避免电火花切割机床工作台误控制的认证方法及系统与流程

1.本发明涉及机械控制技术领域，尤其涉及一种避免电火花切割机床工作台误控制的认证方法及系统。


背景技术：

2.机床是将金属毛坯加工成机器零件的机器。现代机械制造中加工机械零件的方法很多：除切削加工外，还有铸造、锻造、焊接、冲压、挤压等，但凡属精度要求较高和表面粗糙度要求较细的零件，一般都需在机床上用切削的方法进行最终加工。在一般的机器制造中，机床所担负的加工工作量占机器总制造工作量的40％-60％，机床在国民经济现代化的建设中起着重大作用。
3.激光加工技术一直是国家重点支持和推动应用的一项高新技术、关键支撑技术；中国是制造业大国，制造工艺的进步和细分为中国激光加工设备提供了广阔的市场。随着制造业向中国的转移，国内加工设备将逐步升级，激光设备行业的发展将更为迅速，特别是汽车、半导体和电子制造产业的发展，将使中国的激光市场极具潜力。现有数控激光切割机常采用龙门单边驱动，伺服电机安装在龙门横梁的一端，再通过一根长轴将驱动力传递到另一端，实现双齿轮齿条传动，单伺服电机驱动。单边驱动使得横梁受力不对称，影响同步精度，降低机床的动态性能。
4.激光切割机是钣金加工的一次工艺革命，是钣金加工中的“加工中央”；激光切割机柔性化程度高，切割速度快，出产效率高，产品出产周期短，为客户赢得了广泛的市场，该技术的有效生命期长，国外超过2毫米厚度的板材大都采用激光切割机，很多国外的专家一致以为今后30-40年是激光加工技术发展的黄金时期。
5.现在大部分的数控切割机均没有设置保护装置，无法保护操作工人的安全，并且，无法避免操作工人的误操作从而导致安全事故。同时，对于现在的激光切割时，均是会有废料的飞溅情况，而人员若站在设备附近会有波及的危险，同时在激光切割时人员还没有准备好就发生了误操作使得切割开始，造成了误伤情况也是不计其数的，传统的隔离结构均是采用了一体化的设计，使得在进行安装时比较费时费力，且现在的隔离结构只有隔离的一种功能使得功能的单一性，不能够对激光切割的加工效率带来直接性的帮助。


技术实现要素：

6.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开一种避免电火花切割机床工作台误控制的认证方法，包括如下步骤：
7.步骤1，设置于切割机床工作台上的视频采集单元，对人员操作位置及切割机电火花溅射位置进行监控，其中，所述切割机电火花溅射位置为第一预设位置，从监控区域图像集中提取人员操作范围和切割机溅射范围的几何(geometric)图形并根据所述几何图形进行分块；
8.步骤2，对人员操作位置采集的每帧图像进行人脸检测获得面部图像，以确定人脸
操作位置的人员个数，若检测到的人员个数大于所述切割机床工作台的工作区域可以允许的最大人数则禁止该次切割工作的进行；预设时间间隔对采集的图像进行识别，若检测到的人员个数小于所述允许的最大人数则对所述面部图像进行跟踪获得人员的姿态数据，将采集到的面部图像与指定的允许使用的操作者的人脸数据库中图像进行人脸匹配，若至少一人的匹配结果为同类或相似度大于第一预设值，则所述当前帧面部图像的认证结果为通过，允许当前时刻的切割机工作台进行工作；
9.步骤3，若匹配结果不为同类或相似度小于第一预设值则对该人员的姿态数据进行分析；若获得的人员的所述姿态数据符合预设的操作安全姿态，则允许切割机的继续工作；
10.步骤4，监测操作人员的活动范围是否与溅射区域产生交集，建立机器学习单元，根据所述机器学习单元，对所述切割机工作时的溅射图像集进行模拟预测，确定电火花最大的溅射边界以及溅射面积，根据组合分块的分割方法对所述溅射图像进行分割进而确定溅射区域，其中，所述确定溅射区域为第二预设位置；
11.步骤5，对比所述第一预设位置和所述第二预设位置，确定溅射区域中的危险区域，其中，所述危险区域为面积重合的位置；
12.步骤6，当监测到操作人员的活动范围与所述危险区域产生交集，则停止所述切割机的工作。
13.更进一步地，所述步骤4进一步包括：将采集的切割机的工作数据进行记录，对其产生的切割电火花的溅射图像特征数据集进行数据处理，在经过数据清洗、数据转换后输入到所述机器学习单元的神经网络模型中进行回归分析，进而确定所述机器学习模型，再将实时切割图像影像输入到所述机器学习模型中，确定预测切割电火花的范围预测。
14.更进一步地，使用者在开启切割机床工作台时需要进行多重身份认证，所述多重身份认证包括：通过指纹、数字密码、面部识别、动态口令的一种或者多种进行使用者的身份认证，在全部身份认证全部通过后，允许使用者开启切割机床工作台。
15.更进一步地，所述对人员操作位置采集的每帧图像进行人脸检测获得面部图像进一步包括：使用所述视频采集单元采集用户的面部图像，所述面部图像处理器对所述面部图像进行清晰化处理，通过图像锐化、二值化等图像处理手段获得清晰度加强的处理图像，再对经过处理后的面部图像进行面部特征提取，获得数字化的实时面部特征。
16.更进一步地，所述步骤3进一步包括：将具有单独操作工作台的使用者的数据记录于对于指定的允许使用的操作者的人脸数据库，对于实习使用者而已，其对所述切割机床工作台需要实时监控其操作规范，设立操作规范姿态特征，将采集到的实习使用者的姿态数据与所述操作规范姿态特征进行对比，若姿态数据的相似程度大于第二预设值，则判定所述姿态为安姿态。
17.本发明还公开了一种避免电火花切割机床工作台误控制的认证系统，包括如下功能模块：
18.视频采集单元，设置于切割机床工作台上的视频采集单元，对人员操作位置及切割机电火花溅射位置进行监控，其中，所述切割机电火花溅射位置为第一预设位置，从监控区域图像集中提取人员操作范围和切割机溅射范围的几何(geometric)图形并根据所述几何图形进行分块；
19.身份认证单元，对人员操作位置采集的每帧图像进行人脸检测获得面部图像，以确定人脸操作位置的人员个数，若检测到的人员个数大于所述切割机床工作台的工作区域可以允许的最大人数则禁止该次切割工作的进行；预设时间间隔对采集的图像进行识别，若检测到的人员个数小于所述允许的最大人数则对所述面部图像进行跟踪获得人员的姿态数据，将采集到的面部图像与指定的允许使用的操作者的人脸数据库中图像进行人脸匹配，若至少一人的匹配结果为同类或相似度大于第一预设值，则所述当前帧面部图像的认证结果为通过，允许当前时刻的切割机工作台进行工作；
20.动作检测单元，若匹配结果不为同类或相似度小于第一预设值则对该人员的姿态数据进行分析；若获得的人员的所述姿态数据符合预设的操作安全姿态，则允许切割机的继续工作；
21.危险区域预测单元，监测操作人员的活动范围是否与溅射区域产生交集，建立机器学习单元，根据所述机器学习单元，对所述切割机工作时的溅射图像集进行模拟预测，确定电火花最大的溅射边界以及溅射面积，根据组合分块的分割方法对所述溅射图像进行分割进而确定溅射区域，其中，所述确定溅射区域为第二预设位置；
22.危险区域确定单元对比所述第一预设位置和所述第二预设位置，确定溅射区域中的危险区域，其中，所述危险区域为面积重合的位置；切割机安全控制单元，当监测到操作人员的活动范围与所述危险区域产生交集，则停止所述切割机的工作。
23.优选地，所述危险区域预测单元进一步包括：将采集的切割机的工作数据进行记录，对其产生的切割电火花的溅射图像特征数据集进行数据处理，在经过数据清洗、数据转换后输入到所述机器学习单元的神经网络模型中进行回归分析，进而确定所述机器学习模型，再将实时切割图像影像输入到所述机器学习模型中，确定预测切割电火花的范围预测。
24.优选地，使用者在开启切割机床工作台时需要进行多重身份认证，所述多重身份认证包括：通过指纹、数字密码、面部识别、动态口令的一种或者多种进行使用者的身份认证，在全部身份认证全部通过后，允许使用者开启切割机床工作台。
25.优选地，所述对人员操作位置采集的每帧图像进行人脸检测获得面部图像进一步包括：使用所述视频采集单元采集用户的面部图像，所述面部图像处理器对所述面部图像进行清晰化处理，通过图像锐化、二值化等图像处理手段获得清晰度加强的处理图像，再对经过处理后的面部图像进行面部特征提取，获得数字化的实时面部特征。
26.优选地，所述动作检测单元进一步包括：将具有单独操作工作台的使用者的数据记录于对于指定的允许使用的操作者的人脸数据库，对于实习使用者而已，其对所述切割机床工作台需要实时监控其操作规范，设立操作规范姿态特征，将采集到的实习使用者的姿态数据与所述操作规范姿态特征进行对比，若姿态数据的相似程度大于第二预设值，则判定所述姿态为安姿态。
27.本发明与现有技术相比，本发明的有益效果是：对于不同的切割材料而言，具有不同的电火花溅射范围，本发明与现有技术相比，通过实施采集切割工作数据，获得电火花的溅射面积及边界，并对使用者的人数、身份进行验证，动态调整使用者的安全范围，不至于使用者在进行执行工作时被飞溅造成伤害。
附图说明
28.从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
29.图1是本发明的的流程图。
具体实施方式
30.下面将结合附图及实施例对本发明的技术方案进行更详细的说明。
31.现在将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
32.移动终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。下面，假设终端是移动终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。
33.实施例一
34.如图1所示的一种避免电火花切割机床工作台误控制的认证方法，包括如下步骤：
35.步骤1，设置于切割机床工作台上的视频采集单元，对人员操作位置及切割机电火花溅射位置进行监控，其中，所述切割机电火花溅射位置为第一预设位置，从监控区域图像集中提取人员操作范围和切割机溅射范围的几何(geometric)图形并根据所述几何图形进行分块；
36.步骤2，对人员操作位置采集的每帧图像进行人脸检测获得面部图像，以确定人脸操作位置的人员个数，若检测到的人员个数大于所述切割机床工作台的工作区域可以允许的最大人数则禁止该次切割工作的进行；预设时间间隔对采集的图像进行识别，若检测到的人员个数小于所述允许的最大人数则对所述面部图像进行跟踪获得人员的姿态数据，将采集到的面部图像与指定的允许使用的操作者的人脸数据库中图像进行人脸匹配，若至少一人的匹配结果为同类或相似度大于第一预设值，则所述当前帧面部图像的认证结果为通过，允许当前时刻的切割机工作台进行工作；
37.步骤3，若匹配结果不为同类或相似度小于第一预设值则对该人员的姿态数据进行分析；若获得的人员的所述姿态数据符合预设的操作安全姿态，则允许切割机的继续工作；
38.步骤4，监测操作人员的活动范围是否与溅射区域产生交集，建立机器学习单元，根据所述机器学习单元，对所述切割机工作时的溅射图像集进行模拟预测，确定电火花最大的溅射边界以及溅射面积，根据组合分块的分割方法对所述溅射图像进行分割进而确定溅射区域，其中，所述确定溅射区域为第二预设位置；
39.在本实施例中，所述建立机器学习单元，根据所述机器学习单元，对所述切割机工作时的溅射图像集进行模拟预测进一步为对于溅射区域的预测采用如下卷积网络模型进行：设计分类模型和待训练模型：设计卷积神经网络，用采集的溅射图像数据集做为卷积神
经网络的输入，使用随机梯度下降法训练对其进行训练，得到该溅射图像数据集的卷积神经网络分类模型；基于该溅射区域预测的卷积神经网络分类模型设计两个待训练的卷积神经网络模型；用于分类溅射区域的所属，即判断安全和非安全的预测结果是否符合相关神经网络模型的预测。所述卷积神经网络为卷积层、池化层和全连接层，每层都是一个变换(映射)(通常卷积层作卷积变换和池化层作池化变换)，每种变换都是对输入数据的一种处理，是输入特征的另一种特征表达；每层由多个二维平面组成，每个平面为各层处理后的特征图。其中，输入层为训练数据(即原始数据，本实施例中为溅射图像数据)，网络中的每一个卷积层(即一次特征提取层)都紧跟着一个池化层(即二次特征提取层，又叫子采样层)，这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力(具体卷积层和池化层的层数不确定。
40.损失函数可以表示为：依据具体案例而定，本实施例中以卷积层和池化层的层数为3为例作详细说明)，最后一个池化层(即第3个池化层)即完成了对原始数据的特征提取；全连接层把卷积层和池化层提取到的特征进行组合，然后连接到输出层。其中，i表数据输入层，c1表示第1个卷积层，c2表示第2个卷积层，c3表示第3个卷积层，pm表示最大池化层，r表示激活函数层，fc1表示第1个全连接层，fc2表示第2个全连接层，fc3表示第3个全连接层，s表示柔性最大层，lcls表示分类损失函数层。
41.步骤5，对比所述第一预设位置和所述第二预设位置，确定溅射区域中的危险区域，其中，所述危险区域为面积重合的位置；
42.步骤6，当监测到操作人员的活动范围与所述危险区域产生交集，则停止所述切割机的工作。
43.在本实施例中，所述步骤5-6进一步可以具体采用如下图像判断方法，即本实施例中进一步包括图像对比的方法：对第一和第二预设位置图像进行处理，处理为相同坐标位置的相同尺寸图像，设置图像对比单元并输入相同尺寸第一图像和第二图像；以相同的图像提取方法从第一图像中提取至少一个第一图像框，从第二图像中提取至少一个第二图像框；然后对图像框配对，针对所述第二图像框，在第一图像中寻找位置最接近的第一图像框，作为与该第二图像框相对应的第一图像框；再比较第二图像框和相对应的第一图像框，以确定该第二图像框和相对应的第一图像框图像重合程度；如果确定该第二图像框与该相对应的第一图像框不同，则对第二图像中该第二图像框的位置做出标记，并将上述标记附加到第二图像。其中标记内容包括危险区域的判定。
44.更进一步地，所述步骤4进一步包括：将采集的切割机的工作数据进行记录，对其产生的切割电火花的溅射图像特征数据集进行数据处理，在经过数据清洗、数据转换后输入到所述机器学习单元的神经网络模型中进行回归分析，进而确定所述机器学习模型，再将实时切割图像影像输入到所述机器学习模型中，确定预测切割电火花的范围预测。
45.更进一步地，使用者在开启切割机床工作台时需要进行多重身份认证，所述多重身份认证包括：通过指纹、数字密码、面部识别、动态口令的一种或者多种进行使用者的身份认证，在全部身份认证全部通过后，允许使用者开启切割机床工作台。
46.更进一步地，所述对人员操作位置采集的每帧图像进行人脸检测获得面部图像进
一步包括：使用所述视频采集单元采集用户的面部图像，所述面部图像处理器对所述面部图像进行清晰化处理，通过图像锐化、二值化等图像处理手段获得清晰度加强的处理图像，再对经过处理后的面部图像进行面部特征提取，获得数字化的实时面部特征。
47.更进一步地，所述步骤3进一步包括：将具有单独操作工作台的使用者的数据记录于对于指定的允许使用的操作者的人脸数据库，对于实习使用者而已，其对所述切割机床工作台需要实时监控其操作规范，设立操作规范姿态特征，将采集到的实习使用者的姿态数据与所述操作规范姿态特征进行对比，若姿态数据的相似程度大于第二预设值，则判定所述姿态为安姿态。
48.实施例二
49.本实施例从硬件角度描述本技术的发明构思，本实施例还公开了一种避免电火花切割机床工作台误控制的认证系统，包括如下功能模块：
50.视频采集单元，设置于切割机床工作台上的视频采集单元，对人员操作位置及切割机电火花溅射位置进行监控，其中，所述切割机电火花溅射位置为第一预设位置，从监控区域图像集中提取人员操作范围和切割机溅射范围的几何(geometric)图形并根据所述几何图形进行分块；
51.身份认证单元，对人员操作位置采集的每帧图像进行人脸检测获得面部图像，以确定人脸操作位置的人员个数，若检测到的人员个数大于所述切割机床工作台的工作区域可以允许的最大人数则禁止该次切割工作的进行；预设时间间隔对采集的图像进行识别，若检测到的人员个数小于所述允许的最大人数则对所述面部图像进行跟踪获得人员的姿态数据，将采集到的面部图像与指定的允许使用的操作者的人脸数据库中图像进行人脸匹配，若至少一人的匹配结果为同类或相似度大于第一预设值，则所述当前帧面部图像的认证结果为通过，允许当前时刻的切割机工作台进行工作；
52.动作检测单元，若匹配结果不为同类或相似度小于第一预设值则对该人员的姿态数据进行分析；若获得的人员的所述姿态数据符合预设的操作安全姿态，则允许切割机的继续工作；
53.危险区域预测单元，监测操作人员的活动范围是否与溅射区域产生交集，建立机器学习单元，根据所述机器学习单元，对所述切割机工作时的溅射图像集进行模拟预测，确定电火花最大的溅射边界以及溅射面积，根据组合分块的分割方法对所述溅射图像进行分割进而确定溅射区域，其中，所述确定溅射区域为第二预设位置；
54.危险区域确定单元对比所述第一预设位置和所述第二预设位置，确定溅射区域中的危险区域，其中，所述危险区域为面积重合的位置；切割机安全控制单元，当监测到操作人员的活动范围与所述危险区域产生交集，则停止所述切割机的工作。
55.优选地，所述危险区域预测单元进一步包括：将采集的切割机的工作数据进行记录，对其产生的切割电火花的溅射图像特征数据集进行数据处理，在经过数据清洗、数据转换后输入到所述机器学习单元的神经网络模型中进行回归分析，进而确定所述机器学习模型，再将实时切割图像影像输入到所述机器学习模型中，确定预测切割电火花的范围预测。
56.优选地，使用者在开启切割机床工作台时需要进行多重身份认证，所述多重身份认证包括：通过指纹、数字密码、面部识别、动态口令的一种或者多种进行使用者的身份认证，在全部身份认证全部通过后，允许使用者开启切割机床工作台。
57.优选地，所述对人员操作位置采集的每帧图像进行人脸检测获得面部图像进一步包括：使用所述视频采集单元采集用户的面部图像，所述面部图像处理器对所述面部图像进行清晰化处理，通过图像锐化、二值化等图像处理手段获得清晰度加强的处理图像，再对经过处理后的面部图像进行面部特征提取，获得数字化的实时面部特征。
58.优选地，所述动作检测单元进一步包括：将具有单独操作工作台的使用者的数据记录于对于指定的允许使用的操作者的人脸数据库，对于实习使用者而已，其对所述切割机床工作台需要实时监控其操作规范，设立操作规范姿态特征，将采集到的实习使用者的姿态数据与所述操作规范姿态特征进行对比，若姿态数据的相似程度大于第二预设值，则判定所述姿态为安姿态。
59.实施例三
60.本实施例对于用户的身份认证方式进行进一步描述，在对设备进行启动时进行的多重身份认证时，根据用户身份认证请求，可选择由用户选择认证方式，例如，密码认证、生物信息认证等，当使用者例如选择密码方式进行身份认证时，输入针对密码认证的密码之后，工作台接收密码输入信息，然后进行输入的密码信息与后台存储的密码数据进行对比以确定使用者的身份。
61.人脸识别时可以采用传统的比较器进行人脸相似度判断，例如，假设当前视频帧包括5个人脸，分别为face1、face2、face3、face4、face5；选取肤色比较器、立体肤色比较器、人脸出现区域比较器、帧间距离比较器对5个人脸进行追踪，肤色比较器的权重为w1、立体肤色比较器的权重为w2、人脸出现区域比较器的权重为w3、帧间距离比较器的权重为w4；选择当前视频帧之前的10帧中的人脸作为被比较的人脸；视频帧的关联表为如上所述的trackedframe[n]，n代表了视频帧序号。四个比较器分别根据当前视频帧的trackedframe[n]中的对应特征值，将face1与之前10帧中的一人脸进行比较，即：每一比较器分别计算face1的对应特征值与之前10帧中一人脸的对应特征值之间的差距值，假设肤色比较器计算得到的差异值为a1、立体肤色比较器计算得到的差异值为a2、人脸出现区域比较器计算得到的差异值为a3、帧间距离比较器计算得到的差异值为a4；之后，计算face1相对该被比较人脸的相似度差距值cost1＝a1*w1+a2*w2+a3*w3+a4*w4；假设相似度阈值为theadhold、face1相对其它已经比较过的人脸的相似度差距值的最小值为min(cost1)，若cost1≤theadhold，且cost1小于min(cost1)，则使得min(cost1)＝cost1，否则face1继续与其它人脸进行比较，直到face1与之前10帧中的每一人脸均比较完毕，将最后得到的face1的相似度差距值的最小值min(cost1)作为与face1最接近的人脸；若cost1》theadhold，则建立一新的人，并将该新的人的id值写入前视频帧的关联表中、face1对应的id值栏位。之后，若当前视频帧中还有其它未比较的人脸，则按照上述步骤完成人脸追踪。
[0062]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0063]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的
形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0064]
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。