水锤自动化加工工艺及其系统 。

技术介绍

[0002]在日常饮用水管道系统中通常会产生主进水管道压力不稳定，开启关闭使用水龙头时经常会出现管道共振现象，此类现象长期存在，会对整个管道带来一定的冲击，可能会出现管道破裂，接头松动漏水等现象。通过安装水锤这个产品，根据水锤的工作原理，刚好能在管道中解决上述两个问题，其能够稳定压力，通过自控来消除共振，对管道以及各个阀门原件都起到了保护的作用。
[0003]水锤的焊接过程设计专用可旋转工装夹具，设定合理的温度和时间进行焊接，焊接后立马放入带有防锈的冷却水中冷却。但是，在实际水锤焊接的过程中发现其在焊接后的质量难以达到预期的要求，这就会造成水锤在使用过程中发生生锈腐蚀，导致水锤的使用寿命降低。
[0004]因此，期望一种优化的水锤自动化加工工艺。

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水锤自动化加工工艺及其系统 ，其通过采用基于机器视觉的人工智能检测技术，以对于焊接后水锤的检测图像进行焊接目标感兴趣区域框定，以此来提取出所述焊接区域的隐含特征分布信息以及所述检测图像中关于水锤整体的隐含特征分布信息，进一步融合这两者的特征信息来进行焊接后水锤的焊接质量检测判断。这样，能够准确地对于焊接后的水锤质量进行智能检测，以保证焊接后的水锤质量，进而能够起到消除共振、稳定压力的作用，以保护管道以及各个阀门原件。
[0006]根据本申请的一个方面，提供了一种水锤自动化加工工艺，其包括：将水锤塑料芯与O型圈进行组装以得到第一半成品；将所述第一半成品与紫铜拉伸管进行组装以得到第二半成品；将所述第二半成品与铜接头进行组装并焊接以得到焊接后水锤；基于机器视觉对所述焊接后水锤进行焊接质量检测；以及在所述焊接质量检测的结果为合格后，将所述焊接后水锤进行水冷。
[0007]在上述水锤自动化加工工艺中，所述基于机器视觉对所述焊接后水锤进行焊接质量检测，包括：获取焊接后水锤的检测图像；将所述焊接后水锤的检测图像通过焊接区域目标检测网络以得到焊接感兴趣区域图像；将所述焊接感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到焊接特征向量；将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量；融合所述焊接特征向量和所述检测特征向量以得到分类特征向量；以及将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示焊接后水锤的焊接质量是否满足预定要求。
[0008]在上述水锤自动化加工工艺中，所述焊接区域目标检测网络为基于无锚窗的目标检测网络，所述基于无锚窗的目标检测网络为YOLOv1、FCOS或 CenterNet。
[0009]在上述水锤自动化加工工艺中，所述将所述焊接感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到焊接特征向量，包括：使用所述作为过滤器的第一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；对所述卷积特征图的通道维度的各个特征矩阵进行全局均值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一卷积神经网络的最后一层的输出为所述焊接特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述焊接感兴趣区域图像。
[0010]在上述水锤自动化加工工艺中，所述将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量，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；对所述卷积特征图的通道维度的各个特征矩阵进行全局均值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检测特征向量，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检测图像。
[0011]在上述水锤自动化加工工艺中，所述融合所述焊接特征向量和所述检测特征向量以得到分类特征向量，包括：以如下公式来融合所述焊接特征向量和所述检测特征向量以得到分类特征向量；其中，所述公式为： ，其中，表示所述焊接特征向量，表示所述检测特征向量，表示级联函数，表示所述分类特征向量。
[0012]在上述水锤自动化加工工艺中，对所述分类特征向量进行正定赋范空间的几何约束重参数化以得到校正后分类特征向量，包括：以如下公式来所述分类特征向量进行正定赋范空间的几何约束重参数化以得到校正后分类特征向量； ，其中，是所述分类特征向量，和是特征集合的均值和方差，表示向量的二范数的平方，表示矩阵的Frobenius范数，是所述分类特征向量的第个位置的特征值，是所述校正后分类特征向量的第个位置的特征值。
[0013]在上述水锤自动化加工工艺中，所述将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示焊接后水锤的焊接质量是否满足预定要求，包括：使用所述分类器的多个全连接层对所述校正后分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0014]根据本申请的另一方面，提供了一种水锤自动化加工系统，其包括：检测图像获取模块，用于获取焊接后水锤的检测图像；目标检测模块，用于将所述焊接后水锤的检测图像
通过焊接区域目标检测网络以得到焊接感兴趣区域图像；第一卷积模块，用于将所述焊接感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到焊接特征向量；第二卷积模块，用于将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量；融合模块，用于融合所述焊接特征向量和所述检测特征向量以得到分类特征向量；校正模块，用于对所述分类特征向量进行正定赋范空间的几何约束重参数化以得到校正后分类特征向量；以及分类结果生成模块，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示焊接后水锤的焊接质量是否满足预定要求。
[0015]在上述水锤自动化加工系统中，所述校正模块，包括：以如下公式来所述分类特征向量进行正定赋范空间的几何约束重参数化以得到校正后分类特征向量；，其中，是所述分类特征向量，和是特征集合的均值和方差，表示向量的二范数的平方，表示矩阵的Frobenius范数，是所述分类特征向量的第个位置的特征值，是所述校正后分类特征向量的第个位置的特征值。
[0016]与现有技术相比，本申请提供的一种水锤自动化加工工艺及其系统，其通过采用基于机器视觉的人工智能检测技术，以对于焊接后水锤的检测图像进行焊接目标感兴趣区域框定，以此来提取出所述焊接区域的隐含特征分布信息以及所述检测图像中关于水锤整体的隐含特征分布信息，进一步融合这两者的特征信息来进行焊接后水锤的焊接质量检测判断。这样，能够准确地对于焊接后的水锤质量进行智能检测，以保证焊接后的水锤质量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水锤自动化加工工艺，其特征在于，包括：将水锤塑料芯与O型圈进行组装以得到第一半成品；将所述第一半成品与紫铜拉伸管进行组装以得到第二半成品；将所述第二半成品与铜接头进行组装并焊接以得到焊接后水锤；基于机器视觉对所述焊接后水锤进行焊接质量检测；以及在所述焊接质量检测的结果为合格后，将所述焊接后水锤进行水冷。2.根据权利要求1所述的水锤自动化加工工艺，其特征在于，所述基于机器视觉对所述焊接后水锤进行焊接质量检测，包括：获取焊接后水锤的检测图像；将所述焊接后水锤的检测图像通过焊接区域目标检测网络以得到焊接感兴趣区域图像；将所述焊接感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到焊接特征向量；将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量；融合所述焊接特征向量和所述检测特征向量以得到分类特征向量；对所述分类特征向量进行正定赋范空间的几何约束重参数化以得到校正后分类特征向量；以及将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示焊接后水锤的焊接质量是否满足预定要求。3.根据权利要求2所述的水锤自动化加工工艺，其特征在于，所述焊接区域目标检测网络为基于无锚窗的目标检测网络，所述基于无锚窗的目标检测网络为YOLOv1、FCOS或 CenterNet。4.根据权利要求3所述的水锤自动化加工工艺，其特征在于，所述将所述焊接感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到焊接特征向量，包括：使用所述作为过滤器的第一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；对所述卷积特征图的通道维度的各个特征矩阵进行全局均值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一卷积神经网络的最后一层的输出为所述焊接特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述焊接感兴趣区域图像。5.根据权利要求4所述的水锤自动化加工工艺，其特征在于，所述将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量，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；对所述卷积特征图的通道维度的各个特征矩阵进行全局均值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检测特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为...

【专利技术属性】
技术研发人员：潘洪建，李哲，
申请(专利权)人：台州智久科技有限公司，
类型：发明
国别省市：