一种弯管制造可行性确定方法与流程

1.本发明涉及弯管工艺技术领域，具体地说，是一种弯管制造可行性确定方法，用于快速的判断设计好的弯管是否可以弯曲成型。


背景技术：

2.航空导管作为一种重要的气、液及其他流体输送导管，由于其能够很好地满足轻量化、强韧化、复杂空间布局等方面的要求，在航空航天领域应用的深度和广度不断扩展。
3.目前，先进弯管技术的典型代表主要是数控弯管技术，是将传统弯管工艺、机床技术和数控技术结合而发展起来的一种先进弯管工艺技术。数控弯管技术能够实现金属导管弯曲成形过程的数字化控制，能够很好满足导管弯曲成形的高精度、高效率、高品质等要求，特别是在航空、航天等高精尖技术领域，数控弯管技术装备已逐步替代传统弯管技术装备，在提升导管整体制造技术水平发挥着不可替代的作用。
4.但是，受限于弯管机的限制，弯管在制造过程中常常会与弯管机产生干涉，一旦与弯管机产生干涉，不仅会损伤弯管模具，也会对弯管机产生影响。现有技术中多由工艺人员人工判定是否可以弯曲或者由模拟仿真软件进行判断，工艺人员人工判断依赖于经验会导致判断结果不准确，模拟仿真软件虽然判断的准确性高，但是缺点是模拟仿真过程的判断速度慢，效率低下。
5.因此，亟需一种方法以快速的判断设计好的弯管是否可以弯曲成型。


技术实现要素：

6.本发明的目的在于提供一种弯管制造可行性确定方法，用于快速的判断设计好的弯管是否可以弯曲成型。
7.本发明通过下述技术方案实现：一种弯管制造可行性确定方法，包括以下步骤：
8.步骤s1，标定导管制造约束条件模型对应的训练数据，根据训练数据获取第一标签值和第二标签值；
9.步骤s2，基于第一标签值和第二标签值及其对应的训练数据得到第一神经网络，根据所述第一神经网络得到弯管各个类别及各个类别的准确度；
10.所述第一神经网络是一个分步式的训练网络，以迁移学习的方式用于其他应用场景；
11.步骤s3，根据第一神经网络的预测结果实现第二神经网络的训练，所述第二神经网络的结构与第一神经网络完全相同；
12.步骤s4，将第二神经网络的训练效果应反馈给第一神经网络，根据反馈进行调整确定弯管制造可行性。
13.为了更好地实现本发明，进一步地，步骤s1中获取导管制造约束条件模型对应的训练数据的方法包括：
14.获取已经判断无法弯曲的若干弯管数据，提取若干弯管数据的轴线信息以及半径
信息，以特征化数据的方式将轴线信息以及半径信息进行表征；
15.所述特征化数据的方式包括建立第一数据库和第二数据库；
16.所述第一数据库中的数据包括第一直线段长度、弯曲角度、第二直线段长度、弯曲角度、第三直线段长度和半径，将所述第一数据库中的数据分为第一标签值和第二标签值；
17.所述第第二数据库的数据包括第一直线段长度、弯曲角度、第二直线段长度、弯曲角度、第三直线段长度和半径，所述第二数据库不存在任何标签。
18.为了更好地实现本发明，进一步地，所述步骤s1中还包括：
19.所述第一标签值为人为判定的二分类标签，所述第二标签值为人工评判的置信度；
20.所述二分类标签表示为0和1,0表示不可弯,1表示可弯。
21.为了更好地实现本发明，进一步地，所述步骤s2包括:
22.根据数据库、第一标签值和第二标签值进行串集训练，得到第一神经网络；
23.所述第一神经网络分为第一部分和第二部分；
24.所述第二部分分为三个分支，分别为二值化图像分支、回归分支和分类分支；
25.所述第一神经网络的第一部分采用兴趣提取算法获取弯管中的弯管候选区域，并基于roi align模块确定弯管候选区域在原始导管中的对应位置；
26.将排列好的弯管候选区域输入第一神经网络的第二部分，在第二部分的回归分支和分类分支中，将排列好的弯管候选区域分别通过第一神经网络的全连接层，最终得到弯管各个类别及各个类别的准确度。
27.为了更好地实现本发明，进一步地，在二值化图像分支中，经过全连接层后，输出的结果为每个预设类别的二值化图像；
28.每一张二值化图像中都是0或1的代码，二值化图像中的1代表此类别在这一像素点存在目标物体，是像素级的物体边界，二值化图像中的0代表此类别在这一像素点不存在目标物体，最终得到的结果包括每一个检测出的物体的类别信息、置信度和像素级的二值化图像。
29.为了更好地实现本发明，进一步地，所述步骤s2包括:
30.基于第一神经网络将第二数据库中的数据输入，第一神经网络网络前向传播生成预测标签；
31.所述预测标签是由第一神经网络知识处理后得到的标签值；
32.将基于第一神经网络处理得到的预测标签与真实标签按比例进行组合实现第二神经网络的训练。
33.为了更好地实现本发明，进一步地，当第二神经网络完成训练收敛稳定后，将弯管各个类别的准确度反馈至第一神经网络；
34.在反馈中找到准确度最低的一种弯管类别或者准确度低于预设阈值的多种弯管类别，判断这些弯管类别的准确度是否在原本的第一神经网络中的准确度就低于预设阈值，如果是，在输入部分增加这些弯管类别的图片与弯管类别的点云数据，对点云分割网络进行进一步优化，如果否，对第一神经网络进行调整
35.为了更好地实现本发明，进一步地，第一神经网络和第二神经网络之间是一个单方向经验传授的网络传递关系，第二神经网仅被动地接受第一神经网络习得的知识，而自
身对于所学习的知识没有甄别的能力，且第一神经网络对于第二神经网络传承的效果没有收到反馈，从而无法对自身原有的学习过程进行调节。
36.本发明与现有技术相比，具有以下优点及有益效果：
37.(1)现有技术中多由工艺人员人工判定是否可以弯曲或者由模拟仿真软件进行判断，工艺人员人工判断依赖于经验会导致判断结果不准确，模拟仿真软件虽然判断的准确性高，但是缺点是模拟仿真过程的判断速度慢，效率低下，本发明提供的一种弯管制造可行性确定方法能够快速又准确的判断弯管的可行性。
附图说明
38.本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。
39.图1为本发明所提供的一种弯管制造可行性确定方法中第一神经网络和第二神经网络的结构示意图。
40.图2为本发明所提供的一种弯管制造可行性确定方法中第一神经网络的网络架构图。
41.图3为本发明所提供的一种弯管制造可行性确定方法的流程图。
具体实施方式
42.为了更清楚地说明本发明实施例的技术方案，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，应当理解，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，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做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。
43.在本发明的描述中，需要说明的是，本发明中所判断的导管不限于航空导管。
44.此外，在本发明的第一神经网络架构图中，rol align，resnet50/101，backbone，feature maps，conv，softmax，bbox reg，proposals，fully convolution nets，head，mask，fc layers，coordinates，category，three branches，rpn都是神经网络的专属英文名词。
45.rolalign模块是区域特征聚集模块，可以提升检测模型的准确性；
46.resnet50/101是resnet50和resnet101，都是残差网络模型；
47.backbone是深度学习网络中的主干网络；
48.feature maps是网络特征图；
49.conv是网络转换器；
50.softmax是回归分类器；
51.bbox reg，bounding box regression，proposals，是指边框回归；
52.fully convolution nets是全卷积网络；
53.head是获取网络输出内容的网络，利用之前提取的特征，head利用这些特征，做出预测；
54.mask是分割掩码；
55.fc layer是全连接层，
56.coordinates是坐标代码；
57.category是分类；
58.three branches是三个分支；
59.rpn是区域生成网络，全称是region proposal network，是提取特征的网络。
60.实施例1：
61.本实施例的一种弯管制造可行性确定方法，如图1和图3所示，先获取导管制造约束条件模型对应的训练数据，根据训练数据获取第一标签值和第二标签值；再基于第一标签值和第二标签值得到第一神经网络，根据第一神经网络判得到弯管的边界框与是否可弯的类别；再然后根据第一神经网络的预测结果实现第二神经网络的训练，所述第二神经网络的结构与第一神经网络完全相同；最后将第二神经网络的训练效果应反馈给第一神经网络确定弯管制造的可行性。
62.第一神经网络的训练数据(后文简称第一训练数据)的标签(第一标签和第二标签)是人工标定的，因此样本量比较有限(eg.1000个)。第一神经网络的特点建议写至权1中，以增加新创性，第一神经网络是一个分步式的训练网络，它是模块化设计好的，可以以迁移学习的方式用于其他应用场景。第二训练样本的训练数据(后文简称第二训练数据)的标签(第一预测标签和第二预测标签)是基于第一神经网络生成的。即第二训练数据没有进行人工标定，只有特征数据，其数据的标签是基于第一神经网络预测得到的，因此称之为第一预测标签和第二预测标签。这样做的意义主要在于提升数据的数量(eg.20000个)，提升数据模型的泛化性。
63.实施例2：
64.本实施例在实施例1的基础上做进一步优化，获取导管制造约束条件模型对应的训练数据，获取已经判断无法弯曲的若干弯管数据(比如，1000项)，提取其中轴线以及半径信息，以特征化数据的方式进行表征。如可以用一下方式建立数据库[第一直线段长度，弯曲角度，第二直线段长度，弯曲角度，第三直线段长度
…
，半径]。第一标签值为人为判定的二分类标签(即0,1.分别表示可弯，不可弯)，第二标签为人工评判的置信度。
[0065]
其中，第一神经网络必须是基于人工标签的网络，即必须是基于实验选用的神经网络来建立映射关系，因为是人工标注的数据集量比较小，但是我们的样本量非常大，因此可以选用类似于教师学生网络的神经网络。
[0066]
第一数据库存在标签，第二数据库不存在任何标签。
[0067]
本实施例的其他部分与实施例1相同，故不再赘述。
[0068]
实施例3：
[0069]
本实施例在上述实施例1或2的基础上做进一步优化，如图2所示，是第一神经网络的训练过程，基于数据库[第一直线段长度，弯曲角度，第二直线段长度，弯曲角度，第三直线段长度
…
，半径]以及第一标签值、第二标签进行串集训练，得到第一神经网络。
[0070]
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
[0071]
实施例4：
[0072]
本实施例在上述实施例1-3任一项的基础上做进一步优化，为了更准确地反映弯管是否可弯曲，采用两阶段的算法组合成第一神经网络，第一神经网络的第一部分采用兴
趣提取算法得到一个弯曲导管中的弯管候选区域，并基于roi align模块确定弯管候选区域在原始导管中的对应位置。
[0073]
基于此将排列好的弯管候选区域输入第一神经网络的第二部分，第二部分分为三个分支，分别为二值化图像分支，回归分支以及分类分支，二值化图像分支即图1中的mask分支。在回归分支与分类分支中，候选区域分别通过全连接层，最终得到目标物体的边界框与是否可弯的类别，可弯为1，不可弯为0。
[0074]
而在二值化图像分支中，经过维度扩张以及全连接层后，输出的结果为每个预设类别的二值化图像，每一张二值化图像中都是0或1的代码，1则代表此类别在这一像素点存在目标物体，是像素级的物体边界。最终得到的结果包括每一个检测出的物体的类别信息、置信度和像素级的二值化图像。
[0075]
第一神经网络包含三个分支，因此其损失函数也由三部分构成，即分类损失函数、检测损失函数以及分割误差损失函数。
[0076]
l＝l
cls
+l
box
+l
mask
；
[0077]
其中l为第一神经网络的损失函数，l
cls
为分类损失函数，l
box
为检测损失函数，l
mask
为分割误差损失函数。
[0078]
分类分支使用交叉熵，对每一个感兴趣区域的得到的类别计算损失，并对roi的数量取平均。边界框部分的损失针对roi位置的准确性。
[0079]
假设第一神经网络的输入图像大小为m*n，输出检测出k个弯曲段，则其结果维度为m*n*k+k*2，其中m*n*k为k个弯曲段的二值化图像，k*2则为k个弯管的置信度与类别信息。在综合k个检出弯管的二值化图像时可以以置信度为标准，对m*n中每一个像素点进行处理，选择mask值为1且置信度最高的弯曲段编号(即在k中的序号)作为此像素点的标注结果。经过整合后，第一神经网络输出的结果维度为m*n*1+k*1，其中m*n*1为检测出的弯管编号，取值在1至k之间，而k*1则为每个检出弯管的类别信息。
[0080]
至此，实现了第一神经网络的训练，第一神经网络基于训练集合可实现第一标签值和第二标签的预测。
[0081]
本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。
[0082]
实施例5：
[0083]
本实施例在上述实施例1-4任一项基础上做进一步优化，在第二神经网络的训练过程中，由于人工标注标签的数量有限，采用人工标签的方式进行标注虽然可以得到精准的模型训练结果，但人工标注的成本太高，且能够标注的数量有限。因此，需要基于第一神经网络的预测结果实现第二神经网络的训练。
[0084]
先获取若干弯管数据(比如，1000项)，提取其中轴线以及半径信息，以特征化数据的方式进行表征，如可以用一下方式建立第二数据库[第一直线段长度，弯曲角度，第二直线段长度，弯曲角度，第三直线段长度
…
，半径]。第二数据库中不存在任何标签。
[0085]
此时基于第一神经网络将第二数据库中的数据输入，前馈(第一神经网络网络前向传播)生成预测标签。可以理解，预测标签并非真实的标签，而是由第一神经网络知识处理后得到的标签值。
[0086]
第二神经网络的结构与第一神经网络完全相同，基于第一神经网络处理得到的预测标签与真实标签按9:1的比例进行组合，也可以是其他的比例，实现第二神经网络的训
练，在此不在赘述。
[0087]
可以理解，采用第二神经网络的方式可以实现更大数据量模型的训练，并实现了第一神经网络的知识传承。训练所得的第二神经网络的泛用性更好。
[0088]
本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。
[0089]
实施例6：
[0090]
本实施例在上述实施例1-5任一项基础上做进一步优化，如图1所示，第一神经网络和第二神经网络之间，是一个单方向经验传授的网络，第二神经网络仅被动地接受第一神经网络习得的知识，而自身对于所学习的知识没有甄别的能力，且第一神经网络对于第二神经网络传承的效果没有收到反馈，从而无法对自身原有的学习过程进行调节，所以本发明进一步提出有交互与调节效果的交互网络。
[0091]
第一神经网络对第二神经网络的知识传承中产生的误差集中在标定误差、第一神经网络推理误差、边界标注误差这三个方面。此处我们主要关注边界误差未标注和误标注的情况，因为要进行是否可弯的校正工作，则我们在知识传递时保留单个弯管的信息，经传递后得到的点云语义结果应为n*1+k*1，n*1为每个点是检测出的k个弯曲段中的编号，而k*1则为k个检出弯曲段的类别。校正首先对每个检出弯管的点云进行二类聚类，旨在去除弯曲段周围误标注的杂点。因卷积神经网络的结果通过成熟的二维图像实例分割网络得到，有一定可信度，所以在此认为弯曲段点云内正确的部分占较大比重。在聚类之后，将数量较少的杂点簇的标注去除，优化部分误分类的情况。之后再对每一个检出弯曲段使用再生长的方法，将原本属于此弯曲段但不再生成体内的点云进行标注，由此改善边界处未分类的情况。
[0092]
本实施例的其他部分与上述实施例1-5任一项相同，故不再赘述。
[0093]
实施例7：
[0094]
本实施例在上述实施例1-6任一项基础上做进一步优化，在交互网络的反馈中，第二神经网络的训练效果应反馈给第一神经网络以改善其知识传承质量，也就是根据第二神经网络的网络质量改善原本第一神经网络的训练情况。反馈的形式与调整的方向有很多，比如可以将第二神经网络的训练的损失或者精确度反馈给第一神经网络，第一神经网络则可以根据第二神经网络的网络质量调整输入、网络结构、输出形式等方面。示例性地可采用第二神经网络训练的类别精确度进行反馈，去调整第一神经网络的输入数据的类别比重，从而训练过程采用梯度下降法、adam算法等常规神经网络算法，不再赘述。
[0095]
需要说明的是，此处的反馈并不是与第二神经网络的训练同时开始，而是在第二神经网络收敛稳定之后，将空间内弯管各个类别的准确度反馈至第一神经网络。在反馈中找到准确度最低的一类或者准确度低于一定阈值的几种类别，预设阈值可取0～1之间的任意数，可取0.9或其他数值。
[0096]
首先判断这些种类的准确性是否在原本的第一神经网络中准确度就比较低，如果是这种情况则增加相应类别的图片，对第一神经网络进行微调优化。如果仅仅在第二神经网络中准确度较低，而在第一神经网络中准确度较高，则在输入部分增加这几类的图片与点云数据，对点云分割网络进行进一步优化。由于roi align模块的失拟问题(即无法提取到准确的直线段长度、弯曲角度等数据)，所以添加点云数据和点云分割网络，可以理解为几何数学中的参考线，以提升roi align模块的识别准确度。
[0097]
本实施例的其他部分与上述实施例1-6任一项相同，故不再赘述。
[0098]
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。

技术特征：
1.一种弯管制造可行性确定方法，其特征在于，包括以下步骤：步骤s1，标定导管制造约束条件模型对应的训练数据，根据训练数据获取第一标签值和第二标签值；步骤s2，基于第一标签值和第二标签值及其对应的训练数据得到第一神经网络，根据所述第一神经网络得到弯管各个类别及各个类别的准确度；所述第一神经网络是一个分步式的训练网络，以迁移学习的方式用于其他应用场景；步骤s3，根据第一神经网络的预测结果实现第二神经网络的训练，所述第二神经网络的结构与第一神经网络完全相同；步骤s4，将第二神经网络的训练效果应反馈给第一神经网络，根据反馈进行调整确定弯管制造可行性。2.根据权利要求1所述的一种弯管制造可行性确定方法，其特征在于，所述步骤s1中获取导管制造约束条件模型对应的训练数据的方法包括：获取已经判断无法弯曲的若干弯管数据，提取若干弯管数据的轴线信息以及半径信息，以特征化数据的方式将轴线信息以及半径信息进行表征；所述特征化数据的方式包括建立第一数据库和第二数据库；所述第一数据库中的数据包括第一直线段长度、弯曲角度、第二直线段长度、弯曲角度、第三直线段长度和半径，将所述第一数据库中的数据分为第一标签值和第二标签值；所述第第二数据库的数据包括第一直线段长度、弯曲角度、第二直线段长度、弯曲角度、第三直线段长度和半径，所述第二数据库不存在任何标签。3.根据权利要求1所述的一种弯管制造可行性确定方法，其特征在于，所述步骤s1中还包括：所述第一标签值为人为判定的二分类标签，所述第二标签值为人工评判的置信度；所述二分类标签表示为0和1,0表示不可弯,1表示可弯。4.根据权利要求1所述的一种弯管制造可行性确定方法，其特征在于,所述步骤s2包括:根据数据库、第一标签值和第二标签值进行串集训练，得到第一神经网络；所述第一神经网络分为第一部分和第二部分；所述第二部分分为三个分支，分别为二值化图像分支、回归分支和分类分支；所述第一神经网络的第一部分采用兴趣提取算法获取弯管中的弯管候选区域，并基于roi align模块确定弯管候选区域在原始导管中的对应位置；将排列好的弯管候选区域输入第一神经网络的第二部分，在第二部分的回归分支和分类分支中，将排列好的弯管候选区域分别通过第一神经网络的全连接层，最终得到弯管各个类别及各个类别的准确度。5.根据权利要求4所述的一种弯管制造可行性确定方法，其特征在于,包括：在二值化图像分支中，经过全连接层后，输出的结果为每个预设类别的二值化图像；每一张二值化图像中都是 0或1的代码，二值化图像中的1 代表此类别在这一像素点存在目标物体，是像素级的物体边界，二值化图像中的0代表此类别在这一像素点不存在目标物体，最终得到的结果包括每一个检测出的物体的类别信息、置信度和像素级的二值化图像。
6.根据权利要求1所述的一种弯管制造可行性确定方法，其特征在于,所述步骤s3包括:基于第一神经网络将第二数据库中的数据输入，第一神经网络网络前向传播生成预测标签；所述预测标签是由第一神经网络知识处理后得到的标签值；将基于第一神经网络处理得到的预测标签与真实标签按比例进行组合实现第二神经网络的训练。7.根据权利要求1所述的一种弯管制造可行性确定方法，其特征在于,所述步骤s4包括：当第二神经网络完成训练收敛稳定后，将弯管各个类别的准确度反馈至第一神经网络；在反馈中找到准确度最低的一种弯管类别或者准确度低于预设阈值的多种弯管类别，判断这些弯管类别的准确度是否在原本的第一神经网络中的准确度就低于预设阈值，如果是，在输入部分增加这些弯管类别的图片与弯管类别的点云数据，对点云分割网络进行进一步优化，如果否，对第一神经网络进行调整。8.根据权利要求1所述的一种弯管制造可行性确定方法，其特征在于,包括:第一神经网络和第二神经网络之间是一个单方向经验传授的网络传递关系，第二神经网仅被动地接受第一神经网络习得的知识，而自身对于所学习的知识没有甄别的能力，且第一神经网络对于第二神经网络传承的效果没有收到反馈，从而无法对自身原有的学习过程进行调节。

技术总结
本发明涉及弯管工艺技术领域，公开了一种弯管制造可行性确定方法，包括以下步骤：步骤S1，获取导管制造约束条件模型对应的训练数据，根据训练数据获取第一标签值和第二标签值；步骤S2，基于第一标签值和第二标签值得到第一神经网络，根据第一神经网络判得到弯管各个类别及各个类别的准确度；步骤S3，根据第一神经网络的预测结果实现第二神经网络的训练，所述第二神经网络的结构与第一神经网络完全相同；步骤S4，将第二神经网络的训练效果应反馈给第一神经网络，根据反馈进行调整确定弯管制造可行性。本发明用于快速的判断设计好的弯管是否可以弯曲成型。管是否可以弯曲成型。管是否可以弯曲成型。


技术研发人员：曹金豆 李光俊 崔保金
受保护的技术使用者：成都飞机工业（集团）有限责任公司
技术研发日：2023.06.25
技术公布日：2023/10/8