CN110472635A - 基于深度学习的刀具特征识别方法 - Google Patents
基于深度学习的刀具特征识别方法 Download PDFInfo
- Publication number
- CN110472635A CN110472635A CN201910656404.9A CN201910656404A CN110472635A CN 110472635 A CN110472635 A CN 110472635A CN 201910656404 A CN201910656404 A CN 201910656404A CN 110472635 A CN110472635 A CN 110472635A
- Authority
- CN
- China
- Prior art keywords
- str
- tool
- size
- cutter
- tool characteristics
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的刀具特征识别方法,用于解决现有非标专用刀具设计方法实用性差的技术问题。技术方案是从图像视觉入手,挖掘工件加工特征与刀具的二维工程图二者的关联关系,实现刀具设计方案重用。首先基于卷积深度信念网络生成模型,融合二维工程图的结构信息和尺寸信息,对高维刀具图进行特征提取,获取低维的刀具特征向量;然后结合CDBN判别模型和迁移学习,在重用刀具特征提取网络参数的基础上,挖掘加工特征与刀具特征向量的关联关系;最后通过基于Sofmax的刀具分类和基于夹角余弦法的相似性匹配两个步骤,实现刀具特征向量到历史刀具设计方案的映射,实用性好。
Description
技术领域
本发明涉及一种非标专用刀具设计方法,特别是涉及一种基于深度学习的刀具特征识别方法。
背景技术
非标专用刀具设计是一个非常依赖设计经验知识的设计过程,设计人员在构思刀具设计方案时,通常会根据个人设计经验,将新的刀具设计要求与以往的刀具设计实例进行对比,参考已有的成熟设计经验知识,对以往刀具设计实例进行修改来满足新刀具的设计要求。
目前,关于刀具设计知识重用方法主要有:基于实例的推理方法、基于专家系统的方法、基于规则的推理方法等。文献“一种基于实例推理的刀具选配方法研究,航空制造技术,2015,vol.474(5),77-81”公开了一种基于实例推理的刀具选配方法。该方法利用以往的经验和知识来解决新的刀具选择问题,重点研究了刀具选配实例的知识表示和检索匹配,首先输入加工要求等信息,用统一的知识表示方法加以组织形成问题实例;然后按照一定的检索匹配策略从实例库中搜索相似的刀具选配实例;最后对检索匹配出的刀具选择结果和切削参数等信息进行修改优化,将修改后的信息作为新问题的解决方法。然而,该方法只是针对通用刀具的选配问题,需要建立统一的知识表示方法和详细的检索匹配策略,对于复杂的非标专用刀具并不适用。
发明内容
为了克服现有非标专用刀具设计方法实用性差的不足,本发明提供一种基于深度学习的刀具特征识别方法。该方法从图像视觉入手,挖掘工件加工特征与刀具的二维工程图二者的关联关系,实现刀具设计方案重用。首先基于卷积深度信念网络生成模型,融合二维工程图的结构信息和尺寸信息,对高维刀具图进行特征提取,获取低维的刀具特征向量;然后结合CDBN判别模型和迁移学习,在重用刀具特征提取网络参数的基础上,挖掘加工特征与刀具特征向量的关联关系;最后通过基于Sofmax的刀具分类和基于夹角余弦法的相似性匹配两个步骤,实现刀具特征向量到历史刀具设计方案的映射,实用性好。
本发明解决其技术问题所采用的技术方案是:一种基于深度学习的刀具特征识别方法,其特点是包括以下步骤:
步骤一、刀具特征提取:从刀具图中获得刀具的结构信息和尺寸信息,并构造成刀具输入数据矩阵组合:
Ystr=[[YM,str],[YS,str],[YT,str]] (1)
DFY=[[Ystr],[Ysize]×16]=[[YM,str],[YS,str],[YT,str],[Ysize]×16] (3)
式中,Ystr是代表刀具的结构信息,包括主视图YM,str、侧视图YS,str、俯视图YT,str;Ysize是刀具的尺寸信息,由长度尺寸向量yL,size,i、角度尺寸向量yA,size,i和直径尺寸向量yR,size,i构成;DFY是刀具特征提取网络的输入数据。
将刀具的结构信息和刀具的尺寸信息组合成输入数据,通过卷积深度信念网络的生成模型,获得刀具特征向量。
y=φ(Ystr,Ysize,β) (4)
式中,Ystr是刀具的结构信息,Ysize是刀具的尺寸信息,β是卷积深度信念网络学习过程中需要优化的参数,φ(·)是通过生成学习获得的映射函数,y是获得的刀具特征向量。
步骤二、关联关系挖掘:从加工特征图中获得加工特征的结构信息和尺寸信息,并构造成加工特征输入数据矩阵组合:
Xstr=[[XC,str],[XC,str],[XP,str]] (5)
DFX=[[XC,str]down,[XC,str]down,[XP,str],[Xsize]×16] (7)
式中,Xstr代表加工特征的结构信息,XC,str代表加工特征剖视图像素矩阵,XP,str代表加工部位局部放大图像素矩阵;Xsize表示加工特征的尺寸信息,按长度、角度、直径分为xL,size,i、xA,size,i、xR,size,i三类尺寸向量;DFX是加工特征提取网络的输入数据。
结合卷积深度信念网络判别模型和迁移学习,在重用刀具特征提取网络参数的基础上,通过判别学习,挖掘加工特征与刀具特征向量之间的关联关系。
y=f(Xstr,Xsize,θ) (8)
式中,Xstr、Xsize分别是加工特征的结构信息和尺寸信息,θ是需要在训练中优化的参数向量,y是步骤一获得的刀具特征向量,f(·)是通过判别学习获得的映射函数。
步骤三、刀具分类:将步骤一中获得的刀具特征向量通过Softmax分类器进行分类,并定义了六种刀具类型,包括外圆车刀、内孔车刀、端面车刀、外圆槽刀、内孔槽刀、端面槽刀:
type=softmax(net)
式中,typei表示某样本属于类别i的概率,netk表示标签层的第k个神经元的输入值,K表示总类别数。
步骤四、相似性匹配:首先通过步骤二中的关联关系挖掘网络,学习获得新的加工特征对应的刀具特征向量;然后通过步骤三中的Softmax分类器,预测其刀具类别,并在相同类别的历史刀具特征向量中进行基于夹角余弦法的相似性匹配:
式中,x,y代表两个刀具特征向量。
本发明的有益效果是:该方法从图像视觉入手,挖掘工件加工特征与刀具的二维工程图二者的关联关系,实现刀具设计方案重用。首先基于卷积深度信念网络生成模型,融合二维工程图的结构信息和尺寸信息,对高维刀具图进行特征提取,获取低维的刀具特征向量;然后结合CDBN判别模型和迁移学习,在重用刀具特征提取网络参数的基础上,挖掘加工特征与刀具特征向量的关联关系;最后通过基于Sofmax的刀具分类和基于夹角余弦法的相似性匹配两个步骤,实现刀具特征向量到历史刀具设计方案的映射,实用性好。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于深度学习的刀具特征识别方法具体步骤如下:
步骤一、刀具特征提取:首先需要构造刀具特征提取网络的输入数据,以256×256的分辨率截取刀头部位的三视图,并处理成二值化灰度像素矩阵,得到256×256×3的结构信息矩阵:
Ystr=[[YM,str],[YS,str],[YT,str]] (1)
式中,Ystr是刀具结构信息像素矩阵,其维度是256×256×3,包括主视图、侧视图、俯视图三个像素矩阵YM,str、YS,str、YT,str。
构造刀具尺寸信息矩阵,即取刀具各尺寸数据的二进制表示(64位浮点型)作为刀具尺寸向量,按长度、角度、直径分类,并按大小排序,组成维度为64×64的矩阵(尺寸数量不足可以添加零向量),并取十六个相同矩阵组合成一个维度为256×256的刀具尺寸信息矩阵:
式中,Ysize是刀具尺寸信息矩阵,yL,size,i、yA,size,i、yR,size,i分别是长度、角度、直径类刀具尺寸向量。
将刀具结构信息矩阵和尺寸信息矩阵组合成刀具特征提取网络的输入数据:
DFY=[[Ystr],[Ysize]×16]=[[YM,str],[YS,str],[YT,str],[Ysize]×16] (3)
式中,DFY是刀具特征提取网络的输入数据,其维度为256×256×4;刀具尺寸信息矩阵Ysize的上标×16表示取16个相同矩阵拼接为256×256维度的新尺寸信息矩阵。
在完成输入数据构造后,即进行基于卷积深度信念网络(CDBN)生成模型的刀具特征提取网络建模:
y=φ(Ystr,Ysize,β) (4)
式中,β是CDBN学习过程中需要优化的参数。φ(·)是通过生成学习获得的映射函数,y是获得的刀具特征向量。刀具特征提取的流程如下所示:
输入:刀具特征提取网络输入数据DFY。
输出:刀具特征向量y。
1、将刀具图Y中的结构信息和尺寸信息按上述方法处理成一个维度为256×256×4的刀具特征提取网络输入数据DFY。
2、对输入数据DFY进行卷积操作(卷积核大小为3×3×4×64,步长为1,进行边界填充),并加偏置及通过激活函数后,得到一个维度为256×256×64的卷积特征图C1。
3、进行最大池化下采样(池化层大小为2×2,步长为2),得到一个维度为128×128×64的下采样特征图S2。
4、同上,再进行三组卷积和最大池化下采样操作(卷积核大小分别为3×3×64×128、3×3×128×256、3×3×256×512),得到一个维度为16×16×512的下采样特征图S8。
5、不再增加卷积特征图数量,再进行两组卷积和最大池化下采样操作(卷积核大小均为3×3×512×512),得到一个维度为4×4×512的下采样特征图S12。
6、将矩阵S12按行首尾连接拉成一维向量,得到一个8192维的向量H13。
7、通过一个全连接层,即构建一个可视层为8192个神经元,隐藏层为2048个神经元的受限玻尔兹曼机(其全连接权值矩阵为8192×2048),得到一个2048维的向量H14。
8、再通过一个受限玻尔兹曼机,其可视层为2048个神经元,隐藏层为512个神经元(全连接权值矩阵为2048×512),得到一个512维的向量H15。
9、最后通过一个分类受限玻尔兹曼机,其可视层由上一层RBM的的隐藏层H15(512个神经元)和标签层type(6个神经元,代表刀具类型)组成,隐藏层为128个神经元(全连接权值矩阵分别为512×128、6×128),得到一个128维的向量,即为所需的刀具特征向量y。
刀具特征提取模型采用的是CDBN生成模型,其是通过逐层无监督进行预训练的,首先由可视层得到隐藏层的激活概率,再由隐藏层得到可视层的激活概率,其优化目标即是最小化可视层重构误差:
式中,wk是第k个卷积核的权重向量,v(q)是可视层第q个子窗口,ck是第k个卷积核的偏置,hkq是隐藏层第k个特征的第q个节点的值。是第k个反卷积核的权重向量,hk(r)是隐藏层第k个特征的第r个子窗口,b是可视层偏置,vr是可视层第r个节点的值。
刀具特征提取网络通过CD算法进行预训练,并通过醒睡算法进行调优,在此不再详细说明。
步骤二、关联关系挖掘:类似于步骤一的刀具特征提取,首先构造关联关系挖掘网络的输入数据,不同之处在于加工特征的剖视图的截取尺寸为512×512,加工部位局部放大图的截取尺寸为256×256,处理成二值化灰度像素矩阵后,对前者进行一次最大池化下采样,得到256×256×3的加工特征的结构信息矩阵:
Xstr=[[XC,str],[XC,str],[XP,str]] (5)
同样,将加工特征的尺寸数据转为二进制向量,按长度、角度、直径分类,并按大小排序,组成维度为64×64的矩阵,这里取十六个相同矩阵组合成一个维度为256×256的加工特征尺寸信息矩阵:
将加工特征的结构信息矩阵和尺寸信息矩阵组合成关联关系挖掘网络的输入数据,其维度为256×256×4:
DFX=[[XC,str]down,[XC,str]down,[XP,str],[Xsize]×16] (7)
在完成输入数据构造后,即进行基于CDBN判别模型的关联关系挖掘网络建模:
y=f(Xstr,Xsize,θ)(8)
式中,θ是需要在训练中优化的参数向量,y是步骤一获得的刀具特征向量,f(·)是通过判别学习获得的映射函数。
输入:关联关系挖掘网络输入数据DFX。
输出:刀具特征向量y。
10、将加工特征图X中的结构信息和尺寸信息按上述方法处理成一个维度为256×256×4的关联关系挖掘网络输入数据DFX。
11、对输入数据DFX进行六组卷积和下采样操作(卷积核尺寸分别为3×3×4×64、3×3×64×128、3×3×128×256、3×3×256×512、3×3×512×512、3×3×512×512,下采样为两倍最大池化下采样),最终得到一个维度为4×4×512的下采样特征图S12。
12、将矩阵S12按行首尾连接拉成一维向量,得到一个8192维的向量H13。
13、通过两层受限玻尔兹曼机,其隐藏层神经元个数分别为2048、512个(全连接权值矩阵分别为8192×2048、2048×512),得到一个512维的向量H15。
14、再通过一个分类受限玻尔兹曼机,其可视层由上一层RBM的的隐藏层H15(512个神经元)和标签层(128个神经元,代表刀具特征向量r)组成,隐藏层为128个神经元(全连接权值矩阵分别为512×128、128×128),得到一个128维的向量,称为关联特征向量r。
15、最后将卷积深度信念网络展开为一个前向神经网络,标签层作为输出层,则输入数据DFX经由上述处理步骤,得到一个128维的向量,即为学习得到的刀具特征向量y。
关联关系挖掘网络是一个判别模型,首先使用CD算法进行逐层无监督预训练,然后将其展开为前向网络,使用反向传播算法进行有监督调优。
步骤三、刀具分类:将步骤一中获得的刀具特征向量通过Softmax分类器进行分类,并定义了六种刀具类型,包括外圆车刀、内孔车刀、端面车刀、外圆槽刀、内孔槽刀、端面槽刀。
type=softmax(net)
式中,typei表示某样本属于类别i的概率,netk表示标签层的第k个神经元的输入值(即刀具特征向量加权求和后未经激活函数处理的值),K表示总类别数。
步骤四、相似性匹配:首先通过步骤二中的关联关系挖掘网络,学习获得新的加工特征对应的刀具特征向量;然后通过步骤三中的Softmax分类器,预测其刀具类别,并在相同类别的历史刀具特征向量中进行基于夹角余弦法的相似性匹配。
式中,x,y代表两个刀具特征向量。
针对一个新的加工特征需要设计非标专用刀具时:
①首先将通过关联关系学习得到新刀具特征向量ynew进行分类。
在此之前,将历史刀具图Y送入训练好的刀具特征提取网络,得到对应的刀具特征向量y,建立一个“加工特征图-刀具特征向量-刀具图”一一对应的刀具数据库;其次,针对刀具数据库中的历史刀具特征向量y,建立一个基于Softmax分类的刀具分类器;再将通过关联关系学习得到新刀具特征向量ynew,送入刀具分类器,预测其刀具类标签。
②然后将分类后的新刀具特征向量ynew在具有相同标签的历史刀具特征向量∑y中进行相似性匹配。
具体是基于夹角余弦法,在具有相同标签的刀具类型中,将通过关联关系学习得到的新刀具特征向量ynew与历史刀具特征向量∑y进行相似性匹配,并按相似度大小排序,输出若干最相似历史刀具特征向量对应的刀具图。
Claims (1)
1.一种基于深度学习的刀具特征识别方法,其特征在于包括以下步骤:
步骤一、刀具特征提取:从刀具图中获得刀具的结构信息和尺寸信息,并构造成刀具输入数据矩阵组合:
Ystr=[[YM,str],[YS,str],[YT,str]] (1)
DFY=[[Ystr],[Ysize]×16]=[[YM,str],[YS,str],[YT,str],[Ysize]×16] (3)
式中,Ystr是代表刀具的结构信息,包括主视图YM,str、侧视图YS,str、俯视图YT,str;Ysize是刀具的尺寸信息,由长度尺寸向量yL,size,i、角度尺寸向量yA,size,i和直径尺寸向量yR,size,i构成;DFY是刀具特征提取网络的输入数据;
将刀具的结构信息和刀具的尺寸信息组合成输入数据,通过卷积深度信念网络的生成模型,获得刀具特征向量;
y=φ(Ystr,Ysize,β) (4)
式中,Ystr是刀具的结构信息,Ysize是刀具的尺寸信息,β是卷积深度信念网络学习过程中需要优化的参数,φ(·)是通过生成学习获得的映射函数,y是获得的刀具特征向量;
步骤二、关联关系挖掘:从加工特征图中获得加工特征的结构信息和尺寸信息,并构造成加工特征输入数据矩阵组合:
Xstr=[[XC,str],[XC,str],[XP,str]] (5)
DFX=[[XC,str]down,[XC,str]down,[XP,str],[Xsize]×16] (7)
式中,Xstr代表加工特征的结构信息,XC,str代表加工特征剖视图像素矩阵,XP,str代表加工部位局部放大图像素矩阵;Xsize表示加工特征的尺寸信息,按长度、角度、直径分为xL,size,i、xA,size,i、xR,size,i三类尺寸向量;DFX是加工特征提取网络的输入数据;
结合卷积深度信念网络判别模型和迁移学习,在重用刀具特征提取网络参数的基础上,通过判别学习,挖掘加工特征与刀具特征向量之间的关联关系;
y=f(Xstr,Xsize,θ) (8)
式中,Xstr、Xsize分别是加工特征的结构信息和尺寸信息,θ是需要在训练中优化的参数向量,y是步骤一获得的刀具特征向量,f(·)是通过判别学习获得的映射函数;
步骤三、刀具分类:将步骤一中获得的刀具特征向量通过Softmax分类器进行分类,并定义了六种刀具类型,包括外圆车刀、内孔车刀、端面车刀、外圆槽刀、内孔槽刀、端面槽刀:
type=softmax(net)
式中,typei表示某样本属于类别i的概率,netk表示标签层的第k个神经元的输入值,K表示总类别数;
步骤四、相似性匹配:首先通过步骤二中的关联关系挖掘网络,学习获得新的加工特征对应的刀具特征向量;然后通过步骤三中的Softmax分类器,预测其刀具类别,并在相同类别的历史刀具特征向量中进行基于夹角余弦法的相似性匹配:
式中,x,y代表两个刀具特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656404.9A CN110472635B (zh) | 2019-07-19 | 2019-07-19 | 基于深度学习的刀具特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656404.9A CN110472635B (zh) | 2019-07-19 | 2019-07-19 | 基于深度学习的刀具特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472635A true CN110472635A (zh) | 2019-11-19 |
CN110472635B CN110472635B (zh) | 2022-06-21 |
Family
ID=68508155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910656404.9A Active CN110472635B (zh) | 2019-07-19 | 2019-07-19 | 基于深度学习的刀具特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472635B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114310423A (zh) * | 2022-02-17 | 2022-04-12 | 南京航空航天大学 | 一种加工单元多刀库联动配置方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN107678398A (zh) * | 2016-09-22 | 2018-02-09 | 华中科技大学 | 用于数控机床的断刀检测的方法 |
CN108647559A (zh) * | 2018-03-21 | 2018-10-12 | 四川弘和通讯有限公司 | 一种基于深度学习的危险物识别方法 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
CN109318056A (zh) * | 2017-10-23 | 2019-02-12 | 沈阳百祥机械加工有限公司 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
CN109434564A (zh) * | 2018-12-21 | 2019-03-08 | 哈尔滨理工大学 | 一种基于深度神经网络的铣刀磨损状态监测方法 |
CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
-
2019
- 2019-07-19 CN CN201910656404.9A patent/CN110472635B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
CN107678398A (zh) * | 2016-09-22 | 2018-02-09 | 华中科技大学 | 用于数控机床的断刀检测的方法 |
CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN109318056A (zh) * | 2017-10-23 | 2019-02-12 | 沈阳百祥机械加工有限公司 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
CN108647559A (zh) * | 2018-03-21 | 2018-10-12 | 四川弘和通讯有限公司 | 一种基于深度学习的危险物识别方法 |
CN109376578A (zh) * | 2018-08-27 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度迁移度量学习的小样本目标识别方法 |
CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
CN109434564A (zh) * | 2018-12-21 | 2019-03-08 | 哈尔滨理工大学 | 一种基于深度神经网络的铣刀磨损状态监测方法 |
Non-Patent Citations (12)
Title |
---|
JINGTAO ZHOU 等: "Tool selection method based on transfer learning for CNC machines", 《MECHANICAL SCIENCES》 * |
JINGTAO ZHOU 等: "Tool selection method based on transfer learning for CNC machines", 《MECHANICAL SCIENCES》, 31 December 2018 (2018-12-31), pages 123 - 146 * |
MUHAMMAD FAROOQ 等: "Feature Extraction Using Deep Learning for Food Type Recognition", 《IWBBIO 2017》 * |
MUHAMMAD FAROOQ 等: "Feature Extraction Using Deep Learning for Food Type Recognition", 《IWBBIO 2017》, 31 December 2017 (2017-12-31), pages 464 - 472 * |
张维 等: "一种基于实例推理的刀具选配方法研究", 《航空制造技术》 * |
张维 等: "一种基于实例推理的刀具选配方法研究", 《航空制造技术》, no. 5, 31 December 2015 (2015-12-31), pages 77 - 81 * |
王明微 等: "基于贝叶斯网络的切削加工表面粗糙度在线监测方法", 《计算机集成制造系统》 * |
王明微 等: "基于贝叶斯网络的切削加工表面粗糙度在线监测方法", 《计算机集成制造系统》, vol. 20, no. 12, 31 December 2014 (2014-12-31), pages 3075 - 3081 * |
王计生 等: "基于小波神经网络的刀具切削状态特征识别", 《四川工业学院学报》 * |
王计生 等: "基于小波神经网络的刀具切削状态特征识别", 《四川工业学院学报》, vol. 23, 31 December 2004 (2004-12-31), pages 32 - 35 * |
赵欣洋 等: "基于深度学习的不规则特征识别检测技术", 《轻工机械》 * |
赵欣洋 等: "基于深度学习的不规则特征识别检测技术", 《轻工机械》, vol. 37, no. 3, 30 June 2019 (2019-06-30), pages 60 - 65 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114310423A (zh) * | 2022-02-17 | 2022-04-12 | 南京航空航天大学 | 一种加工单元多刀库联动配置方法 |
CN114310423B (zh) * | 2022-02-17 | 2022-07-26 | 南京航空航天大学 | 一种加工单元多刀库联动配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110472635B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766933B (zh) | 一种解释卷积神经网络的可视化方法 | |
Kozerawski et al. | Clear: Cumulative learning for one-shot one-class image recognition | |
Viswanath et al. | Offseg: A semantic segmentation framework for off-road driving | |
CN107408209A (zh) | 无需取样及特征选择的自动缺陷分类 | |
CN108229503A (zh) | 一种针对服装照片的特征提取方法 | |
Blaes et al. | Few-shot learning in deep networks through global prototyping | |
CN106971145A (zh) | 一种基于极限学习机的多视角动作识别方法及装置 | |
Xu et al. | Face expression recognition based on convolutional neural network | |
CN106127230A (zh) | 基于人类视觉感知的图像识别方法 | |
Reddy et al. | Handwritten Hindi character recognition using deep learning techniques | |
CN113378962B (zh) | 一种基于图注意力网络的服装属性识别方法与系统 | |
CN110472635A (zh) | 基于深度学习的刀具特征识别方法 | |
Zhou et al. | A novel bag generator for image database retrieval with multi-instance learning techniques | |
Kshirsagar et al. | A generalized neuro-fuzzy based image retrieval system with modified colour coherence vector and texture element patterns | |
Jafrasteh et al. | Generative adversarial networks as a novel approach for tectonic fault and fracture extraction in high resolution satellite and airborne optical images | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
CN113705713B (zh) | 一种基于全局和局部注意力机制的文本识别方法 | |
Hu et al. | Learning salient features for flower classification using convolutional neural network | |
CN112487909A (zh) | 一种基于并联卷积神经网络的水果品种识别方法 | |
Lan et al. | GCN-based multi-modal multi-label attribute classification in anime illustration using domain-specific semantic features | |
CN110458037A (zh) | 基于多视角间共性特性挖掘的多任务动作识别方法 | |
Eghbali et al. | Deep Convolutional Neural Network (CNN) for Large-Scale Images Classification | |
Islam et al. | PataNET: A convolutional neural networks to identify plant from leaf images | |
Agahi et al. | Handwritten digits recognition using an ensemble technique based on the firefly algorithm | |
Limonchik et al. | 3D model-based data augmentation for hand gesture recognition |
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 |