CN116922270B - 喷砂机的智能控制系统及其方法 - Google Patents
喷砂机的智能控制系统及其方法 Download PDFInfo
- Publication number
- CN116922270B CN116922270B CN202310902067.3A CN202310902067A CN116922270B CN 116922270 B CN116922270 B CN 116922270B CN 202310902067 A CN202310902067 A CN 202310902067A CN 116922270 B CN116922270 B CN 116922270B
- Authority
- CN
- China
- Prior art keywords
- surface state
- image
- workpiece
- feature map
- processed
- 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
- 238000005488 sandblasting Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005422 blasting Methods 0.000 claims abstract description 60
- 238000010191 image analysis Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 37
- 239000004576 sand Substances 0.000 description 18
- 239000000463 material Substances 0.000 description 12
- 238000003754 machining Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 238000000576 coating method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000011248 coating agent Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005507 spraying Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000004381 surface treatment Methods 0.000 description 3
- 239000003082 abrasive agent Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000007788 roughening Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005270 abrasive blasting Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- -1 dirt Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24C—ABRASIVE OR RELATED BLASTING WITH PARTICULATE MATERIAL
- B24C1/00—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods
- B24C1/08—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods for polishing surfaces, e.g. smoothing a surface by making use of liquid-borne abrasives
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24C—ABRASIVE OR RELATED BLASTING WITH PARTICULATE MATERIAL
- B24C9/00—Appurtenances of abrasive blasting machines or devices, e.g. working chambers, arrangements for handling used abrasive material
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本发明公开了一种喷砂机的智能控制系统及其方法，其通过摄像头采集待加工工件的表面状态图像；对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及，基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值。这样，可以避免人工调控带来的误差和低效率问题，从而使得喷砂机的控制更加智能化，提高了喷砂加工的效率和质量。
Description
技术领域
本发明涉及智能化控制技术领域，尤其涉及一种喷砂机的智能控制系统及其方法。
背景技术
喷砂机（Sandblasting machine）是一种常用的表面处理设备，也被称为喷砂设备或喷砂清理设备。它通过高速喷射砂粒或其他颗粒状介质，对工件表面进行冲击和磨擦，以去除表面的污垢、氧化层、涂层或划痕，从而实现表面清理、去除锈蚀、增加粗糙度等目的。
然而，传统喷砂机通常使用固定的喷砂压力进行加工，而这种固定压力的加工方式无法适应不同工件表面的工况，导致加工效果不稳定。也就是说，不同的工件表面所用的材质可能不同且凹凸情况也不同，有些表面可能需要较高的喷砂压力才能有效去除污垢或磨削，而有些表面则可能只需要较低的喷砂压力。因此，固定的喷砂压力无法满足这种差异化需求，导致加工效果不理想。不仅如此，现有一些方案通过技术人员凭借自身经验来进行喷砂压力的调整，但是，由于同一工件表面可能存在凹凸不平或者不同材质的区域，因此，对于复杂的工件表面，人工调整的方式往往无法达到最佳加工效果。
因此，期望一种喷砂机的智能控制系统。
发明内容
本发明实施例提供一种喷砂机的智能控制系统及其方法，其通过摄像头采集待加工工件的表面状态图像；对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及，基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值。这样，可以避免人工调控带来的误差和低效率问题，从而使得喷砂机的控制更加智能化，提高了喷砂加工的效率和质量。
本发明实施例还提供了一种喷砂机的智能控制方法，其包括：
通过摄像头采集待加工工件的表面状态图像；
对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及
基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值。
本发明实施例还提供了一种喷砂机的智能控制系统，其包括：
图像采集模块，用于通过摄像头采集待加工工件的表面状态图像；
图像分析模块，用于对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及
喷砂压力值确定模块，用于基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
图1为本发明实施例中提供的一种喷砂机的智能控制方法的流程图。
图2为本发明实施例中提供的一种喷砂机的智能控制方法的系统架构的示意图。
图3为本发明实施例中提供的一种喷砂机的智能控制方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种喷砂机的智能控制系统的框图。
图5为本发明实施例中提供的一种喷砂机的智能控制方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
喷砂机是一种常用于表面处理的设备，通过高速喷射磨料或喷砂颗粒来清理、去除工件表面的污垢、氧化层、涂层或切削残留物，以达到清洁、粗糙化或改善表面质量的目的。
在本申请的一个实施例中，所述喷砂机包括：1.压缩空气系统，喷砂机需要压缩空气来产生高速气流，推动磨料或喷砂颗粒进行喷射。压缩空气系统通常包括压缩机、气缸、气压调节器等。2.磨料供给系统，磨料是喷砂机的主要工作介质，可以是磨料颗粒、砂子、钢丸等。磨料供给系统通常包括磨料箱、输送管道、喷嘴等。3.喷射系统，喷射系统是喷砂机的核心部分，通过喷嘴将磨料或喷砂颗粒加速喷射到工件表面。喷射系统通常包括喷嘴、喷射枪、喷射室等。4.集尘系统，在喷砂过程中，会产生大量的粉尘和废料，为了保持工作环境的清洁和减少对环境的污染，喷砂机通常配备集尘系统，用于收集和处理产生的废料和粉尘。
喷砂机的工作原理是利用高速气流将磨料或喷砂颗粒加速喷射到工件表面，通过冲击和磨擦作用来清理和改善表面质量。喷射速度、喷砂颗粒的种类和尺寸、喷射角度等因素都会对喷砂效果产生影响。喷砂机广泛应用于金属加工、汽车维修、船舶修理、建筑装饰等领域，可以用于除锈、去污、喷砂清理、表面粗糙化、涂层去除等工艺，具有高效、快速、经济、环保等优点，可以提高工作效率和产品质量。
应可以理解，传统喷砂机使用固定的喷砂压力进行加工，无法适应不同工件表面的工况，导致加工效果不稳定。智能控制可以根据工件表面的不同特征，自适应地调整喷砂压力，以获得更好的加工效果，提高加工效率。
不同工件表面的特征和要求不同，需要不同的喷砂压力进行加工，传统的固定压力加工方式无法满足这种差异化需求，导致加工质量不理想。智能控制可以根据工件表面的特征，自适应地调整喷砂压力，以获得更好的加工质量，提高产品的表面光洁度和一致性。
传统的喷砂机调整喷砂压力通常依赖于技术人员的经验和判断，存在主观性和不确定性。智能控制可以通过图像处理和分析算法，自动分析工件表面的特征，并根据算法结果进行喷砂压力的调整，减少了人为因素的干预，提高了加工的稳定性和可靠性。
智能控制系统可以实时监测喷砂加工过程中的表面状态变化，并根据需要进行实时调整。同时，系统还可以提供实时反馈信息，如加工进度、加工质量等，以便操作人员进行监控和调整，及时发现和解决问题，提高生产效率和产品质量。
也就是，喷砂机的智能控制可以提高加工效率、加工质量，减少人为因素的影响，并实现实时监测和反馈，具有重要的必要性和应用价值。
在本发明的一个实施例中，图1为本发明实施例中提供的一种喷砂机的智能控制方法的流程图。图2为本发明实施例中提供的一种喷砂机的智能控制方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的喷砂机的智能控制方法100，包括：110，通过摄像头采集待加工工件的表面状态图像；120，对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及，130，基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值。
其中，在所述步骤110中，确保摄像头的位置和角度适当，能够清晰地捕捉到待加工工件的表面状态，而且，确保光照条件良好，以避免图像质量受到影响。通过采集表面状态图像，可以实时获取待加工工件的表面信息，为后续的图像分析提供数据基础。还可以避免人工测量和观察的不准确性和主观性，提高加工过程的准确性和稳定性。
在所述步骤120中，使用适当的图像处理算法，如边缘检测、颜色分析等，提取出待加工工件的表面状态特征。针对不同类型的工件，使用不同的图像分析方法，以获得准确的表面状态特征。这样，可以通过图像分析得到待加工工件的表面粗糙度、凹凸度等特征，为确定喷砂压力值提供依据。还可以实时监测工件表面状态的变化，及时调整喷砂压力，提高加工效率和质量。
在所述步骤130中，基于表面状态特征，建立合适的模型或算法，以确定推荐的喷砂压力值。还考虑工件的材料、形状、大小等因素，综合考虑确定喷砂压力值的合理范围。这样，可以根据工件的表面状态特征，自动调整喷砂压力，使其适应不同工件表面的工况，提高加工效果的稳定性和一致性。还可以减少人为因素的影响，提高加工的自动化程度，降低操作人员的技术要求。
在上述步骤中，通过摄像头采集工件表面图像、对图像进行分析以获取表面状态特征，并基于特征确定推荐的喷砂压力值，可以实现喷砂机的智能控制，提高加工效率和质量，减少人为因素的影响，并实现实时监测和反馈。
具体地，在所述步骤110中，通过摄像头采集待加工工件的表面状态图像。针对上述技术问题，本申请的技术构思为通过摄像头采集待加工工件的表面状态图像，并在图像采集后端加入图像处理和分析算法来进行待加工工件的表面状态分析，从而基于被加工工件的表面状态实际情况来自适应地调整喷砂压力值，通过这样的方式，能够避免人工调控带来的误差和低效率问题，从而使得喷砂机的控制更加智能化，提高了喷砂加工的效率和质量。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的待加工工件的表面状态图像。进一步地，待加工工件的表面状态图像可以获得：表面粗糙度，通过图像中的纹理和细节信息，可以判断工件表面的粗糙度。这对于确定喷砂压力值和选择适当的喷砂媒体非常重要；凹凸度，图像中的阴影和凹陷区域可以提供工件表面的凹凸度信息。这可以帮助确定喷砂压力和角度，以便更好地清理凹凸表面；污渍和污垢，图像中的污渍、污垢和斑点可以显示工件表面的清洁程度。这可以指示喷砂压力是否足够强大以清除污渍；表面缺陷，图像中的瑕疵、划痕、裂纹等可以显示工件表面的缺陷情况。这有助于确定喷砂压力和媒体类型，以便有效修复或去除缺陷；材料特性，通过图像中的颜色、反射率和纹理，可以提供关于工件材料的信息，不同材料可能需要不同的喷砂参数；工件形状，通过图像中的轮廓和边缘信息，可以推断工件的形状。这对于确定喷砂角度和喷砂媒体的喷射方向很重要。通过分析这些信息，可以根据工件的表面状态确定推荐的喷砂压力值，以实现更准确和有效的喷砂加工。
其中，喷砂机是一种常用的表面处理设备，通过高速喷射细颗粒磨料（如砂子）到被加工工件的表面，以达到清洁、去除污垢、去除氧化层、改善表面质量等目的。
对于被加工工件，喷砂机可以有效地清洁被加工工件的表面，去除表面的污垢、油脂、涂层等杂质，使工件表面恢复干净。对于金属工件，喷砂机可以去除表面的氧化层，使金属表面恢复光洁，提高工件的质量和美观度。喷砂机可以通过控制喷砂压力和颗粒大小，增加被加工工件表面的粗糙度，以便于后续涂装、喷涂等工艺的施工。在某些情况下，喷砂机还可以用作被加工工件的预处理工艺，为后续的加工、涂装、焊接等工艺提供更好的表面条件。
应可以理解，摄像头采集的图像可以实时反映待加工工件的表面状态，包括粗糙度、凹凸度、污渍等情况，这些信息对于确定喷砂压力值非常重要。通过对图像进行分析，可以提取出待加工工件的表面状态特征，如纹理、颜色、边缘等，这些特征可以作为判断喷砂压力值的依据。通过摄像头采集的图像，可以辅助判断待加工工件的材料和形状，不同的材料和形状可能需要不同的喷砂压力值，因此这些信息对于确定推荐的喷砂压力值非常重要。通过实时监测工件表面状态的变化，可以根据图像分析结果调整喷砂压力。如果工件表面出现凹凸不平或污渍等情况，可以增加喷砂压力以加强清理效果；而对于表面平整的工件，可以降低喷砂压力以避免过度磨损。
通过摄像头采集待加工工件的表面状态图像，可以提供实时的表面状态信息，辅助判断工件材料和形状，并通过图像分析提取特征，从而确定最终的推荐喷砂压力值。这样可以实现喷砂机的智能控制，提高加工效率和质量，减少人为因素的影响。
具体地，在所述步骤120中，对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征。图3为本发明实施例中提供的一种喷砂机的智能控制方法中步骤120的子步骤的流程图，如图3所示，对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征，包括：121，提取所述表面状态图像的方向梯度直方图以得到表面状态方向梯度直方图；122，将所述表面状态方向梯度直方图和所述表面状态图像沿着通道维度进行聚合以得到表面状态多通道图像；以及，123，对所述表面状态多通道图像进行图像特征提取以得到多尺度表面状态特征图作为所述待加工工件的表面状态特征。
其中，提取表面状态图像的方向梯度直方图以得到表面状态方向梯度直方图，方向梯度直方图是一种用来描述图像中梯度变化情况的特征，可以反映出图像中不同方向上的边缘信息。
将表面状态方向梯度直方图和表面状态图像沿着通道维度进行聚合，得到表面状态多通道图像，这样可以将不同通道的信息进行融合，提供更全面的表面状态信息。对表面状态多通道图像进行图像特征提取，图像特征提取是一种将图像中的重要信息提取出来的方法，可以通过计算图像的纹理、颜色、形状等特征来描述图像的特点。
通过以上步骤得到的多尺度表面状态特征图可以作为待加工工件的表面状态特征，这些特征可以提供关于工件材料和形状的信息，并用于确定推荐的喷砂压力值。同时，通过实时采集表面状态图像，可以实现自适应调整喷砂压力，从而提高加工效率和质量，减少人为因素的影响。
对于所述步骤121和所述步骤122，接着，考虑到在实际对于所述待加工工件的表面状态监测时，所述待加工工件的表面状态特征信息在图像的纹理端会有所呈现。而方向梯度直方图是一种用于描述图像局部纹理特征的方法，其能够将图像等划分为小尺寸的细胞空间，计算细胞内各像素点的梯度，并根据梯度分布生成细胞（HOG（Histogram ofOriented Gradient, HOG），然后，在较大尺寸的块空间内统计各细胞HOG分布，生成块空间HOG，描述局部纹理信息。因此，在本申请的技术方案中，进一步提取所述表面状态图像的方向梯度直方图以得到表面状态方向梯度直方图，并将所述表面状态方向梯度直方图和所述表面状态图像沿着通道维度进行聚合以得到表面状态多通道图像。这样，使用所述表面状态方向梯度直方图和原始的RGB图像共同作为输入数据，以便于后续更为有效且准确地提取到所述待加工工件的表面状态信息相关的特征信息。
应可以理解，方向梯度直方图（Histogram of Oriented Gradients，HOG）是一种用于图像特征提取的方法，常用于目标检测和图像识别任务中。HOG特征可以描述图像中的边缘和纹理信息，对于表面状态图像分析也是非常有用的。
HOG特征提取的基本思想是将图像划分为小的局部区域（cell），并计算每个区域内像素的梯度方向和强度。然后，将梯度方向划分为若干个方向区间（bin），并统计每个区域内各个方向区间的梯度强度分布。最终，将这些分布表示为直方图形式，即得到方向梯度直方图。
在本申请的一个实施例中，首先，将所述表面状态图像划分为小的局部区域（cell）。通常情况下，每个cell的大小为16x16像素。然后，对于每个cell内的像素，计算其梯度的方向和强度。其中，可以使用Sobel算子计算水平和垂直方向的梯度，然后通过这两个梯度的幅值和方向计算整体梯度。接着，将梯度方向划分为若干个方向区间（bin）例如，将360度划分为9个方向区间，每个区间覆盖40度。然后，统计每个cell内各个方向区间的梯度强度分布，即得到一个9维的直方图。最后，对于整个图像，将所有cell的直方图进行拼接，得到整个图像的方向梯度直方图。
方向梯度直方图可以有效地描述图像中的边缘和纹理信息，用于表示表面状态图像的特征。在智能控制中，通过提取表面状态图像的方向梯度直方图，可以获取关于工件表面状态的重要信息，进而进行喷砂压力的智能调控。
对于所述步骤123，包括：将所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型以得到所述多尺度表面状态特征图。
其中，将所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型以得到所述多尺度表面状态特征图，包括：将所述表面状态多通道图像通过所述MBCNet模型的主干网络以得到表面状态全局特征图；将所述表面状态多通道图像通过所述MBCNet模型的边界特征提取分支以得到表面状态的边界特征图；以及，将所述表面状态全局特征图和所述表面状态的边界特征图进行级联以得到所述多尺度表面状态特征图。
进一步地，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述表面状态多通道图像的特征挖掘，特别地，考虑到MBCNet是一种用于图像分割的深度卷积神经网络，主要解决多次卷积和上采样造成边界信息丢失的问题。该网络采用了多尺度融合的边界特征提取分支，能够提高图像分割的精度。因此，在本申请的技术方案中，进一步将所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型以得到多尺度表面状态特征图。值得一提的是，这里，所述MBCNet包含两个分支，一个是主干网络，另一个是边界特征提取分支。所述主干网络用于提取所述表面状态多通道图像中有关于所述待加工工件的表面状态全局特征，而边界特征提取分支则用于提取所述待加工工件的表面状态的边界特征信息，以此来更为精准地进行该待加工工件的表面状态检测评估，从而进行喷砂压力值的自适应控制。
通过使用包含主干网络和边界特征提取分支的MBCNet模型，可以有效地得到多尺度的表面状态特征图，MBCNet模型结合了主干网络和边界特征提取分支的优势，能够同时提取全局和局部的表面状态特征。
其中，主干网络负责提取全局的表面状态特征，通过卷积和池化等操作，可以捕捉到图像中的整体纹理和边缘信息。边界特征提取分支则专注于提取局部的边界特征，通过卷积和注意力机制等操作，可以捕捉到图像中的局部细节和边界信息。通过将主干网络和边界特征提取分支的输出进行融合，MBCNet模型可以得到多尺度的表面状态特征图，多尺度的表面状态特征图可以提供更全面和详细的表面状态信息，有助于准确地描述工件的材料和形状特征。
使用MBCNet模型可以提高喷砂机的智能控制方法，使其能够更好地适应不同工件的表面状态，并根据实时采集的图像进行自适应调整喷砂压力，提高加工效率和质量。同时，MBCNet模型还可以减少人为因素的影响，提高工作的稳定性和一致性。
具体地，在所述步骤130中，基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值，包括：对所述多尺度表面状态特征图进行特征分布优化以得到优化多尺度表面状态特征图；以及，将所述多尺度表面状态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的喷砂压力值。
应可以理解，通过对多尺度表面状态特征图进行特征分布优化，可以得到优化后的多尺度表面状态特征图。这个优化过程可以通过一些优化算法，如基于梯度下降的方法，来调整特征图中的像素值，使其更好地反映工件的表面状态信息。
优化后的多尺度表面状态特征图可以提供更准确和可靠的表面状态信息，用于确定推荐的喷砂压力值。为了得到推荐的喷砂压力值，可以将优化后的多尺度表面状态特征图通过解码器进行解码回归，得到解码值。解码值是通过解码器将多尺度表面状态特征图映射回原始的喷砂压力值范围得到的，解码器可以是一个神经网络模型，接收多尺度表面状态特征图作为输入，经过一系列的反卷积和激活函数等操作，输出解码值。
这样，通过特征分布优化和解码回归，可以根据待加工工件的表面状态特征确定推荐的喷砂压力值。这种方法可以提高喷砂机的智能控制能力，使其能够根据实时采集的表面状态特征进行自适应调整，从而实现更高效和精确的喷砂加工。
特别地，在本申请的技术方案中，所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型时，所述多尺度表面状态特征图会包含所述表面状态多通道图像的主干图像语义特征和边缘图像语义特征，且所述主干图像语义特征和所述边缘图像语义特征会沿所述MBCNet模型的通道维度进行分布，从而体现在所述多尺度表面状态特征图的不同特征矩阵内，由此导致所述多尺度表面状态特征图的特征矩阵间的特征表达差异。这样，所述多尺度表面状态特征图的特征矩阵间存在的高维特征空间内的特征流形表达的流形几何差异就会造成所述多尺度表面状态特征图的流形几何连续性差，影响其通过解码器得到的解码值的准确性。
因此，本申请的申请人针对所述多尺度表面状态特征图的沿通道维度的每个特征矩阵，例如记为，进行特征图的通道维度遍历流形式凸优化，表示为：以如下优化公式对所述多尺度表面状态特征图的沿通道维度的各个特征矩阵进行特征图的通道维度遍历流形式凸优化以得到所述优化多尺度表面状态特征图；其中，所述优化公式为：其中，/>是所述多尺度表面状态特征图的沿通道维度的各个特征矩阵，/>和/>分别为基于所述多尺度表面状态特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，/>表示向量乘法，/>表示按位置点乘，且/>为所述优化多尺度表面状态特征图的沿通道维度的各个特征矩阵。
这里，所述多尺度表面状态特征图的通道维度遍历流形式凸优化通过结构化调制的特征矩阵的最大分布稠密性方向来确定所述多尺度表面状态特征图的各个特征矩阵的流形的基维度，并沿所述多尺度表面状态特征图的通道方向对特征矩阵流形进行遍历，以通过沿通道方向堆叠遍历流形的基维度来约束每个特征矩阵所表示的遍历流形的凸优化连续性，从而实现由优化后的特征矩阵/>的遍历流形组成的所述多尺度表面状态特征图的高维特征流形的几何连续性，以提升其通过解码器进行解码回归得到的解码值的准确性。这样，能够基于被加工工件的表面状态实际情况来自适应地调整喷砂压力值，以使得喷砂机的控制更加智能化，提高了喷砂加工的效率和质量。
进而，将所述多尺度表面状态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的喷砂压力值。也就是说，以所述待加工工件的表面状态多尺度特征信息来进行解码，以此利用所述待加工工件的表面状态特征的实际情况来自适应控制喷砂压力值，从而使得喷砂机的控制更加智能化，提高了喷砂加工的效率和质量。
在本申请的一个实施例中，将所述多尺度表面状态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的喷砂压力值，包括：使用所述解码器以如下解码公式对所述多尺度表面状态特征图进行解码回归以得到所述解码值；其中，所述解码公式为：，其中，/>表示所述多尺度表面状态特征图，/>表示解码值，/>表示权重矩阵，/>表示偏置向量，/>表示矩阵乘。
其中，解码器是一种神经网络模型，通常用于将编码后的特征图或向量重新映射回原始数据的表示形式。在喷砂机智能控制中，解码器的作用是将多尺度表面状态特征图解码回推荐的喷砂压力值。解码器通常由一系列的反卷积层、激活函数和归一化层组成。反卷积层用于将特征图的尺寸扩大，以恢复原始的空间分辨率。激活函数可以增加非线性表达能力，使解码器能够更好地拟合数据。归一化层用于规范化解码器的输出，确保输出值在合理的范围内。
解码器的结构和参数需要根据具体的应用场景和数据特点进行设计和训练。通常，解码器的设计需要考虑特征图的尺寸、通道数和解码目标的要求。通过解码器，可以将多尺度表面状态特征图重新映射回推荐的喷砂压力值，从而实现智能控制和优化喷砂过程。解码器的使用可以提高喷砂机的精度和效率，减少人为因素的干预，并提供更好的加工结果。
通过使用解码器进行解码回归，可以将多尺度表面状态特征图转化为实际的喷砂压力值，从而为喷砂机的智能控制提供了准确的推荐值。这种方法能够充分利用表面状态特征图中的信息，提高喷砂加工的精度和效率，同时减少了对人工经验的依赖，实现了智能化的喷砂控制。
综上，基于本发明实施例的喷砂机的智能控制方法100被阐明，其通过摄像头采集待加工工件的表面状态图像，并在图像采集后端加入图像处理和分析算法来进行待加工工件的表面状态分析，从而基于被加工工件的表面状态实际情况来自适应地调整喷砂压力值，通过这样的方式，能够避免人工调控带来的误差和低效率问题，从而使得喷砂机的控制更加智能化，提高了喷砂加工的效率和质量。
图4为本发明实施例中提供的一种喷砂机的智能控制系统的框图。如图4所示，所述喷砂机的智能控制系统，包括：图像采集模块210，用于通过摄像头采集待加工工件的表面状态图像；图像分析模块220，用于对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及，喷砂压力值确定模块230，用于基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值。
具体地，在所述喷砂机的智能控制系统中，所述图像分析模块，包括：梯度直方图提取单元，用于提取所述表面状态图像的方向梯度直方图以得到表面状态方向梯度直方图；聚合单元，用于将所述表面状态方向梯度直方图和所述表面状态图像沿着通道维度进行聚合以得到表面状态多通道图像；以及，图像特征提取单元，用于对所述表面状态多通道图像进行图像特征提取以得到多尺度表面状态特征图作为所述待加工工件的表面状态特征。
具体地，在所述喷砂机的智能控制系统中，所述图像特征提取单元，用于：将所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型以得到所述多尺度表面状态特征图。
本领域技术人员可以理解，上述喷砂机的智能控制系统中的各个步骤的具体操作已经在上面参考图1到图3的喷砂机的智能控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
进一步地，所述喷砂机的智能控制系统具有以下有益效果和功能：1.提高加工效率，智能控制系统能够实时监测和分析待加工工件的表面状态，通过优化喷砂参数，可以提高加工速度和效率。2.提高加工质量，通过对表面状态特征的准确提取和分析，智能控制系统可以确定最佳的喷砂压力值，从而确保加工质量的稳定性和一致性。3.自适应调节，智能控制系统可以根据不同工件的表面状态自适应地调节喷砂参数，从而适应不同的加工需求和材料特性。4.减少人为干预，智能控制系统能够自动地进行表面状态分析和参数优化，减少了人为操作的干预，提高了工作效率。5.数据记录和分析，智能控制系统可以记录和分析每个工件的加工数据，包括表面状态特征和喷砂参数，为后续的工艺改进和质量控制提供依据。
喷砂机的智能控制系统通过实时监测和分析工件表面状态，优化喷砂参数，提高加工效率和质量，减少人为干预，实现自适应调节，并提供数据记录和分析功能，从而提升了喷砂机的整体性能和工作效果。
如上所述，根据本发明实施例的喷砂机的智能控制系统100可以实现在各种终端设备中，例如用于喷砂机的智能控制的服务器等。在一个示例中，根据本发明实施例的喷砂机的智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该喷砂机的智能控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该喷砂机的智能控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该喷砂机的智能控制系统100与该终端设备也可以是分立的设备，并且该喷砂机的智能控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种喷砂机的智能控制方法的应用场景图。如图5所示，在该应用场景中，首先，通过摄像头采集待加工工件（例如，如图5中所示意的M）的表面状态图像（例如，如图5中所示意的C）；然后，将获取的表面状态图像输入至部署有喷砂机的智能控制算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于喷砂机的智能控制算法对所述表面状态图像进行处理，以确定推荐的喷砂压力值。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种喷砂机的智能控制方法，其特征在于，包括：
通过摄像头采集待加工工件的表面状态图像；
对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及
基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值；
其中，对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征，包括：
提取所述表面状态图像的方向梯度直方图以得到表面状态方向梯度直方图；
将所述表面状态方向梯度直方图和所述表面状态图像沿着通道维度进行聚合以得到表面状态多通道图像；以及
对所述表面状态多通道图像进行图像特征提取以得到多尺度表面状态特征图作为所述待加工工件的表面状态特征；
其中，对所述表面状态多通道图像进行图像特征提取以得到多尺度表面状态特征图作为所述待加工工件的表面状态特征，包括：将所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型以得到所述多尺度表面状态特征图；
其中，基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值，包括：
对所述多尺度表面状态特征图进行特征分布优化以得到优化多尺度表面状态特征图；以及
将所述多尺度表面状态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的喷砂压力值；
其中，对所述多尺度表面状态特征图进行特征分布优化以得到优化多尺度表面状态特征图，包括：
以如下优化公式对所述多尺度表面状态特征图的沿通道维度的各个特征矩阵进行特征图的通道维度遍历流形式凸优化以得到所述优化多尺度表面状态特征图；
其中，所述优化公式为：
，
其中，是所述多尺度表面状态特征图的沿通道维度的各个特征矩阵，和/>分别为基于所述多尺度表面状态特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，/>表示向量乘法，/>表示按位置点乘，且/>为所述优化多尺度表面状态特征图的沿通道维度的各个特征矩阵。
2.根据权利要求1所述的喷砂机的智能控制方法，其特征在于，将所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型以得到所述多尺度表面状态特征图，包括：
将所述表面状态多通道图像通过所述MBCNet模型的主干网络以得到表面状态全局特征图；
将所述表面状态多通道图像通过所述MBCNet模型的边界特征提取分支以得到表面状态的边界特征图；以及
将所述表面状态全局特征图和所述表面状态的边界特征图进行级联以得到所述多尺度表面状态特征图。
3.根据权利要求2所述的喷砂机的智能控制方法，其特征在于，将所述多尺度表面状态特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的喷砂压力值，包括：使用所述解码器以如下解码公式对所述多尺度表面状态特征图进行解码回归以得到所述解码值；
其中，所述解码公式为：，其中，/>表示所述多尺度表面状态特征图，/>表示解码值，/>表示权重矩阵，/>表示偏置向量，/>表示矩阵乘。
4.一种喷砂机的智能控制系统，使用权利要求1所述的喷砂机的智能控制方法，其特征在于，包括：
图像采集模块，用于通过摄像头采集待加工工件的表面状态图像；
图像分析模块，用于对所述待加工工件的表面状态图像进行图像分析以得到待加工工件的表面状态特征；以及
喷砂压力值确定模块，用于基于所述待加工工件的表面状态特征，确定推荐的喷砂压力值。
5.根据权利要求4所述的喷砂机的智能控制系统，其特征在于，所述图像分析模块，包括：
梯度直方图提取单元，用于提取所述表面状态图像的方向梯度直方图以得到表面状态方向梯度直方图；
聚合单元，用于将所述表面状态方向梯度直方图和所述表面状态图像沿着通道维度进行聚合以得到表面状态多通道图像；以及
图像特征提取单元，用于对所述表面状态多通道图像进行图像特征提取以得到多尺度表面状态特征图作为所述待加工工件的表面状态特征。
6.根据权利要求5所述的喷砂机的智能控制系统，其特征在于，所述图像特征提取单元，用于：将所述表面状态多通道图像通过包含主干网络和边界特征提取分支的MBCNet模型以得到所述多尺度表面状态特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310902067.3A CN116922270B (zh) | 2023-07-21 | 2023-07-21 | 喷砂机的智能控制系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310902067.3A CN116922270B (zh) | 2023-07-21 | 2023-07-21 | 喷砂机的智能控制系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116922270A CN116922270A (zh) | 2023-10-24 |
| CN116922270B true CN116922270B (zh) | 2024-03-29 |
Family
ID=88376875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310902067.3A Active CN116922270B (zh) | 2023-07-21 | 2023-07-21 | 喷砂机的智能控制系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116922270B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117418185B (zh) * | 2023-12-18 | 2024-03-12 | 江苏凯威特斯半导体科技有限公司 | 一种等离子喷涂方法和系统 |
| CN117549219B (zh) * | 2024-01-12 | 2024-05-10 | 东方电气集团东方汽轮机有限公司 | 一种叶片喷砂质量预测方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106363539A (zh) * | 2016-08-31 | 2017-02-01 | 重庆广播电视大学 | 一种基于图像识别的自动化喷砂处理系统及方法 |
| CN106780546A (zh) * | 2016-12-06 | 2017-05-31 | 南京航空航天大学 | 基于卷积神经网络的运动模糊编码点的身份识别方法 |
| CN112215116A (zh) * | 2020-09-30 | 2021-01-12 | 江苏大学 | 一种移动式面向2d图像的3d河蟹实时检测方法 |
| CN115908311A (zh) * | 2022-11-16 | 2023-04-04 | 湖北华鑫光电有限公司 | 基于机器视觉的镜片成型检测设备及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11386522B2 (en) * | 2019-08-07 | 2022-07-12 | Reification Inc. | Calibration of individual and arrayed cameras using images and video |
-
2023
- 2023-07-21 CN CN202310902067.3A patent/CN116922270B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106363539A (zh) * | 2016-08-31 | 2017-02-01 | 重庆广播电视大学 | 一种基于图像识别的自动化喷砂处理系统及方法 |
| CN106780546A (zh) * | 2016-12-06 | 2017-05-31 | 南京航空航天大学 | 基于卷积神经网络的运动模糊编码点的身份识别方法 |
| CN112215116A (zh) * | 2020-09-30 | 2021-01-12 | 江苏大学 | 一种移动式面向2d图像的3d河蟹实时检测方法 |
| CN115908311A (zh) * | 2022-11-16 | 2023-04-04 | 湖北华鑫光电有限公司 | 基于机器视觉的镜片成型检测设备及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116922270A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116922270B (zh) | 喷砂机的智能控制系统及其方法 | |
| CN104156726B (zh) | 一种基于几何形状特征的工件识别方法及装置 | |
| CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
| CN110153567A (zh) | 一种基于图像识别的激光切割系统 | |
| CN107063946A (zh) | 视频生球粒径仪及其生球粒径状态检测方法 | |
| CN111127402A (zh) | 一种机器人焊接质量的视觉检测方法 | |
| CN113012149B (zh) | 一种智能清洗机器人路径规划方法及系统 | |
| You et al. | Machine vision based adaptive online condition monitoring for milling cutter under spindle rotation | |
| CN109871639A (zh) | 一种基于视觉感知技术的清扫车作业功率计算装置及方法 | |
| CN114092403A (zh) | 基于机器视觉的砂轮磨损检测方法及系统 | |
| CN115661076A (zh) | 一种铸件待打磨区域智能视觉评估及标定方法 | |
| CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
| CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
| CN107153067A (zh) | 一种基于matlab的零件表面缺陷检测方法 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN117078680B (zh) | 一种巡检机器人用管廊支吊架异常检测方法 | |
| CN111046509A (zh) | 单道激光熔覆层形貌预测方法 | |
| Zhu et al. | Multi-classification recognition and quantitative characterization of surface defects in belt grinding based on YOLOv7 | |
| CN116051460A (zh) | 基于机器视觉的钎焊金刚石磨头磨损在线检测方法 | |
| CN115435698A (zh) | 一种转底炉的高温出料螺旋叶片厚度磨损检测系统及方法 | |
| CN112530267B (zh) | 一种基于计算机视觉的机械臂智能示教方法及应用 | |
| Yang et al. | Automatic extraction and identification of narrow butt joint based on ANFIS before GMAW | |
| CN110728286A (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
| CN109636785A (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
| Sim et al. | PREDICTION OF TOOL WEAR USING MACHINE VISION APPROACH. |
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 |