CN116944818A - 新能源汽车转轴的智能加工方法及其系统 - Google Patents
新能源汽车转轴的智能加工方法及其系统 Download PDFInfo
- Publication number
- CN116944818A CN116944818A CN202310742753.9A CN202310742753A CN116944818A CN 116944818 A CN116944818 A CN 116944818A CN 202310742753 A CN202310742753 A CN 202310742753A CN 116944818 A CN116944818 A CN 116944818A
- Authority
- CN
- China
- Prior art keywords
- rotating shaft
- feature map
- new energy
- shallow
- performance
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000004381 surface treatment Methods 0.000 claims abstract description 37
- 238000007514 turning Methods 0.000 claims abstract description 27
- 238000005121 nitriding Methods 0.000 claims abstract description 20
- 238000005255 carburizing Methods 0.000 claims abstract description 14
- 238000005242 forging Methods 0.000 claims abstract description 14
- 238000000137 annealing Methods 0.000 claims abstract description 13
- 238000005098 hot rolling Methods 0.000 claims abstract description 12
- 239000002994 raw material Substances 0.000 claims abstract description 12
- 238000004806 packaging method and process Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 26
- 150000002500 ions Chemical class 0.000 description 23
- 239000000463 material Substances 0.000 description 17
- 238000012706 support-vector machine Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 239000007769 metal material Substances 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 230000007797 corrosion Effects 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000003754 machining Methods 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 150000004767 nitrides Chemical class 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002335 surface treatment layer Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- -1 nitrogen ions Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
- B23P15/00—Making specific metal objects by operations not covered by a single other subclass or a group in this subclass
- B23P15/14—Making specific metal objects by operations not covered by a single other subclass or a group in this subclass gear parts, e.g. gear wheels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q41/00—Combinations or associations of metal-working machines not directed to a particular result according to classes B21, B23, or B24
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及新能源汽车技术领域,其具体地公开了一种新能源汽车转轴的智能加工方法及其系统,其包括,将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯;将所述毛坯放入数控车床进行精密车削以得到车削后转轴;采用离子渗氮或者离子渗碳的方式对所述车削后转轴进行表面处理以得到表面处理后的转轴;对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求;以及,将性能符合要求的所述表面处理后的转轴进行包装和存储。其对所述表面处理后的转轴进行基于机器视觉的性能检测以代替人工检测工作,以尽可能避免人工操作的误差和不稳定性,降低成本和人力资源的消耗。
Description
技术领域
本申请涉及新能源汽车技术领域,且更为具体地,涉及一种新能源汽车转轴的智能加工方法及其系统。
背景技术
新能源汽车转轴是电机驱动系统的重要组成部分,其性能直接影响汽车的动力输出和行驶安全。
传统的转轴加工方法缺乏有效的在线检测和质量控制手段,难以保证转轴的一致性和可靠性。因此,期待一种优化的方案。
发明内容
本申请提供一种新能源汽车转轴的智能加工方法及其系统,其对所述表面处理后的转轴进行基于机器视觉的性能检测以代替人工检测工作,以尽可能避免人工操作的误差和不稳定性,降低成本和人力资源的消耗。
第一方面,提供了一种新能源汽车转轴的智能加工方法,所述新能源汽车转轴的智能加工方法包括:将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯;将所述毛坯放入数控车床进行精密车削以得到车削后转轴;采用离子渗氮或者离子渗碳的方式对所述车削后转轴进行表面处理以得到表面处理后的转轴;对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求;以及,将性能符合要求的所述表面处理后的转轴进行包装和存储。
第二方面,提供了一种新能源汽车转轴的智能加工系统,所述新能源汽车转轴的智能加工系统,包括:原材料加工模块,用于将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯;毛坯加工模块,用于将所述毛坯放入数控车床进行精密车削以得到车削后转轴;转轴表面处理模块,用于采用离子渗氮或者离子渗碳的方式对所述车削后转轴进行表面处理以得到表面处理后的转轴;性能检测模块,用于对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求;以及,包装存储模块,用于将性能符合要求的所述表面处理后的转轴进行包装和存储。
本申请提供的一种新能源汽车转轴的智能加工方法及其系统,其对所述表面处理后的转轴进行基于机器视觉的性能检测以代替人工检测工作,以尽可能避免人工操作的误差和不稳定性,降低成本和人力资源的消耗。
附图说明
图1为本申请实施例的新能源汽车转轴的智能加工方法的示意性流程图。
图2为本申请实施例的对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求的示意性流程图。
图3为本申请实施例的对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求的模型架构的示意图。
图4为本申请实施例的从所述转轴表面状态图像中提取转轴表面多尺度融合增强特征图的示意性流程图。
图5为本申请实施例的从所述转轴表面浅层特征图中提取转轴表面深层特征图的示意性流程图。
图6为本申请实施例的对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求的另一种实施方式示意性流程图。
图7为本申请实施例的新能源汽车转轴的智能加工系统的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
以上在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图1为本申请实施例的新能源汽车转轴的智能加工方法的示意性流程图。如图1所示,本申请提供了一种新能源汽车转轴的加工方法,其具体步骤,包括:S1、将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯。应可以理解,为了提高材料的密度和强度,同时使得材料的晶粒细化,从而提高材料的韧性和耐磨性,将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯。这里,应当知晓,锻造是一种通过压制和变形来改变金属形状和尺寸的加工方法。锻造可以使金属材料的晶粒细化和内部结构均匀化,从而提高材料的密度和强度。锻造通常需要使用专门的锻造设备和工具来完成。热轧是一种通过加热和压制来改变金属形状和尺寸的加工方法。热轧可以使金属材料的晶粒细化和内部结构均匀化,从而提高材料的密度和强度。热轧通常需要使用专门的轧机设备和工具来完成。退火是一种通过加热和冷却来改变金属材料的结构和性能的加工方法。退火可以使金属材料的晶粒细化和内部结构均匀化,从而提高材料的韧性和耐磨性。退火通常需要使用专门的退火炉设备和工具来完成。这些工序可以使得原材料达到一定的物理性能指标,为后续的加工工序提供更好的材料基础,确保最终产品的质量和性能。此外,通过这些工序,还可以使得毛坯的尺寸和形状更加精确和稳定,为后续的加工工序提供更好的加工基础,从而提高加工效率和降低加工成本。
可选地,在本申请的一个实施例中,步骤S1,包括:将金属坯料放在锻压机中,通过锤击或压制等方式,使金属坯料发生塑性变形,从而改变其形状和尺寸。锻造可以提高金属材料的密度和强度,同时还可以改善其机械性能和加工性能。将锻造后的金属坯料加热至一定温度,然后通过辊轧机将其压制成具有一定厚度和宽度的金属板材。热轧可以提高金属材料的密度和强度,同时还可以改善其表面质量和加工性能。将热轧后的金属板材加热至一定温度,然后在一定时间内保温,最后缓慢冷却。退火可以使金属材料的晶粒细化、硬度降低、韧性提高,从而改善其加工性能和机械性能。
S2、将所述毛坯放入数控车床进行精密车削以得到车削后转轴。应可以理解,为了将毛坯加工成为具有特定尺寸和形状的转轴,将毛坯放入数控车床进行精密车削。数控车床可以根据预先设定的程序,自动控制车刀的运动轨迹和深度,从而实现高精度的车削加工。这样可以确保转轴的尺寸和形状达到设计要求,同时也能够提高加工效率和准确性。
可选地,在本申请的一个实施例中,步骤S2,包括:将毛坯放置在数控车床的夹具上,并进行夹紧。设定数控车床的加工程序,包括车削的深度、速度、加工路径等参数。启动数控车床,开始自动化加工。数控车床根据预设程序进行车削,将毛坯逐渐加工成所需的形状和尺寸。完成车削后,进行测量和检查,确保加工精度和表面质量符合要求。这里,在进行毛坯精密车削加工时,需要根据具体情况选择适当的切削工具和加工参数,以确保加工质量和效率。
S3、采用离子渗氮或者离子渗碳的方式对所述车削后转轴进行表面处理以得到表面处理后的转轴。对于本领域技术人员应当知晓,离子渗氮或者离子渗碳是利用离子束在高真空环境下对材料表面进行处理的一种方法。离子渗氮可以在材料表面形成一层硬度较高、耐磨性好、耐腐蚀性强的氮化层,从而提高材料的表面性能。具体来说,离子渗氮是将待处理材料放置在真空室中,并通过电子枪等装置向气体放电,将气体离子化并加速,然后将离子束引导到待处理材料表面,使氮离子在材料表面沉积并扩散,与材料表面原子发生反应,形成一层氮化层。这种氮化层具有较高的硬度、较好的耐磨性和耐腐蚀性,可以有效提高材料的表面性能,延长其使用寿命。离子渗氮技术广泛应用于航空航天、汽车、机械等领域,可用于表面硬化、改善耐磨性、提高耐腐蚀性等方面的处理。
因此,本申请采用离子渗氮或者离子渗碳的方式对车削后的转轴进行表面处理可以提高其硬度和耐磨性,同时还可以增强其抗腐蚀性能和抗氧化性能。这是因为离子渗氮或者离子渗碳可以在转轴表面形成一层硬度更高、耐磨性更好的氮化物或碳化物层,从而提高转轴的整体性能。此外,离子渗氮或离子渗碳的表面处理方式还可以提高转轴的表面质量,使其更加光滑平整,从而减少摩擦损失和噪音,延长转轴的使用寿命。
可选地,在本申请的一个实施例中,步骤S3,包括:先将车削后的转轴进行清洗,去除表面的油污和杂质。然后,将清洗干净的转轴放入离子渗氮或者离子渗碳设备中,通过高温高压下的离子注入,使氮或碳原子渗透到转轴表面,形成氮化层或碳化层。接着,在渗氮或渗碳完成后,将转轴进行淬火处理,使其表面形成的氮化物或碳化物层得到固化和稳定。最后,对淬火后的转轴进行磨削处理,使其表面更加光滑平整,提高表面质量。
S4、对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求。应理解,离子渗氮或者离子渗碳的方式是一种常用的表面处理方法,可以有效提高转轴表面的硬度、耐磨性和耐腐蚀性等性能。然而,表面处理后的转轴的性能受到多种因素的影响,如处理参数、材料质量、处理工艺等,因此需要对表面处理后的转轴进行性能检测,以判断其性能是否符合预定要求。在传统的转轴加工过程中,针对于转轴的性能检测工作通常是人工进行。
特别地,在本申请的技术方案中,考虑基于人工进行的性能检测,对技术人员的要求较高,需要其具有专业的技能和丰富的经验。但无法避免的是检测结果容易受到人为因素的影响,例如视觉疲劳等等。此外,传统的检测方法一般需要消耗大量的时间和人力,而且不够精确和稳定。对此,本申请的技术构思为:对所述表面处理后的转轴进行基于机器视觉的性能检测以代替人工检测工作,以尽可能避免人工操作的误差和不稳定性,降低成本和人力资源的消耗。
图2为本申请实施例的对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求的示意性流程图。图3为本申请实施例的对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求的模型架构的示意图。如图2和图3所示,步骤S4,包括:S11,获取由摄像头采集的表面处理后的转轴的转轴表面状态图像。应理解,通过摄像头采集的图像可以提供丰富的信息,包括转轴的尺寸、形状、表面质量等。通过机器学习对这些信息的分析来判断转轴的性能是否符合要求。例如,对于表面处理后的转轴,机器可以检测其表面的光洁度、硬度、厚度等参数,以判断其是否符合要求。当然,对于本领域技术人员应当知晓,摄像头的布置需要根据具体的生产场景和检测要求来确定。一般来说,摄像头应该放置在能够全面覆盖被检测物体的位置上,以确保能够获取到足够的图像信息。
可选地,在本申请的一个实施例中,摄像头可以放置在转轴的上方或侧面,以获取转轴表面的状态图像。具体位置的选择需要考虑到转轴的尺寸、形状、表面特性等因素。如果转轴比较长,可以考虑采用多个摄像头进行拍摄,以确保能够全面地获取转轴的表面信息。此外,在摄像头的布置过程中,还需要考虑到光照条件和环境因素的影响。为了确保图像的清晰度和准确性,可以采用适当的光源和滤镜,以及对光照条件和环境因素进行控制。
S12,从所述转轴表面状态图像中提取转轴表面多尺度融合增强特征图。应可以理解,为了更好地进行性能检测和判断,从所述转轴表面状态图像中提取转轴表面多尺度融合增强特征图。多尺度融合增强特征图是指将不同尺度的特征图进行融合和增强,以提高特征图的准确性和稳定性。在转轴表面状态图像中,不同尺度的特征可以提供不同的信息,例如细节、形状、纹理等。通过将这些信息进行融合和增强,可以得到更加全面和准确的特征图,从而更好地进行性能检测和判断。
图4为本申请实施例的从所述转轴表面状态图像中提取转轴表面多尺度融合增强特征图的示意性流程图。如图4所示,可选地,在本申请的一个实施例中,步骤S12,包括:S110,从所述转轴表面状态图像中提取转轴表面浅层特征图。应理解,利用卷积神经网络模型来构建浅层特征提取器,以提取所述转轴表面状态图像中的浅层特征,例如边缘、纹理等。具体而言,浅层特征是传统卷积神经网络中的一种中间特征表示,它们通过较少的卷积层而得到。浅层特征包含了原始输入图像中的基本特征,例如边缘、纹理、颜色等,但在传统卷积神经网络中容易随着层数的加深而被消磨殆尽,因此,在本申请的技术方案中,期待抽取这些浅层特征信息来提升后续分类处理的准确性。应可以理解,对于转轴表面状态图像,提取其浅层特征可以获得转轴表面的一些重要特征,例如表面缺陷、划痕等信息,这些信息对于性能检测而言是非常关键的。
可选地,在本申请的一个实施例中,步骤S110,包括:将所述转轴表面状态图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述转轴表面浅层特征图。
S120,从所述转轴表面浅层特征图中提取转轴表面深层特征图。图5为本申请实施例的从所述转轴表面浅层特征图中提取转轴表面深层特征图的示意性流程图。如图5所示,可选地,在本申请的一个实施例中,步骤S120,包括:S210,对所述转轴表面浅层特征图进行空间金字塔池化以得到转轴表面浅层池化特征图。以及,S220,将所述转轴表面浅层池化特征图通过基于第二卷积神经网络模型的深层特征提取器以得到所述转轴表面深层特征图。应可以理解,空间金字塔池化可以采取不同尺度的池化操作对特征图进行下采样,使得模型具有更广泛的感受野,从而提高模型对于尺度不同的目标检测能力。在本申请的实施例中,所述空间金字塔池化采用四种不同尺度的最大池化操作,尺度分别为 13x13、9x9、5x5、1x1,从而可以保留不同尺度下的特征信息。这样,有利于检测转轴表面的一些小缺陷或瑕疵。同时,考虑到虽然浅层特征在转轴的性能检测中具有举足轻重的地位,但却缺乏更高维、更隐含的本质信息。因此,在本申请的技术方案中,进一步地将所述转轴表面浅层池化特征图通过基于第二卷积神经网络模型的深层特征提取器以得到转轴表面深层特征图。也就是,利用卷积神经网络模型构建更深层次的特征提取器来对所述转轴表面浅层池化特征图提取更高层次的、更抽象的特征,使数据具有更为丰富的特征信息。这里,具有更高层次抽象特征的所述转轴表面深层特征图更能表达转轴的本质语义特征,例如转轴磨损程度和转轴表面状态信息等。
S130,融合所述转轴表面浅层特征图和所述转轴表面深层特征图以得到转轴表面多尺度融合特征图。应可以理解,融合所述转轴表面浅层特征图和所述转轴表面深层特征图以综合利用不同层次的信息,从而得到转轴表面多尺度融合特征图。这样,所述转轴表面多尺度融合特征图会具有更为出色的特征表征能力。同时,多尺度的特征表示可以提高模型的性能和鲁棒性。
在本申请的技术方案中,考虑到基于第一卷积神经网络模型的浅层特征提取器从所述转轴表面状态图像提取到图像源语义的浅层空间局部关联特征,而在所述转轴表面浅层特征图通过空间金字塔池化模块和基于第二卷积神经网络模型的深层特征提取器之后,进一步在所述转轴表面浅层特征图的图像源语义的浅层空间局部关联特征的基础上进一步获得空间多尺度特征表示的高阶深层空间局部关联特征。因此,在融合所述转轴表面浅层特征图和所述转轴表面深层特征图得到所述转轴表面多尺度融合特征图时,需要考虑到所述转轴表面浅层特征图和所述转轴表面深层特征图各自的空间图像语义关联特征表示来进行融合。基于此,本申请的申请人对所述转轴表面浅层特征图和所述转轴表面深层特征图进行全局上下文空间关联富化融合。
可选地,在本申请的一个实施例中,步骤S130,包括:以如下融合公式对所述转轴表面浅层特征图和所述转轴表面深层特征图进行全局上下文空间关联富化融合以得到所述转轴表面多尺度融合特征图;
其中,所述融合公式为:其中,/>和/>分别是所述转轴表面浅层特征图和所述转轴表面深层特征图的第/>个特征矩阵,/>表示矩阵的转置,/>表示矩阵的按位置加法,/>表示矩阵乘法,且/>是所述转轴表面多尺度融合特征图的第/>个特征矩阵。
这里,为了聚集在所述转轴表面浅层特征图和所述转轴表面深层特征图之间关联分布的本地空间语义之间的上下文空间关联语义,所述全局上下文空间关联富化融合通过聚焦于特征图的特征矩阵所表示的空间帧级别(spatial frame-level)的显式上下文相关性,来富化(enriching)全局感知野下的特征矩阵的帧级别的空间语义融合式表达,从而实现所述转轴表面浅层特征图和所述转轴表面深层特征图的跨通道的空间共享上下文语义的同化(assimilation)融合,以提升所述转轴表面多尺度融合特征图对所述转轴表面浅层特征图和所述转轴表面深层特征图的融合效果。
S140,增强所述转轴表面多尺度融合特征图以得到所述转轴表面多尺度融合增强特征图。应可以理解在转轴的性能检测任务中,各个区域中的空间信息的重要程度可能不同,在本申请的技术方案中,将所述转轴表面多尺度融合特征图通过空间注意力模块以得到转轴表面多尺度融合增强特征图。在深度学习领域中,注意力机制可以帮助模型集中学习重要的特征,从而提高模型对于关键特征的识别能力。具体而言,空间注意力模块可以通过学习注意力权重来增强不同空间位置上的特征。也就是,空间注意力模块通过学习注意力权重来给不同区域的特征分配不同的权重,强化一些关键区域的特征,并抑制一些不重要的特征,从而帮助模型更好地关注这些关键区域,提高模型的性能和鲁棒性。
可选地,在本申请的一个实施例中,步骤S140,包括:将所述转轴表面多尺度融合特征图通过空间注意力模块以得到所述转轴表面多尺度融合增强特征图。
可选地,在本申请的一个实施例中,将所述转轴表面多尺度融合特征图通过空间注意力模块以得到所述转轴表面多尺度融合增强特征图,包括:使用所述空间注意力模块以如下空间注意力编码公式对所述转轴表面多尺度融合特征图进行处理以得到所述转轴表面多尺度融合增强特征图;其中,所述转轴表面多尺度融合增强特征图为:其中,/>表示所述转轴表面多尺度融合特征图,/>和/>分别表示对特征图进行平均池化和最大池化操作,/>表示卷积核为/>的卷积操作,/>表示/>函数,/>表示所述转轴表面多尺度融合增强特征图。
这里,本领域技术人员可以理解,所述空间注意力模块的具体操作为:首先,对所述转轴表面多尺度融合特征图沿通道进行平均池化和最大池化操作,接着将聚合的通道注意力特征分成两个二维映射,再分别表示通道中的平均池化特征和最大池化特征,通过标准卷积后再经函数激活,最终生成二维空间注意力特征图。
可选地,在本申请的另一个实施例中,步骤S140,包括:将所述转轴表面多尺度融合特征图通过CA空间注意力模块以得到所述转轴表面多尺度融合增强特征图。应可以理解,CA空间注意力机制是一种在计算机视觉和自然语言处理中广泛应用的注意力机制。CA是"Channel Attention"的缩写,指的是通道注意力,即对输入数据的每个通道进行加权处理。空间注意力则是指对输入数据的不同空间位置进行加权处理。CA空间注意力机制通过对输入数据的通道和空间位置进行加权处理,从而提高了模型的表现力和泛化能力。在CA空间注意力机制中,首先通过卷积操作将输入数据映射到一个特征图上,然后对特征图的每个通道进行全局平均池化,得到一个通道权重向量。同时,对特征图的每个空间位置进行卷积操作,得到一个空间权重向量。最后,将通道权重向量和空间权重向量相乘,得到最终权重向量,用于对输入数据进行加权处理。CA空间注意力机制的优点在于可以自适应地对不同通道和空间位置的信息进行加权处理,从而提高了模型的表现力和泛化能力。同时,CA空间注意力机制也比较轻量级,可以在计算资源有限的情况下使用。
S13,基于所述转轴表面多尺度融合增强特征图,确定所述表面处理后的转轴的性能检测结果。应可以理解,将所述转轴表面多尺度融合增强特征图通过分类器以得到分类结果,所述分类结果用于表示表面处理后的转轴的性能是否符合预定标准。也就是,所述分类器可以将所述转轴表面多尺度融合增强特征图转换为分类结果,即表面处理后的转轴是否符合预定标准。在实际场景中,基于所述分类结果,可以用于做出进一步的决策,例如是否需要进行进一步的处理或维护等。通过这样的方式来实现基于机器视觉的转轴性能检测,替代传统的人工检测方法,减少检测成本和人力资源消耗。
可选地,在本申请的一个实施例中,步骤S13,包括:将所述转轴表面多尺度融合增强特征图通过分类器以得到分类结果,所述分类结果用于表示表面处理后的转轴的性能是否符合预定标准。
可选地,在本申请的一个实施例中,将所述转轴表面多尺度融合增强特征图通过分类器以得到分类结果,包括:使用分类器以如下分类公式对所述转轴表面多尺度融合增强特征图进行处理以得到所述分类结果。
其中,所述分类公式为:其中,/>到为权重矩阵,/>到/>为偏置向量,/>为所述转轴表面多尺度融合增强特征图,表示归一化指数函数。
S5、将性能符合要求的所述表面处理后的转轴进行包装和存储。应可以理解,将性能符合要求的表面处理后的转轴进行包装和存储,是为了保护其表面处理层不受外界环境的影响,以保证将性能符合要求的表面处理后的转轴进行包装和存储,是为了保护其表面处理层不受外界环境的影响,以保证其性能的稳定性和持久性。具体来说,包装和存储可以起到以下几个方面的作用:防止表面处理层受到氧化、腐蚀等外界环境的影响,保证其性能的稳定性和持久性。防止表面处理层受到机械损伤,避免表面处理层的破坏和剥落。方便运输和存储,避免表面处理后的转轴在运输和存储过程中受到损坏或污染。便于管理和使用,方便对表面处理后的转轴进行分类、标识和管理,以及提高使用效率和安全性。
可选地,在本申请的一个实施例中,步骤S5,包括:首先,将表面处理后的转轴进行清洁,去除表面的油污和杂质。然后,将清洁后的转轴放入塑料袋中,并注入适量的防锈油,然后将塑料袋密封,以防止转轴表面受到氧化和腐蚀。接着,在塑料袋上标明转轴的型号、规格、数量、生产日期等必要信息,以便于管理和使用。再然后,将包装好的转轴放置在干燥、通风、防潮、防火的仓库中,避免受到阳光直射和高温高湿等不良环境影响。最后,定期对存储的转轴进行检测,以确保其表面质量和性能不受影响,并及时处理发现的问题。
图6为本申请实施例的对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求的另一种实施方式示意性流程图。如图6所示,可选地,在本申请的另一种实施方式中,对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求,包括:步骤S21,将摄像头固定在转轴表面的上方,以便能够拍摄到转轴表面的图像。需要注意的是,摄像头的位置和角度应该保证拍摄到的图像清晰、无死角。
步骤S22,使用摄像头拍摄转轴表面的图像,并将图像传输到计算机中进行处理。在采集图像的过程中,需要注意光照条件、拍摄距离、曝光时间等因素,以保证图像质量。
步骤S23,使用图像处理软件,提取转轴表面的特征图像。可选地,在本实施方式的一个实施例中,使用OpenCV库中的Canny算法提取图像边缘特征,使用Gabor滤波器提取图像纹理特征。提取特征的目的是为了将图像转化为数字化的数据,以便进行后续的分析和处理。这里,对于本领域技术人员应当知晓,OpenCV(Open Source Computer VisionLibrary)是一个开源的计算机视觉库,包含了许多用于图像处理、计算机视觉以及机器学习的函数和工具。其最初是由英特尔公司开发的,现在已经成为一个跨平台的计算机视觉库,支持多种编程语言,包括C++、Python、Java等。OpenCV提供了许多常用的图像处理和计算机视觉算法的实现,包括图像的读取、显示、保存,图像的滤波、变换、分割和特征提取等。此外,OpenCV还包含了许多高级的计算机视觉算法,如目标检测、人脸识别、光流估计、立体视觉等。OpenCV的优点在于它是一个开源的库,提供了丰富的功能和工具,可以用于快速开发计算机视觉应用程序。同时,它也是一个跨平台的库,可以在不同的操作系统上运行,如Windows、Linux、MacOS等。Canny算法是一种用于边缘检测的算法,由John F. Canny于1986年提出。它是一种基于梯度的算法,可以有效地检测出图像中的边缘,并且对噪声有很好的抵抗能力。
可选地,在本实施方式的一个子实施例中,使用OpenCV库中的Canny算法提取图像边缘特征,包括:首先,使用高斯滤波器对图像进行平滑处理,以去除噪声。应理解,高斯滤波器通过对图像中每个像素点周围的像素进行加权平均,来实现图像的平滑化处理。高斯滤波器的加权系数是由高斯函数计算得出的,离中心像素越近的像素权重越高,离中心像素越远的像素权重越低。这样可以有效地去除图像中的噪声,并且不会对图像中的边缘和细节信息造成太大的影响。
然后,使用Sobel算子计算图像中每个像素点的梯度大小和方向。对梯度大小图像进行非极大值抑制,以保留边缘的细节。应可以理解,在图像处理中,边缘是图像中的重要特征之一。边缘是指图像中像素值发生剧烈变化的区域,常常包含了图像中物体的轮廓和纹理信息。因此,为了从图像中提取出这些重要的特征,需要使用一些算法来计算图像中每个像素点的梯度大小和方向。具体地,Sobel算子可以通过计算图像中每个像素点的梯度大小和方向,来检测出图像中的边缘。具体而言,Sobel算子通过对图像进行卷积操作,计算出每个像素点在水平和垂直方向上的梯度大小,然后通过这些梯度大小来判断该像素点是否为边缘点。同时,Sobel算子还可以计算出每个像素点的梯度方向,这个方向信息可以用于后续的图像处理和分析。在计算出图像中每个像素点的梯度大小之后,通常会对梯度大小图像进行非极大值抑制。这是因为在图像中,边缘通常是由像素值发生较大变化的区域组成的,而梯度大小图像中可能存在一些局部极大值,这些局部极大值并不一定代表真正的边缘。因此,需要对梯度大小图像进行非极大值抑制,以保留真正的边缘细节。具体而言,非极大值抑制可以通过在梯度方向上进行插值来实现,从而得到一个更加准确的边缘位置。
接着,根据梯度大小图像的阈值,将像素点分为强边缘、弱边缘和非边缘三类。强边缘是指梯度大小大于高阈值的像素点,弱边缘是指梯度大小介于高、低阈值之间的像素点,非边缘是指梯度大小小于低阈值的像素点。应可以理解,将像素点分为强边缘、弱边缘和非边缘三类是为了更好地确定图像中的边缘。在进行边缘检测时,希望找到尽可能多的边缘,但同时也要避免将噪声或者不重要的细节误判为边缘。因此,需要根据梯度大小来进行分类,强边缘是指梯度大小大于高阈值的像素点,这些像素点很可能是真正的边缘点,因此可以将它们直接识别为边缘点。弱边缘是指梯度大小介于高、低阈值之间的像素点,这些像素点可能是真正的边缘点,也可能是噪声或者非边缘区域,因此需要进一步处理这些像素点。一种常见的方法是将它们与强边缘点相连,形成一条连续的边缘线。非边缘是指梯度大小小于低阈值的像素点,这些像素点很可能是非边缘区域或者噪声,因此可以将非边缘像素点直接排除在边缘检测的范围之外。这样做可以有效地提高边缘检测的准确性和鲁棒性。
最后,对弱边缘像素点进行边缘连接,将它们与强边缘相连,形成完整的边缘。应可以理解,进行边缘连接的目的是将弱边缘像素点与强边缘像素点连接起来,形成一个完整的边缘线。常用的边缘连接算法包括双阈值连接算法、基于连通性的边缘连接算法等。这些算法通过将弱边缘像素点与相邻的强边缘像素点相连,形成一个连通区域,从而得到完整的边缘线。边缘连接的作用是可以提高边缘检测的准确性和稳定性,使得检测到的边缘线更加完整和连续。同时,边缘连接也可以减少边缘检测中的误检和漏检,从而提高图像处理的效果。
步骤S24,使用机器学习算法,对提取的特征进行分析,以判断转轴表面的性能是否符合预定要求。可选地,在本实施方式的一个实施例中,可以使用支持向量机(SVM)算法对图像进行分类,将转轴表面分为合格和不合格两类。SVM算法可以通过训练数据集进行训练,得到一个分类模型,再用该模型对新的图像进行分类。应可以理解,支持向量机(Support Vector Machine,SVM)可以用于分类和回归问题。SVM的基本思想是将数据映射到高维空间中,从而将数据分割成不同的类别。在高维空间中,SVM可以通过寻找一个最优的分割超平面来实现分类。这个最优的分割超平面是指能够最大化不同类别之间的间隔(即最大化支持向量的距离)的超平面。在SVM中,支持向量是指离分割超平面最近的那些数据点。这些支持向量对于确定分割超平面非常重要,因为它们决定了分割超平面的位置和方向。通过寻找最大间隔超平面,SVM可以得到一个具有良好泛化性能的分类器,可以对新的数据进行准确的分类。除了线性SVM,还有非线性SVM。非线性SVM可以通过使用核函数将数据映射到高维空间中,从而将非线性问题转化为线性问题。常用的核函数有线性核函数、多项式核函数、高斯核函数等。非线性SVM可以处理更加复杂的数据集,并且可以避免过拟合的问题。
综上,所述新能源汽车转轴的智能加工方法已被阐明,其对所述表面处理后的转轴进行基于机器视觉的性能检测以代替人工检测工作,以尽可能避免人工操作的误差和不稳定性,降低成本和人力资源的消耗。
本发明实施例还提供一种新能源汽车转轴的智能加工系统,图6为本申请实施例的新能源汽车转轴的智能加工系统的示意性框图。如图6所示,所述新能源汽车转轴的智能加工系统100,包括:原材料加工模块110,用于将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯;毛坯加工模块120,用于将所述毛坯放入数控车床进行精密车削以得到车削后转轴;转轴表面处理模块130,用于采用离子渗氮或者离子渗碳的方式对所述车削后转轴进行表面处理以得到表面处理后的转轴;性能检测模块140,用于对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求;以及,包装存储模块150,用于将性能符合要求的所述表面处理后的转轴进行包装和存储。
这里,本领域技术人员可以理解,上述新能源汽车转轴的智能加工系统中的各个模块的具体操作已经在上面参考图1到图5的新能源汽车转轴的智能加工方法的描述中得到了详细介绍,并因此,将省略其重复描述。
应理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。
还应理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
还应理解,本说明书中描述的各种实施方式,既可以单独实施,也可以组合实施,本申请实施例对此并不限定。
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。本申请所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种新能源汽车转轴的智能加工方法,其特征在于,包括:将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯将所述毛坯放入数控车床进行精密车削以得到车削后转轴;采用离子渗氮或者离子渗碳的方式对所述车削后转轴进行表面处理以得到表面处理后的转轴;对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求;以及将性能符合要求的所述表面处理后的转轴进行包装和存储。
2.根据权利要求1所述的新能源汽车转轴的智能加工方法,其特征在于,对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求,包括:获取由摄像头采集的表面处理后的转轴的转轴表面状态图像;从所述转轴表面状态图像中提取转轴表面多尺度融合增强特征图;以及基于所述转轴表面多尺度融合增强特征图,确定所述表面处理后的转轴的性能检测结果。
3.根据权利要求2所述的新能源汽车转轴的智能加工方法,其特征在于,从所述转轴表面状态图像中提取转轴表面多尺度融合增强特征图,包括:从所述转轴表面状态图像中提取转轴表面浅层特征图;从所述转轴表面浅层特征图中提取转轴表面深层特征图;融合所述转轴表面浅层特征图和所述转轴表面深层特征图以得到转轴表面多尺度融合特征图;以及增强所述转轴表面多尺度融合特征图以得到所述转轴表面多尺度融合增强特征图。
4.根据权利要求3所述的新能源汽车转轴的智能加工方法,其特征在于,从所述转轴表面状态图像中提取转轴表面浅层特征图,包括:将所述转轴表面状态图像通过基于第一卷积神经网络模型的浅层特征提取器以得到所述转轴表面浅层特征图。
5.根据权利要求4所述的新能源汽车转轴的智能加工方法,其特征在于,从所述转轴表面浅层特征图中提取转轴表面深层特征图,包括:对所述转轴表面浅层特征图进行空间金字塔池化以得到转轴表面浅层池化特征图;以及将所述转轴表面浅层池化特征图通过基于第二卷积神经网络模型的深层特征提取器以得到所述转轴表面深层特征图。
6.根据权利要求5所述的新能源汽车转轴的智能加工方法,其特征在于,融合所述转轴表面浅层特征图和所述转轴表面深层特征图以得到转轴表面多尺度融合特征图,包括:以如下融合公式对所述转轴表面浅层特征图和所述转轴表面深层特征图进行全局上下文空间关联富化融合以得到所述转轴表面多尺度融合特征图;其中,所述融合公式为:其中,/>和/>分别是所述转轴表面浅层特征图和所述转轴表面深层特征图的第/> 个特征矩阵,/>表示矩阵的转置,/>表示矩阵的按位置加法,/>表示矩阵乘法,且/>是所述转轴表面多尺度融合特征图的第/>个特征矩阵。
7.根据权利要求6所述的新能源汽车转轴的智能加工方法,其特征在于,增强所述转轴表面多尺度融合特征图以得到所述转轴表面多尺度融合增强特征图,包括:将所述转轴表面多尺度融合特征图通过空间注意力模块以得到所述转轴表面多尺度融合增强特征图。
8.根据权利要求7所述的新能源汽车转轴的智能加工方法,其特征在于,将所述转轴表面多尺度融合特征图通过空间注意力模块以得到所述转轴表面多尺度融合增强特征图,包括:使用所述空间注意力模块以如下空间注意力编码公式对所述转轴表面多尺度融合特征图进行处理以得到所述转轴表面多尺度融合增强特征图;其中,所述转轴表面多尺度融合增强特征图为:其中,/>表示所述转轴表面多尺度融合特征图,/>和/>分别表示对特征图进行平均池化和最大池化操作,/>表示卷积核为/>的卷积操作,/>表示/>函数,/>表示所述转轴表面多尺度融合增强特征图。
9.根据权利要求8所述的新能源汽车转轴的智能加工方法,其特征在于,基于所述转轴表面多尺度融合增强特征图,确定所述表面处理后的转轴的性能检测结果,包括:将所述转轴表面多尺度融合增强特征图通过分类器以得到分类结果,所述分类结果用于表示表面处理后的转轴的性能是否符合预定标准。
10.一种新能源汽车转轴的智能加工系统,其特征在于,包括:原材料加工模块,用于将原材料经过锻造、热轧、退火工序,形成具有特定尺寸和形状的毛坯;毛坯加工模块,用于将所述毛坯放入数控车床进行精密车削以得到车削后转轴;转轴表面处理模块,用于采用离子渗氮或者离子渗碳的方式对所述车削后转轴进行表面处理以得到表面处理后的转轴;性能检测模块,用于对所述表面处理后的转轴进行基于机器视觉的性能检测以判断表面处理后的转轴性能是否符合预定要求;以及包装存储模块,用于将性能符合要求的所述表面处理后的转轴进行包装和存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742753.9A CN116944818B (zh) | 2023-06-21 | 2023-06-21 | 新能源汽车转轴的智能加工方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742753.9A CN116944818B (zh) | 2023-06-21 | 2023-06-21 | 新能源汽车转轴的智能加工方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116944818A true CN116944818A (zh) | 2023-10-27 |
CN116944818B CN116944818B (zh) | 2024-05-24 |
Family
ID=88441864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742753.9A Active CN116944818B (zh) | 2023-06-21 | 2023-06-21 | 新能源汽车转轴的智能加工方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116944818B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743772A (zh) * | 2023-12-29 | 2024-03-22 | 维达纸业(浙江)有限公司 | 基于人工智能模型的卫生纸干燥参数优化方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106826142A (zh) * | 2017-02-21 | 2017-06-13 | 广东科学技术职业学院 | 汽车变速箱用中间轴的制造方法 |
US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
CN113538378A (zh) * | 2021-07-16 | 2021-10-22 | 哈尔滨理工大学 | 一种基于深度学习的轴承尺寸在线检测系统 |
US20220230282A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
CN115205647A (zh) * | 2022-07-21 | 2022-10-18 | 南京农业大学 | 一种基于注意力机制与多尺度特征融合的植物图像分割方法 |
CN115456955A (zh) * | 2022-08-19 | 2022-12-09 | 燕山大学 | 一种球笼防尘罩内部毛刺缺陷检测方法 |
GB202217424D0 (en) * | 2021-11-22 | 2023-01-04 | Aeronautic Polytechnic | Method of crowd density estimation based on multi-scale feature fusion of residual network |
CN115760734A (zh) * | 2022-11-08 | 2023-03-07 | 南京信息工程大学 | 一种基于改进retinanet算法的带钢表面缺陷检测方法 |
CN116030018A (zh) * | 2023-01-10 | 2023-04-28 | 漯河江山天安新型建材有限公司 | 用于门加工的来料合格检验系统及方法 |
CN116071327A (zh) * | 2023-01-18 | 2023-05-05 | 武汉大学 | 一种基于深度神经网络的工件缺陷检测方法 |
CN116168348A (zh) * | 2023-04-21 | 2023-05-26 | 成都睿瞳科技有限责任公司 | 基于图像处理的安全监控方法、系统及存储介质 |
KR20230075193A (ko) * | 2021-11-22 | 2023-05-31 | (주)노바코스 | 레이더와 카메라 융합 기반의 차량인식시스템 |
-
2023
- 2023-06-21 CN CN202310742753.9A patent/CN116944818B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106826142A (zh) * | 2017-02-21 | 2017-06-13 | 广东科学技术职业学院 | 汽车变速箱用中间轴的制造方法 |
US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
US20220230282A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
CN113538378A (zh) * | 2021-07-16 | 2021-10-22 | 哈尔滨理工大学 | 一种基于深度学习的轴承尺寸在线检测系统 |
GB202217424D0 (en) * | 2021-11-22 | 2023-01-04 | Aeronautic Polytechnic | Method of crowd density estimation based on multi-scale feature fusion of residual network |
KR20230075193A (ko) * | 2021-11-22 | 2023-05-31 | (주)노바코스 | 레이더와 카메라 융합 기반의 차량인식시스템 |
CN115205647A (zh) * | 2022-07-21 | 2022-10-18 | 南京农业大学 | 一种基于注意力机制与多尺度特征融合的植物图像分割方法 |
CN115456955A (zh) * | 2022-08-19 | 2022-12-09 | 燕山大学 | 一种球笼防尘罩内部毛刺缺陷检测方法 |
CN115760734A (zh) * | 2022-11-08 | 2023-03-07 | 南京信息工程大学 | 一种基于改进retinanet算法的带钢表面缺陷检测方法 |
CN116030018A (zh) * | 2023-01-10 | 2023-04-28 | 漯河江山天安新型建材有限公司 | 用于门加工的来料合格检验系统及方法 |
CN116071327A (zh) * | 2023-01-18 | 2023-05-05 | 武汉大学 | 一种基于深度神经网络的工件缺陷检测方法 |
CN116168348A (zh) * | 2023-04-21 | 2023-05-26 | 成都睿瞳科技有限责任公司 | 基于图像处理的安全监控方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
夏晓峰;胡彦霞;徐德惠;: "利用锻造余热等温正火稳定渗碳淬火变形规律", 机械工人(热加工), no. 04, 9 April 2007 (2007-04-09), pages 54 - 58 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743772A (zh) * | 2023-12-29 | 2024-03-22 | 维达纸业(浙江)有限公司 | 基于人工智能模型的卫生纸干燥参数优化方法及系统 |
CN117743772B (zh) * | 2023-12-29 | 2024-05-28 | 维达纸业(浙江)有限公司 | 基于人工智能模型的卫生纸干燥参数优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116944818B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN111292305A (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN116944818B (zh) | 新能源汽车转轴的智能加工方法及其系统 | |
Borselli et al. | A fuzzy inference system applied to defect detection in flat steel production | |
CN107085846A (zh) | 工件表面缺陷图像识别方法 | |
Peng et al. | Application of machine vision method in tool wear monitoring | |
CN109668909A (zh) | 一种玻璃缺陷检测方法 | |
CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN109191367A (zh) | 刀具磨损图像的拼接方法及刀具的寿命预测方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN116071327A (zh) | 一种基于深度神经网络的工件缺陷检测方法 | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN111896541A (zh) | 一种基于区块链的烟气在线监测系统 | |
CN111985406B (zh) | 一种锌渣图像识别及分类方法 | |
CN106447683A (zh) | 一种圆的特征提取算法 | |
Dong et al. | Automated detection of gear tooth flank surface integrity: A cascade detection approach using machine vision | |
Bagga et al. | Experimental investigation of different NN approaches for tool wear prediction based on vision system in turning of AISI 1045 steel | |
Liu et al. | Defect detection of grinded and polished workpieces using faster R-CNN | |
CN111402321A (zh) | 一种固体颗粒在高温熔池中目标识别及体积估计的方法 | |
CN111424223A (zh) | 改善铝青铜微观组织和性能的复合深冷处理方法 | |
CN115601357A (zh) | 一种基于小样本的冲压件表面缺陷检测方法 | |
Simeth et al. | Using Artificial Intelligence to Facilitate Assembly Automation in High-Mix Low-Volume Production Scenario |
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 |