[发明专利]基于卷积神经网络航天结构件工业物联标识激光打码系统

权利要求书

1.一种基于卷积神经网络的航天结构件工业物联标识激光打码系统，其特征在于，包括：

空间坐标系标定模块，用于将软件坐标系与打码机坐标系的对齐；

打标区域规划模块，用于针对不同种类航天结构件表面形状特征的不同，通过已有数据训练得到的卷积神经网络模型，智能规划不同种类航天结构件的可打码区域，其中，卷积神经网络模型包括

(1)输入航天结构件表面图像信息

此步骤是输入利用相机采集到的、待标识的航天结构件的表面图像信息，将其转化为600*600的数字矩阵；

(2)卷积第1层

选择6个特征卷积核，卷积核大小为201*201，这样可以得到6个特征图，每个特征图的大小为600-201+1＝400，也就是神经元的个数为6*400*400＝960000；

(3)池化第1层

使用最大池化进行下采样，池化的size为(2,2)，即相当于对卷积第1层400*400的图片，进行分块，每个块的大小为2*2，这样可以得到200*200个块，然后统计每个块中最大的值作为新像素，池化第1层的结果为：200*200大小的图片，共有6个这样的图片；

(4)卷积第2层

用101*101的卷积核去卷积每一张输入的特征图，为了得到16个特征图，每张特征图的卷积核参数是不一样的，因此相当于需要6*(5*5)个参数；对每一张输入特征图进行卷积后，得到6张100*100的新图片，将这6张图片加在一起，加偏置项b，然后用激活函数sigmoid进行映射，得到一张100*100的输出特征图；为了得到16张100*100的输出特征图，需要卷积参数个数为16*(6*(100*100))＝960000个参数；

(5)池化第2层

对卷积第2层的16张100*100的图片进行最大池化，池化块的大小为2*2；因此最后池化第2层为16张大小为50*50的图片；至此神经元个数减少为：16*50*50＝40000；

(6)卷积第3层

用50*50的卷积核去卷积每一张输入的特征图，为了得到400个特征图，每张特征图的卷积核参数是不一样的，因此相当于需要16*(50*50)个参数；对每一张输入特征图进行卷积后，得到16张1*1的新图片，将这6张图片加在一起，加偏置项b，然后用激活函数sigmoid进行映射，得到一张1*1的输出特征图；为了得到400张100*100的输出特征图，需要卷积参数个数为400*(16*(50*50))＝16000000个参数，因此最后剩下400个神经元；

(7)多层全连接神经网络层

神经元个数减少到400之后，后面采用400*200*50*2的全连接神经网络进行后续处理，各层的激活函数分别为tansig、tansig、tansig与sigmoid；

标识自动生成模块，用于在收到打码信息之后，根据二维码生成原理，生成一个包含全部打码信息的二维码；

打码参数生成模块，通过经验数据训练得到的BP神经网络模型，根据标识的线形要求与打码材料智能生成激光和运动参数；

激光振镜运动控制模块，通过相关接口协议，将振镜运动控制、电机运动控制和激光及其能量控制相结合，实现不同的激光加工工艺。

2.如权利要求1所述的一种基于卷积神经网络的航天结构件工业物联标识激光打码系统，其特征在于，所述空间坐标系标定模块在打码机坐标原点固定的情况下，将坐标系标定问题转化为点的对齐问题与轴的选择问题，利用激光光束对齐打码机坐标原点、设定X/Y轴向，系统自动生成软件坐标系。

3.如权利要求1所述的一种基于卷积神经网络的航天结构件工业物联标识激光打码系统，其特征在于，所述打标区域规划模块通过训练的卷积神经网络模型，根据航天结构件表面的图像信息，找出平整的、面积足够大的区域作为所述可打码区域。

4.如权利要求1所述的一种基于卷积神经网络的航天结构件工业物联标识激光打码系统，其特征在于，所述标识自动生成模块融合文档中的打码信息，根据二维码生成原理，生成多种格式的二维码。