CN110728286A - 一种基于火花图像的砂带磨削材料去除率识别方法 - Google Patents
一种基于火花图像的砂带磨削材料去除率识别方法 Download PDFInfo
- Publication number
- CN110728286A CN110728286A CN201910906218.6A CN201910906218A CN110728286A CN 110728286 A CN110728286 A CN 110728286A CN 201910906218 A CN201910906218 A CN 201910906218A CN 110728286 A CN110728286 A CN 110728286A
- Authority
- CN
- China
- Prior art keywords
- spark
- grinding
- image
- pixel
- value
- 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
- 239000000463 material Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013139 quantization Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000005299 abrasion Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明公开了一种基于火花图像的砂带磨削材料去除率识别方法,步骤包括:1)使用CCD工业相机采集磨削过程中产生的磨削火花图像;2)对采集的磨削火花图像进行预处理;3)对磨削火花图像进行分割;4)提取磨削火花的特征量化值,包括分别提取磨削火花的亮度特征、颜色特征、面积特征以及轮廓特征;5)基于支持向量回归算法建立材料去除率识别模型。本发明的方法,有效避开砂带磨削参数的复杂耦合关系,并可以有效考虑砂带磨损状态的影响,为砂带磨削控制提供了一种新的思路与方法。
Description
技术领域
本发明属于砂带磨削精度控制技术领域,涉及一种基于火花图像的砂带磨削材料去除率识别方法。
背景技术
砂带磨削因其加工效率高,成本低而广泛应用于工业领域,砂带磨削材料去除率的控制始终是该领域关注的问题。
传统理论的材料去除率预测模型表达式是:
其中,r表示材料去除率,CA表示修正系数,KA表示阻力系数,Kt表示砂带耐用程度,Vs表示砂带线速度,Vw表示工件进给速度,Lω表示加工区域的宽度,FA表示法向磨削压力。该材料去除率预测模型从砂带磨削机理出发,通过检测加工过程中的法向磨削力来识别材料去除率,其存在的不足是,一方面,将加工过程中磨削工具磨损简化为常量Kt,忽视了磨削工具磨损状态随时间变化的因素;另一方面,在模型中磨削参数之间呈高度耦合性,难以梳理清楚各参数之间的耦合关系。由于上述的不足,导致砂带磨削控制时应用上述材料去除率预测模型时带来较大的误差,直接影响控制精度。
发明内容
本发明的目的是提供一种基于火花图像的砂带磨削材料去除率识别方法,解决了现有技术采用材料去除率预测模型,结果误差较大,直接影响控制精度,无法准确描述磨削工具磨损状态的问题。
本发明所采用的技术方案是,一种基于火花图像的砂带磨削材料去除率识别方法,按照以下步骤实施:
步骤1:使用CCD工业相机采集磨削过程中产生的磨削火花图像,
该磨削火花图像是RGB模式的彩色图像类型,称为RGB火花图像;
步骤2:对采集的磨削火花图像进行预处理,
对上述的磨削火花图像进行预处理,以过滤掉干扰因素;
步骤3:对磨削火花图像进行分割;
步骤4:提取磨削火花的特征量化值,
磨削火花的特征量化值,包括分别提取磨削火花的亮度特征、颜色特征、面积特征以及轮廓特征;
步骤5:基于支持向量回归算法建立材料去除率识别模型,
5.1)根据步骤4提取出的砂带的磨削火花图像中四种特征的量化数值,建立对应的材料去除率构造数据集,见下式(13):
D={c1i,c2i,c3i,c4i,Mi}i=1,2,...,L (13)
其中,i表示样本数,L表示样本的总数量,c1为亮度特征,c2表示颜色特征,c3表示面积特征,c4表示边缘特征,M表示对应的材料去除率值,对该数据集的数值按组进行归一化处理,具体操作如下式(14):
其中,d*表示归一化后的样本数据,d为原始样本数据,dmin为此组样本数据的最小值,dmax为此组数据最大值;对归一化后的数据集重新进行分类,其中80%作为训练集,另外20%作为测试集;
5.2)基于支持向量回归算法训练基于磨削火花图像特征的材料去除率识别模型,确定得到回归模型,最终得到材料去除率识别模型。
本发明的有益效果是,该材料去除率识别方法,根据获取到的不同材料去除率下的砂带磨削火花图像,首先进行预处理以滤去背景中的砂带机等干扰因素,然后提取出亮度、颜色、面积、轮廓四种特征的量化数值,并构造数据集,利用SVR算法对各个材料去除率所对应的四种特征量化值的数据进行训练,基于训练所得的模型进行材料去除率的识别。本发明通过砂带磨削过程中产生的火花图像特征建立的材料去除率识别模型,一方面该方法可以有效避开复杂的磨削参数耦合关系;另一方面通过火花图像特征能够有效反映磨削工具不同磨损状态下材料去除率的差异,能够准确描述磨削工具磨损状态的实际。
附图说明
图1为本发明方法根据砂带磨削火花图像建立材料去除率识别模型的整体流程图;
图2为本发明方法根据砂带磨削火花图像四种特征提取量化的流程图;
图3为本发明方法基于磨削火花图像特征建立材料去除率识别模型的具体过程流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
参照图1,本发明基于火花图像的砂带磨削材料去除率识别方法,按照以下步骤实施:
步骤1:使用CCD工业相机采集磨削过程中产生的磨削火花图像;
采集到的磨削火花图像是RGB模式的彩色图像类型,称为RGB火花图像,即“RGB火花图像”表示相机采集的未经任何处理的图像;
步骤2:对采集的磨削火花图像进行预处理,
由于CCD工业相机所拍摄到的磨削火花图像包含砂带机等干扰因素,会对特征提取产生影响,因此需要对上述的磨削火花图像进行预处理,以过滤掉干扰因素,具体过程如下:
对RGB火花图像进行灰度值化处理,如下式(2):
Gray(i,j)=0.11·R(i,j)+0.59·G(i,j)+0.3·B(i,j) (2)
其中,Gray(i,j)表示转换得到的灰度图像,R(i,j)表示RGB火花图像中像素点(i,j)的红色分量,同样,G(i,j)表示绿色分量,B(i,j)表示蓝色分量;
步骤3:对磨削火花图像进行分割,
对采集到的RGB火花图像进行逐像素操作,判断与该像素对应的步骤2所得的灰度图像的像素灰度值与设定阈值的大小,若小于阈值,则将RGB火花图像中该像素值设为0;否则,不进行任何操作;
完成对RGB火花图像中所有像素的上述操作,获得单一背景的RGB火花图像;
该“单一背景的RGB火花图像”表示经过预处理的,将火花从背景中分离出来的、只包含火花的RGB图像。
步骤4:提取磨削火花的特征量化值,
参照图2,磨削火花的特征量化值,主要包括提取磨削火花的亮度特征、颜色特征、面积特征以及轮廓特征,具体过程是,
4.1)提取磨削火花的亮度特征,采取如下方式:
将步骤3预处理后得到的单一背景的RGB火花图像转换到HSV模型下,表达式如下:
v=max (5)
其中,max表示某像素RGB分量中的最大值,min表示某像素RGB分量中的最小值,h表示HSV模型下的色调,s表示HSV模型下的饱和度,v表示HSV模型下的亮度;
统计HSV模型中亮度分量的像素个数,即表示该材料去除率下磨削火花图像的亮度特征。
4.2)提取磨削火花的颜色特征,采取如下方式:
其中,pij表示单一背景的RGB火花图像第j个像素的第i个颜色分量,N表示单一背景的RGB火花图像的像素总数,μi表示单一背景的RGB火花图像中三个分量的平均值,作为该材料去除率下磨削火花图像的颜色特征值。
4.3)提取磨削火花的面积特征,采取如下方式:
先对单一背景的RGB火花图像采用最大类间方差法进行阈值分割,再根据确定的阈值将单一背景的RGB火花图像进行二值化,得到像素值为0和1的二值图像,统计该二值图像中像素值为1的像素个数,即表征该材料去除率下磨削火花图像的面积特征。
4.4)提取磨削火花的轮廓特征,采取如下方式:
首先,对单一背景的RGB火花图像进行高斯滤波降噪处理,如下式:
其中,H(x,y,σ)是高斯滤波函数,σ为平滑系数,(x,y)表示像素的坐标,即行号和列号;式(7)中的(x,y)表示输出图像像素坐标,(x0,y0)表示输入(即单一背景的RGB火花图像)像素坐标,f(x,y)为单一背景的RGB火花图像描述函数,然后,对滤波降噪后的图像P(x,y)采用Sobel算子求取梯度幅值与方向角,以获得火花的边缘图像G(x,y),如下式:
其中,Gx(x,y)表示像素(x,y)的水平梯度值;Gy(x,y)表示像素(x,y)的垂直梯度值;G(x,y)表示像素(x,y)的梯度幅值,也可以表示输出的边缘图像;T(x,y)表示像素(x y)的方向角,
对边缘图像G(x,y)进行二值化,对梯度幅值大于设定阈值的像素值设为1,梯度幅值小于设定阈值的像素值设为0;统计二值化后的边缘图像中像素值为1的像素点数量,即表征该材料去除率下磨削火花图像的轮廓特征。
至此,提取出了砂带的磨削火花图像中四种特征的量化数值,接下来就可以建立材料去除率预测模型。
步骤5:基于支持向量回归算法建立材料去除率识别模型,
5.1)参照图3,根据步骤4提取出的砂带的磨削火花图像中四种特征的量化数值,建立对应的材料去除率构造数据集,见下式(13):
D={c1i,c2i,c3i,c4i,Mi}i=1,2,...,L (13)
其中,i表示样本数,L表示样本的总数量,c1为亮度特征,c2表示颜色特征,c3表示面积特征,c4表示边缘特征,M表示对应的材料去除率值,对该数据集的数值按组进行归一化处理,具体操作如下式(14):
其中,d*表示归一化后的样本数据,d为原始样本数据,dmin为此组样本数据的最小值,dmax为此组数据最大值;对归一化后的数据集重新进行分类,其中80%作为训练集,另外20%作为测试集;
5.2)基于支持向量回归算法训练基于磨削火花图像特征的材料去除率识别模型,具体过程如下:
5.2.1)根据支持向量回归算法,使用核函数的多特征输入的支持向量回归模型表示为:
Y=w·φ(X)+b (15)
其中,w与b为模型的待求参数,Y为输出向量,即材料去除率M,X为输入特征向量{c1,c2,c3,c4},φ(X)指通过核函数将输入特征映射到高维空间的特征向量;
在此,使用径向基核函数(也称高斯核函数):
其中,δ为核函数的超参数,δ优选取值为0.25,di表示归一化的样本数据,dc为核函数的中心;
5.2.2)求解最优化问题,如下式(17):
其中,C表示惩罚因子,惩罚因子C优选取值为1,ξi和ξi'分别表示第i个样本的上下松弛变量,L为样本的总数,ε表示模型的容差值,s.t.表示服从于后面表达式;
5.2.3)使用拉格朗日乘子和拉格朗日对偶性质,则将式(17)转换为:
其中,αi、αi'、μ、μ'、μi、μi'是拉格朗日系数,在计算过程中迭代求取,函数Lg表示回归估计函数;最后结合序列最小优化算法对式(18)进行求解,获得使(18)值最小的参数的组合,求得满足式(18)的参数的值即为回归模型的参数,确定得到回归模型,即基于火花图像特征的材料去除率识别模型。(此处回归模型就是材料去除率识别模型)
本发明的方法,首先提取砂带磨削过程产生的火花图像特征,如面积特征、亮度特征、颜色特征、轮廓特征,再通过这些特征建立材料去除率识别模型,直接判断出砂带磨削过程中的材料去除率,有效避免砂带磨削理论模型中各因素的耦合影响和砂带磨损的影响,具有识别准确、效率高的优势。
Claims (6)
1.一种基于火花图像的砂带磨削材料去除率识别方法,其特征在于,按照以下步骤实施:
步骤1:使用CCD工业相机采集磨削过程中产生的磨削火花图像,
该磨削火花图像是RGB模式的彩色图像类型,称为RGB火花图像;
步骤2:对采集的磨削火花图像进行预处理,
对上述的磨削火花图像进行预处理,以过滤掉干扰因素;
步骤3:对磨削火花图像进行分割;
步骤4:提取磨削火花的特征量化值,
磨削火花的特征量化值,包括分别提取磨削火花的亮度特征、颜色特征、面积特征以及轮廓特征;
步骤5:基于支持向量回归算法建立材料去除率识别模型,
5.1)根据步骤4提取出的砂带的磨削火花图像中四种特征的量化数值,建立对应的材料去除率构造数据集,见下式(13):
D={c1i,c2i,c3i,c4i,Mi}i=1,2,...,L (13)
其中,i表示样本数,L表示样本的总数量,c1为亮度特征,c2表示颜色特征,c3表示面积特征,c4表示边缘特征,M表示对应的材料去除率值,对该数据集的数值按组进行归一化处理,具体操作如下式(14):
其中,d*表示归一化后的样本数据,d为原始样本数据,dmin为此组样本数据的最小值,dmax为此组数据最大值;对归一化后的数据集重新进行分类,其中80%作为训练集,另外20%作为测试集;
5.2)基于支持向量回归算法训练基于磨削火花图像特征的材料去除率识别模型,确定得到回归模型,即得到材料去除率识别模型。
2.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法,其特征在于:所述步骤2中,预处理的具体过程如下,
对RGB火花图像进行灰度值化处理,表达式如下式(2):
Gray(i,j)=0.11·R(i,j)+0.59·G(i,j)+0.3·B(i,j) (2)
其中,Gray(i,j)表示转换得到的灰度图像,R(i,j)表示RGB火花图像中像素点(i,j)的红色分量,同样,G(i,j)表示绿色分量,B(i,j)表示蓝色分量。
3.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法,其特征在于:所述步骤3中,对采集到的RGB火花图像进行逐像素操作,判断与该像素对应的步骤2所得的灰度图像的像素灰度值与设定阈值的大小,若小于阈值,则将RGB火花图像中该像素值设为0;否则,不进行任何操作;
完成对RGB火花图像中所有像素的上述操作,获得单一背景的RGB火花图像。
4.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法,其特征在于:所述步骤4中,具体过程是,
4.1)提取磨削火花的亮度特征,采取如下方式:
将步骤3预处理后得到的单一背景的RGB火花图像转换到HSV模型下,表达式如下:
v=max (5)
其中,max表示某像素RGB分量中的最大值,min表示某像素RGB分量中的最小值,h表示HSV模型下的色调,s表示HSV模型下的饱和度,v表示HSV模型下的亮度;
统计HSV模型中亮度分量的像素个数,即表示该材料去除率下磨削火花图像的亮度特征;
4.2)提取磨削火花的颜色特征,采取如下方式:
其中,pij表示单一背景的RGB火花图像第j个像素的第i个颜色分量,N表示单一背景的RGB火花图像的像素总数,μi表示单一背景的RGB火花图像中三个分量的平均值,作为该材料去除率下磨削火花图像的颜色特征值;
4.3)提取磨削火花的面积特征,采取如下方式:
先对单一背景的RGB火花图像采用最大类间方差法进行阈值分割,再根据确定的阈值将单一背景的RGB火花图像进行二值化,得到像素值为0和1的二值图像,统计该二值图像中像素值为1的像素个数,即表征该材料去除率下磨削火花图像的面积特征;
4.4)提取磨削火花的轮廓特征,采取如下方式:
首先,对单一背景的RGB火花图像进行高斯滤波降噪处理,如下式:
其中,H(x,y,σ)是高斯滤波函数,σ为平滑系数,(x,y)表示像素的坐标,即行号和列号;式(7)中的(x,y)表示输出图像像素坐标,(x0,y0)表示输入像素坐标,f(x,y)为单一背景的RGB火花图像描述函数;
然后,对滤波降噪后的图像P(x,y)采用Sobel算子求取梯度幅值与方向角,以获得火花的边缘图像G(x,y),如下式:
其中,Gx(x,y)表示像素(x,y)的水平梯度值;Gy(x,y)表示像素(x,y)的垂直梯度值;G(x,y)表示像素(x,y)的梯度幅值,也可以表示输出的边缘图像;T(x,y)表示像素(x y)的方向角,
对边缘图像G(x,y)进行二值化,对梯度幅值大于设定阈值的像素值设为1,梯度幅值小于设定阈值的像素值设为0;统计二值化后的边缘图像中像素值为1的像素点数量,即表征该材料去除率下磨削火花图像的轮廓特征。
5.根据权利要求1所述的基于火花图像的砂带磨削材料去除率识别方法,其特征在于:所述步骤5.2)中,具体过程如下:
5.2.1)根据支持向量回归算法,使用核函数的多特征输入的支持向量回归模型表示为:
Y=w·φ(X)+b (15)
其中,w与b为模型的待求参数,Y为输出向量,即材料去除率M,X为输入特征向量{c1,c2,c3,c4},φ(X)指通过核函数将输入特征映射到高维空间的特征向量;
使用径向基核函数:
其中,δ为核函数的超参数,di表示归一化的样本数据,dc为核函数的中心;
5.2.2)求解最优化问题,如下式(17):
其中,C表示惩罚因子,ξi和ξi'分别表示第i个样本的上下松弛变量,L为样本的总数,ε表示模型的容差值,s.t.表示服从于后面表达式;
5.2.3)使用拉格朗日乘子和拉格朗日对偶性质,则将式(17)转换为:
其中,αi、αi'、μ、μ'、μi、μi'是拉格朗日系数,在计算过程中迭代求取,函数Lg表示回归估计函数;最后结合序列最小优化算法对式(18)进行求解,获得使(18)值最小的参数的组合,求得满足式(18)的参数的值即为回归模型的参数,确定得到回归模型。
6.根据权利要求5所述的基于火花图像的砂带磨削材料去除率识别方法,其特征在于:所述核函数的超参数δ取值为0.25,惩罚因子C取值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906218.6A CN110728286B (zh) | 2019-09-24 | 2019-09-24 | 一种基于火花图像的砂带磨削材料去除率识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906218.6A CN110728286B (zh) | 2019-09-24 | 2019-09-24 | 一种基于火花图像的砂带磨削材料去除率识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728286A true CN110728286A (zh) | 2020-01-24 |
CN110728286B CN110728286B (zh) | 2023-02-10 |
Family
ID=69219345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910906218.6A Active CN110728286B (zh) | 2019-09-24 | 2019-09-24 | 一种基于火花图像的砂带磨削材料去除率识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728286B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855796A (zh) * | 2020-09-04 | 2020-10-30 | 浙江城建煤气热电设计院有限公司 | 一种对旋转设备电能传导的接触面检测装置及其方法 |
CN114406807A (zh) * | 2022-01-28 | 2022-04-29 | 上海交通大学 | 砂带磨削材料去除率预测方法、装置、设备及存储介质 |
CN114536110A (zh) * | 2022-03-03 | 2022-05-27 | 华辰精密装备(昆山)股份有限公司 | 用于非圆构件复杂轮廓磨削的误差实时补偿方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101456159A (zh) * | 2008-08-15 | 2009-06-17 | 齐齐哈尔华工机床制造有限公司 | 火花识别对刀方法及磨削加工自动化*** |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
-
2019
- 2019-09-24 CN CN201910906218.6A patent/CN110728286B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101456159A (zh) * | 2008-08-15 | 2009-06-17 | 齐齐哈尔华工机床制造有限公司 | 火花识别对刀方法及磨削加工自动化*** |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
Non-Patent Citations (3)
Title |
---|
单晓敏等: "基于支持向量回归机的磨削力预测", 《实验室研究与探索》 * |
王健全等: "基于灰度信息的工程陶瓷磨削表面粗糙度评定", 《装甲兵工程学院学报》 * |
蒋君杰: "基于机器视觉的磨削火花分析", 《制造技术与机床》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855796A (zh) * | 2020-09-04 | 2020-10-30 | 浙江城建煤气热电设计院有限公司 | 一种对旋转设备电能传导的接触面检测装置及其方法 |
CN111855796B (zh) * | 2020-09-04 | 2023-08-25 | 浙江城建煤气热电设计院股份有限公司 | 一种对旋转设备电能传导的接触面检测装置及其方法 |
CN114406807A (zh) * | 2022-01-28 | 2022-04-29 | 上海交通大学 | 砂带磨削材料去除率预测方法、装置、设备及存储介质 |
CN114406807B (zh) * | 2022-01-28 | 2023-02-14 | 上海交通大学 | 砂带磨削材料去除率预测方法、装置、设备及存储介质 |
CN114536110A (zh) * | 2022-03-03 | 2022-05-27 | 华辰精密装备(昆山)股份有限公司 | 用于非圆构件复杂轮廓磨削的误差实时补偿方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110728286B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN110728286B (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
CN104680519B (zh) | 基于轮廓和颜色的七巧板识别方法 | |
CN108389216B (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN114910480B (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及*** | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN109509188B (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN112419278A (zh) | 一种基于深度学习的实木地板分类方法 | |
CN113610187B (zh) | 基于图像技术的木材纹理提取及分类方法 | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
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 |