CN117237361A - 基于驻留时间算法的研磨控制方法及系统 - Google Patents
基于驻留时间算法的研磨控制方法及系统 Download PDFInfo
- Publication number
- CN117237361A CN117237361A CN202311521224.2A CN202311521224A CN117237361A CN 117237361 A CN117237361 A CN 117237361A CN 202311521224 A CN202311521224 A CN 202311521224A CN 117237361 A CN117237361 A CN 117237361A
- Authority
- CN
- China
- Prior art keywords
- defect
- target
- grinding
- sets
- image
- 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
- 238000000227 grinding Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007547 defect Effects 0.000 claims abstract description 404
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 59
- 238000003709 image segmentation Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003801 milling Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 9
- 238000005498 polishing Methods 0.000 description 42
- 230000002950 deficient Effects 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006698 induction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 108700004914 Ac-Nal(1)-Cpa(2)-Pal(3,6)-Arg(5)-Ala(10)- LHRH Proteins 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007517 polishing process Methods 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005261 decarburization Methods 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明提供了基于驻留时间算法的研磨控制方法及系统,涉及数据处理技术领域,方法包括:对目标工件进行表面缺陷识别获得M个目标表面缺陷进行多维数据采集,由M个表面缺陷特征集进行M个目标表面缺陷的聚类处理获得W个表面缺陷集合同步至研磨控制分析子网络获得W个研磨驻留时间参数集,将其与M个缺陷位置标识进行研磨路径规划获得目标研磨路径,对目标工件的表面缺陷研磨去除,解决现有技术中对工件研磨去除缺陷时,易忽略研磨时间控制,导致容易发生研磨时间控制不当,研磨工序成本上升以及工件表面产生均匀度缺陷的技术问题,实现提高采用自动化研磨进行缺陷去除时控制精细度,降低工件研磨处理成本,提高研磨工件表面均匀度的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于驻留时间算法的研磨控制方法及系统。
背景技术
随着科学技术的发展,特别是对工件表面进行研磨控制领域的发展,在有些工件加工过后,由于工件表面存在缺陷,因此还需要对工件进行研磨,而在工件研磨的过程中存在基于自动化技术对工件表面进行研磨,以求去除工件表面缺陷时,往往侧重于研磨设备控制参数的数值设定,而忽略研磨时间控制,导致容易发生研磨时间控制不当,研磨工序成本上升以及工件表面产生均匀度缺陷的技术问题。
发明内容
本申请提供了基于驻留时间算法的研磨控制方法及系统,用于针对解决现有技术中存在的基于自动化技术实现工件表面研磨去除表面缺陷时,往往侧重于研磨设备控制参数的数值设定,而忽略研磨时间控制,导致容易发生研磨时间控制不当,研磨工序成本上升以及工件表面产生均匀度缺陷的技术问题。
鉴于上述问题,本申请提供了基于驻留时间算法的研磨控制方法及系统。
第一方面,本申请提供了基于驻留时间算法的研磨控制方法,所述方法包括:对待去除表面缺陷的目标工件进行表面缺陷识别,获得M个目标表面缺陷,其中,所述M个目标表面缺陷具有M个缺陷位置标识,其中,M为正整数;对所述M个目标表面缺陷进行多维数据采集,获得M个表面缺陷特征集;基于所述M个表面缺陷特征集进行所述M个目标表面缺陷的聚类处理获得W个表面缺陷集合;将所述W个表面缺陷集合同步至基于驻留时间算法构建的研磨控制分析子网络,获得W个表面缺陷集合的W个研磨驻留时间参数集;基于所述M个缺陷位置标识和W个研磨驻留时间参数集进行研磨路径规划获得目标研磨路径;基于所述目标研磨路径进行所述目标工件的表面缺陷研磨去除。
第二方面,本申请提供了基于驻留时间算法的研磨控制系统,所述系统包括:表面缺陷识别模块,所述表面缺陷识别模块用于对待去除表面缺陷的目标工件进行表面缺陷识别,获得M个目标表面缺陷,其中,所述M个目标表面缺陷具有M个缺陷位置标识,其中,M为正整数;多维数据采集模块,所述多维数据采集模块用于对所述M个目标表面缺陷进行多维数据采集,获得M个表面缺陷特征集;聚类处理模块,所述聚类处理模块用于基于所述M个表面缺陷特征集进行所述M个目标表面缺陷的聚类处理获得W个表面缺陷集合;驻留时间模块,所述驻留时间模块用于将所述W个表面缺陷集合同步至基于驻留时间算法构建的研磨控制分析子网络,获得W个表面缺陷集合的W个研磨驻留时间参数集;路径规划模块,所述路径规划模块用于基于所述M个缺陷位置标识和W个研磨驻留时间参数集进行研磨路径规划获得目标研磨路径;研磨去除模块,所述研磨去除模块用于基于所述目标研磨路径进行所述目标工件的表面缺陷研磨去除。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的基于驻留时间算法的研磨控制方法及系统,涉及数据处理技术领域,解决了现有技术中存在基于自动化技术实现工件表面研磨去除表面缺陷时,往往侧重于研磨设备控制参数的数值设定,而忽略研磨时间控制,导致容易发生研磨时间控制不当,研磨工序成本上升以及工件表面产生均匀度缺陷的技术问题,实现了提高采用自动化研磨进行工件表面缺陷去除时的设备控制精细度,降低工件研磨处理成本,提高研磨所获工件表面均匀度的技术效果。
附图说明
图1为本申请提供了基于驻留时间算法的研磨控制方法流程示意图;
图2为本申请提供了基于驻留时间算法的研磨控制方法中生成M个目标缺陷区块流程示意图;
图3为本申请提供了基于驻留时间算法的研磨控制方法中进行表面缺陷研磨去除流程示意图;
图4为本申请提供了基于驻留时间算法的研磨控制方法中获得W个研磨驻留时间参数集流程示意图;
图5为本申请提供了基于驻留时间算法的研磨控制系统结构示意图。
附图标记说明:表面缺陷识别模块1,多维数据采集模块2,聚类处理模块3,驻留时间模块4,路径规划模块5,研磨去除模块6。
具体实施方式
本申请通过提供基于驻留时间算法的研磨控制方法及系统,用于解决现有技术中存在基于自动化技术实现工件表面研磨去除表面缺陷时,往往侧重于研磨设备控制参数的数值设定,而忽略研磨时间控制,导致容易发生研磨时间控制不当,研磨工序成本上升以及工件表面产生均匀度缺陷的技术问题。
实施例一
如图1所示,本申请实施例提供了基于驻留时间算法的研磨控制方法,该方法包括:
步骤A100:对待去除表面缺陷的目标工件进行表面缺陷识别,获得M个目标表面缺陷,其中,所述M个目标表面缺陷具有M个缺陷位置标识,其中,M为正整数;
进一步而言,如图2所示,本申请步骤A100还包括:
步骤A110:对所述目标工件进行离散式网格划分,获得K个目标表面区块,其中,所述K个目标表面区块中每个目标表面区块都具有位置坐标标识;
步骤A120:对所述K个目标表面区块进行俯视角图像采集,获得K个目标表面区块图像;
步骤A130:将所述K个目标表面区块图像同步至预构建的图像分割子网络,获得K个目标分割结果,其中,K为大于M的正整数;
步骤A140:对所述K个目标分割结果进行图像特征分析,获得K个图像轮廓分析结果;
步骤A150:基于所述K个图像轮廓分割结果进行所述K个目标表面区块中相邻区块合并,生成M个目标缺陷区块,其中,所述M个目标缺陷区块包含所述M个目标表面缺陷。
具体而言,本申请实施例提供的基于驻留时间算法的研磨控制方法应用于基于驻留时间算法的研磨控制系统,为提高对存在表面缺陷的工件的研磨效率,因此首先需要对未进行研磨的目标工件进行表面缺陷识别,并将未进行研磨的目标工件记作待去除表面缺陷的目标工件,对目标工件进行研磨的过程是指使用砂轮等磨料将目标工件的表面进行磨削或者去除毛刺、毛边以及表面缺陷等,使得目标工件表面的平整度和粗糙度达到预设要求的加工过程。
在对目标工件进行表面缺陷识别时,首先需要对目标工件进行离散式的网格划分,是指把目标工件表面按一定规则离散分割成不同尺度的许多区域,在每块区域中都有一个单独的坐标点与之关联,区域和坐标点的组合定义为区块,从而对K个目标表面区块进行获取,且在K个目标表面区块中的每个目标表面区块都具有位置坐标标识,该位置坐标标识是在目标工件存在缺陷一面的平铺视图中建立以毫米为单位的横纵坐标的坐标系,从而对每个目标表面区块在不同平铺视图中的坐标进行获取并对应标识,进一步的,对上述所获的K个目标表面区块进行俯视角的图像采集,是指分别在K个目标表面区块的正上方通过图像采集装置对K个目标表面区块进行图像采集,并对应获得俯视角度的K个目标表面区块图像,并同时将其同步至至预构建的图像分割子网络中,该预构建的图像分割子网络是用于对所同步至的K个目标表面区块图像中所包含的空集图像,即不具有缺陷的目标表面区块进行判断与标记,从而将标记的空集图像与未标记的图像进行分割,并将分割结果记作K个目标分割结果,且K为大于M的正整数,进一步的,对K个目标分割结果进行图像特征分析,是指对K个目标分割结果中所存在的缺陷轮廓进行识别分析,并将所提取出的缺陷轮廓记作K个图像轮廓分析结果,最终在K个图像轮廓分割结果的基础上,将K个目标表面区块中的相邻区块进行合并操作,并根据合并完成的区块对应生成M个目标缺陷区块,且M个目标缺陷区块中对应包含M个目标表面缺陷,为后期实现对目标工件的表面缺陷进行研磨去除作为重要参考依据。
进一步而言,本申请步骤A130包括:
步骤A131:所述图像分割子网络包括输入层、空白画布识别层、缺陷图像分割层、输出层;
步骤A132:将所述K个目标表面区块图像同步至所述空白画布识别层,基于所述空白画布识别层进行识别截留H个空白分割结果,得到X个目标表面区块图像,其中,X+H=K,X为正整数;
步骤A133:将所述X个目标表面区块图像同步至所述缺陷图像分割层,基于所述缺陷图像分割层获得X个缺陷分割结果;
步骤A134:所述H个空白分割结果和所述X个缺陷分割结果构成所述K个目标分割结果。
进一步而言,本申请步骤A133包括:
步骤A1331:根据所述目标工件的型号信息,获得L个样本工件的L×K个样本表面区块图像;
步骤A1332:对所述L×K个样本表面区块图像进行缺陷图像分割,获得L×K个样本分割结果;
步骤A1333:基于全卷积神经网络,构建所述缺陷图像分割层的解码器和编码器;
步骤A1334:将所述L×K个样本表面区块图像和所述L×K个样本分割结果标识划分为训练集、测试集和验证集;
步骤A1335:基于所述训练集和测试集进行所述解码器和所述编码器的训练和测试,基于所述验证集进行所述解码器和所述编码器的输出准确性验证;
步骤A1336:当所述缺陷图像分割层输出结果准确率满足预设阈值时,获得符合图像分割要求的所述缺陷图像分割层。
具体而言,为精准的对目标工件上所划分的K个目标表面区块中所具有的缺陷进行图像分割,因此首先需要对图像分割子网络进行构建,在该图像分割子网络中包含输入层、空白画布识别层、缺陷图像分割层、输出层,图像分割子网络中的输入层是用于接收同步至该子网络中数据的层级,图像分割子网络中的空白画布识别层是用于对输入层中的同步数据中将不具有缺陷的目标表面区块进行识别的层级,图像分割子网络中缺陷图像分割层是用于将具有缺陷的目标表面区块与空白画布识别层所识别出不具有缺陷的目标表面区块进行分割的层级,图像分割子网络中的输出层是用于将分割完成的数据通过输出层进行输出的层级。
进一步的,通过输入层所同步的K个目标表面区块图像传输至空白画布识别层中进行识别,在空白画布识别层对K个目标表面区块图像进行识别截留H个空白分割结果,是指对对K个目标表面区块图像进行离散余弦变换,并将离散余弦变换结果进行量化之后进行熵编码。离散余弦变换中的行和列通常是8,并通过离散余弦变换公式对每个8x8块的每行进行变换,然后每列进行变换。得到的是一个8x8的变换系数矩阵。其中(0,0)位置的元素就是直流分量,矩阵中的其他元素根据其位置表示不同频率的交流分量,提取K个目标表面区块图像中代表图片基色调的第一离散余弦直流系数,是指在K个目标表面区块图像中颜色占比最高的基色,并将其与预设直流系数阈值进行比对,该预设直流系数阈值可以设为0,当K个目标表面区块图像中代表图片基色调的第一离散余弦直流系数存在满足预设直流系数阈值时,则视满足预设直流系数阈值的目标表面区块图像中存在缺陷,即X个目标表面区块图像,当K个目标表面区块图像中代表图片基色调的第一离散余弦直流系数存在不满足预设直流系数阈值时,则视满足预设直流系数阈值的目标表面区块图像中不存在缺陷,即空白区块将其记作H个空白分割结果,且X+H=K,X、H、K均为正整数。
将X个目标表面区块图像同步至缺陷图像分割层中,在缺陷图像分割层是通过在目标工件的型号信息的基础上,对L个样本工件的L×K个样本表面区块图像进行获得,且L为正整数,由于目标工件的型号与目标工件的形状为一一对应关系,因此对所需要打磨的所有目标工件型号所对应的L个样本工件形状信息进行提取,并与上述离散式网格划分同理度L个样本工件进行划分,由此对L个样本工件的L×K个样本表面区块图像进行确定,进一步的,对L×K个样本表面区块图像进行缺陷图像分割,是指把L×K个样本表面区块图像分成具有多个特性的区域并把其中存在缺陷的区域进行提取,把L×K个样本表面区块图像转化为L×K个样本分割结果。
进一步的,以全卷积神经网络作为基础,对缺陷图像分割层的解码器和编码器进行构建,全卷积神经网络是用于提取L×K个样本表面区块图像的特征,示例性的,当L×K个样本表面区块图像的输入特征尺寸为 a × b,之后连接一个1 × c 的全连接层,那么卷积层的输出与全连接层间的权值矩阵大小为( a × b ) × c的特征图,再通过精简后进入存在多个神经元的全连接层,最后输出分类结果,在此基础上,对缺陷图像的解码器、编码器进行构建,该解码是指使用图形处理单元来处理L×K个样本表面区块图像数据,即把模拟L×K个样本表面区块图像信号压缩为数据编码文件,而解码器是用于把编码器中所编译的数据编码文件转回模拟L×K个样本表面区块图像信号的过程,进一步的,再对L×K个样本表面区块图像和L×K个样本分割结果进行标识划分,分别作为解码器和编码器的训练集、测试集和验证集,解码器和编码器均为通过训练集和测试集训练获得,其中,所述训练集中的每组训练数据均包括被划分且具有标识的L×K个样本表面区块图像和L×K个样本分割结果,测试集为与训练集一一对应的测试数据。
将训练集中每一组训练数据分别同步至解码器和编码器,通过这组训练数据对应的测试数据进行解码器和编码器的输出测试调整,当解码器和编码器的输出结果与测试数据一致,则当前组训练结束,将训练集中全部的训练数据均训练结束,则解码器和编码器训练完成。
为保证解码器和编码器的准确性,可以通过测试数据集进行缺陷图像分割层输出结果的验证处理,举例而言,验证准确率可以设定为80%,当验证集的测试准确率满足80%时,则获得符合图像分割要求的缺陷图像分割层,进一步的,通过将X个目标表面区块图像同步至符合图像分割要求的缺陷图像分割层,并对X个缺陷分割结果进行输出,且上述所获H个空白分割结果与所获X个缺陷分割结果一同构成K个目标分割结果,进而为实现对目标工件的表面缺陷进行研磨去除做保障。
进一步而言,本申请步骤A140包括:
步骤A141:对所述X个缺陷分割结果进行预处理并采用边缘检测算法进行边缘轮廓提取,获得X个图像轮廓分析结果;
步骤A142:基于所述X个图像轮廓分析结果提取第一目标轮廓图像并构建第一坐标系;
步骤A143:基于所述第一坐标系获得构成所述第一目标轮廓图像的Z个目标轮廓坐标;
步骤A144:构建第二坐标系进行所述Z个目标轮廓坐标的坐标转换,获得Z个目标转换坐标;
步骤A145:构建累加器空间对所述Z个目标转换坐标进行投票,获得投票极值曲线;
步骤A146:基于所述投票极值曲线在所述第一目标轮廓图像中进行直线标识,获得第一直线轮廓标识;
步骤A147:以此类推获得所述X个图像轮廓分析结果的X个直线轮廓标识;
步骤A148:所述X个图像轮廓分析结果和所述H个空白分割结果构成所述K个图像轮廓分析结果;
步骤A149:基于所述K个图像轮廓分割结果和所述X个直线轮廓标识进行所述K个目标表面区块中相邻区块合并,生成M个目标缺陷区块,其中,所述M个目标缺陷区块包含所述M个目标表面缺陷。
具体而言,为提高对目标工件中所存在的表面缺陷的区域进行提取的准确度,因此首先需要对上述通过将X个目标表面区块图像同步至缺陷图像分割层所获取的X个缺陷分割结果进行预处理,是指通过二值化对X个缺陷分割结果进行操作,首先设定一个全局的阈值T,且T为实数,用T将X个缺陷分割结果中的图像数据分成两部分:即大于T的像素群以及小于T的像素群。该方法的阈值是通过对该窗口像素的平均值E,且E为正实数,像素之间的差平方P,且P为大于1的正数,像素之间的均方根值Q等各种局部特征,且Q为大于1的正整数,设定如下的参数方程进行阈值的计算:
T=a×E+b×P+c×Q,其中a,b,c为自由参数。
通过对X个缺陷分割结果的预处理,由此使X个缺陷分割结果中的图像转化为黑白两色图像,再采用边缘检测算法对该图像进行边缘轮廓提取,边缘检测算法是指根据图像边缘处周围灰度强度有反差变化的那些像素的集合对图像上灰度变化剧烈的区域进行边缘轮廓的提取,在此基础上获得X个图像的轮廓分析结果。
并通过对X个图像轮廓分析结果中所包含的第一目标轮廓图像进行提取,第一目标轮廓图像是指对X个图像轮廓分析结果中图像上存在灰度变化剧烈的区域,并以毫米为单位作为横轴,以灰度值作为纵轴,由此对第一坐标系进行构建,进一步的,在第一坐标系的基础上,对第一目标轮廓图像的Z个目标轮廓坐标进行获取,且Z为大于1的正整数,第一目标轮廓图像的Z个目标轮廓坐标是指在第一目标轮廓图像中灰度值较高的坐标点,再通过在平面上取定一点O,称为极点,从O出发引一条射线Ox,称为极轴,再取定一个单位长度,通常规定角度取逆时针方向为正,由此完成对第二坐标系的构建,此时,对基于第一坐标系构建的Z个目标轮廓坐标进行坐标转换,示例性的,平面上Z个目标轮廓坐标中所包含的Z点的位置就可以用线段OZ的长度ρ以及从Ox到OZ的角度θ来确定,同时(ρ,θ)就称为Z点的极坐标,记为Z(ρ,θ);ρ称为Z点的极径,θ称为Z点的极角。
进一步的,对Z个目标转换坐标进行投票,并将投票结果存储至所构建的累加器空间中,累加器空间是一种暂存器,用来储存投票所产生的中间结果,并根据投票结果中的极值对投票极值曲线进行构建,投片极值曲线是通过使泛函达到极值的变元函数极值,其中投票的极值也称为相对极值或局部极值,在此基础上,对上述所获第一目标轮廓图像中所包含的直线进行直线标识,从而对第一目标轮廓图像中的每一条标识直线获得X个图像轮廓分析结果中所包含的X个直线轮廓标识,同时K个图像轮廓分析结果是由X个图像轮廓分析结果和H个空白分割结果所构成,进一步的,基于K个图像轮廓分割结果和X个直线轮廓标识进行K个目标表面区块中相邻区块合并,是指为保证对目标工件的表面缺陷进行研磨时的覆盖准确率,因此需要对目标工件表面上所具有的缺陷进行完整识别,进一步的,将对所划分出的K个目标表面区块中任意一个目标表面区块内所包含的直线轮廓标识与K个图像轮廓分割结果进行比对,若该目标表面区块内存在以直线轮廓标识与K个图像轮廓分割结果比对吻合,则视为该目标表面区块所包含的缺陷为不完整缺陷,因此需要对该目标表面区块相邻的至少三个区块进行遍历,继而将存在与该目标表面区块中缺陷相连部分的目标表面区块进行合并操作,以此对K个目标表面区块进行迭代,直至目标工件表面上的所有缺陷均为完整缺陷后停止迭代,最终将合并完成的区块记作M个目标缺陷区块,且M个目标缺陷区块中对应包含M个目标表面缺陷,且M为大于1的正整数,为后续实现对目标工件的表面缺陷进行研磨去除夯实基础。
步骤A200:对所述M个目标表面缺陷进行多维数据采集,获得M个表面缺陷特征集;
具体而言,为对目标工件上所存在缺陷进行精准提取,因此需要对目标工件上所存在缺陷的特征进行采集,即在上述所获M个目标表面缺陷的基础上,对其进行多维数据采集,该多维数据采集可以是指对M个目标表面缺陷分别进行超声波维度的表面缺陷数据采集、红外射线维度的表面缺陷数据采集、光学机器视觉维度的表面缺陷数据采集等对M个目标表面缺陷进行多维数据采集,进一步的,通过超声波维度的表面缺陷数据采集,是利用声脉在缺陷处发生特性变化的原理来检测,声波在工件内的反射状况就会显示在荧光屏上,根据反射波的时间及形状来判断工件缺陷,通过红外射线维度的表面缺陷数据采集,是通过高频感应线圈使连铸板坯表面产生感应电流,在高频感应的集肤效应作用下,其穿透深度小于1 mm,且在M个目标表面缺陷区域的感应电流会导致单位长度的表面上消耗更多电能,引起连铸板坯局部表面的温度上升,以此来判断工件表面缺陷,通过光学机器视觉维度的表面缺陷数据采集,是利用高速CCD摄像机获得目标工件表面图像,通过图像处理提取图像特征向量,通过分类器对M个目标表面缺陷进行检测与分类,最终根据超声波维度的表面缺陷数据采集、红外射线维度的表面缺陷数据采集、光学机器视觉维度的表面缺陷数据采集等采集的数据,对M个表面缺陷特征进行获取,M个表面缺陷特征中可以包含目标工件表面存在的裂纹、白点、折叠、夹杂、氧化、脱碳、过热等缺陷特征,以便为后期对目标工件的表面缺陷进行研磨去除时作为参照数据。
步骤A300:基于所述M个表面缺陷特征集进行所述M个目标表面缺陷的聚类处理获得W个表面缺陷集合;
进一步而言,如图3所示,本申请步骤A300还包括:
步骤A310:根据所述目标工件的型号信息,获得所述目标工件同型号工件的历史样本研磨记录;
步骤A320:基于所述历史样本研磨记录获得W个样本表面缺陷研磨参数和W个样本表面缺陷特征集,其中,所述样本表面缺陷特征集包括缺陷长度特征、缺陷宽度特征以及缺陷高度特征;
步骤A330:基于研磨参数相似阈值,对所述W个样本表面缺陷研磨参数进行聚类,获得G个标准缺陷研磨参数,其中,每个标准缺陷研磨参数为一个研磨参数波动区间;
步骤A340:基于所述G个标准缺陷研磨参数提取获得G组所述缺陷长度特征、缺陷宽度特征以及缺陷高度特征;
步骤A350:对G组所述缺陷长度特征、缺陷宽度特征以及缺陷高度特征进行序列化处理并对序列化处理结果进行极值提取,获得G个缺陷特征阈值,其中,每个缺陷特征阈值包括缺陷长度特征阈值、缺陷宽度特征阈值以及缺陷高度特征阈值;
步骤A360:基于所述G个缺陷特征阈值遍历所述M个表面缺陷特征集,进行所述M个目标表面缺陷的聚类处理,获得W个表面缺陷集合,其中每个表面缺陷集合采用同一标准缺陷研磨参数进行表面缺陷研磨去除。
具体而言,在对M个目标表面缺陷进行多维数据采集所获的M个表面缺陷特征集的基础上,对其进行M个目标表面缺陷的聚类处理,是指首先在目标工件的型号信息的基础上,在系统中对目标工件同型号工件的历史样本研磨记录进行提取,并对历史样本研磨记录中与目标工件同型号的表面缺陷研磨参数以及表面缺陷特征进行采集,继而对其所对应的W个样本表面缺陷研磨参数和W个样本表面缺陷特征集进行获取,且W为大于1的正整数,同时W个样本表面缺陷研磨参数和W个样本表面缺陷特征集为一一对应的关系,W个表面缺陷研磨参数是根据W个样本表面缺陷特征集进行确定的,其中,样本表面缺陷特征集中包括缺陷长度特征、缺陷宽度特征以及缺陷高度特征,基于历史样本研磨记录对研磨参数相似阈值进行设定,若研磨参数相似阈值设定为90%,进一步的,对W个样本表面缺陷研磨参数进行聚类,是指在W个样本表面缺陷研磨参数中相似度为90%时,则视二者为同一类研磨参数,并将二者进行聚类操作,从而对G个标准缺陷研磨参数进行获取,且G为小于W大于1的正整数,其中,每个标准缺陷研磨参数为一个研磨参数波动区间,同时在聚类所获的G个标准缺陷研磨参数中对G组缺陷长度特征、缺陷宽度特征以及缺陷高度特征进行提取,对G组缺陷长度特征、缺陷宽度特征以及缺陷高度特征进行序列化处理,即对G组缺陷长度特征、缺陷宽度特征以及缺陷高度特征分别进行由大到小的降序排序,并将序列化处理结果中第一位作为极值进行提取,并将所提取的极值作为G个缺陷特征阈值的上限,且在G个缺陷特征阈值中的每个缺陷特征阈值均对应包括缺陷长度特征阈值、缺陷宽度特征阈值以及缺陷高度特征阈值,以G个缺陷特征阈值作为基准,对M个表面缺陷特征集中的每一个缺陷特征节点进行访问遍历,由此完成对M个目标表面缺陷的聚类处理,并将聚类处理结果记作W个表面缺陷集合,其中,在W个表面缺陷集合中所包含的每个表面缺陷集合均采用同一标准缺陷研磨参数进行表面缺陷研磨去除,实现对目标工件的表面缺陷进行研磨去除有着限定的作用。
步骤A400:将所述W个表面缺陷集合同步至基于驻留时间算法构建的研磨控制分析子网络,获得W个表面缺陷集合的W个研磨驻留时间参数集;
进一步而言,如图4所示,本申请步骤A400还包括:
步骤A410:以缺陷长度作为第一坐标轴,缺陷宽度作为第二坐标轴,缺陷高度作为第三坐标轴,构建所述研磨控制分析子网络;
步骤A420:基于所述历史样本研磨记录获得W个样本表面驻留时间;
步骤A430:根据映射关系,将所述W个样本表面缺陷特征集和W个样本表面驻留时间同步至所述研磨控制分析子网络进行数据填充,完成所述研磨控制分析子网络的构建;
步骤A440:将所述W个表面缺陷集合同步至所述研磨控制分析子网络,获得所述W个研磨驻留时间参数集。
具体而言,由于在对目标工件进行研磨时,需要对研磨时间进行相应控制,因此需要将上述聚类所获的W个表面缺陷集合同步至基于研磨驻留时间算法所构建的研磨控制分析子网络中,该驻留时间是指对目标工件的研磨比例除以时间对数,即研磨驻留时间,进一步的,以缺陷长度作为第一坐标轴,缺陷宽度作为第二坐标轴,缺陷高度作为第三坐标轴,建立三维缺陷坐标系,并将其记作研磨控制分析子网络,并在历史样本研磨记录的基础上,对历史样本研磨记录中所包含的研磨驻留时间进行提取,获得W个样本表面驻留时间,根据W个样本表面缺陷特征集和W个样本表面驻留时间的映射关系,是指W个样本表面缺陷特征集 取一值,W个样本表面驻留时间有且只有一个值对应,而W个样本表面驻留时间取一值,W个样本表面缺陷特征集可以有多个值对应,进一步的,将W个样本表面缺陷特征集和W个样本表面驻留时间同步至研磨控制分析子网络进行数据填充,是指获取W个样本表面缺陷特征集和W个样本表面驻留时间分别在三维缺陷坐标系中的坐标点,并对其所对应的坐标点中进行表面缺陷特征数据以及表面驻留时间数据的填充,从而完成对研磨控制分析子网络的构建,最终将W个表面缺陷集合同步至研磨控制分析子网络,得到W个研磨驻留时间参数集,W个研磨驻留时间参数集是指对目标工件进行研磨的研磨时间和研磨设备控制参数,提高后期实现对目标工件的表面缺陷进行研磨去除准确率。
步骤A500:基于所述M个缺陷位置标识和W个研磨驻留时间参数集进行研磨路径规划获得目标研磨路径;
具体而言,在M个目标表面缺陷中所具有的M个缺陷位置标识以及研磨控制分析子网络所获取的W个表面缺陷集合的W个研磨驻留时间参数集的基础上,对目标工件进行研磨时的研磨路径进行规划,是指通过将具有M个缺陷位置标识的位置进行相邻连接,并将在M个缺陷位置中每一个位置所需要进行的研磨驻留时间在对应缺陷位置进行标识,对P条研磨路径进行获取,且P为大于等于2的正整数,因此需要对所获P条研磨路径进行由小到大的升序排列,并将此时处于第一位的路径为最短路径,将最短路径记作目标工件进行研磨时的目标路径进行研磨,达到为后期实现对目标工件的表面缺陷进行研磨去除提供重要依据的技术效果。
步骤A600:基于所述目标研磨路径进行所述目标工件的表面缺陷研磨去除。
具体而言,在上述所获目标研磨路径的基础上,对目标工件的表面进行研磨,以此达到最大化去除目标工件的表面缺陷,节省在目标工件表面的缺陷位置的研磨运行参数和研磨驻留时间,并根据规划合适的目标研磨路径对目标工件的表面缺陷进行研磨,目标研磨路径是在连接路径集合内进行最短路径规划,连接路径集合是指将具有M个缺陷位置标识的位置进行相邻连接,并根据相邻集合关系所进行的路径规划,相邻集合关系是指将任意两个相邻并具有缺陷位置标识的位置岁所需要的不同研磨时间进行比较,当研磨时间差距大于50%时,则将降低该缺陷位置的优先级,对研磨时间短的位置进行优先研磨,后期再对研磨时间长的位置进行二次研磨,以实现降低目标工件表面缺陷研磨去除的成本以及提高目标工件表面缺陷研磨去除效率的技术效果。
综上所述,本申请实施例提供的基于驻留时间算法的研磨控制方法,至少包括如下技术效果,实现了提高采用自动化研磨进行工件表面缺陷去除时的设备控制精细度,降低工件研磨处理成本,提高研磨所获工件表面均匀度的技术效果。
实施例二
基于与前述实施例中基于驻留时间算法的研磨控制方法相同的发明构思,如图5所示,本申请提供了基于驻留时间算法的研磨控制系统,系统包括:
表面缺陷识别模块1,所述表面缺陷识别模块1用于对待去除表面缺陷的目标工件进行表面缺陷识别,获得M个目标表面缺陷,其中,所述M个目标表面缺陷具有M个缺陷位置标识,其中,M为正整数;
多维数据采集模块2,所述多维数据采集模块2用于对所述M个目标表面缺陷进行多维数据采集,获得M个表面缺陷特征集;
聚类处理模块3,所述聚类处理模块3用于基于所述M个表面缺陷特征集进行所述M个目标表面缺陷的聚类处理获得W个表面缺陷集合;
驻留时间模块4,所述驻留时间模块4用于将所述W个表面缺陷集合同步至基于驻留时间算法构建的研磨控制分析子网络,获得W个表面缺陷集合的W个研磨驻留时间参数集;
路径规划模块5,所述路径规划模块5用于基于所述M个缺陷位置标识和W个研磨驻留时间参数集进行研磨路径规划获得目标研磨路径;
研磨去除模块6,所述研磨去除模块6用于基于所述目标研磨路径进行所述目标工件的表面缺陷研磨去除。
进一步而言,系统还包括:
网格划分模块,所述网格划分模块用于对所述目标工件进行离散式网格划分,获得K个目标表面区块,其中,所述K个目标表面区块中每个目标表面区块都具有位置坐标标识;
俯视角模块,所述俯视角模块用于对所述K个目标表面区块进行俯视角图像采集,获得K个目标表面区块图像;
第一输入模块,所述第一输入模块用于将所述K个目标表面区块图像同步至预构建的图像分割子网络,获得K个目标分割结果,其中,K为大于M的正整数;
图像特征分析模块,所述图像特征分析模块用于对所述K个目标分割结果进行图像特征分析,获得K个图像轮廓分析结果;
合并模块,所述合并模块用于基于所述K个图像轮廓分割结果进行所述K个目标表面区块中相邻区块合并,生成M个目标缺陷区块,其中,所述M个目标缺陷区块包含所述M个目标表面缺陷。
进一步而言,系统还包括:
子网络模块,所述子网络模块用于所述图像分割子网络包括输入层、空白画布识别层、缺陷图像分割层、输出层;
第二输入模块,所述第二输入模块用于将所述K个目标表面区块图像同步至所述空白画布识别层,基于所述空白画布识别层进行识别截留H个空白分割结果,得到X个目标表面区块图像,其中,X+H=K,X为正整数;
第三输入模块,所述第三输入模块用于将所述X个目标表面区块图像同步至所述缺陷图像分割层,基于所述缺陷图像分割层获得X个缺陷分割结果;
结果构成模块,所述结果构成模块用于所述H个空白分割结果和所述X个缺陷分割结果构成所述K个目标分割结果。
进一步而言,系统还包括:
区块图像模块,所述区块图像模块用于根据所述目标工件的型号信息,获得L个样本工件的L×K个样本表面区块图像;
缺陷图像分割模块,所述缺陷图像分割模块用于对所述L×K个样本表面区块图像进行缺陷图像分割,获得L×K个样本分割结果;
构建模块,所述构建模块用于基于全卷积神经网络,构建所述缺陷图像分割层的解码器和编码器;
划分模块,所述划分模块用于将所述L×K个样本表面区块图像和所述L×K个样本分割结果标识划分为训练集、测试集和验证集;
第一输出模块,所述第一输出模块用于基于所述训练集和测试集进行所述解码器和所述编码器的训练和测试,基于所述验证集进行所述解码器和所述编码器的输出准确性验证;
第二输出模块,所述第二输出模块用于当所述缺陷图像分割层输出结果准确率满足预设阈值时,获得符合图像分割要求的所述缺陷图像分割层。
进一步而言,系统还包括:
边缘轮廓提取模块,所述边缘轮廓提取模块用于对所述X个缺陷分割结果进行预处理并采用边缘检测算法进行边缘轮廓提取,获得X个图像轮廓分析结果;
第一提取模块,所述第一提取模块用于基于所述X个图像轮廓分析结果提取第一目标轮廓图像并构建第一坐标系;
第一坐标模块,所述第一坐标模块用于基于所述第一坐标系获得构成所述第一目标轮廓图像的Z个目标轮廓坐标;
第二坐标模块,所述第二坐标模块用于构建第二坐标系进行所述Z个目标轮廓坐标的坐标转换,获得Z个目标转换坐标;
投票模块,所述投票模块用于构建累加器空间对所述Z个目标转换坐标进行投票,获得投票极值曲线;
直线标识模块,所述直线标识模块用于基于所述投票极值曲线在所述第一目标轮廓图像中进行直线标识,获得第一直线轮廓标识;
轮廓标识模块,所述轮廓标识模块用于以此类推获得所述X个图像轮廓分析结果的X个直线轮廓标识;
图像轮廓模块,所述图像轮廓模块用于所述X个图像轮廓分析结果和所述H个空白分割结果构成所述K个图像轮廓分析结果;
区块合并模块,所述区块合并模块用于基于所述K个图像轮廓分割结果和所述X个直线轮廓标识进行所述K个目标表面区块中相邻区块合并,生成M个目标缺陷区块,其中,所述M个目标缺陷区块包含所述M个目标表面缺陷。
进一步而言,系统还包括:
记录模块,所述记录模块用于根据所述目标工件的型号信息,获得所述目标工件同型号工件的历史样本研磨记录;
特征集获取模块,所述特征集获取模块用于基于所述历史样本研磨记录获得W个样本表面缺陷研磨参数和W个样本表面缺陷特征集,其中,所述样本表面缺陷特征集包括缺陷长度特征、缺陷宽度特征以及缺陷高度特征;
聚类模块,所述聚类模块用于基于研磨参数相似阈值,对所述W个样本表面缺陷研磨参数进行聚类,获得G个标准缺陷研磨参数,其中,每个标准缺陷研磨参数为一个研磨参数波动区间;
第二提取模块,所述第二提取模块用于基于所述G个标准缺陷研磨参数提取获得G组所述缺陷长度特征、缺陷宽度特征以及缺陷高度特征;
第三提取模块,所述第三提取模块用于对G组所述缺陷长度特征、缺陷宽度特征以及缺陷高度特征进行序列化处理并对序列化处理结果进行极值提取,获得G个缺陷特征阈值,其中,每个缺陷特征阈值包括缺陷长度特征阈值、缺陷宽度特征阈值以及缺陷高度特征阈值;
去除模块,所述去除模块用于基于所述G个缺陷特征阈值遍历所述M个表面缺陷特征集,进行所述M个目标表面缺陷的聚类处理,获得W个表面缺陷集合,其中每个表面缺陷集合采用同一标准缺陷研磨参数进行表面缺陷研磨去除。
上述说明旨在使本领域的专业技术人员能够实施或应用本申请所公开的实施例。对这些实施例的多种修改对专业技术人员来说是显而易见的。本文中所定义的一般原理可以在不脱离本申请的精神和范围的情况下,在其他实施例中得以实现。因此,本申请并不限于本文所示的具体实施例,而是要符合与本文所公开的原理和新颖特点相一致的最广泛范围。
Claims (8)
1.基于驻留时间算法的研磨控制方法,其特征在于,所述方法包括:
对待去除表面缺陷的目标工件进行表面缺陷识别,获得M个目标表面缺陷,其中,所述M个目标表面缺陷具有M个缺陷位置标识,其中,M为正整数;
对所述M个目标表面缺陷进行多维数据采集,获得M个表面缺陷特征集;
基于所述M个表面缺陷特征集进行所述M个目标表面缺陷的聚类处理获得W个表面缺陷集合;
将所述W个表面缺陷集合同步至基于驻留时间算法构建的研磨控制分析子网络,获得W个表面缺陷集合的W个研磨驻留时间参数集;
基于所述M个缺陷位置标识和W个研磨驻留时间参数集进行研磨路径规划获得目标研磨路径;
基于所述目标研磨路径进行所述目标工件的表面缺陷研磨去除。
2.如权利要求1所述的方法,其特征在于,对待去除表面缺陷的目标工件进行表面缺陷识别,获得M个目标表面缺陷,所述方法还包括:
对所述目标工件进行离散式网格划分,获得K个目标表面区块,其中,所述K个目标表面区块中每个目标表面区块都具有位置坐标标识;
对所述K个目标表面区块进行俯视角图像采集,获得K个目标表面区块图像;
将所述K个目标表面区块图像同步至预构建的图像分割子网络,获得K个目标分割结果,其中,K为大于M的正整数;
对所述K个目标分割结果进行图像特征分析,获得K个图像轮廓分析结果;
基于所述K个图像轮廓分割结果进行所述K个目标表面区块中相邻区块合并,生成M个目标缺陷区块,其中,所述M个目标缺陷区块包含所述M个目标表面缺陷。
3.如权利要求2所述的方法,其特征在于,将所述K个目标表面区块图像同步至预构建的图像分割子网络,获得K个目标分割结果,其中,K为大于M的正整数,所述方法还包括:
所述图像分割子网络包括输入层、空白画布识别层、缺陷图像分割层、输出层;
将所述K个目标表面区块图像同步至所述空白画布识别层,基于所述空白画布识别层进行识别截留H个空白分割结果,得到X个目标表面区块图像,其中,X+H=K,X为正整数;
将所述X个目标表面区块图像同步至所述缺陷图像分割层,基于所述缺陷图像分割层获得X个缺陷分割结果;
所述H个空白分割结果和所述X个缺陷分割结果构成所述K个目标分割结果。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述目标工件的型号信息,获得L个样本工件的L×K个样本表面区块图像;
对所述L×K个样本表面区块图像进行缺陷图像分割,获得L×K个样本分割结果;
基于全卷积神经网络,构建所述缺陷图像分割层的解码器和编码器;
将所述L×K个样本表面区块图像和所述L×K个样本分割结果标识划分为训练集、测试集和验证集;
基于所述训练集和测试集进行所述解码器和所述编码器的训练和测试,基于所述验证集进行所述解码器和所述编码器的输出准确性验证;
当所述缺陷图像分割层输出结果准确率满足预设阈值时,获得符合图像分割要求的所述缺陷图像分割层。
5.如权利要求3所述的方法,其特征在于,对所述K个目标分割结果进行图像特征分析,获得K个图像轮廓分析结果,所述方法还包括:
对所述X个缺陷分割结果进行预处理并采用边缘检测算法进行边缘轮廓提取,获得X个图像轮廓分析结果;
基于所述X个图像轮廓分析结果提取第一目标轮廓图像并构建第一坐标系;
基于所述第一坐标系获得构成所述第一目标轮廓图像的Z个目标轮廓坐标;
构建第二坐标系进行所述Z个目标轮廓坐标的坐标转换,获得Z个目标转换坐标;
构建累加器空间对所述Z个目标转换坐标进行投票,获得投票极值曲线;
基于所述投票极值曲线在所述第一目标轮廓图像中进行直线标识,获得第一直线轮廓标识;
以此类推获得所述X个图像轮廓分析结果的X个直线轮廓标识;
所述X个图像轮廓分析结果和所述H个空白分割结果构成所述K个图像轮廓分析结果;
基于所述K个图像轮廓分割结果和所述X个直线轮廓标识进行所述K个目标表面区块中相邻区块合并,生成M个目标缺陷区块,其中,所述M个目标缺陷区块包含所述M个目标表面缺陷。
6.如权利要求1所述的方法,其特征在于,基于所述M个表面缺陷特征集进行所述M个目标表面缺陷的聚类处理获得W个表面缺陷集合,所述方法还包括:
根据所述目标工件的型号信息,获得所述目标工件同型号工件的历史样本研磨记录;
基于所述历史样本研磨记录获得W个样本表面缺陷研磨参数和W个样本表面缺陷特征集,其中,所述样本表面缺陷特征集包括缺陷长度特征、缺陷宽度特征以及缺陷高度特征;
基于研磨参数相似阈值,对所述W个样本表面缺陷研磨参数进行聚类,获得G个标准缺陷研磨参数,其中,每个标准缺陷研磨参数为一个研磨参数波动区间;
基于所述G个标准缺陷研磨参数提取获得G组所述缺陷长度特征、缺陷宽度特征以及缺陷高度特征;
对G组所述缺陷长度特征、缺陷宽度特征以及缺陷高度特征进行序列化处理并对序列化处理结果进行极值提取,获得G个缺陷特征阈值,其中,每个缺陷特征阈值包括缺陷长度特征阈值、缺陷宽度特征阈值以及缺陷高度特征阈值;
基于所述G个缺陷特征阈值遍历所述M个表面缺陷特征集,进行所述M个目标表面缺陷的聚类处理,获得W个表面缺陷集合,其中每个表面缺陷集合采用同一标准缺陷研磨参数进行表面缺陷研磨去除。
7.如权利要求6所述的方法,其特征在于,将所述W个表面缺陷集合同步至基于驻留时间算法构建的研磨控制分析子网络,获得W个表面缺陷集合的W个研磨驻留时间参数集,所述方法还包括:
以缺陷长度作为第一坐标轴,缺陷宽度作为第二坐标轴,缺陷高度作为第三坐标轴,构建所述研磨控制分析子网络;
基于所述历史样本研磨记录获得W个样本表面驻留时间;
根据映射关系,将所述W个样本表面缺陷特征集和W个样本表面驻留时间同步至所述研磨控制分析子网络进行数据填充,完成所述研磨控制分析子网络的构建;
将所述W个表面缺陷集合同步至所述研磨控制分析子网络,获得所述W个研磨驻留时间参数集。
8.基于驻留时间算法的研磨控制系统,其特征在于,所述系统包括:
表面缺陷识别模块,所述表面缺陷识别模块用于对待去除表面缺陷的目标工件进行表面缺陷识别,获得M个目标表面缺陷,其中,所述M个目标表面缺陷具有M个缺陷位置标识,其中,M为正整数;
多维数据采集模块,所述多维数据采集模块用于对所述M个目标表面缺陷进行多维数据采集,获得M个表面缺陷特征集;
聚类处理模块,所述聚类处理模块用于基于所述M个表面缺陷特征集进行所述M个目标表面缺陷的聚类处理获得W个表面缺陷集合;
驻留时间模块,所述驻留时间模块用于将所述W个表面缺陷集合同步至基于驻留时间算法构建的研磨控制分析子网络,获得W个表面缺陷集合的W个研磨驻留时间参数集;
路径规划模块,所述路径规划模块用于基于所述M个缺陷位置标识和W个研磨驻留时间参数集进行研磨路径规划获得目标研磨路径;
研磨去除模块,所述研磨去除模块用于基于所述目标研磨路径进行所述目标工件的表面缺陷研磨去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521224.2A CN117237361B (zh) | 2023-11-15 | 2023-11-15 | 基于驻留时间算法的研磨控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521224.2A CN117237361B (zh) | 2023-11-15 | 2023-11-15 | 基于驻留时间算法的研磨控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237361A true CN117237361A (zh) | 2023-12-15 |
CN117237361B CN117237361B (zh) | 2024-02-02 |
Family
ID=89084772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311521224.2A Active CN117237361B (zh) | 2023-11-15 | 2023-11-15 | 基于驻留时间算法的研磨控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237361B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393426A (zh) * | 2021-05-24 | 2021-09-14 | 南京耘瞳科技有限公司 | 一种轧钢板表面缺陷检测方法 |
CN114926441A (zh) * | 2022-05-26 | 2022-08-19 | 昆山缔微致精密电子有限公司 | 一种注塑件加工成型的缺陷检测方法及系统 |
WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
-
2023
- 2023-11-15 CN CN202311521224.2A patent/CN117237361B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
CN113393426A (zh) * | 2021-05-24 | 2021-09-14 | 南京耘瞳科技有限公司 | 一种轧钢板表面缺陷检测方法 |
CN114926441A (zh) * | 2022-05-26 | 2022-08-19 | 昆山缔微致精密电子有限公司 | 一种注塑件加工成型的缺陷检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
周贤;刘义伦;赵先琼;: "炭素制品缺陷X射线自动检测关键技术的研究", 机械科学与技术, no. 11, pages 102 - 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN117237361B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN110253019B (zh) | 一种激光选区熔化的质量监控与控制方法 | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
CN109034065B (zh) | 一种基于点云的室内场景物体提取方法 | |
CN104217425B (zh) | 一种基于超像素的输变电设备红外故障图像分割方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN110232682B (zh) | 一种基于图像的轨道异物探测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
CN112241964B (zh) | 一种用于线结构光非接触测量的光条中心提取方法 | |
CN110544235A (zh) | 一种基于微分几何的柔性电路板图像区域识别方法 | |
CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 | |
CN115100116A (zh) | 一种基于三维点云的板材缺陷检测方法 | |
CN117237361B (zh) | 基于驻留时间算法的研磨控制方法及系统 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
JP4704310B2 (ja) | 画像処理方法、画像処理装置、画像処理プログラムおよび画像処理プログラムを記録する記録媒体 | |
CN107133952A (zh) | 一种融合时频特征的表面裂痕识别方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN108710341A (zh) | 一种基于海量扫描点云简化分割的快速配准方法 | |
CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
CN116124783A (zh) | 一种毛坯布织造的瑕疵检测方法及装置 | |
CN110728061B (zh) | 基于朗伯体反射建模的陶瓷表面气孔检测方法 |
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 |