本發明屬于深度學習，尤其涉及一種基于深度學習的鋼絲校直方法。

背景技術：

1、在鋼絲生產加工領域，鋼絲的直線度對其后續應用起著關鍵作用。傳統鋼絲校直方法存在諸多弊端。機械校直方式主要依靠機械輥壓，不僅效率低下，而且對于不同材質和規格的鋼絲適應性較差，難以保證校直精度。人工校直則高度依賴工人經驗，不僅勞動強度大，而且精度不穩定，容易受到人為因素的影響。隨著技術發展，基于機器視覺的校直方法開始出現，但現有方法仍有缺陷。一方面，圖像采集多為單視角，無法全面獲取鋼絲的彎曲特征，導致校直參數不準確。另一方面，圖像處理算法不夠先進，在復雜環境下對鋼絲彎曲特征的識別能力有限，魯棒性不足。同時，校直控制模型缺乏智能性，難以根據鋼絲的實時狀態進行精準調整。

技術實現思路

1、本發明針對背景技術中所存在的技術問題，提出一種基于深度學習的鋼絲校直方法。

2、為了達到上述目的，本發明采用的技術方案為，包括以下步驟：

3、s1、多視角圖像采集，通過高幀率工業相機采集鋼絲表面圖像；所述表面圖像的采集是圍繞鋼絲側表面采集側表面圖像以及在鋼絲頂部采集頂部表面圖像，形成多視角圖像數據集；

4、s2、對多視角圖像進行圖像增強操作；

5、s3、對于圖像增強后的側表面圖片輸入到改進yolov8架構中，經過分析輸出彎曲特征數據，包括彎曲角度、曲率半徑以及位置坐標；

6、所述yolov8架構的改進為在卷積層前增加輕量級曲率估計分支，具體為：

7、輸入特征圖：來自骨干網絡的輸出；

8、局部梯度計算：輸入特征圖經過深度可分離卷積提取局部水平梯度和局部垂直梯度，，，其中，；

9、計算曲率張量：基于局部梯度和計算二階導數，并合成曲率張量k：；

10、動態權重生成：將曲率張量k輸入到多層感知機，通過sigmoid激活函數和逐通道相乘操作，生成動態卷積核權重，計算方式為：，其中表示初始的卷積核權重，為動態卷積核權重；

11、特征融合輸出：將靜態卷積和動態卷積的結果進行加權融合，得到輸出特征圖；

12、極坐標變換：將作為極坐標特征編碼的輸入，以檢測框的中心為極點，將笛卡爾坐標系下的特征圖轉換為極坐標表示，得到極坐標特征圖；

13、極坐標卷積：對極坐標特征圖進行徑向和角向卷積操作得到徑向卷積結果和角向卷積結果，然后對兩者進行拼接，得到處理后的極坐標特征圖；

14、逆變換：通過雙線性插值將極坐標特征圖恢復到笛卡爾坐標系下，得到，然后將其與原始輸入特征圖進行逐元素相加，得到最終的輸出特征圖；

15、s4、對于圖像增強后的頂部表面圖像，計算頂部表面輪廓面積，并與已校直鋼絲頂部面積進行比較，得到面積偏差；

16、s5、得到彎曲特征參數后，構建校直控制模型，輸出校直設備的壓力，行程以及方向控制；

17、s6、校直的過程中實時更新彎曲特征參數，并結合頂部表面實時面積偏差判斷是否直線度達標。

18、作為優選，在步驟s1采集鋼絲表面圖片和s2圖像增強之間，還存在圖像擴充操作具體為：對于側表示圖像以鋼絲的中心軸為旋轉軸，按照10度間隔進行旋轉，接著進行平移和縮放生成新的側表面圖像；對于頂部表面圖像，進行平移和縮放；將兩者操作結合對多視角圖像數據集進行擴充。

19、作為優選，所述步驟s2圖像增強操作包括：多尺度特征提取，特征融合以及重構增強圖像；多尺度特征提取和融合：對多視角圖像進行多尺度特征提取，將各層特征圖進行歸一化處理后，按照權重相加，得到融合后的特征圖；重建增強圖像：使用轉置卷積操作，將融合后的特征圖上采樣并重建為增強后的圖像。

20、作為優選，所述步驟s2中多尺度特征提取和融合的具體包括：構建多分支特征提取模塊：采用并行設置的三組卷積核分別提取不同尺度的特征；動態權重融合機制：通過通道注意力網絡生成各尺度特征的融合權重系數，計算公式為：，其中為權重系數，為各分支特征圖的全局平均池化值；跨尺度特征校準：對融合后的特征圖執行可變形卷積操作，利用偏移量預測網絡補償不同視角下的幾何畸變。

21、作為優選，所述步驟s2中重建增強圖像過程包含：混合上采樣模塊：將轉置卷積與最近鄰插值結合，構建雙路徑重建結構：，其中y為增強后的圖像，為轉置卷積，為2倍最近鄰插值的上采樣，為逐元素相乘，mask代表空間注意力生成的二值掩膜；殘差細節恢復：在重建過程中引入跳躍連接，將原始輸入圖像的高頻分量與重建結果融合，計算方式為：，其中為最終增強的圖像，hpf代表高通濾波操作，為卷積運算，w為可學習卷積核；迭代優化：當重建圖像的局部對比度方差小于設定方差閾值時，進行特征重提取過程，最多迭代兩次。

22、作為優選，所述步驟s5校直控制模型構建包括：采用mimo神經網絡架構，輸入彎曲特征參數數據；輸出層通過softmax激活函數生成壓力、行程、方向的三維控制向量；建立控制指令飽和約束：設置壓力和行程的上下限，防止設備過載。

23、作為優選，所述步驟s6判斷是否直線度達標，具體包括粗判、精判并結合面積偏差判斷；粗判：對校直控制模型調整后的鋼絲彎曲角度進行判斷，小于鋼絲彎曲角度閾值則為粗判通過；精判：對粗判通過的部分，再判斷其曲率半徑是否小于曲率半徑閾值和坐標波動范圍是否小于坐標波動范圍閾值；最后考慮面積偏差，若面積偏差小于面積偏差閾值并且精判通過則為校直達標。

24、與現有技術相比，本發明的優點和積極效果在于，在圖像采集與處理方面，多視角采集結合圖像擴充獲取豐富數據，圖像增強操作利用多尺度特征提取、融合及重構技術，提升圖像質量與特征提取精度。改進的yolov8架構，通過增加輕量級曲率估計分支，能精準輸出彎曲特征數據。校直控制模型采用mimo神經網絡架構，結合softmax激活函數和控制指令飽和約束，可智能輸出校直設備控制參數。直線度判斷融合粗判、精判和面積偏差判斷，精準確定校直效果。整體技術有效克服傳統方法的不足，提高校直精度與效率，增強對不同鋼絲的適應性，保障校直質量。

技術特征：

1.一種基于深度學習的鋼絲校直方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于深度學習的鋼絲校直方法，其特征在于，在步驟s1采集鋼絲表面圖片和s2圖像增強之間，還存在圖像擴充操作具體為：

3.根據權利要求1所述的一種基于深度學習的鋼絲校直方法，其特征在于，所述步驟s2圖像增強操作包括：多尺度特征提取，特征融合以及重構增強圖像；

4.根據權利要求3所述的一種基于深度學習的鋼絲校直方法，其特征在于，所述步驟s2中多尺度特征提取和融合的具體包括：

5.根據權利要求3所述的一種基于深度學習的鋼絲校直方法，其特征在于，所述步驟s2中重建增強圖像過程包含：

6.根據權利要求1所述的一種基于深度學習的鋼絲校直方法，其特征在于，所述步驟s5校直控制模型構建包括：

7.根據權利要求1所述的一種基于深度學習的鋼絲校直方法，其特征在于，所述步驟s6判斷是否直線度達標，具體包括粗判、精判并結合面積偏差判斷；

技術總結
本發明屬于深度學習技術領域，尤其涉及一種基于深度學習的鋼絲校直方法。該方法先通過高幀率工業相機從側表面和頂部采集鋼絲圖像，經圖像擴充、增強處理后，將增強的側表面圖像輸入改進的YOLOV8架構獲取彎曲特征數據，同時計算頂部表面圖像的面積偏差。利用彎曲特征參數構建?MIMO?神經網絡校直控制模型，輸出校直設備的壓力、行程和方向控制指令，并在校直過程中通過粗判、精判結合面積偏差判斷直線度是否達標。與傳統校直方法相比，本發明能全面獲取鋼絲彎曲特征，精準控制校直過程，有效提高校直精度和效率。

技術研發人員：孫大勇,路連勇,孫元增
受保護的技術使用者：山東鑫大地控股集團有限公司
技術研發日：
技術公布日：2025/4/28