CN114202662A - 结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 - Google Patents
结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 Download PDFInfo
- Publication number
- CN114202662A CN114202662A CN202111406872.4A CN202111406872A CN114202662A CN 114202662 A CN114202662 A CN 114202662A CN 202111406872 A CN202111406872 A CN 202111406872A CN 114202662 A CN114202662 A CN 114202662A
- Authority
- CN
- China
- Prior art keywords
- tool
- point
- geometric
- adjacent
- location
- 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.)
- Pending
Links
Images
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Numerical Control (AREA)
Abstract
本发明属于铣削精加工及深度学习相关技术领域,其公开了一种结合相邻刀轨横向几何特征的刀具特征点识别方法及设备,方法包括以下步骤:(1)解析目标零件的G01程序段以获取加工刀具路径中刀位点的三维坐标,并按照刀具行进方向排序以得到刀位点点云;(2)确定并计算刀位点的几何参数,构建刀位点的几何特征向量;(3)结合刀具行进方向的邻域刀位点生成刀位点几何特征矩阵;(4)将刀位点云拓扑成图数据结构;(5)通过每个刀位点的邻接刀位点索引构建刀位点间的连通关系,计算刀位点云邻接矩阵;(6)将预测特征点的刀位点云数据及刀位点云邻接矩阵输入训练后图神经网络模型,以完成刀具特征点识别。本发明有更高的识别精度和查全率。
Description
技术领域
本发明属于铣削精加工及深度学习相关技术领域,更具体地,涉及一种结合相邻刀轨横向几何特征的刀具特征点识别方法及设备。
背景技术
在现代制造业中,数控加工作为一种最重要、最受欢迎的制造方法,普遍应用于汽车、航空、消费电子等行业。在实际的铣削精加工的过程中,是由CAM软件后处理生成加工G01程序段,如图2所示,数控系统就是通过读取G代码进而进行零件的加工,但是G代码是一种较为简单的语言,主要包含了刀具路径的位置信息,无法表达零件模型的几何特征,所以在这个过程中数控系统无法获得零件的几何特征信息。随着制造业的发展,对机床加工精度提出了更高的要求,所以如何从G代码中提取出零件的几何特征信息并让数控系统加以读取并利用,成为了进一步提升机床加工精度的核心问题之一。在G01程序段中,刀位点横向加工信息不一致的点即为特征点,特征点位于零件几何特征的边界,或是相邻刀路的连接点,如图3所示。在刀具路径中标识出这些特征点对于数控系统来说是至关重要的,首先,数控系统可根据标识出的特征点划分零件的几何特征区域,并根据零件几何特征区域进行合理的速度区间划分,可在提升加工精度的同时提升加工效率,另一方面,保持特征点在横向的速度一致性能够极大的保证零件的加工质量,避免产生加工瑕疵,特别是在一些自由曲面零件加工中,由此可见特征点识别对于数控系统的重要性。
由于加工零件特征的多样性及G代码表达的几何缺陷,采用传统的方法难以解决刀具路径的特征点识别问题,传统方法需人为的提取总结特征点的特征模式,并且难以结合相邻刀轨的横向几何特征信息,所以导致传统方法在特征点识别问题上的适用性和效果较差。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种结合相邻刀轨横向几何特征的刀具特征点识别方法及设备,其通过识别出刀具路径中的特征点可以供数控系统参考,得以对零件加工过程进行进一步的优化,且该发明结合了相邻刀轨刀位点的横向几何特征,相较于之前的刀路轨迹特征点识别拥有更高的识别精度和查全率。
为实现上述目的,按照本发明的一个方面,提供了一种结合相邻刀轨横向几何特征的刀具特征点识别方法,所述方法主要包括以下步骤:
(1)解析目标零件的G01程序段以获取加工刀具路径中刀位点的三维坐标,并将得到的刀位点坐标按照刀具行进方向排序以得到刀位点点云;
(2)确定并计算刀位点的几何参数,同时构建刀位点的几何特征向量;
(3)结合刀具行进方向的邻域刀位点生成刀位点几何特征矩阵;
(4)采用贪婪投影三角化算法将刀位点云拓扑成图数据结构;
(5)通过每个刀位点的邻接刀位点索引构建刀位点间的连通关系,进而计算刀位点云邻接矩阵;
(6)将需预测特征点的刀位点云数据及刀位点云邻接矩阵输入训练后的图神经网络模型,所述图神经网络模型完成刀具特征点识别。
进一步地,步骤(6)包括以下子步骤:
(S1)确定并计算刀位点间的几何相似性系数,再结合刀位点云邻接矩阵构建刀位点云几何相似性邻接矩阵;
(S2)构建刀位点云游走概率矩阵;
(S3)针对每个刀位点的游走概率向量,按照游走概率从大到小概率获取m个关系刀位点,m为正整数;
(S4)通过关系刀位点索引集选取关系刀位点的几何特征矩阵,结合目标刀位点的几何特征矩阵,构造目标刀位点的综合几何特征矩阵;
(S5)将刀位点综合几何特征矩阵输入图神经网络模型的隐藏层以提取抽象特征,并预测输出特征点标签。
进一步地,输出的特征点标签按照概率进行区分,预测概率大于0.8的即为特征点,以标签1来表示该刀位点为特征点,反之以0表示为刀位点不是特征点。
进一步地,步骤(2)中,刀位点云几何相似性邻接矩阵的每一行为对应索引的刀位点与其邻接刀位点的几何相似性系数,与未邻接刀位点的几何相似性系数为0,提取出刀位点的邻接相似性向量;接着,通过归一化刀位点的邻接相似性向量,计算刀位点的游走概率向量;之后,计算刀位点间的游走概率,并构建刀位点云游走概率矩阵Ap及刀位点游走概率向量接着,根据确定的需要游走的步数c,计算游走c步后的刀位点云游走概率矩阵及游走c步后的刀位点游走概率向量
进一步地,步骤(S3)中,对每个刀位点的游走概率向量进行从大到小的排序,并按照游走概率从大到小保存邻接刀位点的索引值;选取邻接刀位点索引,选中的索引值即为目标刀位点的关系刀位点索引,刀位点i的关系刀位点索引集记为Si,关系刀位点即为目标刀位点的相邻刀轨中与目标刀位点有连通关系且几何特征最为相似的刀位点。
进一步地,几何参数包括点距、外角、内角及曲率。
进一步地,步骤(5)中,针对每个刀位点,刀位点云三角化后,针对每个刀位点获取与其有连通关系的刀位点,即邻接刀位点,记录其邻接刀位点的索引;通过刀位点的邻接点索引向量构建刀位点云的邻接矩阵A,其中Aij表示刀位点i与刀位点j的连通关系,如有连通关系Aij=1,否则Aij=0。
进一步地,该图神经网络模型包括输入层、综合几何特征提取层、隐藏层及输出层;输入层读取该图数据结构,随后图神经网络模型中的综合几何特征提取层聚合刀位点刀具行进纵向及横向的几何特征,进行刀位点综合几何特征矩阵的生成与刀位点综合几何特征初步提取,随后图神经网络模型中的隐藏层进行特征点深层次特征的提取,最后由输出层进行聚合计算并输出特征点标。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的结合相邻刀轨横向几何特征的刀具特征点识别方法。
本发明还提供了一种结合相邻刀轨横向几何特征的刀具特征点识别设备,该设备包括如上所述的计算机可读存储介质以及处理器,处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的结合相邻刀轨横向几何特征的刀具特征点识别方法及设备主要具有以下有益效果:
1.该发明通过三角剖分将刀位点与其邻接刀位点建立连通关系,通过计算刀位点与其邻接刀位点几何相似性来确定游走概率,通过游走概率来确定横向关系刀位点,通过结合刀位点与其关系刀位点的几何特征构建综合几何特征矩阵作为图神经网络隐藏层的输入,以此利用图神经网络模型解决特征点的识别问题,该方法与现有方法相比能够提取和结合刀位点的邻域刀位点几何特征信息及刀位点横向几何特征信息,生成的特征矩阵有更强的特征表达能力,有利于图神经网络提取其深层次特征。
2.该方法结合刀位点相邻刀轨的横向几何特征信息,这使得在处理刀具行进方向上特征不明显的刀位点时表现出更好的效果,特别是在一些自由曲面特征较多的零件中。
3.较于传统的神经网络,图神经网络能够作用于非欧几里得空间,因此拥有特征学习能力,进而本发明有着更高的识别精度及查全率,更强的鲁棒性和适用性,能够有效识别自由曲面零件中刀具路径中的特征点。
附图说明
图1是本发明提供的结合相邻刀轨横向几何特征的刀具特征点识别方法的流程示意图;
图2是铣削精加工零件加工刀路中刀位点的示意图;
图3是铣削精加工零件加工刀路中刀位点与特征点的示意图;
图4中的(a)、(b)分别是规整数据与图数据间的示意图,以显示规整数据与图数据间的差异;
图5的(a)、(b)分别是刀位点中点距、外角、内角、向量及曲率的示意图;
图6是刀位点曲率的求解示意图;
图7是单个刀位点几何特征矩阵的生成示意图;
图8是贪婪投影三角化的基本原理示意图;
图9是本发明提供的图神经网络的结构示意图;
图10是从目标点出发游走一步的结果示意图;
图11是从目标点触发游走多步的结果示意图;
图12是单个单位点综合几何特征矩阵的生成示意图;
图13是本方法测试案例,其中(a)是测试案例的cad模型,(b)是测试案例的精加工刀路;
图14是本方法测试案例中,刀位点几何特征矩阵的生成示例,对应具体实施方式中的步骤一到步骤四;
图15是本方法测试案例中,刀位点横向关联点的选取示例,对应具体实施方式中的步骤五到步骤六;
图16是本方法在该测试案例下的测试结果,其中(a)是测试案例的cad模型,(b)是手工标记的特征点结果,(c)是ISurfine软件中特征点识别功能识别结果,(d)是本发明所述方法的特征点识别结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图4,随着深度学习理论与大数据相关技术的发展,图神经网络应运而生,图神经网络是用于处理图数据的神经网络结构,能够直接读取非欧几里得结构数据,为解决刀具特征点的识别问题提供了思路。
请参阅图1、图13、图14及图15,本发明提供的结合相邻刀轨横向几何特征的刀具特征点识别方法,所述方法主要包括以下步骤:
步骤一,从加工零件的CAD模型出发,可以采用任意CAD/CAM软件生成目标零件的加工刀具路径,并使用后处理系统获取加工零件的G01程序段。具体地,对刀具种类没有做任何特别要求,对行切环切不做特别要求,后处理获取的G代码为单纯G01程序段,即插补指令只有G01的G代码。本实施方式中采用德国Siemens公司的CAD/CAM软件NX进行零件铣削精加工刀路的生成和后处理。
步骤二,解析目标零件的G01程序段,获取加工刀具路径中的刀位点三维坐标,并将解析出的刀位点坐标按照刀具行进方向排序保存为刀位点云,设为PN,N表示为刀位点的数目,每一个刀位点记为Pi,刀位点Pi的三维坐标记为[xi,yi,zi],其中i为刀位点索引。
具体地,按照G01程序段中每一行指令的次序来作为刀位点的索引,并根据相应的G01指令来更新该索引值下刀位点的三维坐标,最后得到刀位点云数据,其中包括刀位点的三维坐标及其索引。本实施例中将上述数据保存为Numpy矩阵。
步骤三,确定并计算刀位点的几何参数。请参图5及图6,具体地,几何参数包括点距、外角、内角、曲率等,针对刀位点Pi分别设为点距di、外角θi、内角θi′、曲率ki,并构建刀位点的几何特征向量,其中刀位点i的几何特征向量记为fi。
针对刀位点Pi=[xi,yi,zi],计算刀位点的点距di的公式为:
针对刀位点Pi=[xi,yi,zi],计算刀位点外角θi,内角θi′的公式为:
针对刀位点Pi=[xi,yi,zi],计算其向量的公式为:
vi=Pi-Pi-1
计算平面Pi-1PiPi+1的法矢公式为:
vt=vi×vi+1=[xt,yt,zt]
计算插补圆的圆心公式为:
计算刀位点的曲率半径及曲率公式为:
ri=||Pi-Pc||2
构建刀位点的几何特征向量,针对刀位点Pi,其几何特征向量fi的构建公式为:
fi=[di,minθi,θ′i,maxi,θ′i,ki]。
步骤四,针对每个刀位点,结合刀具行进方向的邻域刀位点生成刀位点几何特征矩阵,针对刀位点i,其几何特征矩阵记为Grami。请参阅图7,具体包括以下子步骤:
(4.1)选取目标点及加工刀具行进方向的前后邻域的刀位点组成滑窗队列,针对刀位点Pi滑窗队列记为记为SWi。
(4.2)设滑窗队列的长度为l,一般设置为奇数长度,设邻域长度为本实施例中取l=9,取目标刀位点Pi的前后sl个刀位点组成滑窗队列SWi,使目标刀位点位于滑窗队列的中心位置,前后刀位点数目若不足sl,则以0填充之。
(4.5)归一化后的几何参数向量按照以下公式生成对应的Gram矩阵分量:
(4.7)构造完成当前刀位点的几何特征矩阵后,按照刀位点索引顺序,滑窗队列删除队头刀位点,队尾添加新的刀位点,即为新的滑窗队列SWi+1。
(4.8)直至遍历整个刀位点云,生成所有刀位点的几何特征矩阵。
步骤五,采用贪婪投影三角化算法将刀位点云拓扑成图数据结构。请参阅图8,该步骤建立起刀位点与其邻接刀位点的连通关系,为之后结合刀位点相邻刀轨的横向几何特征做铺垫,本实施例中贪婪投影方向为刀轴法向,使用Scipy库完成刀位点云的三角化工作。
步骤六,通过每个刀位点的邻接刀位点索引构建刀位点间的连通关系,刀位点i与刀位点j的连通关系记为Aij,并以此计算刀位点云邻接矩阵A。
具体包括以下子步骤:
(6.1)针对每个刀位点,刀位点云三角化后,针对每个刀位点获取与其有连通关系的刀位点,即邻接刀位点,记录其邻接刀位点的索引。
(6.2)通过刀位点的邻接点索引向量构建刀位点云的邻接矩阵A,其中Aij表示刀位点i与刀位点j的连通关系,如有连通关系Aij=1,否则Aij=0,特别的,每个刀位点与其自身的连通关系记为0,即Aii=0。
步骤七,搭建图神经网络模型并进行训练,将需要预测特征点的刀位点云数据及刀位点云邻接矩阵输入训练后的图神经网络模型以实现刀具特征点识别。请参阅图9及图16,具体包括以下步骤:
(7.1)搭建图神经网络模型,图神经网络模型主要包括四个模块,分别为输入层、综合几何特征提取层、隐藏层及输出层。本实施例中隐藏层是全连接神经网络层,神经网络间的激活函数设置为ReLU函数,输出层的激活函数为Sigmoid函数,损失函数为交叉熵函数。
ReLU x=max x,0
(7.2)制作用于训练图神经网络的数据集。
(7.3)从零件的CAD模型出发,首先手工标记出刀具路径中的特征点,以1/0区分,特别的,作为数据集的零件模型的加工特征应尽可能的多样化,本实施例中使用ISurfine软件进行刀具路径中特征点的手工标记。
(7.4)计算刀位点的几何参数,几何特征向量,生成刀位点几何特征矩阵,三角剖分建立刀位点云邻接矩阵,并保持与特征点标签的映射。
(7.5)将标记好的数据集输入图神经网络模型并完成图神经网络模型的训练过程,本实施例中训练轮次为100,批大小为16,采用动态学习率。
(7.6)将需要进行特征点预测的刀位点云数据与刀位点云邻接矩阵输入进训练完成的图神经网络模型,以实现刀具特征点的识别。
其中,将刀位点云拓扑成图结构,并构建相应的图神经网络模型来完成图顶点分类,即可解决刀具路径中的特征点识别问题。首先通过三角划分,将刀位点云拓扑成图结构,由输入层读取该图数据结构,随后图神经网络模型中的综合几何特征提取层聚合刀位点刀具行进纵向及横向的几何特征,进行刀位点综合几何特征矩阵的生成与刀位点综合几何特征初步提取,随后网络模型中的隐藏层进行特征点深层次特征的提取,最后由输出层进行聚合计算输出特征点标。
请参阅图10、图11及图12,采用所述图神经网络模型进行刀具特征点的识别包括以下子步骤:
(S1)定义并计算刀位点间的几何相似性系数,再结合刀位点云邻接矩阵构建刀位点云几何相似性邻接矩阵,本实施例中按照以下步骤生成:
(S1.1)定义并计算刀位点间的几何相似性系数,其中刀位点i与刀位点j的几何相似性系数记为ωij,则ωij的计算公式如下:
其中,k等于刀位点几何特征向量的尺寸。
(S1.2)按照上述给出的刀位点间的几何相似性系数的计算公式,结合刀位点云的邻接矩阵,计算刀位点云几何相似性邻接矩阵As,则As的计算公式如下:
(S2)构建刀位点云游走概率矩阵,本实施例中取c=1,按照以下步骤生成:
(S2.1)刀位点云几何相似性邻接矩阵的每一行为对应索引的刀位点与其邻接刀位点的几何相似性系数,与未邻接刀位点的几何相似性系数为0,提取出刀位点的邻接相似性向量,索引值为i的刀位点的邻接相似性向量记为Wi:
(S2.2)通过归一化刀位点的邻接相似性向量记为Wi,计算刀位点的游走概率向量,pij表示刀位点i游走到刀位点j的概率,则计算公式如下:
(S3)针对每个刀位点的游走概率向量,按照游走概率从大到小概率获取m个关系刀位点,其中m可根据实际情况确定,本实施例中每个刀位点选取的关系刀位点个数为m=2。
(S3.1)对每个刀位点的游走概率向量进行从大到小的排序,并按照游走概率从大到小保存邻接刀位点的索引值:
(S3.2)根据实际情况确定需要的关系刀位点个数m,并按照I1,…,In的次序选取邻接刀位点索引,选中的索引值即为目标刀位点的关系刀位点索引,刀位点i的关系刀位点索引集记为Si,关系刀位点即为目标刀位点的相邻刀轨中与目标刀位点有连通关系且几何特征最为相似的刀位点:
(S4)通过上述的关系刀位点索引集选取关系刀位点的几何特征矩阵,结合目标刀位点的几何特征矩阵,构造目标刀位点的综合几何特征矩阵,记为Fi,则有,本实施例中生成的刀位点的综合几何特征矩阵的尺寸为9×9×3×2:
(S5)将刀位点综合几何特征矩阵输入图神经网络模型的隐藏层以提取抽象特征,并预测输出特征点标签。本实施例中,输出的特征点标签按照概率进行区分,预测概率大于0.8的即为特征点,以标签1来表示该刀位点为特征点,反之以0表示为刀位点不是特征点。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的结合相邻刀轨横向几何特征的刀具特征点识别方法。
本发明还提供了一种结合相邻刀轨横向几何特征的刀具特征点识别设备,该设备包括如上所述的计算机可读存储介质以及处理器,处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种结合相邻刀轨横向几何特征的刀具特征点识别方法,其特征在于,所述方法包括以下步骤:
(1)解析目标零件的G01程序段以获取加工刀具路径中刀位点的三维坐标,并将得到的刀位点坐标按照刀具行进方向排序以得到刀位点点云;
(2)确定并计算刀位点的几何参数,同时构建刀位点的几何特征向量;
(3)结合刀具行进方向的邻域刀位点生成刀位点几何特征矩阵;
(4)采用贪婪投影三角化算法将刀位点云拓扑成图数据结构;
(5)通过每个刀位点的邻接刀位点索引构建刀位点间的连通关系,进而计算刀位点云邻接矩阵;
(6)将需预测特征点的刀位点云数据及刀位点云邻接矩阵输入训练后的图神经网络模型,所述图神经网络模型完成刀具特征点识别。
2.如权利要求1所述的结合相邻刀轨横向几何特征的刀具特征点识别方法,其特征在于:步骤(6)包括以下子步骤:
(S1)确定并计算刀位点间的几何相似性系数,再结合刀位点云邻接矩阵构建刀位点云几何相似性邻接矩阵;
(S2)构建刀位点云游走概率矩阵;
(S3)针对每个刀位点的游走概率向量,按照游走概率从大到小概率获取m个关系刀位点,m为正整数;
(S4)通过关系刀位点索引集选取关系刀位点的几何特征矩阵,结合目标刀位点的几何特征矩阵,构造目标刀位点的综合几何特征矩阵;
(S5)将刀位点综合几何特征矩阵输入图神经网络模型的隐藏层以提取抽象特征,并预测输出特征点标签。
3.如权利要求2所述的结合相邻刀轨横向几何特征的刀具特征点识别方法,其特征在于:输出的特征点标签按照概率进行区分,预测概率大于0.8的即为特征点,以标签1来表示该刀位点为特征点,反之以0表示为刀位点不是特征点。
5.如权利要求1所述的结合相邻刀轨横向几何特征的刀具特征点识别方法,其特征在于:步骤(S3)中,对每个刀位点的游走概率向量进行从大到小的排序,并按照游走概率从大到小保存邻接刀位点的索引值;选取邻接刀位点索引,选中的索引值即为目标刀位点的关系刀位点索引,刀位点i的关系刀位点索引集记为Si,关系刀位点即为目标刀位点的相邻刀轨中与目标刀位点有连通关系且几何特征最为相似的刀位点。
6.如权利要求1所述的结合相邻刀轨横向几何特征的刀具特征点识别方法,其特征在于:几何参数包括点距、外角、内角及曲率。
7.如权利要求1所述的结合相邻刀轨横向几何特征的刀具特征点识别方法,其特征在于:步骤(5)中,针对每个刀位点,刀位点云三角化后,针对每个刀位点获取与其有连通关系的刀位点,即邻接刀位点,记录其邻接刀位点的索引;通过刀位点的邻接点索引向量构建刀位点云的邻接矩阵A,其中Aij表示刀位点i与刀位点j的连通关系,如有连通关系Aij=1,否则Aij=0。
8.如权利要求1-7任一项所述的结合相邻刀轨横向几何特征的刀具特征点识别方法,其特征在于:该图神经网络模型包括输入层、综合几何特征提取层、隐藏层及输出层;输入层读取该图数据结构,随后图神经网络模型中的综合几何特征提取层聚合刀位点刀具行进纵向及横向的几何特征,进行刀位点综合几何特征矩阵的生成与刀位点综合几何特征初步提取,随后图神经网络模型中的隐藏层进行特征点深层次特征的提取,最后由输出层进行聚合计算并输出特征点标。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8任一项所述的结合相邻刀轨横向几何特征的刀具特征点识别方法。
10.一种结合相邻刀轨横向几何特征的刀具特征点识别设备,其特征在于:该设备包括权利要求9所述的计算机可读存储介质以及处理器,处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406872.4A CN114202662A (zh) | 2021-11-24 | 2021-11-24 | 结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406872.4A CN114202662A (zh) | 2021-11-24 | 2021-11-24 | 结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202662A true CN114202662A (zh) | 2022-03-18 |
Family
ID=80648785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111406872.4A Pending CN114202662A (zh) | 2021-11-24 | 2021-11-24 | 结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202662A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062674A (zh) * | 2022-07-28 | 2022-09-16 | 湖南晓光汽车模具有限公司 | 基于深度学习的刀具排布及换刀方法、设备及存储介质 |
-
2021
- 2021-11-24 CN CN202111406872.4A patent/CN114202662A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062674A (zh) * | 2022-07-28 | 2022-09-16 | 湖南晓光汽车模具有限公司 | 基于深度学习的刀具排布及换刀方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11670071B2 (en) | Fine-grained image recognition | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN111627065A (zh) | 一种视觉定位方法及装置、存储介质 | |
CN110866934B (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN112785611B (zh) | 一种3d点云弱监督语义分割方法及系统 | |
CN111694917A (zh) | 一种车辆异常轨迹检测、模型训练方法及装置 | |
CN115661374B (zh) | 一种基于空间划分和模型体素化的快速检索方法 | |
CN112336342A (zh) | 手部关键点检测方法、装置及终端设备 | |
CN111243094A (zh) | 一种基于点灯法的三维模型精确体素化方法 | |
CN114202662A (zh) | 结合相邻刀轨横向几何特征的刀具特征点识别方法及设备 | |
CN113129447A (zh) | 基于单张手绘草图的三维模型生成方法、装置和电子设备 | |
CN114545400B (zh) | 基于毫米波雷达的水面机器人的全局重定位方法 | |
Nie et al. | MMFN: Multimodal information fusion networks for 3D model classification and retrieval | |
CN113592015B (zh) | 定位以及训练特征匹配网络的方法和装置 | |
CN115601769A (zh) | 手绘图形的调整方法、装置、电子设备及介质 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
WO2015068417A1 (ja) | 画像照合システム、画像照合方法およびプログラム | |
CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
CN113552881A (zh) | 一种用于神经网络训练的多路径规划数据集生成方法 | |
CN108830860B (zh) | 一种基于rgb-d约束的双目图像目标分割方法和装置 | |
US20220262097A1 (en) | Label estimation device, label estimation method, and label estimation program |
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 |