管材的全自动加工设备制造技术

本申请涉及智能加工领域，其具体公开了一种管材的全自动加工设备，其使用基于深度神经网络的人工智能技术来对待检测管材的检测图像与参考图像进行特征编码与提取，以得到用于表示当前管材定位是否准确的分类标签

【技术实现步骤摘要】
管材的全自动加工设备


[0001]本申请涉及智能加工领域，且更为具体的涉及一种管材的全自动加工设备
。

技术介绍

[0002]全自动管材加工设备是用于加工各种类型的管材的机械设备
。
这些设备通常具有自动化的功能，能够高效地完成管材的切割
、
弯曲
、
打孔
、
焊接等操作
。
在进行弯曲操作是，需要将待加工的管材放置在机器的工作台或夹具上，并进行正确的定位
。
判断待加工管材定位是否准确的方法主要包括目视检查和测量
。1、
目视检查：操作人员通过目视观察来判断管材的定位是否准确
。
他们会检查管材是否与加工设备的参考点对齐，是否有明显的偏移或错位
。
缺点：目视检查的准确性依赖于操作人员的经验和观察力，容易受到主观因素的影响
。
对于微小的偏移或错位，操作人员可能无法准确地判断
。
此外，目视检查需要人工操作，增加了人力成本和工作时间
。2、
测量：使用测量工具
(
如尺子
、
卡尺
、
角度测量器等
)
对管材进行测量，以确定其位置和方向是否准确
。
测量可以包括长度
、
宽度
、
高度
、
角度等方面的测量
。
缺点：测量的准确性受限于测量工具的精度和操作人员的技能
>。
对于复杂形状的管材，测量可能比较困难
。
此外，测量需要人工操作，增加了人力成本和工作时间
。
[0003]因此，期待一种优化的管材的全自动加工设备
。

技术实现思路

[0004]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管材的全自动加工设备，其使用基于深度神经网络的人工智能技术来对待检测管材的检测图像与参考图像进行特征编码与提取，以得到用于表示当前管材定位是否准确的分类标签
。
这样，提高了管材加工设备的效率
。
[0005]根据本申请的一个方面，提供了一种管材的全自动加工设备，其包括：
[0006]图像获取模块，用于获取待检测管材的检测定位图像和参考定位图像；
[0007]混合卷积模块，用于将所述检测定位图像和所述参考定位图像分别通过包含多个混合卷积层的第一卷积神经网络模型以得到检测特征图和参考特征图；
[0008]特征增强模块，用于将所述检测特征图和所述参考特征图分别通过非局部神经网络以得到增强检测特征图和增强参考特征图；
[0009]差分模块，用于计算所述增强检测特征图和所述增强参考特征图之间的差分特征图；
[0010]优化模块，用于对所述差分特征图进行优化以得到优化差分特征图；
[0011]卷积编码模块，用于将所述优化差分特征图通过包含三维卷积核的第二卷积神经网络模型以得到差分特征向量；
[0012]检测结果生成模块，用于将所述差分特征向量通过分类器得到分类结果，所述分类结果用于表示当前管材定位是否准确
。
[0013]在上述的管材的全自动加工设备中，所述第一卷积神经网络模型的各个混合卷积
层包括并行的第一卷积分支结构
、
第二卷积分支结构
、
第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核
、
所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核
、
所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核
。
[0014]在上述的管材的全自动加工设备中，所述混合卷积模块，进一步用于：
[0015]使用所述第一卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：
[0016]使用具有第一尺寸的第一卷积核对所述检测定位图像进行卷积编码以得到第一尺度特征图；
[0017]使用具有第一空洞率的第二卷积核对所述检测定位图像进行卷积编码以得到第二尺度特征图；
[0018]使用具有第二空洞率的第三卷积核对所述检测定位图像进行卷积编码以得到第三尺度特征图；
[0019]使用具有第三空洞率的第四卷积核对所述检测定位图像进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核
、
所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有不同的空洞率；
[0020]将所述第一尺度特征图
、
所述第二尺度特征图
、
所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；
[0021]对所述聚合特征图进行池化处理以生成池化特征图；
[0022]对所述池化特征图进行激活处理以生成激活特征图；
[0023]其中，所述包含多个混合卷积层的卷积神经网络模型的最后一层的输出为所述检测特征图
。
[0024]在上述的管材的全自动加工设备中，所述特征增强模块，包括：
[0025]卷积单元，用于将所述检测特征图分别输入所述非局部神经网络的第一点卷积层
、
第二点卷积层和第三点卷积层以得到第一特征图
、
第二特征图和第三特征图；
[0026]加权单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；
[0027]归一化单元，用于将所述中间融合特征图输入
Softmax
函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；
[0028]融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；
[0029]全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；
[0030]通道调整单元，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；
[0031]特征增强单元，用于计算所述通道调整全局感知特征图和所述检测特征图的按位置加权和以得到所述增强检测特征图
。
[0032]在上述的管材的全自动加工设备中，所述差分模块，用于：
[0033]以如下差分公式来计算所述增强检测特征图和所述增强参考特征图之间的差分特征图；
[0034]其中，所述差分公式为：
[0035][0036]其中，
F1表示所述增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种管材的全自动加工设备，其特征在于，包括：图像获取模块，用于获取待检测管材的检测定位图像和参考定位图像；混合卷积模块，用于将所述检测定位图像和所述参考定位图像分别通过包含多个混合卷积层的第一卷积神经网络模型以得到检测特征图和参考特征图；特征增强模块，用于将所述检测特征图和所述参考特征图分别通过非局部神经网络以得到增强检测特征图和增强参考特征图；差分模块，用于计算所述增强检测特征图和所述增强参考特征图之间的差分特征图；优化模块，用于对所述差分特征图进行优化以得到优化差分特征图；卷积编码模块，用于将所述优化差分特征图通过包含三维卷积核的第二卷积神经网络模型以得到差分特征向量；检测结果生成模块，用于将所述差分特征向量通过分类器得到分类结果，所述分类结果用于表示当前管材定位是否准确
。2.
根据权利要求1所述的全自动加工设备，其特征在于，所述第一卷积神经网络模型的各个混合卷积层包括并行的第一卷积分支结构
、
第二卷积分支结构
、
第三卷积分支结构和第四卷积分支结构，以及，与所述第一至第四卷积分支结构连接的多尺度融合结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核
、
所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核
、
所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核
。3.
根据权利要求2所述的全自动加工设备，其特征在于，所述混合卷积模块，进一步用于：使用所述第一卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：使用具有第一尺寸的第一卷积核对所述检测定位图像进行卷积编码以得到第一尺度特征图；使用具有第一空洞率的第二卷积核对所述检测定位图像进行卷积编码以得到第二尺度特征图；使用具有第二空洞率的第三卷积核对所述检测定位图像进行卷积编码以得到第三尺度特征图；使用具有第三空洞率的第四卷积核对所述检测定位图像进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核
、
所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核
、
所述第三卷积核和所述第四卷积核具有不同的空洞率；将所述第一尺度特征图
、
所述第二尺度特征图
、
所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；对所述聚合特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；其中，所述包含多个混合卷积层的卷积神经网络模型的最后一层的输出为所述检测特征图
。4.
根据权利要求3所述的全自动加工设备，其特征在于，所述特征增强模块，包括：卷积单元，用于将所述检测特征图分别输入所述非局部神经网络的第一点卷积层
、
第
二点卷积层和第三点卷积层以得到第一特征图
、
第二特征图和第三特征图；加权单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入
Softmax
函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知...

【专利技术属性】
技术研发人员：徐继萍，萧宏深，项杰，
申请(专利权)人：安徽叠塑管业科技有限公司，
类型：发明
国别省市：