本技术涉及智能缝合，且更为具体地，涉及一种拉拉裤的超声波封边工艺及其系统。
背景技术：
1、拉拉裤是一种婴儿或幼儿使用的纸尿裤，通常由吸收性材料制成。与传统的纸尿裤相比，拉拉裤有一个类似于内裤的设计，因此不需要任何固定装置，而且更易于穿脱。
2、拉拉裤的超声波封边方法是一种应用广泛的技术，它可以在不使用线缝合的情况下将两个面料边缘牢固地粘合在一起。通常，为拉拉裤进行超声波封边，可以按照以下步骤进行：准备好需要封边的拉拉裤材料，并将其放置在超声波焊接机上；调整超声波焊接机的参数，包括振幅、时间和压力等，以确保最佳效果；将拉拉裤材料对准超声波焊接机的焊接头部分，确保完全贴合；启动超声波焊接机，将超声波能量传递到材料中，在焊接头部位形成高温并融化材料；当焊接头部位达到所需的时间和压力后，停止超声波焊接机并等待材料冷却；重复以上步骤，直到所有需要封边的区域都完成封合。
3、在上述为拉拉裤进行超声波封边的步骤中，所述振幅是指超声波在材料中的最大位移量，它决定了焊接头部分产生的高温和融化材料的程度。在实际应用中，过高或过低的振幅都会影响焊接质量，因此期待一种优化的拉拉裤的超声波封边方法。
技术实现思路
1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种拉拉裤的超声波封边工艺及其系统，其通过采用基于深度学习的人工智能控制技术，获取待焊接拉拉裤布料的侧视图和俯视图，然后通过目标检测网络、特征提取器的卷积神经网络和解码器最终得到得到解码值，以自动化、智能化地推荐适宜的超声波振幅值。这样，在拉拉裤的缝合中从而避免过高或过低的振幅对焊接质量的影响，进而可以提高焊接的效果。
2、相应地，根据本技术的一个方面，提供了一种拉拉裤的超声波封边工艺，其包括：
3、获取待焊接拉拉裤布料的侧视图和俯视图；
4、将所述待焊接拉拉裤布料的侧视图通过目标检测网络以得到感兴趣区域图像；
5、将所述感兴趣区域图像通过作为特征提取器的第一卷积神经网络模型以得到厚度特征图；
6、将所述待焊接拉拉裤布料的俯视图通过包含深浅特征融合模块的卷积神经网络模型以得到材料特征图；
7、融合所述厚度特征图和所述材料特征图以得到解码特征图；以及
8、将所述解码特征图通过解码器以得到解码值，所述解码值用于表示超声波的推荐振幅值。
9、在上述拉拉裤的超声波封边工艺中，所述目标检测网络为centernet、extremenet、reppoints、yolov1或fcos。
10、在上述拉拉裤的超声波封边工艺中，将所述感兴趣区域图像通过作为特征提取器的第一卷积神经网络模型以得到厚度特征图，包括：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行；对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述厚度特征图，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述感兴趣区域图像。
11、在上述拉拉裤的超声波封边工艺中，将所述待焊接拉拉裤布料的俯视图通过包含深浅特征融合模块的卷积神经网络模型以得到材料特征图，包括：从所述包含深浅特征融合模块的卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；从所述包含深浅特征融合模块的卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；以及，使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到所述材料特征图。
12、在上述拉拉裤的超声波封边工艺中，融合所述厚度特征图和所述材料特征图以得到解码特征图，包括：将所述厚度特征图和所述材料特征图进行级联以得到所述解码特征图。
13、在上述拉拉裤的超声波封边工艺中，将所述解码特征图通过解码器以得到解码值，所述解码值用于表示超声波的推荐振幅值，包括：使用所述解码器以如下解码公式对所述解码特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中x是所述解码特征图，y是所述解码值，w是权重矩阵，表示矩阵乘。
14、在上述拉拉裤的超声波封边工艺中，还包括训练步骤：对所述目标检测网络、所述作为特征提取器的第一卷积神经网络模型、所述包含深浅特征融合模块的卷积神经网络模型和所述解码器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括待焊接拉拉裤布料的训练侧视图和训练俯视图，以及，超声波的振幅值的真实值；将所述待焊接拉拉裤布料的训练侧视图通过所述目标检测网络以得到训练感兴趣区域图像；将所述训练感兴趣区域图像通过所述作为特征提取器的第一卷积神经网络模型以得到训练厚度特征图；将所述待焊接拉拉裤布料的训练俯视图通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练材料特征图；融合所述训练厚度特征图和所述训练材料特征图以得到训练解码特征图；对于所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化解码特征图；将所述优化解码特征图通过解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的方向传播来对所述目标检测网络、所述作为特征提取器的第一卷积神经网络模型、所述包含深浅特征融合模块的卷积神经网络模型和所述解码器进行训练。
15、在上述拉拉裤的超声波封边工艺中，对于所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化解码特征图，包括：以如下优化公式对所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化解码特征图；其中所述优化公式为：
16、
17、其中，fi,j,k为所述优化后解码特征图的第(i,j,k)位置的特征值，fi,j,k为所述解码特征图的第(i,j,k)位置的特征值，w为所述解码特征图的高度，h为所述解码特征图的宽度，c为所述解码特征图的通道数，α、β和γ为用于尺度调节的超参数，exp(·)表示向量的指数运算。
18、根据本技术的另一方面，还提供了一种拉拉裤的超声波封边系统，其包括：
19、图像提取模块，用于获取待焊接拉拉裤布料的侧视图和俯视图；
20、图像目标检测模块，用于将所述待焊接拉拉裤布料的侧视图通过目标检测网络以得到感兴趣区域图像；
21、特征提取模块，用于将所述感兴趣区域图像通过作为特征提取器的第一卷积神经网络模型以得到厚度特征图；
22、深浅特征融合模块，用于将所述待焊接拉拉裤布料的俯视图通过包含深浅特征融合模块的卷积神经网络模型以得到材料特征图；
23、融合模块，用于融合所述厚度特征图和所述材料特征图以得到解码特征图；以及
24、解码模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值用于表示超声波的推荐振幅值。
25、在上述拉拉裤的超声波封边系统中，所述图像目标检测模块，用于：所述目标检测网络为centernet、extremenet、reppoints、yolov1或fcos
26、在上述拉拉裤的超声波封边系统中，所述特征提取模块，用于：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行；对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述厚度特征图，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述感兴趣区域图像。
27、在上述拉拉裤的超声波封边系统中，所述深浅特征融合模块，用于：从所述包含深浅特征融合模块的卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；从所述包含深浅特征融合模块的卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；以及，使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到所述材料特征图。
28、在上述拉拉裤的超声波封边系统中，所述融合模块，用于：将所述厚度特征图和所述材料特征图进行级联以得到所述解码特征图。
29、在上述拉拉裤的超声波封边系统中，所述解码模块，用于：使用所述解码器以如下解码公式对所述解码特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中x是所述解码特征图，y是所述解码值，w是权重矩阵，表示矩阵乘。
30、在上述拉拉裤的超声波封边系统中，所述训练步骤：对所述目标检测网络、所述作为特征提取器的第一卷积神经网络模型、所述包含深浅特征融合模块的卷积神经网络模型和所述解码器进行训练；其中，所述训练步骤，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括待焊接拉拉裤布料的训练侧视图和训练俯视图，以及，超声波的振幅值的真实值；训练区域图像提取单元，用于将所述待焊接拉拉裤布料的训练侧视图通过所述目标检测网络以得到训练感兴趣区域图像；训练特征图提取单元，用于将所述训练感兴趣区域图像通过所述作为特征提取器的第一卷积神经网络模型以得到训练厚度特征图；训练材料图提取单元，用于将所述待焊接拉拉裤布料的训练俯视图通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练材料特征图；融合单元，用于融合所述训练厚度特征图和所述训练材料特征图以得到训练解码特征图；训练优化单元，用于对于所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化解码特征图；分类损失单元，用于将所述优化解码特征图通过解码器以得到解码损失函数值；以及，训练单元，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述目标检测网络、所述作为特征提取器的第一卷积神经网络模型、所述包含深浅特征融合模块的卷积神经网络模型和所述解码器进行训练。
31、在上述拉拉裤的超声波封边系统中，所述训练优化单元，用于：以如下优化公式对所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化解码特征图；其中所述优化公式为：
32、
33、其中，fi,j,k为所述优化后解码特征图的第(i,j,k)位置的特征值，fi,j,k为所述解码特征图的第(i,j,k)位置的特征值，w为所述解码特征图的高度，h为所述解码特征图的宽度，c为所述解码特征图的通道数，α、β和γ为用于尺度调节的超参数，exp(·)表示向量的指数运算。
34、与现有技术相比，本技术提供的拉拉裤的超声波封边工艺及其系统，其通过采用基于深度学习的人工智能控制技术，获取待焊接拉拉裤布料的侧视图和俯视图，然后通过目标检测网络、特征提取器的卷积神经网络和解码器最终得到得到解码值，以自动化、智能化地推荐适宜的超声波振幅值。这样，在拉拉裤的缝合中从而避免过高或过低的振幅对焊接质量的影响，进而可以提高焊接的效果。
1.一种拉拉裤的超声波封边工艺，其特征在于，包括：
2.根据权利要求1所述的拉拉裤的超声波封边工艺，其特征在于，所述目标检测网络为centernet、extremenet、reppoints、yolov1或fcos。
3.根据权利要求2所述的拉拉裤的超声波封边工艺，其特征在于，将所述感兴趣区域图像通过作为特征提取器的第一卷积神经网络模型以得到厚度特征图，包括：
4.根据权利要求3所述的拉拉裤的超声波封边工艺，其特征在于，将所述待焊接拉拉裤布料的俯视图通过包含深浅特征融合模块的卷积神经网络模型以得到材料特征图，包括：
5.根据权利要求4所述的拉拉裤的超声波封边工艺，其特征在于，融合所述厚度特征图和所述材料特征图以得到解码特征图，包括：将所述厚度特征图和所述材料特征图进行级联以得到所述解码特征图。
6.根据权利要求5所述的拉拉裤的超声波封边工艺，其特征在于，将所述解码特征图通过解码器以得到解码值，所述解码值用于表示超声波的推荐振幅值，包括：
7.根据权利要求6所述的拉拉裤的超声波封边工艺，其特征在于，还包括训练步骤：对所述目标检测网络、所述作为特征提取器的第一卷积神经网络模型、所述包含深浅特征融合模块的卷积神经网络模型和所述解码器进行训练；
8.根据权利要求7所述的拉拉裤的超声波封边工艺，其特征在于，对于所述训练解码特征图进行类傅里叶尺度域概率修正以得到优化解码特征图，包括：
9.一种拉拉裤的超声波封边系统，其特征在于，包括：
10.根据权利要求9所述的拉拉裤的超声波封边系统，其特征在于，所述特征提取模块，用于：
