【技术实现步骤摘要】
本申请涉及智能加工领域，且更为具体地，涉及一种模具钢的切割加工智能系统及其方法。
技术介绍
1、模具钢切割是钢铁加工业中最基本的加工方法，一般使用锯床对较厚的方形块状的模具钢原料进行切割分料。
2、由于模具钢本身的硬度比较高，在进行切割的时候，切割的刀具容易发生磨损，导致切割完后的模具钢的表面并不光滑完整，切割不光滑会让模具表面出现毛刺、凹凸不平等问题，增加了模具表面的粗糙度，这会导致模具表面的磨损加剧，降低模具的使用寿命，进而影响模具的精度和质量。传统的技术中都是由人工进行判断控制切割刀进行切割，不具有准确性和智能化。
3、因此，期待一种优化的模具钢的切割加工智能方案，实现模具钢的切割加工的智能检测，以避免由于切割不光滑或不完整而影响模具钢的质量和性能。
技术实现思路
1、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模具钢的切割加工智能系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取模具钢的检测图像，通过矫正器校正后并提取出纹理直方图和校正后图像聚合成多通道输入图像，再通过包含深浅融合的卷积神经网络提取浅层纹理特征和深层特征，以得到用于表示模具钢切割是否光滑完整的分类结果。这样，构建模具钢的切割加工智能方案，可以实现自动化检测，减少人工干预，从而提高模具钢的检测效率和准确性。
2、根据本申请的一个方面，提供了一种模具钢的切割加工智能系统，其包括：
3、图像获取模块，用于获取模具钢的检测图像；
5、纹理特征提取模块，用于提取所述校正后检测图像的方向梯度直方图；
6、多通道聚合模块，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
7、图像特征提取模块，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；
8、特征先验优化模块，用于对所述分类特征图进行基于特征工程的先验参数化以得到优化分类特征图；
9、结果生成模块，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模具钢切割是否光滑完整。
10、在上述模具钢的切割加工智能系统中，所述畸变校正模块，包括：图像获取单元，用于将所述模具钢的检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述模具钢的检测图像进行显式空间编码以得到图像特征；以及，特征解码单元，用于将所述图像特征输入所述图像畸变矫正器的解码器，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校正后检测图像。
11、在上述模具钢的切割加工智能系统中，所述纹理特征图提取模块，包括：划分单元，用于对所述校正后检测图像进行均匀划分以得到多个细胞空间；梯度计算单元，用于计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；以及，直方图生成单元，用于基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
12、在上述模具钢的切割加工智能系统中，所述图像特征提取模块，用于：使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
13、在上述模具钢的切割加工智能系统中，所述图像特征提取模块，包括：浅层提取单元，用于从所述卷积神经网络模型的第m层得到浅层特征图，其中，所述m大于等于4且小于等于6；深层提取单元，用于从所述卷积神经网络模型的第n层得到深层特征图，其中，n/m大于等于5且小于等于10；以及，融合单元，用于使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。
14、根据本申请的另一方面，提供了一种模具钢的切割加工智能方法，其包括：
15、获取模具钢的检测图像；
16、将所述模具钢的检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
17、提取所述校正后检测图像的方向梯度直方图；
18、将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
19、将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；
20、对所述分类特征图进行基于特征工程的先验参数化以得到优化分类特征图；
21、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模具钢切割是否光滑完整。
22、与现有技术相比，本申请提供的一种模具钢的切割加工智能系统及其方法，其采用基于深度神经网络模型的人工智能技术，获取模具钢的检测图像，通过矫正器校正后并提取出纹理直方图和校正后图像聚合成多通道输入图像，再通过包含深浅融合的卷积神经网络提取浅层纹理特征和深层特征，以得到用于表示模具钢切割是否光滑完整的分类结果。这样，构建模具钢的切割加工智能方案，可以实现自动化检测，减少人工干预，从而提高模具钢的检测效率和准确性。
本文档来自技高网...【技术保护点】
1.一种模具钢的切割加工智能系统，其特征在于，包括：
2.根据权利要求1所述的模具钢的切割加工智能系统，其特征在于，所述畸变校正模块，包括：
3.根据权利要求2所述的模具钢的切割加工智能系统，其特征在于，所述纹理特征图提取模块，包括：
4.根据权利要求3所述的模具钢的切割加工智能系统，其特征在于，所述图像特征提取模块，用于：使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
5.根据权利要求4所述的模具钢的切割加工智能系统，其特征在于，所述图像特征提取模块，包括：
6.根据权利要求5所述的模具钢的切割加工智能系统，其特征在于，所述特征先验优化模块，包括：
7.根据权利要求6所述的模具钢的切割加工智能系统，其特征在于，所述结果生成模块，包括：
8.一种模具钢的切割加工智能方法，其特征在于，包括：
9.根据权利要求8所述的模具钢的切割加工智能方法，其特征在于，将所述模具钢的检测图像通过基于自动编解
10.根据权利要求9所述的模具钢的切割加工智能方法，其特征在于，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图，包括：使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
...【技术特征摘要】
1.一种模具钢的切割加工智能系统，其特征在于，包括：
2.根据权利要求1所述的模具钢的切割加工智能系统，其特征在于，所述畸变校正模块，包括：
3.根据权利要求2所述的模具钢的切割加工智能系统，其特征在于，所述纹理特征图提取模块，包括：
4.根据权利要求3所述的模具钢的切割加工智能系统，其特征在于，所述图像特征提取模块，用于：使用所述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卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
5.根据权利要求4所述的模具钢的切割加工智能系统，其特征在于，所述图像特征提取模块，包括：
6.根据权利要求5所述的模具钢的切割加工智能系统，其...
【专利技术属性】
技术研发人员：于洋，吴波，
申请(专利权)人：滁州市东升机械科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。