一种用于罐身加工的深度学习定位优化方法技术

本发明专利技术提出了一种用于罐身加工的深度学习定位优化方法，采用热图像分析以及超声波检测手段，对加热后罐体的数据进行采集，并提出一种多层融合数据的模型将两种数据进行融合为一组

【技术实现步骤摘要】
一种用于罐身加工的深度学习定位优化方法


[0001]本专利技术涉及罐体加工领域，具体为一种用于罐身加工的深度学习定位优化方法
。

技术介绍

[0002]传统工程中对于罐体的定位是一件较为复杂且错误率较高的工作，这是由于罐体通常具有复杂的形状和尺寸，并且在工程现场可能存在高温高热的情况
。
目前较多采用的方式是工人手动测量罐体的尺寸和位置，然后使用传统的测量工具进行定位
。
但这种方法容易受到人为误差的影响，从而导致定位不准确，并且改中检测方式较慢，难以满足工业化快速生产的需求
。
因此目前继续一种更加自动化，更加快速的定位方法
。

技术实现思路

[0003]为解决上述技术问题，本专利技术提供了一种变电站监控场景下的进场人员监测方法，，能够实现对罐体位置角度的快速定位
。
[0004]为实现上述目的，本专利技术采取的技术方案是：
[0005]一种用于罐身加工的深度学习定位优化方法，包括如下步骤：
[0006]1)
过滤间隔设定；
[0007]在本步骤中，需要表征两种类型数据，分别为超声波监测数据以及热图像分析数据；
[0008]具体表现为在罐体加热过程后，烫金工艺定位前，使用热成像仪来获取罐体表面的温度分布图像，以及使用超声波探测装置获取声阻特征数据，对于数据的收集表征分为两个步骤，其中首先进行范围过滤数据收集，即每一次按照过滤公式进行较大范围的取样，并且所采集的图片之间不产生区域重叠；
[0009]2)
数据图像获取设定；
[0010]罐体中间焊缝的宽度在3至
4mm
之间，采用平衡过滤法则，即采用两种过滤方法，均按照采样公式进行采集，其中第一个采用大范围过滤法则，然后对过滤后焊缝可能性比较高的区域进行小间距提取工作；
[0011]3)
数据融合设定；
[0012]多层数据融合模型，将本次收集到的热图像分析数据与超声波监测数据按照合并公式进行间隔权重融合，其中两种数据的影响性根据两者实际的检测质量以及其单独训练时的网络正确性，并将超声波数据直接按照扩增公式填充进去；
[0013]4)
网络架构设定；
[0014]本步骤对网络架构的流程进行具体涉及，步骤
3)
输出的数据形式为融合的
FeatureMap
，其中包括热图像分析数据以及超声波检测数据，本步骤中则对其进行卷积操作，且当经过大范围过滤法则后分割出的数据输入到此进行卷积操作，判断其内是否含有焊缝；
[0015]5)
焊缝坐标值输出；
[0016]在步骤
4)
中完成了所有焊缝坐标值的检测保存，本步骤中则对其按照坐标处理公式进行处理以及输出即可；
[0017]6)
算法部署与应用；
[0018]在上述步骤中，完成了对于罐体焊缝的定位，本步骤中则进行部署与应用即可，将算法模型部署到生产线中，其输出罐体焊缝的具体坐标值，根据该反馈的坐标值，判定此时的罐体处于什么位置，判别离需要烫金的位置的角度，旋转罐体直接进行烫金即可
。
[0019]作为本专利技术进一步改进，所述步骤
1)
中过滤公式表示为：
[0020]其中过滤公式表达如下：
[0021][0022]其中
,D
为罐身圆体的周长，为超参数，
d
则为进行大范围采样所设定的每次采样宽度，其中每次大范围采样的区域不产生重叠，当工厂流水线设定的速率较高时，则将设定为一个较小值，进而使得整体大范围区域检测次数减少，而当工厂流水线设定的速率较小时，则提高为一个较大值，进而降低第一次过滤范围，提升其检测质量
。
[0023]作为本专利技术进一步改进，所述步骤
2)
中采样公式表示为：
[0024]其中，采样公式表达如下：
[0025][0026]其中，
T
表示为焊缝大小，
k
表示为超参数，
S
为输入到算法模型中的大小，以
k
＝1为专中间临界点，当
k
值小于1时则表明此时为大范围过滤法则，而当
k
值大于1时则表明此时处于小间距提取工作
。
[0027]作为本专利技术进一步改进，所述步骤
3)
中扩增公式表示为：
[0028]其中扩增公式表示如下：
[0029]x
＝
Random(x1、x2、x3、x4、x5)
[0030]其中，
x1、x2、x3、x4、
x5分别为反射幅值
、
回波时间
、
声阻抗
、
声能损失以及声速，
Random
表明随机函数，即从所选元素内随机抽取一个值，
x
表明该像素点的数值，通过本公式即可完成对一维超声波数据的扩充，使其与热图像分析的
FeatureMap
保持一致；
[0031]所述步骤
3)
中合并公式表示为：
[0032]其中合并公式表示如下：
[0033][0034]其中，
n
表示超声波数据需要插入的数量，
Ero
R
，
Erp
C
分别为热图像分析单独训练网络训练是否为焊缝的错误率以及超声波检测单独网络训练是否为焊缝的错误率，
arc
C
为对罐体进行超声波检测时超神波的准确度，
arc
R
为对罐体进行热图像数据采集时热图像分析的准确度
。
[0035]作为本专利技术进一步改进，所述步骤
5)
中坐标处理公式表示为：
[0036]在步骤
4)
中完成了所有焊缝坐标值的检测保存，本步骤中则其进行处理以及输出即可，其中坐标处理公式如下所示：
[0037][0038]其中，
j
表示最终输出的焊缝位置，
i
所有小范围存在焊缝时其坐标值，
p
所有小范围存在焊缝其数量值
。
[0039]与现有技术相比，本专利技术的有益效果为：
[0040]1)
本申请提供的一种用于罐身加工的深度学习定位优化方法提出一种大范围过滤，小范围提取的优化方法，能够较好并且快速的提取出关键定位信息，并及时进行反馈
。
[0041]2)
本申请提供的一种用于罐身加工的深度学习定位优化方法提出一种多层融合数据的模型将两种数据进行融合为一组
FeatureMap
，并根据两者的准确性以及实验测量的误差对两者的权重进行调节优化，最终加强了网络的表达能力提升
[0042]3)
本申请提供的一种用于罐身加工的深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于罐身加工的深度学习定位优化方法，其特征在于：包括如下步骤：
1)
过滤间隔设定；在本步骤中，需要表征两种类型数据，分别为超声波监测数据以及热图像分析数据；具体表现为在罐体加热过程后，烫金工艺定位前，使用热成像仪来获取罐体表面的温度分布图像，以及使用超声波探测装置获取声阻特征数据，对于数据的收集表征分为两个步骤，其中首先进行范围过滤数据收集，即每一次按照过滤公式进行较大范围的取样，并且所采集的图片之间不产生区域重叠；
2)
数据图像获取设定；罐体中间焊缝的宽度在3至
4mm
之间，采用平衡过滤法则，即采用两种过滤方法，均按照采样公式进行采集，其中第一个采用大范围过滤法则，然后对过滤后焊缝可能性比较高的区域进行小间距提取工作；
3)
数据融合设定；多层数据融合模型，将本次收集到的热图像分析数据与超声波监测数据按照合并公式进行间隔权重融合，其中两种数据的影响性根据两者实际的检测质量以及其单独训练时的网络正确性，并将超声波数据直接按照扩增公式填充进去；
4)
网络架构设定；本步骤对网络架构的流程进行具体涉及，步骤
3)
输出的数据形式为融合的
Feature Map
，其中包括热图像分析数据以及超声波检测数据，本步骤中则对其进行卷积操作，且当经过大范围过滤法则后分割出的数据输入到此进行卷积操作，判断其内是否含有焊缝；
5)
焊缝坐标值输出；在步骤
4)
中完成了所有焊缝坐标值的检测保存，本步骤中则对其按照坐标处理公式进行处理以及输出即可；
6)
算法部署与应用；在上述步骤中，完成了对于罐体焊缝的定位，本步骤中则进行部署与应用即可，将算法模型部署到生产线中，其输出罐体焊缝的具体坐标值，根据该反馈的坐标值，判定此时的罐体处于什么位置，判别离需要烫金的位置的角度，旋转罐体直接进行烫金即可
。2.
根据权利要求1所述的一种用于罐身加工的深度学习定位优化方法，其特征在于：所述步骤
1)
中过滤公式表示为：其中过滤公式表达如下：其中，
D
为罐身圆体的周长，为超参数，
d
则为进行大范围采样所设定的每次采样宽度，其中每次大范围采样的区域不产生重叠，当工厂流水线设定的速率较高时，则将设定为一个较小值，进而使得整体大范围区域检测次数减少，而当工厂流水线设定的速率较小时，则提高为一个较大值，进而降低第一次过滤范围，提升其检测质量

【专利技术属性】
技术研发人员：江轲，张鼎乾，邓友谊，
申请(专利权)人：深圳市大满包装有限公司，
类型：发明
国别省市：