CN117047286B - 一种激光加工工件表面的方法、加工系统、处理器和存储介质 - Google Patents
一种激光加工工件表面的方法、加工系统、处理器和存储介质 Download PDFInfo
- Publication number
- CN117047286B CN117047286B CN202311294554.2A CN202311294554A CN117047286B CN 117047286 B CN117047286 B CN 117047286B CN 202311294554 A CN202311294554 A CN 202311294554A CN 117047286 B CN117047286 B CN 117047286B
- Authority
- CN
- China
- Prior art keywords
- processing
- workpiece
- dimensional
- laser
- model
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 238000003754 machining Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003672 processing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000003698 laser cutting Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010147 laser engraving Methods 0.000 description 1
- 238000010329 laser etching Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/352—Working by laser beam, e.g. welding, cutting or boring for surface treatment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/03—Observing, e.g. monitoring, the workpiece
- B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种激光加工工件表面的方法、加工系统、处理器和存储介质,使用深度相机获得具有预设图案的目标工件的三维表面双视图像,对其计算获取轮廓深度图和纹理细节深度图;进一步计算获得适合于加工系统的三维工件模型;于三维工件模型上规划预设加工路径;采用训练优化的CNN深度学习模型,输入三维工件模型,以预测获得最佳的加工参数;将激光组件设置为最佳的加工参数,驱动激光组件沿预设加工路径移动,以对预设类型的工件进行激光加工,获得工件成品;自动对于工件进行建模,通过建模来创建激光移动轨迹,并且自动预测出最佳的加工参数,实现了对工件的自动建模和加工,大大简化了加工过程,减少了加工时间,提高了加工的效率。
Description
技术领域
本发明涉及激光加工技术领域,尤其涉及一种激光加工工件表面的方法、加工系统、处理器和存储介质。
背景技术
激光镭雕技术是用高能量浓聚的激光束聚焦在材料表面使材料熔化,同时用与激光束同轴的压缩气体吹走被熔化的材料,并使激光束与材料沿一定轨迹作相对运动,从而形成一定形状的激光切割图案,可大大减少加工时间,降低加工成本,提高工件质量。
现有技术中的采用激光镭雕方法对工件表面加工时,由于不同类型工件的图形的类别不同,加工图形复杂程度不同,加工出的效果也不同;当遇到新类型的工件图案时,需要操作人员预先在设备中输入对应的加工图样,并且不断调整激光设备的控制参数如功率及切割的速率,来对不同种工件进行预加工实验,从而对加工出的产品质量进行验证,对操作人员要求较高,耗时耗力,成本较高;且频繁改变激光切割设备的控制参数,进而会影响激光雕刻的质量。
鉴于此,需要对现有技术中的激光镭雕方法加以改进,以解决切换不同图案时,激光加工效率较低的技术问题。
发明内容
本发明的目的在于提供一种激光加工工件表面的方法、加工系统、处理器和存储介质,解决以上的技术问题。
为达此目的,本发明采用以下技术方案:
一种激光加工工件表面的方法,包括:
使用深度相机获得具有预设图案的目标工件的三维表面双视图像;
对所述三维表面双视图像采用第一预设算法,计算获取轮廓深度图和纹理细节深度图;
基于所述轮廓深度图和纹理细节深度图,计算获得适合于加工系统的三维工件模型;
于所述三维工件模型上规划预设加工路径;
采用CNN深度学习模型并对其进行预训练,获得训练优化的CNN深度学习模型;
调用训练优化的CNN深度学习模型并对其输入所述三维工件模型,以预测获得最佳的加工参数;
建立对应目标工件的所述预设加工路径和最佳的加工参数的集合,并将所述集合进行存储,形成加工数据库;
调用所述加工数据库,将激光组件设置为最佳的加工参数,驱动激光组件沿预设加工路径移动,以对预设类型的工件进行激光加工,获得工件成品。
可选的,对所述三维表面双视图像采用第一预设算法,计算获取轮廓深度图和纹理细节深度图,具体包括:
对所述三维表面双视图像进行预处理;所述预处理包括去噪、亮度和对比度调整;
对所述三维表面双视图像进行对齐处理,获得标准化的第一图像;
基于所述标准化的第一图像,采用半全局匹配算法计算若干个第一像素点的深度信息;
对标准化的第一图像的主要轮廓进行检测和提取,获得轮廓线,将位于所述轮廓线上的第一像素点的深度信息输入到轮廓线上,以生成轮廓深度图;
对标准化的第一图像的纹理和细节进行提取和分析,获得纹理细节线,将位于所述纹理细节线上的第一像素点的深度信息输入到纹理细节线上,生成纹理细节深度图。
可选的,所述基于轮廓深度图和纹理细节深度图,计算获得适合于加工系统的三维工件模型,具体包括:
通过所述轮廓深度图和纹理细节深度图计算得到对应的轮廓点云数据和纹理细节点云数据;
对轮廓点云数据和纹理细节点云数据进行匹配和拼接,生成具有体素网格结构的集成点云;
对所述集成点云中的每个点计算曲面法线,以推导出潜在曲面;
基于所述集成点云,提取出三维网格表面,形成工件的网格状原始模型文件;
将所述网格状原始模型文件转换为适合加工系统的三维工件模型。
可选的,于所述三维工件模型上规划预设加工路径,具体包括:
在三维工件模型上识别出若干个关键特征区域,并确定处理若干个关键特征区域的第一顺序;
在每个所述关键特征区域内分别进行第一加工路线的规划,并根据所述轮廓深度图和所述纹理细节深度图对所述第一加工路线进行深度补偿,获得三维路径;
按照所述第一顺序将每个所述关键特征区域的三维路径进行串联,以形成预设加工路径;
对加工系统上模拟所述预设加工路径,以评估并优化所述预设加工路径。
可选的,采用CNN深度学习模型并对其进行预训练,获得训练优化的CNN深度学习模型,具体包括:
获得若干组已知加工参数的工件的三维模型,并将分为训练集、验证集和测试集;
调用CNN深度学习模型,并定义CNN深度学习模型的损失函数与优化器;所述优化器用于在训练过程中更新模型权重以最小化损失;
通过若干次输入训练集的三维模型和预期的加工参数之间进行前向和反向运行,以进行模型训练。
可选的,所述通过若干次输入训练集的三维模型和预期的加工参数之间进行前向和反向运行,以进行模型训练,之后还包括:
模型训练过程中,使用验证集对CNN深度学习模型进行性能评估,并根据性能评估结果来对CNN深度学习模型超参数调整,以获得训练优化的CNN深度学习模型;
使用所述测试集来测试所述训练优化的CNN深度学习模型,以评估其预测性能。
可选的,调用所述加工数据库,将激光组件设置为最佳的加工参数,驱动激光组件沿预设加工路径移动,以对预设类型的工件进行激光加工,获得工件成品,之后还包括:
在激光加工过程中,通过传感组件对工件进行加工监测,以获得检测数据,加工系统通过所述检测数据以控制所述激光组件运行;所述传感组件包括摄像头、温度传感器;所述检测数据包括图像信息、激光强度信息和温度信息。
本发明还提供了一种加工系统,采用如上所述激光加工工件表面的方法,所述加工系统包括:
激光组件,用于对工件进行激光加工;
深度相机,用于获取目标工件的三维表面双视图像;
数据处理模块,用于对所述三维表面双视图像进行处理,以获得三维工件模型;
存储模块,用于存储所述CNN深度学习模型和所述加工数据库;
控制单元,用于控制所述激光组件运行。
本发明还提供了一种处理器,其特征在于,包括存储器和至少一个处理器,所述存储器中存储有指令;
所述处理器调用所述存储器中的所述指令,以使得所述处理器执行如上所述的激光加工工件表面的方法。
本发明还提供了一种计算机可读存储介质,所述存储介质上存储有指令,所述指令用于实现如上所述的激光加工工件表面的方法。
与现有技术相比,本发明具有以下有益效果:加工时,使用深度相机捕获具有预设图案的工件的三维表面双视图像;通过第一预设算法,从这些双视图像中计算出轮廓深度图和纹理细节深度图,基于这些深度图进一步产生适用于加工系统的三维工件模型,在得到的三维工件模型上,系统会自动规划预设的加工路径;为了更精确地控制激光的输出,采用了预训练的CNN深度学习模型来预测最佳的加工参数,加工参数与预设加工路径一同存储在一个加工数据库中;在加工过程中,系统调用这个数据库,自动地配置激光组件,驱动其沿着预设路径移动,实现精准的激光加工。本激光加工方法通过三维视觉扫描的技术,自动对于工件进行建模,通过建模来创建激光移动轨迹,并且自动预测出最佳的加工参数,实现了对工件的自动建模和加工,大大简化了加工过程,减少了加工时间,提高了加工的精确性,为生产带来了更高的效率和质量保证。
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性的前提下,还可以根据这些附图获得其它的附图。
本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本实施例一的激光加工方法的流程示意图之一;
图2为本实施例一的激光加工方法的流程示意图之二;
图3为本实施例一的激光加工方法的流程示意图之三;
图4为本实施例一的激光加工方法的流程示意图之四。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。需要说明的是,当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一:
结合图1至图4所示,本发明实施例提供了一种激光加工工件表面的方法,包括:
S1,使用深度相机获得具有预设图案的目标工件的三维表面双视图像;从而获得工件的形状和纹理信息。
S2,对三维表面双视图像采用第一预设算法,计算获取轮廓深度图和纹理细节深度图;
其中,轮廓深度图为目标工件的预设图案的轮廓图及其对应的深度信息;纹理细节深度图为目标工件的纹理细节图及其对应的深度信息;
S3,基于轮廓深度图和纹理细节深度图,计算获得适合于加工系统的三维工件模型;
利用计算机图像处理和计算几何的方法,将这两者融合以创建一个详细的三维工件模型。这个模型不仅反映了工件的外形轮廓,同时还包含了工件的纹理信息。这个适合于加工系统的三维工件模型将用于后续的加工路径规划与最佳加工参数的预测。
S4,于三维工件模型上规划预设加工路径;这个路径指导激光组件如何加工工件;
加工路径同时包含激光组件的移动轨迹和对应的深度信息,深度信息可以决定激光组件的运行速度和停留间隔,以及激光功率、焦距。
S5,调用训练优化的CNN深度学习模型并对其输入三维工件模型,以预测获得最佳的加工参数;
将步骤S3得到的三维工件模型输入到步骤S5训练优化的CNN深度学习模型中。通过运用此模型,网络将基于学习到的知识分析输入,然后产生预测的最佳加工参数。这些参数可以包括激光的功率,激光的速度,激光的焦距,为后续的激光加工步骤提供了指导。从而能够借助CNN模型根据具体的工件模型自动地推测出最佳的激光加工参数,大大提升生产效率。
可以使用大量的训练数据(包括多个工件的三维模型及其对应的加工参数)对CNN深度学习模型进行预训练。这个过程会调整CNN模型的参数,以使其能够更有效地从输入数据中学习和提取特征,从而更准确地预测加工参数。经过预训练后,可以获得一个训练优化的CNN深度学习模型,将用于后续步骤中预测最佳的加工参数。
S6,建立对应目标工件的预设加工路径和最佳的加工参数的集合,并将集合进行存储,形成加工数据库;
该步骤将预设的加工路径和步骤S6中预测出的最佳的激光加工参数结合起来,为目标工件创建一个相关的数据集合;这个集合包含了按钮的形状,纹理,以及三维模型描述的信息,以及预测的最佳加工参数;这个集合生成会被存储在加工数据库中;这个加工数据库包含了多款按钮的模型数据和对应的最佳加工参数,为了后续步骤调用。这种方式允许快速地查找并重用以前的加工设置,提升生产效率和保证生产质量的一致性。
S7,调用加工数据库,将激光组件设置为最佳的加工参数,驱动激光组件沿预设加工路径移动,以对预设类型的工件进行激光加工,获得工件成品。
首先,从加工数据库中调用与目标工件对应的最佳加工参数和预设加工路径;然后,使用获取的最佳加工参数配置激光组件;获取的最佳加工参数包括设置激光的功率,速度,焦距的参数;随后,驱动激光组件沿着预设的加工路径进行移动,具体的路径控制由S4步骤得到的加工路径决定;激光组件根据上述设置对工件进行加工,包括切割和雕刻的操作,最终得到加工完毕的工件成品,自动地进行加工参数的选择和路径的规划,从而提升生产效率且保证了产品质量的一致性。
本发明的工作原理为:加工时,使用深度相机捕获具有预设图案的工件的三维表面双视图像;通过第一预设算法,从这些双视图像中计算出轮廓深度图和纹理细节深度图,基于这些深度图进一步产生适用于加工系统的三维工件模型,在得到的三维工件模型上,系统会自动规划预设的加工路径;为了更精确地控制激光的输出,采用了预训练的CNN深度学习模型来预测最佳的加工参数,加工参数与预设加工路径一同存储在一个加工数据库中;在加工过程中,系统调用这个数据库,自动地配置激光组件,驱动其沿着预设路径移动,实现精准的激光加工。相较于现有技术中的激光镭雕方法,本激光加工方法通过三维视觉扫描的技术,自动对于工件进行建模,通过建模来创建激光移动轨迹,并且自动预测出最佳的加工参数,实现了对工件的自动建模和加工,大大简化了加工过程,减少了加工时间,提高了加工的效率和精确性,为生产带来了更高的效率和质量保证。
在本实施例中,结合图2所示,步骤S2具体包括:
S21,对三维表面双视图像进行预处理;预处理包括去噪、亮度和对比度调整;
去噪用于减少图像中的杂质信息,同时,亮度和对比度的调整用于改善图像质量和突出重要特征。
S22,对三维表面双视图像进行对齐处理,获得标准化的第一图像;
将其调整到一个标准的参考框架或坐标,从而获得标准化的第一图像。这个处理是为了使双视图像能够在相同的坐标系统中进行比较和处理。
S23,基于标准化的第一图像,采用半全局匹配算法计算若干个第一像素点的深度信息;
半全局匹配算法是一种用于计算深度信息的有效算法,可以为每个像素点提供其在三维空间中的深度位置;需要说明的是三维表面双视图像是一个三维试图,其本身具有深度数据,通过半全局匹配算法能够通过计算获得对应点位的深度信息。
S24,对标准化的第一图像的主要轮廓进行检测和提取,获得轮廓线,将位于轮廓线上的第一像素点的深度信息输入到轮廓线上,以生成轮廓深度图;
S25,对标准化的第一图像的纹理和细节进行提取和分析,获得纹理细节线,将位于纹理细节线上的第一像素点的深度信息输入到纹理细节线上,生成纹理细节深度图;
纹理细节深度图包含了目标工件表面纹理和细节的重要信息,也对后续的建模和加工有重要的提供参考和依据。
在本实施例中,结合图3所示,步骤S3具体包括:
S31,通过轮廓深度图和纹理细节深度图计算得到对应的轮廓点云数据和纹理细节点云数据;
点云数据是一组在三维空间中的点的集合,可以表示物体的形状和纹理。示例性的,轮廓深度图中的每个像素表示对象的一个三维点及其对应的深度,在使用预设算法处理后,可以从这个深度图中生成轮廓的点云数据;同理,纹理细节深度图中的每个像素也可以表示一个三维点及其对应的深度值,从而生成纹理细节的点云数据。这两个生成的点云数据集包含了工件的全局形状(轮廓)信息和局部细节(纹理)信息,这两部分信息在后续步骤中将被合并到一个统一的点云模型中,以用于创建完整的三维模型。
S32,对轮廓点云数据和纹理细节点云数据进行匹配和拼接,生成具有体素网格结构的集成点云;
体将轮廓点云数据和纹理细节点云数据对齐到同一个坐标系统,并融合成一个集成点云;生成的集成点云会被转化为具有体素网格结构的数据。体素类似于二维图像中的像素,是用于描述三维空间中的量,即一种3D像素。这种网格结构的表示形式可以更高效地表示和存储三维结构信息,并为后续的加工参数的预测和具体加工步骤提供更准确的基础。
S33,对集成点云中的每个点计算曲面法线,以推导出潜在曲面;
集成点云中的每个点都会用来计算曲面法线,曲面法线是一个在曲面上某一点处,垂直于该点表面的向量;计算法线的目的在于可以根据法线信息推导出物体的潜在曲面形状;
在给定点云的情况下,可以通过计算每个点的局部邻域(例如最近邻点)来估计每个点的法线。这样,每个点的法线一旦计算出来,就可以使用来推断出工件表面的潜在三维曲面形状,从而提高工件建模的精准度。
S34,基于集成点云,提取出三维网格表面,形成工件的网格状原始模型文件;
基于前面处理生成的集成点云数据,通过预定算法提取出三维网格表面。预定算法可以为泊松表面重建、快速三角化中的一种,以从集成点云中提取出三维的网格表面。
生成的三维网格表面具有一定的拓扑结构,包含了大量的顶点(对应于点云中的点)和这些顶点组成的面(通常为三角面)。从而形成记录工件形状的原始模型文件,通常为一种三维模型格式。
S35,将网格状原始模型文件转换为适合加工系统的三维工件模型;
对于不同种的加工系统,所能识别到的模型文件类型也不通,因此需要通过转化获得适合加工系统的三维工件模型;此步骤不限于文件格式的转换,模型的尺寸调整,指定特定的加工参数,或者应用特定的修复算法来优化模型以适应制造过程中的特定要求。
在本实施例中,结合图4所示,步骤S4具体包括:
S41,在三维工件模型上识别出若干个关键特征区域,并确定处理若干个关键特征区域的第一顺序;
第一顺序包括使用特定规则来确定工件上的关键特征区域,比如精雕区域或纹理更复杂的区域,然后根据这些特征区域的重要性或加工难度的参数确定处理的顺序。
S42,在每个关键特征区域内分别进行第一加工路线的规划,并根据轮廓深度图和纹理细节深度图对第一加工路线进行深度补偿,获得三维路径;
每个特征区域规划出一个有效且贴近实际形状的加工路径,同时将路径的加工深度信息补偿到第一加工路线上,以便正确地处理形状的高度和深度变化;即三维路径既包括路线信息,还包括对应的深度信息。
S43,按照第一顺序将每个关键特征区域的三维路径进行串联,以形成预设加工路径;合并所有的加工路径,形成一个连续且具有合适顺序的完整加工路径。
S44,对加工系统上模拟预设加工路径,以评估并优化预设加工路径;使用虚拟模拟或其他评估方法来检查预设加工路径的有效性和优化性,以便进行必要的修改或优化操作。
同时,将整理完毕的包含深度信息的预设加工路径存入到加工控制系统中,准备进行激光加工。
在本实施例中,CNN深度学习模型的训练优化过程具体包括:
获得若干组已知加工参数的工件的三维模型,并将分为训练集、验证集和测试集;
训练集主要用于训练深度学习模型,验证集用于在模型训练过程中进行性能验证和调整,以防止模型过度拟合;测试集则用于在全部训练过程结束后评估模型的最终预测性能。
调用CNN深度学习模型,并定义CNN深度学习模型的损失函数与优化器;优化器用于在训练过程中更新模型权重以最小化损失;
损失函数用于衡量模型预测和真实数据之间的差异,常用的损失函数有均方误差,交叉熵,平均绝对误差中的一种;
优化器是用来在训练过程中根据损失函数的反馈来更新模型权重和偏置的算法,常见的优化器有梯度下降,随机梯度下降,Adam中的一种;优化器的选择会影响到模型训练的效率和最终的性能表现。
通过若干次输入训练集的三维模型和预期的加工参数之间进行前向和反向运行,以进行模型训练。
在前向运行中,输入(训练集的三维模型)会通过CNN深度学习模型向前传播,最终产生预测结果。然后,会计算预测结果与预期加工参数(即标签或真实值)之间的差异,即结果损失;
反向运行是指基于这个结果损失,通过反向传播算法,将损失从CNN深度学习模型的输出层向输入层方向传播,以计算CNN深度学习模型中各权重和偏置的梯度(损失对权重和偏置的偏导数);
优化器会根据这些梯度来更新模型中的权重和偏置参数,目的是最小化损失,从而提高模型预测的准确性;
这个前向运行和反向运行的过程会根据设定的epoch数(epoch数是指训练过程中模型需要通过整个训练数据集的次数),对整个训练集重复进行,直到模型收敛或达到最大训练次数。
模型训练过程中,使用验证集对CNN深度学习模型进行性能评估,并根据性能评估结果来对CNN深度学习模型超参数调整,以获得训练优化的CNN深度学习模型;
用验证集对模型进行测试,然后根据这些测试结果来评估模型的预测性能;性能评估结果被用于调整模型的超参数,包括学习率,批处理大小,神经元数,甚至CNN的特定设置如滤波器数量或者其大小。超参数的调整可以通过各种搜索策略,比如网格搜索或随机搜索实现;
超参数调整过程有助于找到最优的模型配置以实现更好的预测性能。请注意,这个过程可能需要进行多次尝试和修改才能找到最优的超参数组合,因为超参数的选择往往对模型的训练效果和性能有着重要影响。
使用测试集来测试训练优化的CNN深度学习模型,以评估其预测性能。
在整个模型训练和验证过程完成后,最后使用测试集测试模型的预测性能;这一步提供了一个良好的评估标准,可以体现模型的泛化能力。
一般而言,测试集数据在整个训练和验证过程中都未被模型触及,因此这部分数据对于衡量模型是否过度拟合训练数据(也就是过拟合)提供了真实的反馈。这最终帮助确定模型是否已准备好以应对实际生活中的各种情况。
如果测试结果符合要求,模型便可以在实际应用中使用。否则,可能需要调整模型的结构或者参数,甚至重新收集和清洗数据,然后重新开始训练和验证过程,直到达到满意的性能。
进一步说明的是,步骤S7之后还包括:
S8,在激光加工过程中,通过传感组件对工件进行加工监测,以获得检测数据,加工系统通过检测数据以控制激光组件运行;传感组件包括摄像头、温度传感器;检测数据包括图像信息、激光强度信息和温度信息。
摄像头用于收集工件加工过程中的实时图像信息,可以用于监控加工精度;温度传感器则监测加工过程的温度,保证操作在安全和适宜的温度范围内进行,避免因温度过高造成的损伤或失效;
检测数据包括图像信息、激光强度信息和温度信息;这些信息被系统实时接收和处理,然后根据处理结果,系统能够自动调节激光组件的运行,例如调整激光强度或者更改作业路径,从而实现对激光加工过程的实时监控和自动控制,提高加工效果和生产效率。
实施例二:
本发明还提供了一种加工系统,采用如实施例一的激光加工工件表面的方法,加工系统包括:
激光组件,用于对工件进行激光加工;
深度相机,用于获取目标工件的三维表面双视图像;
数据处理模块,用于对三维表面双视图像进行处理,以获得三维工件模型;
存储模块,用于存储CNN深度学习模型和加工数据库;
控制单元,用于控制激光组件运行。
实施例三:
本发明还提供了一种处理器,包括存储器和至少一个处理器,存储器中存储有指令;
处理器调用存储器中的指令,以使得处理器执行如实施例一的激光加工工件表面的方法。
实施例四:
本发明还提供了一种计算机可读存储介质,存储介质上存储有指令,指令用于实现如实施例一的激光加工工件表面的方法。
以上所述,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 (5)
1.一种激光加工工件表面的方法,其特征在于,包括:
使用深度相机获得具有预设图案的目标工件的三维表面双视图像;
对所述三维表面双视图像采用第一预设算法,计算获取轮廓深度图和纹理细节深度图;
基于所述轮廓深度图和纹理细节深度图,计算获得适合于加工系统的三维工件模型;
于所述三维工件模型上规划预设加工路径;
调用训练优化的CNN深度学习模型并对其输入所述三维工件模型,以预测获得最佳的加工参数;
建立对应目标工件的所述预设加工路径和最佳的加工参数的集合,并将所述集合进行存储,形成加工数据库;
调用所述加工数据库,将激光组件设置为最佳的加工参数,驱动激光组件沿预设加工路径移动,以对预设类型的工件进行激光加工,获得工件成品;
对所述三维表面双视图像采用第一预设算法,计算获取轮廓深度图和纹理细节深度图,具体包括:
对所述三维表面双视图像进行预处理;所述预处理包括去噪、亮度和对比度调整;
对所述三维表面双视图像进行对齐处理,获得标准化的第一图像;
基于所述标准化的第一图像,采用半全局匹配算法计算若干个第一像素点的深度信息;
对标准化的第一图像的主要轮廓进行检测和提取,获得轮廓线,将位于所述轮廓线上的第一像素点的深度信息输入到轮廓线上,以生成轮廓深度图;
对标准化的第一图像的纹理和细节进行提取和分析,获得纹理细节线,将位于所述纹理细节线上的第一像素点的深度信息输入到纹理细节线上,生成纹理细节深度图;
所述基于所述轮廓深度图和纹理细节深度图,计算获得适合于加工系统的三维工件模型,具体包括:
通过所述轮廓深度图和纹理细节深度图计算得到对应的轮廓点云数据和纹理细节点云数据;
对轮廓点云数据和纹理细节点云数据进行匹配和拼接,生成具有体素网格结构的集成点云;
对所述集成点云中的每个点计算曲面法线,以推导出潜在曲面;
基于所述集成点云,提取出三维网格表面,形成工件的网格状原始模型文件;
将所述网格状原始模型文件转换为适合加工系统的三维工件模型;
于所述三维工件模型上规划预设加工路径,具体包括:
在三维工件模型上识别出若干个关键特征区域,并确定处理若干个关键特征区域的第一顺序;
在每个所述关键特征区域内分别进行第一加工路线的规划,并根据所述轮廓深度图和所述纹理细节深度图对所述第一加工路线进行深度补偿,获得三维路径;
按照所述第一顺序将每个所述关键特征区域的三维路径进行串联,以形成预设加工路径;
对加工系统上模拟所述预设加工路径,以评估并优化所述预设加工路径;
所述CNN深度学习模型的训练优化过程具体包括:
获得若干组已知加工参数的工件的三维模型,并将分为训练集、验证集和测试集;
调用CNN深度学习模型,并定义CNN深度学习模型的损失函数与优化器;所述优化器用于在训练过程中更新模型权重以最小化损失;
通过若干次输入训练集的三维模型和预期的加工参数之间进行前向和反向运行,以进行模型训练;
模型训练过程中,使用验证集对CNN深度学习模型进行性能评估,并根据性能评估结果来对CNN深度学习模型超参数调整,以获得训练优化的CNN深度学习模型;
使用所述测试集来测试所述训练优化的CNN深度学习模型,以评估其预测性能。
2.根据权利要求1所述的激光加工工件表面的方法,其特征在于,调用所述加工数据库,将激光组件设置为最佳的加工参数,驱动激光组件沿预设加工路径移动,以对预设类型的工件进行激光加工,获得工件成品,之后还包括:
在激光加工过程中,通过传感组件对工件进行加工监测,以获得检测数据,加工系统通过所述检测数据以控制所述激光组件运行;所述传感组件包括摄像头、温度传感器;所述检测数据包括图像信息、激光强度信息和温度信息。
3.一种加工系统,其特征在于,采用如权利要求1至2任一项所述激光加工工件表面的方法,所述加工系统包括:
激光组件,用于对工件进行激光加工;
深度相机,用于获取目标工件的三维表面双视图像;
数据处理模块,用于对所述三维表面双视图像进行处理,以获得三维工件模型;
存储模块,用于存储所述CNN深度学习模型和所述加工数据库;
控制单元,用于控制所述激光组件运行。
4.一种处理器,其特征在于,包括存储器和至少一个处理器,所述存储器中存储有指令;
所述处理器调用所述存储器中的所述指令,以使得所述处理器执行如权利要求1至2中任一项所述的激光加工工件表面的方法。
5.一种计算机可读存储介质,其特征在于,所述存储介质上存储有指令,所述指令用于实现如权利要求1至2中任一项所述的激光加工工件表面的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294554.2A CN117047286B (zh) | 2023-10-09 | 2023-10-09 | 一种激光加工工件表面的方法、加工系统、处理器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294554.2A CN117047286B (zh) | 2023-10-09 | 2023-10-09 | 一种激光加工工件表面的方法、加工系统、处理器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117047286A CN117047286A (zh) | 2023-11-14 |
CN117047286B true CN117047286B (zh) | 2024-01-16 |
Family
ID=88653869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311294554.2A Active CN117047286B (zh) | 2023-10-09 | 2023-10-09 | 一种激光加工工件表面的方法、加工系统、处理器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117047286B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117697170A (zh) * | 2023-12-22 | 2024-03-15 | 华南智能机器人创新研究院 | 一种激光切割设备的激光切割控制方法及相关装置 |
CN118070983A (zh) * | 2024-04-19 | 2024-05-24 | 苏州城市学院 | 一种基于深度学习的工业机械生产优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305229A (zh) * | 2018-01-29 | 2018-07-20 | 深圳市唯特视科技有限公司 | 一种基于深度学习轮廓网络的多视图重建方法 |
CN112862072A (zh) * | 2021-02-02 | 2021-05-28 | 广州市帕菲克义齿科技有限公司 | 基于云平台及大数据的义齿自动匹配生产方法及系统 |
CN114169022A (zh) * | 2021-10-29 | 2022-03-11 | 深圳精匠云创科技有限公司 | 在胚料上雕刻出雕刻标的3d表面的方法及系统 |
CN116765646A (zh) * | 2023-07-14 | 2023-09-19 | 厦门大学 | 一种加工周期性微结构的五轴振镜激光精密加工方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109253708B (zh) * | 2018-09-29 | 2020-09-11 | 南京理工大学 | 一种基于深度学习的条纹投影时间相位展开方法 |
-
2023
- 2023-10-09 CN CN202311294554.2A patent/CN117047286B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305229A (zh) * | 2018-01-29 | 2018-07-20 | 深圳市唯特视科技有限公司 | 一种基于深度学习轮廓网络的多视图重建方法 |
CN112862072A (zh) * | 2021-02-02 | 2021-05-28 | 广州市帕菲克义齿科技有限公司 | 基于云平台及大数据的义齿自动匹配生产方法及系统 |
CN114169022A (zh) * | 2021-10-29 | 2022-03-11 | 深圳精匠云创科技有限公司 | 在胚料上雕刻出雕刻标的3d表面的方法及系统 |
CN116765646A (zh) * | 2023-07-14 | 2023-09-19 | 厦门大学 | 一种加工周期性微结构的五轴振镜激光精密加工方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117047286A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117047286B (zh) | 一种激光加工工件表面的方法、加工系统、处理器和存储介质 | |
CN111274671B (zh) | 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行系统 | |
CN112927357B (zh) | 一种基于动态图网络的3d物体重建方法 | |
CN109615113A (zh) | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 | |
CN102423831B (zh) | 一种模具型腔曲面纹理蚀刻方法及装置 | |
CN103678754B (zh) | 信息处理装置及信息处理方法 | |
JP2002505194A (ja) | 曲がり板の成形方法および装置 | |
CN110962046B (zh) | 五金件的缺陷识别方法、系统及存储介质 | |
CN113920060A (zh) | 焊接机器人自主作业方法、装置、电子设备及存储介质 | |
Dorai et al. | From images to models: Automatic 3D object model construction from multiple views | |
CN116618764B (zh) | 一种镜面放电加工机的生产优化方法及系统 | |
JP2011141673A (ja) | 加工シミュレーション装置および数値制御装置 | |
Shen et al. | Measurement and evaluation of laser-scanned 3D profiles in wire arc hybrid manufacturing processes | |
Geng et al. | A method of welding path planning of steel mesh based on point cloud for welding robot | |
Zhang et al. | Design of Gaussian process based model predictive control for seam tracking in a laser welding digital twin environment | |
CN110153582A (zh) | 焊接方案生成方法、装置以及焊接系统 | |
CN116775797B (zh) | 一种基于多源大数据融合的城市空间全息地图的构建方法 | |
JP7353245B2 (ja) | 付加製造装置および付加製造方法 | |
US11243507B2 (en) | Morphic manufacturing | |
CN114970632B (zh) | 基于多脉冲激光的污染物清除方法和装置 | |
CN114981740A (zh) | 用于预测用于制造牙科修复体/矫治器的机加工时间的牙科机加工系统 | |
US20200201268A1 (en) | System and method for guiding a sensor around an unknown scene | |
Le et al. | Surface Reconstruction Using Geometric Features and Machining Process | |
Yeung et al. | Application of Digital Twins to Laser Powder Bed Fusion Additive Manufacturing Process Control | |
WO2022180842A1 (ja) | 積層造形技術の開発方法および3次元積層造形システム |
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 |