【技术实现步骤摘要】
本专利技术涉及贴铜机，尤其涉及一种基于深度学习的贴铜机料带直线纠偏方法及纠偏装置。
技术介绍
1、目前，全自动卷对卷双面贴铜机是一种专用于生产多层电路板的设备，它能够连续地将铜箔贴附到覆铜板或半固化片上，以形成多层电路板的结构。
2、在全自动卷对卷双面贴铜机的多层板贴胶工序中，料带在输送过程中容易出现偏移的问题，目前全自动卷对卷双面贴铜机采用的料带纠偏方式主要包括以下几种：
3、光电纠偏系统：通过光电传感器（如红外线或激光传感器）实时监测料带边缘位置，当检测到料带偏移时，传感器信号反馈给控制系统，控制纠偏装置自动调整导向辊的位置，将料带引导回中心位置。这种方法响应速度快，精度较高。
4、机械式纠偏装置：包括连杆式自动调偏装置和防跑偏清料托辊等部件，连杆式装置结构相对复杂，通过一系列连杆机构实现纠偏动作，防跑偏清料托辊通过在u形输送带上安装的托辊，利用其表面结构或旋转方向帮助料带保持居中，从而实现纠偏的功能。
5、然而目前现有的纠偏方式以及纠偏装置存在以下缺点：
6、1.纠偏精度与稳定性不足：传统纠偏装置依赖于简单的机械或视觉检测系统，难以精确识别料带的各种复杂特征和动态变化，导致纠偏不准确，影响生产质量。
7、2.目前现有的非深度学习的纠偏系统在图像处理速度和自动化决策上有所不足，分析和反应时间较长，无法实现快速纠偏，影响生产效率。自动化程度较低，需要更多的人工监视和手动介入，降低了连续作业的可靠性和效率。
8、因此需要一种可以解决上述问题的一种
技术实现思路
1、本专利技术提供了一种基于深度学习的贴铜机料带直线纠偏方法及纠偏装置，本专利技术通过深度学习技术，尤其是结合卷积神经网络的空间特征提取能力和循环神经网络的时序分析能力，能够对料带的实时图像进行精细化分析，捕捉到更为复杂的边缘、纹理等特征，以及料带在输送过程中的动态变化，显著提高了纠偏的准确性和稳定性。
2、本专利技术为解决上述技术问题所采用的技术方案是：
3、一种基于深度学习的贴铜机料带直线纠偏方法，包括以下步骤：
4、步骤s1：安装检测机构，将检测机构中的传感器安装在传感器支架上，通过传感器实时采集料带在输送过程中的图像；；
5、步骤s2：利用卷积神经网络对传感器采集的料带图像进行空间特征提取，得到每帧图像的特征信息；
6、步骤s3：将每帧图像的特征信息向量按时间顺序排列，形成图像特征序列；
7、步骤s4：将图像特征序列输入到循环神经网络中，以捕捉料带的时序信息；
8、步骤s5：设计时序注意力机制并将其结合至循环神经网络中；
9、步骤s6：构建整合了卷积神经网络与循环神经网络的深度学习模型；
10、步骤s7：使用带标签的数据集对深度学习模型进行训练与验证，并通过交叉验证方法验证深度学习模型的有效性与泛化能力；
11、步骤s8：将训练验证后的深度学习模型集成到贴铜机控制系统中，通过电性连接纠偏机构进行实时纠偏操作。
12、进一步的，所述步骤s1中将传感器安装在传感器支架上，通过传感器实时采集料带在输送过程中的图像包括：
13、步骤s1-1：根据料带传送路径确定传感器的安装位置；
14、步骤s1-2：将传感器安装在传感器支架上，配置传感器的参数，包括设定传感器的采样频率与曝光参数。
15、进一步的，所述步骤s2利用卷积神经网络模型对传感器采集的料带图像进行空间特征提取，得到每帧图像的特征信息包括：
16、步骤s2-1：对传感器采集的料带图像进行预处理；
17、步骤s2-2：构建卷积神经网络模型；
18、步骤s2-3：通过卷积神经网络模型对料带图像进行空间特征提取；
19、步骤s2-4：对提取的空间特征进行向量化。
20、进一步的，所述步骤s2-1对传感器采集的料带图像进行预处理包括：
21、步骤s2-1-1：对传感器采集到的原始图像调整到卷积神经网络所需的标准尺寸；
22、步骤s2-1-2：将调整后的图像转换为灰度图像；
23、步骤s2-1-3：将灰度图像的像素值进行归一化。
24、进一步的，所述步骤s2-2构建卷积神经网络模型包括：
25、步骤s2-2-1：根据图像尺寸确定输入层的大小；
26、步骤s2-2-2：设计多层卷积层，每层包含多个卷积核，用于学习图像特征，图像特征包括边缘特征、纹理特征、对比度特征、直线特征、形状特征、运动方向特征与时序特征；
27、步骤s2-2-3：通过卷积层对图像特征进行计算并输出一组新的特征图；
28、步骤s2-2-4：在新的特征图上执行池化操作，用于降低特征图的维度，减少计算量；
29、步骤s2-2-5：在深度学习框架中编译卷积神经网络模型，指定优化器、损失函数及评估指标；
30、步骤s2-2-6：准备训练数据集与验证数据集对卷积神经网络模型进行训练，在训练过程中，通过反向传播和梯度下降更新模型参数。
31、进一步的，所述步骤s5设计时序注意力机制并将其结合至循环神经网络中包括：
32、步骤s5-1：设计计算每个时间步的注意力分数的函数，将当前时间步的隐藏状态h_t与前一时间步的隐藏状态或整个时间序列的均值进行比较，计算方式包括点积与加权求和；
33、步骤s5-2：使用softmax函数将计算得到的原始注意力分数转化为概率分布，确保所有时间步的权重之和为1，从而形成一个有效的注意力权重向量；
34、步骤s5-3：对于每个时间步t，根据设计好的注意力分数函数计算出该时间步的注意力权重α_t；
35、步骤s5-4：利用计算出的注意力权重α_t，对循环神经网络在所有时间步产生的隐藏状态h_1, h_2, ..., h_t进行加权求和，生成一个上下文向量c；
36、步骤s5-5：将上下文向量c与当前时间步的隐藏状态h_t融合；
37、步骤s5-6：使用深度学习框架来根据设计的注意力机制结构编写相应的代码；
38、步骤s5-7：将带有注意力机制的代码模块整合至循环神经网络中，确保在每个时间步或在需要的层级应用注意力机制。
39、进一步的，所述步骤s6中构建整合了卷积神经网络模型与循环神经网络的深度学习模型包括：
40、步骤s6-1：使用深度学习框架定义卷积神经网络和循环神经网络为可复用的模块或层；
41、步骤s6-2：将卷积神经网络的输出作为循环神经网络的输入，确保数据流从卷积神经网络无缝过渡到循环神经网络直接作为循环神经网络的输入；
42、步骤s6-3：选择损失函数和优化器；
43、步骤s6-4：在框架中编译模型，指本文档来自技高网...
【技术保护点】
1.一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤S1中将传感器（3）安装在传感器支架（14）上，通过传感器（3）实时采集料带（1）在输送过程中的图像包括：
3.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤S2利用卷积神经网络模型对传感器（3）采集的料带图像进行空间特征提取，得到每帧图像的特征信息包括：
4.根据权利要求3所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤S2-1对传感器（3）采集的料带图像进行预处理包括：
5.根据权利要求3所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤S2-2构建卷积神经网络模型包括：
6.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤S5设计时序注意力机制并将其结合至循环神经网络中包括：
7.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法
8.一种基于深度学习的贴铜机料带直线纠偏装置，包括支撑架（4）、传送架（6）、纠偏机构以及检测机构，所述传送架（6）固定连接在支撑架（4）的上端，在传送架（6）上连接有支撑导辊（21），所述纠偏机构安装在传送架（6）上，纠偏机构与检测机构之间为电性连接，在所述支撑架（4）上安装有控制触控屏，控制触控屏与纠偏机构之间为电性连接；
9.根据权利要求8所述的一种基于深度学习的贴铜机料带直线纠偏装置，其特征在于，所述检测机构包括传感器（3）、传感器支架（14）与调节组件，所述传感器（3）固定连接在传感器支架（14）上，传感器支架（14）固定连接在调节组件的一侧，所述调节组件包括调节套（16）、调节柱、调节旋钮、横杆（19）与支架（20），所述横杆（19）固定连接在支架（20）上，调节套（16）连接在横杆（19）上，所述调节柱的一端与调节旋钮之间相互连接，调节柱的另一端穿过调节套（16）并与传感器支架（14）之间相互固定连接。
10.根据权利要求9所述的一种基于深度学习的贴铜机料带直线纠偏装置，其特征在于，所述调节柱与调节套（16）之间通过手拧螺栓A（15）相互固定，所述横杆（19）与调节套（16）之间通过手拧螺栓B（17）、手拧螺栓C（18）相互固定。
...【技术特征摘要】
1.一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤s1中将传感器（3）安装在传感器支架（14）上，通过传感器（3）实时采集料带（1）在输送过程中的图像包括：
3.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤s2利用卷积神经网络模型对传感器（3）采集的料带图像进行空间特征提取，得到每帧图像的特征信息包括：
4.根据权利要求3所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤s2-1对传感器（3）采集的料带图像进行预处理包括：
5.根据权利要求3所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤s2-2构建卷积神经网络模型包括：
6.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤s5设计时序注意力机制并将其结合至循环神经网络中包括：
7.根据权利要求1所述的一种基于深度学习的贴铜机料带直线纠偏方法，其特征在于，所述步骤s6中构建整合了卷积神经网络模型与循环神经网络的深度学习模型包括：
...【专利技术属性】
技术研发人员：黄成，余径，肖朋，郭昆山，杨启刚，
申请(专利权)人：深圳市邦正精密机械股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。