CN116680961B - 考虑夹持力变形的测量补偿方法、装置、设备及存储介质 - Google Patents
考虑夹持力变形的测量补偿方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116680961B CN116680961B CN202310938049.0A CN202310938049A CN116680961B CN 116680961 B CN116680961 B CN 116680961B CN 202310938049 A CN202310938049 A CN 202310938049A CN 116680961 B CN116680961 B CN 116680961B
- Authority
- CN
- China
- Prior art keywords
- clamping
- data
- clamping force
- measured
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005259 measurement Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 70
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000013461 design Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 68
- 230000008569 process Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0028—Force sensors associated with force applying means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供一种考虑夹持力变形的测量补偿方法、装置、设备及存储介质,涉及图像处理技术领域,方法包括:获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;获取待测量工件的参考有限元分析图,参考有限元分析图是基于待测量工件的三维模型和设计夹持位置、设计夹持力生成的;基于夹持位置数据和设计夹持位置确定夹持位置差异数据,基于实际夹持力和设计夹持力确定夹持力差异数据;根据夹持位置差异数据、夹持力差异数据以及参考有限元分析图确定输入数据,将输入数据输入至已训练的神经网络模型中,获取神经网络模型输出的夹持力形变值;基于夹持力形变值对待测量工件的夹持测量结果进行补偿。本发明可以提高测量结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种考虑夹持力变形的测量补偿方法、装置、设备及存储介质。
背景技术
在数控加工中,需要对工件进行测量以确定是否满足加工要求,夹持式夹持测量工具非常常见,例如卡尺等,但是夹持式夹持测量工具对待测量工件产生夹持力,而待测量工件受到夹持力会产生一定的变形,特别是对于材质较软的工件,变形会更加明显,待测量工件因为受到夹持力产生的变形会对测量精度产生影响,导致测量结果存在偏差。
发明内容
本发明提供一种考虑夹持力变形的测量补偿方法、装置、设备及存储介质,用以解决现有技术中夹持式夹持测量工具对工件产生夹持力导致工件变形使得测量结果存在偏差的缺陷,实现对夹持式夹持测量工具的夹持力产生的变形进行补偿,提升测量结果的准确性。
本发明提供一种考虑夹持力变形的测量补偿方法,包括:
获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练完成的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
根据本发明提供的一种考虑夹持力变形的测量补偿方法,所述夹持位置数据为测量图像,所述测量图像为对所述待测量工件进行夹持测量的场景在预设角度进行成像得到的图像;所述基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,包括:
对所述测量图像进行线特征提取,得到第一线条图像;
基于所述第一线条图像与第二线条图像,得到所述夹持位置数据;
其中,所述第二线条图像的生成方法包括:
获取夹持测量工具的三维模型,按照所述设计夹持位置对所述夹持测量工具的三维模型和所述待测量工件的三维模型进行组装,得到组装模型;
基于所述组装模型生成所述第二线条图像。
根据本发明提供的一种考虑夹持力变形的测量补偿方法,所述根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,包括:
当所述设计夹持位置不满足预设条件时,将当前的所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图作为所述输入数据;
所述预设条件为:所述设计夹持位置在所述待测量工件上对应的两个夹持作用部位之间不存在空心区域,所述空心区域为所述待测量工件中未被工件材料填充的区域。
根据本发明提供的一种考虑夹持力变形的测量补偿方法,所述根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,包括:
当所述设计夹持位置满足所述预设条件时,对所述夹持位置差异数据置0,将置0后的所述夹持位置差异数据与所述夹持力差异数据、所述参考有限元分析图作为所述输入数据。
根据本发明提供的一种考虑夹持力变形的测量补偿方法,所述训练数据的生成过程包括:
对样本待测量工件的三维模型和夹持测量工具的三维模型按照样本设计夹持位置进行组合,得到样本组装模型,基于所述样本组装模型、所述样本设计夹持位置和样本设计夹持力,生成样本参考有限元分析图;
在所述样本组装模型中,在第一设定范围内随机移动所述夹持测量工具的三维模型以生成样本差异模型,基于所述样本差异模型和所述样本设计夹持位置,生成样本夹持位置差异数据;
在第二设定范围内随机生成样本夹持力差异数据;
基于所述样本夹持力差异数据和所述样本待测量工件对应的样本设计夹持位置进行有限元分析,生成有限元分析标签图,基于所述有限元分析标签图生成所述夹持力形变值标签;
将所述样本夹持位置差异数据、所述样本夹持力差异数据和所述样本参考有限元分析图作为所述样本输入数据;
为所述样本输入数据和所述夹持力形变值标签构建对应关系以得到一组所述训练数据。
根据本发明提供的一种考虑夹持力变形的测量补偿方法,所述训练数据包括第一训练数据和第二训练数据,所述神经网络模型的训练过程包括:
采用多组第二训练数据对初始模型进行训练后再采用多组所述第一训练数据进行迁移训练,得到所述神经网络模型;
其中,所述第二训练数据的数量大于所述第一训练数据的数量,所述第一训练数据中的数据来自多个第一样本待测量工件,所述第一样本待测量工件的材质与所述待测量工件的材质相同;所述第二训练数据中的数据来自多个第二样本待测量工件,部分所述第二样本待测量工件的材质与所述待测量工件的材质相同,部分所述第二样本待测量工件的材质与所述待测量工件的材质不同。
根据本发明提供的一种考虑夹持力变形的测量补偿方法,所述神经网络模型为深度残差网络模型。
本发明还提供一种考虑夹持力变形的测量补偿装置,包括:
实际数据获取模块,用于获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
设计数据获取模块,用于获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
差异数据获取模块,用于基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
预测模块,用于根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练完成的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
补偿模块,用于基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述考虑夹持力变形的测量补偿方法。
本发明还提供一种非暂态计算机可读存储介质,其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述任一种所述考虑夹持力变形的测量补偿方法。
本发明提供的考虑夹持力变形的测量补偿方法、装置、设备及存储介质,通过获取对待测量工件进行夹持测量时的实际夹持位置数据和实际夹持力,得到反映实际夹持位置与设计夹持位置差异的夹持位置差异数据以及反映实际夹持力和设计夹持力的夹持力差异数据,将根据在设计夹持位置和设计夹持力下对待测量工件的三维模型进行有限元分析得到的有限元分析图作为参考有限元分析图像,基于夹持位置差异数据、夹持力差异数据和参考有限元分析图确定输入数据,将输入数据输入至已训练的神经网络模型中,由于参考有限元分析图像中可以反映在设计夹持位置处采用设计夹持力对待测量工件进行夹持时待测量工件的形变情况,而夹持位置差异数据、夹持力差异数据可以反映实际情况与设计夹持位置、设计夹持力的差异,将这些信息输入至已训练的神经网络模型中,通过神经网络模型处理夹持位置差异数据、夹持力差异数据对参考有限元分析图的影响,得到夹持力变形值,实现对夹持力形变下的测量结果的补偿,提升测量结果的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的考虑夹持力变形的测量补偿方法的流程示意图;
图2是本发明提供的考虑夹持力变形的测量补偿装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的考虑夹持力变形的测量补偿方法、装置、设备及存储介质。
如图1所示,本发明提供的考虑夹持力变形的测量补偿方法,包括步骤:
S100、获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
S200、获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
S300、基于所述夹持位置数据和所述设计夹持位置确定夹持力差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
S400、根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练得到的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
S500、基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
本发明通过获取对待测量工件进行夹持测量时的实际夹持位置数据和实际夹持力,得到反映实际夹持位置与设计夹持位置差异的夹持位置差异数据以及反映实际夹持力和设计夹持力的夹持力差异数据,将根据在设计夹持位置和设计夹持力下对待测量工件的三维模型进行有限元分析得到的有限元分析图作为参考有限元分析图像,基于夹持位置差异数据、夹持力差异数据和参考有限元分析图确定输入数据,将输入数据输入至已训练的神经网络模型中,由于参考有限元分析图像中可以反映在设计夹持位置处采用设计夹持力对待测量工件进行夹持时待测量工件的形变情况,而夹持位置差异数据、夹持力差异数据可以反映实际情况与设计夹持位置、设计夹持力的差异,将这些信息输入至已训练的神经网络模型中,通过神经网络模型处理夹持位置差异数据、夹持力差异数据对参考有限元分析图的影响,得到夹持力变形值,实现对夹持力形变下的测量结果的补偿,提升测量结果的准确性。
所述夹持力可以通过力传感器得到。但是在由于所述待测量工件可能有形状复杂的异形工件,而力传感器可能无法被布置到位,这就导致被输入至所述神经网络模型中的所述夹持力差异数据可能不是真实值,在本发明中,将被输入至所述神经网络模型中的所述夹持力差异数据看做是存在噪声的弱样本,为了解决这个问题,提升测量补偿结果的准确性,本发明提供的方法中,所述神经网络模型选用深度残差网络(Deep ResidualNetwork,ResNet)模型,其可以有效处理弱样本,降低噪声对最终结果的影响。
采用具体的尺寸数值作为所述夹持位置数据需要准确的测距,这会产生额外的设备成本也会耗费更长的时间,不符合生产线快速流转的要求。本发明提供的方法中,采用对采用夹持测量工具对所述待测量工件进行测量时的场景在预设角度进行拍照,将得到的图像作为所述夹持位置数据。所述预设角度是使得成像结果可以反映夹持测量工具在所述待测量工件上的夹持位置的角度。
所述基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,包括:
对所述测量图像进行线特征提取,得到第一线条图像;
基于所述第一线条图像与第二线条图像,得到所述夹持位置数据;
其中,所述第二线条图像的生成方法包括:
获取夹持测量工具的三维模型,按照所述设计夹持位置对所述夹持测量工具的三维模型和所述待测量工件的三维模型进行组装,得到组装模型;
基于所述组装模型生成所述第二线条图像。
所述夹持位置差异数据只需要反映夹持测量工具在所述待测量工件上的夹持位置与设计夹持位置的差异即可,因此,本发明提供的方法中,为了降低计算量,对所述测量图像进行处理,只保留线条,得到所述第一线条图像,根据所述设计夹持位置对所述夹持测量工具的三维模型和所述待测量工件的三维模型进行组装,得到组装模型,采用与所述预设角度一致的角度对所述组装模型导出二维图像,得到所述第二线条图像。
所述基于所述第一线条图像与第二线条图像,得到所述夹持位置数据,可以是对所述第一线条图像与所述第二线条图像取差得到。
所述参考有限元分析图可以采用现有的有限元分析软件得到,所述参考有限元分析图反映在所述设计夹持位置采用所述设计夹持力对所述待测量工件进行夹持时所述待测量工件的形变情况。虽然现有的有限元分析软件可以通过计算机建模的方式对物体的受力形变进行模拟,但是这个过程需要一定的计算时间。在实际应用中,测量工具对所述待测量工件的夹持位置和夹持力不可能和有限元分析时设计的数值完全一致,所以直接采用所述参考有限元分析图中的形变情况来对测量结果进行补偿是不准确的。而每次都将实际夹持位置和夹持力作为设置值重新执行一次有限元分析也会耗费大量的时间成本和计算资源,在实际生产中无法实现。本发明提供的方法,根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,利用神经网络模型的学习能力来分析夹持位置差异、夹持力差异对所述待测量工件的形变情况的影响。
所述根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,包括:
当所述设计夹持位置不满足预设条件时,将当前的所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图作为所述输入数据;
当所述设计夹持位置满足所述预设条件时,对所述夹持位置差异数据置0,将置0后的所述夹持位置差异数据与所述夹持力差异数据、所述参考有限元分析图作为所述输入数据。
所述预设条件为:所述设计夹持位置在所述待测量工件上对应的两个夹持作用部位之间不存在空心区域,所述空心区域为所述待测量工件中未被工件材料填充的区域。
在实际应用中,对所述待测量工件的实际夹持位置与所述设计夹持位置之间的差异不会很大。当所述设计夹持位置在所述待测量工件对应的两个夹持作用部位之间不存在所述空心区域时,所述设计夹持位置与实际夹持位置之间的差异对形变量产生的影响非常小,可以忽略,此时将所述夹持差异数据置0,可以降低计算量,提升效率。当所述设计夹持位置在所述待测量工件对应的两个夹持作用部位之间存在所述空心区域时,由于空心区域的影响,所述设计夹持位置与实际夹持之间之间的差异对形变量产生的影响会较大,此时保留所述夹持差异数据,保证测量补偿结果的准确性。
所述设计夹持位置在所述待测量工件对应的两个夹持作用部位之间是否存在所述空心区域可以采用如下方式判断:
所述设计夹持位置在所述待测量工件上的作用部位有两处,分别对应夹持测量工具的两个夹持部与所述待测量工件的接触处(可能是点接触、线接触或面接触),如果夹持测量工具与所述待测量工件为点接触,那么将两个接触点连接后得到目标线段,如果夹持测量工具与所述待测量工件为线接触/面接触,那么随机采样多个点对,每个点对中的两个点来自不同的接触线/接触面,将每个点对中包括的两个点连接后,得到目标线段。如果有目标线段穿过所述待测量工件的部分有多个(即所述目标线段不是整体均与所述待测量工件重叠),那么确定存在所述空心区域。如果所有的目标线段整体均与所述待测量工件重叠,那么确定不存在所述空心区域。
下面对所述神经网络模型的训练过程进行说明。
首先,所述神经网络模型基于有监督的训练得到,有监督的训练需要大量的标注数据,本发明中,通过有限元分析软件来得到这些标注数据。值得说明的是,利用有限元分析软件得到标注数据的过程与实际生产可以不相关,而是一种前置的准确工作,不会影响到生产线上的实时测量。
具体地,所述训练数据的生成过程包括:
对样本待测量工件的三维模型和夹持测量工具的三维模型按照样本设计夹持位置进行组合,得到样本组装模型,基于所述样本组装模型、所述样本设计夹持位置和样本设计夹持力,生成样本参考有限元分析图;
在所述样本组装模型中,在第一设定范围内随机移动所述夹持测量工具的三维模型以生成样本差异模型,基于所述样本差异模型和所述样本设计夹持位置,生成样本夹持位置差异数据;
在第二设定范围内随机生成样本夹持力差异数据;
基于所述样本夹持力差异数据和所述样本待测量工件对应的样本设计夹持位置进行有限元分析,生成有限元分析标签图,基于所述有限元分析标签图生成所述夹持力形变值标签;
将所述样本夹持位置差异数据、所述样本夹持力差异数据和所述样本参考有限元分析图作为所述样本输入数据;
为所述样本输入数据和所述夹持力形变值标签构建对应关系以得到一组所述训练数据。
所述第一设定范围和所述第二设定范围可以人为设定,也可以根据用于测量所述待测量工件的测量工具的实际使用情况确定。
进一步地,所述训练数据包括第一训练数据和第二训练数据,所述神经网络模型的训练过程包括:
采用多组第二训练数据对初始模型进行训练后再采用多组所述第一训练数据进行迁移训练,得到所述神经网络模型;
其中,所述第二训练数据的数量大于所述第一训练数据的数量,所述第一训练数据中的数据来自多个第一样本待测量工件,所述第一样本待测量工件的材质与所述待测量工件的材质相同;所述第二训练数据中的数据来自多个第二样本待测量工件,部分所述第二样本待测量工件的材质与所述待测量工件的材质相同,部分所述第二样本待测量工件的材质与所述待测量工件的材质不同。
不同的材料在受力下的形变情况不同,为了实现更准确的形变值预测,同时降低大量不同材料对应的训练数据的标注成本和训练成本,降低训练消耗,本发明提供的方法中,先采用多种材质的工件对应的训练数据进行训练后,再采用少量的同一材质对应的训练数据进行迁移训练,这样可以实现在降低训练数据量和计算量的基础上,实现生成不同的材质分别对应的模型,使得每种材质对应的模型更有针对性,提升模型输出的形变值的准确性。也就是说,所述神经网络模型是与所述待测量工件的材质对应的。
在确定所述夹持力形变值后,基于所述夹持力形变对所述待测量工件的夹持测量结果进行补偿。由于对所述待测量工件进行夹持测量的过程中,夹持力对所述待测量工件造成了形变,因此,夹持测量工具测得的数值是产生了形变后的所述待测量工件的尺寸,根据所述夹持测量工具的夹持方式,将所述夹持测量工具测得的数值加上或减去所述夹持力形变值,得到补偿后的测量结果。
下面对本发明提供的考虑夹持力变形的测量补偿装置进行描述,下文描述的考虑夹持力变形的测量补偿装置与上文描述的考虑夹持力变形的测量补偿方法可相互对应参照。
如图2所示,本发明提供的考虑夹持力变形的测量补偿装置包括:
实际数据获取模块210,用于获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
设计数据获取模块220,用于获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
差异数据获取模块230,用于基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
预测模块240,用于根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练完成的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
补偿模块250,用于基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行考虑夹持力变形的测量补偿方法,该方法包括:获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练完成的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的考虑夹持力变形的测量补偿方法,该方法包括:获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练完成的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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,或者对其中部分技术特征进行等同替换;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精神和范围。
Claims (10)
1.一种考虑夹持力变形的测量补偿方法,其特征在于,包括:
获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练完成的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
2.根据权利要求1所述的考虑夹持力变形的测量补偿方法,其特征在于,所述夹持位置数据为测量图像,所述测量图像为对所述待测量工件进行夹持测量的场景在预设角度进行成像得到的图像;所述基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,包括:
对所述测量图像进行线特征提取,得到第一线条图像;
基于所述第一线条图像与第二线条图像,得到所述夹持位置数据;
其中,所述第二线条图像的生成方法包括:
获取夹持测量工具的三维模型,按照所述设计夹持位置对所述夹持测量工具的三维模型和所述待测量工件的三维模型进行组装,得到组装模型;
基于所述组装模型生成所述第二线条图像。
3.根据权利要求1所述的考虑夹持力变形的测量补偿方法,其特征在于,所述根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,包括:
当所述设计夹持位置不满足预设条件时,将当前的所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图作为所述输入数据;
所述预设条件为:所述设计夹持位置在所述待测量工件上对应的两个夹持作用部位之间不存在空心区域,所述空心区域为所述待测量工件中未被工件材料填充的区域。
4.根据权利要求3所述的考虑夹持力变形的测量补偿方法,其特征在于,所述根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,包括:
当所述设计夹持位置满足所述预设条件时,对所述夹持位置差异数据置0,将置0后的所述夹持位置差异数据与所述夹持力差异数据、所述参考有限元分析图作为所述输入数据。
5.根据权利要求1所述的考虑夹持力变形的测量补偿方法,其特征在于,所述训练数据的生成过程包括:
对样本待测量工件的三维模型和夹持测量工具的三维模型按照样本设计夹持位置进行组合,得到样本组装模型,基于所述样本组装模型、所述样本设计夹持位置和样本设计夹持力,生成样本参考有限元分析图;
在所述样本组装模型中,在第一设定范围内随机移动所述夹持测量工具的三维模型以生成样本差异模型,基于所述样本差异模型和所述样本设计夹持位置,生成样本夹持位置差异数据;
在第二设定范围内随机生成样本夹持力差异数据;
基于所述样本夹持力差异数据和所述样本待测量工件对应的样本设计夹持位置进行有限元分析,生成有限元分析标签图,基于所述有限元分析标签图生成所述夹持力形变值标签;
将所述样本夹持位置差异数据、所述样本夹持力差异数据和所述样本参考有限元分析图作为所述样本输入数据;
为所述样本输入数据和所述夹持力形变值标签构建对应关系以得到一组所述训练数据。
6.根据权利要求1所述的考虑夹持力变形的测量补偿方法,其特征在于,所述训练数据包括第一训练数据和第二训练数据,所述神经网络模型的训练过程包括:
采用多组第二训练数据对初始模型进行训练后再采用多组所述第一训练数据进行迁移训练,得到所述神经网络模型;
其中,所述第二训练数据的数量大于所述第一训练数据的数量,所述第一训练数据中的数据来自多个第一样本待测量工件,所述第一样本待测量工件的材质与所述待测量工件的材质相同;所述第二训练数据中的数据来自多个第二样本待测量工件,部分所述第二样本待测量工件的材质与所述待测量工件的材质相同,部分所述第二样本待测量工件的材质与所述待测量工件的材质不同。
7.根据权利要求1所述的考虑夹持力变形的测量补偿方法,其特征在于,所述神经网络模型为深度残差网络模型。
8.一种考虑夹持力变形的测量补偿装置,其特征在于,包括:
实际数据获取模块,用于获取对待测量工件进行夹持测量时的夹持位置数据以及实际夹持力;
设计数据获取模块,用于获取所述待测量工件的参考有限元分析图,所述参考有限元分析图是基于所述待测量工件的三维模型和设计夹持位置、设计夹持力生成的;
差异数据获取模块,用于基于所述夹持位置数据和所述设计夹持位置确定夹持位置差异数据,基于所述实际夹持力和所述设计夹持力确定夹持力差异数据;
预测模块,用于根据所述夹持位置差异数据、所述夹持力差异数据以及所述参考有限元分析图确定输入数据,将所述输入数据输入至已训练的神经网络模型中,获取所述神经网络模型输出的夹持力形变值,其中,所述神经网络模型是基于多组训练数据训练完成的,每组所述训练数据包括样本输入数据以及样本输入数据对应的夹持力形变值标签;
补偿模块,用于基于所述夹持力形变值对所述待测量工件的夹持测量结果进行补偿。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述考虑夹持力变形的测量补偿方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述考虑夹持力变形的测量补偿方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310938049.0A CN116680961B (zh) | 2023-07-28 | 2023-07-28 | 考虑夹持力变形的测量补偿方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310938049.0A CN116680961B (zh) | 2023-07-28 | 2023-07-28 | 考虑夹持力变形的测量补偿方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680961A CN116680961A (zh) | 2023-09-01 |
CN116680961B true CN116680961B (zh) | 2023-12-29 |
Family
ID=87785771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310938049.0A Active CN116680961B (zh) | 2023-07-28 | 2023-07-28 | 考虑夹持力变形的测量补偿方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680961B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110722591A (zh) * | 2019-10-12 | 2020-01-24 | 哈尔滨工业大学(深圳) | 柔性体的力感知方法、夹爪及机械手 |
CN111331598A (zh) * | 2020-02-25 | 2020-06-26 | 杜卫锋 | 基于遗传算法优化神经网络结构的机器人姿态控制方法 |
CN115096201A (zh) * | 2022-08-24 | 2022-09-23 | 中科航迈数控软件(深圳)有限公司 | 一种非接触式形变检测方法及相关设备 |
CN115203865A (zh) * | 2022-09-19 | 2022-10-18 | 南京理工大学 | 一种基于数字孪生的产品装配过程机械性能在线预测方法 |
WO2022252303A1 (zh) * | 2021-05-31 | 2022-12-08 | 苏州大学 | 一种用于工件定位的夹具及方法及光学元件的加工方法 |
-
2023
- 2023-07-28 CN CN202310938049.0A patent/CN116680961B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110722591A (zh) * | 2019-10-12 | 2020-01-24 | 哈尔滨工业大学(深圳) | 柔性体的力感知方法、夹爪及机械手 |
CN111331598A (zh) * | 2020-02-25 | 2020-06-26 | 杜卫锋 | 基于遗传算法优化神经网络结构的机器人姿态控制方法 |
WO2022252303A1 (zh) * | 2021-05-31 | 2022-12-08 | 苏州大学 | 一种用于工件定位的夹具及方法及光学元件的加工方法 |
CN115096201A (zh) * | 2022-08-24 | 2022-09-23 | 中科航迈数控软件(深圳)有限公司 | 一种非接触式形变检测方法及相关设备 |
CN115203865A (zh) * | 2022-09-19 | 2022-10-18 | 南京理工大学 | 一种基于数字孪生的产品装配过程机械性能在线预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116680961A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8010315B2 (en) | Multi-modality inspection method with data validation and data fusion | |
CN106124034B (zh) | 基于机器视觉的薄壁件工作模态测试装置及测试方法 | |
CN109918614B (zh) | 一种基于模态学习的全局动应变测量方法 | |
CN110631906A (zh) | 基于dic技术的材料参数获取方法 | |
CN110285781B (zh) | 一种相对于基准面的平面平行度快速评定方法 | |
CN111340834B (zh) | 基于激光雷达和双目相机数据融合的衬板装配系统及方法 | |
CN114758005B (zh) | 激光雷达与相机外参标定方法及装置 | |
CN113781434A (zh) | 缺陷检测方法、装置、智能终端及计算机可读存储介质 | |
CN115713476A (zh) | 基于激光焊接的视觉检测方法、装置及可读存储介质 | |
CN116680961B (zh) | 考虑夹持力变形的测量补偿方法、装置、设备及存储介质 | |
CN117333860A (zh) | 一种基于深度学习的船舶水尺读数方法及装置 | |
CN116433661A (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN111242017A (zh) | 一种多标线的路面裂缝识别方法、装置、设备及存储介质 | |
CN111210409B (zh) | 一种基于条件生成对抗网络的结构损伤识别方法 | |
CN110555385A (zh) | 一种基于变步长曲率滤波的焊缝特征点求取方法 | |
CN111241614B (zh) | 基于条件生成对抗网络模型的工程结构荷载反演方法 | |
CN112836433B (zh) | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 | |
CN111241725B (zh) | 基于条件生成对抗网络的结构响应重构方法 | |
CN115393172A (zh) | 基于gpu实时提取光条纹中心的方法及设备 | |
CN115031650A (zh) | 一种基于标记点组合的相对变形测量方法及系统 | |
CN115165047A (zh) | 一种同步测量重量与重心的电子天平 | |
CN114782468A (zh) | 图像分割模型训练方法、图像处理方法及相关装置 | |
CN113435168A (zh) | 胶图自动编辑方法、系统、终端及介质 | |
US20210192285A1 (en) | Method for configuring a neural network | |
Wankhede et al. | SPSA: An image processing based software for single point strain analysis |
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 |