CN117972487A - 一种铜管铣面刀盘缺陷检测方法及系统 - Google Patents
一种铜管铣面刀盘缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117972487A CN117972487A CN202410119151.2A CN202410119151A CN117972487A CN 117972487 A CN117972487 A CN 117972487A CN 202410119151 A CN202410119151 A CN 202410119151A CN 117972487 A CN117972487 A CN 117972487A
- Authority
- CN
- China
- Prior art keywords
- cutter
- defect
- periodic
- milling cutter
- defect 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 139
- 238000003801 milling Methods 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 29
- 239000010949 copper Substances 0.000 title claims abstract description 29
- 230000000737 periodic effect Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000350052 Daniellia ogea Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及工业智能检测技术领域,尤其涉及一种铜管铣面刀盘缺陷检测方法及系统,方法包括:按照尺寸规格将刀盘进行分类,并将相同规格尺寸的刀盘进行重合叠放,组成铣面刀盘组,铣面刀盘组内的刀盘在进行缺陷检测时保持相对静止;对铣面刀盘组的刀齿部进行周期性特征采集,周期性特征为相同规格尺寸的刀盘的刀齿部重合叠放产生;对采集到的周期性特征进行非典型特征识别,并对应获得非典型特征的刀盘所在铣面刀盘组以及刀齿所在刀盘的定位信息。通过本发明,有效解决了识别刀盘刀齿的缺陷以及定位效率低下的问题,且兼容适应多种规格型号的刀盘,整个检测过程智能化,大大节省劳动成本,减少检修时间同时提高生产效率。
Description
技术领域
本发明涉及工业智能检测技术领域,尤其涉及铜管铣面刀盘缺陷检测方法及系统。
背景技术
铜管铣面技术通过设置在铜管外围的刀盘转动对铜管的外表面进行打磨,保证铜管的平整度、关洁度等质量要求,对铜管的后续生产工艺的质量产生重要影响。
在铜管铣面的过程中,刀盘易产生断齿、豁口、崩齿等现象均会对铜管的铣面质量造成影响,而在检修养护过程中,大批量的设备刀盘数量和型号众多,对刀盘缺陷位置进行识别定位浪费时间、效率低下,大大影响检修时间和生产效率。
公开于该背景技术部分的信息仅仅旨在加深对本公开总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
本发明提供了铜管铣面刀盘缺陷检测方法及系统,可有效解决背景技术中的问题。
为了达到上述目的,本发明所采用的技术方案是:
一种铜管铣面刀盘缺陷检测方法,所述方法包括:
按照尺寸规格将刀盘进行分类,并将相同规格尺寸的所述刀盘进行重合叠放,组成铣面刀盘组,所述铣面刀盘组内的刀盘在进行缺陷检测时保持相对静止;
对所述铣面刀盘组的刀齿部进行周期性特征采集,所述周期性特征为相同规格尺寸的所述刀盘的刀齿部重合叠放产生;
对采集到的所述周期性特征进行非典型特征识别,并对应获得所述非典型特征的所述刀盘所在铣面刀盘组以及所述刀齿所在刀盘的定位信息;
根据所述定位信息索引所述铣面刀盘组的缺陷部分,并对所述缺陷部分进行缺陷检测,获得缺陷检测结果。
进一步地,对所述铣面刀盘组的刀齿部进行周期性特征采集,包括:
对所述铣面刀盘组进行图像采集,且获得至少两个方向上具备重合叠放周期性特征的图像,所述两个方向至少包括与所述刀盘厚度平行的方向以及与所述刀盘厚度垂直的方向;
对采集获得的所述图像进行位置识别,确定所述刀齿部外轮廓的周期性特征。
进一步地,对采集获得的所述图像进行位置识别,确定所述刀齿部外轮廓的周期性特征,包括:
建立卷积神经网络中的刀齿特征库,且所述卷积神经网络的卷积层与所述刀齿特征库中的各个刀齿特征一一对应;
将采集获得的所述周期性特征采集结果转化成能够进行卷积运算的特征矩阵;
通过所述卷积层对所述特征矩阵进行卷积运算,识别所述刀齿部外轮廓的周期性特征。
进一步地,对采集获得的所述图像进行位置识别,确定所述刀齿部外轮廓的周期性特征,包括:
对采集获得的图像进行预处理;
将预处理后的所述图像应用傅里叶变换,并将所述图像转换为频域;
通过所述频域分析所述傅里叶变换的结果,得到频谱图;
通过频谱图中的峰值和频率成分确定所述刀齿外轮廓的周期性特征。
进一步地,对应获得所述非典型特征的所述刀盘所在铣面刀盘组以及所述刀齿所在刀盘的定位信息,包括:
对所述铣面刀盘组内的各个刀盘设置标签;
在所述铣面刀盘组选择基点,并以所述基点为基准建立刀盘组坐标系,对各个标签部的所述刀盘上的刀齿部进行位置标识,所述位置标识和所述周期性特征一一对应。
进一步地,在对采集到的所述周期性特征进行非典型特征识别的同时,对所述铣面刀盘组进行内部缺陷检测,并根据内部缺陷检测结果获得缺陷刀盘的定位信息。
进一步地,对所述缺陷部分进行缺陷检测,获得缺陷检测结果,包括:
采集历史刀盘检修数据,并基于深度学习法对所述历史刀盘检修数据的深度学习构建缺陷识别模型;
通过所述历史数据信息构建训练集和验证集,分别对所述缺陷识别模型进行训练和验证;
所述缺陷检测模型用于判断刀盘的缺陷特征对应的缺陷类型,并获得所述缺陷检测结果。
进一步地,构建训练集和验证集对所述缺陷识别模型进行训练和验证,包括:
将所述数据集划分为m个子集,并对所述m个子集进行有序排列;
将m个子集进行交叉验证循环,对所述缺陷识别模型进行训练和验证,确保每个子集充当一次验证集;
计算所述缺陷识别模型在各个所述子集作为所述验证集的模型评估性能的平均值,得到识别缺陷评估结果,并对所述缺陷识别模型进行优化。
进一步地,根据所述缺陷检测结果和对应的定位信息对缺陷刀盘进行维修或更换。
铜管铣面刀盘缺陷检测方法及系统,所述系统包括:
刀盘分类整理模块,按照尺寸规格将刀盘进行分类,并将相同规格尺寸的所述刀盘进行重合叠放,组成铣面刀盘组,所述铣面刀盘组内的刀盘在进行缺陷检测时保持相对静止;
周期性特征采集模块,对所述铣面刀盘组的刀齿部进行周期性特征采集,所述周期性特征为相同规格尺寸的所述刀盘的刀齿部重合叠放产生;
非典型特征识别定位模块,对采集到的所述周期性特征进行非典型特征识别,并对应获得所述非典型特征的所述刀盘所在铣面刀盘组以及所述刀齿所在刀盘的定位信息;
缺陷检测检测模块,根据所述定位信息索引所述铣面刀盘组的缺陷部分,并对所述缺陷部分进行缺陷检测,获得缺陷检测结果。
通过本发明的技术方案,可实现以下技术效果:
有效解决了识别刀盘刀齿的缺陷以及定位效率低下的问题,且兼容适应多种规格型号的刀盘,整个检测过程智能化,大大节省劳动成本,减少检修时间同时提高生产效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明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。
图1为铜管铣面刀盘缺陷检测方法的流程示意图;
图2为铜管铣面刀盘缺陷检测系统的结构示意图;
图3为周期性特征采集在第一方向的示意图;
图4为周期性特征采集在第二方向的示意图;
附图标记:1、铣面刀盘组;2、第一采集设备;3、第二采集设备。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示,本申请提供了一种铜管铣面刀盘缺陷检测方法,方法包括:
S10:按照尺寸规格将刀盘进行分类,并将相同规格尺寸的刀盘进行重合叠放,组成铣面刀盘组1,铣面刀盘组1内的刀盘在进行缺陷检测时保持相对静止;在本步骤中根据刀盘的尺寸规格,将待检测的刀盘进行分类,并形成多个铣面刀盘组1,每个铣面刀盘组1内所容纳的最大数量限度应参考采集设备的精度;铣面刀盘组1内的各个相同尺寸的刀盘重合叠放有利于获得各个刀盘之间的周期性,并通过周期性获得缺陷位置,且在重合叠放时要注意可以通过适当的固定装置将这个叠放状态进行固定,确保检测时刀盘之间可以保持相对静止状态。
S20:对铣面刀盘组1的刀齿部进行周期性特征采集,周期性特征为相同规格尺寸的刀盘的刀齿部重合叠放产生;在本步骤中通过采集设备对铣面刀盘组1进行周期性特征的采集,采集特征可以通过图像处理技术等方式对刀齿部的细节进行捕捉,以此后续判断刀齿部有无断齿、豁口、崩齿等缺陷。
S30:对采集到的周期性特征进行非典型特征识别,并对应获得非典型特征的刀盘所在铣面刀盘组1以及刀齿所在刀盘的定位信息;在上述步骤的基础之上,对采集捕捉的刀齿部的特征进行缺陷识别,这些缺陷在周期性特征中呈非典型规律,即间断不满足周期性,当然这里的周期性默为缺陷量占总的数量的小比例,非典型特征旨在对刀齿的缺陷位置进行识别排查,若出现缺陷量占比较大的情况时,采集获得的所谓周期特征便失去了典型性也可以以此判断识别出缺陷位置,并通过获得的非典型特征对缺陷位置进行定位,根据缺陷信息定位至具体的刀盘和刀齿,这需要对铣面刀盘组1内各个刀盘以及各个刀盘上的刀齿位置进行标签化设定,或确定出刀盘或刀齿之间的相对位置关系,以此与周期性特征以及非典型特征相对应,完成对缺陷刀盘刀齿的定位。
S40:根据定位信息索引铣面刀盘组1的缺陷部分,并对缺陷部分进行缺陷检测,获得缺陷检测结果。本步骤中,根据定位信息定位至缺陷部分,并对缺陷部分进行具体的缺陷识别,判断缺陷的具体情况,例如是断齿、豁口、崩齿,具体缺陷程度等。
通过本发明的技术方案,有效解决了识别刀盘刀齿的缺陷以及定位效率低下的问题,且兼容适应多种规格型号的刀盘,整个检测过程智能化,大大节省劳动成本,减少检修时间同时提高生产效率。
进一步来说,对铣面刀盘组1的刀齿部进行周期性特征采集,包括:
对铣面刀盘组1进行图像采集,且获得至少两个方向上具备重合叠放周期性特征的图像,两个方向至少包括与刀盘厚度平行的方向以及与刀盘厚度垂直的方向;
对采集获得的图像进行位置识别,确定刀齿部外轮廓的周期性特征。
作为上述实施例的优选,两个方向如图3和图4所示,第一采集设备2和第二采集设备3对各个刀盘以及刀齿部进行图像采集,采集精度需要满足对刀齿部的细节进行识别,且至少具有多个方向上的图像采集,也可以根据实际采集情况对铣面刀盘组1进行扫描以此获得三维图像,再从三维图像中截取出某个特定采集角度的平面图像,多个方向的图像旨在对各个刀盘上的刀齿部进行外轮廓采集,并以此确定外轮廓的周期特征。
进一步来说,对采集获得的图像进行位置识别,确定刀齿部外轮廓的周期性特征,包括:
建立卷积神经网络中的刀齿特征库,且卷积神经网络的卷积层与刀齿特征库中的各个刀齿特征一一对应;
将采集获得的周期性特征采集结果转化成能够进行卷积运算的特征矩阵;
通过卷积层对特征矩阵进行卷积运算,识别刀齿部外轮廓的周期性特征。
在上述实施例的基础之上,卷积神经网络中的刀齿特征库包括卷积层、池化层和全连接层,并通过使用大量包含各种规格尺寸刀齿状态的图像数据进行训练,在卷积层中,每个卷积层学习表示不同刀齿特征的特定滤波器,以此判定过滤采集获得的图像信息,并识别出刀齿部外轮廓的周期特征,具体地,对采集到的周期性特征进行预处理,将其转化为适合卷积运算的特征矩阵,这里也可以将周期性特征进行分块、归一化等处理,以保留图像中的周期性信息,继而将采集到的周期性特征转化为特征矩阵,有助于后续卷积运算更好地捕捉图像中的结构性信息,并将转化后的特征矩阵输入卷积神经网络的卷积层进行卷积运算,通过训练后的卷积核,对输入的特征进行空间上的卷积操作,提取图像中的特征,能够有效地捕捉图像中的局部信息,帮助识别刀齿部外轮廓的周期性特征,提高了特征的表征能力,建立刀齿特征库的方式使模型能够对新数据做出快速而准确的判别,加速了周期性特征的识别过程。
进一步来说,对采集获得的图像进行位置识别,确定刀齿部外轮廓的周期性特征,包括:
对采集获得的图像进行预处理;
将预处理后的图像应用傅里叶变换,并将图像转换为频域;
通过频域分析傅里叶变换的结果,得到频谱图;
通过频谱图中的峰值和频率成分确定刀齿外轮廓的周期性特征。
在本实施例中,频域是指信号在频率上的表示,而空域是指信号在空间上的表示,频域分析是将信号从空域表示转换为频域表示的过程,傅里叶变换将一个空域信号转换为频域信号,揭示了信号中的不同频率成分及其强度,傅里叶变换的数学表达如下:
F(u,v)=∫∫f(x,y)·e-j2π(ux+vy)dx dy
其中,f(x,y)表示二维图像,F(u,v)表示傅里叶变换,u和v表示频率中的变量,j是虚数单位;傅里叶变换的结果是一个复数矩阵,其中包含了图像在频率域上的表示,频域中的不同频率成分对应于图像中的不同结构和纹理,一般情况下低频部分对应于图像中的整体结构,而高频部分对应于图像中的细节和边缘,在图像处理中,通过在频域上操作图像,可以实现对图像特定频率成分的调整,从而影响图像在空域上的表现,对于频域分析,可以进一步进行不同的操作,例如:通过滤波器选择感兴趣的频率范围,忽略其他频率成分;在频域上对信号进行滤波操作,以增强或减弱特定频率成分;提取频域表示中的特定特征,如频率成分的分布、频谱形状、表示刀齿部的周期性特征等;将频域信号转换回空域信号,用于还原经过傅里叶变换的信号。
进一步来说,对应获得非典型特征的刀盘所在铣面刀盘组1以及刀齿所在刀盘的定位信息,包括:
对铣面刀盘组1内的各个刀盘设置标签;
在铣面刀盘组1选择基点,并以基点为基准建立刀盘组坐标系,对各个标签部的刀盘上的刀齿部进行位置标识,位置标识和周期性特征一一对应。
在本实施例中,可以通过计算机扫描建模软件对铣面刀盘组1进行建模定位,如Faro Scene、Rhino等,建模要求在铣面刀盘组1内为每个刀盘贴上标签或在系统中分配唯一的标识码,利用唯一标签,可以在整个系统中方便地标识和区分每个刀盘,在铣面刀盘组1选择基点,并以基点为基准建立刀盘组坐标系,在铣面刀盘组1内选择一个刀盘作为基点,位置标识记录了每个刀盘上刀齿的具体位置,为后续的定位和修复提供了准确的参考,采用相对坐标,更好地适应刀盘组内刀齿部分的相对位置关系,在这个步骤中也可以同时对多个铣面刀盘组1设置标签和坐标系,只要确保每个刀盘以及刀齿部标识的唯一性即可。
进一步来说,在对采集到的周期性特征进行非典型特征识别的同时,对铣面刀盘组1进行内部缺陷检测,并根据内部缺陷检测结果获得缺陷刀盘的定位信息。
作为上述实施例的优选,刀盘在使用过程中可能经历磨损和疲劳,长时间的高强度使用、频繁的冲击和振动等情况可能导致刀盘内部材料的疲劳损伤,而疲劳则是由于循环加载和卸载引起的内部应力变化,最终导致材料的微观结构发生裂纹和断裂,这些内部磨损和疲劳的问题可能逐渐积累,最终导致刀盘的性能下降、寿命减短,甚至可能引发严重事故,因而必要对刀盘内部进行检测,检测方式可以采用超声波、磁粉探伤等非破坏性检测技术,可以及时发现内部疲劳裂纹等缺陷,从而进行维护和更换,保障刀盘的可靠运行。
进一步来说,对缺陷部分进行缺陷检测,获得缺陷检测结果,包括:
采集历史刀盘检修数据,并基于深度学习法对历史刀盘检修数据的深度学习构建缺陷识别模型;
通过历史数据信息构建训练集和验证集,分别对缺陷识别模型进行训练和验证;
缺陷检测模型用于判断刀盘的缺陷特征对应的缺陷类型,并获得缺陷检测结果。
作为上述实施例的优选,通过对历史刀盘检修数据的深度学习获得刀盘缺陷表象和缺陷类别的对照关系,继而获得缺陷检测结果,首先,收集大量历史刀盘检修数据,包括各种缺陷类型、位置、大小等信息,通过丰富的历史数据,可以建立一个全面的刀盘缺陷数据库,为后续的深度学习模型提供足够的训练样本,深度学习模型能够自动学习复杂的特征表示,提高对缺陷的准确性和泛化能力,并利用历史数据信息,将数据集划分为训练集和验证集,确保模型在训练时能够学到通用的缺陷特征,同时在验证集上进行测试和评估模型性能,分割数据集可以有效防止过拟合,确保模型对新数据的泛化效果,通过训练集对深度学习模型进行训练,优化模型参数。
进一步来说,构建训练集和验证集对缺陷识别模型进行训练和验证,包括:
将数据集划分为m个子集,并对m个子集进行有序排列;
将m个子集进行交叉验证循环,对缺陷识别模型进行训练和验证,确保每个子集充当一次验证集;
计算缺陷识别模型在各个子集作为验证集的模型评估性能的平均值,得到识别缺陷评估结果,并对缺陷识别模型进行优化。
在上述实施例的基础之上,为了确保数据集的多样性和均衡性,将数据集进行划分,并将划分的子集进行有序排列,交叉验证通过多次训练和验证,充分利用数据集,减小由于单一划分带来的随机性,提高模型评估的可靠性,通过多次训练和验证,可以充分利用数据集,确保模型对不同数据分布和缺陷类型的适应性,记录每个交叉验证循环中模型在验证集上的性能指标,如准确率、召回率、F1分数等,最后计算这些性能指标的平均值,平均性能指标反映了模型在整个数据集上的整体性能,对模型的泛化能力进行了全面的评估。
进一步来说,根据缺陷检测结果和对应的定位信息对缺陷刀盘进行维修或更换。在本实施例中,通过缺陷类型的确定和对缺陷位置的定位明确刀盘以及存在缺陷刀齿的位置相应对刀盘制定具体的维修或更换策略,包括修复措施、更换刀片或整个刀盘,制定合理的策略有助于迅速恢复刀盘的正常工作状态,避免生产中断和设备损耗。
实施例二
基于与前述实施例中一种铜管铣面刀盘缺陷检测方法及系统方法同样发明构思,本发明还提供了一种铜管铣面刀盘缺陷检测系统,如图2所示,系统包括:
刀盘分类整理模块,按照尺寸规格将刀盘进行分类,并将相同规格尺寸的刀盘进行重合叠放,组成铣面刀盘组1,铣面刀盘组1内的刀盘在进行缺陷检测时保持相对静止;
周期性特征采集模块,对铣面刀盘组1的刀齿部进行周期性特征采集,周期性特征为相同规格尺寸的刀盘的刀齿部重合叠放产生;
非典型特征识别定位模块,对采集到的周期性特征进行非典型特征识别,并对应获得非典型特征的刀盘所在铣面刀盘组1以及刀齿所在刀盘的定位信息;
缺陷检测检测模块,根据定位信息索引铣面刀盘组1的缺陷部分,并对缺陷部分进行缺陷检测,获得缺陷检测结果。
本发明中的上述调整系统可有效的实现铜管铣面刀盘缺陷检测方法,能够起到的技术效果如上述实施例所描述的,此处不再赘述。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种铜管铣面刀盘缺陷检测方法,其特征在于,所述方法包括:
按照尺寸规格将刀盘进行分类,并将相同规格尺寸的所述刀盘进行重合叠放,组成铣面刀盘组,所述铣面刀盘组内的刀盘在进行缺陷检测时保持相对静止;
对所述铣面刀盘组的刀齿部进行周期性特征采集,所述周期性特征为相同规格尺寸的所述刀盘的刀齿部重合叠放产生;
对采集到的所述周期性特征进行非典型特征识别,并对应获得所述非典型特征的所述刀盘所在铣面刀盘组以及所述刀齿所在刀盘的定位信息;
根据所述定位信息索引所述铣面刀盘组的缺陷部分,并对所述缺陷部分进行缺陷检测,获得缺陷检测结果。
2.根据权利要求1所述的铜管铣面刀盘缺陷检测方法,其特征在于,对所述铣面刀盘组的刀齿部进行周期性特征采集,包括:
对所述铣面刀盘组进行图像采集,且获得至少两个方向上具备重合叠放周期性特征的图像,所述两个方向至少包括与所述刀盘厚度平行的方向以及与所述刀盘厚度垂直的方向;
对采集获得的所述图像进行位置识别,确定所述刀齿部外轮廓的周期性特征。
3.根据权利要求2所述的铜管铣面刀盘缺陷检测方法,其特征在于,对采集获得的所述图像进行位置识别,确定所述刀齿部外轮廓的周期性特征,包括:
建立卷积神经网络中的刀齿特征库,且所述卷积神经网络的卷积层与所述刀齿特征库中的各个刀齿特征一一对应;
将采集获得的所述周期性特征采集结果转化成能够进行卷积运算的特征矩阵;
通过所述卷积层对所述特征矩阵进行卷积运算,识别所述刀齿部外轮廓的周期性特征。
4.根据权利要求2所述的铜管铣面刀盘缺陷检测方法,其特征在于,对采集获得的所述图像进行位置识别,确定所述刀齿部外轮廓的周期性特征,包括:
对采集获得的图像进行预处理;
将预处理后的所述图像应用傅里叶变换,并将所述图像转换为频域;
通过所述频域分析所述傅里叶变换的结果,得到频谱图;
通过频谱图中的峰值和频率成分确定所述刀齿外轮廓的周期性特征。
5.根据权利要求1所述的铜管铣面刀盘缺陷检测方法,其特征在于,对应获得所述非典型特征的所述刀盘所在铣面刀盘组以及所述刀齿所在刀盘的定位信息,包括:
对所述铣面刀盘组内的各个刀盘设置标签;
在所述铣面刀盘组选择基点,并以所述基点为基准建立刀盘组坐标系,对各个标签部的所述刀盘上的刀齿部进行位置标识,所述位置标识和所述周期性特征一一对应。
6.根据权利要求1所述的铜管铣面刀盘缺陷检测方法,其特征在于,在对采集到的所述周期性特征进行非典型特征识别的同时,对所述铣面刀盘组进行内部缺陷检测,并根据内部缺陷检测结果获得缺陷刀盘的定位信息。
7.根据权利要求1所述的铜管铣面刀盘缺陷检测方法,其特征在于,对所述缺陷部分进行缺陷检测,获得缺陷检测结果,包括:
采集历史刀盘检修数据,并基于深度学习法对所述历史刀盘检修数据的深度学习构建缺陷识别模型;
通过所述历史数据信息构建训练集和验证集,分别对所述缺陷识别模型进行训练和验证;
所述缺陷检测模型用于判断刀盘的缺陷特征对应的缺陷类型,并获得所述缺陷检测结果。
8.根据权利要求7所述的铜管铣面刀盘缺陷检测方法,其特征在于,构建训练集和验证集对所述缺陷识别模型进行训练和验证,包括:
将所述数据集划分为m个子集,并对所述m个子集进行有序排列;
将m个子集进行交叉验证循环,对所述缺陷识别模型进行训练和验证,确保每个子集充当一次验证集;
计算所述缺陷识别模型在各个所述子集作为所述验证集的模型评估性能的平均值,得到识别缺陷评估结果,并对所述缺陷识别模型进行优化。
9.根据权利要求7所述的铜管铣面刀盘缺陷检测方法,其特征在于,根据所述缺陷检测结果和对应的定位信息对缺陷刀盘进行维修或更换。
10.一种铜管铣面刀盘缺陷检测系统,其特征在于,所述系统包括:
刀盘分类整理模块,按照尺寸规格将刀盘进行分类,并将相同规格尺寸的所述刀盘进行重合叠放,组成铣面刀盘组,所述铣面刀盘组内的刀盘在进行缺陷检测时保持相对静止;
周期性特征采集模块,对所述铣面刀盘组的刀齿部进行周期性特征采集,所述周期性特征为相同规格尺寸的所述刀盘的刀齿部重合叠放产生;
非典型特征识别定位模块,对采集到的所述周期性特征进行非典型特征识别,并对应获得所述非典型特征的所述刀盘所在铣面刀盘组以及所述刀齿所在刀盘的定位信息;
缺陷检测检测模块,根据所述定位信息索引所述铣面刀盘组的缺陷部分,并对所述缺陷部分进行缺陷检测,获得缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410119151.2A CN117972487A (zh) | 2024-01-26 | 2024-01-26 | 一种铜管铣面刀盘缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410119151.2A CN117972487A (zh) | 2024-01-26 | 2024-01-26 | 一种铜管铣面刀盘缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117972487A true CN117972487A (zh) | 2024-05-03 |
Family
ID=90847242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410119151.2A Pending CN117972487A (zh) | 2024-01-26 | 2024-01-26 | 一种铜管铣面刀盘缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972487A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205523047U (zh) * | 2016-04-26 | 2016-08-31 | 阜阳市飞扬印务有限公司 | 印刷品缺陷检测系统 |
CN114862814A (zh) * | 2022-05-18 | 2022-08-05 | 上海师范大学天华学院 | 太阳能电池板缺陷检测方法及系统、存储介质及终端 |
CN115187806A (zh) * | 2022-06-02 | 2022-10-14 | 成都市绿色快线环保科技有限公司 | 一种板材类别识别的方法及其装置、系统 |
CN116012282A (zh) * | 2022-09-23 | 2023-04-25 | 浙江求是半导体设备有限公司 | 晶体生长缺陷检测方法、装置、计算机设备和存储介质 |
CN116503326A (zh) * | 2023-03-23 | 2023-07-28 | 维库(厦门)信息技术有限公司 | 一种多相机360°高精度高速度ai缺陷检测方法及装置 |
CN116511998A (zh) * | 2023-06-14 | 2023-08-01 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及系统 |
CN116740044A (zh) * | 2023-06-30 | 2023-09-12 | 常州润来科技有限公司 | 基于视觉检测与控制的铜管铣面加工方法及系统 |
CN116977257A (zh) * | 2023-03-06 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 缺陷检测方法、装置、电子设备、存储介质及程序产品 |
-
2024
- 2024-01-26 CN CN202410119151.2A patent/CN117972487A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205523047U (zh) * | 2016-04-26 | 2016-08-31 | 阜阳市飞扬印务有限公司 | 印刷品缺陷检测系统 |
CN114862814A (zh) * | 2022-05-18 | 2022-08-05 | 上海师范大学天华学院 | 太阳能电池板缺陷检测方法及系统、存储介质及终端 |
CN115187806A (zh) * | 2022-06-02 | 2022-10-14 | 成都市绿色快线环保科技有限公司 | 一种板材类别识别的方法及其装置、系统 |
CN116012282A (zh) * | 2022-09-23 | 2023-04-25 | 浙江求是半导体设备有限公司 | 晶体生长缺陷检测方法、装置、计算机设备和存储介质 |
CN116977257A (zh) * | 2023-03-06 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 缺陷检测方法、装置、电子设备、存储介质及程序产品 |
CN116503326A (zh) * | 2023-03-23 | 2023-07-28 | 维库(厦门)信息技术有限公司 | 一种多相机360°高精度高速度ai缺陷检测方法及装置 |
CN116511998A (zh) * | 2023-06-14 | 2023-08-01 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及系统 |
CN116740044A (zh) * | 2023-06-30 | 2023-09-12 | 常州润来科技有限公司 | 基于视觉检测与控制的铜管铣面加工方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN110473178A (zh) | 一种基于多光源融合的外观缺陷检测方法及系统 | |
CN108615230A (zh) | 一种轮毂表面异常检测方法和系统 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测系统及方法 | |
CN111783544B (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 | |
CN114619292A (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN116363125B (zh) | 基于深度学习的电池模组外观缺陷检测方法及系统 | |
CN112860952A (zh) | 巡检机器人定位检修部件的方法及系统 | |
CN117115148B (zh) | 基于5g技术的芯片表面缺陷智能识别方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
CN117972487A (zh) | 一种铜管铣面刀盘缺陷检测方法及系统 | |
CN117556211A (zh) | 输电线路缺陷及隐患识别算法模型搭建方法 | |
CN112836724A (zh) | 物体缺陷识别模型训练方法、装置、电子设备和存储介质 | |
CN117197085A (zh) | 基于改进YOLOv8网络的公路快检图像路面病害检测方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN112288135B (zh) | 一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法 | |
CN114155522A (zh) | 一种点云数据质检修复方法及系统 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
Evstafev et al. | Surface Defect Detection and Recognition Based on CNN | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN117333492B (zh) | 基于图像处理的光学薄膜质量检测方法及相关装置 | |
CN117900981B (zh) | 应用于tc4卷带加工下的生产工艺优化方法及系统 |
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 |