CN117067004B - 一种平磨机及其控制方法 - Google Patents
一种平磨机及其控制方法 Download PDFInfo
- Publication number
- CN117067004B CN117067004B CN202311333622.1A CN202311333622A CN117067004B CN 117067004 B CN117067004 B CN 117067004B CN 202311333622 A CN202311333622 A CN 202311333622A CN 117067004 B CN117067004 B CN 117067004B
- Authority
- CN
- China
- Prior art keywords
- quartz workpiece
- workpiece surface
- training
- quartz
- topological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000010453 quartz Substances 0.000 claims abstract description 310
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract description 310
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 125
- 239000011159 matrix material Substances 0.000 claims description 114
- 238000012549 training Methods 0.000 claims description 112
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 21
- 238000009826 distribution Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000009928 pasteurization Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B7/00—Machines or devices designed for grinding plane surfaces on work, including polishing plane glass surfaces; Accessories therefor
- B24B7/20—Machines or devices designed for grinding plane surfaces on work, including polishing plane glass surfaces; Accessories therefor characterised by a special design with respect to properties of the material of non-metallic articles to be ground
- B24B7/22—Machines or devices designed for grinding plane surfaces on work, including polishing plane glass surfaces; Accessories therefor characterised by a special design with respect to properties of the material of non-metallic articles to be ground for grinding inorganic material, e.g. stone, ceramics, porcelain
- B24B7/228—Machines or devices designed for grinding plane surfaces on work, including polishing plane glass surfaces; Accessories therefor characterised by a special design with respect to properties of the material of non-metallic articles to be ground for grinding inorganic material, e.g. stone, ceramics, porcelain for grinding thin, brittle parts, e.g. semiconductors, wafers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Ceramic Engineering (AREA)
- Inorganic Chemistry (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
公开了一种平磨机及其控制方法。其首先获取待加工石英工件的表面图像,接着,对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征,然后,基于所述石英工件表面特征,确定推荐的初始磨削速度值。这样,可以在进行石英工件的磨削加工时实现平磨机的自动化控制,避免人工介入引起的低效率和低控制精度的问题,从而提高加工效率和加工质量,并减少人工干预的需求。
Description
技术领域
本公开涉及平磨机领域,且更为具体地,涉及一种平磨机及其控制方法。
背景技术
平磨机是一种用于磨削加工材料表面的设备,常用于半导体行业的石英材料加工中。在石英半导体制造过程中,石英材料的表面通常存在微小的不平整、凹凸和划痕等缺陷。平磨机可以通过磨削和抛光的方式,使石英材料的表面变得平整,以满足半导体制造中对表面平整度的要求。
并且,在半导体制造过程中,石英材料的厚度和平行度对于器件的性能和稳定性至关重要。平磨机可以通过控制磨削过程中的参数,如磨削速度、磨削压力和磨削时间等,来实现对石英材料厚度和平行度的精确控制。
然而,传统的平磨机控制方案通常是基于专业技术人员的人工经验和试错方式来确定初始磨削速度。具体来说,操作人员需要具备丰富的经验和技巧,通过不断尝试和调整来找到合适的速度,这种方法存在较高的主观性和不确定性,容易导致石英工件的加工效率低下和质量不稳定。
因此,期望一种优化的平磨机的控制方案。
发明内容
有鉴于此,本公开提出了一种平磨机及其控制方法,其可以在进行石英工件的磨削加工时实现平磨机的自动化控制,避免人工介入引起的低效率和低控制精度的问题,从而提高加工效率和加工质量,并减少人工干预的需求。
根据本公开的一方面,提供了一种平磨机的控制方法,其包括:
获取待加工石英工件的表面图像;
对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征;以及
基于所述石英工件表面特征,确定推荐的初始磨削速度值。
根据本公开的另一方面,提供了一种平磨机,其中,所述平磨机以前述的平磨机的控制方法进行运转。
根据本公开的实施例,其首先获取待加工石英工件的表面图像,接着,对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征,然后,基于所述石英工件表面特征,确定推荐的初始磨削速度值。这样,可以在进行石英工件的磨削加工时实现平磨机的自动化控制,避免人工介入引起的低效率和低控制精度的问题,从而提高加工效率和加工质量,并减少人工干预的需求。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的平磨机的控制方法的流程图。
图2示出根据本公开的实施例的平磨机的控制方法的架构示意图。
图3示出根据本公开的实施例的平磨机的控制方法的子步骤S120的流程图。
图4示出根据本公开的实施例的平磨机的控制方法的子步骤S122的流程图。
图5示出根据本公开的实施例的平磨机的控制方法的子步骤S123的流程图。
图6示出根据本公开的实施例的平磨机的控制系统的框图。
图7示出根据本公开的实施例的平磨机的控制方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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他实施例,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
实施例1:
针对背景技术中所提及的技术问题或技术需求,本申请的技术构思为通过摄像头采集石英工件的表面图像,并在后端引入图像处理和分析算法来对石英工件表面状态进行分析,从而基于石英工件的表面情况来自动推荐适宜的初始磨削速度,通过这样的方式,能够在进行石英工件的磨削加工时实现平磨机的自动化控制,避免人工介入引起的低效率和低控制精度的问题,从而提高加工效率和加工质量,并减少人工干预的需求。
相应地,图1示出根据本公开的实施例的平磨机的控制方法的流程图。图2示出根据本公开的实施例的平磨机的控制方法的架构示意图。如图1和图2所示,根据本公开实施例的平磨机的控制方法,包括步骤:S110,获取待加工石英工件的表面图像;S120,对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征;以及,S130,基于所述石英工件表面特征,确定推荐的初始磨削速度值。
具体地,在本公开的技术方案中,首先,获取待加工石英工件的表面图像。接着,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待加工石英工件的表面图像的特征挖掘,但是由于卷积运算的固有局限性,纯CNN的方法很难学习明确的全局和远程语义信息交互。并且,还考虑到由于所述待加工石英工件的表面图像中关于石英工件的表面状态特征信息可能为小尺度的细微特征,难以通过传统的特征提取方式进行捕捉获取。因此,为了能够提高所述待加工石英工件的表面图像中关于石英工件的表面状态隐含小尺度的细微特征表达能力,以此来提高初始磨削速度值的推荐精准度,在本公开的技术方案中,将所述待加工石英工件的表面图像进行图像块切分处理以得到石英工件表面图像块的序列后,将所述石英工件表面图像块的序列通过包含嵌入层的ViT模型中进行编码,以提取出所述待加工石英工件的表面图像中有关于石英表面局部状态的上下文语义关联特征信息,从而得到石英工件表面特征向量的序列。应可以理解,在对于所述待加工石英工件的表面图像进行图像分块处理后的各个图像块中关于石英工件的表面状态小尺度隐含特征不再是小尺度的特征信息,有利于后续进行石英工件的表面状态提取。特别地,这里,嵌入化的实现过程是先分别将各个所述石英工件表面图像块中所有像素位置的像素值排列为一维向量,然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且,这里,所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个石英工件表面图像块,以此来分别提取出所述各个石英工件表面图像块中基于所述待加工石英工件的表面图像整体的关于所述石英工件的表面状态隐含上下文语义关联特征信息。
然后,考虑到由于所述待加工石英工件的表面图像中的各个局部区域都具有着关于该石英工件的表面状态局部关联特征信息。在对于石英工件的表面状态进行检测以推荐初始磨削速度值时,为了能够对于石英工件的表面情况进行更精准地判断,在本公开的技术方案中,进一步计算所述石英工件表面特征向量的序列中任意两个石英工件表面特征向量之间的巴氏距离以得到石英工件表面区域间一致性拓扑矩阵,以评估不同石英工件表面的局部区域之间的状态相似性或一致性,以便于后续进行所述石英工件的各个表面局部区域状态特征之间的关联特征捕捉和刻画。应可以理解,巴氏距离是一种用于度量两个概率分布之间的相似性的统计指标。在这里,将所述各个石英工件表面特征向量视为概率分布,其中每个特征向量代表一个石英工件表面的局部特征。通过计算任意两个所述石英工件表面特征向量之间的巴氏距离,可以量化它们之间的相似性和一致性关联关系,便于后续的初始磨削速度值判断。
继而,再将所述石英工件表面区域间一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器中进行特征挖掘,以提取出所述石英工件表面的各个局部区域状态间的一致性拓扑关联特征信息,从而得到石英工件表面区域间一致性拓扑特征矩阵。
进一步地,以所述石英工件表面特征向量的序列中的各个石英工件表面特征向量作为节点的特征表示,而以所述石英工件表面区域间一致性拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个石英工件表面特征向量经二维排列得到的石英工件表面特征矩阵和所述石英工件表面区域间一致性拓扑特征矩阵通过图神经网络模型以得到拓扑全局石英工件表面特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述石英工件表面特征矩阵的序列和所述石英工件表面区域间一致性拓扑特征矩阵进行图结构数据编码以得到包含不规则的所述石英工件表面的各个局部区域状态一致性拓扑关联特征和所述石英工件表面的各个局部区域状态隐含特征信息的所述拓扑全局石英工件表面特征矩阵。
相应地,如图3所示,对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征,包括:S121,将所述待加工石英工件的表面图像进行图像块切分以得到石英工件表面图像块的序列;S122,将所述石英工件表面图像块的序列通过包含嵌入层的ViT模型以得到石英工件表面特征向量的序列;S123,对所述石英工件表面特征向量的序列进行一致性关联分析以得到石英工件表面区域间一致性拓扑特征矩阵;以及,S124,将所述石英工件表面特征向量的序列和所述石英工件表面区域间一致性拓扑特征矩阵进行图结构的关联编码以得到拓扑全局石英工件表面特征矩阵作为所述石英工件表面特征。应可以理解,在步骤S121中,将待加工石英工件的表面图像进行图像块切分以得到石英工件表面图像块的序列的目的是将整个石英工件表面图像切分成多个小块,以便对每个小块进行后续的特征提取和分析。在步骤S122中,将石英工件表面图像块的序列通过包含嵌入层的ViT模型以得到石英工件表面特征向量的序列,这一步骤使用ViT(Vision Transformer)模型来提取每个石英工件表面图像块的特征向量。ViT模型是一种基于Transformer架构的图像处理模型,通过学习图像中不同位置的特征表示,将每个图像块映射为对应的特征向量。在步骤S123中,对石英工件表面特征向量的序列进行一致性关联分析以得到石英工件表面区域间一致性拓扑特征矩阵的目的是分析石英工件表面特征向量之间的一致性关系,以捕捉不同区域之间的拓扑特征,通过对特征向量序列进行关联分析,可以得到一个矩阵,其中的元素表示不同表面区域之间的一致性程度。在步骤S124中,将石英工件表面特征向量序列和一致性拓扑特征矩阵进行图结构的关联编码,以综合考虑局部特征和全局拓扑特征,通过这一步骤,可以得到一个拓扑全局石英工件表面特征矩阵,用于表示石英工件表面的特征。总体而言,这个过程通过图像特征分析和关联分析的方法,将待加工石英工件的表面图像转化为拓扑全局石英工件表面特征矩阵,以描述和表示石英工件表面的特征。这些特征可以用于后续的石英工件加工、质量控制或其他相关应用中。
更具体地,在步骤S122中,如图4所示,将所述石英工件表面图像块的序列通过包含嵌入层的ViT模型以得到石英工件表面特征向量的序列,包括:S1221,将所述石英工件表面图像块的序列中的各个石英工件表面图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列;以及,S1222,使用所述包含嵌入层的ViT模型的嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述石英工件表面特征向量的序列。值得一提的是,全连接编码(Fully Connected Encoding)是指使用全连接层对输入数据进行编码的过程。在步骤S1222中,通过使用包含嵌入层的ViT模型的嵌入层,对一维像素值向量序列中的每个一维像素值向量进行全连接编码,以得到石英工件表面特征向量的序列。全连接层是神经网络中常见的一种层类型,其中每个神经元与前一层的所有神经元相连接。全连接编码的目的是通过学习权重参数,将输入数据映射为具有更高级别表示的特征向量。全连接层可以捕捉输入数据之间的复杂非线性关系,从而提取更丰富的特征表示。这里,全连接编码的目的是对石英工件表面图像块的一维像素值向量进行编码,以获取更有意义的特征表示。通过使用全连接层,ViT模型可以将每个图像块的像素值向量转换为具有更高级别语义信息的特征向量。这样,石英工件表面特征向量的序列可以更好地表示石英工件表面的特征,为后续的一致性关联分析提供更准确的输入。
更具体地,在步骤S123中,如图5所示,对所述石英工件表面特征向量的序列进行一致性关联分析以得到石英工件表面区域间一致性拓扑特征矩阵,包括:S1231,计算所述石英工件表面特征向量的序列中任意两个石英工件表面特征向量之间的巴氏距离以得到石英工件表面区域间一致性拓扑矩阵;以及,S1232,将所述石英工件表面区域间一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述石英工件表面区域间一致性拓扑特征矩阵。应可以理解,在步骤S1231中,计算石英工件表面特征向量的序列中任意两个石英工件表面特征向量之间的巴氏距离以得到石英工件表面区域间一致性拓扑矩阵。巴氏距离(Bhattacharyya distance)是一种度量两个概率分布之间的相似性的指标,在这里,将石英工件表面特征向量看作概率分布,通过计算任意两个特征向量之间的巴氏距离,可以衡量它们之间的相似性,通过对特征向量序列中所有特征向量之间的巴氏距离进行计算,可以得到一个矩阵,其中的元素表示不同表面区域之间的一致性程度。在步骤S1232中,使用基于卷积神经网络的拓扑特征提取器对一致性拓扑矩阵进行处理,以提取更高级别的拓扑特征。卷积神经网络(Convolutional Neural Network,CNN)是一种在图像处理中广泛应用的深度学习模型,可以有效地提取图像中的特征。通过将一致性拓扑矩阵输入到拓扑特征提取器中,可以学习到石英工件表面区域间的更高级别的拓扑特征表示。这样,可以得到一个石英工件表面区域间一致性拓扑特征矩阵,用于描述不同区域之间的拓扑关系。这两个步骤是用于分析石英工件表面特征向量之间的一致性关系和提取拓扑特征的方法。通过计算巴氏距离和使用卷积神经网络,可以得到一个石英工件表面区域间一致性拓扑特征矩阵,用于表示不同表面区域之间的一致性关系和拓扑特征。这些特征可以为后续的图结构关联编码提供更丰富的输入,从而得到更准确的拓扑全局石英工件表面特征矩阵。
更具体地,在步骤S124中,将所述石英工件表面特征向量的序列和所述石英工件表面区域间一致性拓扑特征矩阵进行图结构的关联编码以得到拓扑全局石英工件表面特征矩阵作为所述石英工件表面特征,包括:将所述石英工件表面特征向量的序列和所述石英工件表面区域间一致性拓扑特征矩阵通过图神经网络模型以得到所述拓扑全局石英工件表面特征矩阵。值得一提的是,图神经网络(Graph Neural Network,GNN)是一种用于处理图结构数据的深度学习模型。与传统的神经网络模型适用于处理向量或矩阵形式的数据不同,图神经网络专门设计用于处理包含节点和边的图数据,可以捕捉节点之间的关系和图的拓扑结构。这里,将石英工件表面特征向量的序列和石英工件表面区域间一致性拓扑特征矩阵输入到图神经网络模型中,以得到拓扑全局石英工件表面特征矩阵。图神经网络模型可以学习节点之间的关系和图的拓扑结构,并将这些信息编码到节点的特征表示中。通过将石英工件表面特征向量的序列作为节点特征,石英工件表面区域间一致性拓扑特征矩阵作为图的拓扑结构,图神经网络模型可以在全局范围内理解石英工件表面的特征。拓扑全局石英工件表面特征矩阵包含了节点特征和图结构的综合信息,可以更全面地描述石英工件表面的特征。因此,图神经网络模型将石英工件表面特征向量和一致性拓扑特征结合起来,通过学习图的结构和节点之间的关系,得到拓扑全局石英工件表面特征矩阵,从而更好地表示石英工件表面的特征。
进而,将所述拓扑全局石英工件表面特征矩阵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初始磨削速度值。也就是说,利用所述石英工件表面的各个局部区域状态特征信息和一致性拓扑关联特征信息之间的图结构关联特征来进行解码,从而自动进行适宜的初始磨削速度推荐,通过这样的方式,能够在进行石英工件的磨削加工时实现平磨机的自动化控制,避免人工介入引起的低效率和低控制精度的问题,从而提高加工效率和加工质量。
相应地,基于所述石英工件表面特征,确定推荐的初始磨削速度值,包括:将所述拓扑全局石英工件表面特征矩阵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初始磨削速度值。应可以理解,使用解码器对拓扑全局石英工件表面特征矩阵进行解码回归,以得到对应的解码值,解码器是一个模型,可以将输入的特征矩阵映射回原始数据空间,并输出与原始数据相对应的值。在这里,解码器将拓扑全局石英工件表面特征矩阵映射为推荐的初始磨削速度值。这样,通过解码回归,可以得到一个数值表示的初始磨削速度值,用于推荐石英工件的磨削操作。总体而言,这两个步骤是用于确定推荐的初始磨削速度值的方法。通过对拓扑全局石英工件表面特征矩阵进行分布增益和解码回归,可以得到一个数值表示的初始磨削速度值,用于指导石英工件的磨削操作。这样,可以通过分析石英工件表面特征并结合机器学习方法,提供针对性的磨削速度建议,以优化石英工件的磨削过程。
更具体地,将所述拓扑全局石英工件表面特征矩阵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初始磨削速度值,包括:使用所述解码器的多个全连接层以如下解码公式对所述拓扑全局石英工件表面特征矩阵进行解码回归以获得所述解码值,其中,所述解码公式为:Y=W⊗X,其中,X是所述拓扑全局石英工件表面特征矩阵,Y是所述解码值,W是权重矩阵,⊗表示矩阵乘。
值得一提的是,解码器是一种神经网络模型,用于将编码后的特征表示映射回原始数据空间。在解码器中,通常使用逆操作来逐步恢复原始数据的表示。例如,对于图像数据,解码器可以使用反卷积操作来将低维特征映射回原始图像空间。对于序列数据,解码器可以使用递归神经网络(RNN)或者逆卷积神经网络(Deconvolutional Neural Network)来进行逐步解码。解码器的目标是尽可能地还原原始数据,使得解码后的输出与输入数据尽量接近。通过训练自编码器,可以学习到数据的压缩表示和重建能力,同时也可以用于生成新的数据样本。在本公开中,解码器用于将拓扑全局石英工件表面特征矩阵映射回原始的初始磨削速度值,解码器接收经过增益处理的特征矩阵作为输入,并输出对应的初始磨削速度值。通过解码器的解码回归过程,可以将特征矩阵转化为实际的磨削参数,从而实现对初始磨削速度值的推荐。
进一步地,所述平磨机的控制方法还包括训练步骤:用于对所述包含嵌入层的ViT模型、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述解码器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括待加工石英工件的训练表面图像,以及,初始磨削速度值的真实值;将所述待加工石英工件的训练表面图像进行图像块切分以得到训练石英工件表面图像块的序列;将所述训练石英工件表面图像块的序列中的各个训练石英工件表面图像块的二维像素值矩阵展开为训练一维像素值向量以得到训练一维像素值向量的序列;使用所述包含嵌入层的ViT模型的嵌入层分别对所述训练一维像素值向量的序列中的各个训练一维像素值向量进行全连接编码以得到训练石英工件表面特征向量的序列;计算所述训练石英工件表面特征向量的序列中任意两个训练石英工件表面特征向量之间的巴氏距离以得到训练石英工件表面区域间一致性拓扑矩阵;将所述训练石英工件表面区域间一致性拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练石英工件表面区域间一致性拓扑特征矩阵;将所述训练石英工件表面特征向量的序列和所述训练石英工件表面区域间一致性拓扑特征矩阵通过所述图神经网络模型以得到训练拓扑全局石英工件表面特征矩阵;将所述训练拓扑全局石英工件表面特征矩阵通过所述解码器进行解码回归以得到解码损失函数值;基于所述解码损失函数值并通过梯度下降的方向传播来对所述包含嵌入层的ViT模型、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对于所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛优化。
在本申请的技术方案中,将所述训练石英工件表面图像块的序列通过包含嵌入层的ViT模型以得到训练石英工件表面特征向量的序列时,每个训练石英工件表面特征向量可以表达相应的训练石英工件表面图像块的分块间的局部图像空间域内上下文关联的图像语义关联特征,这样,将所述训练石英工件表面特征向量的序列和所述训练石英工件表面区域间一致性拓扑特征矩阵通过图神经网络模型后,得到的所述训练拓扑全局石英工件表面特征矩阵可以进一步表达各个训练石英工件表面图像块的局部图像语义关联表示在全局图像空间域内的图像全局分块间语义拓扑下的拓扑上下文关联。但是,如果将所述训练拓扑全局石英工件表面特征矩阵作为整体,则其对于各个局部图像空间域内的图像语义特征表达可能存在不均衡,并且,本申请的申请人进一步发现,这种不均衡在很大程度上与特征表达尺度相关,即特征向量的局部空间维度上的图像语义特征表达尺度,和各个特征向量间的特征矩阵的全局空间维度下的局部空间分布的图像语义特征拓扑关联尺度,例如,可以理解为相对于进行图像切分的尺度,局部图像空间域内与局部图像空间间的尺度分布越不均衡,则所述内部结构一致性拓扑全局图像特征矩阵的整体表达也越不均衡。
因此,优选地,对于所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量,例如记为Vi以及所述训练拓扑全局石英工件表面特征矩阵,例如记为M进行特征尺度约束的概率密度收敛优化。
更具体地,对于所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛优化,包括:计算所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛权重以得到多个第一概率密度收敛权重和第二概率密度收敛权重;以所述多个第一概率密度收敛权重中的各个第一概率密度收敛权重对所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量进行加权以得到优化后的训练石英工件表面特征向量的序列;以所述第二概率密度收敛权重对从优化后的训练石英工件表面特征向量的序列得到的训练拓扑全局石英工件表面特征矩阵进行加权以得到优化后的训练拓扑全局石英工件表面特征矩阵。
更具体地,计算所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛权重以得到多个第一概率密度收敛权重和第二概率密度收敛权重,包括:以如下权重计算公式计算所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛权重以得到所述多个第一概率密度收敛权重和所述第二概率密度收敛权重;其中,所述权重计算公式为:
w1i=L×vij∈VivijL2+Vi22
w2=S×mi,j∈Mmi,jS2+MF2
其中,Vi是所述训练石英工件表面特征向量的序列中的第i个训练石英工件表面特征向量,M是所述训练拓扑全局石英工件表面特征矩阵,mi,j是所述训练拓扑全局石英工件表面特征矩阵中第(i,j)位置的特征值,L是特征向量Vi的长度,vij是特征向量Vi的第j个特征值,Vi22表示特征向量Vi的二范数的平方,S是特征矩阵的尺度,即宽度乘以高度,且MF2表示特征矩阵的Frobenius范数的平方,w1i是所述多个第一概率密度收敛权重中的第i个训练石英工件表面特征向量,w2是所述第二概率密度收敛权重。
这里,所述特征尺度约束的概率密度收敛优化可以通过类标准柯西分布式的尾部分布加强机制,来基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束,以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开,从而弥补特征尺度偏差导致的概率密度收敛异质性。这样,在训练过程中的每次迭代时,以上述权重w1i对所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量进行加权,并以权重w2对从优化后的训练石英工件表面特征向量的序列得到的训练拓扑全局石英工件表面特征矩阵进行加权,就可以提升优化后的训练拓扑全局石英工件表面特征矩阵在概率密度域内的表达收敛性,从而提升其通过解码器得到的解码值的准确性。
综上,基于本公开实施例的平磨机的控制方法,其可以在进行石英工件的磨削加工时实现平磨机的自动化控制,避免人工介入引起的低效率和低控制精度的问题,从而提高加工效率和加工质量,并减少人工干预的需求。
实施例2:
进一步地,本公开的实施例还提供一种平磨机,其中,所述平磨机以如前述任一所述的平磨机的控制方法进行运转。
本领域普通技术人员应知晓,平磨机是一种用于研磨物料的机械设备,它通常由一对旋转的磨盘组成,其中一个磨盘固定不动,被称为静盘,另一个磨盘则可以旋转,被称为动盘。物料被放置在两个磨盘之间,通过磨盘之间的相对运动进行研磨。平磨机的结构和工作原理可以根据具体的应用需求进行设计和调整。一些平磨机还可以通过调整磨盘之间的间隙来控制研磨的粒度。平磨机广泛应用于食品加工、化工、制药、矿业等行业,在物料研磨和加工过程中起到重要的作用。在本申请的实施例中,所述平磨机用于对石英材料进行磨削加工。
图6示出根据本公开的实施例的平磨机的控制系统100的框图。如图6所示,根据本公开实施例的平磨机的控制系统100,包括:图像获取模块110,用于获取待加工石英工件的表面图像;图像特征分析模块120,用于对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征;以及,初始磨削速度值确认模块130,用于基于所述石英工件表面特征,确定推荐的初始磨削速度值。
在一种可能的实现方式中,所述图像特征分析模块120,包括:图像块切分单元,用于将所述待加工石英工件的表面图像进行图像块切分以得到石英工件表面图像块的序列;嵌入编码单元,用于将所述石英工件表面图像块的序列通过包含嵌入层的ViT模型以得到石英工件表面特征向量的序列;一致性关联分析单元,用于对所述石英工件表面特征向量的序列进行一致性关联分析以得到石英工件表面区域间一致性拓扑特征矩阵;以及,关联编码单元,用于将所述石英工件表面特征向量的序列和所述石英工件表面区域间一致性拓扑特征矩阵进行图结构的关联编码以得到拓扑全局石英工件表面特征矩阵作为所述石英工件表面特征。
这里,本领域技术人员可以理解,上述平磨机的控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的平磨机的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。
如上所述,根据本公开实施例的平磨机的控制系统100可以实现在各种无线终端中,例如具有平磨机的控制算法的服务器等。在一种可能的实现方式中,根据本公开实施例的平磨机的控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该平磨机的控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该平磨机的控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该平磨机的控制系统100与该无线终端也可以是分立的设备,并且该平磨机的控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7示出根据本公开的实施例的平磨机的控制方法的应用场景图。如图7所示,在该应用场景中,首先,获取待加工石英工件的表面图像(例如,图7中所示意的D),然后,将所述待加工石英工件的表面图像输入至部署有平磨机的控制算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述平磨机的控制算法对所述待加工石英工件的表面图像进行处理以得到用于表示推荐的初始磨削速度值的解码值。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种平磨机的控制方法,其特征在于,包括:
获取待加工石英工件的表面图像;
对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征;和
基于所述石英工件表面特征,确定推荐的初始磨削速度值;
其中,所述对所述待加工石英工件的表面图像进行图像特征分析以得到石英工件表面特征,包括:
将所述待加工石英工件的表面图像进行图像块切分以得到石英工件表面图像块的序列;
将所述石英工件表面图像块的序列通过包含嵌入层的ViT模型以得到石英工件表面特征向量的序列;
对所述石英工件表面特征向量的序列进行一致性关联分析以得到石英工件表面区域间一致性拓扑特征矩阵;以及
将所述石英工件表面特征向量的序列和所述石英工件表面区域间一致性拓扑特征矩阵进行图结构的关联编码以得到拓扑全局石英工件表面特征矩阵作为所述石英工件表面特征;
其中,将所述石英工件表面图像块的序列通过包含嵌入层的ViT模型以得到石英工件表面特征向量的序列,包括:
将所述石英工件表面图像块的序列中的各个石英工件表面图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列;以及
使用所述包含嵌入层的ViT模型的嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述石英工件表面特征向量的序列;
其中,对所述石英工件表面特征向量的序列进行一致性关联分析以得到石英工件表面区域间一致性拓扑特征矩阵,包括:
计算所述石英工件表面特征向量的序列中任意两个石英工件表面特征向量之间的巴氏距离以得到石英工件表面区域间一致性拓扑矩阵;以及
将所述石英工件表面区域间一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述石英工件表面区域间一致性拓扑特征矩阵;
其中,将所述石英工件表面特征向量的序列和所述石英工件表面区域间一致性拓扑特征矩阵进行图结构的关联编码以得到拓扑全局石英工件表面特征矩阵作为所述石英工件表面特征,包括:
将所述石英工件表面特征向量的序列和所述石英工件表面区域间一致性拓扑特征矩阵通过图神经网络模型以得到所述拓扑全局石英工件表面特征矩阵;
其中,基于所述石英工件表面特征,确定推荐的初始磨削速度值,包括:
将所述拓扑全局石英工件表面特征矩阵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初始磨削速度值;
其中,将所述拓扑全局石英工件表面特征矩阵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初始磨削速度值,包括:
使用所述解码器的多个全连接层以如下解码公式对所述拓扑全局石英工件表面特征矩阵进行解码回归以获得所述解码值,其中,所述解码公式为:,其中,/>是所述拓扑全局石英工件表面特征矩阵,/>是所述解码值,/>是权重矩阵,/>表示矩阵乘。
2.根据权利要求1所述的平磨机的控制方法,其特征在于,还包括训练步骤:用于对所述包含嵌入层的ViT模型、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述解码器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括待加工石英工件的训练表面图像,以及,初始磨削速度值的真实值;
将所述待加工石英工件的训练表面图像进行图像块切分以得到训练石英工件表面图像块的序列;
将所述训练石英工件表面图像块的序列中的各个训练石英工件表面图像块的二维像素值矩阵展开为训练一维像素值向量以得到训练一维像素值向量的序列;
使用所述包含嵌入层的ViT模型的嵌入层分别对所述训练一维像素值向量的序列中的各个训练一维像素值向量进行全连接编码以得到训练石英工件表面特征向量的序列;
计算所述训练石英工件表面特征向量的序列中任意两个训练石英工件表面特征向量之间的巴氏距离以得到训练石英工件表面区域间一致性拓扑矩阵;
将所述训练石英工件表面区域间一致性拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练石英工件表面区域间一致性拓扑特征矩阵;
将所述训练石英工件表面特征向量的序列和所述训练石英工件表面区域间一致性拓扑特征矩阵通过所述图神经网络模型以得到训练拓扑全局石英工件表面特征矩阵;
将所述训练拓扑全局石英工件表面特征矩阵通过所述解码器进行解码回归以得到解码损失函数值;
基于所述解码损失函数值并通过梯度下降的方向传播来对所述包含嵌入层的ViT模型、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对于所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛优化。
3.根据权利要求2所述的平磨机的控制方法,其特征在于,对于所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛优化,包括:
计算所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量以及所述训练拓扑全局石英工件表面特征矩阵进行特征尺度约束的概率密度收敛权重以得到多个第一概率密度收敛权重和第二概率密度收敛权重;
以所述多个第一概率密度收敛权重中的各个第一概率密度收敛权重对所述训练石英工件表面特征向量的序列中的每个训练石英工件表面特征向量进行加权以得到优化后的训练石英工件表面特征向量的序列;
以所述第二概率密度收敛权重对从优化后的训练石英工件表面特征向量的序列得到的训练拓扑全局石英工件表面特征矩阵进行加权以得到优化后的训练拓扑全局石英工件表面特征矩阵。
4.一种平磨机,其特征在于,所述平磨机以如权利要求1至3任一所述的平磨机的控制方法进行运转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333622.1A CN117067004B (zh) | 2023-10-16 | 2023-10-16 | 一种平磨机及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333622.1A CN117067004B (zh) | 2023-10-16 | 2023-10-16 | 一种平磨机及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117067004A CN117067004A (zh) | 2023-11-17 |
CN117067004B true CN117067004B (zh) | 2024-01-16 |
Family
ID=88713791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311333622.1A Active CN117067004B (zh) | 2023-10-16 | 2023-10-16 | 一种平磨机及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117067004B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017093609A1 (en) * | 2015-12-01 | 2017-06-08 | Outotec (Finland) Oy | A method and an arrangement for determining the ore mass flow of ore conveyed in a comminution process |
CL2017000574A1 (es) * | 2017-03-09 | 2018-02-23 | Lmagne Ingenieria Ltda | Un sistema y un proceso para determinar en linea las características de bolas gastadas y los trozos de las mismas, que han sido expulsadas de un molino de molienda de minerales semiautógeno (sag) |
CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
CN113967878A (zh) * | 2020-07-21 | 2022-01-25 | 卡尔黑泽曼机械制造两合公司 | 用于研磨工件的表面的方法及其装置 |
CN114758176A (zh) * | 2022-04-15 | 2022-07-15 | 上海交通大学 | 基于工业机器人本体信息的打磨状态在线监测方法 |
CN115100211A (zh) * | 2022-08-29 | 2022-09-23 | 南通电博士自动化设备有限公司 | 一种机器人金属板材表面打磨速度智能调控方法 |
CN115748335A (zh) * | 2022-10-31 | 2023-03-07 | 中铁第四勘察设计院集团有限公司 | 基于视觉定位的钢轨水射流连续可调打磨方法及系统 |
CN116188584A (zh) * | 2023-04-23 | 2023-05-30 | 成都睿瞳科技有限责任公司 | 基于图像识别物体打磨位置的方法及系统 |
CN116872089A (zh) * | 2023-07-11 | 2023-10-13 | 浙江钱祥工具股份有限公司 | 数控磨床的磨削自适应控制系统及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9613413B2 (en) * | 2012-10-17 | 2017-04-04 | Caterpillar Inc. | Methods and systems for determining part wear based on digital image of part |
US20220388115A1 (en) * | 2020-07-31 | 2022-12-08 | GrayMatter Robotics Inc. | System and method for autonomously scanning and processing a part |
-
2023
- 2023-10-16 CN CN202311333622.1A patent/CN117067004B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017093609A1 (en) * | 2015-12-01 | 2017-06-08 | Outotec (Finland) Oy | A method and an arrangement for determining the ore mass flow of ore conveyed in a comminution process |
CL2017000574A1 (es) * | 2017-03-09 | 2018-02-23 | Lmagne Ingenieria Ltda | Un sistema y un proceso para determinar en linea las características de bolas gastadas y los trozos de las mismas, que han sido expulsadas de un molino de molienda de minerales semiautógeno (sag) |
CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
CN113967878A (zh) * | 2020-07-21 | 2022-01-25 | 卡尔黑泽曼机械制造两合公司 | 用于研磨工件的表面的方法及其装置 |
CN114758176A (zh) * | 2022-04-15 | 2022-07-15 | 上海交通大学 | 基于工业机器人本体信息的打磨状态在线监测方法 |
CN115100211A (zh) * | 2022-08-29 | 2022-09-23 | 南通电博士自动化设备有限公司 | 一种机器人金属板材表面打磨速度智能调控方法 |
CN115748335A (zh) * | 2022-10-31 | 2023-03-07 | 中铁第四勘察设计院集团有限公司 | 基于视觉定位的钢轨水射流连续可调打磨方法及系统 |
CN116188584A (zh) * | 2023-04-23 | 2023-05-30 | 成都睿瞳科技有限责任公司 | 基于图像识别物体打磨位置的方法及系统 |
CN116872089A (zh) * | 2023-07-11 | 2023-10-13 | 浙江钱祥工具股份有限公司 | 数控磨床的磨削自适应控制系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117067004A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Transfer learning for automated optical inspection | |
KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
CN108846473B (zh) | 基于方向和尺度自适应卷积神经网络的光场深度估计方法 | |
CN106355195B (zh) | 用于测量图像清晰度值的系统及其方法 | |
Shen et al. | TransCS: a transformer-based hybrid architecture for image compressed sensing | |
CN114066820A (zh) | 一种基于Swin-Transformer与NAS-FPN的织物疵点检测方法 | |
CN112381790A (zh) | 一种基于深度自编码的异常图像检测方法 | |
CN107644203B (zh) | 一种形状自适应分类的特征点检测方法 | |
CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
Gan et al. | AutoBCS: Block-based image compressive sensing with data-driven acquisition and noniterative reconstruction | |
Prihatno et al. | Metal defect classification using deep learning | |
CN117067004B (zh) | 一种平磨机及其控制方法 | |
CN112396167B (zh) | 一种外观相似度与空间位置信息融合的回环检测方法 | |
CN117227247A (zh) | 纸箱加工的智能定位控制方法 | |
CN117456256A (zh) | 基于增强数据重建的图像分类模型训练、图像分类方法、系统 | |
CN107622476A (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN109741313B (zh) | 独立成分分析和卷积神经网络的无参考图像质量评价方法 | |
CN107273793A (zh) | 一种用于人脸识别的特征提取方法 | |
CN115937150A (zh) | 基于点结构化信息网络的点云质量计算方法 | |
CN116740462B (zh) | 一种基于特征增强的单分支粗糙度检测方法 | |
CN111696070A (zh) | 基于深度学习的多光谱图像融合电力物联网故障点检测方法 | |
Kaur et al. | Evaluation of parameters of image segmentation algorithms-JSEG and ANN | |
CN117067042B (zh) | 一种研磨机及其控制方法 | |
CN117128862B (zh) | 一种汽车部件的扫描检测分析方法 | |
CN116228763B (zh) | 用于眼镜打印的图像处理方法及系统 |
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 |