激光金属切割机及其控制方法与流程

本技术涉及金属切割，且更为具体地，涉及一种激光金属切割机及其控制方法。

背景技术：

1、随着工业技术的不断发展，激光切割机的应用越来越广泛，目前市面上用于对铝基板、铜基板等金属基板进行切割的激光切割机存在如下缺点：由于铝基板、铜基板等金属基板的厚度较薄，但是目前市面上的激光切割机又无法实现对铝基板、铜基板等金属基板的可靠支撑，这样一来，在固定铝基板、铜基板等金属基板时，容易导致铝基板、铜基板等金属基板出现弯曲的现象，从而会影响对铝基板、铜基板等金属基板的切割精度，且会使得切割后的铝基板、铜基板等金属基板存在很多毛刺，同时存在材料浪费多的缺陷。

2、因此，期望一种优化的激光金属切割机。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种激光金属切割机及其控制方法，其采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测。

2、相应地，根据本技术的一个方面，提供了一种激光金属切割机，其包括：

3、摄像单元，用于获取待切割金属的检测图像；

4、畸变校正单元，用于将所述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；

5、纹理特征图提取单元，用于提取所述校正后检测图像的方向梯度直方图；

6、多通道聚合单元，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、图像特征提取单元，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；以及

8、平整度判定结果生成单元，用于将所述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切割金属的表面平整度是否满足预定要求。

9、在上述激光金属切割机中，所述畸变校正单元，包括：图像编码单元，用于将所述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。

10、在上述激光金属切割机中，所述纹理特征图提取单元，进一步用于：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；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，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。

11、在上述激光金属切割机中，所述图像特征提取单元，进一步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。

12、在上述激光金属切割机中，所述图像特征提取单元，进一步用于：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；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，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。

13、在上述激光金属切割机中，所述平整度判定结果生成单元，包括：展开单元，用于将分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

14、在上述激光金属切割机中，还包括控制结果生成单元，用于响应于所述分类结果为待切割金属的表面平整度不满足预定要求，生成重安装提示。

15、在上述激光金属切割机中，还包括用于对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取待切割金属的训练检测图像，以及，所述待切割金属的表面平整度是否满足预定要求的真实值；训练畸变校正单元，用于将所述训练检测图像通过所述基于自动编解码器的图像畸变矫正器以得到训练校正后检测图像；训练纹理特征图提取单元，用于提取所述训练校正后检测图像的训练方向梯度直方图；训练多通道聚合单元，用于将所述训练方向梯度直方图和所述训练校正后检测图像沿着通道维度进行聚合以得到训练多通道输入图像；训练图像特征提取单元，用于将所述训练多通道输入图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练分类特征图；分类损失单元，用于将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征图进行加权迭代。

16、在上述激光金属切割机中，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；

17、其中，所述公式为：

18、

19、其中v是所述训练分类特征图展开后得到的特征向量，m是所述分类器对所述训练分类特征图展开后得到的特征向量的权重矩阵，和分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。

20、根据本技术的另一方面，还提供了一种激光金属切割机的控制方法，其包括：

21、获取待切割金属的检测图像；

22、将所述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；

23、提取所述校正后检测图像的方向梯度直方图；

24、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；

25、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；以及

26、将所述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切割金属的表面平整度是否满足预定要求。

27、在上述激光金属切割机的控制方法中，所述将所述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，包括：将所述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检测图像进行显式空间编码以得到图像特征；以及，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。

28、在上述激光金属切割机的控制方法中，所述提取所述校正后检测图像的方向梯度直方图，包括：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；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，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。

29、在上述激光金属切割机的控制方法中，所述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。

30、在上述激光金属切割机的控制方法中，所述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：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；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，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。

31、在上述激光金属切割机的控制方法中，所述将所述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切割金属的表面平整度是否满足预定要求，包括：将分类特征图中各个分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

32、在上述激光金属切割机的控制方法中，还包括响应于所述分类结果为待切割金属的表面平整度不满足预定要求，生成重安装提示。

33、在上述激光金属切割机的控制方法中，还包括对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练。其中，所述对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，包括步骤：获取待切割金属的训练检测图像，以及，所述待切割金属的表面平整度是否满足预定要求的真实值；将所述训练检测图像通过所述基于自动编解码器的图像畸变矫正器以得到训练校正后检测图像；提取所述训练校正后检测图像的训练方向梯度直方图；将所述训练方向梯度直方图和所述训练校正后检测图像沿着通道维度进行聚合以得到训练多通道输入图像；将所述训练多通道输入图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练分类特征图；将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含深浅特征融合模块的卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为加权权重对所述训练分类特征图进行加权迭代。

34、在上述激光金属切割机的控制方法中，所述在所述训练的每一轮迭代中，以如下公式计算所述训练分类特征图的基于跨分类器软相似性的自由标签优化因数作为所述分类器的标签值；

35、其中，所述公式为：

36、

37、其中v是所述训练分类特征图展开后得到的特征向量，m是所述分类器对所述训练分类特征图展开后得到的特征向量的权重矩阵，和分别表示张量乘法和张量加法，d(·,·)表示向量之间的距离，||·||2表示向量的二范数，且α和β是权重超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。

38、与现有技术相比，本技术提供的激光金属切割机及其控制方法，其采用基于机器视觉的人工智能检测技术，以通过对于待切割金属的检测图像进行图像畸变校正后提取出其在大尺寸的块空间的方向梯度直方图，并以这两者在高维空间中的深浅融合特征分布信息来综合进行所述带切割金属的表面平整度是否满足预定要求的检测判断。这样，能够准确地对于待切割金属的表面平整度进行智能检测。