CN116071298A - 一种基于目标检测模型的刀具损耗识别方法、装置 - Google Patents
一种基于目标检测模型的刀具损耗识别方法、装置 Download PDFInfo
- Publication number
- CN116071298A CN116071298A CN202211521759.5A CN202211521759A CN116071298A CN 116071298 A CN116071298 A CN 116071298A CN 202211521759 A CN202211521759 A CN 202211521759A CN 116071298 A CN116071298 A CN 116071298A
- Authority
- CN
- China
- Prior art keywords
- cutter
- tool
- image data
- data
- groups
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标检测模型的刀具损耗识别方法、装置。所述方法包括:获取预分类后刀具的图像数据;提取所述刀具的图像数据中的刀具的若干组特征数据;分别对所述刀具的若干组特征数据与预设刀具的若干组特征数据进行相似度比对,生成刀具的若干组特征数据的若干相似度值;根据所述刀具的若干组特征数据的若干相似度值,确定刀具的损耗等级。通过上述基于目标检测模型的刀具损耗识别方法,实现较低成本的刀具损耗识别检测。
Description
技术领域
本发明涉及刀具检测领域,特别是涉及一种基于目标检测模型的刀具损耗识别方法、装置。
背景技术
目前制造业内不可或缺的就是对于切削刀具的使用及回收管理,截至目前为止,市面上出现的各类刀具柜以及各种借用归还的流程也说明工厂对于刀具的领用归还、回收管理等是处于一直在探索更先进、更便捷、更智能的管理办法,而刀具的剩余寿命管理也是各个工厂想要缩减成本的一个方面,目前更多的是靠人工识别分析旧刀具的剩余寿命,可修磨价值等。
在实现现有技术过程中,发明人发现:
刀具在使用完归还时,大部分采用人工定损来确定刀具后续的可利用性。而人工定损存在工人经验不足,不能完全正确的鉴定回收刀具是否可修磨,有可能造成直接认定为废品,导致需重新使用全新的刀具,造成了刀具成本的上升。
因此,需要提供一种较低成本的刀具损耗识别检测方法以解决现有技术中刀具误检造成的成本上升的问题。
发明内容
本发明主要解决的技术问题是解决现有技术中现有现有技术中刀具误检造成的成本上升的问题。
为解决上述技术问题,本发明采用的一个技术方案是:
提供一种基于目标检测模型的刀具损耗识别方法,包括:
获取预分类后刀具的图像数据;
提取所述刀具的图像数据中的刀具的若干组特征数据;
分别对所述刀具的若干组特征数据与预设刀具的若干组特征数据进行相似度比对,生成刀具的若干组特征数据的若干相似度值;
根据所述刀具的若干组特征数据的若干相似度值,确定刀具的损耗等级。
在本发明一个较佳实施例中,所述获取预分类后刀具的图像数据,具体包括:
对所述刀具进行初始图像采集,生成刀具初始图像数据;
采用刀具分类模型对所述刀具初始图像数据进行预分类处理,生成预分类后刀具的图像数据;
其中,所述刀具分类模型中至少预存储有钻头图像数据、铣刀图像数据;
所述采用刀具分类模型对所述刀具初始图像数据进行预分类,具体包括:
将所述刀具初始图像数据与预存储的若干刀具图像数据进行对比,生成若干刀具的对比数据值;
根据所述对比数据值,确定预分类后刀具的图像数据。
在本发明一个较佳实施例中,所述刀具的若干组特征数据,具体包括:
刀具的轮廓组特征;
刀具的涂层组特征;
刀具的切割组特征;
其中,所述刀具的轮廓组特征至少包括刀具的形状特征、刀具的轮廓特征。
在本发明一个较佳实施例中,至少通过卷积神经网络提取所述刀具的图像数据中的刀具的若干组特征数据。
在本发明一个较佳实施例中,根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级,具体包括:
分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值;
分别对所述刀具的若干组特征进行权重赋值;
根据刀具的若干组特征的权重赋值与标准化处理后的刀具的若干组特征的相似度值,确定刀具的损耗等级。
在本发明一个较佳实施例中,分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值,具体包括:
分别对若干组特征的相似度值进行归一化处理,生成标准化处理后的若干组特征的相似度值。
在本发明一个较佳实施例中,在根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级之后,还包括:
根据刀具的损耗等级,对刀具进行维修处理、报废处理、无需处理其中之一。
本申请孩提供一种基于目标检测模型的刀具损耗识别装置,包括:
获取模块,用于获取预分类后刀具的图像数据;
提取模块,用于提取所述刀具的图像数据中的刀具的若干组特征数据;
比对模块,用于分别对所述刀具的若干组特征数据与预设刀具的若干组特征数据进行相似度比对,生成刀具的若干组特征数据的若干相似度值;
确定模块,用于根据所述刀具的若干组特征数据的若干相似度值,确定刀具的损耗等级。
本发明的有益效果是:通过本申请提供的基于目标检测模型的刀具损耗识别方法、装置,能够降低刀具有可能被误判为废品的问题,降低了刀具成本的上升,同时大幅缩减人工识别的时间成本。同时,通过本方法能够精准提高审核环节的时间和流程上的繁琐,合理的对刀具进行修磨可延长使用寿命,更有利于企业对时间成本,人力成本,工件循环使用成本的提高。
附图说明
图1是本发明提供一种基于目标检测模型的刀具损耗识别方法流程示意图;
图2是本发明提供一种基于目标检测模型的刀具损耗识别装置结构框图;
附图中各部件的标记如下:
一种基于目标检测模型的刀具损耗识别装置-100;获取模块-10;提取模块-20;比对模块-30;确定模块-40。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,为本申请提供的一种基于目标检测模型的刀具损耗识别方法,具体包括:
S110:获取预分类后刀具的图像数据。
具体的,预分类后的刀具的图像数据可以理解为对刀具的图像数据进行了初始的分类后获得的。在本申请提供的一种优选实施例中,所述获取预分类后刀具的图像数据,具体包括:对所述刀具进行初始图像采集,生成刀具初始图像数据;采用刀具分类模型对所述刀具初始图像数据进行预分类处理,生成预分类后刀具的图像数据;其中,所述刀具分类模型中至少预存储有钻头图像数据、铣刀图像数据。所述采用刀具分类模型对所述刀具初始图像数据进行预分类,具体包括:将所述刀具初始图像数据与预存储的若干刀具图像数据进行对比,生成若干刀具的对比数据值;根据所述对比数据值,确定预分类后刀具的图像数据。
应当指出的是,除上述对刀具的图像数据进行预分类的方法外,还可以是人工按照刀具类别进行刀具相应的分类。例如,人工将归还的刀具放置于相应的刀具柜归还轨道进行刀具的图像数据的采集。
可以理解的是,对刀具的预分类既可以是通过采用刀具分类模型对刀具初始图像进行的分类,也可以是通过人工将刀具放置于相应的刀具柜归还轨道进行的预分类。还可以理解的是,通过采用刀具分类模型对刀具初始图像进行的分类可以是正常使用情况下的方法,而通过人工将刀具放置于相应的刀具柜归还轨道进行的预分类则用于该方法无法进行而采用的人工处理的方法。可以理解,通过设置多重刀具预分类的方法,使得S110步骤获取预分类后刀具的图像数据能够有多种处理方法,从而避免了其中一种方法无法运行时,导致的该方法对刀具的损耗识别的暂停。
应当指出的是,采用刀具分类模型对所述刀具初始图像数据进行预分类处理,生成预分类后刀具的图像数据中,刀具分类模型中预先设置有多种刀具类型图像的数据。例如,刀具分类模型中设有钻头图像数据、铣刀图像数据、丝锥图像数据,且每个图像数据中包含有其处于多种视图下的图像数据。即无论采集的刀具初始图像数据为何种状态,均有与其相对应的状态图像的数据。例如,钻头图像数据中存储有钻头立放的正视图数据、左视图数据、右视图图像数据和钻头横放的正视图数据、左视图数据、右视图图像数据,则当摄的刀具初始图像数据为横放的右视图图像数据时,可将其分类为钻头横放的右视图图像数据。
还应当指出的是,所述采用刀具分类模型对所述刀具初始图像数据进行预分类中,对比数据值可以理解为刀具初始图像数据与预存储的若干刀具图像数据的对比中,刀具初始图象数据是否与预存储的若干刀具图像数据中的刀具处于立放以及立放状态下的左视图对比数据值最高。当然也可以是预存储的若干刀具图像数据中刀具其他状态下的对比数据值,然后根据预对比数据值,确定预分类后刀具的图像数据。
需要指出的是,预分类的刀具的图像数据的获得可以是通过目标检测算法中的R-CNN实现,也可以是通过YOLO实现。R-CNN的全称是Region-CNN,是将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN),线性回归,和支持向量机(SVM)等算法,实现目标检测技术。YOLO算法相对于R-CNN算法而言,在实现上述功能的同时,计算量相对较小,能够实现实时的对目标的检测,在本申请提供的一种优选实施例中,优选YOLO算法对刀具的图像数据进行预分类。
S120:提取所述刀具的图像数据中的刀具的若干组特征数据。
具体的,所述刀具的若干组特征数据,具体包括:刀具的轮廓组特征;刀具的涂层组特征;刀具的切割组特征;其中,所述刀具的轮廓组特征至少包括刀具的形状特征、刀具的轮廓特征。
应当指出的是,刀具的轮廓组特征,具体包括有刀具的形状特征、刀具的轮廓特征。可以理解的是,提取的刀具的形状特征可以是与全新的刀具的形状特征相似的也可以是有明显缺失的形状特征。同样的,刀具的涂层组特征中刀具的涂层可以是与全新的刀具的形状特征相似的也可以是涂层变色的特征。刀具的切割组特征可以是与全新的刀具的形状特征相似的也可以是牙、刃等主要部位的形变、缺失的特征。
在另一种实施例中,至少通过卷积神经网络提取所述刀具的图像数据中的刀具的若干组特征数据。
具体的,提取所述刀具的图像数据中的刀具的若干组特征数据通过卷积神经网络实现。可以是基于YOLO算法中的卷积神经网络来提取。具体表现为:分别设置有对刀具的轮廓组特征进行的提取、对刀具的涂层组特征进行的提取、对刀具的切割组特征进行的提取。对刀具的轮廓组特征进行的提取具体可以表现为:对刀具的图像数据分割成SxS个网格;预测每个网格的位置信息和置信度信息;根据每个网格的位置信息和置信度信息,设置阈值,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS处理,就得到最终的检测结果。相应的,网络模型即从刀具的图像数据中通过若干卷积层卷积提取刀具轮廓组特征,通过全连接层预测输出概率和坐标值。可以理解的是,对刀具的轮廓组特征的提取,即识别刀具的轮廓特征。对刀具的涂层组特征进行的提取,即对刀具涂层颜色的提取。对刀具的切割组特征进行的提取,机对刀具牙、刃的特征的提取。
还应当指出的是,刀具的图像数据中的刀具的若干组特征数据的提取中,YOLO算法中已经预设有多种刀具的轮廓特征、刀具的涂层颜色特征、刀具的牙、刃的特征。刀具的牙、刃的特征可以是完好的牙、刃的特征、也可以是有缺口的牙、刃的特征。
S130:分别对所述刀具的若干组特征数据与预设刀具的若干组特征数据进行相似度比对,生成刀具的若干组特征数据的若干相似度值。
具体的,相似度比对,即对获取的刀具的若干组特征数据与预设刀具的若干组特征数据进行的比对。预设刀具的若干组特征数据中与设有完好的刀具的轮廓组特征数据、刀具涂层数据、刀具的切割组特征数据。通过相似度比对,获得刀具的轮廓组特征数据、刀具涂层数据、刀具的切割组特征数据的若干相似度值。
S140:根据所述刀具的若干组特征数据的若干相似度值,确定刀具的损耗等级。
在另一种实施例中,根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级,具体包括:分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值;分别对所述刀具的若干组特征进行权重赋值;根据刀具的若干组特征的权重赋值与标准化处理后的刀具的若干组特征的相似度值,确定刀具的损耗等级。
具体的,分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值可以是分别对若干组特征的相似度值进行归一化处理,生成标准化处理后的若干组特征的相似度值。
数据的标准化,是通过一定的数学变换方式,将原始数据按照一定的比例进行转换,使之落入到一个小的特定区间内,例如0~1或-1~1的区间内,消除不同变量之间性质、量纲、数量级等特征属性的差异,将其转化为一个无量纲的相对数值,也就是标准化数值,使各指标的数值都处于同一个数量级别上,从而便于不同单位或数量级的指标能够进行综合分析和比较。归一化处理是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。
权重,指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性。
具体的,刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征中,每个对刀具是否可以直接回收实用都有重要的影响。而影响刀具是否可以回收的影响大小又各有不同。例如,刀具的轮廓组特征为变形的轮廓或刀具的切割组特征的切割牙或切割刃完全磨平,则刀具为报废的刀具。在本申请提供的一种优选实施例中,先对刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征的若干相似度值进行归一化处理,可以是3个特征均占1/3,然后分别根据刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征对刀具后续的使用影响进行权重赋值,进而确定刀具的损耗等级。例如,刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征分别权重赋值分别为4、2.5、3.5,然后将归一化处理后的值与权重赋值相乘积,最后获得刀具的评估值,根据评估值确定刀具的损耗等级。
在另一种实施例中,在根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级之后,还包括:根据刀具的损耗等级,对刀具进行维修处理、报废处理、无需处理其中之一。
具体的,根据所述刀具的若干组特征的相似度值求出的刀具的评估值,确定刀具的损耗等级。具体可以表现为:当刀具的评估值大于2时,无需处理;当刀具的评估值在1-2时,则做维修处理;当刀具的评估值低于1时,则报废处理。
还应当指出的是,根据刀具的损耗等级,对刀具进行维修处理、报废处理、无需处理其中之一,还可以是,人工通过刀具的评估值进行的维修处理、报废处理、无需处理其中之一。当刀具做报废处理时,刀具按照轨道设置滑进相应的报废收纳盒,完成回收审核。当刀具做维修处理时,刀具按照轨道设置滑进相应的可修磨收纳盒,完成回收审核。
请参阅图2,为本申请提供的一种基于目标检测模型的刀具损耗识别装置,包括:
获取模块10,用于获取预分类后刀具的图像数据。
具体的,预分类后的刀具的图像数据可以理解为对刀具的图像数据进行了初始的分类后获得的。在本申请提供的一种优选实施例中,所述获取预分类后刀具的图像数据,具体包括:对所述刀具进行初始图像采集,生成刀具初始图像数据;采用刀具分类模型对所述刀具初始图像数据进行预分类处理,生成预分类后刀具的图像数据;其中,所述刀具分类模型中至少预存储有钻头图像数据、铣刀图像数据。所述采用刀具分类模型对所述刀具初始图像数据进行预分类,具体包括:将所述刀具初始图像数据与预存储的若干刀具图像数据进行对比,生成若干刀具的对比数据值;根据所述对比数据值,确定预分类后刀具的图像数据。
应当指出的是,除上述对刀具的图像数据进行预分类的方法外,还可以是人工按照刀具类别进行刀具相应的分类。例如,人工将归还的刀具放置于相应的刀具柜归还轨道进行刀具的图像数据的采集。
可以理解的是,对刀具的预分类既可以是通过采用刀具分类模型对刀具初始图像进行的分类,也可以是通过人工将刀具放置于相应的刀具柜归还轨道进行的预分类。还可以理解的是,通过采用刀具分类模型对刀具初始图像进行的分类可以是正常使用情况下的方法,而通过人工将刀具放置于相应的刀具柜归还轨道进行的预分类则用于该方法无法进行而采用的人工处理的方法。可以理解,通过设置多重刀具预分类的方法,使得S110步骤获取预分类后刀具的图像数据能够有多种处理方法,从而避免了其中一种方法无法运行时,导致的该方法对刀具的损耗识别的暂停。
应当指出的是,采用刀具分类模型对所述刀具初始图像数据进行预分类处理,生成预分类后刀具的图像数据中,刀具分类模型中预先设置有多种刀具类型图像的数据。例如,刀具分类模型中设有钻头图像数据、铣刀图像数据、丝锥图像数据,且每个图像数据中包含有其处于多种视图下的图像数据。即无论采集的刀具初始图像数据为何种状态,均有与其相对应的状态图像的数据。例如,钻头图像数据中存储有钻头立放的正视图数据、左视图数据、右视图图像数据和钻头横放的正视图数据、左视图数据、右视图图像数据,则当摄的刀具初始图像数据为横放的右视图图像数据时,可将其分类为钻头横放的右视图图像数据。
还应当指出的是,所述采用刀具分类模型对所述刀具初始图像数据进行预分类中,对比数据值可以理解为刀具初始图像数据与预存储的若干刀具图像数据的对比中,刀具初始图象数据与预存储的若干刀具图像数据中的刀具处于立放以及立放状态下的左视图是否对比数据值最高。当然也可以是预存储的若干刀具图像数据中刀具其他状态下的对比数据值,然后根据预对比数据值,确定预分类后刀具的图像数据。
需要指出的是,预分类的刀具的图像数据的获得可以是通过目标检测算法中的R-CNN实现,也可以是通过YOLO实现。R-CNN的全称是Region-CNN,是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN),线性回归,和支持向量机(SVM)等算法,实现目标检测技术。YOLO算法相对于R-CNN算法而言,在实现上述功能的同时,计算量相对较小,能够实现实时的对目标的检测,在本申请提供的一种优选实施例中,优选YOLO算法对刀具的图像数据进行预分类。
提取模块20,用于提取所述刀具的图像数据中的刀具的若干组特征数据。
具体的,所述刀具的若干组特征数据,具体包括:刀具的轮廓组特征;刀具的涂层组特征;刀具的切割组特征;其中,所述刀具的轮廓组特征至少包括刀具的形状特征、刀具的轮廓特征。
应当指出的是,刀具的轮廓组特征,具体包括有刀具的形状特征、刀具的轮廓特征。可以理解的是,提取的刀具的形状特征可以是与全新的刀具的形状特征相似的也可以是有明显缺失的形状特征。同样的,刀具的涂层组特征中刀具的涂层可以是与全新的刀具的形状特征相似的也可以是涂层变色的特征。刀具的切割组特征可以是与全新的刀具的形状特征相似的也可以是牙、刃等主要部位的形变、缺失的特征。
在另一种实施例中,至少通过卷积神经网络提取所述刀具的图像数据中的刀具的若干组特征数据。
具体的,提取所述刀具的图像数据中的刀具的若干组特征数据通过卷积神经网络实现。可以是基于YOLO算法中的卷积神经网络来提取。具体表现为:分别设置有对刀具的轮廓组特征进行的提取、对刀具的涂层组特征进行的提取、对刀具的切割组特征进行的提取。对刀具的轮廓组特征进行的提取具体可以表现为:对刀具的图像数据分割成SxS个网格;预测每个网格的位置信息和置信度信息;根据每个网格的位置信息和置信度信息,设置阈值,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS处理,就得到最终的检测结果。相应的,网络模型即从刀具的图像数据中通过若干卷积层卷积提取刀具轮廓组特征,通过全连接层预测输出概率和坐标值。可以理解的是,对刀具的轮廓组特征的提取,即识别刀具的轮廓特征。对刀具的涂层组特征进行的提取,即对刀具涂层颜色的提取。对刀具的切割组特征进行的提取,机对刀具牙、刃的特征的提取。
还应当指出的是,刀具的图像数据中的刀具的若干组特征数据的提取中,YOLO算法中已经预设有多种刀具的轮廓特征、刀具的涂层颜色特征、刀具的牙、刃的特征。刀具的牙、刃的特征可以是完好的牙、刃的特征、也可以是有缺口的牙、刃的特征。
比对模块30,用于分别对所述刀具的若干组特征数据与预设刀具的若干组特征数据进行相似度比对,生成刀具的若干组特征数据的若干相似度值。
具体的,相似度比对,即对获取的刀具的若干组特征数据与预设刀具的若干组特征数据进行的比对。预设刀具的若干组特征数据中与设有完好的刀具的轮廓组特征数据、刀具涂层数据、刀具的切割组特征数据。通过相似度比对,获得刀具的轮廓组特征数据、刀具涂层数据、刀具的切割组特征数据的若干相似度值。
确定模块40,用于根据所述刀具的若干组特征数据的若干相似度值,确定刀具的损耗等级。
在另一种实施例中,根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级,具体包括:分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值;分别对所述刀具的若干组特征进行权重赋值;根据刀具的若干组特征的权重赋值与标准化处理后的刀具的若干组特征的相似度值,确定刀具的损耗等级。
具体的,分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值可以是分别对若干组特征的相似度值进行归一化处理,生成标准化处理后的若干组特征的相似度值。
数据的标准化,是通过一定的数学变换方式,将原始数据按照一定的比例进行转换,使之落入到一个小的特定区间内,例如0~1或-1~1的区间内,消除不同变量之间性质、量纲、数量级等特征属性的差异,将其转化为一个无量纲的相对数值,也就是标准化数值,使各指标的数值都处于同一个数量级别上,从而便于不同单位或数量级的指标能够进行综合分析和比较。归一化处理是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量。
权重,指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性。
具体的,刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征中,每个对刀具是否可以直接回收实用都有重要的影响。而影响刀具是否可以回收的影响大小又各有不同。例如,刀具的轮廓组特征为变形的轮廓或刀具的切割组特征的切割牙或切割刃完全磨平,则刀具为报废的刀具。在本申请提供的一种优选实施例中,先对刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征的若干相似度值进行归一化处理,可以是3个特征均占1/3,然后分别根据刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征对刀具后续的使用影响进行权重赋值,进而确定刀具的损耗等级。例如,刀具的轮廓组特征、刀具的涂层组特征、刀具的切割组特征分别权重赋值分别为4、2.5、3.5,然后将归一化处理后的值与权重赋值相乘积,最后获得刀具的评估值,根据评估值确定刀具的损耗等级。
在另一种实施例中,在根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级之后,还包括:根据刀具的损耗等级,对刀具进行维修处理、报废处理、无需处理其中之一。
具体的,根据所述刀具的若干组特征的相似度值求出的刀具的评估值,确定刀具的损耗等级。具体可以表现为:当刀具的评估值大于2时,无需处理;当刀具的评估值在1-2时,则做维修处理;当刀具的评估值低于1时,则报废处理。
还应当指出的是,根据刀具的损耗等级,对刀具进行维修处理、报废处理、无需处理其中之一,还可以是,人工通过刀具的评估值进行的维修处理、报废处理、无需处理其中之一。当刀具做报废处理时,刀具按照轨道设置滑进相应的报废收纳盒,完成回收审核。当刀具做维修处理时,刀具按照轨道设置滑进相应的可修磨收纳盒,完成回收审核。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于目标检测模型的刀具损耗识别方法,其特征在于,包括:
获取预分类后刀具的图像数据;
提取所述刀具的图像数据中的刀具的若干组特征数据;
分别对所述刀具的若干组特征数据与预设刀具的若干组特征数据进行相似度比对,生成刀具的若干组特征数据的若干相似度值;
根据所述刀具的若干组特征数据的若干相似度值,确定刀具的损耗等级。
2.根据权利要求1所述的刀具损耗识别方法,其特征在于,所述获取预分类后刀具的图像数据,具体包括:
对所述刀具进行初始图像采集,生成刀具初始图像数据;
采用刀具分类模型对所述刀具初始图像数据进行预分类处理,生成预分类后刀具的图像数据;
其中,所述刀具分类模型中至少预存储有钻头图像数据、铣刀图像数据;
所述采用刀具分类模型对所述刀具初始图像数据进行预分类,具体包括:
将所述刀具初始图像数据与预存储的若干刀具图像数据进行对比,生成若干刀具的对比数据值;
根据所述对比数据值,确定预分类后刀具的图像数据。
3.根据权利要求1所述的刀具损耗识别方法,其特征在于,所述刀具的若干组特征数据,具体包括:
刀具的轮廓组特征;
刀具的涂层组特征;
刀具的切割组特征;
其中,所述刀具的轮廓组特征至少包括刀具的形状特征、刀具的轮廓特征。
4.根据权利要求1所述的刀具损耗识别方法,其特征在于,至少通过卷积神经网络提取所述刀具的图像数据中的刀具的若干组特征数据。
5.根据权利要求1所述的刀具损耗识别方法,其特征在于,根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级,具体包括:
分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值;
分别对所述刀具的若干组特征进行权重赋值;
根据刀具的若干组特征的权重赋值与标准化处理后的刀具的若干组特征的相似度值,确定刀具的损耗等级。
6.根据权利要求3所述的刀具损耗识别方法,其特征在于,分别对所述刀具的若干组特征的相似度值进行标准化处理,生成标准化处理后的刀具的若干组特征的相似度值,具体包括:
分别对若干组特征的相似度值进行归一化处理,生成标准化处理后的若干组特征的相似度值。
7.根据权利要求1所述的刀具损耗识别方法,其特征在于,在根据所述刀具的若干组特征的相似度值,确定刀具的损耗等级之后,还包括:
根据刀具的损耗等级,对刀具进行维修处理、报废处理、无需处理其中之一。
8.一种基于目标检测模型的刀具损耗识别装置,其特征在于,包括:
获取模块,用于获取预分类后刀具的图像数据;
提取模块,用于提取所述刀具的图像数据中的刀具的若干组特征数据;
比对模块,用于分别对所述刀具的若干组特征数据与预设刀具的若干组特征数据进行相似度比对,生成刀具的若干组特征数据的若干相似度值;
确定模块,用于根据所述刀具的若干组特征数据的若干相似度值,确定刀具的损耗等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211521759.5A CN116071298A (zh) | 2022-11-30 | 2022-11-30 | 一种基于目标检测模型的刀具损耗识别方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211521759.5A CN116071298A (zh) | 2022-11-30 | 2022-11-30 | 一种基于目标检测模型的刀具损耗识别方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071298A true CN116071298A (zh) | 2023-05-05 |
Family
ID=86179376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211521759.5A Pending CN116071298A (zh) | 2022-11-30 | 2022-11-30 | 一种基于目标检测模型的刀具损耗识别方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096760A (zh) * | 2024-04-26 | 2024-05-28 | 上海诺倬力机电科技有限公司 | 刀具磨损检测方法、设备和可读存储介质 |
-
2022
- 2022-11-30 CN CN202211521759.5A patent/CN116071298A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096760A (zh) * | 2024-04-26 | 2024-05-28 | 上海诺倬力机电科技有限公司 | 刀具磨损检测方法、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
CN110555819B (zh) | 基于红外和可见光图像融合的设备监测方法、装置及设备 | |
DE102014214448B4 (de) | Vorrichtung und Verfahren zur Erkennung eines Verkehrszeichens | |
Yoo et al. | Development of a crack recognition algorithm from non-routed pavement images using artificial neural network and binary logistic regression | |
CN103544499B (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 | |
CN103106265A (zh) | 相似图像分类方法及*** | |
CN116071298A (zh) | 一种基于目标检测模型的刀具损耗识别方法、装置 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN105023027A (zh) | 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法 | |
CN111325410A (zh) | 基于样本分布的通用故障预警***及其预警方法 | |
US20140233841A1 (en) | Method of chekcing the appearance of the surface of a tyre | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、***及介质 | |
CN108375729A (zh) | 基于Fisher判别的电机SOM聚类退化状态评估方法 | |
CN105404682A (zh) | 一种基于数字图像内容的图书检索方法 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN113179389A (zh) | 一种输电线路危险车辆吊车扬臂识别***及识别方法 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN117010666A (zh) | 一种汽修工具生产工作站智能管理方法及*** | |
CN116503809A (zh) | 一种智慧工厂行为穿戴误告警过滤的后处理方法 | |
CN116665272A (zh) | 机场场景人脸识别融合决策方法、装置、电子设备及介质 | |
CN103793913A (zh) | 一种结合均值漂移的谱聚类图像分割方法 | |
CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 | |
CN113705229B (zh) | 基于电力大数据的高危企业违规生产识别方法 | |
Mia et al. | An efficient image segmentation method based on linear discriminant analysis and K-means algorithm with automatically splitting and merging clusters | |
CN113592043B (zh) | 一种纸盒分类方法 |
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 |