CN111695582A - 一种颤振纹理的检测方法及其装置 - Google Patents

一种颤振纹理的检测方法及其装置 Download PDF

Info

Publication number
CN111695582A
CN111695582A CN201910278974.9A CN201910278974A CN111695582A CN 111695582 A CN111695582 A CN 111695582A CN 201910278974 A CN201910278974 A CN 201910278974A CN 111695582 A CN111695582 A CN 111695582A
Authority
CN
China
Prior art keywords
image
milling
texture
gradient
training set
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
Application number
CN201910278974.9A
Other languages
English (en)
Inventor
郭保苏
庄集超
裴国斌
胡敬文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN201910278974.9A priority Critical patent/CN111695582A/zh
Publication of CN111695582A publication Critical patent/CN111695582A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种颤振纹理的检测方法及其装置，该方法首先将采集的薄壁件铣削纹理图像进行图像预处理，再按比例随机分成训练集和测试集；对训练集和测试集进行向量化处理、数据降维和归一化处理；建立神经网络模型结构，初始化模型的权重、偏差和学习率参数，构建激活函数，运用前向传播计算当前的损失函数和成本函数，再通过后向传播计算其梯度；通过运行梯度下降法对权重和偏差进行优化，最后使用网络模型的学习的参数对测试集进行预测和分类辨别，输出预测准确率。本申请方法实现简单，并且误差修正，颤振纹理辨别准确率高，运行时间短和实时性强。

Description

一种颤振纹理的检测方法及其装置
技术领域
本发明涉及机械视觉图像处理技术领域，尤其涉及一种颤振纹理的检测方法及其装置。
背景技术
目前，薄壁类零件在航天航空、车辆、船舶等领域广泛应用，但由于薄壁类工件自身刚度相对较低，容易在其机械加工制造过程中产生形变和模态失稳现象，从而产生颤振。在绝大部分的加工中，颤振现象影响极其恶劣但又普遍存在，对工件表面质量、加工精度造成消极影响。颤振不仅会使铣削加工过程不稳定，而且会加剧机床的磨损，影响机床和刀具的使用寿命。因此，在国际上视薄壁件颤振问题为复杂的制造工艺难题。为提高薄壁件的加工精度和加工效率，需要对颤振现象进行检测和预防，因此有效的监测手段和精准的颤振辨识已经成为智能控制领域一个重要的研究方向。颤振监测辨识技术是通过使用各种工业传感器采集工件在机械加工过程中出现的各种物理信息，并进行传输和处理，依据处理的结果对加工颤振进行检测和辨识。
然而，目前颤振检测辨识技术主要分为：基于切削力信号的颤振检测，基于声场信号的颤振检测，基于振动信号的颤振检测和基于已加工工件表面图像信息的颤振检测。但由于切削中的切削液，噪声和振动的干扰等因素，导致了颤振的检测辨识方法精度普遍较低，并且还存有算法复杂度高，算法响应延迟，通用性差，容易产生漏报和误报等问题，因此无法应用在工业实际生产。
也就是说，对现存在线检测成本较高，通用性差的复杂多层次的颤振***，急需集成和创新一种成本较低，通用性较好，精度较高的颤振检测方法。
发明内容
为了解决现有技术中的不足，本申请提供一种颤振纹理的检测方法，该方法在线检测，成本较低、通用性好，精度较高。
本申请第一方面提供一种颤振纹理的检测方法，所述方法包括：采集薄壁件的铣削纹理图像，所述铣削纹理图像包括正常切削图像和铣削颤振图像；
将所述铣削纹理图像进行预处理，并随机将预处理后的所述铣削纹理图像划分为训练集和测试集；所述训练集和所述测试集成预设比例；
对所述训练集和所述测试集进行向量化、数据降维以及归一化处理；
根据所述训练集和所述测试集建立神经网络模型，所述神经网络模型包括初始化参数、实现前向和后向传播的损失函数和成本函数及其梯度、运行梯度下降算法来优化参数、预测以及分类辨别；
初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，并构建阈值函数；
前向传播计算当前的损失函数和成本函数，并进行后向传播进行其梯度；
通过所述梯度下降算法计算权重和偏差；
将所述权重和所述偏差输入所述训练集，进行分类辨别，并输出颤振纹理的识别准确率。
本申请第二方面提供一种颤振纹理的检测装置，所述装置包括采集单元、处理单元以及输出单元；其中，
所述采集单元，采集薄壁件的铣削纹理图像，所述铣削纹理图像包括正常切削图像和铣削颤振图像；
所述处理单元，将所述铣削纹理图像进行预处理，并随机将预处理后的所述铣削纹理图像划分为训练集和测试集；所述训练集和所述测试集成预设比例；对所述训练集和所述测试集进行向量化、数据降维以及归一化处理；建立神经网络模型，所述神经网络模型包括初始化参数、实现前向和后向传播的损失函数和成本函数及其梯度、运行梯度下降算法来优化参数、预测以及分类辨别；初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，并构建阈值函数；前向传播计算当前的损失函数和成本函数，并进行后向传播进行其梯度；通过所述梯度下降算法计算权重和偏差；
所述处理单元，将所述权重和所述偏差输入所述训练集，进行分类辨别，并通过所述输出单元输出颤振纹理的识别准确率。
本申请提供一种颤振纹理的检测方法，该方法在线检测，成本较低、通用性好，精度较高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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为本申请实施例提供的一种颤振纹理的检测方法流程示意图；
图2为本申请实施例提供的一种待处理的正常切削和铣削颤振示意图；
图3为本申请实施例提供的一种预处理后的梯度图像示意图；
图4为本申请实施例提供的一种神经网络结构流程示意图；
图5为本申请实施例提供的一种颤振纹理检测结果示意图；
图6为本申请实施例提供的一种颤振纹理检测结果准确率的示意图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
如图1所示，一种颤振纹理的检测方法，所述方法包括步骤S101-S108。
S101，采集薄壁件的铣削纹理图像，所述铣削纹理图像包括正常切削图像和铣削颤振图像。
如图2所示，对应的标签值为：正常切削设为0，铣削颤振设为1，其中纹理图像表示为
Figure RE-GSB0000183720240000041
x为像素值。
S102，将所述铣削纹理图像进行预处理，并随机将预处理后的所述铣削纹理图像划分为训练集和测试集；所述训练集和所述测试集成预设比例。
训练集表示为
Figure RE-GSB0000183720240000042
测试集则表示为
Figure RE-GSB0000183720240000043
在一个示例中，所述铣削纹理图像预处理包括重置尺寸、卷积滤波和图像梯度提取；所述预设比例为3∶2，即所述训练集与所述测试集的比值为3∶ 2。
在一个示例中，所述重置尺寸是将所述铣削纹理图像的宽X高，设置为 400px X150px大小；所述的卷积滤波，设置8邻域的卷积核，并输入所述铣削纹理图像与所述卷积核进行图像卷积运算；所述图像梯度提取，通过拉普拉斯算子对依次对所述铣削纹理图像像素进行梯度提取。
此时，将原图的宽X高尺寸设置成400px X 150px大小，表示为(400，150)。在进行图像卷积滤波，通过预设的8邻域的卷积核
Figure RE-GSB0000183720240000044
与输入图像进行图像卷积操作。最后通过拉普拉斯算子对依次对图像像素进行梯度提取，生成3通道的梯度图像，如图3所示。
S103，对所述训练集和所述测试集进行向量化、数据降维以及归一化处理。
在一个示例中，对所述训练集和所述测试集进行向量化、数据降维以及归一化处理，具体包括：将预处理后的所述铣削纹理图像转换成的向量序列，图像数据从三维矩阵降至一维向量；所述归一化是将向量数据集的每一行均除以像素通道最大值。
此时，将预处理后的梯度图像转换成的向量序列，即图像数据从三维(400，150，3)矩阵降至一维(180000，1)向量。再将已向量化的数据集的每一行除以255，即像素通道的最大值，标准化的数据均位于[0，1]之间，以降低计算量。
S104，根据所述训练集和所述测试集建立神经网络模型，所述神经网络模型包括初始化参数、实现前向和后向传播的损失函数和成本函数及其梯度、运行梯度下降算法来优化参数、预测以及分类辨别。
如图4所示，该图中的第1步是采集纹理图像，第2步是图像预处理及其随机分类为测试集和训练集，第3步是进入神经网络的输入层，第4步计算权重和偏差，第5步预测输出。该模型结构是基于逻辑回归(Logistics regression)的数学模型。
S105，初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，并构建阈值函数。
在一个示例中，所述方法还包括：以
Figure RE-GSB0000183720240000051
进行预测，其中
Figure RE-GSB0000183720240000052
是预测标签值，w为权重，T为转置符号，b为偏差，x(i)为第i张图像的像素向量；σ为阈值激活函数，其表达式为
Figure RE-GSB0000183720240000053
Z(i)为第i输入值。
在一个示例中，初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，具体为：
权重
Figure RE-GSB0000183720240000054
nx为图像的维度；偏差b＝0；a＝0.005，α为学习率；δ＝2000，δ为迭代步数。
在一个示例中，所述损失函数为
Figure RE-GSB0000183720240000055
Y(i)为第i个实际标签值，
Figure RE-GSB0000183720240000056
为第i个预测标签值，
Figure RE-GSB0000183720240000057
是损失函数的修正项；所述成本函数为
Figure RE-GSB0000183720240000058
m为输入图像的数量，λ为正则系数，取0.2，正则项为
Figure RE-GSB0000183720240000061
所述梯度分为权重梯度和偏差梯度，依次为
Figure RE-GSB0000183720240000062
S106，前向传播计算当前的损失函数和成本函数，并进行后向传播进行其梯度。
S107，通过所述梯度下降算法计算权重和偏差。
在一个示例中，所述通过所述梯度下降算法计算权重和偏差，具体为：权重
Figure RE-GSB0000183720240000063
偏差
Figure RE-GSB0000183720240000064
S108，将所述权重和所述偏差输入所述训练集，进行分类辨别，并输出颤振纹理的识别准确率。
在一个示例中，所述方法还包括：由预测分类器进行分类辨别，所述预测分类器为
Figure RE-GSB0000183720240000065
其中
Figure RE-GSB0000183720240000066
是预测标签值，w为权重，T为转置符号，b为偏差，x(i)为第i张图像的像素向量；若预测输出的激活值大于或者等于预定的阈值μ，输出对应标签为1；若预测输出的激活值小于阈值，则输出对应标签为0；根据输出的标签信息，辨别出正常切削和颤振纹理。如图5和图6所示。
本申请还公开了一种颤振纹理的检测装置，所述装置包括采集单元、处理单元以及输出单元。
所述采集单元，采集薄壁件的铣削纹理图像，所述铣削纹理图像包括正常切削图像和铣削颤振图像。
所述处理单元，将所述铣削纹理图像进行预处理，并随机将预处理后的所述铣削纹理图像划分为训练集和测试集；所述训练集和所述测试集成预设比例；对所述训练集和所述测试集进行向量化、数据降维以及归一化处理；建立神经网络模型，所述神经网络模型包括初始化参数、实现前向和后向传播的损失函数和成本函数及其梯度、运行梯度下降算法来优化参数、预测以及分类辨别；初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，并构建阈值函数；前向传播计算当前的损失函数和成本函数，并进行后向传播进行其梯度；通过所述梯度下降算法计算权重和偏差。
所述处理单元，将所述权重和所述偏差输入所述训练集，进行分类辨别，并通过所述输出单元输出颤振纹理的识别准确率。
本申请提供一种颤振纹理的检测方法，该方法在线检测，成本较低、通用性好，精度较高。
本申请具有以下优点：
1、本申请在考虑采集图像特征的时候，考虑了图像尺寸和算法数据计算量问题，所提取的特征相比较于基于局部二值化(LBP)的颤振纹理检测方法和基于深度神经网络的颤振识别方法能够起到很好的数据降维和加快算法运行时间作用，在比较完整地表达特征的同时，还忽略了那些无关紧要的小特征对颤振辨别的影响；
2、本申请将成本函数的凸特征表达之后，借用梯度下降法搜索全局最下值，进而减少训练数据与测试数据的实际差距，简化了分类器的求解，使辨识趋于简单化；
3、本申请具有算法实现简单，并且颤振纹理识别率高，运行效率高，由于考虑了采集图像的噪声影响，采集完之后，需进行图像卷积滤波和拉普拉斯梯度运算，明显减少了计算数据量和提高了识别率，以高效且目的准确的方法得到最终的辨别结果；
4，本申请的基于改进Logistics regression(逻辑回归)的铣削颤振纹理辨别方法，主要解决颤振纹理辨别问题，该方法将图像的梯度提取，利用改进的具有神经网络思维的Logistics regression方法，该方法对切削纹理进行二分类，并减少次要纹理特征因素的影响，充分利用了成本函数的凸特征，综合以上因素，通过利用改进Logisticsregression实现了对纹理图像的辨别；
5、目前基本所有的颤振检测相关的方法都是基于图像的纹理特征，并进行数据分箱简化，必然出现辨别率较低的情况，而采用本申请方法，可以有效提取并利用图像梯度的信息，从而能够提高辨识的质量和效率。
6、本申请提出一种基于计算机视觉技术实现对薄壁件铣削颤振的在线检测的方法，该方法具有对噪声和振动不敏感的优势，且应用潜力较高，实用价值较高的特点；
7、为了解决现有颤振检测辨别方法的缺陷问题，进一步降低算法复杂度，提高辨识实时性和准确率。本申请提出了一种基于改进Logistics regression 的铣削颤振纹理辨别方法，本申请在Logistics regression的数学模型基础上，增加了修正项和正则项，用于计算数值的修正和避免模型的过拟合现象，并且结合神经网络的前向传播和后向传播，使改进的模型具有神经网络思维。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种颤振纹理的检测方法，其特征在于，所述方法包括：
采集薄壁件的铣削纹理图像，所述铣削纹理图像包括正常切削图像和铣削颤振图像；
将所述铣削纹理图像进行预处理，并随机将预处理后的所述铣削纹理图像划分为训练集和测试集；所述训练集和所述测试集成预设比例；
对所述训练集和所述测试集进行向量化、数据降维以及归一化处理；
根据所述训练集和所述测试集建立神经网络模型，所述神经网络模型包括初始化参数、实现前向和后向传播的损失函数和成本函数及其梯度、运行梯度下降算法来优化参数、预测以及分类辨别；
初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，并构建阈值函数；
前向传播计算当前的损失函数和成本函数，并进行后向传播进行其梯度；
通过所述梯度下降算法计算权重和偏差；
将所述权重和所述偏差输入所述训练集，进行分类辨别，并输出颤振纹理的识别准确率。
2.根据权利要求1所述的方法，其特征在于，所述铣削纹理图像预处理包括重置尺寸、卷积滤波和图像梯度提取；
所述预设比例为3∶2，即所述训练集与所述测试集的比值为3∶2。
3.根据权利要求2所述的方法，其特征在于，所述重置尺寸是将所述铣削纹理图像的宽X高，设置为400px X 150px大小；
所述的卷积滤波，设置8邻域的卷积核，并输入所述铣削纹理图像与所述卷积核进行图像卷积运算；
所述图像梯度提取，通过拉普拉斯算子对依次对所述铣削纹理图像像素进行梯度提取。
4.根据权利要求1所述的方法，其特征在于，对所述训练集和所述测试集进行向量化、数据降维以及归一化处理，具体包括：
将预处理后的所述铣削纹理图像转换成的向量序列，图像数据从三维矩阵降至一维向量；所述归一化是将向量数据集的每一行均除以像素通道最大值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：以
Figure RE-FSB0000183720230000021
进行预测，其中
Figure RE-FSB0000183720230000022
是预测标签值，w为权重，T为转置符号，b为偏差，x(i)为第i张图像的像素向量；
σ为阈值激活函数，其表达式为
Figure RE-FSB0000183720230000023
z(i)为第i输入值。
6.根据权利要求1所述的方法，其特征在于，初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，具体为：
权重
Figure RE-FSB0000183720230000024
nx为图像的维度；偏差b＝0；α＝0.005，α为学习率；δ＝2000，δ为迭代步数。
7.根据权利要求1所述的方法，其特征在于，所述损失函数为
Figure RE-FSB0000183720230000025
Y(i)为第i个实际标签值，
Figure RE-FSB0000183720230000026
为第i个预测标签值，
Figure RE-FSB0000183720230000027
是损失函数的修正项；
所述成本函数为
Figure RE-FSB0000183720230000028
m为输入图像的数量，λ为正则系数，取0.2，正则项为
Figure RE-FSB0000183720230000029
所述梯度分为权重梯度和偏差梯度，依次为
Figure RE-FSB00001837202300000210
8.根据权利要求1所述的方法，其特征在于，所述通过所述梯度下降算法计算权重和偏差，具体为：
权重
Figure RE-FSB00001837202300000211
偏差
Figure RE-FSB00001837202300000212
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
由预测分类器进行分类辨别，所述预测分类器为
Figure RE-FSB00001837202300000213
其中
Figure RE-FSB00001837202300000214
是预测标签值，w为权重，T为转置符号，b为偏差，x(i)为第i张图像的像素向量；
若预测输出的激活值大于或者等于预定的阈值μ，输出对应标签为1；若预测输出的激活值小于阈值，则输出对应标签为0；
根据输出的标签信息，辨别出正常切削和颤振纹理。
10.一种颤振纹理的检测装置，其特征在于，所述装置包括采集单元、处理单元以及输出单元；其中，
所述采集单元，采集薄壁件的铣削纹理图像，所述铣削纹理图像包括正常切削图像和铣削颤振图像；
所述处理单元，将所述铣削纹理图像进行预处理，并随机将预处理后的所述铣削纹理图像划分为训练集和测试集；所述训练集和所述测试集成预设比例；对所述训练集和所述测试集进行向量化、数据降维以及归一化处理；建立神经网络模型，所述神经网络模型包括初始化参数、实现前向和后向传播的损失函数和成本函数及其梯度、运行梯度下降算法来优化参数、预测以及分类辨别；初始化所述神经网络模型的权重、偏差、学习率和迭代步数参数，并构建阈值函数；前向传播计算当前的损失函数和成本函数，并进行后向传播进行其梯度；通过所述梯度下降算法计算权重和偏差；
所述处理单元，将所述权重和所述偏差输入所述训练集，进行分类辨别，并通过所述输出单元输出颤振纹理的识别准确率。
CN201910278974.9A 2019-04-10 2019-04-10 一种颤振纹理的检测方法及其装置 Pending CN111695582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910278974.9A CN111695582A (zh) 2019-04-10 2019-04-10 一种颤振纹理的检测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910278974.9A CN111695582A (zh) 2019-04-10 2019-04-10 一种颤振纹理的检测方法及其装置

Publications (1)

Publication Number Publication Date
CN111695582A true CN111695582A (zh) 2020-09-22

Family

ID=72475967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910278974.9A Pending CN111695582A (zh) 2019-04-10 2019-04-10 一种颤振纹理的检测方法及其装置

Country Status (1)

Country Link
CN (1) CN111695582A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638265A (zh) * 2022-03-21 2022-06-17 南京航空航天大学 一种基于信号卷积神经网络的铣削颤振判别方法
CN115246081A (zh) * 2022-06-02 2022-10-28 淮阴工学院 一种快速和可靠的铣削颤振检测方法
CN116309547A (zh) * 2023-05-10 2023-06-23 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345200A (zh) * 2013-06-28 2013-10-09 华中科技大学 一种基于广义区间的切削加工颤振辨识方法
CN104786101A (zh) * 2015-04-29 2015-07-22 常州信息职业技术学院 立铣切削颤振的监测方法
CN105108584A (zh) * 2015-07-21 2015-12-02 上海交通大学 一种车削颤振检测方法
CN106564012A (zh) * 2016-11-01 2017-04-19 苏州微著设备诊断技术有限公司 一种磨削加工颤振的检测方法
CN108444708A (zh) * 2018-04-16 2018-08-24 长安大学 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN109583344A (zh) * 2018-11-21 2019-04-05 红相股份有限公司 一种基于深度学习的电力设备红外图像处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345200A (zh) * 2013-06-28 2013-10-09 华中科技大学 一种基于广义区间的切削加工颤振辨识方法
CN104786101A (zh) * 2015-04-29 2015-07-22 常州信息职业技术学院 立铣切削颤振的监测方法
CN105108584A (zh) * 2015-07-21 2015-12-02 上海交通大学 一种车削颤振检测方法
CN106564012A (zh) * 2016-11-01 2017-04-19 苏州微著设备诊断技术有限公司 一种磨削加工颤振的检测方法
CN108444708A (zh) * 2018-04-16 2018-08-24 长安大学 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN109583344A (zh) * 2018-11-21 2019-04-05 红相股份有限公司 一种基于深度学习的电力设备红外图像处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MICHAL SZYDLOWSKI: "Chatter detection algorithm based on machine vision", 《INT J ADV MANUF TECHNOL》 *
MOURAD LAMRAOUI: "Chatter detection in milling machines by neural network classification and feature selection", 《JOURNAL OF VIBRATION AND CONTROL: JVC》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638265A (zh) * 2022-03-21 2022-06-17 南京航空航天大学 一种基于信号卷积神经网络的铣削颤振判别方法
CN114638265B (zh) * 2022-03-21 2024-05-31 南京航空航天大学 一种基于信号卷积神经网络的铣削颤振判别方法
CN115246081A (zh) * 2022-06-02 2022-10-28 淮阴工学院 一种快速和可靠的铣削颤振检测方法
CN115246081B (zh) * 2022-06-02 2023-08-25 淮阴工学院 一种快速和可靠的铣削颤振检测方法
CN116309547A (zh) * 2023-05-10 2023-06-23 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质
CN116309547B (zh) * 2023-05-10 2023-09-19 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Park et al. Convolutional neural network based surface inspection system for non-patterned welding defects
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及***
CN111242202B (zh) 基于度量学习的车削加工刀具磨损状态监测方法
You et al. Machine vision based adaptive online condition monitoring for milling cutter under spindle rotation
CN111695582A (zh) 一种颤振纹理的检测方法及其装置
CN113469951B (zh) 一种基于级联区域卷积神经网络的轮毂缺陷检测方法
CN103544499A (zh) 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
Lutz et al. Evaluation of deep learning for semantic image segmentation in tool condition monitoring
CN112017204A (zh) 一种基于边缘标记图神经网络的刀具状态图像分类方法
CN116740044B (zh) 基于视觉检测与控制的铜管铣面加工方法及***
CN111814852A (zh) 图像检测方法、装置、电子设备和计算机可读存储介质
CN116363127A (zh) 基于图像处理的全降解塑料制品质量检测方法
CN117576079A (zh) 一种工业产品表面异常检测方法、装置及***
CN115294033A (zh) 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法
CN117197591B (zh) 一种基于机器学习的数据分类方法
CN117784710A (zh) 数控机床远程状态监控***及其方法
CN117475327A (zh) 一种城市中基于遥感图像的多目标检测定位方法和***
CN116777836A (zh) 一种基于多模态数据驱动的注塑工艺产品品质检测方法
CN112884027B (zh) 一种基于模式识别的切削过程实时状态监测方法及装置
KR20230063742A (ko) 계층적 cnn을 이용한 스마트 팩토리에서의 제품 불량 탐지 방법 및 이를 기록한 기록매체
CN113919396A (zh) 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法
Liu et al. A deep learning approach to defect detection in additive manufacturing of titanium alloys
CN111723737A (zh) 一种基于多尺度匹配策略深度特征学习的目标检测方法
CN111126455A (zh) 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法
CN117067112B (zh) 一种水切割机及其控制方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200922

WD01 Invention patent application deemed withdrawn after publication