钢筋切割设备及其控制方法技术

本申请涉及智能切割的领域，其具体地公开了一种钢筋切割设备及其控制方法，其通过卷积神经网络模型来分别将从待切割钢筋的截面方向获取的图像和从所述待切割钢筋的周向方向的多个视角获取的图像进行局部高维的隐含特征提取，以综合考虑所述待切割钢筋表面的水泥固着情况，并在特征融合时，对多个周面局部特征图进行基于局部

【技术实现步骤摘要】
钢筋切割设备及其控制方法


[0001]本申请涉及智能切割的领域，且更为具体地，涉及一种钢筋切割设备及其控制方法。

技术介绍

[0002]在建筑房屋，构建地基时，都会用到钢筋来搭架子，钢筋起到一个临时支撑的作用，并不属于消耗品，还可以再次利用。但是在施工时，水泥等物很容易附着粘固在钢筋上。在利用钢筋切割设备切割附着有水泥的钢筋时，如果不对钢筋表面的水泥进行清洗，会对钢筋切割设备带来损伤，且被切割的水泥块会飞溅造成安全隐患，但是如果对所有的钢筋都进行清洗，若钢筋附着的水泥量很小，实质上没有必要做清洗。
[0003]因此，期待一种钢筋切割机，其能够对钢筋表面附着的水泥情况进行智能分析与判断以确定是否可直接进行切割，还是需要清洗后再进行切割。

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钢筋切割设备及其控制方法，其通过卷积神经网络模型来分别将从待切割钢筋的截面方向获取的图像和从所述待切割钢筋的周向方向的多个视角获取的图像进行局部高维的隐含特征提取，以综合考虑所述待切割钢筋表面的水泥固着情况，并在特征融合时，对多个周面局部特征图进行基于局部
‑
整体特征的修正，以通过围绕每个视场角的局部特征信息相对于整体特征信息的最小化损失引入鲁棒性，来提升特征局部相当于特征整体的聚类性能。这样，在将周面局部特征图融合为外围特征图时，可以提升所述外周特征图对于全局外周特征的表达能力，进而提高了对于钢筋是否直接切断的判断准确性。
[0005]根据本申请的一个方面，提供了一种钢筋切割设备，其包括：训练模块，包括：训练数据获取单元，用于通过第一相机从待切割钢筋的截面方向获取所述待切割钢筋的第一图像以及通过第二相机从所述待切割钢筋的周向方向的多个视角获取所述待切割钢筋的多个第二图像；第一卷积编码单元，用于将所述待切割钢筋的第一图像通过第一卷积神经网络以得到截面特征图；第二卷积编码单元，用于将所述待切割钢筋的多个第二图像分别通过第二卷积神经网络以得到多个周面局部特征图；校正单元，用于对所述多个周面局部特征图中各个周面局部特征图进行基于所述多个周面局部特征图的整体的特征分布校正以得到校正后多个周面局部特征图；第一融合单元，用于融合所述校正后多个周面局部特征图以得到外周特征图；第二融合单元，用于融合所述外周特征图和所述截面特征图以得到分类特征图；分类损失计算单元，用于将所述分类特征图通过分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断模块，包括：检测数据获取单元，用于通过第一相机从待切割钢筋的截面方向获取所述待切割钢筋的第一图像以及通过第二相机从所述待切割钢筋的周向方向的多个视角获取所述待切割钢筋的多个第二图像；截面提取单元，用于将所述待切割
钢筋的第一图像通过经所述训练模块训练完成的所述第一卷积神经网络以得到截面特征图；周面特征提取单元，用于将所述待切割钢筋的多个第二图像分别通过经所述训练模块训练完成的所述第二卷积神经网络以得到多个周面局部特征图；周面特征图生成单元，用于融合所述多个周面局部特征图以得到外周特征图；全局特征融合单元，用于融合所述外周特征图和所述截面特征图以得到分类特征图；以及切割控制结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述待切割钢筋是否适宜直接切割。
[0006]根据本申请的另一个方面，提供了一种钢筋切割设备的控制方法，其包括：训练阶段，包括：通过第一相机从待切割钢筋的截面方向获取所述待切割钢筋的第一图像以及通过第二相机从所述待切割钢筋的周向方向的多个视角获取所述待切割钢筋的多个第二图像；将所述待切割钢筋的第一图像通过第一卷积神经网络以得到截面特征图；将所述待切割钢筋的多个第二图像分别通过第二卷积神经网络以得到多个周面局部特征图；对所述多个周面局部特征图中各个周面局部特征图进行基于所述多个周面局部特征图的整体的特征分布校正以得到校正后多个周面局部特征图；融合所述校正后多个周面局部特征图以得到外周特征图；融合所述外周特征图和所述截面特征图以得到分类特征图； 将所述分类特征图通过分类器以得到分类损失函数值；以所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断阶段，包括：通过第一相机从待切割钢筋的截面方向获取所述待切割钢筋的第一图像以及通过第二相机从所述待切割钢筋的周向方向的多个视角获取所述待切割钢筋的多个第二图像；将所述待切割钢筋的第一图像通过经所述训练模块训练完成的所述第一卷积神经网络以得到截面特征图；将所述待切割钢筋的多个第二图像分别通过经所述训练模块训练完成的所述第二卷积神经网络以得到多个周面局部特征图；融合所述多个周面局部特征图以得到外周特征图；融合所述外周特征图和所述截面特征图以得到分类特征图；以及将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述待切割钢筋是否适宜直接切割。
[0007]与现有技术相比，本申请提供的钢筋切割设备及其控制方法，其通过卷积神经网络模型来分别将从待切割钢筋的截面方向获取的图像和从所述待切割钢筋的周向方向的多个视角获取的图像进行局部高维的隐含特征提取，以综合考虑所述待切割钢筋表面的水泥固着情况，并在特征融合时，对多个周面局部特征图进行基于局部
‑
整体特征的修正，以通过围绕每个视场角的局部特征信息相对于整体特征信息的最小化损失引入鲁棒性，来提升特征局部相当于特征整体的聚类性能。这样，在将周面局部特征图融合为外围特征图时，可以提升所述外周特征图对于全局外周特征的表达能力，进而提高了对于钢筋是否直接切断的判断准确性。
附图说明
[0008]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。
[0009]图1为根据本申请实施例的钢筋切割设备的场景示意图。
[0010]图2为根据本申请实施例的钢筋切割设备的框图。
[0011]图3A为根据本申请实施例的钢筋切割设备的控制方法中训练阶段的流程图。
[0012]图3B为根据本申请实施例的钢筋切割设备的控制方法中推断阶段的流程图。
[0013]图4为根据本申请实施例的钢筋切割设备的控制方法中训练阶段的架构示意图。
[0014]图5为根据本申请实施例的钢筋切割设备的控制方法中推断阶段的架构示意图。
具体实施方式
[0015]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。
[0016]场景概述如前所述，在建筑房屋，构建地基时，都会用到钢筋来搭架子，钢筋起到一个临时支撑的作用，并不属于消耗品，还可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钢筋切割设备，其特征在于，包括：训练模块，包括：训练数据获取单元，用于通过第一相机从待切割钢筋的截面方向获取所述待切割钢筋的第一图像以及通过第二相机从所述待切割钢筋的周向方向的多个视角获取所述待切割钢筋的多个第二图像；第一卷积编码单元，用于将所述待切割钢筋的第一图像通过第一卷积神经网络以得到截面特征图；第二卷积编码单元，用于将所述待切割钢筋的多个第二图像分别通过第二卷积神经网络以得到多个周面局部特征图；校正单元，用于对所述多个周面局部特征图中各个周面局部特征图进行基于所述多个周面局部特征图的整体的特征分布校正以得到校正后多个周面局部特征图；第一融合单元，用于融合所述校正后多个周面局部特征图以得到外周特征图；第二融合单元，用于融合所述外周特征图和所述截面特征图以得到分类特征图； 分类损失计算单元，用于将所述分类特征图通过分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断模块，包括：检测数据获取单元，用于通过第一相机从待切割钢筋的截面方向获取所述待切割钢筋的第一图像以及通过第二相机从所述待切割钢筋的周向方向的多个视角获取所述待切割钢筋的多个第二图像；截面提取单元，用于将所述待切割钢筋的第一图像通过经所述训练模块训练完成的所述第一卷积神经网络以得到截面特征图；周面特征提取单元，用于将所述待切割钢筋的多个第二图像分别通过经所述训练模块训练完成的所述第二卷积神经网络以得到多个周面局部特征图；周面特征图生成单元，用于融合所述多个周面局部特征图以得到外周特征图；全局特征融合单元，用于融合所述外周特征图和所述截面特征图以得到分类特征图；以及切割控制结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述待切割钢筋是否适宜直接切割。2.根据权利要求1所述的钢筋切割设备，其中，所述第一卷积编码单元，进一步用于使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述截面特征图。3.根据权利要求2所述的钢筋切割设备，其中，所述第二卷积编码单元，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行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，所述第二卷积神经网络的最后一层的输出为所述多个周面局部特征图，所述第二卷积神经网络的第一层的输入为所述待切割钢筋的多个第二图像。4.根据权利要求3所述的钢筋切割设备，其中，所述校正单元，进一步用于：以如下公式对所述多个周面局部特征图中各个周面局部特征图进行基于所述多个周面局部特征图的整体的特征分布校正以得到所述校正后多个周面局部特征图；其中，所述公式为：其中为所述多个周面局部特征图中各个周面局部特征图的特征值，且表示对所述多个周面局部特征图中各个周面局部特征图的各个位置的
特征值求和。5.根据权利要求4所述的钢筋切割设备，其中，所述第一融合单元，进一步用于将所述校正后多个周面局部特征图进行级联以得到外周特征图。6.根据权利要求5所述的钢筋...

【专利技术属性】
技术研发人员：宋东明，徐冬梅，张艳荣，
申请(专利权)人：江苏顺隆鸿泰电力设备有限公司，
类型：发明
国别省市：