(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211038132.4 (22)申请日 2022.08.29 (71)申请人 江苏茂融智能科技有限公司 地址 226500 江苏省南 通市如皋市长江镇 丰泽北路66号富港创谷智能智造产业 园-11栋 (72)发明人 盛建凯　孙小春　盛太纯　 (74)专利代理 机构 南通华发知识产权代理事务 所(普通合伙) 32662 专利代理师 孙腾 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/136(2017.01) G06T 7/187(2017.01) G06T 5/00(2006.01)G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种用于锌合金零件加工的智能控制方法 (57)摘要 本发明涉及一种用于锌合金零件加工的智 能控制方法， 该方法包括通过气泡缺陷特征获取 重构损失函数， 对初始样本聚类， 利用初始样本、 聚类后的样本类别得到变分自编码器对应的两 个网络得到概率分布， 根据两个概率分布对应得 到正则化损失函数、 均衡化损失函数， 根据重构 损失函数、 正则化损失函数、 均衡化损失函数得 到最终损失函数， 基于最终损失函数得到最终变 分自编码器， 从最终变分自编码器的推断网络输 出的隐变量分布中取样并利用最终变分自编码 器获得重构工艺参数， 根据重构工艺参数来扩充 初始样本， 根据扩充样本对神经网络训练得到最 终工艺参数， 根据最终工艺参数调整工艺参数， 本发明方法能精确调整工艺参数， 从而提高零件 加工的质量。 权利要求书3页 说明书7页 附图2页 CN 115131347 A 2022.09.30 CN 115131347 A 1.一种用于锌合金零件加工的智能控制方法， 其特 征在于， 该 方法包括： 获取多个零件图像， 获取多个零件图像中的气泡缺陷特征， 将所有零件图像中气泡缺 陷特征及影响气泡 缺陷的工艺 参数作为初始样本； 根据初始样本利用变分自编码器获取生成样本， 根据初始样本、 生成样本获取重构损 失函数； 对初始样本中的气泡 缺陷特征进行相似度聚类得到多个样本类别； 根据初始样本、 每个样本类别依次获取变分自编码器的两个网络对应的概率分布， 根 据初始样本对应的概率分布的KL散度获取正则化损失函数， 根据每个样本类别对应的概率 分布的KL散度获取均衡化损失函数； 根据重构损失函数、 正则化损失函数、 均衡化损失函数获取最终损失函数， 基于最终损 失函数对变分自编码器的网络进行训练获取最终变分自编码器； 从训练好的最终变分自编码器的隐变量分布中取样并利用最终变分自编码器获得重 构工艺参数， 根据重构工艺 参数与初始样本中的工艺 参数确定得到扩充样本； 对神经网络进行训练， 其中， 输入为扩充样本中的工艺参数， 输出为扩充样本 中的气泡 缺陷特征， 根据训练好的神经网络得到气泡缺陷特征中各个最少缺陷特征对应的最 终工艺 参数， 根据最终工艺 参数调整零件加工的工艺 参数。 2.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法， 其特征在于， 获取 多个零件图像中的气泡 缺陷特征的步骤 包括： 气泡缺陷特征包括气泡 缺陷的数量、 大小、 缺陷程度、 密集度； 获取零件图像的灰度图； 对灰度图进行阈值分割获得气泡 缺陷， 并得到气泡 缺陷的二 值图； 获取气泡缺陷的二值图进行连通域分析， 连通域的数量即为气泡缺陷的数量， 连通域 的大小之和为气泡 缺陷的大小； 根据连通 域中对应的像素的灰度值获取气泡 缺陷程度； 获取每个连通域的最小外接圆及最小外接圆的圆心， 根据圆心的分布获得气泡缺陷密 集度。 3.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法， 其特征在于， 根据 初始样本、 生成样本获取重构损失函数的步骤 包括： 计算生成样本和初始样本的第一相似度； 根据初始样本中的气泡 缺陷特征获取权 重； 根据权重和第一相似度获取重构损失函数。 4.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法， 其特征在于， 对初 始样本中的气泡 缺陷特征进行相似度聚类得到多个样本类别的步骤 包括： 计算初始样本中每两个零件图像的气泡 缺陷特征的第二相似度； 根据第二相似度对初始样本中的气泡 缺陷特征进行聚类得到多个样本类别。 5.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法， 其特征在于， 根据 初始样本、 每 个样本类别依次获取变分自编码器的两个网络对应的概 率分布的步骤 包括： 变分自编码器包括利用两个网络建立高斯混合模型和工艺参数的隐变量的变分概率 分布模型；权　利　要　求　书 1/3 页 2 CN 115131347 A 2根据样本类别的数量确定高斯混合模型中 高斯模型的数量； 根据初始样本获取变分自编码器对应的高斯混合模型的高斯混合分布、 隐变量的变分 概率分布模型的第一隐变量分布； 根据每个样本类别获取变分自编码器对应的高斯模型的高斯分布及隐变量的变分概 率分布模型的第二隐变量分布。 6.根据权利要求5所述的一种用于锌合金零件加工的智能控制方法， 其特征在于， 根据 初始样本对应的概 率分布的KL散度获取正则化损失函数步骤 包括： 根据下式 （1） 计算 正则化损失函数 ： （1） 其中， 表示初始样本X对应的第一隐变量分布， 表示初始样本X对应的第一 隐变量分布中的隐变量均值， 表示初始样本X对应的第一隐变量分布中的隐变量方差； 表示初始样本X对应的高斯混合分布， n表示高斯模型的数量， 表示初始样本X 中高斯混合分布对应的所有高斯混合模型的均值构成的均值向量， = ， 表 示第 个高斯模型对应的均值， 表示初始样本X中高斯混合分布对应的所有高斯混合模 型的方差构成的方差向量， = ， 表示第 个高斯模型对应的方差 。 7.根据权利要求5所述的一种用于锌合金零件加工的智能控制方法， 其特征在于， 根据 每个样本类别对应的概 率分布的KL散度获取正则化损失函数的步骤 包括： 根据式 （2） 计算均衡化损失函数 ： （2） 其中， 表示第 个样本类别对应的第 个隐变量分布对应的均值， 表示第 个样本 类别中第 个隐变量分布对应的方差， 表示第 个样本类别对应的第 个高斯混合模型的 均值， 第 个样本类别对应的第 个高斯混合模型的方差， n表示高斯模型的数量。 8.根据权利要求1所述的一种用于锌合金零件加工的智能控制方法， 其特征在于， 根据 重构损失函数、 正则化损失函数、 均衡化损失函数获取最终损失函数的步骤 包括： 根据下式 （3） 获取最终损失函数 ： （3） 其中， 表示重构损失函数； 表示正则化损失函数； 表示均衡化损失函 数， 表示最终变分自编码器的网络的训练次数。权　利　要　求　书 2/3 页 3 CN 115131347 A 3