基于人工智能的切管机表面缺陷自适应学习方法及系统与流程

本技术涉及切管加工质量控制，尤其涉及一种基于人工智能的切管机表面缺陷自适应学习方法及系统。

背景技术：

1、在冷却管等管材加工过程中，切管机的切割质量直接影响管材的后续使用性能和安全性。管材表面缺陷（如划痕、凹陷、裂纹、氧化皮残留等）会导致切割过程中应力集中，进而引发断口不平整、尺寸偏差过大等问题，严重时甚至会造成管材报废。

2、当前现有技术主要存在两大核心问题：一是缺陷识别与参数调整脱节，传统切管机多采用固定切割参数模式，即使通过人工或简单视觉检测发现表面缺陷，也难以基于缺陷类型快速匹配最优切割参数，导致切割过程中易因参数适配不足产生断口不平整、尺寸偏差等问题，严重影响产品合格率；二是缺乏自适应学习能力，现有视觉检测模型多为静态训练后固定使用，无法利用实际加工过程中的缺陷数据、参数调整效果等经验信息持续优化模型性能，面对新材料、新缺陷类型或多变加工环境时，识别精度大幅下降，泛化能力受限，难以满足规模化、多样化的加工需求。

技术实现思路

1、为了有助于提升切管质量与适配性，本技术提供一种基于人工智能的切管机表面缺陷自适应学习方法及系统。

2、第一方面，本技术提供的一种基于人工智能的切管机表面缺陷自适应学习方法，采用如下的技术方案：

3、一种基于人工智能的切管机表面缺陷自适应学习方法，包括：

4、获取待检测冷却管所对应的实时表面图像序列以及当前切割决策参数；

5、基于预设初始视觉检测模型对所述实时表面图像序列进行缺陷识别，获得初始缺陷识别结果及对应的图像特征向量；

6、若所述初始缺陷识别结果为检出缺陷，则提取所述缺陷所对应的缺陷类型标签；

7、基于所述图像特征向量与所述缺陷类型标签，生成缺陷特征样本；

8、将所述缺陷特征样本输入至历史缺陷特征库中进行相似度匹配，获取相似历史缺陷样本及对应的历史处理记录；

9、基于所述相似历史缺陷样本的匹配度与历史处理记录，调整当前切割决策参数；

10、基于调整后的切割决策参数执行冷却管切割操作，并同步收集切割后对应管段的断口图像数据；

11、将所述实时表面图像序列、初始缺陷识别结果、缺陷特征样本、调整后的切割决策参数以及切割后断口图像数据关联存储，更新至所述历史缺陷特征库；

12、基于更新后的历史缺陷特征库，对所述预设初始视觉检测模型进行增量训练，并将训练完成的模型作为下一次表面缺陷识别所使用的视觉检测模型。

13、可选的，所述基于所述图像特征向量与所述缺陷类型标签，生成缺陷特征样本包括：

14、提取所述初始缺陷识别结果中缺陷区域的边缘轮廓信息；

15、基于所述边缘轮廓信息，计算缺陷区域的面积、最小外接矩形长宽比；

16、提取所述图像特征向量中与纹理和亮度相关的深层特征分量；

17、将所述缺陷类型标签、所述缺陷区域的面积和长宽比，与所述深层特征分量进行多模态融合；

18、基于融合后的特征集合，构建包含空间属性和视觉语义属性的结构化特征向量；

19、将所述结构化特征向量与所述缺陷类型标签绑定，形成缺陷特征样本。

20、可选的，所述提取所述图像特征向量中与纹理和亮度相关的深层特征分量包括：

21、将所述图像特征向量输入至一个预设的特征解析网络；

22、所述特征解析网络包含至少一个通道注意力模块，用于从所述图像特征向量的多个特征通道中，筛选并增强与纹理变化和亮度分布相关的关键通道；

23、通过所述特征解析网络中的空间注意力模块，定位所述关键通道中与所述缺陷区域空间位置相对应的特征响应区域；

24、融合所述关键通道的增强特征与所述特征响应区域的聚焦特征，得到用于描述缺陷表面纹理与亮度属性的所述深层特征分量。

25、可选的，所述将所述缺陷特征样本输入至历史缺陷特征库中进行相似度匹配，获取相似历史缺陷样本及对应的历史处理记录包括：

26、基于所述缺陷特征样本中的结构化特征向量，计算其与历史缺陷特征库中所有历史样本特征向量的相似度；

27、根据所述缺陷类型标签，对历史缺陷特征库进行筛选，形成同类型缺陷的候选样本集；

28、从所述候选样本集中选取相似度超过预设相似度阈值的所有历史样本作为初始相似样本；

29、获取每一个所述初始相似样本所对应的历史处理记录，所述历史处理记录至少包含历史切割决策参数与执行该参数切割后得到的断口质量评价；

30、基于所述断口质量评价对所述初始相似样本进行排序，优先选取最高评价的历史样本；

31、若最高评价的历史样本数量不足，则根据相似度高低补充选取其他评价等级的历史样本；

32、将最终选取的历史样本及其对应的完整历史处理记录，作为输出的相似历史缺陷样本及历史处理记录。

33、可选的，所述基于所述相似历史缺陷样本的匹配度与历史处理记录，调整当前切割决策参数包括：

34、从所述相似历史缺陷样本对应的历史处理记录中，提取历史切割决策参数及执行后的断口质量评价；

35、根据相似度高低，为每个相似历史缺陷样本赋予相应的参考权重；

36、基于所述参考权重，对历史切割决策参数进行融合，生成初始参考决策参数；

37、基于所述初始参考决策参数与所述当前切割决策参数，计算参数调整倾向向量；

38、获取所述相似历史缺陷样本中，断口质量评价最优的样本所对应的特定历史处理记录；

39、基于所述特定历史处理记录中包含的切割条件与当前切割条件的差异，生成环境修正因子；

40、利用所述环境修正因子对所述参数调整倾向向量进行修正；

41、基于修正后的参数调整倾向向量，调整当前切割决策参数。

42、可选的，所述基于所述初始参考决策参数与所述当前切割决策参数，计算参数调整倾向向量包括：

43、识别所述当前切割决策参数所包含的至少一个关键参数项，所述关键参数项至少包括切割速度、进给量与切割压力；

44、对于每个所述关键参数项，计算所述初始参考决策参数中的对应参数值与所述当前切割决策参数中对应参数值的第一差值；

45、基于每个所述第一差值以及当前切割决策参数中对应的参数值，获得相对变化率；

46、获取所述相似历史缺陷样本中，历史切割决策参数被采纳后导致的断口质量评价变化趋势；

47、根据所述变化趋势，对所述相对变化率进行趋势性缩放，生成调整系数；

48、将所有关键参数项对应的所述调整系数进行序列化，生成所述参数调整倾向向量。

49、可选的，所述根据所述变化趋势，对所述相对变化率进行趋势性缩放，生成调整系数包括：

50、从所述相似历史缺陷样本对应的历史处理记录中，提取参数值调整量与断口质量评价变化量的多组历史对应关系；

51、判断当前决策场景是否存在材料批次变更或刀具磨损状态超过预设阈值的情况；

52、若存在，则从所述历史对应关系中筛选出发生同类场景变化时的历史记录子集；

53、基于所述历史记录子集，建立所述参数值调整量与断口质量评价变化量的非线性映射关系；

54、根据所述非线性映射关系，确定在所述断口质量评价变化量为正向最大时，所述参数值调整量所对应的趋势引导因子；

55、将所述趋势引导因子与所述相对变化率进行乘积运算，并根据非线性饱和特性进行限幅处理，最终生成适用于当前决策场景的调整系数。

56、可选的，所述基于所述特定历史处理记录中包含的切割条件与当前切割条件的差异，生成环境修正因子包括：

57、提取当前切割条件的环境特征参数；

58、从所述特定历史处理记录中提取对应的历史环境特征参数；

59、计算所述当前环境特征参数与所述历史环境特征参数之间的第二差值；

60、基于预设的环境影响权重矩阵，对所述第二差值进行加权处理；

61、将加权后的第二差值输入至预设的非线性修正函数中；

62、基于所述非线性修正函数的输出结果，生成用于对所述参数调整倾向向量进行修正的环境修正因子。

63、可选的，所述基于更新后的历史缺陷特征库，对所述预设初始视觉检测模型进行增量训练，并将训练完成的模型作为下一次表面缺陷识别所使用的视觉检测模型包括：

64、从所述更新后的历史缺陷特征库中，提取新增的缺陷特征样本及对应的缺陷类型标签；

65、将所述新增的缺陷特征样本按照预设比例划分为增量训练集与增量验证集；

66、冻结所述预设初始视觉检测模型的底层特征提取网络参数，仅对模型的顶层分类器网络参数进行解冻；

67、使用所述增量训练集对解冻后的顶层分类器网络进行微调训练，采用交叉熵损失函数计算预测缺陷类型与真实缺陷类型标签之间的损失值；

68、基于所述增量验证集对微调训练过程中的模型进行实时验证，计算模型的缺陷识别准确率与召回率；

69、当所述准确率与召回率均满足预设性能阈值，或训练迭代次数达到预设上限时，停止训练；

70、将训练完成后的模型参数进行保存，作为下一次表面缺陷识别所使用的视觉检测模型。

71、第二方面，本技术还公开了一种基于人工智能的切管机表面缺陷自适应学习系统，采用如下的技术方案：

72、一种基于人工智能的切管机表面缺陷自适应学习系统，包括：

73、第一获取模块，用于获取待检测冷却管所对应的实时表面图像序列以及当前切割决策参数；

74、第二获取模块，用于基于预设初始视觉检测模型对所述实时表面图像序列进行缺陷识别，获得初始缺陷识别结果及对应的图像特征向量；

75、标签提取模块，若所述初始缺陷识别结果为检出缺陷，则标签提取模块用于提取所述缺陷所对应的缺陷类型标签；

76、样本生成模块，用于基于所述图像特征向量与所述缺陷类型标签，生成缺陷特征样本；

77、第三获取模块，用于将所述缺陷特征样本输入至历史缺陷特征库中进行相似度匹配，获取相似历史缺陷样本及对应的历史处理记录；

78、参数调整模块，用于基于所述相似历史缺陷样本的匹配度与历史处理记录，调整当前切割决策参数；

79、数据收集模块，用于基于调整后的切割决策参数执行冷却管切割操作，并同步收集切割后对应管段的断口图像数据；

80、数据更新模块，用于将所述实时表面图像序列、初始缺陷识别结果、缺陷特征样本、调整后的切割决策参数以及切割后断口图像数据关联存储，更新至所述历史缺陷特征库；

81、增量训练模块，用于基于更新后的历史缺陷特征库，对所述预设初始视觉检测模型进行增量训练，并将训练完成的模型作为下一次表面缺陷识别所使用的视觉检测模型。

82、综上所述，本技术包括以下有益技术效果：

83、利用预设视觉模型实现冷却管表面缺陷的实时精准识别，并基于历史缺陷特征库的相似度匹配机制动态优化切割决策参数，有效解决了传统切管加工中因缺陷导致的断口质量不稳定问题；同时，通过关联存储全流程加工数据并对模型进行增量训练，使系统具备持续的自适应学习能力，显著提升了对复杂缺陷类型及多变加工环境的适应度与识别精度，实现了切管质量控制的智能化与高效化。