CN110363759B - 三维模具调试参数确定方法及装置 - Google Patents

三维模具调试参数确定方法及装置 Download PDF

Info

Publication number
CN110363759B
CN110363759B CN201910661163.7A CN201910661163A CN110363759B CN 110363759 B CN110363759 B CN 110363759B CN 201910661163 A CN201910661163 A CN 201910661163A CN 110363759 B CN110363759 B CN 110363759B
Authority
CN
China
Prior art keywords
defect
information
image
parameter
dimensional mold
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910661163.7A
Other languages
English (en)
Other versions
CN110363759A (zh
Inventor
孟祥飞
李健增
段莉莉
彭修乾
张婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Supercomputer Center In Tianjin
Original Assignee
National Supercomputer Center In Tianjin
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Supercomputer Center In Tianjin filed Critical National Supercomputer Center In Tianjin
Priority to CN201910661163.7A priority Critical patent/CN110363759B/zh
Publication of CN110363759A publication Critical patent/CN110363759A/zh
Application granted granted Critical
Publication of CN110363759B publication Critical patent/CN110363759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种三维模具调试参数确定方法及装置，该方法包括：获取目标三维模具对应的拍摄图像；将所述拍摄图像输入三维模具缺陷检测模型，得到所述三维模具缺陷检测模型输出的缺陷信息，所述三维模具缺陷检测模型是利用第一样本图像训练得到的，所述第一样本图像包含第一缺陷标定信息，所述第一样本图像与所述拍摄图像的拍摄信息相同，所述拍摄信息包括拍摄设备的安装位置和镜头角度；根据所述拍摄图像和内禀关联模型，确定所述缺陷信息对应的调试参数信息。本发明实施例提高了处理效率。

Description

三维模具调试参数确定方法及装置
技术领域
本发明涉及超级计算领域技术领域，特别涉及一种三维模具调试参数确定方法及装置。
背景技术
利用三维模具对产品部件进行生产加工的方式广泛应用于工业生产中，以汽车覆盖件为例，其是利用汽车覆盖件模具通过冲压等方式加工得到的。
为了得到合格的产品部件，首先需要设计、制作三维模具。三维模具的质量将直接影响产品部件的质量。例如，如果三维模具表面存在设计或加工缺陷，将直接导致模具加工得到的产品部件表面不光滑、表面变形等诸多问题。
因此，在设计、制作三维模具的过程中，需要及时、准确识别三维模具的缺陷，并基于识别到的缺陷调整三维模具的关键几何参数，以便消除缺陷。
目前由人工识别三维模具缺陷。以一种汽车覆盖件模具的缺陷识别为例，首先在汽车覆盖件模具腔体表面涂敷油膜，然后利用涂有未干油膜的汽车覆盖件模具对钢板进行冲压，冲压成型的钢板上将沾有油膜，工作人员通过油膜沾染情况进行缺陷识别，例如，未沾染油膜的区域即是缺陷区域，该缺陷可能是汽车覆盖件模具表面有异常凸起或凹陷，也可能是汽车覆盖件模具其他关键性尺寸设计不合理，具体需要工作人员凭经验判断；又例如，工作人员还需要凭经验评估油膜覆盖率是否达标。在完成缺陷识别后，仍然需要工作人员凭经验确定需要调整的制作参数。
依靠人工经验进行缺陷识别进而调试参数的方式效率低，一方面依靠人工经验，就需要培养具备识别检测经验的工作人员，培养周期较长，当检测识别任务较多时，会存在工作人员不够的情况，进一步导致效率低，另一方面，人工识别及调试参数的速度和效率无法与计算机识别的速度和效率相提并论。
发明内容
为了提高处理效率，本发明实施例提供一种三维模具调试参数确定方法及装置。
本发明实施例提供一种三维模具调试参数确定方法，包括：
获取目标三维模具对应的拍摄图像；
将所述拍摄图像输入三维模具缺陷检测模型，得到所述三维模具缺陷检测模型输出的缺陷信息，所述三维模具缺陷检测模型是利用第一样本图像训练得到的，所述第一样本图像包含第一缺陷标定信息，所述第一样本图像与所述拍摄图像的拍摄信息相同，所述拍摄信息包括拍摄设备的安装位置和镜头角度；
根据所述拍摄图像和内禀关联模型，确定所述缺陷信息对应的调试参数信息。
本发明实施例还提供一种三维模具调试参数确定装置，其特征在于，包括：
存储器和处理器；
所述存储器用于保存所述处理器执行计算机程序时所使用的数据；
所述处理器用于执行计算机程序以实现如下过程：
获取目标三维模具对应的拍摄图像；
将所述拍摄图像输入三维模具缺陷检测模型，得到所述三维模具缺陷检测模型输出的缺陷信息，所述三维模具缺陷检测模型是利用第一样本图像训练得到的，所述第一样本图像包含第一缺陷标定信息，所述第一样本图像与所述拍摄图像的拍摄信息相同，所述拍摄信息包括拍摄设备的安装位置和镜头角度；
根据所述拍摄图像和内禀关联模型，确定所述缺陷信息对应的调试参数信息。
本发明实施例提供的方法及装置，获取目标三维模具对应的拍摄图像，进而利用三维模具缺陷检测模型自动进行缺陷检测，进而根据检测得到的缺陷信息以及预先训练得到的内禀关联模型，自动确定缺陷信息对应的调试参数信息，处理过程中无需人工干预，也不依赖人工经验，提高了处理效率。
附图说明
图1为本发明的一种三维模具调试参数确定方法流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。本发明实施例提供的方法，利用超级计算机的强大算力可以为三维模具调试提供高效、可靠的保障，但本发明实施例提供的方法可以但不仅限应用于超级计算机。
本发明实施例提供的方法实施路线如下：在三维模具设计阶段，开展CAE(Computer Aided Engineering，计算机辅助功能)分析校核的同时，建立柔性调试数据库并训练缺陷与三维模具参数之间的内禀关联模型。在三维模具试制阶段，运用工业相机或其他成像设备对试制得到的三维模具或利用三维模具得到的产品部件进行定焦拍摄，利用人工智能技术对图像进行分析处理，精准定位三维模具的质量缺陷，同时将结果和柔性调试数据库进行自动比对，自动为调试人员提供工艺调试建议，从而缩短模具的研发调试周期。
如上所述，在应用三维模具缺陷检测模型及内禀关联模型进行三维模具调试参数确定之前，首先需要训练三维模具缺陷检测模型和内禀关联模型。
具体的，在模具设计阶段，采用CAE技术对产品进行成型特性分析。在CAE系统中设定三维模具仿真参数，模拟三维模具的模面生成过程，并通过仿真分析的方式获取三维模具的设计缺陷。在此基础上，建立CAE系统的输入参数(即三维模具仿真参数，如模具的关键尺寸，材料参数，等效阻力等)与CAE系统的输出结果(即仿真缺陷)之间的关联性数据库，该数据库兼顾数字、图片等数据源的异构特性，为后续的人工智能分析提供数据基础。
其中，三维模具可以但不仅限于凸模、凹模、压边圈、拉延筋等，材料参数可以但不仅限于包括板料厚度、弹性模量、泊松比、屈服应力、加工硬化指数、各向异性系数，等效阻力可以但不仅限于压边力、拉延阻力；三维模具的缺陷(包括仿真缺陷)可以但不仅限于是冲压缺陷，例如打褶、破裂、起皱等。
本发明实施例中，CAE系统的输出结果为冲压缺陷图，即指示有三维模具缺陷的图像，该图像可以是三维模具的图像，也可以是利用三维模具得到的产品部件的图像。作为举例而非限定，冲压缺陷图中指示缺陷的方式可以是利用不同颜色区分三维模具的缺陷位置和非缺陷位置，进一步地，还可以通过不同颜色指示不同的缺陷类型。
冲压缺陷与三维模具参数并非一一对应，一个冲压缺陷一般是多个三维模具参数综合作用的结果，可以以柔性调试数据库为基础，利用深度学习算法训练缺陷与三维模具参数之间的内禀关联模型，并给出各三维模具参数的关联规则(该关联规则记录了各个三维模具参数针对同一个缺陷的相关性权重)，同时针对内禀关联模型推送的缺陷对应的调试参数可进一步通过CAE仿真建模进行计算校核，计算的结果可与三维模具缺陷检测模型进行双向迭代校验，从而使模型更加趋于完善。
三维模具缺陷检测模型训练阶段，利用固定相机在调试工作台上对三维模具或利用三维模具得到的产品部件进行定焦拍照，确保每次拍照的效果具有可重复性以及唯一性。对图片中呈现出的产品质量缺陷进行人为标定，建立用于图像识别的质量缺陷图片数据库，利用超级计算机进行三维模具缺陷检测模型的迭代训练。
基于上述训练得到的模型，如图1所示，本发明实施例提供的方法包括如下操作：
步骤101、获取目标三维模具对应的拍摄图像。
本发明实施例中，目标三维模具对应的拍摄图像可以是包含目标三维模具的图像，也可以是包含利用目标三维模具得到的产品部件的图像。
步骤102、将上述拍摄图像输入三维模具缺陷检测模型，得到该三维模具缺陷检测模型输出的缺陷信息，该三维模具缺陷检测模型是利用第一样本图像训练得到的，第一样本图像包含第一缺陷标定信息，第一样本图像与拍摄图像的拍摄信息相同，拍摄信息包括拍摄设备的安装位置和镜头角度。
本发明实施例中，第一样本图像即上述质量缺陷图片数据库中的图像，第一缺陷标定信息即上述人为标定得到的标定信息。
本发明实施例中，缺陷信息可以但不仅限于包括缺陷位置，可选的，还包括缺陷类型。
步骤103、根据上述拍摄图像和内禀关联模型，确定上述缺陷信息对应的调试参数信息。
本发明实施例中，调试参数信息即上述缺陷信息对应的三维模型参数的信息。该信息可以但不仅限于包括三维模型参数的标识信息(例如参数名称)，还可以包括三维模型参数的相关性权重信息，还可以包括三维模型参数的调整参考值。
其中，相关性权重信息用于指示该三维模型参数对对应的缺陷信息指示的缺陷的影响大小。
本发明实施例提供的方法，获取目标三维模具对应的拍摄图像，进而利用三维模具缺陷检测模型自动进行缺陷检测，进而根据检测得到的缺陷信息以及预先训练得到的内禀关联模型，自动确定缺陷信息对应的调试参数信息，处理过程中无需人工干预，也不依赖人工经验，提高了处理效率。本发明实施例中，内禀关联模型的一种训练方式可以参照上述描述，即内禀关联模型是由第一内禀关联样本数据集合(例如上述关联性数据库)中的第一内禀关联样本数据训练得到的，第一内禀关联样本数据包括三维模型参数的参数值(即上述各个三维模具仿真参数的参数值)和对应的缺陷图示信息，该缺陷图示信息用于描述包含第一缺陷标定信息的第二样本图像(即上述冲压缺陷图)的信息，或者该缺陷图示信息用于指示第二样本图像的存储位置，第二样本图像为对应的三维模型参数的参数值确定的三维模具对应的图像。
本发明实施例中，上述内禀关联模型还可以是由第二内禀关联样本数据集合中的第二内禀关联样本数据训练得到的，第二内禀关联样本数据包括三维模型参数的参数值和对应的缺陷信息。应当指出的是，这种实现方式中，第二内禀关联样本数据与第一内禀关联样本数据的区别在于前者包含缺陷信息，而后者包含缺陷图示信息。具体的，可以在第一内禀关联样本数据的基础上得到第二内禀关联样本数据，即根据缺陷图示信息提取缺陷信息，作为举例而非限定，通过图像分析算法从冲压缺陷图中识别出缺陷位置及缺陷类型，并以文本形式保存缺陷位置和缺陷类型(缺陷信息)。
基于第一种实现方式得到的内禀关联模型，相应的，第一内禀关联样本数据中的三维模具参数的参数值为CAE系统的输入参数的参数值，第一内禀关联样本数据中的缺陷图示信息为CAE系统的输出结果或输出结果的存储位置，CAE系统用于利用输入值仿真得到仿真三维模具，并获取仿真三维模具的仿真缺陷。
基于第二种实现方式得到的内禀关联模型，相应的，第一内禀关联样本数据中的三维模具参数的参数值为CAE系统的输入参数的参数值，所述第一内禀关联样本数据中的缺陷信息是根据所述CAE系统的输出结果获取的，所述CAE系统用于利用输入值仿真得到仿真三维模具，并获取所述仿真三维模具的仿真缺陷。
无论采用何种方式得到内禀关联模型，本发明实施例中，还可以利用CAE系统对所述调试参数信息进行校核；利用校核结果与所述三维模具缺陷检测模型进行双向迭代校验。
在上述任意方法实施例的基础上，上述步骤103的实现方式有多种。
一种实现方式中，将上述拍摄图像与第二样本图像进行特征匹配；将匹配得到的第二样本图像输入所述内禀关联模型，得到所述缺陷信息对应的调试参数信息。
另一种实现方式中，也可以直接将上述拍摄图像输入内禀关联模型，得到所述缺陷信息对应的调试参数信息。
针对第一种实现方式，所述将所述拍摄图像与第二样本图像进行特征匹配，其具体实现方式可以包括：
利用所述缺陷信息对所述拍摄图像进行渲染；
将渲染后的所述拍摄图像与第二样本图像进行特征匹配。
其中，所述缺陷信息可以包括缺陷位置，所述利用所述缺陷信息对所述拍摄图像进行渲染，具体可以包括：
确定所述缺陷位置在所述拍摄图像中对应的图像位置，根据预定渲染规则对所述图像位置和/或非图像位置进行渲染。
在上述任意方法实施例的基础上，本发明实施例还可以输出缺陷信息和调试参数信息。
其中，输出缺陷信息可以仅输出三维模具缺陷检测模型检测到的缺陷信息，还可以一并输出匹配得到的第二样本图像信息(即冲压缺陷图)。其中，输出三维模具缺陷检测模型检测到的缺陷信息，具体可以是指输出利用该缺陷信息渲染后的拍摄图像。
本发明实施例提供的方法，利用“虚”、“实”属性的特征匹配，查找与检测到的缺陷对应的冲压缺陷图，进而利用内禀关联模型找到影响该缺陷的三维模型参数以及这些三维模型参数对该缺陷的相关性权重，提示调试人员进行三维模型参数调试，消除缺陷。
其中，“实”是指通过相机实际拍摄出来的质量缺陷图片，“虚”是指通过CAE分析计算得到的包含冲压缺陷及应力应变属性的彩色云图(即冲压缺陷图)。两者都是对真实产品的可视化表征，外形相似、破坏方式和破坏位置高度接近，差异在于仿真出来的云图色彩更饱满，通过将两者都转化为灰度图，再进一步做相似特征提取和海量的模型训练即可实现有效的虚实融合。
基于同样的发明构思，本发明实施例还提供一种三维模具调试参数确定装置，该装置包括：存储器和处理器；
所述存储器用于保存所述处理器执行计算机程序时所使用的数据；
所述处理器用于执行计算机程序以实现上述任意实施例的方法。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特性进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种三维模具调试参数确定方法，其特征在于，包括：
获取目标三维模具对应的拍摄图像；
将所述拍摄图像输入三维模具缺陷检测模型，得到所述三维模具缺陷检测模型输出的缺陷信息，所述三维模具缺陷检测模型是利用第一样本图像训练得到的，所述第一样本图像包含第一缺陷标定信息，所述第一样本图像与所述拍摄图像的拍摄信息相同，所述拍摄信息包括拍摄设备的安装位置和镜头角度；
根据所述拍摄图像和内禀关联模型，确定所述缺陷信息对应的调试参数信息；
所述内禀关联模型是由第一内禀关联样本数据集合中的第一内禀关联样本数据训练得到的，第一内禀关联样本数据包括三维模型参数的参数值和对应的缺陷图示信息，所述缺陷图示信息用于描述包含第一缺陷标定信息的第二样本图像的信息，或者所述缺陷图示信息用于指示所述第二样本图像的存储位置，所述第二样本图像为对应的三维模型参数的参数值确定的三维模具对应的图像；
或者，
所述内禀关联模型是由第二内禀关联样本数据集合中的第二内禀关联样本数据训练得到的，第二内禀关联样本数据包括三维模型参数的参数值和对应的缺陷信息；
所述调试参数信息包括与所述缺陷信息对应的三维模具参数的参数标识信息和相关性权重信息。
2.根据权利要求1所述的方法，其特征在于：
所述第一内禀关联样本数据中的三维模具参数的参数值为CAE系统的输入参数的参数值，所述第一内禀关联样本数据中的缺陷图示信息为所述CAE系统的输出结果或输出结果的存储位置，所述CAE系统用于利用输入值仿真得到仿真三维模具，并获取所述仿真三维模具的仿真缺陷；
或者，
所述第一内禀关联样本数据中的三维模具参数的参数值为CAE系统的输入参数的参数值，所述第一内禀关联样本数据中的缺陷信息是根据所述CAE系统的输出结果获取的，所述CAE系统用于利用输入值仿真得到仿真三维模具，并获取所述仿真三维模具的仿真缺陷。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
利用所述CAE系统对所述调试参数信息进行校核；
利用校核结果与所述三维模具缺陷检测模型进行双向迭代校验。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述拍摄图像和内禀关联模型，确定所述缺陷信息对应的调试参数信息，包括：
将所述拍摄图像与第二样本图像进行特征匹配；将匹配得到的第二样本图像输入所述内禀关联模型，得到所述缺陷信息对应的调试参数信息；
或者，
将所述拍摄图像输入内禀关联模型，得到所述缺陷信息对应的调试参数信息。
5.根据权利要求4所述的方法，其特征在于，所述将所述拍摄图像与第二样本图像进行特征匹配，包括：
利用所述缺陷信息对所述拍摄图像进行渲染；
将渲染后的所述拍摄图像与第二样本图像进行特征匹配。
6.根据权利要求5所述的方法，其特征在于，所述缺陷信息包括缺陷位置，所述利用所述缺陷信息对所述拍摄图像进行渲染，包括：
确定所述缺陷位置在所述拍摄图像中对应的图像位置，根据预定渲染规则队所述图像位置和/或非图像位置进行渲染。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
输出所述缺陷信息和所述调试参数信息。
8.一种三维模具调试参数确认装置，其特征在于，包括：
存储器和处理器；
所述存储器用于保存所述处理器执行计算机程序时所使用的数据；
所述处理器用于执行计算机程序以实现如权利要求1～7任意一项所述的方法。
CN201910661163.7A 2019-07-22 2019-07-22 三维模具调试参数确定方法及装置 Active CN110363759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910661163.7A CN110363759B (zh) 2019-07-22 2019-07-22 三维模具调试参数确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910661163.7A CN110363759B (zh) 2019-07-22 2019-07-22 三维模具调试参数确定方法及装置

Publications (2)

Publication Number Publication Date
CN110363759A CN110363759A (zh) 2019-10-22
CN110363759B true CN110363759B (zh) 2021-03-19

Family

ID=68221283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910661163.7A Active CN110363759B (zh) 2019-07-22 2019-07-22 三维模具调试参数确定方法及装置

Country Status (1)

Country Link
CN (1) CN110363759B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617603B (zh) * 2013-12-06 2016-02-24 南京大学 一种三维数字几何网格模型结构的自动修复方法
JP6608778B2 (ja) * 2016-08-01 2019-11-20 株式会社日立製作所 作業動作指示装置
CN106897990B (zh) * 2016-08-31 2019-10-25 广东工业大学 轮胎模具的字符缺陷检测方法
CN106845007A (zh) * 2017-02-16 2017-06-13 重庆长安汽车股份有限公司 一种提升高压铸造充型过程cae分析精度的方法
US10402963B2 (en) * 2017-08-24 2019-09-03 Kla-Tencor Corporation Defect detection on transparent or translucent wafers
CN108346153A (zh) * 2018-03-22 2018-07-31 北京木业邦科技有限公司 木材缺陷的机器学习及修复方法、装置、系统、电子设备
CN109118589A (zh) * 2018-09-07 2019-01-01 北京航空航天大学青岛研究院 几何模型全频细节修复方法
CN109934821B (zh) * 2019-03-22 2021-06-25 成都睿琪科技有限责任公司 一种零件缺陷检测方法及系统

Also Published As

Publication number Publication date
CN110363759A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
US12020415B2 (en) Method for monitoring manufacture of assembly units
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、系统及存储介质
CN109583489B (zh) 缺陷分类识别方法、装置、计算机设备和存储介质
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
CN113379734B (zh) 质量检测方法、装置、设备及计算机可读存储介质
CN111814850A (zh) 缺陷检测模型训练方法、缺陷检测方法及相关装置
CN110136130A (zh) 一种检测产品缺陷的方法及装置
CN114894642B (zh) 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置
CN107622276B (zh) 一种基于机器人仿真与物理采样结合的深度学习训练方法
CN115096893A (zh) 一种基于机器视觉的飞机结构件缺陷无损检测方法
CN115115578B (zh) 一种增材制造过程中的缺陷检测方法及系统
CN117237360A (zh) 一种基于3d视觉的铸件毛刺检测方法和系统
CN114881998A (zh) 一种基于深度学习的工件表面缺陷检测方法及系统
CN111238927A (zh) 疲劳耐久性评测方法、装置、电子设备和计算机可读介质
CN118038555A (zh) 一种基于改进YOLOv8的化工企业人员的危险行为检测方法
CN117197146A (zh) 一种铸件内部缺陷自动识别方法
CN110363759B (zh) 三维模具调试参数确定方法及装置
CN117132600A (zh) 基于图像的注塑制品质量检测系统及其方法
CN117095236A (zh) 一种用于评估叶根轮槽试验精确性的方法及系统
CN113627522B (zh) 基于关系网络的图像分类方法、装置、设备及存储介质
CN110335274B (zh) 一种三维模具缺陷检测方法及装置
CN113870210A (zh) 一种图像质量评估方法、装置、设备及存储介质
CN109559294B (zh) 一种吊牌圆孔质量的检测方法及装置
CN108804969B (zh) 特定场景下的行人检测方法
CN111161253B (zh) 一种基于深度信息的模具检验方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant