建筑钢材的智能加工系统及方法技术方案

本申请涉及智能加工领域，其具体地公开了一种建筑钢材的智能加工系统及方法，其采用基于深度神经网络模型的人工智能技术，获取建筑钢材的参考图像和已打完孔待检测图像，从待检测图像中提取出打孔区域后和参考图像通过孪生网络提取出图像特征，计算差分后通过残差双注意力模型进行空间和通道方面的特征提取，以得到用于表示待检测建筑钢材孔位是否有偏差的分类结果

【技术实现步骤摘要】
建筑钢材的智能加工系统及方法


[0001]本申请涉及智能加工领域，且更为具体地，涉及一种建筑钢材的智能加工系统及方法
。

技术介绍

[0002]在建筑钢材打孔完后，需要对所加工的建筑钢材孔位进行一个质量检测，看是否有孔位的偏差，孔的质量是否符合要求
。
若建筑钢材打孔的孔位有偏差，不符合标准，可能会导致结构强度降低
、
结构刚度受损
、
安装困难等问题
。
但由于现有技术中大多都是由人工来进行质量检测，看所打的孔是否有偏差，不具有精准性和时效性，导致生产进度下降
。
[0003]因此，期待一种优化的建筑钢材的智能加工方案
。

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建筑钢材的智能加工系统及方法，其采用基于深度神经网络模型的人工智能技术，获取建筑钢材的参考图像和已打完孔待检测图像，从待检测图像中提取出打孔区域后和参考图像通过孪生网络提取出图像特征，计算差分后通过残差双注意力模型进行空间和通道方面的特征提取，以得到用于表示待检测建筑钢材孔位是否有偏差的分类结果
。
这样可以实现对建筑钢材孔位偏差的自动化检测，提高建筑钢材质量控制的效率和准确性
。
[0005]根据本申请的一个方面，提供了一种建筑钢材的智能加工系统，其包括：
[0006]图像获取模块，用于获取建筑钢材的参考图像和已打完孔待检测图像；
[0007]打孔区域检测模块，用于将待检测建筑钢材图像通过打孔区域检测网络以得到所述打孔区域钢材图像；
[0008]图像编码模块，用于将所述参考图像和所述打孔区域钢材图像通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到参考特征图和打孔钢材特征图；
[0009]差分计算模块，用于计算所述参考特征图和所述打孔钢材特征图之间的差分以得到差分特征图；
[0010]残差注意力模块，用于将所述差分特征图通过残差双注意力机制模型以得到分类特征图；
[0011]优化模块，用于对所述分类特征图进行特征流形调制以得到优化分类特征图；
[0012]孔位偏差判断模块，用于将所述优化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待检测建筑钢材孔位是否有偏差
。
[0013]在上述建筑钢材的智能加工系统中，所述打孔区域检测模块，用于：所述打孔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。
[0014]在上述建筑钢材的智能加工系统中，所述图像编码模块，包括
:
第一图像编码单元，用于使用所述第一图像编码器的各层在层的正向传递中分别对输入数据进行卷积处
理
、
池化处理和非线性激活处理以由所述第一图像编码器的最后一层输出所述参考特征图；以及，第二图像编码单元，用于使用所述第二图像编码器的各层在层的正向传递中分别对输入数据进行卷积处理
、
池化处理和非线性激活处理以由所述第二图像编码器的最后一层输出所述打孔钢材特征图
。
[0015]在上述建筑钢材的智能加工系统中，所述残差注意力模块，包括
:
空间特征提取单元，用于将所述差分特征图通过所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道特征提取单元，用于将所述差分特征图通过所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；融合单元，用于融合所述空间注意力图和所述通道注意力图以得到加权特征图；以及，增强单元，用于融合所述差分特征图和所述加权特征图以得到所述分类特征图
。
[0016]在上述建筑钢材的智能加工系统中，所述空间特征提取单元，包括：池化子单元，用于对所述差分特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；通道调整子单元，用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；卷积编码子单元，用于使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；激活子单元，用于将所述卷积特征矩阵通过
Softmax
函数以得到空间注意力得分矩阵；以及，加权子单元将所述空间注意力得分矩阵与所述差分特征图沿通道维度的各个特征矩阵进行按位置点乘以得到所述空间注意力图
。
[0017]在上述建筑钢材的智能加工系统中，所述通道特征提取单元，包括：全局池化子单元，用于对所述差分特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；归一化子单元，用于将所述通道特征向量通过
Softmax
函数以得到归一化通道特征向量；以及，权重施加子单元，用于以所述归一化通道特征向量中各个位置的特征值作为权重对所述差分特征图的沿通道维度的特征矩阵进行加权以得到通道注意力图
。
[0018]根据本申请的另一方面，提供了一种建筑钢材的智能加工方法，其包括：
[0019]获取建筑钢材的参考图像和已打完孔待检测图像；
[0020]将待检测建筑钢材图像通过打孔区域检测网络以得到所述打孔区域钢材图像；
[0021]将所述参考图像和所述打孔区域钢材图像通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到参考特征图和打孔钢材特征图；
[0022]计算所述参考特征图和所述打孔钢材特征图之间的差分以得到差分特征图；
[0023]将所述差分特征图通过残差双注意力机制模型以得到分类特征图；
[0024]对所述分类特征图进行特征流形调制以得到优化分类特征图；
[0025]将所述优化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待检测建筑钢材孔位是否有偏差
。
[0026]与现有技术相比，本申请提供的一种建筑钢材的智能加工系统及方法，其采用基于深度神经网络模型的人工智能技术，获取建筑钢材的参考图像和已打完孔待检测图像，从待检测图像中提取出打孔区域后和参考图像通过孪生网络提取出图像特征，计算差分后通过残差双注意力模型进行空间和通道方面的特征提取，以得到用于表示待检测建筑钢材孔位是否有偏差的分类结果
。
这样可以实现对建筑钢材孔位偏差的自动化检测，提高建筑钢材质量控制的效率和准确性
。
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
、
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
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种建筑钢材的智能加工系统，其特征在于，包括：图像获取模块，用于获取建筑钢材的参考图像和已打完孔待检测图像；打孔区域检测模块，用于将待检测建筑钢材图像通过打孔区域检测网络以得到所述打孔区域钢材图像；图像编码模块，用于将所述参考图像和所述打孔区域钢材图像通过包含第一图像编码器和第二图像编码器的孪生网络模型以得到参考特征图和打孔钢材特征图；差分计算模块，用于计算所述参考特征图和所述打孔钢材特征图之间的差分以得到差分特征图；残差注意力模块，用于将所述差分特征图通过残差双注意力机制模型以得到分类特征图；优化模块，用于对所述分类特征图进行特征流形调制以得到优化分类特征图；孔位偏差判断模块，用于将所述优化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待检测建筑钢材孔位是否有偏差
。2.
根据权利要求1所述的建筑钢材的智能加工系统，其特征在于，所述打孔区域检测模块，用于：所述打孔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所述的建筑钢材的智能加工系统，其特征在于，所述图像编码模块，包括
:
第一图像编码单元，用于使用所述第一图像编码器的各层在层的正向传递中分别对输入数据进行卷积处理
、
池化处理和非线性激活处理以由所述第一图像编码器的最后一层输出所述参考特征图；第二图像编码单元，用于使用所述第二图像编码器的各层在层的正向传递中分别对输入数据进行卷积处理
、
池化处理和非线性激活处理以由所述第二图像编码器的最后一层输出所述打孔钢材特征图
。4.
根据权利要求3所述的建筑钢材的智能加工系统，其特征在于，所述残差注意力模块，包括
:
空间特征提取单元，用于将所述差分特征图通过所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道特征提取单元，用于将所述差分特征图通过所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；融合单元，用于融合所述空间注意力图和所述通道注意力图以得到加权特征图；增强单元，用于融合所述差分特征图和所述加权特征图以得到所述分类特征图
。5.
根据权利要求4所述的建筑钢材的智能加工系统，其特征在于，所述空间特征提取单元，包括：池化子单元，用于对所述差分特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；通道调整子单元，用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；
卷积编码子单元，用于使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；激活子单元，用于将所述卷积特征矩阵通过
Softmax
函数以得到空间注意力得分矩阵；加权子单元将所述空间注意力得分矩阵与所述差分特征图沿通道维度的各个特征矩阵进行按位置点乘以得到所述空间注意力图
。6.
根据权利要求5所述的建...

【专利技术属性】
技术研发人员：李少翔，
申请(专利权)人：浙江中纳金属材料科技有限公司，
类型：发明
国别省市：