(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211106765.4 (22)申请日 2022.09.13 (65)同一申请的已公布的文献号 申请公布号 CN 115186774 A (43)申请公布日 2022.10.14 (73)专利权人 徐州飞宇机 械科技有限公司 地址 221300 江苏省徐州市邳州市碾庄镇 碾庄工业园 (72)发明人 邓全巧　倪琪琪　许凤全　 (74)专利代理 机构 滁州市明来知识产权代理事 务所(特殊普通 合伙) 3420 6 专利代理师 李博 (51)Int.Cl. G06K 9/62(2022.01) G06K 9/00(2022.01)G06N 3/04(2006.01) G06T 9/00(2006.01) G06V 10/764(2022.01) G06V 10/778(2022.01) H02G 1/12(2006.01) 审查员 朱来普 (54)发明名称 智能电缆剥线设备及其方法 (57)摘要 本申请涉及电缆剥线技术领域， 其具体地公 开了一种智能电缆剥线设备及其方法， 其通过将 训练电流特征矩 阵和频域统计特征矩 阵之间的 均方误差作为损失函数值对Taming模型进行训 练， 从而强化所述Taming模型的 图像编码器对于 所述电流信号微弱变化的感知能力， 然后， 将电 流信号的波形图通过训练完成的所述Taming模 型的图像编码器以得到分类特征矩阵， 并基于所 述分类特征矩阵中各个元素的位置信息， 对所述 分类特征矩 阵中各个位置的特征值进行校正 以 得到校正后分类特征矩阵， 最后， 将所述校正后 分类特征矩 阵通过分类器以得到用于表示是否 停止切割的分类结果， 从而实现基于切割过程中 的电流变化模式来判断是否停止切割以避免伤 害到所述电缆内部绝 缘层和内芯。 权利要求书3页 说明书12页 附图9页 CN 115186774 B 2022.12.16 CN 115186774 B 1.一种智能电缆剥线设备， 其特 征在于， 包括： 电流信号 监测单元， 用于获取电动剥线钳在切割过程中的电流信号； 电流特征编码单元， 用于将所述电流信号的波形图通过训练完成的Taming模型的图像 编码器以得到分类特征矩阵， 其中， 所述图像编码器使用深度卷积神经网络对所述电流信 号的波形图进行编码； 电流特征校正单元， 用于基于所述分类特征矩阵中各个元素的位置信息， 对所述分类 特征矩阵中各个位置的特 征值进行 校正以得到校正后分类特 征矩阵； 以及 控制结果生成单元， 用于将所述校正后分类特征矩阵通过分类器以得到分类结果， 所 述分类结果用于表示是否停止切割； 其中， 所述电流特 征校正单元， 包括： 局部感知子单元， 用于将所述分类特征矩阵通过第一卷积层以得到局部感知特征矩 阵； 全局场景构造子单元， 用于计算所述局部感知特征矩阵和所述分类特征矩阵的转置矩 阵的按位置加 和以得到全局场景 特征矩阵； 语义推理子单元， 用于将所述全局场景特征矩阵通过第 二卷积层以得到全局场景语义 推理特征矩阵； 位置信息提取子单元， 用于将所述分类特征矩阵中各个元素的二维位置坐标映射为一 维数值以得到位置特 征值矩阵； 以及 位置转化单元， 用于计算所述位置特征值矩阵和所述全局场景语义推理特征矩阵的按 位置点乘以得到所述校正后分类特 征矩阵。 2.根据权利要求1所述的智能电缆剥线设备， 其特征在于， 所述电流特征编码单元， 进 一步用于： 所述深度卷积神经网络的各层 在层的正向传递中对输入数据分别进行： 使用所述深度卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核 的卷积处 理以得到卷积特 征图； 使用所述深度卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的 全局均值池化以得到池化特 征图； 以及 使用所述深度卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征 值进行非线性激活以得到 激活特征图； 其中， 所述深度卷积神经网络的最后一层的输出为所述分类特 征矩阵。 3.根据权利要求2所述的智能电缆剥线设备， 其特征在于， 所述语义推理子单元， 进一 步用于： 使用所述第二卷积层以如下公式对于所述全局 场景特征矩阵进 行处理以得到所述 全局场景语义推理特 征矩阵； 其中， 所述公式为： Mc＝Cov1(Ms) 其中Ms表示所述全局 场景特征矩阵， Mc表示所述全局 场景语义推理特征矩阵， Cov1()为 所述第二卷积层。 4.根据权利要求3所述的智能电缆剥线设备， 其特征在于， 所述位置信息提取子单元， 进一步用于： 以如下公式将所述分类特征矩阵中各个元素的二维位置坐标映射为一 维数值 以得到所述 位置特征值矩阵；权　利　要　求　书 1/3 页 2 CN 115186774 B 2其中， 所述公式为： Mp＝Φ(PM) 其中PM表示所述分类特征矩阵的(x,y)坐标矩阵， 用于将所述分类特征 矩阵中各个元 素的二维位置坐标映射 为一维数值， Mp表示所述 位置特征值矩阵。 5.根据权利要求4所述的智能电缆剥线设备， 其特征在于， 所述控制结果生成单元， 进 一步用于： 使用所述分类器以如下公式对所述校正后分类特征矩阵进 行处理以生成所述分 类结果， 其中， 所述公式为： softmax{(Wn,Bn):…:(W1,B1)|Project(F)}， 其中Project(F)表 示将所述校正后分类特征矩阵投影为向量， W1至Wn为各层全连接层的权重矩阵， B1至Bn表示 各层全连接层的偏置矩阵。 6.根据权利要求1所述的智能电缆剥线设备， 其特征在于， 所述智能电缆剥线设备还包 括用于对所述Tami ng模型进行训练的训练模块； 其中， 所述训练模块， 包括： 训练数据获取单元， 用于获取训练数据， 所述训练数据为电动剥线钳在切割过程中的 电流信号； 频域特征提取单元， 用于基于傅里叶变换从所述电流信号 提取多个频域统计特 征值； 频域特征编码单元， 用于将所述多个频域统计特征值通过所述Taming模型的序列编码 器以得到多个频域统计特征向量， 并将所述多个频域统计特征向量进 行二维排列为频域统 计特征矩阵； 电流图形编码单元， 用于将所述电流信号通过所述Taming模型的图像编码器以得到训 练电流特 征矩阵； 损失计算单元， 用于计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方 误差； 以及 训练单元， 用于以所述均方误差作为损失函数值对所述Tami ng模型进行训练。 7.一种智能电缆剥线方法， 其特 征在于， 包括： 获取电动剥线钳在切割过程中的电流信号； 将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征 矩阵， 其中， 所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码； 基于所述分类特征矩阵中各个元素的位置信 息， 对所述分类特征矩阵中各个位置的特 征值进行 校正以得到校正后分类特 征矩阵； 以及 将所述校正后分类特征矩阵通过分类器以得到分类结果， 所述分类结果用于表示是否 停止切割； 其中， 所述基于所述分类特征矩阵中各个元素的位置信息， 对所述分类特征矩阵中各 个位置的特 征值进行 校正以得到校正后分类特 征矩阵， 包括： 将所述分类特 征矩阵通过第一卷积层以得到局部感知特 征矩阵； 计算所述局部感知特征矩阵和所述分类特征矩阵的转置矩阵的按位置加和以得到全 局场景特征矩阵； 将所述全局场景 特征矩阵通过第二卷积层以得到全局场景语义推理特 征矩阵； 将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到位置特征值 矩阵； 以及权　利　要　求　书 2/3 页 3 CN 115186774 B 3