一种铝合金模板循环使用管理系统的制作方法

1.本发明涉及铝合金模板技术领域，特别涉及一种铝合金模板循环使用管理系统。


背景技术：

2.铝合金模板是广泛使用的一种新型模板支撑体系。其环保、自重轻、刚度大、成本低、可重复利用，并能很好地控制混凝土结构面的外观及工程进度。铝合金模板具有多次循环使用的特性，在一个工地使用完之后，还需要对铝合金模板进行循环再生和配模，对铝合金模板进行循环步骤通常包括分类、清灰、清洗、补焊、校正、打磨等步骤。
3.目前循环使用铝合金模板，是通过人工计数以及人工筛选铝合金模板的种类，然后再通过人工将铝合金模板放入铝合金模板种类对应的仓库内。但是，通过人工对铝合金模板进行分拣，分拣效率低，铝合金循环使用的效率，且无法实现对铝合金模板的自动分拣的功能。


技术实现要素：

4.本发明的主要目的是提出一种铝合金模板循环使用管理系统，旨在提高铝合金模板的分拣效率，实现对铝合金模板的自动分拣的功能，进而提高铝合金模板循环使用的效率。
5.为实现上述目的，本发明提出的铝合金模板循环使用管理系统，所述铝合金模板循环使用管理系统包括：
6.输送装置，用于将若干种铝合金模板输送到模板检测装置上；
7.模板检测装置，用于检测铝合金模板的种类；
8.模板分拣装置，用于将模板检测装置上的铝合金模板输送至与铝合金模板对应的种类的仓库内。
9.可选地，所述模板检测装置包括：
10.模板形状图片获取模块，用于从至少两个方向获取铝合金模板的模板形状图像；
11.模板种类确定模块，用于根据至少两张模板形状图像以及模板数据库中的模板数据，确定铝合金模板的种类。
12.可选地，所述模板种类确定模块包括：
13.尺寸计算子模块，用于根据至少两张模板形状图像确定铝合金模板的形状尺寸；
14.种类确定子模块，将铝合金模板的形状尺寸与模板数据库中的模板数据进行一一比对，并将模板数据库中筛选出与铝合金模板的形状尺寸相似度最高的模板数据对应的种类作为铝合金模板的种类。
15.可选地，还包括：
16.清洗输送装置，用于将一个仓库内的铝合金模板移动至智能清洗装置上；
17.所述智能清洗装置，用于当检测到铝合金模板时，根据铝合金模板的尺寸信息对铝合金模板进行清洗；
18.模板烘干装置，用于对清洗完成的铝合金模板进行烘干。
19.可选地，还包括：
20.补焊输送装置，用于将烘干的铝合金模板输送至补焊表面检测装置；
21.补焊表面检测装置，用于检测烘干的铝合金模板的表面缺陷；
22.补焊装置，用于根据所述表面缺陷对烘干的铝合金模板进行补焊。
23.可选地，所述补焊表面检测装置：
24.图像获取模块，用于获取图像采集设备从预设拍摄角度拍摄的被检测的铝合金模板的检测图像；
25.缺陷位置确定模块，用于将所述检测图像输入预先训练的表面缺陷检测模型，根据所述缺陷检测模型输出的检测结果确定所述铝合金模板上缺陷所在位置；
26.缺陷类别确定模块，用于将所识别出的缺陷所在位置输入通过预先训练的缺陷分类模型，确定所识别出的缺陷类别，所述缺陷分类模型是将se-resnet 网络模型中的采样模块进行卷积层调整以及将se-resnet网络模型中的分类模型替换为随机森林网络得到的。
27.可选地，所述将se-resnet网络模型中的采样模块进行卷积层调整的方式为将三层采样层之间的残差学习的三层卷积层从第一卷积层分别从核大小为1x1，输出通道为512，步长为2、第二卷积层分别从核大小为3x3，输出通道为512、第三卷积层分别从核大小为1x1，输出通道为2048，调整为第一卷积层分别从核大小为1x1、第二卷积层分别从核大小为3x3，步长为2、第三卷积层分别从核大小为1x1；将三层采样层之间的残差学习的短路连接从核大小为 1x1，输出通道为2048，步长为2调整为核大小为1x1，步长为2；在三层采样层之间的残差学习的短路连接卷积之前加上一个平均池化层。
28.可选地，构建se-resnet网络模型的步骤，包括：
29.构造se网络模块，在se网络模块的两个全连接层之间新增relu激活函数层；
30.将所述se网络模块设置到resnet网络模型中，形成所述se-resnet网络模型，其中，所述se网络模块是通过squeeze操作、excitation操作以及reweight 操作完成图像特征重定向的。
31.可选地，所述表面缺陷检测模型是基于融合卷积网络模型构建，并通过所述检测图像和带有缺陷位置标注信息的铝合金模板表面图像的训练集进行训练得到的。
32.可选地，所述处理器，还包括：
33.模板形状检测装置，用于检测补焊完成的铝合金模板或烘干完成的铝合金模板的形状尺寸，当补焊完成的铝合金模板或烘干完成的铝合金模板的形状尺寸与模板标准尺寸之间的比值大于形状尺寸预设阈值时，将模板形状检测装置上的铝合金模板输送至模板校正装置；
34.模板校正装置，用于根据补焊完成的铝合金模板或烘干完成的铝合金模板的形状尺寸与模板标准尺寸对模板形状检测装置输送的铝合金模板进行校正。
35.本发明通过对se-resnet网络模型中的采样模块中卷积层改进，加强了铝合金模板不同缺陷类型之间的关系，从而确保铝合金模板的类型的特征不被忽略。通过将se-resnet网络模型中的分类模型替换为随机森林网络，实现了特征数据进行回归预测，进而实现了提高确定铝合金模板缺陷类型的精度。通过改进的se-resnet模型对数据进行特征
提取，只保留了其中最主要的特征，大幅减少了计算量，节省了计算时间以及节约了计算资源。
36.本发明技术方案通过采用输送装置、模板检测装置以及模板分拣装置，提高了铝合金模板的分拣效率，实现了对铝合金模板的自动分拣的功能，进而提高了铝合金模板循环使用的效率。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
38.图1为本发明铝合金模板循环使用管理系统的结构示意图一；
39.图2为本发明铝合金模板循环使用管理系统的结构示意图二；
40.图3为本发明se-resnet网络模型卷积层调整前后的结构示意图的对比；
41.图4为本发明resnet网络模型1*1卷积下采样的示意图；
42.图5为本发明resnet网络模型卷积核大小为3*3、步长设置为2卷积下采样的示意图；
43.图6为本发明resnet网络模型的平均池化层下采样的结构示意图；
44.图7为本发明se-resnet网络模型的结构示意图；
45.图8为本发明缺陷分类模型的结构示意图。
46.附图标号说明：
47.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
50.另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
51.本发明提出一种铝合金模板循环使用管理系统。如图1所示，铝合金模板循环使用管理系统包括输送装置110、模板检测装置120、模板分拣装置130；输送装置110用于将若干
种铝合金模板输送到模板检测装置120上，其中输送装置可以是用于放置和输送铝合金模板的输送带；模板检测装置120用于检测铝合金模板的种类；模板分拣装置130用于将模板检测装置上的铝合金模板输送至与铝合金模板对应的种类的仓库内，其中模板分拣装置可以是在输送输送铝合金模板的输送带的上设置若干个停止器以及与停止器对应的推送器，其中停止器设置在铝合金模板对应的种类的仓库门外，当铝合金模板到达铝合金模板对应的种类的仓库门外时，停止器将铝合金模板停止在铝合金模板对应的种类的仓库门外，然后通过推送器将停止在停止器外的铝合金模板推入铝合金模板对应的种类的仓库内。
52.具体的，模板检测装置包括：模板形状图片获取模块和模板种类确定模块；模板形状图片获取模块用于从至少两个方向获取铝合金模板的模板形状图像；模板种类确定模块用于根据至少两张模板形状图像以及模板数据库中的模板数据，确定铝合金模板的种类。其中，模板形状图像为从两个方向拍摄的在模板检测装置上的图片。通过采用模板形状图片获取模块和模板种类确定模块的设置，可以实现检测铝合金模板的种类。
53.具体的，模板种类确定模块包括：尺寸计算子模块和尺寸计算子模块；尺寸计算子模块，用于根据至少两张模板形状图像确定铝合金模板的形状尺寸；尺寸计算子模块，将铝合金模板的形状尺寸与模板数据库中的模板数据进行一一比对，并将模板数据库中筛选出与铝合金模板的形状尺寸相似度最高的模板数据对应的种类作为铝合金模板的种类。
54.具体的，如图2所示，铝合金模板循环使用管理系统还包括：清洗输送装置140、智能清洗装置150和模板烘干装置160；清洗输送装置140用于将一个仓库内的铝合金模板移动至智能清洗装置150上；智能清洗装置150用于当检测到铝合金模板时，根据铝合金模板的尺寸信息对铝合金模板进行清洗；模板烘干装置160用于对清洗完成的铝合金模板进行烘干。通过采用清洗输送装置140、智能清洗装置150和模板烘干装置160的设置，可以实现清洗铝合金模板的功能。
55.具体的，铝合金模板循环使用管理系统，还包括：补焊输送装置、补焊表面检测装置和补焊装置；补焊输送装置用于将烘干的铝合金模板输送至补焊表面检测装置；补焊表面检测装置用于检测烘干的铝合金模板的表面缺陷；补焊装置用于根据表面缺陷对烘干的铝合金模板进行补焊。通过采用补焊输送装置、补焊表面检测装置和补焊装置的设置，可以实现对铝合金模板进行检测以及对有缺陷的铝合金模板进行补焊的功能。
56.具体的，补焊表面检测装置：图像获取模块、缺陷位置确定模块和缺陷类别确定模块；图像获取模块用于获取图像采集设备从预设拍摄角度拍摄的被检测的铝合金模板的检测图像；缺陷位置确定模块用于将检测图像输入预先训练的表面缺陷检测模型，根据缺陷检测模型输出的检测结果确定铝合金模板上缺陷所在位置；缺陷类别确定模块用于将所识别出的缺陷所在位置输入通过预先训练的缺陷分类模型，确定所识别出的缺陷类别，缺陷分类模型是将se-resnet 网络模型中的采样模块进行卷积层调整以及将se-resnet网络模型中的分类模型替换为随机森林网络得到的。
57.具体的，如图3和4所示，为了更多的保存检测图像中缺陷类型的特征，将se-resnet网络模型中的采样模块进行卷积层调整的方式为将三层采样层之间的残差学习的三层卷积层从第一卷积层分别从核大小为1x1，输出通道为512，步长为2、第二卷积层分别从核大小为3x3，输出通道为512、第三卷积层分别从核大小为1x1，输出通道为2048，调整为第一卷积层分别从核大小为1x1、第二卷积层分别从核大小为3x3，步长为2、第三卷积层分
别从核大小为1x1；将三层采样层之间的残差学习的短路连接从核大小为1x1，输出通道为2048，步长为2调整为核大小为1x1，步长为2。图,6的左侧为resnet模型的下采样部分，在patha中，依次通过1*1，3*3，1*1三个卷积。其中第一个1*1卷积核完成通道的收缩，同时设置其步长为2实现下采样过程。然后利用3*3的卷积提取特征，最后再经过一个1*1的卷积扩张特征通道。可以发现，在以上过程中大小1*1、步长为2的卷积核只会保留1/4的信息，可能会遗漏很多与人数相关的重要特征，如图5所示，只有图中绿色的部分会传递到下一层。如图4 左侧的下采样过程放在1*1的卷积层对于缺陷类型确定来说并不合适。因此，本技术把下采样过程推迟到3*3卷积过程中，如图4和5所示。将3*3卷积的步长设置为2，当步长小于卷积核宽度时，卷积核在遍历输入特征图的时候就能够无遗漏，并且还能有部分重叠。
58.具体的，为了让残差学习的卷积通道(patha)能够正确的与短路通道(pathb) 进行加权，如图7所示，在三层采样层之间的残差学习的短路连接卷积之前加上一个平均池化层。由于图6右侧的模型中patha进行了下采样，为了让pathb 能够正确的和patha进行加权，所以pathb也需要进行下采样，原本的pathb 模块也是直接在1*1卷积过程中实现的下采样，因此本技术在pathb的1*1卷积之前加上了一个平均池化层实现下采样。
59.构建se-resnet网络模型，可以包括：
60.步骤b1，构造se网络模块，在se网络模块的两个全连接层之间新增relu 激活函数层；
61.在本实施例中，表面缺陷识别装置在得到所识别出的缺陷所在位置和检测图像之后，构造se网络模块，并在se网络模块的两个全连接层之间新增relu 激活函数层。
62.具体的，六层的se-resnet模块的结构依次为：卷积层
→
全局池化层
→
第一个全连接层
→
relu激活函数层
→
第二个全连接层
→
sigmoid层，将sigmoid 层的输出结果与卷积层的输出结果相乘，获得新的特征图，将该特征图与卷积层的输入相连接。relu是一个激活函数，通过relu函数可以增加神经网络各层之间的非线性关系，relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。否则，如果没有激活函数，层与层之间是简单的线性关系，每层都相当于矩阵相乘，计算量过大而且会出现过拟合问题。
63.步骤b2，将se网络模块设置到resnet网络模型中，形成se-resnet网络模型，其中，se网络模块是通过squeeze操作、excitation操作以及reweight 操作完成图像特征重定向的。
64.在本实施例中，表面缺陷识别装置在构造完成se网络模块之后，将se网络模块设置到resnet网络模型中，形成se-resnet网络模型，其中，se网络模块是通过squeeze操作、excitation操作以及reweight操作完成图像特征重定向的。
65.其中，resnet网络模型的每两层之间增加了短路机制，形成残差结构；
66.残差结构为x
l 1
＝x
l
f(x
l
,w
l
)；通过递归，任意深层单元l的通过残差结构可以表示为对于任意深的单元l的特征x
l
可以表达为浅层单元l的特征x
l
加上一个形如的残差函数，表明了任何单元l和l之间都具有残差特性。同样的，对于任意
深的单元l，它的特征即为之前所有残差函数输出的总和再加上x0。
67.对于反向传播，假设损失函数为e，根据返乡传播的立案式法则，可以得到不通过权重层的传递通过权重层的传递不通过权重层的传递保证了信号能够直接传回到任意的浅层x
l
；同时公式也保证了不会出现梯度消失的现象，因为不可能为-1。
68.如图7所示，se-resnet网络模型是基于resnet网络，在其模型汇总加入 se分支，这里我们使用global average pooling作为squeeze操作；紧接着两个fully connected层组成一个bottleneck结构去建模通道间的相关性，并输出和输入特征同样数目的权重；首先将特征维度降低到输入的1/16，然后经过relu 激活后再通过一个fully connected层升回到原来的维度。在addition前对分支上residual的特征进行了特征重标定。
69.以上就是se-resnet基础模块的设计，将这些基础模块进行堆叠就可以形成se-resnet50模型。模型训练的过程就是学习参数的过程，将大量带标签的数据送入模型，模型可以自己调整所有参数，从而得到缺陷分类模型。
70.如图8所示，通过将se-resnet网络模型中的采样模块进行卷积层调整以及将se-resnet网络模型中的分类模型替换为随机森林网络，可以得到本技术的缺陷分类模型。
71.表面缺陷检测模型是基于融合卷积网络模型构建，并通过检测图像和带有缺陷位置标注信息的铝合金模板表面图像的训练集进行训练得到的。
72.补焊表面检测装置还包括：标注图像确定模块、数据扩增模块、降维升维模块以及训练模型模块。标注图像确定模块用于对标准铝合金模板表面图像的缺陷进行标注，得到标注图像；数据扩增模块用于将检测图像和标注图像的像素进行数据扩增，得到数据扩增检测图像和数据扩增标注图像，其中，数据扩增包括对检测图像和标注图像进行仿射变换、亮度变换以及模糊变换；降维升维模块将数据扩增检测图像和数据扩增标注图像输入待训练的表面缺陷检测模型进行k层降维和k层升维操作，得到数据扩增标注图像中缺陷的区域位置，其中，k为正整数；训练模型模块用于根据表面缺陷检测模型进行k层降维和 k层升维操作，得到训练后的表面缺陷检测模型。标注图像确定模块还用于将标准铝合金模板表面图像中缺陷区域的灰度值设定为0，将非缺陷区域的灰度值设定为1；
73.降维升维模块还包括：输入图像确定子模块、升维子模块以及降维子模块。输入图像确定子模块用于将数据扩增检测图像和数据扩增标注图像作为表面缺陷检测模型的第一输入图像。升维子模块用于对第一输入图像进行卷积操作和池化操作，将第m层降维操作后的第一输入图像作为第m 1层降维操作的输入，将第k层降维操作后的第一输入图像作为第一层升维操作的输入。降维子模块用于对进行k层降维操作后的第一输入图像进行卷积
操作和反卷积操作，得到第二输入图像，将第m层升维操作后的第二输入图像作为第m 1层升维操作的输入，将第n层升维操作的输出与第k-n 1层升维操作的输入进行融合，并将融合结果作为第k-n 1层升维操作的输入，其中，m、n均为正整数，m《k， n《k。
74.具体的，铝合金模板循环使用管理系统还包括：模板形状检测装置和模板校正装置；模板形状检测装置用于检测补焊完成的铝合金模板或烘干完成的铝合金模板的形状尺寸，当补焊完成的铝合金模板或烘干完成的铝合金模板的形状尺寸与模板标准尺寸之间的比值大于形状尺寸预设阈值时，将模板形状检测装置上的铝合金模板输送至模板校正装置；模板校正装置用于根据补焊完成的铝合金模板或烘干完成的铝合金模板的形状尺寸与模板标准尺寸对模板形状检测装置输送的铝合金模板进行校正。
75.通过对se-resnet网络模型中的采样模块中卷积层改进，加强了铝合金模板不同缺陷类型之间的关系，从而确保铝合金模板的类型的特征不被忽略。通过将se-resnet网络模型中的分类模型替换为随机森林网络，实现了特征数据进行回归预测，进而实现了提高确定铝合金模板缺陷类型的精度。通过改进的 se-resnet模型对数据进行特征提取，只保留了其中最主要的特征，大幅减少了计算量，节省了计算时间以及节约了计算资源。
76.本发明技术方案通过采用输送装置110、模板检测装置120以及模板分拣装置130，提高了铝合金模板的分拣效率，实现了对铝合金模板的自动分拣的功能，进而提高了铝合金模板循环使用的效率
77.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。