软硬结合板层的层别智能加工方法及其系统技术方案

本申请涉及智能加工领域，其具体地公开了一种软硬结合板层的层别智能加工方法及其系统，其采用基于深度神经网络模型的人工智能技术，获取成品软硬结合板图像和多个预定时间点的切割深度，提取出结合板的切割区域后通过过滤器卷积网络提取出切割部分的特征，将切割深度排列为向量后通过深度特征提取器提取出切割深度特征，融合后以得到用于表示当前时间点的切割深度应增大、减小或不变的分类结果。进而可以实现对软硬结合板切割深度的自动调整，从而提高软硬结合板层的生产效率和质量。从而提高软硬结合板层的生产效率和质量。从而提高软硬结合板层的生产效率和质量。

【技术实现步骤摘要】
软硬结合板层的层别智能加工方法及其系统


[0001]本申请涉及智能加工领域，且更为具体地，涉及一种软硬结合板层的层别智能加工方法及其系统。

技术介绍

[0002]软硬结合板，就是柔性线路板与硬性线路板，经过压合等工序，按相关工艺要求组合在一起，形成的具有FPC特性与PCB特性的线路板。不同的软硬集合板在切割时需要不同的切割深度。若切割深度过大，会导致材料的过度消耗破坏材料的结构完整性，加工精度下降。但切割深度过小，会导致切割表面不平整，影响材料的性能和稳定性，进而影响加工质量。但由于现有技术对不同的结合板很难精确地控制切割深度，导致加工质量不达标。
[0003]因此，期待一种优化的软硬结合板层的层别智能加工方案。

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软硬结合板层的层别智能加工方法及其系统，其采用基于深度神经网络模型的人工智能技术，获取成品软硬结合板图像和多个预定时间点的切割深度，提取出结合板的切割区域后通过过滤器卷积网络提取出切割部分的特征，将切割深度排列为向量后通过深度特征提取器提取出切割深度特征，融合后以得到用于表示当前时间点的切割深度应增大、减小或不变的分类结果。进而可以实现对软硬结合板切割深度的自动调整，从而提高软硬结合板层的生产效率和质量。
[0005]根据本申请的一方面，提供了一种软硬结合板层的层别智能加工方法，其包括：
[0006]获取由摄像头采集的成品软硬结合板图像和多个预定时间点的切割深度；
[0007]将所述成品软硬结合板图像通过切割区域检测网络以得到多个切割感兴趣区域图像；
[0008]从所述多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到切割感兴趣区域特征向量；
[0009]将所述多个预定时间点的切割的深度按照时间维度排列为切割深度输入向量后通过包含第一卷积层和第二卷积层的深度特征提取器以得到切割深度特征向量；
[0010]基于所述切割感兴趣区域特征向量，对所述切割深度特征向量进行特征空间的仿射密度域一致化以得到分类特征向量；
[0011]将所述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当前时间点的切割深度应增大、减小或不变。
[0012]在上述软硬结合板层的层别智能加工方法中，将所述成品软硬结合板图像通过切割区域检测网络以得到多个切割感兴趣区域图像，包括：所述切割区域检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R
‑
CNN、Faster R
‑
CNN或RetinaNet。
[0013]在上述软硬结合板层的层别智能加工方法中，从所述多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到切割感兴趣区域特征向量，包括：将多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到多个切割感兴趣区域特征向量；以及，将所述多个切割感兴趣区域特征向量进行级联以得到所述切割感兴趣区域特征向量。
[0014]在上述软硬结合板层的层别智能加工方法中，将多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到多个切割感兴趣区域特征向量，包括：使用所述作为过滤器的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：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出分别为所述多个切割感兴趣区域特征向量的各个切割感兴趣区域特征向量，所述作为过滤器的卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述作为过滤器的卷积神经网络模型的输入分别为所述多个切割感兴趣区域图像的各个切割感兴趣区域图像。
[0015]在上述软硬结合板层的层别智能加工方法中，将所述多个预定时间点的切割的深度按照时间维度排列为切割深度输入向量后通过包含第一卷积层和第二卷积层的深度特征提取器以得到切割深度特征向量，包括：将所述切割深度输入向量输入所述包含第一卷积层和第二卷积层的深度特征提取器的第一卷积层以得到第一尺度切割深度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述切割深度输入向量输入所述包含第一卷积层和第二卷积层的深度特征提取器的第二卷积层以得到第二尺度切割深度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，使用所述包含第一卷积层和第二卷积层的深度特征提取器的级联层将所述第一尺度切割深度输入向量以及所述第二尺度切割深度特征向量进行级联以得到所述切割深度特征向量。
[0016]根据本申请的另一方面，提供了一种软硬结合板层的层别智能加工系统，其包括：
[0017]图像数据采集模块，用于获取由摄像头采集的成品软硬结合板图像和多个预定时间点的切割深度；
[0018]切割区域提取模块，用于将所述成品软硬结合板图像通过切割区域检测网络以得到多个切割感兴趣区域图像；
[0019]切割特征提取模块，用于从所述多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到切割感兴趣区域特征向量；
[0020]深度特征提取模块，用于将所述多个预定时间点的切割的深度按照时间维度排列为切割深度输入向量后通过包含第一卷积层和第二卷积层的深度特征提取器以得到切割深度特征向量；
[0021]特征空间一致化模块，用于基于所述切割感兴趣区域特征向量，对所述切割深度特征向量进行特征空间的仿射密度域一致化以得到分类特征向量；
[0022]分类结果生成模块，用于将所述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当前时间点的切割深度应增大、减小或不变。
[0023]与现有技术相比，本申请提供的一种软硬结合板层的层别智能加工方法及其系统，其采用基于深度神经网络模型的人工智能技术，获取成品软硬结合板图像和多个预定时间点的切割深度，提取出结合板的切割区域后通过过滤器卷积网络提取出切割部分的特征，将切割深度排列为向量后通过深度特征提取器提取出切割深度特征，融合后以得到用于表示当前时间点的切割深度应增大、减小或不变的分类结果。进而可以实现对软硬结合板切割深度的自动调整，从而提高软硬结合板层的生产效率和质量。
附图说明
[0024]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。
[0025]图1为根据本申请实施例的软硬结合板层的层别智能加工方法的流程图。
[0026]图2为根据本申请实施例的软硬结合板层的层别智能加工方法的架构示意图。
[0027]图3为根据本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种软硬结合板层的层别智能加工方法，其特征在于，包括：获取由摄像头采集的成品软硬结合板图像和多个预定时间点的切割深度；将所述成品软硬结合板图像通过切割区域检测网络以得到多个切割感兴趣区域图像；从所述多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到切割感兴趣区域特征向量；将所述多个预定时间点的切割的深度按照时间维度排列为切割深度输入向量后通过包含第一卷积层和第二卷积层的深度特征提取器以得到切割深度特征向量；基于所述切割感兴趣区域特征向量，对所述切割深度特征向量进行特征空间的仿射密度域一致化以得到分类特征向量；将所述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当前时间点的切割深度应增大、减小或不变。2.根据权利要求1所述的软硬结合板层的层别智能加工方法，其特征在于，将所述成品软硬结合板图像通过切割区域检测网络以得到多个切割感兴趣区域图像，包括：所述切割区域检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R
‑
CNN、Faster R
‑
CNN或RetinaNet。3.根据权利要求2所述的软硬结合板层的层别智能加工方法，其特征在于，从所述多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到切割感兴趣区域特征向量，包括：将多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到多个切割感兴趣区域特征向量；将所述多个切割感兴趣区域特征向量进行级联以得到所述切割感兴趣区域特征向量。4.根据权利要求3所述的软硬结合板层的层别智能加工方法，其特征在于，将多个切割感兴趣区域图像通过作为过滤器的卷积神经网络模型以得到多个切割感兴趣区域特征向量，包括：使用所述作为过滤器的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：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的池化处理以生成池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出分别为所述多个切割感兴趣区域特征向量的各个切割感兴趣区域特征向量，所述作为过滤器的卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述作为过滤器的卷积神经网络模型的输入分别为所述多个切割感兴趣区域图像的各个切割感兴趣区域图像。5.根据权利要求4所述的软硬结合板层的层别智能加工方法，其特征在于，将所述多个预定时间点的切割的深度按照时间维度排列为切割深度输入向量后通过包含第一卷积层和第二卷积层的深度特征提取器以得到切割深度特征向量，包括：将所述切割深度输入向量输入所述包含第一卷积层和第二卷积层的深度特征提取器的第一卷积层以得到第一尺度切割深度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述切割深度输入向量输入所述包含第一卷积层和第二卷积层的深度特征提取器的第二卷积层以得到第二尺度切割深度特征向量，其中，所述第二卷积层...

【专利技术属性】
技术研发人员：何永清，肖勇彪，
申请(专利权)人：江西威尔高电子股份有限公司，
类型：发明
国别省市：