CN116681901A - 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法 - Google Patents
一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法 Download PDFInfo
- Publication number
- CN116681901A CN116681901A CN202310942640.3A CN202310942640A CN116681901A CN 116681901 A CN116681901 A CN 116681901A CN 202310942640 A CN202310942640 A CN 202310942640A CN 116681901 A CN116681901 A CN 116681901A
- Authority
- CN
- China
- Prior art keywords
- image
- cutter head
- matrix
- tool bit
- contour line
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
本发明涉及一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,属于工业视觉技术领域。方法的特征包括:采集玻璃推刀的刀头图像N;对刀头图像N进行预处理以获取刀头轮廓线及刀头轮廓线矩阵;获取刀头所有可见齿及其对应的全齿高,得到1xn的全齿高矩阵;将刀头图像N的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵;将刀头图像N的组合矩阵与所述刀头图像N前两张刀头图像的组合矩阵水平合并为图像组合矩阵;由预测模型对所述图像组合矩阵进行刀头剩余寿命的预测,以得出相应的预测结论。本发明能够实时监测刀头磨损程度并发现刀头异常情况,预测出刀头的剩余使用寿命,进而提高切割质量。
Description
技术领域
本发明涉及一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,属于工业视觉技术领域。
背景技术
在玻璃切割行业中,切割工具的刀头寿命对生产效率和产品质量有重要影响。刀头磨损过度将导致切割效果不理想,从而影响产品质量,而频繁更换刀头则会导致生产成本增加。
因此,预测玻璃推刀刀头的剩余寿命,以便在适当的时候更换刀头,对提高生产效率和降低成本具有重要意义。
发明内容
为了解决上述问题,本发明公开了一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法。
本发明采取的技术方案如下:
一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特殊之处在于,包括以下步骤:
采集玻璃推刀的刀头图像N;
对刀头图像N进行预处理以获取刀头轮廓线及刀头轮廓线矩阵;
获取刀头所有可见齿及其对应的全齿高,得到1xn的全齿高矩阵;
将刀头图像N的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵;
将刀头图像N的组合矩阵与所述刀头图像N前两张刀头图像的组合矩阵水平合并为图像组合矩阵;
由预测模型对所述图像组合矩阵进行刀头剩余寿命的预测,以得出相应的预测结论。
进一步地,所述采集玻璃推刀的刀头图像N,是在玻璃推刀每次切割完成返回起始位置时,先由风机去除刀头残留的玻璃碎屑,再由配置在起始位置的工业相机对刀头进行图像采集。
进一步地,所述对刀头图像N进行预处理以获取刀头轮廓线及刀头轮廓线矩阵,具体包括:
利用索贝尔(Sobel)边缘检测算子提取刀头图像N的刀头轮廓线,图像边缘检测的计算公式如下:
;
其中,Mx表示横向用索贝尔算子进行边缘检测完成的图像,My表示纵向用索贝尔算子进行边缘检测完成的图像,N为当前采集的刀头图像;
计算像素点的边缘梯度值M
;
将得到的梯度值M进行二值化处理,得到刀头图像N的刀头轮廓线矩阵。
进一步地,所述获取刀头所有可见齿及其对应的全齿高,得到1xn的全齿高矩阵的步骤中,所述全齿高为齿根到齿顶间的直线距离,单位为像素。
进一步地,所述由预测模型对所述图像组合矩阵进行刀头剩余寿命的预测,以得出相应的预测结论的步骤中,所述预测模型通过以下训练方法而得:
数据收集
将一定数量的玻璃推刀作为样本,采集每个玻璃推刀的刀头从开始使用至刀头损坏的全生命周期图像,得到一系列刀头图像;
数据处理
采用索贝尔边缘检测算子逐一对采集到的一系列刀头图像进行轮廓线提取,得到每张图像的轮廓线矩阵;
特征提取
根据每张图像中的刀头轮廓线获取刀头可见齿及其对应的全齿高,将每张图像的所有可见齿的全齿高组成1xn的全齿高矩阵;
将每张图像的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵,在全齿高矩阵列数不足时,自动补零;
将同一刀头的全生命周期图像中具有相邻关系的三张图像的组合矩阵进行水平合并,得到图像组合矩阵;
设置标签
根据刀头的实际剩余寿命,标注出每张图像的剩余寿命值;取每个图像组合中3张图像剩余寿命值的均值,标注为每个图像组合的剩余使用寿命;
玻璃推刀刀头的平均使用寿命为5000米左右,根据多次训练的准确度和实际使用的需要,设置5个标签对刀头的剩余寿命进行分类:3000米以上表示使用情况良好;2000-3000米表示使用正常;1000-2000米表明可正常使用,但需准备好替换刀头;500-1000米需注意切割状态;500米以下表示刀头损坏,停止使用该玻璃推刀刀头,并及时替换刀头;
模型训练
将图像组合矩阵以及与之相对应的图像组合剩余使用寿命标签输入ResNet卷积神经网络模型进行训练,获得预测模型。
模型评估
采用ResNet卷积神经网络模型进行训练的准确率如下表1所示:
表1:模型预测准率
。
本发明的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,与现有技术相比,有益效果在于:
1、通过实时采集刀头图像,能够实时监测刀头磨损程度并发现刀头异常情况,提高切割质量;
2、在拍摄的图片中,并不能完整的看到玻璃切割刀刀头的完整齿轮,本发明创新性的采用“三合一”图像组合的方式进行,大大提高的模型的准确率;
3、在特征提取过程中,将人的经验加入其中,提取了玻璃切割刀刀头齿轮的全齿高,将人的经验与卷积神经网络算法的经验相结合,进一步提高了预测的准确性。
附图说明
图1是本发明的基于工业视觉的玻璃推刀刀头剩余寿命预测方法流程图;
图2是实施例一步骤5中的图片组合规律示意图。
具体实施方式
为能清楚说明本发明方案的技术特点,下面将通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例一
本实施例是一种用于预测玻璃推刀刀头剩余寿命的方法,该方法采用工业视觉识别玻璃推刀刀头的磨损情况,进而预测玻璃刀头的剩余使用寿命。
首先对本实施例中涉及的一些专业名词和术语进行说明:
玻璃切割流程:机械臂将玻璃推刀从起始位置平移到玻璃位置,进行玻璃切割,再返回至起始位置。
矩阵合并是指将两个或多个矩阵按照一定规则组合成一个新的矩阵。水平合并要求两个矩阵行数相同;垂直合并要求两个矩阵的列数相同。将不同的矩阵进行合并的目的是方便进行后续的分析,避免重新比对和表达量计算所需消耗的大量运算资源。
ResNet模型是一种卷积神经网络结构,主要包括残差块、池化层、全连接层等,目前被广泛应用于图像分类、目标检测等计算机视觉领域。
所述预测方法,具体步骤包括:
步骤1:将高分辨率的工业相机固定在玻璃推刀的起始位置,每次推刀返回起始位置时,先由风机对刀头吹风,去掉刀头残留玻璃碎屑;再用工业相机对玻璃推刀刀头进行拍照,获取当前刀头图像N;
步骤2:用索贝尔(Sobel)算子提取当前刀头图像N的刀头轮廓线,该算子包含两组3x3的矩阵,分别为横向和纵向,用算子矩阵和图像做平面卷积,分别计算出横向和纵向的亮度差分近似值,进一步获取轮廓线,计算公式如下:
;
其中,Mx表示横向用索贝尔算子进行边缘检测完成的图像,My表示纵向用索贝尔算子进行边缘检测完成的图像,N为当前采集的刀头图像;
计算像素点的边缘梯度值M
;
将得到的梯度值M进行二值化处理,超过阈值,则将其二值化为白色(255),否则为黑色(0),由此得到当前刀头图像N的刀头轮廓线矩阵A:
;其中,a代表刀头轮廓线上的点的像素值;
步骤3:根据刀头轮廓线计算当前刀头图像N中刀头的可见齿的全齿高,将每个可见齿的全齿高组成全齿高矩阵B:
;其中,b代表全齿高,也即齿根到齿顶间的直线距离,单位为像素;
步骤4:将刀头图像N的刀头轮廓线矩阵A和全齿高矩阵B垂直合并为组合矩阵C,在全齿高矩阵列数不足时,自动补零;
;
步骤5:将刀头图像N的组合矩阵C与所述刀头图像N前两张刀头图像的组合矩阵Cx、Cy水平合并为图像组合矩阵D:
;
若一个推刀刀头采集到的图像数量为n,则经合并后将得到n-2个图像组合,其组合方式如图2所示;
步骤6:将步骤5的图像组合矩阵D输入训练好的预测模型中,经预测模型对刀头的剩余寿命进行预测后,输出当前刀头的剩余寿命区间值。
所述步骤6中的预测模型为ResNet卷积神经网络模型,其训练方法如下:
数据收集:将一定数量的玻璃推刀作为样本,采集每个玻璃推刀的刀头从开始使用至刀头损坏的全生命周期图像,得到一系列刀头图像;
数据处理:采用索贝尔边缘检测算子逐一对采集到的一系列刀头图像进行轮廓线提取,得到每张图像的轮廓线矩阵;
特征提取:根据每张图像中的刀头轮廓线获取刀头可见齿及其对应的全齿高,将每张图像的所有可见齿的全齿高组成1xn的全齿高矩阵;将每张图像的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵,在全齿高矩阵列数不足时,自动补零;将同一刀头的全生命周期图像中具有相邻关系的三张图像的组合矩阵进行水平合并,得到图像组合矩阵;
设置标签:根据刀头的实际剩余寿命,标注出每张图像的剩余寿命值;取每个图像组合中3张图像剩余寿命值的均值,标注为每个图像组合的剩余使用寿命;
玻璃推刀刀头的平均使用寿命为5000米左右,根据多次训练的准确度和实际使用的需要,设置5个标签对刀头的剩余寿命进行分类:3000米以上表示使用情况良好;2000-3000米表示使用正常;1000-2000米表明可正常使用,但需准备好替换刀头;500-1000米需注意切割状态;500米以下表示刀头损坏,停止使用该玻璃推刀刀头,并及时替换刀头;
模型训练:将图像组合矩阵以及与之相对应的图像组合剩余使用寿命标签输入ResNet卷积神经网络模型进行训练,获得预测模型。
模型评估:采用ResNet卷积神经网络模型进行训练的准确率如下表所示:
表1:模型预测准率
。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,包括以下步骤:
采集玻璃推刀的刀头图像N;
对刀头图像N进行预处理以获取刀头轮廓线及刀头轮廓线矩阵;
获取刀头所有可见齿及其对应的全齿高,得到1xn的全齿高矩阵;
将刀头图像N的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵;
将刀头图像N的组合矩阵与所述刀头图像N前两张刀头图像的组合矩阵水平合并为图像组合矩阵;
由预测模型对所述图像组合矩阵进行刀头剩余寿命的预测,以得出相应的预测结论。
2.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,
所述采集玻璃推刀的刀头图像N,是在玻璃推刀每次切割完成返回起始位置时,先由风机去除刀头残留的玻璃碎屑,再由配置在起始位置的工业相机对刀头进行图像采集。
3.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,
所述对刀头图像N进行预处理以获取刀头轮廓线及刀头轮廓线矩阵,具体包括:
利用索贝尔边缘检测算子提取刀头图像N的刀头轮廓线,图像边缘检测的计算公式如下:
;
其中,Mx表示横向用索贝尔算子进行边缘检测完成的图像,My表示纵向用索贝尔算子进行边缘检测完成的图像,N为当前采集的刀头图像;
计算像素点的边缘梯度值M
;
将得到的梯度值M进行二值化处理,得到刀头图像N的刀头轮廓线矩阵。
4.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,
所述获取刀头所有可见齿及其对应的全齿高,得到1xn的全齿高矩阵的步骤中,所述全齿高为齿根到齿顶间的直线距离,单位为像素。
5.如权利要求1所述的一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法,其特征在于,
所述由预测模型对所述图像组合矩阵进行刀头剩余寿命的预测,以得出相应的预测结论的步骤中,所述预测模型通过以下方法训练而得:
数据收集
将一定数量的玻璃推刀作为样本,采集每个玻璃推刀的刀头从开始使用至刀头损坏的全生命周期图像,得到一系列刀头图像;
数据处理
采用索贝尔边缘检测算子逐一对采集到的一系列刀头图像进行轮廓线提取,得到每张图像的轮廓线矩阵;
特征提取
根据每张图像中的刀头轮廓线获取刀头可见齿及其对应的全齿高,将每张图像的所有可见齿的全齿高组成1xn的全齿高矩阵;
将每张图像的刀头轮廓线矩阵和全齿高矩阵垂直合并为组合矩阵,在全齿高矩阵列数不足时,自动补零;
将同一刀头的全生命周期图像中具有相邻关系的三张图像的组合矩阵进行水平合并,得到图像组合矩阵;
设置标签
根据刀头的实际剩余寿命,标注出每张图像的剩余寿命值;取每个图像组合中3张图像剩余寿命值的均值,标注为每个图像组合的剩余使用寿命;
设置5个标签对刀头的剩余寿命进行分类:3000米以上表示使用情况良好;2000-3000米表示使用正常;1000-2000米表明可正常使用,但需准备好替换刀头;500-1000米需注意切割状态;500米以下表示刀头损坏,停止使用该玻璃推刀刀头,并及时替换刀头;
模型训练
将图像组合矩阵以及与之相对应的图像组合剩余使用寿命标签输入ResNet卷积神经网络模型进行训练,获得预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942640.3A CN116681901B (zh) | 2023-07-31 | 2023-07-31 | 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942640.3A CN116681901B (zh) | 2023-07-31 | 2023-07-31 | 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681901A true CN116681901A (zh) | 2023-09-01 |
CN116681901B CN116681901B (zh) | 2023-10-31 |
Family
ID=87785782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310942640.3A Active CN116681901B (zh) | 2023-07-31 | 2023-07-31 | 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681901B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090141231A1 (en) * | 2007-11-30 | 2009-06-04 | Lg Display Co., Ltd. | Method for repairing defective cell of liquid crystal panel |
KR101662820B1 (ko) * | 2015-11-09 | 2016-10-06 | 경북대학교 산학협력단 | 선형 회귀 분석에 기반한 툴 마모 및 수명을 추정하는 시스템 및 방법 |
KR20170104200A (ko) * | 2016-03-07 | 2017-09-15 | 삼성전자주식회사 | 공구 잔여수명 예측시스템 |
CN111340796A (zh) * | 2020-03-10 | 2020-06-26 | 创新奇智(成都)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
CN111369545A (zh) * | 2020-03-10 | 2020-07-03 | 创新奇智(重庆)科技有限公司 | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 |
CN111791090A (zh) * | 2020-07-02 | 2020-10-20 | 重庆邮电大学 | 一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法 |
CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
CN113807004A (zh) * | 2021-06-30 | 2021-12-17 | 北京交通大学 | 基于数据挖掘的刀具寿命预测方法、装置及系统 |
CN115741235A (zh) * | 2022-11-28 | 2023-03-07 | 营口理工学院 | 基于五轴加工中心刀具的磨损预测与健康管理方法 |
-
2023
- 2023-07-31 CN CN202310942640.3A patent/CN116681901B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090141231A1 (en) * | 2007-11-30 | 2009-06-04 | Lg Display Co., Ltd. | Method for repairing defective cell of liquid crystal panel |
KR101662820B1 (ko) * | 2015-11-09 | 2016-10-06 | 경북대학교 산학협력단 | 선형 회귀 분석에 기반한 툴 마모 및 수명을 추정하는 시스템 및 방법 |
KR20170104200A (ko) * | 2016-03-07 | 2017-09-15 | 삼성전자주식회사 | 공구 잔여수명 예측시스템 |
CN111340796A (zh) * | 2020-03-10 | 2020-06-26 | 创新奇智(成都)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
CN111369545A (zh) * | 2020-03-10 | 2020-07-03 | 创新奇智(重庆)科技有限公司 | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 |
CN111791090A (zh) * | 2020-07-02 | 2020-10-20 | 重庆邮电大学 | 一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法 |
CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
CN113807004A (zh) * | 2021-06-30 | 2021-12-17 | 北京交通大学 | 基于数据挖掘的刀具寿命预测方法、装置及系统 |
CN115741235A (zh) * | 2022-11-28 | 2023-03-07 | 营口理工学院 | 基于五轴加工中心刀具的磨损预测与健康管理方法 |
Non-Patent Citations (2)
Title |
---|
CHAO FANG 等: "Prediction of Protein Backbone Torsion Angles Using Deep Residual Inception Neural Networks", 《IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》, vol. 16, no. 3, pages 1020, XP011728701, DOI: 10.1109/TCBB.2018.2814586 * |
姜泓宇: "基于IWOA-SVM的钢丝绳表面缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 3, pages 022 - 181 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681901B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN103543161A (zh) | 一种连铸坯表面质量在线检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN108805862B (zh) | 一种基于改进结构相似度的标签鉴别方法 | |
CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN101751603A (zh) | 在线棒型材图像自动计数设备及方法 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN111487250A (zh) | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
WO2021043388A1 (en) | Device and method for detecting wear and/or damage on a pantograph | |
CN112847321A (zh) | 基于人工智能的工业机器人视觉图像识别系统 | |
CN115294089A (zh) | 一种基于改进YOLOv5的钢材表面缺陷检测方法 | |
CN116681901B (zh) | 一种基于工业视觉的玻璃推刀刀头剩余寿命的预测方法 | |
CN112767345B (zh) | 一种dd6单晶高温合金共晶缺陷检测和分割方法 | |
CN117152161A (zh) | 一种基于图像识别的刨花板质量检测方法及系统 | |
CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
CN115511775A (zh) | 一种基于语义分割的轻量型瓷砖表面缺陷检测方法 | |
CN108317966A (zh) | 一种阳极导杆钢爪变形检测方法及装置 | |
CN112733676A (zh) | 一种基于深度学习的电梯内垃圾检测识别方法 |
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 |