CN117095247A - 基于数控加工的加工姿态运行优化方法、系统及介质 - Google Patents
基于数控加工的加工姿态运行优化方法、系统及介质 Download PDFInfo
- Publication number
- CN117095247A CN117095247A CN202311366325.7A CN202311366325A CN117095247A CN 117095247 A CN117095247 A CN 117095247A CN 202311366325 A CN202311366325 A CN 202311366325A CN 117095247 A CN117095247 A CN 117095247A
- Authority
- CN
- China
- Prior art keywords
- gesture
- feature
- machining
- data
- processing
- 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
- 238000003754 machining Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 244
- 238000003066 decision tree Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 206010034719 Personality change Diseases 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 29
- 238000013145 classification model Methods 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005206 flow analysis Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—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
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06V10/70—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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于数控加工的加工姿态运行优化方法、系统及介质，通过获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；构建基于决策树的姿态识别模型；将实时的加工零件关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。通过本发明，能够精准快速地对数控加工过程中的零件进行姿态识别，并基于识别结果进行数控运行方案的生成并调控加工步骤，实现数控加工的智能化与高效化。
Description
技术领域
本发明涉及图像分析领域，更具体的，涉及基于数控加工的加工姿态运行优化方法、系统及介质。
背景技术
计算机数控加工是一种利用计算机控制的数控机床进行加工的方法，广泛应用于各个行业的零件制造中。它通过预先编写好的加工程序，控制机床沿着指定路径进行切削，从而实现对工件的加工。
但受制于传统技术，目前在数控加工过程中，存在零件加工姿态难以自动化、智能化识别的情况，导致加工存在缺陷，且仍然需要人工检查，这大大影响了数控加工效率与精度。因此，现亟需一种基于数控加工的加工姿态运行优化方法。
发明内容
本发明克服了现有技术的缺陷，提出了基于数控加工的加工姿态运行优化方法、系统及介质。
本发明第一方面提供了一种基于数控加工的加工姿态运行优化方法，包括：
基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集；
获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；
基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；
基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型；
将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。
本方案中，所述基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集，具体为:
通过高清视频监控装置，实时监测零件加工视频并获取零件加工视频数据；
将所述零件加工视频数据进行关键帧提取，得到关键图像集；
将所述关键图像集进行图像的降噪、平滑、增强、标准化预处理。
本方案中，所述获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征，具体为：
获取在一个预设历史时间段内的历史加工图像集与对应的数控加工需求数据；
基于数控加工需求数据进行加工流程分析，得到多个加工步骤信息；
基于所述多个加工步骤信息，从系统数据库中获取对应零件加工姿态的标准特征数据；
每个加工步骤信息对应一个标准特征数据；
根据所述历史加工图像集进行目标零件区域识别，并得到零件图像数据；
从所述零件图像数据进行姿态特征提取，得到第一姿态特征数据；
根据标准特征数据，对第一姿态特征数据进行基于加工步骤的分类，得到多个加工步骤对应的第二姿态特征数据；
对所有第二姿态特征数据进行数据整合形成历史零件加工图像特征。
本方案中，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，具体为：
将一个加工步骤对应的标准特征数据与第二姿态特征数据分别进行特征向量化，得到标准特征向量与第二特征向量；
根据标准特征向量与第二特征向量进行向量之间的变换分析，并得到特征变换参数，将所述特征变换参数作为姿态特征变换参数；
分析所有加工步骤，并将得到的所有姿态特征变换参数进行参数整合得到姿态特征变换参数信息。
本方案中，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，还包括：
构建基于GAN的图像特征生成模型；
基于图像特征生成模型搭建生成器与判别器，并对生成模型设置损失函数与优化器；
将历史零件加工图像特征作为真实数据导入生成器，将姿态特征变换参数信息导入生成器并作为生成器的特征生成参数；
基于生成器进行循环特征数据的生成，将生成的特征数据导入判别器进行判别对抗训练，基于误差反向传播算法更新生成器和判别器；
对图像特征生成模型循环进行对抗训练，直至生成器和判别器达到纳什平衡；
基于图像特征生成模型生成预设数据量的模拟特征数据，将所述模拟特征数据作为模拟姿态特征。
本方案中，所述基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型，具体为：
将预设数据量的所述模拟姿态特征划分成N组模拟姿态特征数据；
获取历史加工图像集对应的M个第二姿态特征数据；
构建基于决策树的姿态分类模型；
基于N组模拟姿态特征数据进行特征向量化形成N组特征向量数据，基于所述N组特征向量数据进行基于决策树的节点判断条件转化，得到N个判断节点；
根据M个第二姿态特征数据进行特征向量化并进行基于决策树的节点判断条件转化，得到M个判断节点；
将所述M个判断节点作为姿态分类模型中的根节点与父节点，将所述N个判断节点作为姿态分类模型中的叶子节点，并基于预设启发式算法对姿态分类模型进行节点优化，形成具有完整决策树结构的姿态分类模型。
本方案中，所述将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案，具体为：
实时获取零件加工视频数据对应的关键图像集；
基于关键图像集进行当前零件的区域识别与提取，得到当前零件图像数据；
将所述当前零件图像数据进行基于轮廓、纹理的特征提取，得到当前特征数据；
将所述当前特征数据导入姿态识别模型进行姿态识别与分类，得到姿态分类结果信息；
基于姿态分类结果信息，判断当前零件的姿态偏差是否符合当前加工需求，若否，则基于姿态分类结果信息生成加工调控方案。
本发明第二方面还提供了一种基于数控加工的加工姿态运行优化系统，该系统包括：存储器、处理器，所述存储器中包括基于数控加工的加工姿态运行优化程序，所述基于数控加工的加工姿态运行优化程序被所述处理器执行时实现如下步骤：
基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集；
获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；
基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；
基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型；
将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。
本方案中，所述基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集，具体为:
通过高清视频监控装置，实时监测零件加工视频并获取零件加工视频数据；
将所述零件加工视频数据进行关键帧提取，得到关键图像集；
将所述关键图像集进行图像的降噪、平滑、增强、标准化预处理。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于数控加工的加工姿态运行优化程序，所述基于数控加工的加工姿态运行优化程序被处理器执行时，实现如上述任一项所述的基于数控加工的加工姿态运行优化方法的步骤。
本发明公开了基于数控加工的加工姿态运行优化方法、系统及介质，通过获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；构建基于决策树的姿态识别模型；将实时的加工零件关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。通过本发明，能够精准快速地对数控加工过程中的零件进行姿态识别，并基于识别结果进行数控运行方案的生成并调控加工步骤，实现数控加工的智能化与高效化。
附图说明
图1示出了本发明一种基于数控加工的加工姿态运行优化方法的流程图；
图2示出了本发明关键图像集获取流程图；
图3示出了本发明姿态特征变换参数信息获取流程图；
图4示出了本发明一种基于数控加工的加工姿态运行优化系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于数控加工的加工姿态运行优化方法的流程图。
如图1所示，本发明第一方面提供了一种基于数控加工的加工姿态运行优化方法，包括：
S102，基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集；
S104，获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；
S106，基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；
S108，基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型；
S110，将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。
图2示出了本发明关键图像集获取流程图。
根据本发明实施例，所述基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集，具体为:
S202，通过高清视频监控装置，实时监测零件加工视频并获取零件加工视频数据；
S204，将所述零件加工视频数据进行关键帧提取，得到关键图像集；
S206，将所述关键图像集进行图像的降噪、平滑、增强、标准化预处理。
需要说明的是，所述降噪、平滑、增强、标准化预处理能够对初步得到的图像数据进行图像的特征增强，提高后续图像分析效率，所述高清视频监控装置至少为一个，根据实际加工需求可以设置多个以满足多角度的机器视觉图像分析。
根据本发明实施例，所述获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征，具体为：
获取在一个预设历史时间段内的历史加工图像集与对应的数控加工需求数据；
基于数控加工需求数据进行加工流程分析，得到多个加工步骤信息；
基于所述多个加工步骤信息，从系统数据库中获取对应零件加工姿态的标准特征数据；
每个加工步骤信息对应一个标准特征数据；
根据所述历史加工图像集进行目标零件区域识别，并得到零件图像数据；
从所述零件图像数据进行姿态特征提取，得到第一姿态特征数据；
根据标准特征数据，对第一姿态特征数据进行基于加工步骤的分类，得到多个加工步骤对应的第二姿态特征数据；
对所有第二姿态特征数据进行数据整合形成历史零件加工图像特征。
需要说明的是，所述零件加工姿态标准特征数据为已有的特征数据，用于在后续作为一种标准数据与采集的实时数据进行对比，从而能够更高效地检索与分类出当前零件的姿态特征数据。所述对第一姿态特征数据进行基于加工步骤的分类，具体为将第一姿态特征数据与标准特征数据进行特征相似度的比较与分类。第一姿态特征数据包括多个第二姿态特征数据，一个加工步骤对应一个第二姿态特征数据。
图3示出了本发明姿态特征变换参数信息获取流程图。
根据本发明实施例，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，具体为：
S302，将一个加工步骤对应的标准特征数据与第二姿态特征数据分别进行特征向量化，得到标准特征向量与第二特征向量；
S304，根据标准特征向量与第二特征向量进行向量之间的变换分析，并得到特征变换参数，将所述特征变换参数作为姿态特征变换参数；
S306，分析所有加工步骤，并将得到的所有姿态特征变换参数进行参数整合得到姿态特征变换参数信息。
需要说明的是，所述每一个加工步骤有对应加工步骤信息，且也有对应的标准特征数据与第二姿态特征数据。由于历史零件加工图像中，其零件加工特征与标准特征相比有一定的偏差，且姿态的偏差角度、偏差方位、偏差位置与加工步骤、加工工艺相关，进一步地，本发明以特征向量的形式将历史加工图像特征与标准图像特征进行向量化并计算变换过程参数，从而能够更加智能化分析出历史零件加工图像特征中的零件姿态与标准姿态的变换偏差过程，所述姿态特征变换参数能够反映两者的姿态差异程度。姿态特征变换参数信息包括多个姿态特征变换参数。通过姿态特征变换参数，能够应用于后续GAN模型的特征数据预测生成，得到更为真实的模拟特征数据，用于决策树的判断，从而进一步提高决策树的姿态分类能力，另外，由于决策树中的判断节点包含预测的模拟特征数据，因此其具有判断未来出现姿态偏差的零件姿态特征的能力，提高了模型识别分类的应用范围。
根据本发明实施例，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，还包括：
构建基于GAN的图像特征生成模型；
基于图像特征生成模型搭建生成器与判别器，并对生成模型设置损失函数与优化器；
将历史零件加工图像特征作为真实数据导入生成器，将姿态特征变换参数信息导入生成器并作为生成器的特征生成参数；
基于生成器进行循环特征数据的生成，将生成的特征数据导入判别器进行判别对抗训练，基于误差反向传播算法更新生成器和判别器；
对图像特征生成模型循环进行对抗训练，直至生成器和判别器达到纳什平衡；
基于图像特征生成模型生成预设数据量的模拟特征数据，将所述模拟特征数据作为模拟姿态特征。
需要说明的是，所述GAN即对抗神经网络，是一种无监督的深度学习模型。
根据本发明实施例，所述基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型，具体为：
将预设数据量的所述模拟姿态特征划分成N组模拟姿态特征数据；
获取历史加工图像集对应的M个第二姿态特征数据；
构建基于决策树的姿态分类模型；
基于N组模拟姿态特征数据进行特征向量化形成N组特征向量数据，基于所述N组特征向量数据进行基于决策树的节点判断条件转化，得到N个判断节点；
根据M个第二姿态特征数据进行特征向量化并进行基于决策树的节点判断条件转化，得到M个判断节点；
将所述M个判断节点作为姿态分类模型中的根节点与父节点，将所述N个判断节点作为姿态分类模型中的叶子节点，并基于预设启发式算法对姿态分类模型进行节点优化，形成具有完整决策树结构的姿态分类模型。
需要说明的是，所述N组模拟姿态特征数据中，每组数据对应一种姿态的特征数据。所述M即加工步骤数。所述预设启发式算法包括ID3、C4.5等。将所述M个判断节点作为姿态分类模型中的根节点与父节点，能够让模型对实时特征数据进行快速姿态识别，将所述N个判断节点作为姿态分类模型中的叶子节点，能够进一步实现快速的姿态特征偏差识别与分类。
根据本发明实施例，所述将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案，具体为：
实时获取零件加工视频数据对应的关键图像集；
基于关键图像集进行当前零件的区域识别与提取，得到当前零件图像数据；
将所述当前零件图像数据进行基于轮廓、纹理的特征提取，得到当前特征数据；
将所述当前特征数据导入姿态识别模型进行姿态识别与分类，得到姿态分类结果信息；
基于姿态分类结果信息，判断当前零件的姿态偏差是否符合当前加工需求，若否，则基于姿态分类结果信息生成加工调控方案。
需要说明的是，所述姿态分类结果信息包括零件的加工步骤、姿态偏差、姿态合理度等信息。所述姿态分类模型具有快速的零件姿态识别与分类功能。所述加工调控方案包括零件姿态矫正调控、数控加工参数调控与加工步骤调控，用于实现智能化实时加工调控，提高数控加工过程的智能度。
根据本发明实施例，还包括：
在一个预设时间段内，获取一个批次的零件加工图像数据；
将所述零件加工图像数据进行姿态特征提取得到当前姿态特征数据，将当前姿态特征数据导入姿态识别模型进行姿态识别分类，得到当前姿态分类结果信息；
根据当前姿态分类结果信息获取对应一个批次零件的平均姿态偏差率；
根据图像特征生成模型，生成第二预设数据量的模拟特征数据并标记为第二模拟姿态特征数据；
将第二模拟姿态特征数据与当前姿态特征数据进行基于标准欧氏距离的特征相似度计算与均值化，得到平均特征相似度；
若平均姿态偏差率大于第一预设值且平均特征相似度大于第二预设值，则判断所述一个批次的零件存在加工缺陷，并基于所述一个批次的零件所对应的加工信息生成数控设备的维护方案与运行优化方案。
需要说明的是，若平均姿态偏差率大于第一预设值且平均特征相似度大于第二预设值，则代表数控加工工具或者加工参数存在缺陷，且在后续加工过程中，下一批次的零件较大概率出现相同的加工缺陷问题，仅仅通过加工姿态分析调整难以解决问题，因此，需要及时对数控加工工具进行更换或修整，并对相关加工参数进行调整。所述零件加工图像数据包括多个零件加工的视频数据进行图像提取得到，所述多个零件为同一批次的零件，其在一个预设时间段内为多个零件连续加工过程。所述当前姿态分类结果信息包括一个批次所有零件的分类结果信息，通过信息能够得到所述所有零件的平均姿态偏差率。所述第二预设数据量大于预设数据量。
当分析一个批次的零件加工图像数据时，构建图像特征生成模型所需的历史零件加工图像特征、数控加工需求数据与所述一个批次的零件相一致，从而能够预测生成出与所述一个批次零件相应的模拟特征数据并进行比较。
所述将第二模拟姿态特征数据与当前姿态特征数据进行基于标准欧氏距离的特征相似度计算与均值化中，具体为通过对当前姿态特征数据进行数据划分并分别与第二模拟姿态特征数据进行相似度计算与均值化计算，划分数量由第二模拟姿态特征数据的数据量决定，数据量越大划分数量越大。
本发明通过图像特征生成模型能够进行偏差姿态的特征生成，并将生成的第二模拟姿态特征数据与当前某一批次的零件姿态特征进行对比，进一步分析出平均特征相似度，该平均特征相似度能够有效反映当前一批次零件的姿态的达标程度，平均特征相似度越大，则代表当前一批次零件的姿态总体偏差越大，另外，本发明还通过平均姿态偏差率进行二次数据验证，若平均姿态偏差率与平均特征相似度均大于预设标准，则代表该批次的加工过程存在较大加工缺陷，需要及时进行缺陷筛查。
通过本发明生成的数控设备的维护方案与运行优化方案，能够实时进行加工设备的缺陷分析与调控，有效减少后续成本损失并维护数控加工设备，提高了数控加工的智能化水平。
图4示出了本发明一种基于数控加工的加工姿态运行优化系统的框图。
本发明第二方面还提供了一种基于数控加工的加工姿态运行优化系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于数控加工的加工姿态运行优化程序，所述基于数控加工的加工姿态运行优化程序被所述处理器执行时实现如下步骤：
基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集；
获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；
基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；
基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型；
将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。
根据本发明实施例，所述基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集，具体为:
通过高清视频监控装置，实时监测零件加工视频并获取零件加工视频数据；
将所述零件加工视频数据进行关键帧提取，得到关键图像集；
将所述关键图像集进行图像的降噪、平滑、增强、标准化预处理。
需要说明的是，所述降噪、平滑、增强、标准化预处理能够对初步得到的图像数据进行图像的特征增强，提高后续图像分析效率，所述高清视频监控装置至少为一个，根据实际加工需求可以设置多个以满足多角度的机器视觉图像分析。
根据本发明实施例，所述获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征，具体为：
获取在一个预设历史时间段内的历史加工图像集与对应的数控加工需求数据；
基于数控加工需求数据进行加工流程分析，得到多个加工步骤信息；
基于所述多个加工步骤信息，从系统数据库中获取对应零件加工姿态的标准特征数据；
每个加工步骤信息对应一个标准特征数据；
根据所述历史加工图像集进行目标零件区域识别，并得到零件图像数据；
从所述零件图像数据进行姿态特征提取，得到第一姿态特征数据；
根据标准特征数据，对第一姿态特征数据进行基于加工步骤的分类，得到多个加工步骤对应的第二姿态特征数据；
对所有第二姿态特征数据进行数据整合形成历史零件加工图像特征。
需要说明的是，所述零件加工姿态标准特征数据为已有的特征数据，用于在后续作为一种标准数据与采集的实时数据进行对比，从而能够更高效地检索与分类出当前零件的姿态特征数据。所述对第一姿态特征数据进行基于加工步骤的分类，具体为将第一姿态特征数据与标准特征数据进行特征相似度的比较与分类。第一姿态特征数据包括多个第二姿态特征数据，一个加工步骤对应一个第二姿态特征数据。
根据本发明实施例，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，具体为：
将一个加工步骤对应的标准特征数据与第二姿态特征数据分别进行特征向量化，得到标准特征向量与第二特征向量；
根据标准特征向量与第二特征向量进行向量之间的变换分析，并得到特征变换参数，将所述特征变换参数作为姿态特征变换参数；
分析所有加工步骤，并将得到的所有姿态特征变换参数进行参数整合得到姿态特征变换参数信息。
需要说明的是，所述每一个加工步骤有对应加工步骤信息，且也有对应的标准特征数据与第二姿态特征数据。由于历史零件加工图像中，其零件加工特征与标准特征相比有一定的偏差，且姿态的偏差角度、偏差方位、偏差位置与加工步骤、加工工艺相关，进一步地，本发明以特征向量的形式将历史加工图像特征与标准图像特征进行向量化并计算变换过程参数，从而能够更加智能化分析出历史零件加工图像特征中的零件姿态与标准姿态的变换偏差过程，所述姿态特征变换参数能够反映两者的姿态差异程度。姿态特征变换参数信息包括多个姿态特征变换参数。通过姿态特征变换参数，能够应用于后续GAN模型的特征数据预测生成，得到更为真实的模拟特征数据，用于决策树的判断，从而进一步提高决策树的姿态分类能力，另外，由于决策树中的判断节点包含预测的模拟特征数据，因此其具有判断未来出现姿态偏差的零件姿态特征的能力，提高了模型识别分类的应用范围。
根据本发明实施例，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，还包括：
构建基于GAN的图像特征生成模型；
基于图像特征生成模型搭建生成器与判别器，并对生成模型设置损失函数与优化器；
将历史零件加工图像特征作为真实数据导入生成器，将姿态特征变换参数信息导入生成器并作为生成器的特征生成参数；
基于生成器进行循环特征数据的生成，将生成的特征数据导入判别器进行判别对抗训练，基于误差反向传播算法更新生成器和判别器；
对图像特征生成模型循环进行对抗训练，直至生成器和判别器达到纳什平衡；
基于图像特征生成模型生成预设数据量的模拟特征数据，将所述模拟特征数据作为模拟姿态特征。
需要说明的是，所述GAN即对抗神经网络，是一种无监督的深度学习模型。
根据本发明实施例，所述基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型，具体为：
将预设数据量的所述模拟姿态特征划分成N组模拟姿态特征数据；
获取历史加工图像集对应的M个第二姿态特征数据；
构建基于决策树的姿态分类模型；
基于N组模拟姿态特征数据进行特征向量化形成N组特征向量数据，基于所述N组特征向量数据进行基于决策树的节点判断条件转化，得到N个判断节点；
根据M个第二姿态特征数据进行特征向量化并进行基于决策树的节点判断条件转化，得到M个判断节点；
将所述M个判断节点作为姿态分类模型中的根节点与父节点，将所述N个判断节点作为姿态分类模型中的叶子节点，并基于预设启发式算法对姿态分类模型进行节点优化，形成具有完整决策树结构的姿态分类模型。
需要说明的是，所述N组模拟姿态特征数据中，每组数据对应一种姿态的特征数据。所述M即加工步骤数。所述预设启发式算法包括ID3、C4.5等。将所述M个判断节点作为姿态分类模型中的根节点与父节点，能够让模型对实时特征数据进行快速姿态识别，将所述N个判断节点作为姿态分类模型中的叶子节点，能够进一步实现快速的姿态特征偏差识别与分类。
根据本发明实施例，所述将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案，具体为：
实时获取零件加工视频数据对应的关键图像集；
基于关键图像集进行当前零件的区域识别与提取，得到当前零件图像数据；
将所述当前零件图像数据进行基于轮廓、纹理的特征提取，得到当前特征数据；
将所述当前特征数据导入姿态识别模型进行姿态识别与分类，得到姿态分类结果信息；
基于姿态分类结果信息，判断当前零件的姿态偏差是否符合当前加工需求，若否，则基于姿态分类结果信息生成加工调控方案。
需要说明的是，所述姿态分类结果信息包括零件的加工步骤、姿态偏差、姿态合理度等信息。所述姿态分类模型具有快速的零件姿态识别与分类功能。所述加工调控方案包括零件姿态矫正调控、数控加工参数调控与加工步骤调控，用于实现智能化实时加工调控，提高数控加工过程的智能度。
根据本发明实施例，还包括：
在一个预设时间段内，获取一个批次的零件加工图像数据；
将所述零件加工图像数据进行姿态特征提取得到当前姿态特征数据，将当前姿态特征数据导入姿态识别模型进行姿态识别分类，得到当前姿态分类结果信息；
根据当前姿态分类结果信息获取对应一个批次零件的平均姿态偏差率；
根据图像特征生成模型，生成第二预设数据量的模拟特征数据并标记为第二模拟姿态特征数据；
将第二模拟姿态特征数据与当前姿态特征数据进行基于标准欧氏距离的特征相似度计算与均值化，得到平均特征相似度；
若平均姿态偏差率大于第一预设值且平均特征相似度大于第二预设值，则判断所述一个批次的零件存在加工缺陷，并基于所述一个批次的零件所对应的加工信息生成数控设备的维护方案与运行优化方案。
需要说明的是，若平均姿态偏差率大于第一预设值且平均特征相似度大于第二预设值，则代表数控加工工具或者加工参数存在缺陷，且在后续加工过程中，下一批次的零件较大概率出现相同的加工缺陷问题，仅仅通过加工姿态分析调整难以解决问题，因此，需要及时对数控加工工具进行更换或修整，并对相关加工参数进行调整。所述零件加工图像数据包括多个零件加工的视频数据进行图像提取得到，所述多个零件为同一批次的零件，其在一个预设时间段内为多个零件连续加工过程。所述当前姿态分类结果信息包括一个批次所有零件的分类结果信息，通过信息能够得到所述所有零件的平均姿态偏差率。所述第二预设数据量大于预设数据量。
当分析一个批次的零件加工图像数据时，构建图像特征生成模型所需的历史零件加工图像特征、数控加工需求数据与所述一个批次的零件相一致，从而能够预测生成出与所述一个批次零件相应的模拟特征数据并进行比较。
所述将第二模拟姿态特征数据与当前姿态特征数据进行基于标准欧氏距离的特征相似度计算与均值化中，具体为通过对当前姿态特征数据进行数据划分并分别与第二模拟姿态特征数据进行相似度计算与均值化计算，划分数量由第二模拟姿态特征数据的数据量决定，数据量越大划分数量越大。
本发明通过图像特征生成模型能够进行偏差姿态的特征生成，并将生成的第二模拟姿态特征数据与当前某一批次的零件姿态特征进行对比，进一步分析出平均特征相似度，该平均特征相似度能够有效反映当前一批次零件的姿态的达标程度，平均特征相似度越大，则代表当前一批次零件的姿态总体偏差越大，另外，本发明还通过平均姿态偏差率进行二次数据验证，若平均姿态偏差率与平均特征相似度均大于预设标准，则代表该批次的加工过程存在较大加工缺陷，需要及时进行缺陷筛查。
通过本发明生成的数控设备的维护方案与运行优化方案，能够实时进行加工设备的缺陷分析与调控，有效减少后续成本损失并维护数控加工设备，提高了数控加工的智能化水平。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于数控加工的加工姿态运行优化程序，所述基于数控加工的加工姿态运行优化程序被处理器执行时，实现如上述任一项所述的基于数控加工的加工姿态运行优化方法的步骤。
本发明公开了基于数控加工的加工姿态运行优化方法、系统及介质，通过获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；构建基于决策树的姿态识别模型；将实时的加工零件关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。通过本发明，能够精准快速地对数控加工过程中的零件进行姿态识别，并基于识别结果进行数控运行方案的生成并调控加工步骤，实现数控加工的智能化与高效化。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于数控加工的加工姿态运行优化方法，其特征在于，包括：
基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集；
获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；
基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；
基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型；
将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。
2.根据权利要求1所述的一种基于数控加工的加工姿态运行优化方法，其特征在于，所述基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集，具体为:
通过高清视频监控装置，实时监测零件加工视频并获取零件加工视频数据；
将所述零件加工视频数据进行关键帧提取，得到关键图像集；
将所述关键图像集进行图像的降噪、平滑、增强、标准化预处理。
3.根据权利要求1所述的一种基于数控加工的加工姿态运行优化方法，其特征在于，所述获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征，具体为：
获取在一个预设历史时间段内的历史加工图像集与对应的数控加工需求数据；
基于数控加工需求数据进行加工流程分析，得到多个加工步骤信息；
基于所述多个加工步骤信息，从系统数据库中获取对应零件加工姿态的标准特征数据；
每个加工步骤信息对应一个标准特征数据；
根据所述历史加工图像集进行目标零件区域识别，并得到零件图像数据；
从所述零件图像数据进行姿态特征提取，得到第一姿态特征数据；
根据标准特征数据，对第一姿态特征数据进行基于加工步骤的分类，得到多个加工步骤对应的第二姿态特征数据；
对所有第二姿态特征数据进行数据整合形成历史零件加工图像特征。
4.根据权利要求3所述的一种基于数控加工的加工姿态运行优化方法，其特征在于，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，具体为：
将一个加工步骤对应的标准特征数据与第二姿态特征数据分别进行特征向量化，得到标准特征向量与第二特征向量；
根据标准特征向量与第二特征向量进行向量之间的变换分析，并得到特征变换参数，将所述特征变换参数作为姿态特征变换参数；
分析所有加工步骤，并将得到的所有姿态特征变换参数进行参数整合得到姿态特征变换参数信息。
5.根据权利要求4所述的一种基于数控加工的加工姿态运行优化方法，其特征在于，所述基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征，还包括：
构建基于GAN的图像特征生成模型；
基于图像特征生成模型搭建生成器与判别器，并对生成模型设置损失函数与优化器；
将历史零件加工图像特征作为真实数据导入生成器，将姿态特征变换参数信息导入生成器并作为生成器的特征生成参数；
基于生成器进行循环特征数据的生成，将生成的特征数据导入判别器进行判别对抗训练，基于误差反向传播算法更新生成器和判别器；
对图像特征生成模型循环进行对抗训练，直至生成器和判别器达到纳什平衡；
基于图像特征生成模型生成预设数据量的模拟特征数据，将所述模拟特征数据作为模拟姿态特征。
6.根据权利要求5所述的一种基于数控加工的加工姿态运行优化方法，其特征在于，所述基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型，具体为：
将预设数据量的所述模拟姿态特征划分成N组模拟姿态特征数据；
获取历史加工图像集对应的M个第二姿态特征数据；
构建基于决策树的姿态分类模型；
基于N组模拟姿态特征数据进行特征向量化形成N组特征向量数据，基于所述N组特征向量数据进行基于决策树的节点判断条件转化，得到N个判断节点；
根据M个第二姿态特征数据进行特征向量化并进行基于决策树的节点判断条件转化，得到M个判断节点；
将所述M个判断节点作为姿态分类模型中的根节点与父节点，将所述N个判断节点作为姿态分类模型中的叶子节点，并基于预设启发式算法对姿态分类模型进行节点优化，形成具有完整决策树结构的姿态分类模型。
7.根据权利要求6所述的一种基于数控加工的加工姿态运行优化方法，其特征在于，所述将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案，具体为：
实时获取零件加工视频数据对应的关键图像集；
基于关键图像集进行当前零件的区域识别与提取，得到当前零件图像数据；
将所述当前零件图像数据进行基于轮廓、纹理的特征提取，得到当前特征数据；
将所述当前特征数据导入姿态识别模型进行姿态识别与分类，得到姿态分类结果信息；
基于姿态分类结果信息，判断当前零件的姿态偏差是否符合当前加工需求，若否，则基于姿态分类结果信息生成加工调控方案。
8.一种基于数控加工的加工姿态运行优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于数控加工的加工姿态运行优化程序，所述基于数控加工的加工姿态运行优化程序被所述处理器执行时实现如下步骤：
基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集；
获取数控加工需求数据与历史加工图像集，将所述历史加工图像集进行零件的识别与姿态特征提取，得到历史零件加工图像特征；
基于所述历史零件加工图像特征与数控加工需求数据进行姿态变化分析与姿态特征预测，结合基于GAN的图像特征生成模型进行特征生成，得到模拟姿态特征；
基于历史零件加工图像特征与模拟姿态特征构建基于决策树的姿态识别模型；
将所述关键图像集进行特征提取并导入姿态识别模型进行实时姿态识别，基于识别结果生成加工调控方案。
9.根据权利要求8所述的一种基于数控加工的加工姿态运行优化系统，其特征在于，所述基于机器视觉技术，实时获取零件加工视频数据并进行关键图像获取，得到关键图像集，具体为:
通过高清视频监控装置，实时监测零件加工视频并获取零件加工视频数据；
将所述零件加工视频数据进行关键帧提取，得到关键图像集；
将所述关键图像集进行图像的降噪、平滑、增强、标准化预处理。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于数控加工的加工姿态运行优化程序，所述基于数控加工的加工姿态运行优化程序被处理器执行时，实现如权利要求1至7中任一项所述的基于数控加工的加工姿态运行优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311366325.7A CN117095247B (zh) | 2023-10-20 | 2023-10-20 | 基于数控加工的加工姿态运行优化方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311366325.7A CN117095247B (zh) | 2023-10-20 | 2023-10-20 | 基于数控加工的加工姿态运行优化方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095247A true CN117095247A (zh) | 2023-11-21 |
| CN117095247B CN117095247B (zh) | 2023-12-26 |
Family
ID=88771975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311366325.7A Active CN117095247B (zh) | 2023-10-20 | 2023-10-20 | 基于数控加工的加工姿态运行优化方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095247B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689999A (zh) * | 2024-02-04 | 2024-03-12 | 宝鸡核力材料科技有限公司 | 一种用于实现tc4卷带工艺优化的方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120283862A1 (en) * | 2010-02-05 | 2012-11-08 | Yoichi Nonaka | Processing path generation method and device for same |
| CN111198538A (zh) * | 2018-10-30 | 2020-05-26 | 发那科株式会社 | 加工条件设定装置和三维激光加工系统 |
| CN114445734A (zh) * | 2021-12-24 | 2022-05-06 | 广东三维家信息科技有限公司 | 工件封边方法、装置、电子设备及存储介质 |
| CN115993804A (zh) * | 2023-03-24 | 2023-04-21 | 中科航迈数控软件(深圳)有限公司 | 一种基于数控机床的刀具参数调整方法及相关设备 |
| US20230166732A1 (en) * | 2021-11-30 | 2023-06-01 | Deere & Company | Work machine distance prediction and action control |
| CN116862913A (zh) * | 2023-09-04 | 2023-10-10 | 深圳市鑫典金光电科技有限公司 | 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统 |
-
2023
- 2023-10-20 CN CN202311366325.7A patent/CN117095247B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120283862A1 (en) * | 2010-02-05 | 2012-11-08 | Yoichi Nonaka | Processing path generation method and device for same |
| CN111198538A (zh) * | 2018-10-30 | 2020-05-26 | 发那科株式会社 | 加工条件设定装置和三维激光加工系统 |
| US20230166732A1 (en) * | 2021-11-30 | 2023-06-01 | Deere & Company | Work machine distance prediction and action control |
| CN114445734A (zh) * | 2021-12-24 | 2022-05-06 | 广东三维家信息科技有限公司 | 工件封边方法、装置、电子设备及存储介质 |
| CN115993804A (zh) * | 2023-03-24 | 2023-04-21 | 中科航迈数控软件(深圳)有限公司 | 一种基于数控机床的刀具参数调整方法及相关设备 |
| CN116862913A (zh) * | 2023-09-04 | 2023-10-10 | 深圳市鑫典金光电科技有限公司 | 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689999A (zh) * | 2024-02-04 | 2024-03-12 | 宝鸡核力材料科技有限公司 | 一种用于实现tc4卷带工艺优化的方法及系统 |
| CN117689999B (zh) * | 2024-02-04 | 2024-05-07 | 宝鸡核力材料科技有限公司 | 一种用于实现tc4卷带工艺优化的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095247B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369016B (zh) | 一种基于图像识别的现场运维方法及系统 | |
| CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
| CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN111970400B (zh) | 骚扰电话识别方法及装置 | |
| CN116502468B (zh) | 一种基于机器视觉的牛胴体分割机器人控制方法及系统 | |
| CN116843955A (zh) | 一种基于计算机视觉的微生物分类识别方法和系统 | |
| CN117608259B (zh) | 一种储存芯片生产设备的控制方法及系统 | |
| CN116931534B (zh) | 基于物联网的刺绣产品生产控制方法及系统 | |
| CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
| CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
| CN116542956A (zh) | 一种织物组分自动检测方法、系统及可读存储介质 | |
| CN108363738B (zh) | 一种工业设备数据分析算法的推荐方法 | |
| CN114385876B (zh) | 一种模型搜索空间生成方法、装置及系统 | |
| CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
| Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
| CN115883182A (zh) | 一种提高网络安全态势要素识别效率的方法及系统 | |
| CN114936614A (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
| CN114172708A (zh) | 网络流量异常的识别方法 | |
| CN113989742A (zh) | 一种基于多尺度特征融合的核电站厂区行人检测方法 | |
| CN117850216B (zh) | 一种亚克力镜片生产设备智能控制方法及系统 | |
| CN117689999B (zh) | 一种用于实现tc4卷带工艺优化的方法及系统 | |
| CN108596210A (zh) | 一种机械部件对接状态的智能识别系统及方法 | |
| CN116842415B (zh) | 一种镜面放电加工机的远程监测方法、系统及介质 | |
| CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 |
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 |