CN117571523A - 一种基于盾构机的滚刀质量检测方法、设备及介质 - Google Patents
一种基于盾构机的滚刀质量检测方法、设备及介质 Download PDFInfo
- Publication number
- CN117571523A CN117571523A CN202410057348.8A CN202410057348A CN117571523A CN 117571523 A CN117571523 A CN 117571523A CN 202410057348 A CN202410057348 A CN 202410057348A CN 117571523 A CN117571523 A CN 117571523A
- Authority
- CN
- China
- Prior art keywords
- hob
- information
- image
- detection information
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 31
- 239000011248 coating agent Substances 0.000 claims abstract description 17
- 238000000576 coating method Methods 0.000 claims abstract description 17
- 230000007547 defect Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000005641 tunneling Effects 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000005330 Barkhausen effect Effects 0.000 claims description 4
- 241000270295 Serpentes Species 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 238000012797 qualification Methods 0.000 abstract description 6
- 230000002950 deficient Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9013—Arrangements for scanning
- G01N27/902—Arrangements for scanning by moving the sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于盾构机的滚刀质量检测方法、设备及介质,属于盾构机滚刀技术领域,用于解决现有盾构机的滚刀生产工艺,难以对滚刀的质量水平进行全面检测,不利于成品滚刀合格率的提升,容易造成生产成本较高,并且滚刀瑕疵品的识别效率也较低的技术问题。方法包括:对滚刀三维图像进行模型类型匹配,确定出初始滚刀的滚刀类型;将滚刀二维图像进行多维度的图像特征识别,确定出处于第一工艺阶段的第一滚刀检测信息;基于第一滚刀检测信息,对初始滚刀进行有关磁滞回线的曲面硬度预测,得到第二滚刀检测信息;基于第二滚刀检测信息,对处于第二工艺阶段的成品滚刀进行有关表面涂层的图像特征识别,确定出第三滚刀检测信息。
Description
技术领域
本申请涉及盾构机滚刀领域,尤其涉及一种基于盾构机的滚刀质量检测方法、设备及介质。
背景技术
盾构机是一种使用盾构法的隧道掘进机。盾构的施工法是掘进机在掘进的同时构建(铺设)隧道之“盾”(指支撑性管片),它区别于敞开式施工法。安装在盾构机刀盘上的滚刀在盾千斤顶的作用下紧压在岩面上,随着刀盘的旋转,滚刀一方面绕刀盘中心轴公转,同时绕自身轴线自转。盘形滚刀在刀盘的推力、扭矩作用下,在掌子面上切出一系列的同心圆。当推力超过岩石的强度时,盘形滚刀刀尖下的岩石直接破碎,刀尖贯入岩石,掌子面上岩石被盘形滚刀挤压碎裂而形成多道同心圆沟槽。
盾构机的滚刀生产环节,对于盾构机的正常工作具有十分重要的作用。在盾构机滚刀在生产过程中,滚刀的制造需要选择高强度和耐磨损的材料,以及高精度的加工需求,甚至高强度的热处理工艺。对于成品滚刀的质量检测,是保证滚刀质量的必要环节,而现有的滚刀生产过程中,难以做到每一步生产流程下的全面监控,生产出的成品滚刀合格率也是一大痛点,容易造成生产成本高,企业资源的浪费,并且难以保证滚刀质量与性能的严格要求,不利于盾构机滚刀的高寿命正常使用。
发明内容
本申请实施例提供了一种基于盾构机的滚刀质量检测方法、设备及介质,用于解决如下技术问题:现有盾构机的滚刀生产工艺,难以对滚刀的质量水平进行全面检测,不利于成品滚刀合格率的提升,容易造成生产成本较高,并且滚刀瑕疵品的识别效率也较低。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于盾构机的滚刀质量检测方法,包括:通过预设的三维测量仪,对处于第一工艺阶段的初始滚刀进行图像采集,得到滚刀三维图像;对所述滚刀三维图像进行模型类型匹配,确定出所述初始滚刀的滚刀类型;根据所述滚刀类型,将所述滚刀三维图像转化后的滚刀二维图像进行多维度的图像特征识别,并根据识别出的标记特征,确定出处于所述第一工艺阶段的第一滚刀检测信息;其中,所述多维度包括滚刀部件序列维度以及滚刀尺寸维度;基于所述第一滚刀检测信息,对所述初始滚刀进行有关磁滞回线的曲面硬度预测,得到第二滚刀检测信息;其中,所述第二滚刀检测信息为滚刀热处理后的硬度检测信息;基于所述第二滚刀检测信息,对处于第二工艺阶段的成品滚刀进行有关表面涂层的图像特征识别,确定出第三滚刀检测信息;其中,所述第三滚刀检测信息为滚刀表面涂层的缺陷检测信息;通过所述第一滚刀检测信息、所述第二滚刀检测信息以及所述第三滚刀检测信息,生成滚刀的质检报告信息,并发送到后台终端。
本申请实施例通过对盾构机的滚刀进行成品检测,可以确保滚刀的质量符合设计要求和标准。检测可以发现滚刀制造过程中可能存在的工艺缺陷,如材料缺陷、加工精度问题等,从而及时进行调整和修正,保证滚刀的质量稳定和可靠性。同时在每一个工艺阶段的实时检测,可以提前发现滚刀的质量问题,避免在实际使用过程中出现故障和损坏,从而减少维修和更换的频率,提高盾构机的运行效率和生产效益。并且,有利于成品滚刀合格率的提升,智能化的生产检测降低了生产成本,增强了滚刀瑕疵品的识别效率。
在一种可行的实施方式中,通过预设的三维测量仪,对处于第一工艺阶段的初始滚刀进行图像采集,得到滚刀三维图像,具体包括:通过所述三维测量仪,对处于预设区域中的所述初始滚刀进行多轴向的图像扫描,得到若干扫描图像;其中,所述多轴向包括:前后轴向、左右轴向以及上下轴向;其中,所述若干扫描图像为二维图像;对所述若干扫描图像中的相似特征进行关联重叠区域标记,确定出所述关联重叠区域的标记数组;将所述标记数组中相同标号下的扫描图像进行基于所述关联重叠区域的图像拼接处理,得到拼接后的所述滚刀三维图像;其中,所述滚刀三维图像中的每个三维关键图像特征均包含三维坐标位置。
在一种可行的实施方式中,对所述滚刀三维图像进行模型类型匹配,确定出所述初始滚刀的滚刀类型,具体包括:获取预设数据库中标准类型下的标准滚刀三维图像;其中,所述标准滚刀三维图像为基于预设图纸参数所生成的三维图像;提取每一类型下标准滚刀三维图像的关键图像特征,并将所述关键图像特征以及对应的特征标签确定为模型训练的训练样本;其中,所述关键图像特征包括:颜色特征、纹理特征、形状特征以及空间关系特征;通过预设的神经训练网络,将所述训练样本中的所述形状特征以及空间关系特征进行样本标签训练,以训练出图像特征识别模型;提取所述滚刀三维图像中与所述关键图像特征对应空间位置下的真实图像特征;将所述真实图像特征输入到所述图像特征识别模型中,并通过所述图像特征识别模型,将所述真实图像特征与所述关键图像特征进行一一匹配计算,确定出每一个所述真实图像特征的特征匹配值;根据所述特征匹配值,对所述数据库中的标准类型进行查询处理,确定出所述初始滚刀的滚刀类型;其中,所述滚刀类型至少包括:轴式单刃滚刀、超挖滚刀、中心三联滚刀、端盖式单刃滚刀以及中心二联滚刀。
本申请实施例通过模型匹配,所识别出的滚刀类型,能够更加精准将待检测的初始滚刀进行图像特征的识别,从而完成对数据库中的标准类型的查询,准确识别出了初始滚刀的滚刀类型。
在一种可行的实施方式中,根据所述滚刀类型,将所述滚刀三维图像转化后的滚刀二维图像进行多维度的图像特征识别,具体包括:将所述滚刀三维图像进行二维多视图拆分处理,得到滚刀二维图像集;其中,所述二维多视图包括:俯仰视图、前后视图以及左右视图;对所述滚刀二维图像集中的若干所述滚刀二维图像进行灰度预处理,并根据预设的Canny算子,对灰度处理后的滚刀二维图像进行不同像素区域下的像素面积检测,确定出滚刀部件序列区域;其中,所述滚刀部件序列区域至少包括:刀轴、端盖、轴承、刀体、刀圈以及挡圈;对所述滚刀部件序列区域进行图像特征标记,得到若干滚刀部件序列特征点以及对应的序列标签值;并将所述滚刀部件序列特征点以及对应的所述序列标签值确定为滚刀部件序列标记特征;基于预设数据库中滚刀的各部件设计参数,将每个滚刀部件序列区域下的所述滚刀部件序列特征点进行相对距离与相对角度的计算,得到所述每个滚刀部件序列区域下的真实尺寸图像信息;其中,所述真实尺寸图像信息包括:尺寸参数信息以及图像像素区域信息;将所述真实尺寸图像信息中的关键特征点进行特征标记,得到滚刀尺寸标记特征;其中,所述标记特征为所述滚刀二维图像的所述滚刀部件序列标记特征与所述滚刀尺寸标记特征。
在一种可行的实施方式中,根据识别出的标记特征,确定出处于所述第一工艺阶段的第一滚刀检测信息,具体包括:通过二阶微分,对所述滚刀部件序列标记特征进行有关区域图像的边缘特征约束,确定出滚刀部件类型区域;并获取所述滚刀部件类型区域的编码值;基于所述数据库中滚刀的预设各个部件安装序列号,将每个所述滚刀部件类型区域的编码值进行数值对应,确定出所述初始滚刀的部件序列位置信息;其中,所述部件序列位置信息包括:部件序列位置正确信息以及部件序列位置错误信息;通过预设的Snake模型,对每个所述滚刀部件类型区域中的所述滚刀尺寸标记特征进行初始轮廓定位;基于图像膨胀算法,对初始轮廓图像中的中心空洞区域以及边缘空洞区域进行填充处理,并通过最小能量泛函数,对填充处理后二值图像的中心骨架进行有关逆时针排序的迭代处理,得到所述滚刀部件类型区域的精准轮廓图像;将所述精准轮廓图像与所述数据库中的标准轮廓图像进行线条重合计算,确定出线条重合度;基于所述线条重合度,确定出所述初始滚刀的滚刀尺寸信息;其中,所述滚刀尺寸信息包括:尺寸合格信息以及尺寸不合格信息;其中,所述第一滚刀检测信息包括:所述滚刀尺寸信息以及所述部件序列位置信息。
本申请实施例通过对初始滚刀的部件序列以及尺寸大小进行检测后,能够提前将存在的瑕疵品进行筛选处理,并基于图像特征的检测处理,能够更快更准确的发现人工所不能发现的缺陷信息,从而达到智能化的滚刀质量检测。
在一种可行的实施方式中,基于所述第一滚刀检测信息,对所述初始滚刀进行有关磁滞回线的曲面硬度预测,得到第二滚刀检测信息,具体包括:若所述第一滚刀检测信息为检测通过信息,则将所述初始滚刀确定为规格合格滚刀;通过预设的涡流硬度检测仪,对处于同一批次的所述初始滚刀进行硬度检测,得到所述初始滚刀的涡流信息以及对应的磁滞回线;基于PCA技术,对所述初始滚刀的涡流信息以及对应的磁滞回线进行特征降维,确定出磁滞曲线测量信号;并根据均值影响值评价算法,将所述磁滞曲线测量信号、与所述涡流信息对应的磁巴克豪森噪声以及预设的切向磁场进行最优候选特征参数的提取,得到硬度预测输入量;将所述硬度预测输入量输入到BP神经网络中,得到硬度预测信息;其中,所述硬度预测信息包括:表面硬度预测信息以及硬化深度预测信息;将所述硬度预测信息确定为所述第二滚刀检测信息;其中,所述第二滚刀检测信息包括:检测合格信息以及检测不合格信息。
本申请实施例通过对初始滚刀进行硬度检测后,能够将热处理后的滚刀工件进一步地完成质量检测,滚刀是盾构机运行的关键部件之一,其质量和性能直接影响到盾构机的安全运行。通过将热处理后的滚刀检测,可以发现滚刀的潜在安全隐患及时采取措施进行修复或更换,确保后续使用的安全性。
在一种可行的实施方式中,基于所述第二滚刀检测信息,对处于第二工艺阶段的成品滚刀进行有关表面涂层的图像特征识别,确定出第三滚刀检测信息,具体包括:若所述第二滚刀检测信息为检测合格信息,则将所述初始滚刀进行所述第二工艺阶段下的表面涂层加工;获取所述成品滚刀的二维多视图图像集;通过高斯马尔科夫随机场GMRF模型,确定出所述二维多视图图像集中每幅滚刀表面二维图像的纹理信息;根据所述纹理信息,确定相应的纹理特征期望值及纹理特征方差;基于所述纹理特征期望值及所述纹理特征方差,确定出所述滚刀表面二维图像的缺陷特征程度值;将各所述缺陷特征程度值与分别与第一预设阈值进行比对,生成与所述缺陷特征程度值所对应的所述滚刀表面二维图像的所述第三滚刀检测信息;其中,所述第三滚刀检测信息包括:检测合格信息以及检测不合格信息。
本申请实施通过对成品滚刀的表面涂层检测,能够将涂层缺陷进行细致检测,从而可以延长后续滚刀在使用中的寿命,同时能有效延长整台盾构机的使用寿命,对盾构机的经济效益也进一步提高,并提供了有力保障。
在一种可行的实施方式中,通过所述第一滚刀检测信息、所述第二滚刀检测信息以及所述第三滚刀检测信息,生成滚刀的质检报告信息,具体包括:若所述第一滚刀检测信息中的滚刀尺寸信息以及部件序列位置信息均为检测合格信息,则将所述第一滚刀检测信息确定为第一待发送信息;否则,停止对所述第二滚刀检测信息以及所述第三滚刀检测信息的生成处理,并生成第一缺陷品报告表;若所述第二滚刀检测信息为检测合格信息,则将所述第二滚刀检测信息确定为第二待发送信息;否则,停止对所述第三滚刀检测信息的生成处理,并生成第二缺陷品报告表;若所述第三滚刀检测信息为检测合格信息,则将所述第二滚刀检测信息确定为第三待发送信息,并将所述第一待发送信息、所述第二待发送信息以及所述第三待发送信息进行数据整合,生成所述质检报告信息;否则,生成第三缺陷品报告表。
第二方面,本申请实施例还提供了一种基于盾构机的滚刀质量检测设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行上述任一实施方式所述的一种基于盾构机的滚刀质量检测方法。
第三方面,本申请实施例还提供了一种非易失性计算机存储介质,其特征在于,所述存储介质为非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有至少一个程序,每个所述程序包括指令,所述指令当被终端执行时,使所述终端执行上述任一实施方式所述的一种基于盾构机的滚刀质量检测方法。
本申请提供了一种基于盾构机的滚刀质量检测方法、设备及介质,与现有技术相比,本申请实施例具有以下有益的技术效果:
本申请实施例通过对盾构机的滚刀进行成品检测,可以确保滚刀的质量符合设计要求和标准。检测可以发现滚刀制造过程中可能存在的工艺缺陷,如材料缺陷、加工精度问题等,从而及时进行调整和修正,保证滚刀的质量稳定和可靠性。同时在每一个工艺阶段的实时检测,可以提前发现滚刀的质量问题,避免在实际使用过程中出现故障和损坏,从而减少维修和更换的频率,提高盾构机的运行效率和生产效益。并且,有利于成品滚刀合格率的提升,智能化的生产检测降低了生产成本,增强了滚刀瑕疵品的识别效率。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种基于盾构机的滚刀质量检测方法流程图;
图2为本申请实施例提供的一种基于盾构机的滚刀质量检测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种基于盾构机的滚刀质量检测方法,如图1所示,基于盾构机的滚刀质量检测方法具体包括步骤S101-S106:
S101、通过预设的三维测量仪,对处于第一工艺阶段的初始滚刀进行图像采集,得到滚刀三维图像。
具体地,首先通过车间预安装的三维测量仪,对处于预设区域中的初始滚刀进行多轴向的图像扫描,得到若干扫描图像。其中,多轴向包括:前后轴向、左右轴向以及上下轴向。若干扫描图像为二维图像。
进一步地,对若干扫描图像中的相似特征进行关联重叠区域标记,确定出关联重叠区域的标记数组;
进一步地,再将标记数组中相同标号下的扫描图像进行基于关联重叠区域的图像拼接处理,得到拼接后的滚刀三维图像。其中,滚刀三维图像中的每个三维关键图像特征均包含三维坐标位置。
在一个实施例中,通过预安装的三维测量仪中的多个摄像头,能够全方位的采集到处于第一工艺阶段初始滚刀的二维图像信息,然后再基于关联重叠区域,便可将上述多轴向下的二维滚刀图像进行拼接处理,从而生成关于初始滚刀的三维立体图像。
S102、对滚刀三维图像进行模型类型匹配,确定出初始滚刀的滚刀类型。
具体地,先获取预设数据库中标准类型下的标准滚刀三维图像。其中,标准滚刀三维图像为基于预设图纸参数所生成的三维图像;
进一步地,提取每一类型下标准滚刀三维图像的关键图像特征,并将关键图像特征以及对应的特征标签确定为模型训练的训练样本。其中,关键图像特征包括:颜色特征、纹理特征、形状特征以及空间关系特征。
进一步地,通过预设的神经训练网络,将训练样本中的形状特征以及空间关系特征进行样本标签训练,以训练出图像特征识别模型。
进一步地,提取滚刀三维图像中与关键图像特征对应空间位置下的真实图像特征。
进一步地,将真实图像特征输入到图像特征识别模型中,并通过图像特征识别模型,将真实图像特征与关键图像特征进行一一匹配计算,确定出每一个真实图像特征的特征匹配值。
进一步地,根据特征匹配值,对数据库中的标准类型进行查询处理,确定出初始滚刀的滚刀类型。其中,滚刀类型至少包括:轴式单刃滚刀、超挖滚刀、中心三联滚刀、端盖式单刃滚刀以及中心二联滚刀。
S103、根据滚刀类型,将滚刀三维图像转化后的滚刀二维图像进行多维度的图像特征识别,并根据识别出的标记特征,确定出处于第一工艺阶段的第一滚刀检测信息。其中,多维度包括滚刀部件序列维度以及滚刀尺寸维度。
具体地,将滚刀三维图像进行二维多视图拆分处理,得到滚刀二维图像集。其中,二维多视图包括:俯仰视图、前后视图以及左右视图。
进一步地,对滚刀二维图像集中的若干滚刀二维图像进行灰度预处理,并根据预设的Canny算子,对灰度处理后的滚刀二维图像进行不同像素区域下的像素面积检测,确定出滚刀部件序列区域。其中,滚刀部件序列区域至少包括:刀轴、端盖、轴承、刀体、刀圈以及挡圈。
进一步地,对滚刀部件序列区域进行图像特征标记,得到若干滚刀部件序列特征点以及对应的序列标签值。并将滚刀部件序列特征点以及对应的序列标签值确定为滚刀部件序列标记特征。
进一步地,基于预设数据库中滚刀的各部件设计参数,将每个滚刀部件序列区域下的滚刀部件序列特征点进行相对距离与相对角度的计算,得到每个滚刀部件序列区域下的真实尺寸图像信息。其中,真实尺寸图像信息包括:尺寸参数信息以及图像像素区域信息。
进一步地,将真实尺寸图像信息中的关键特征点进行特征标记,得到滚刀尺寸标记特征。该标记特征为滚刀二维图像的滚刀部件序列标记特征与滚刀尺寸标记特征。
进一步地,通过二阶微分,对滚刀部件序列标记特征进行有关区域图像的边缘特征约束,确定出滚刀部件类型区域。并获取滚刀部件类型区域的编码值。
进一步地,基于数据库中滚刀的预设各个部件安装序列号,将每个滚刀部件类型区域的编码值进行数值对应,确定出初始滚刀的部件序列位置信息。其中,部件序列位置信息包括:部件序列位置正确信息以及部件序列位置错误信息。
作为一种可行的实施方式,通过对初始滚刀的部件序列以及尺寸大小进行检测后,能够提前将存在的瑕疵品进行筛选处理,并基于图像特征的检测处理,能够更快更准确的发现人工所不能发现的缺陷信息,从而达到智能化的滚刀质量检测。
进一步地,通过预设的Snake模型,对每个滚刀部件类型区域中的滚刀尺寸标记特征进行初始轮廓定位。
进一步地,基于预设的图像膨胀算法,对初始轮廓图像中的中心空洞区域以及边缘空洞区域进行填充处理,并通过最小能量泛函数,对填充处理后二值图像的中心骨架进行有关逆时针排序的迭代处理,得到滚刀部件类型区域的精准轮廓图像。
进一步地,将精准轮廓图像与数据库中的标准轮廓图像进行线条重合计算,确定出线条重合度。
进一步地,最后基于线条重合度,确定出初始滚刀的滚刀尺寸信息。其中,滚刀尺寸信息包括:尺寸合格信息以及尺寸不合格信息。第一滚刀检测信息包括:滚刀尺寸信息以及部件序列位置信息。
在一个实施例中,初始轮廓位置对Snake模型的轮廓提取效率与精度有着重要关系,因此需先初步定位轮廓的位置,为后续迭代优化提供基础。
S104、基于第一滚刀检测信息,对初始滚刀进行有关磁滞回线的曲面硬度预测,得到第二滚刀检测信息。其中,第二滚刀检测信息为滚刀热处理后的硬度检测信息。
具体地,若第一滚刀检测信息为检测通过信息,则将初始滚刀确定为规格合格滚刀。
进一步地,通过预设的涡流硬度检测仪,对处于同一批次的初始滚刀进行硬度检测,得到初始滚刀的涡流信息以及对应的磁滞回线。
进一步地,基于PCA技术,对初始滚刀的涡流信息以及对应的磁滞回线进行特征降维,确定出磁滞曲线测量信号。并根据均值影响值评价算法,将磁滞曲线测量信号、与涡流信息对应的磁巴克豪森噪声以及预设的切向磁场进行最优候选特征参数的提取,得到硬度预测输入量。
进一步地,再将硬度预测输入量输入到BP神经网络中,得到硬度预测信息。其中,硬度预测信息包括:表面硬度预测信息以及硬化深度预测信息。
进一步地,将硬度预测信息确定为第二滚刀检测信息。其中,第二滚刀检测信息包括:检测合格信息以及检测不合格信息。
作为一种可行的实施方式,利用一种神经网络模型对表面淬硬钢的淬硬度和深度同时进行预测。可以利用PCA技术对涡流和磁滞回线中提取的特征进行降维,在保留重要特征的同时提高了机器学习算法处理数据的效率又引入均值影响值评价算法,从磁巴克豪森噪声、切向磁场和磁滞曲线测量信号中提取16 个候选特征参数中选择最优组合作为 BP神经网络的输入节点,形成了表面硬度和硬化深度的预测,即表面硬度预测信息以及硬化深度预测信息。
S105、基于第二滚刀检测信息,对处于第二工艺阶段的成品滚刀进行有关表面涂层的图像特征识别,确定出第三滚刀检测信息。其中,第三滚刀检测信息为滚刀表面涂层的缺陷检测信息。
具体地,若第二滚刀检测信息为检测合格信息,则将初始滚刀进行第二工艺阶段下的表面涂层加工。
进一步地,先通过预安装的相机,获取成品滚刀的二维多视图图像集;通过高斯马尔科夫随机场GMRF模型,确定出二维多视图图像集中每幅滚刀表面二维图像的纹理信息。
进一步地,根据纹理信息,确定相应的纹理特征期望值及纹理特征方差。基于纹理特征期望值及纹理特征方差,确定出滚刀表面二维图像的缺陷特征程度值。
进一步地,将各缺陷特征程度值与分别与第一预设阈值进行比对,生成与缺陷特征程度值所对应的滚刀表面二维图像的第三滚刀检测信息。其中,第三滚刀检测信息包括:检测合格信息以及检测不合格信息。
在一个实施例,通过服务器通过高斯马尔科夫随机场GMRF模型,确定出二维多视图图像集中每幅滚刀表面二维图像的纹理信息。接着,服务器根据纹理信息,确定相应的纹理特征期望值及纹理特征方差。纹理特征期望值及纹理特征方差即上述充分统计量的期望值及充分统计量的方差。随后,服务器基于纹理特征期望值及纹理特征方差,确定出滚刀表面二维图像的缺陷特征程度值。将上述病害纹理统计量作为缺陷特征程度值。最后,服务器将各缺陷特征程度值分别与第一预设阈值进行比对,依据第一预设阈值下的比对结果,从而确定出滚刀表面二维图像中涂层表面的缺陷程度是否符合检测要求,并最终生成了第三滚刀检测信息。
S106、通过第一滚刀检测信息、第二滚刀检测信息以及第三滚刀检测信息,生成滚刀的质检报告信息,并发送到后台终端。
具体地,若第一滚刀检测信息中的滚刀尺寸信息以及部件序列位置信息均为检测合格信息,则将第一滚刀检测信息确定为第一待发送信息。否则,停止对第二滚刀检测信息以及第三滚刀检测信息的生成处理,并生成第一缺陷品报告表。
进一步地,若第二滚刀检测信息为检测合格信息,则将第二滚刀检测信息确定为第二待发送信息。否则,停止对第三滚刀检测信息的生成处理,并生成第二缺陷品报告表。
进一步地,若第三滚刀检测信息为检测合格信息,则将第二滚刀检测信息确定为第三待发送信息,并将第一待发送信息、第二待发送信息以及第三待发送信息进行数据整合,生成质检报告信息。否则,生成第三缺陷品报告表。
另外,本申请实施例还提供了一种基于盾构机的滚刀质量检测设备,如图2所示,基于盾构机的滚刀质量检测设备200具体包括:
至少一个处理器201。以及,与至少一个处理器201通信连接的存储器202。其中,存储器202存储有能够被至少一个处理器201执行的指令,以使至少一个处理器201能够执行:
通过预设的三维测量仪,对处于第一工艺阶段的初始滚刀进行图像采集,得到滚刀三维图像;
对滚刀三维图像进行模型类型匹配,确定出初始滚刀的滚刀类型;
根据滚刀类型,将滚刀三维图像转化后的滚刀二维图像进行多维度的图像特征识别,并根据识别出的标记特征,确定出处于第一工艺阶段的第一滚刀检测信息;其中,多维度包括滚刀部件序列维度以及滚刀尺寸维度;
基于第一滚刀检测信息,对初始滚刀进行有关磁滞回线的曲面硬度预测,得到第二滚刀检测信息;其中,第二滚刀检测信息为滚刀热处理后的硬度检测信息;
基于第二滚刀检测信息,对处于第二工艺阶段的成品滚刀进行有关表面涂层的图像特征识别,确定出第三滚刀检测信息;其中,第三滚刀检测信息为滚刀表面涂层的缺陷检测信息;
通过第一滚刀检测信息、第二滚刀检测信息以及第三滚刀检测信息,生成滚刀的质检报告信息,并发送到后台终端。
本申请实施例通过对盾构机的滚刀进行成品检测,可以确保滚刀的质量符合设计要求和标准。检测可以发现滚刀制造过程中可能存在的工艺缺陷,如材料缺陷、加工精度问题等,从而及时进行调整和修正,保证滚刀的质量稳定和可靠性。同时在每一个工艺阶段的实时检测,可以提前发现滚刀的质量问题,避免在实际使用过程中出现故障和损坏,从而减少维修和更换的频率,提高盾构机的运行效率和生产效益。并且,有利于成品滚刀合格率的提升,智能化的生产检测降低了生产成本,增强了滚刀瑕疵品的识别效率。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
上述对本申请特定实施例进行了描述。在一些情况下,在说明书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的范围之内。
Claims (10)
1.一种基于盾构机的滚刀质量检测方法,其特征在于,所述方法包括:
通过预设的三维测量仪,对处于第一工艺阶段的初始滚刀进行图像采集,得到滚刀三维图像;
对所述滚刀三维图像进行模型类型匹配,确定出所述初始滚刀的滚刀类型;
根据所述滚刀类型,将所述滚刀三维图像转化后的滚刀二维图像进行多维度的图像特征识别,并根据识别出的标记特征,确定出处于所述第一工艺阶段的第一滚刀检测信息;其中,所述多维度包括滚刀部件序列维度以及滚刀尺寸维度;
基于所述第一滚刀检测信息,对所述初始滚刀进行有关磁滞回线的曲面硬度预测,得到第二滚刀检测信息;其中,所述第二滚刀检测信息为滚刀热处理后的硬度检测信息;
基于所述第二滚刀检测信息,对处于第二工艺阶段的成品滚刀进行有关表面涂层的图像特征识别,确定出第三滚刀检测信息;其中,所述第三滚刀检测信息为滚刀表面涂层的缺陷检测信息;
通过所述第一滚刀检测信息、所述第二滚刀检测信息以及所述第三滚刀检测信息,生成滚刀的质检报告信息,并发送到后台终端。
2.根据权利要求1所述的一种基于盾构机的滚刀质量检测方法,其特征在于,通过预设的三维测量仪,对处于第一工艺阶段的初始滚刀进行图像采集,得到滚刀三维图像,具体包括:
通过所述三维测量仪,对处于预设区域中的所述初始滚刀进行多轴向的图像扫描,得到若干扫描图像;其中,所述多轴向包括:前后轴向、左右轴向以及上下轴向;其中,所述若干扫描图像为二维图像;
对所述若干扫描图像中的相似特征进行关联重叠区域标记,确定出所述关联重叠区域的标记数组;
将所述标记数组中相同标号下的扫描图像进行基于所述关联重叠区域的图像拼接处理,得到拼接后的所述滚刀三维图像;其中,所述滚刀三维图像中的每个三维关键图像特征均包含三维坐标位置。
3.根据权利要求1所述的一种基于盾构机的滚刀质量检测方法,其特征在于,对所述滚刀三维图像进行模型类型匹配,确定出所述初始滚刀的滚刀类型,具体包括:
获取预设数据库中标准类型下的标准滚刀三维图像;其中,所述标准滚刀三维图像为基于预设图纸参数所生成的三维图像;
提取每一类型下标准滚刀三维图像的关键图像特征,并将所述关键图像特征以及对应的特征标签确定为模型训练的训练样本;其中,所述关键图像特征包括:颜色特征、纹理特征、形状特征以及空间关系特征;
通过预设的神经训练网络,将所述训练样本中的所述形状特征以及空间关系特征进行样本标签训练,以训练出图像特征识别模型;
提取所述滚刀三维图像中与所述关键图像特征对应空间位置下的真实图像特征;
将所述真实图像特征输入到所述图像特征识别模型中,并通过所述图像特征识别模型,将所述真实图像特征与所述关键图像特征进行一一匹配计算,确定出每一个所述真实图像特征的特征匹配值;
根据所述特征匹配值,对所述数据库中的标准类型进行查询处理,确定出所述初始滚刀的滚刀类型;其中,所述滚刀类型至少包括:轴式单刃滚刀、超挖滚刀、中心三联滚刀、端盖式单刃滚刀以及中心二联滚刀。
4.根据权利要求1所述的一种基于盾构机的滚刀质量检测方法,其特征在于,根据所述滚刀类型,将所述滚刀三维图像转化后的滚刀二维图像进行多维度的图像特征识别,具体包括:
将所述滚刀三维图像进行二维多视图拆分处理,得到滚刀二维图像集;其中,所述二维多视图包括:俯仰视图、前后视图以及左右视图;
对所述滚刀二维图像集中的若干所述滚刀二维图像进行灰度预处理,并根据预设的Canny算子,对灰度处理后的滚刀二维图像进行不同像素区域下的像素面积检测,确定出滚刀部件序列区域;其中,所述滚刀部件序列区域至少包括:刀轴、端盖、轴承、刀体、刀圈以及挡圈;
对所述滚刀部件序列区域进行图像特征标记,得到若干滚刀部件序列特征点以及对应的序列标签值;并将所述滚刀部件序列特征点以及对应的所述序列标签值确定为滚刀部件序列标记特征;
基于预设数据库中滚刀的各部件设计参数,将每个滚刀部件序列区域下的所述滚刀部件序列特征点进行相对距离与相对角度的计算,得到所述每个滚刀部件序列区域下的真实尺寸图像信息;其中,所述真实尺寸图像信息包括:尺寸参数信息以及图像像素区域信息;
将所述真实尺寸图像信息中的关键特征点进行特征标记,得到滚刀尺寸标记特征;
其中,所述标记特征为所述滚刀二维图像的所述滚刀部件序列标记特征与所述滚刀尺寸标记特征。
5.根据权利要求4所述的一种基于盾构机的滚刀质量检测方法,其特征在于,根据识别出的标记特征,确定出处于所述第一工艺阶段的第一滚刀检测信息,具体包括:
通过二阶微分,对所述滚刀部件序列标记特征进行有关区域图像的边缘特征约束,确定出滚刀部件类型区域;并获取所述滚刀部件类型区域的编码值;
基于所述数据库中滚刀的预设各个部件安装序列号,将每个所述滚刀部件类型区域的编码值进行数值对应,确定出所述初始滚刀的部件序列位置信息;其中,所述部件序列位置信息包括:部件序列位置正确信息以及部件序列位置错误信息;
通过预设的Snake模型,对每个所述滚刀部件类型区域中的所述滚刀尺寸标记特征进行初始轮廓定位;
基于图像膨胀算法,对初始轮廓图像中的中心空洞区域以及边缘空洞区域进行填充处理,并通过最小能量泛函数,对填充处理后二值图像的中心骨架进行有关逆时针排序的迭代处理,得到所述滚刀部件类型区域的精准轮廓图像;
将所述精准轮廓图像与所述数据库中的标准轮廓图像进行线条重合计算,确定出线条重合度;
基于所述线条重合度,确定出所述初始滚刀的滚刀尺寸信息;其中,所述滚刀尺寸信息包括:尺寸合格信息以及尺寸不合格信息;
其中,所述第一滚刀检测信息包括:所述滚刀尺寸信息以及所述部件序列位置信息。
6.根据权利要求1所述的一种基于盾构机的滚刀质量检测方法,其特征在于,基于所述第一滚刀检测信息,对所述初始滚刀进行有关磁滞回线的曲面硬度预测,得到第二滚刀检测信息,具体包括:
若所述第一滚刀检测信息为检测通过信息,则将所述初始滚刀确定为规格合格滚刀;
通过预设的涡流硬度检测仪,对处于同一批次的所述初始滚刀进行硬度检测,得到所述初始滚刀的涡流信息以及对应的磁滞回线;
基于PCA技术,对所述初始滚刀的涡流信息以及对应的磁滞回线进行特征降维,确定出磁滞曲线测量信号;并根据均值影响值评价算法,将所述磁滞曲线测量信号、与所述涡流信息对应的磁巴克豪森噪声以及预设的切向磁场进行最优候选特征参数的提取,得到硬度预测输入量;
将所述硬度预测输入量输入到BP神经网络中,得到硬度预测信息;其中,所述硬度预测信息包括:表面硬度预测信息以及硬化深度预测信息;
将所述硬度预测信息确定为所述第二滚刀检测信息;其中,所述第二滚刀检测信息包括:检测合格信息以及检测不合格信息。
7.根据权利要求1所述的一种基于盾构机的滚刀质量检测方法,其特征在于,基于所述第二滚刀检测信息,对处于第二工艺阶段的成品滚刀进行有关表面涂层的图像特征识别,确定出第三滚刀检测信息,具体包括:
若所述第二滚刀检测信息为检测合格信息,则将所述初始滚刀进行所述第二工艺阶段下的表面涂层加工;
获取所述成品滚刀的二维多视图图像集;
通过高斯马尔科夫随机场GMRF模型,确定出所述二维多视图图像集中每幅滚刀表面二维图像的纹理信息;
根据所述纹理信息,确定相应的纹理特征期望值及纹理特征方差;
基于所述纹理特征期望值及所述纹理特征方差,确定出所述滚刀表面二维图像的缺陷特征程度值;
将各所述缺陷特征程度值与分别与第一预设阈值进行比对,生成与所述缺陷特征程度值所对应的所述滚刀表面二维图像的所述第三滚刀检测信息;其中,所述第三滚刀检测信息包括:检测合格信息以及检测不合格信息。
8.根据权利要求1所述的一种基于盾构机的滚刀质量检测方法,其特征在于,通过所述第一滚刀检测信息、所述第二滚刀检测信息以及所述第三滚刀检测信息,生成滚刀的质检报告信息,具体包括:
若所述第一滚刀检测信息中的滚刀尺寸信息以及部件序列位置信息均为检测合格信息,则将所述第一滚刀检测信息确定为第一待发送信息;否则,停止对所述第二滚刀检测信息以及所述第三滚刀检测信息的生成处理,并生成第一缺陷品报告表;
若所述第二滚刀检测信息为检测合格信息,则将所述第二滚刀检测信息确定为第二待发送信息;否则,停止对所述第三滚刀检测信息的生成处理,并生成第二缺陷品报告表;
若所述第三滚刀检测信息为检测合格信息,则将所述第二滚刀检测信息确定为第三待发送信息,并将所述第一待发送信息、所述第二待发送信息以及所述第三待发送信息进行数据整合,生成所述质检报告信息;否则,生成第三缺陷品报告表。
9.一种基于盾构机的滚刀质量检测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行根据权利要求1-8任一项所述的一种基于盾构机的滚刀质量检测方法。
10.一种非易失性计算机存储介质,其特征在于,所述存储介质为非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有至少一个程序,每个所述程序包括指令,所述指令当被终端执行时,使所述终端执行根据权利要求1-8任一项所述的一种基于盾构机的滚刀质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057348.8A CN117571523B (zh) | 2024-01-16 | 2024-01-16 | 一种基于盾构机的滚刀质量检测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057348.8A CN117571523B (zh) | 2024-01-16 | 2024-01-16 | 一种基于盾构机的滚刀质量检测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117571523A true CN117571523A (zh) | 2024-02-20 |
CN117571523B CN117571523B (zh) | 2024-03-29 |
Family
ID=89888532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410057348.8A Active CN117571523B (zh) | 2024-01-16 | 2024-01-16 | 一种基于盾构机的滚刀质量检测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571523B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808810A (zh) * | 2024-03-01 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种滚刀磨损图像识别测量方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB212587A (en) * | 1922-09-11 | 1924-03-11 | Gould & Eberhardt | Hob, method of making it and worm making process |
JPH08210820A (ja) * | 1995-02-01 | 1996-08-20 | Hitachi Denshi Ltd | 部品実装基板の外観検査装置における被検査部の認識方法及び装置 |
JP2009160715A (ja) * | 2008-01-10 | 2009-07-23 | Mitsubishi Heavy Ind Ltd | ウォームのシミュレーション研削方法及びウォーム研削システム |
CN104156536A (zh) * | 2014-08-19 | 2014-11-19 | 中交隧道工程局有限公司 | 一种盾构机刀具磨损的可视化定量标定及分析方法 |
US20190143523A1 (en) * | 2017-11-16 | 2019-05-16 | General Electric Company | Robotic system architecture and control processes |
US20190201992A1 (en) * | 2016-08-22 | 2019-07-04 | The Gleason Works | Power skiving pressure angle correction without tool geometry change |
CN112432949A (zh) * | 2020-11-04 | 2021-03-02 | 东莞东运机械制造有限公司 | 一种利用3d拍照技术进行凹印版辊表面缺陷的检测方法 |
CN113269766A (zh) * | 2021-06-07 | 2021-08-17 | 中铁工程装备集团有限公司 | 滚刀磨损检测方法、装置、设备及可读存储介质 |
JP2021124458A (ja) * | 2020-02-07 | 2021-08-30 | 株式会社ナガセインテグレックス | 回転切削工具の切削面の検査方法及び検査装置 |
CN117351005A (zh) * | 2023-12-01 | 2024-01-05 | 四川纳拓新材料技术有限公司 | 一种涂炭箔涂布缺陷检测方法和系统 |
-
2024
- 2024-01-16 CN CN202410057348.8A patent/CN117571523B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB212587A (en) * | 1922-09-11 | 1924-03-11 | Gould & Eberhardt | Hob, method of making it and worm making process |
JPH08210820A (ja) * | 1995-02-01 | 1996-08-20 | Hitachi Denshi Ltd | 部品実装基板の外観検査装置における被検査部の認識方法及び装置 |
JP2009160715A (ja) * | 2008-01-10 | 2009-07-23 | Mitsubishi Heavy Ind Ltd | ウォームのシミュレーション研削方法及びウォーム研削システム |
CN104156536A (zh) * | 2014-08-19 | 2014-11-19 | 中交隧道工程局有限公司 | 一种盾构机刀具磨损的可视化定量标定及分析方法 |
US20190201992A1 (en) * | 2016-08-22 | 2019-07-04 | The Gleason Works | Power skiving pressure angle correction without tool geometry change |
US20190143523A1 (en) * | 2017-11-16 | 2019-05-16 | General Electric Company | Robotic system architecture and control processes |
JP2021124458A (ja) * | 2020-02-07 | 2021-08-30 | 株式会社ナガセインテグレックス | 回転切削工具の切削面の検査方法及び検査装置 |
CN112432949A (zh) * | 2020-11-04 | 2021-03-02 | 东莞东运机械制造有限公司 | 一种利用3d拍照技术进行凹印版辊表面缺陷的检测方法 |
CN113269766A (zh) * | 2021-06-07 | 2021-08-17 | 中铁工程装备集团有限公司 | 滚刀磨损检测方法、装置、设备及可读存储介质 |
CN117351005A (zh) * | 2023-12-01 | 2024-01-05 | 四川纳拓新材料技术有限公司 | 一种涂炭箔涂布缺陷检测方法和系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808810A (zh) * | 2024-03-01 | 2024-04-02 | 陕西长空齿轮有限责任公司 | 一种滚刀磨损图像识别测量方法及系统 |
CN117808810B (zh) * | 2024-03-01 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种滚刀磨损图像识别测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117571523B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117571523B (zh) | 一种基于盾构机的滚刀质量检测方法、设备及介质 | |
US20160339519A1 (en) | In-process monitoring of powder bed additive manufacturing | |
Thakre et al. | Measurements of tool wear parameters using machine vision system | |
JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN116560327B (zh) | 一种基于物联网的电动工具生产控制方法及系统 | |
EP3807730A1 (en) | Quality monitoring of industrial processes | |
KR20170078723A (ko) | 볼륨 이미지 레코드로부터의 국부적 품질 측정들의 결정 | |
CN112183919A (zh) | 质量预测系统和质量预测方法 | |
CN112580935A (zh) | 一种基于机器视觉的工业产品生产流程溯源分析方法 | |
KR20220084303A (ko) | 제조 방법 | |
US20080240510A1 (en) | Method and system for examining a surface | |
CN117391514B (zh) | 一种立轴磨床的加工质量管理方法及系统 | |
CN116228766B (zh) | 一种等离子加工设备的智能调控方法及系统 | |
CN117669964A (zh) | 一种用于对机台进行前期维护的排班方法及系统 | |
Cherkasov et al. | Weld surface defect detection based on a laser scanning system and YOLOv5 | |
CN1287141C (zh) | 用于检测轧制产品形状缺陷的方法及相关装置 | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN116109633A (zh) | 一种轴承保持器的窗口检测方法及设备 | |
CN103282938A (zh) | 用于通过x射线计算机断层扫描装置确定位于待检查物体中的结构位置的方法和评估设备 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN118297952B (zh) | 用于风电涡轮机轴承的生产质量检测方法及系统 | |
Salaets et al. | Optical Cutting Tool Wear Monitoring by 3D Geometry Reconstruction | |
Griffa | A paradigm shift for inspection: complementing traditional CMM with DSSP innovation | |
CN114713518B (zh) | 一种基于图像分析的工业管件内壁智能探伤方法 |
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 |