金手指的斜边加工系统及其方法技术方案

本申请涉及智能加工领域，其具体地公开了一种金手指的斜边加工系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取金手指斜边参考图像，将图像通过降噪器降噪后再通过多层卷积层和特征提取器的卷积网络进行多层次的特征提取，以得到用于表示磨具需要倒角的角度设定值的解码值

【技术实现步骤摘要】
金手指的斜边加工系统及其方法


[0001]本申请涉及智能加工领域，且更为具体地，涉及一种金手指的斜边加工系统及其方法
。

技术介绍

[0002]金手指斜边加工是指在工件的边缘或角部进行斜面加工产生一个倒角的效果的金属接口，一般用于在电子产品中进行连接和通信
。
不同的产品要求需要斜边倒角的角度不同，例如外观要求
、
功能要求
、
装配要求等
。
但由于现有技术中，都是由人工来手动设定金手指需要倒角的角度，进而控制磨具的磨削，有时会出现错误，智能化程度较低，加工进度下降
。
[0003]因此，期待一种优化的金手指的斜边加工方案
。

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金手指的斜边加工系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取金手指斜边参考图像，将图像通过降噪器降噪后再通过多层卷积层和特征提取器的卷积网络进行多层次的特征提取，以得到用于磨具需要倒角的角度设定值的解码值
。
进而，可以实现自动化和精确的角度设定，从而提高生产效率和产品质量
。
[0005]根据本申请的一个方面，提供了一种金手指的斜边加工系统，其包括：
[0006]参考图像获取模块，用于获取金手指斜边参考图像；
[0007]图像降噪模块，用于将所述金手指斜边参考图像通过作为降噪器的深度可分离卷积神经网络以得到降噪后金手指斜边图像；
[0008]金手指斜边特征提取模块，用于将所述降噪后金手指斜边图像通过多层卷积层的卷积神经网络模型以得到降噪后金手指斜边特征图；
[0009]特征图切分模块，用于将所述降噪后金手指斜边特征图进行特征图切分以得到多个金手指斜边特征子特征图；
[0010]特征卷积网络模块，用于将所述多个金手指斜边特征子特征图通过作为特征提取器的卷积神经网络模型以得到金手指斜边特征图；
[0011]稀疏化计算模块，用于计算所述金手指斜边特征图的稀疏化金手指斜边特征图；
[0012]倒角设定模块，用于将所述稀疏化金手指斜边特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示磨具需要倒角的角度设定值
。
[0013]在上述金手指的斜边加工系统中，所述图像降噪模块，包括：编码单元，用于将所述金手指斜边参考图像输入所述作为降噪器的深度可分离卷积神经网络的编码器，其中，所述编码器使用卷积层对所述金手指斜边参考图像进行显式空间编码以得到图像特征；以及，解码单元，用于将所述图像特征输入所述作为降噪器的深度可分离卷积神经网络的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后
待清洗物体图像；其中，作为降噪器的深度可分离卷积神经网络为基于自动编解码器的降噪器，所述自动编解码器的图像编码器包括至少一个卷积层，所述自动编解码器的图像解码器包含至少一个反卷积层
。
[0014]在上述金手指的斜边加工系统中，所述金手指斜边特征提取模块，用于：使用所述多层卷积层的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降噪后金手指斜边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降噪后金手指斜边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降噪后金手指斜边图像进行卷积编码以得到第三尺度特征图；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；以及，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降噪后金手指斜边特征图
。
[0015]在上述金手指的斜边加工系统中，所述金手指斜边特征提取模块，用于
:
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
。
[0016]在上述金手指的斜边加工系统中，所述特征卷积网络模块，用于：使用所述作为特征提取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：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进行基于局部特征矩阵的全局均值池化以得到池化特征图；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，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个金手指斜边子特征图的各个金手指斜边子特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个金手指斜边特征子特征图的各个金手指斜边特征子特征图；以及，将所述多个金手指斜边子特征图进行级联以得到所述金手指斜边特征图
。
[0017]在上述金手指的斜边加工系统中，所述倒角设定模块，用于：使用所述解码器以如下解码公式对所述稀疏化金手指斜边特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中
X
是所述稀疏化金手指斜边特征图，
Y
是所述解码值，
W
是权重矩阵，表示矩阵相乘
。
[0018]根据本申请的另一方面，提供了一种金手指的斜边加工方法，其包括：
[0019]获取金手指斜边参考图像；
[0020]将所述金手指斜边参考图像通过作为降噪器的深度可分离卷积神经网络以得到降噪后金手指斜边图像；
[0021]将所述降噪后金手指斜边图像通过多层卷积层的卷积神经网络模型以得到降噪后金手指斜边特征图；
[0022]将所述降噪后金手指斜边特征图进行特征图切分以得到多个金手指斜边特征子特征图；
[0023]将所述多个金手指斜边特征子特征图通过作为特征提取器的卷积神经网络模型以得到金手指斜边特征图；
[0024]计算所述金手指斜边特征图的稀疏化金手指斜边特征图；
[0025]将所述稀疏化金手指斜边特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示磨具需要倒角的角度设定值
。
[0026]与现有技术相比，本申请提供的一种金手指的斜边加工系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取金手指斜边参考图像，将图像通过降噪器降噪后再通过多层卷积层和特征提取器的卷积网络进行多层次的特征提取，以得到用于表示磨具需要倒角的角度设定值的解码值
。
进而，可以实现自动化和精确的角度设定，从而提高生产效率和产品质量
。
附图说明
[0027]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
、...

【技术保护点】

【技术特征摘要】
1.
一种金手指的斜边加工系统，其特征在于，包括：参考图像获取模块，用于获取金手指斜边参考图像；图像降噪模块，用于将所述金手指斜边参考图像通过作为降噪器的深度可分离卷积神经网络以得到降噪后金手指斜边图像；金手指斜边特征提取模块，用于将所述降噪后金手指斜边图像通过多层卷积层的卷积神经网络模型以得到降噪后金手指斜边特征图；特征图切分模块，用于将所述降噪后金手指斜边特征图进行特征图切分以得到多个金手指斜边特征子特征图；特征卷积网络模块，用于将所述多个金手指斜边特征子特征图通过作为特征提取器的卷积神经网络模型以得到金手指斜边特征图；稀疏化计算模块，用于计算所述金手指斜边特征图的稀疏化金手指斜边特征图；倒角设定模块，用于将所述稀疏化金手指斜边特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示磨具需要倒角的角度设定值
。2.
根据权利要求1所述的金手指的斜边加工系统，其特征在于，所述图像降噪模块，包括：编码单元，用于将所述金手指斜边参考图像输入所述作为降噪器的深度可分离卷积神经网络的编码器，其中，所述编码器使用卷积层对所述金手指斜边参考图像进行显式空间编码以得到图像特征；解码单元，用于将所述图像特征输入所述作为降噪器的深度可分离卷积神经网络的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后待清洗物体图像；其中，作为降噪器的深度可分离卷积神经网络为基于自动编解码器的降噪器，所述自动编解码器的图像编码器包括至少一个卷积层，所述自动编解码器的图像解码器包含至少一个反卷积层
。3.
根据权利要求2所述的金手指的斜边加工系统，其特征在于，所述金手指斜边特征提取模块，用于：使用所述多层卷积层的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降噪后金手指斜边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降噪后金手指斜边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降噪后金手指斜边图像进行卷积编码以得到第三尺度特征图；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降噪后
金手指斜边特征图
。4.
根据权利要求3所述的金手指的斜边加工系统，其特征在于，所述金手指斜边特征提取模块，用于
:
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
。5.
根据权利要求4所述的金手指的斜边加工系统，其特征在于，所述特征卷积网络模块，用于：使用所述作为特征提取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：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进行基于局部特征矩阵的全局均值池化以得到池化特征图；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，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个金手指斜边子特征图的各个金手指斜边子特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个金手指斜边特征子特征图的各个金手指斜边特征子特征图；将所述多个金手指斜边子特征图进行级联以得到所述金手指斜边特征图
。6.
根据权利要求5所述的金手指的斜边加工系统，其特征在于，所述稀疏化计算模块，包括：尺寸和通道数确定单元，用于确定所述金手指斜边特征图的尺寸和通道数，其中，所述金手指斜边特征图的尺寸为
H
×
W
，
H
为高度，
W
为宽度，且通道数为

【专利技术属性】
技术研发人员：陈星，傅启文，
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：