CN116909208A - 基于人工智能的壳体加工路径优化方法及*** - Google Patents
基于人工智能的壳体加工路径优化方法及*** Download PDFInfo
- Publication number
- CN116909208A CN116909208A CN202311166934.8A CN202311166934A CN116909208A CN 116909208 A CN116909208 A CN 116909208A CN 202311166934 A CN202311166934 A CN 202311166934A CN 116909208 A CN116909208 A CN 116909208A
- Authority
- CN
- China
- Prior art keywords
- shell
- cutting
- path
- point
- initial
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000005520 cutting process Methods 0.000 claims abstract description 325
- 238000003754 machining Methods 0.000 claims abstract description 99
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 40
- 230000009466 transformation Effects 0.000 claims description 30
- 238000013519 translation Methods 0.000 claims description 29
- 230000000007 visual effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 22
- 238000003801 milling Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于人工智能的壳体加工路径优化方法及***,用于提高壳体加工路径优化的准确率。方法包括:获取目标工件的多角度壳体图像并生成壳体几何信息;构建壳体三维模型并进行切削面划分,得到多个切削面;进行单应矩阵分析,得到每个切削面的单应矩阵;进行二维映射,得到每个切削面的二维平面,并进行特征点匹配,得到多个特征点对;计算目标工件的切削基点;进行切削路径规划,得到初始壳体加工路径并进行加工,获取加工刀具的实时切削点;计算实时切削点与切削基点的点位偏差数据,并根据点位偏差数据对初始壳体加工路径进行加工路径优化,得到目标壳体加工路径。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的壳体加工路径优化方法及***。
背景技术
随着制造业的不断发展和技术进步,壳体加工作为一项重要的制造工艺,被广泛应用于航空航天、汽车制造、电子设备等领域。在壳体加工中,加工路径的优化对于提高生产效率、降低成本和保证产品质量至关重要。
然而,传统的壳体加工路径规划方法通常基于经验和手工调整,存在着以下一些挑战和问题:复杂的工件几何形状:现代制造中的工件往往具有复杂的几何形状,如曲面、孔洞、边缘等,这使得传统的路径规划方法难以应对。加工效率和质量的矛盾:传统路径规划方法往往难以平衡加工效率和加工质量之间的矛盾。提高加工速度导致刀具振动、表面质量下降,降低加工速度导致生产周期延长和成本增加。切削条件的变化:制造过程中切削条件会受到许多因素的影响,如刀具磨损、材料变化等,需要实时调整路径以适应这些变化。人工依赖性:传统的路径规划方法通常需要依赖经验丰富的操作员进行路径调整和优化,这不仅耗时耗力,还容易受主观因素的影响。
发明内容
本发明提供了一种基于人工智能的壳体加工路径优化方法及***,用于提高壳体加工路径优化的准确率。
本发明第一方面提供了一种基于人工智能的壳体加工路径优化方法,所述基于人工智能的壳体加工路径优化方法包括:
通过预置的壳体加工设备获取目标工件的多角度壳体图像,并根据所述多角度壳体图像生成所述目标工件的壳体几何信息;
根据所述壳体几何信息构建所述目标工件的壳体三维模型,并根据所述壳体三维模型的曲率数据对所述壳体三维模型进行切削面划分,得到多个切削面;
选取所述壳体三维模型的参考面,并根据所述参考面分别对所述多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵;
根据所述单应矩阵对所述多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对;
根据所述多个特征点对,计算所述多个切削面之间的相对位置和角度,并根据所述相对位置和角度计算所述目标工件的切削基点;
根据所述切削基点,对所述目标工件进行切削路径规划,得到初始壳体加工路径,并通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,获取所述壳体加工设备中加工刀具的实时切削点;
计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对所述初始壳体加工路径进行加工路径优化,得到目标壳体加工路径。
结合第一方面,在本发明第一方面的第一种实现方式中,所述根据所述壳体几何信息构建所述目标工件的壳体三维模型,并根据所述壳体三维模型的曲率数据对所述壳体三维模型进行切削面划分,得到多个切削面,包括:
将所述多角度壳体图像输入预置的残差学习网络进行特征提取,得到壳体特征图像;
对所述壳体特征图像进行特征点数据标注,得到对应的壳体表征数据,并对所述壳体表征数据进行多角度二维卷积运算,得到多个像素点输出值;
根据所述多个像素点输出值构建所述多角度壳体图像的初始三维结构,并根据所述壳体几何信息对初始三维结构进行特征增强处理,得到所述目标工件的壳体三维模型;
对所述壳体三维模型中的每个像素点进行法线向量计算,得到每个像素点对应的法线向量,并根据所述法线向量计算每个像素点对应的曲率数据;
根据所述曲率数据设置所述目标工件的曲率阈值,并根据所述曲率阈值对所述壳体三维模型进行切削面划分,得到多个切削面。
结合第一方面,在本发明第一方面的第二种实现方式中,所述选取所述壳体三维模型的参考面,并根据所述参考面分别对所述多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵,包括:
通过预置的壳体加工设备对所述目标工件进行视觉定位,得到视觉定位数据,并根据所述视觉定位数据选取所述壳体三维模型的参考面;
获取所述参考面的参考特征点,并分别获取每个切削面的边缘特征点;
对所述参考特征点和所述边缘特征点进行关系匹配,得到每个切削面的特征点匹配关系;
根据每个切削面的特征点匹配关系,分别计算所述边缘特征点相对于所述参考面的单应矩阵,得到每个切削面的单应矩阵。
结合第一方面,在本发明第一方面的第三种实现方式中,所述根据所述单应矩阵对所述多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对,包括:
根据所述单应矩阵确定所述多个切削面的变换关系,并根据所述变换关系对所述多个切削面进行二维坐标转换,得到每个切削面的二维平面;
通过预置的特征点检测算法,对每个切削面的二维平面进行特征点检测,生成每个切削面的多个特征描述符;
根据所述多个特征描述符,对所述多个切削面的特征点进行匹配和筛选,得到多个特征点对。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述多个特征点对,计算所述多个切削面之间的相对位置和角度,并根据所述相对位置和角度计算所述目标工件的切削基点,包括:
根据所述多个特征点对,计算所述多个切削面之间的初始平移矢量和初始旋转矩阵;
对所述初始平移矢量和所述初始旋转矩阵进行变换积累,得到累积平移矢量和累积旋转矩阵;
从所述累积平移矢量和累积旋转矩阵中提取所述多个切削面之间的相对位置和角度;
根据所述相对位置和角度,计算所述目标工件的切削基点。
结合第一方面,在本发明第一方面的第五种实现方式中,所述根据所述切削基点,对所述目标工件进行切削路径规划,得到初始壳体加工路径,并通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,获取所述壳体加工设备中加工刀具的实时切削点,包括:
通过路径规划算法对所述切削基点进行综合权值计算,得到综合权值;
根据所述综合权值,对所述路径规划算法中每个候选壳体加工路径进行预估时间计算,得到每个候选壳体加工路径的预估时间;
对每个候选壳体加工路径的预估时间进行最小值分析,并将预估时间最短的候选壳体加工路径作为初始壳体加工路径;
通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,并获取所述壳体加工设备中加工刀具的实时切削点。
结合第一方面,在本发明第一方面的第六种实现方式中,所述计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对所述初始壳体加工路径进行加工路径优化,得到目标壳体加工路径,包括:
计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对预置的路径优化算法进行参数初始化;
通过所述路径优化算法,对所述初始壳体加工路径进行群体初始设置,得到多个初始群体;
对所述多个初始群体进行群体分割,得到已感染群体、易感染群体以及未感染群体;
对所述已感染群体进行繁殖和变异操作,得到第一评价指标,并对所述易感染群体进行繁殖、交叉及变异操作,得到第二评价指标,以及对所述未感染群体进行繁殖、交叉及变异操作,得到第三评价指标;
根据所述第一评价指标、所述第二评价指标及所述第三评价指标,对所述初始壳体加工路径进行加工路径更新,得到目标壳体加工路径。
本发明第二方面提供了一种基于人工智能的壳体加工路径优化***,所述基于人工智能的壳体加工路径优化***包括:
获取模块,用于通过预置的壳体加工设备获取目标工件的多角度壳体图像,并根据所述多角度壳体图像生成所述目标工件的壳体几何信息;
划分模块,用于根据所述壳体几何信息构建所述目标工件的壳体三维模型,并根据所述壳体三维模型的曲率数据对所述壳体三维模型进行切削面划分,得到多个切削面;
分析模块,用于选取所述壳体三维模型的参考面,并根据所述参考面分别对所述多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵;
匹配模块,用于根据所述单应矩阵对所述多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对;
计算模块,用于根据所述多个特征点对,计算所述多个切削面之间的相对位置和角度,并根据所述相对位置和角度计算所述目标工件的切削基点;
规划模块,用于根据所述切削基点,对所述目标工件进行切削路径规划,得到初始壳体加工路径,并通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,获取所述壳体加工设备中加工刀具的实时切削点;
优化模块,用于计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对所述初始壳体加工路径进行加工路径优化,得到目标壳体加工路径。
本发明第三方面提供了一种基于人工智能的壳体加工路径优化设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的壳体加工路径优化设备执行上述的基于人工智能的壳体加工路径优化方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于人工智能的壳体加工路径优化方法。
本发明提供的技术方案中,获取目标工件的多角度壳体图像并生成壳体几何信息;构建壳体三维模型并进行切削面划分,得到多个切削面;进行单应矩阵分析,得到每个切削面的单应矩阵;进行二维映射,得到每个切削面的二维平面,并进行特征点匹配,得到多个特征点对;计算目标工件的切削基点;进行切削路径规划,得到初始壳体加工路径并进行加工,获取加工刀具的实时切削点;计算实时切削点与切削基点的点位偏差数据,并根据点位偏差数据对初始壳体加工路径进行加工路径优化,得到目标壳体加工路径,本发明能够自动化地生成和优化加工路径,减少了人工干预的需求,从而显著提高了壳体加工的效率。通过智能路径规划,可以更快速地完成加工任务,缩短生产周期,提高生产率。可以更准确地控制刀具的运动轨迹,减少刀具振动和加工误差,从而改善了加工质量。这有助于减少废品率和提高产品的一致性。通过优化加工路径,可以减少不必要的切削和能源消耗,降低了生产成本。此外,减少了人工干预的需求,也减少了人力成本。能够更好地应对曲面、孔洞、边缘等复杂特征,进而提高了壳体加工路径优化的准确率。
附图说明
图1为本发明实施例中基于人工智能的壳体加工路径优化方法的一个实施例示意图;
图2为本发明实施例中单应矩阵分析的流程图;
图3为本发明实施例中特征点匹配的流程图;
图4为本发明实施例中计算目标工件的切削基点的流程图;
图5为本发明实施例中基于人工智能的壳体加工路径优化***的一个实施例示意图;
图6为本发明实施例中基于人工智能的壳体加工路径优化设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的壳体加工路径优化方法及***,用于提高壳体加工路径优化的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于人工智能的壳体加工路径优化方法的一个实施例包括:
S101、通过预置的壳体加工设备获取目标工件的多角度壳体图像,并根据多角度壳体图像生成目标工件的壳体几何信息;
可以理解的是,本发明的执行主体可以为基于人工智能的壳体加工路径优化***,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器使用预置的壳体加工设备来采集目标工件的多角度壳体图像。这通常涉及使用相机或传感器来捕获工件的外部表面。采集到的图像包含噪声、变形或其他干扰。因此,需要进行图像处理,以净化和校正这些图像。这可以包括去除噪声、图像增强和校正畸变等操作。从图像中提取与工件几何相关的特征。这些特征可以包括边缘、曲线、孔洞等。特征提取可以使用计算机视觉技术,例如边缘检测、角点检测和轮廓提取来实现。因为多个角度的图像来自不同的位置和角度,所以需要将这些图像进行配准,以确保它们在相同的坐标系中对齐。图像配准可以使用特征点匹配、变换估计等技术来实现。当图像配准完成,就可以开始生成目标工件的壳体几何信息。这可以通过从图像中提取的特征和配准信息来实现。这些信息包括工件的三维坐标、曲率、法线等。例如,假设一家汽车制造公司正在制造汽车的车身壳体,这是一个复杂的曲面结构。服务器使用了一种基于人工智能的***来获取车身壳体的几何信息。在生产线上,服务器安装了多个相机和传感器,这些设备定期拍摄车身壳体的不同部分,以获取多角度的图像。采集到的图像受到光照条件和镜头畸变的影响。因此,服务器使用图像处理算法来校正这些问题,确保图像质量。在图像中,服务器自动检测车身壳体的边缘、曲线和孔洞。这些特征被提取出来,以用于后续的分析。因为不同角度的图像来自不同的相机位置,服务器将它们进行配准,以确保它们在相同的坐标系中。这可以通过特征点匹配和变换估计来实现。当图像配准完成,服务器根据提取的特征和配准信息来生成车身壳体的三维几何信息。这包括车身的曲率、法线和三维坐标。本实施例中,汽车制造公司可以实时获得车身壳体的几何信息,而无需依赖手工测量和建模。这些几何信息可以用于路径规划、质量控制和制造过程的实时监测。这样,服务器更高效地生产汽车,并确保车身壳体的质量符合要求。
S102、根据壳体几何信息构建目标工件的壳体三维模型,并根据壳体三维模型的曲率数据对壳体三维模型进行切削面划分,得到多个切削面;
具体的,服务器将多角度壳体图像输入预置的残差学习网络进行特征提取,以得到壳体特征图像。这个过程涉及卷积神经网络(CNN)等深度学习技术,它们可以自动从图像中学习到壳体的有用特征。以汽车车身壳体为例,这些特征包括曲面的曲率、边缘、孔洞等。对壳体特征图像进行特征点数据标注,以得到对应的壳体表征数据。这些特征点数据可以是关键点、边缘点等,用于描述壳体的几何特征。通过多角度二维卷积运算,可以将这些标注数据转换为多个像素点的输出值。基于这些像素点的输出值,可以构建多角度壳体图像的初始三维结构。这个结构通常是一个点云或体素网格,表示壳体的大致形状。对初始的三维结构进行特征增强处理,以得到目标工件的壳体三维模型。这个步骤包括曲面拟合、法线向量计算和光滑处理等。通过这些处理,可以使三维模型更加准确地反映壳体的实际几何形状。在壳体三维模型中,对每个像素点进行法线向量计算。法线向量是垂直于曲面的向量,可以用来描述曲面的方向和曲率。根据这些法线向量,可以计算每个像素点对应的曲率数据,即刻度曲率或高斯曲率。这些数据用于后续的切削面划分。根据曲率数据设置目标工件的曲率阈值。曲率阈值可以用来确定哪些部分的曲率足够大,需要被划分为切削面。切削面划分是将壳体三维模型分割成多个部分,以便进行路径规划和优化。高曲率部分需要更密集的切削路径,而低曲率部分可以更松散地切削。例如,假设一家汽车制造公司使用该方法来优化汽车车身壳体的加工路径。服务器首先从多个角度采集车身壳体的图像。这些图像包含了车身的曲线、边缘和特征点。通过深度学习网络,服务器将这些图像输入并提取出车身的特征。服务器通过特征点数据标注,将这些特征转化为多个像素点的输出值。基于这些像素点的输出值,服务器生成了车身壳体的初始三维结构。服务器对这个三维结构进行特征增强处理,以更准确地反映车身的几何形状,包括光滑曲面和准确的法线向量。服务器计算了每个像素点的曲率数据,并根据曲率阈值划分了切削面。这使服务器能够在高曲率部分进行更精细的切削,而在低曲率部分进行更粗略的切削,以提高加工效率和质量。
S103、选取壳体三维模型的参考面,并根据参考面分别对多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵;
需要说明的是,通过预置的壳体加工设备对目标工件进行视觉定位,以获取视觉定位数据。视觉定位通常包括使用相机或传感器来确定工件的位置和方向。根据这些视觉定位数据,可以选择壳体三维模型的参考面。这个参考面通常是工件上的一个已知特征或位置,用于后续分析。当确定了参考面,就需要从该面上获取参考特征点。这些特征点可以是容易识别和测量的关键点或标志点。同时,需要获取每个切削面的边缘特征点。这些边缘特征点表示切削面的边缘或边界。将参考特征点与各个切削面的边缘特征点进行关系匹配。这个匹配过程可以利用计算机视觉技术,例如特征点描述符和匹配算法。匹配的目标是找到每个切削面上与参考特征点对应的边缘特征点,建立特征点匹配关系。当建立了特征点匹配关系,就可以根据这些关系分别计算每个切削面的边缘特征点相对于参考面的单应矩阵。单应矩阵是一种数学矩阵,描述了两个平面之间的几何变换关系。在这里,单应矩阵用于将切削面的边缘特征点从切削面坐标系映射到参考面坐标系,从而实现了两者之间的对应关系。例如,假设一家机械制造公司正在加工一个复杂的机械零件,其中包括多个曲面和边缘。服务器使用这一方法来优化零件的加工路径。服务器使用预置的相机来获取零件的视觉定位数据。这些数据帮助服务器确定零件上的一个特定孔洞作为参考面,因为这个孔洞在零件的各个角度都是可见的。服务器从孔洞中提取参考特征点,并使用图像处理技术检测零件的边缘特征点。这些特征点可以是边缘上的关键点或孔洞的中心点。通过特征点匹配算法,服务器将参考特征点与各个切削面的边缘特征点进行关系匹配。这些匹配关系帮助服务器建立每个切削面的特征点对应关系。根据特征点匹配关系,服务器分别计算每个切削面的边缘特征点相对于参考面的单应矩阵。这些单应矩阵描述了每个切削面与参考面之间的几何变换关系。
S104、根据单应矩阵对多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对;
具体的,根据单应矩阵确定切削面之间的变换关系。单应矩阵描述了两个平面之间的映射关系。对于每个切削面,使用相应的单应矩阵将其从其原始坐标系映射到一个共同的二维平面坐标系。这个步骤将不同切削面的几何信息映射到了一个共享的坐标空间,以便后续的特征点匹配。对于每个映射到二维平面上的切削面,使用预置的特征点检测算法来检测特征点。特征点可以是角点、关键点、边缘点等,它们在图像中具有显著的几何特性,适合用于后续的匹配操作。当检测到特征点,就可以开始进行特征点匹配。这包括将每个切削面上的特征点与其他切削面上的特征点进行匹配。匹配可以基于特征点的描述符,这些描述符是对特征点周围区域的表示。匹配的目标是找到在不同切削面上对应的特征点对。匹配后,通常需要进行筛选和排除不准确或误匹配的特征点对。这可以通过距离阈值、几何一致性检验或其他方法来实现,以确保最终的特征点对具有高可靠性。例如,考虑一家航空发动机制造公司正在加工一个复杂的零件,其中包含多个切削面,如叶片、叶轮和轴。使用单应矩阵确定不同切削面之间的变换关系。对于每个切削面,将其映射到一个共同的二维平面坐标系。这个步骤确保了不同切削面的几何信息在相同坐标系下可比较。在二维平面上,使用特征点检测算法检测每个切削面的特征点。例如,对于叶片的切削面,服务器检测到叶片的边缘特征点和角点。对于不同的切削面,进行特征点匹配。例如,服务器将一个叶片的特征点与相邻叶片的特征点进行匹配,以找到叶片之间的对应关系。匹配后,服务器会应用几何一致性检验,排除不满足几何条件的匹配点对,从而得到准确的特征点对。
S105、根据多个特征点对,计算多个切削面之间的相对位置和角度,并根据相对位置和角度计算目标工件的切削基点;
具体的,利用特征点对的信息,可以计算多个切削面之间的初始平移矢量和初始旋转矩阵。这些矢量和矩阵描述了切削面之间的初始相对位置和姿态关系。这可以通过点对点的特征点匹配和解PnP问题(透视-n-点问题)来实现,其中PnP问题用于估计相机位姿。为了考虑多个切削面之间的相对位置和姿态关系,需要对初始平移矢量和旋转矩阵进行变换积累。这是因为切削面不仅仅是在一个步骤内加工完成的,需要多次切削和定位。通过将变换矩阵相乘或积累,可以得到累积平移矢量和累积旋转矩阵,反映了切削面之间的连续变换关系。从累积平移矢量和累积旋转矩阵中提取多个切削面之间的相对位置和角度信息。相对位置可以表示切削面之间的平移关系,而角度信息则表示它们之间的旋转关系。这些信息对于后续的切削路径规划非常关键。根据相对位置和角度信息,可以计算目标工件的切削基点。切削基点是切削工具在切削过程中的起始点,它们的位置和姿态需要考虑相对位置和角度信息,以确保切削路径的准确性和效率。计算切削基点通常涉及坐标变换和几何分析。例如,考虑一个数控铣床在加工一个复杂零件时的情况。这个零件需要在不同的切削面上进行多次切削和定位。在每次切削和定位之前,通过特征点对计算初始平移矢量和初始旋转矩阵,以将工具定位到当前切削面。在连续的切削和定位过程中,将初始平移矢量和旋转矩阵累积起来,以获得相对位置和角度的变化情况。从累积平移矢量和累积旋转矩阵中提取相对位置和角度信息。这包括相对平移量、旋转角度等。根据相对位置和角度信息,计算下一个切削面的切削基点。这可以通过将当前工具位置根据相对位置进行平移,然后根据相对角度进行旋转来实现。
S106、根据切削基点,对目标工件进行切削路径规划,得到初始壳体加工路径,并通过壳体加工设备根据初始壳体加工路径对目标工件进行加工,获取壳体加工设备中加工刀具的实时切削点;
具体的,针对每个切削基点,使用路径规划算法计算综合权值。这个权值通常综合考虑多个因素,如切削路径的长度、工具轨迹的光滑性、切削时间、表面质量等。每个因素可以根据工件的具体要求和加工机床的性能特点来赋予不同的权重。根据综合权值,对路径规划算法中的每个候选壳体加工路径进行预估时间计算。预估时间的计算可以基于切削速度、进给速度、刀具换刀时间等加工参数。这一步骤用于评估每个候选路径的加工效率。将每个候选壳体加工路径的预估时间进行最小值分析。选择具有最短预估时间的候选路径作为初始壳体加工路径。最小值分析有助于平衡加工速度和加工质量,确保在保证生产效率的前提下获得高质量的加工结果。根据选定的初始壳体加工路径,使用壳体加工设备对目标工件进行加工。加工设备会根据初始路径控制刀具的运动,实时切削工件。同时,通过设备的传感器和控制***,可以实时获取刀具的切削点信息,包括位置和方向。例如,考虑一个数控铣床正在加工一个金属零件,这个零件具有复杂的曲面和凹凸部分。为每个切削基点计算综合权值,考虑切削路径的长度、表面质量和加工效率。例如,在平滑的曲面上,更注重光滑性,而在凹凸部分,更注重减少切削时间。基于综合权值,对每个候选路径进行预估时间计算。这包括考虑切削速度、进给速度、工具切换时间等参数。例如,对于某些复杂曲线,需要降低进给速度以获得更高的表面质量。比较各候选路径的预估时间,并选择具有最短预估时间的路径作为初始壳体加工路径。这确保了在加工零件时尽地提高生产效率。使用选定的初始路径对零件进行加工,同时通过数控***实时获取刀具的切削点信息。这有助于监控加工进度并保证加工质量。
S107、计算实时切削点与切削基点的点位偏差数据,并根据点位偏差数据对初始壳体加工路径进行加工路径优化,得到目标壳体加工路径。
具体的,服务器根据实时切削点与切削基点的点位偏差数据,初始化路径优化算法的参数。这些参数包括群体大小、变异率、交叉率等。参数初始化的目标是为后续的群体优化和路径更新提供合适的参数设置。使用初始化的参数,对初始壳体加工路径进行群体初始设置,生成多个初始解作为候选路径。每个初始解表示一种的壳体加工路径。将群体分割为已感染群体、易感染群体和未感染群体。已感染群体是具有较好评价指标的路径,易感染群体是具有中等评价指标的路径,未感染群体是具有较差评价指标的路径。评价指标通常是根据点位偏差数据计算得出的,可以包括点位误差的均方根误差(RMSE)等。对已感染群体进行繁殖和变异操作,以生成新的路径。这可以包括选择优秀路径并引入一些随机性以增加多样性。对易感染群体和未感染群体也进行繁殖、交叉和变异操作,以促进进化和路径改进。根据新生成的路径,计算第一评价指标、第二评价指标和第三评价指标。这些指标反映了路径的质量和适应性。例如,第一评价指标可以是路径的长度,第二评价指标可以是路径的光滑性,第三评价指标可以是路径的加工效率。根据第一评价指标、第二评价指标和第三评价指标,对初始壳体加工路径进行加工路径更新。选择具有最佳评价指标的路径作为目标壳体加工路径,并将其用于实际加工。例如,考虑一家数控铣床在加工复杂零件时的情况。服务器使用该方法来优化加工路径,以确保零件的高质量加工。根据实时切削点与切削基点的点位偏差数据,初始化遗传算法的参数,如群体大小、交叉率、变异率等。生成多个初始解作为候选路径,每个初始解表示一种的加工路径。将群体分割为已感染群体、易感染群体和未感染群体,根据评价指标区分路径质量。对已感染群体进行繁殖和变异操作,生成新的路径。对易感染群体和未感染群体也进行繁殖、交叉和变异操作,以增加多样性。根据新生成的路径,计算每个路径的评价指标,如路径长度、表面光滑性和加工时间。选择具有最佳评价指标的路径作为最终的目标壳体加工路径,并将其用于数控铣床的实际加工。
本发明实施例中,获取目标工件的多角度壳体图像并生成壳体几何信息;构建壳体三维模型并进行切削面划分,得到多个切削面;进行单应矩阵分析,得到每个切削面的单应矩阵;进行二维映射,得到每个切削面的二维平面,并进行特征点匹配,得到多个特征点对;计算目标工件的切削基点;进行切削路径规划,得到初始壳体加工路径并进行加工,获取加工刀具的实时切削点;计算实时切削点与切削基点的点位偏差数据,并根据点位偏差数据对初始壳体加工路径进行加工路径优化,得到目标壳体加工路径,本发明能够自动化地生成和优化加工路径,减少了人工干预的需求,从而显著提高了壳体加工的效率。通过智能路径规划,可以更快速地完成加工任务,缩短生产周期,提高生产率。可以更准确地控制刀具的运动轨迹,减少刀具振动和加工误差,从而改善了加工质量。这有助于减少废品率和提高产品的一致性。通过优化加工路径,可以减少不必要的切削和能源消耗,降低了生产成本。此外,减少了人工干预的需求,也减少了人力成本。能够更好地应对曲面、孔洞、边缘等复杂特征,进而提高了壳体加工路径优化的准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)将多角度壳体图像输入预置的残差学习网络进行特征提取,得到壳体特征图像;
(2)对壳体特征图像进行特征点数据标注,得到对应的壳体表征数据,并对壳体表征数据进行多角度二维卷积运算,得到多个像素点输出值;
(3)根据多个像素点输出值构建多角度壳体图像的初始三维结构,并根据壳体几何信息对初始三维结构进行特征增强处理,得到目标工件的壳体三维模型;
(4)对壳体三维模型中的每个像素点进行法线向量计算,得到每个像素点对应的法线向量,并根据法线向量计算每个像素点对应的曲率数据;
(5)根据曲率数据设置目标工件的曲率阈值,并根据曲率阈值对壳体三维模型进行切削面划分,得到多个切削面。
具体的,服务器多角度壳体图像首先通过合适的传感器或摄像头捕获。这些图像包含了目标工件的多个视角信息。将多角度壳体图像输入预置的残差学***滑曲面等操作,以得到更准确的壳体表面表示。对壳体三维模型中的每个像素点进行法线向量计算。这可以通过计算相邻点的法向量并进行平滑处理来实现。根据法线向量计算每个像素点对应的曲率数据。曲率描述了表面的弯曲程度,可用于识别表面特征和形状变化。根据曲率数据设置目标工件的曲率阈值。阈值的选择取决于具体应用需求,通常用于标识需要切削的区域。基于曲率阈值,对壳体三维模型进行切削面划分。切削面是表面上局部的平坦区域,可以用于后续的加工路径规划。例如,考虑在汽车制造中,需要加工车身外壳。多个摄像头从不同角度拍摄车身,多角度车身图像输入深度卷积神经网络,提取车身表面的特征,包括曲面、凹凸、孔洞等。在车身图像上标注特征点,如车窗、车门边缘等。对标注数据进行卷积运算,以捕获特征点周围的局部特征。基于特征点数据,构建车身的初始三维结构。对三维结构进行特征增强,以填补存在的缺陷。对三维模型中的每个像素点计算法线向量,并计算曲率数据,以识别表面的凹凸和弯曲。基于曲率阈值,划分车身表面为平坦区域和需要进一步加工的区域,如车门凹槽。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、通过预置的壳体加工设备对目标工件进行视觉定位,得到视觉定位数据,并根据视觉定位数据选取壳体三维模型的参考面;
S202、获取参考面的参考特征点,并分别获取每个切削面的边缘特征点;
S203、对参考特征点和边缘特征点进行关系匹配,得到每个切削面的特征点匹配关系;
S204、根据每个切削面的特征点匹配关系,分别计算边缘特征点相对于参考面的单应矩阵,得到每个切削面的单应矩阵。
具体的,服务器使用预置的壳体加工设备的视觉定位***对目标工件进行视觉定位。这一过程可以通过摄像头、激光扫描仪或其他传感器来实现。视觉定位***将提供目标工件在设备坐标系中的位置和方向,生成视觉定位数据。根据这些数据,服务器选择壳体三维模型的一个平坦表面作为参考面,以便后续的加工操作可以基于该参考面进行。服务器获取特征点数据,包括参考特征点和每个切削面的边缘特征点。从参考面上获取参考特征点。这些特征点通常位于工件的稳定部分,可以是具有显著性的点、边缘点或其他表面上的关键点。这些点用于建立参考坐标系。获取每个切削面的边缘特征点。边缘特征点通常位于切削面的边界,可以通过图像处理技术(如边缘检测算法)来提取。这些点对于后续的加工路径规划非常重要。服务器建立特征点之间的关系匹配,以便知道如何将切削面与参考坐标系关联起来。对参考特征点和边缘特征点进行关系匹配。这一步骤可以使用特征点匹配算法来完成,例如SIFT(尺度不变特征变换)或ORB(Oriented FAST and Rotated BRIEF)等。这些算法寻找在不同图像中相对应的特征点对,从而建立特征点匹配关系。特征点匹配关系将告诉服务器每个切削面上的特征点如何与参考面上的特征点对应,从而建立了切削面相对于参考坐标系的位置和方向关系。根据特征点匹配关系,服务器分别计算每个切削面相对于参考坐标系的单应矩阵。单应矩阵计算涉及一组匹配点的坐标转换,以便将切削面的坐标映射到参考坐标系中。这可以通过最小二乘法等方法来估计。单应矩阵包含了平移和旋转信息,可以确保切削操作准确地应用于工件的相应部分。例如,考虑一家数控铣床在加工复杂零件时的情况。服务器使用数控铣床的视觉定位***对工件进行视觉定位,获取视觉定位数据。服务器选择工件的一个平坦表面作为参考面,并从该参考面上获取参考特征点。同时,服务器提取每个待加工切削面的边缘特征点。服务器使用特征点匹配算法对参考特征点和边缘特征点进行关系匹配,建立特征点匹配关系。这使服务器能够了解每个切削面相对于参考坐标系的位置和方向。根据特征点匹配关系,服务器计算每个切削面的单应矩阵。这些单应矩阵用于确保数控铣床可以精确地控制切削操作,从而实现高精度的零件加工。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、根据单应矩阵确定多个切削面的变换关系,并根据变换关系对多个切削面进行二维坐标转换,得到每个切削面的二维平面;
S302、通过预置的特征点检测算法,对每个切削面的二维平面进行特征点检测,生成每个切削面的多个特征描述符;
S303、根据多个特征描述符,对多个切削面的特征点进行匹配和筛选,得到多个特征点对。
具体的,服务器根据单应矩阵确定多个切削面之间的变换关系。单应矩阵描述了两个平面之间的透视变换关系,它可以将一个平面上的点映射到另一个平面上。在壳体加工路径优化中,这个变换关系可以用来将不同角度或位置的切削面映射到一个共同的坐标系中。根据确定的变换关系,对多个切削面进行二维坐标转换,将它们映射到共同的二维平面上。这个步骤确保了不同切削面之间的对齐,使它们具有相同的坐标系,便于后续的特征点检测和匹配。使用预置的特征点检测算法对每个切削面的二维平面进行特征点检测。特征点是在图像中具有显著性的点,如角点、边缘点或斑点。这些点具有独特的特征,可以用于图像匹配和定位。对于每个检测到的特征点,在每个切削面的二维平面上生成特征描述符。这些描述符是对特征点周围区域的局部特征的表示,通常是一个向量。描述符捕捉了特征点周围的图像信息,用于后续的匹配和筛选。随后,使用生成的特征描述符,对多个切削面的特征点进行匹配。匹配过程旨在确定哪些特征点在不同切削面之间具有相似性,即哪些点对在不同切削面之间对应。匹配可以通过计算描述符之间的相似性度量来完成,例如欧氏距离或余弦相似度。为了提高匹配的准确性,可以进行筛选步骤,以排除误匹配的特征点对。筛选可以基于阈值,例如距离阈值或相似性阈值,也可以基于几何关系,例如基础矩阵或单应矩阵的验证。筛选确保了保留了准确的特征点对,这些对将用于后续的任务,如建立三维模型或路径规划。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、根据多个特征点对,计算多个切削面之间的初始平移矢量和初始旋转矩阵;
S402、对初始平移矢量和初始旋转矩阵进行变换积累,得到累积平移矢量和累积旋转矩阵;
S403、从累积平移矢量和累积旋转矩阵中提取多个切削面之间的相对位置和角度;
S404、根据相对位置和角度,计算目标工件的切削基点。
具体的,服务器根据多个特征点对,计算多个切削面之间的初始平移矢量和初始旋转矩阵。这可以通过使用点对应关系来估计不同切削面之间的平移和旋转关系。这通常使用最小二乘法或RANSAC等方法来实现。得到的平移矢量和旋转矩阵描述了每个切削面相对于参考切削面的初始位置和旋转。对初始平移矢量和初始旋转矩阵进行变换积累,以得到累积平移矢量和累积旋转矩阵。这是为了考虑多个切削面之间的累积变换,以便更准确地确定它们的相对位置和角度。累积变换可以通过矩阵乘法来实现,将每个初始变换矩阵依次相乘以获得累积变换。从累积平移矢量和累积旋转矩阵中提取多个切削面之间的相对位置和角度。这可以通过分解累积变换矩阵来实现,例如使用欧拉角或四元数来表示旋转部分,以及从平移矢量中提取坐标差异。这些值描述了每个切削面相对于参考切削面的相对位置和角度偏移。根据相对位置和角度,计算目标工件的切削基点。切削基点是决定加工刀具在工件表面的位置的关键参数。它可以通过应用相对位置和角度偏移到参考切削面上的已知切削基点来计算。这将告诉服务器在不同切削面上的切削基点位置,从而实现多切削面的路径规划和优化。例如,假设服务器正在制造航空发动机零部件。服务器捕捉到多个特征点对,这些特征点对位于外壳不同部分的表面上,这些特征点对包含了初始平移矢量和初始旋转矩阵信息。使用这些信息,服务器进行平移和旋转的变换积累,考虑了所有特征点对的影响。这确保了在整个工件上维持一致的坐标系。从累积的平移矢量和旋转矩阵中提取相对位置和角度信息,以确定不同部分之间的相对位置和角度。根据这些信息,服务器计算每个切削面的切削基点,以确保刀具在加工过程中准确定位并执行所需的切削操作。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)通过路径规划算法对切削基点进行综合权值计算,得到综合权值;
(2)根据综合权值,对路径规划算法中每个候选壳体加工路径进行预估时间计算,得到每个候选壳体加工路径的预估时间;
(3)对每个候选壳体加工路径的预估时间进行最小值分析,并将预估时间最短的候选壳体加工路径作为初始壳体加工路径;
(4)通过壳体加工设备根据初始壳体加工路径对目标工件进行加工,并获取壳体加工设备中加工刀具的实时切削点。
具体的,通过路径规划算法对切削基点进行综合权值计算。这一步骤涉及考虑多个因素,如切削效率、表面质量、刀具寿命等,以确定切削基点的最佳位置。综合权值的计算通常是根据特定制造需求和优化目标来进行的。根据综合权值,对路径规划算法中的每个候选壳体加工路径进行预估时间计算。这一计算考虑了每个候选路径的切削点分布、工具路径等因素,以估算完成加工所需的时间。预估时间计算可以基于切削速度、进给速度、材料特性等因素进行建模。对每个候选壳体加工路径的预估时间进行最小值分析。在这个步骤中,服务器将比较各个候选路径的预估时间,并选择预估时间最短的路径作为初始壳体加工路径。这意味着选择了最能够在最短时间内完成加工的路径。通过壳体加工设备根据初始壳体加工路径对目标工件进行加工,并实时获取壳体加工设备中加工刀具的切削点信息。这一过程会根据初始路径指导刀具的移动,以在工件上执行切削操作。例如,假设涉及生产航空航天领域的复杂壳体零件,这些零件具有曲面和孔洞等复杂几何特征。服务器通过综合权值计算确定了最佳切削基点的位置,综合考虑了加工效率、表面质量和刀具寿命等因素。根据综合权值,服务器对不同候选壳体加工路径进行预估时间计算,考虑了刀具路径、进给速度和切削速度等参数。在最小值分析阶段,服务器比较了各个候选路径的预估时间,并选择了最短预估时间的路径作为初始壳体加工路径。壳体加工设备根据初始壳体加工路径进行加工,实时监测和记录刀具的切削点信息,以确保按照最优路径执行切削操作,以达到高效率和高质量的加工目标。
在一具体实施例中,执行步骤S107的过程可以具体包括如下步骤:
(1)计算实时切削点与切削基点的点位偏差数据,并根据点位偏差数据对预置的路径优化算法进行参数初始化;
(2)通过路径优化算法,对初始壳体加工路径进行群体初始设置,得到多个初始群体;
(3)对多个初始群体进行群体分割,得到已感染群体、易感染群体以及未感染群体;
(4)对已感染群体进行繁殖和变异操作,得到第一评价指标,并对易感染群体进行繁殖、交叉及变异操作,得到第二评价指标,以及对未感染群体进行繁殖、交叉及变异操作,得到第三评价指标;
(5)根据第一评价指标、第二评价指标及第三评价指标,对初始壳体加工路径进行加工路径更新,得到目标壳体加工路径。
具体的,服务器计算实时切削点与切削基点的点位偏差数据。这可以通过壳体加工设备的传感器和测量设备来实现。传感器可以实时监测加工刀具的位置和工件表面的实际情况,然后计算实时切削点与切削基点之间的偏差数据。这些偏差数据通常包括位置偏差和角度偏差等信息。服务器将使用这些点位偏差数据来初始化预置的路径优化算法的参数。这些参数可以影响路径规划的效率和质量。通过根据实际偏差数据调整算法参数,服务器更好地适应工件和刀具的实际情况,从而提高路径规划的准确性和效率。服务器使用路径优化算法对初始壳体加工路径进行群体初始设置。路径优化算法可以基于遗传算法、粒子群优化算法等进行设计。多个初始群体代表了不同的路径选择,这有助于探索多样的加工路径。服务器对多个初始群体进行群体分割,将它们分为已感染群体、易感染群体和未感染群体。这个概念可以用于模拟群体智能算法中的生物进化过程。已感染群体代表了在路径选择中表现良好的个体,易感染群体代表了表现一般的个体,而未感染群体代表了表现较差的个体。服务器对已感染群体进行繁殖和变异操作,得到第一评价指标。这些操作包括选择已感染群体中表现最佳的个体,将它们进行交叉和变异,以生成新的路径选择。第一评价指标可以通过评估新生成的路径选择的性能来确定。服务器对易感染群体进行繁殖、交叉和变异操作,得到第二评价指标。这些操作旨在改进易感染群体中的个体,使它们变得更具竞争力。服务器对未感染群体进行繁殖、交叉和变异操作,得到第三评价指标。这些操作旨在提高未感染群体中个体的性能,以使它们有机会成为已感染群体的一部分。根据第一、第二和第三评价指标,服务器选择最优的路径选择作为初始壳体加工路径的更新。这些路径选择经过群体智能算法的不断优化,可以更好地适应实际加工情况,从而得到目标壳体加工路径。
上面对本发明实施例中基于人工智能的壳体加工路径优化方法进行了描述,下面对本发明实施例中基于人工智能的壳体加工路径优化***进行描述,请参阅图5,本发明实施例中基于人工智能的壳体加工路径优化***一个实施例包括:
获取模块501,用于通过预置的壳体加工设备获取目标工件的多角度壳体图像,并根据所述多角度壳体图像生成所述目标工件的壳体几何信息;
划分模块502,用于根据所述壳体几何信息构建所述目标工件的壳体三维模型,并根据所述壳体三维模型的曲率数据对所述壳体三维模型进行切削面划分,得到多个切削面;
分析模块503,用于选取所述壳体三维模型的参考面,并根据所述参考面分别对所述多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵;
匹配模块504,用于根据所述单应矩阵对所述多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对;
计算模块505,用于根据所述多个特征点对,计算所述多个切削面之间的相对位置和角度,并根据所述相对位置和角度计算所述目标工件的切削基点;
规划模块506,用于根据所述切削基点,对所述目标工件进行切削路径规划,得到初始壳体加工路径,并通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,获取所述壳体加工设备中加工刀具的实时切削点;
优化模块507,用于计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对所述初始壳体加工路径进行加工路径优化,得到目标壳体加工路径。
通过上述各个组成部分的协同合作,获取目标工件的多角度壳体图像并生成壳体几何信息;构建壳体三维模型并进行切削面划分,得到多个切削面;进行单应矩阵分析,得到每个切削面的单应矩阵;进行二维映射,得到每个切削面的二维平面,并进行特征点匹配,得到多个特征点对;计算目标工件的切削基点;进行切削路径规划,得到初始壳体加工路径并进行加工,获取加工刀具的实时切削点;计算实时切削点与切削基点的点位偏差数据,并根据点位偏差数据对初始壳体加工路径进行加工路径优化,得到目标壳体加工路径,本发明能够自动化地生成和优化加工路径,减少了人工干预的需求,从而显著提高了壳体加工的效率。通过智能路径规划,可以更快速地完成加工任务,缩短生产周期,提高生产率。可以更准确地控制刀具的运动轨迹,减少刀具振动和加工误差,从而改善了加工质量。这有助于减少废品率和提高产品的一致性。通过优化加工路径,可以减少不必要的切削和能源消耗,降低了生产成本。此外,减少了人工干预的需求,也减少了人力成本。能够更好地应对曲面、孔洞、边缘等复杂特征,进而提高了壳体加工路径优化的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于人工智能的壳体加工路径优化***进行详细描述,下面从硬件处理的角度对本发明实施例中基于人工智能的壳体加工路径优化设备进行详细描述。
图6是本发明实施例提供的一种基于人工智能的壳体加工路径优化设备的结构示意图,该基于人工智能的壳体加工路径优化设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于人工智能的壳体加工路径优化设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于人工智能的壳体加工路径优化设备600上执行存储介质630中的一系列指令操作。
基于人工智能的壳体加工路径优化设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作***631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于人工智能的壳体加工路径优化设备结构并不构成对基于人工智能的壳体加工路径优化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于人工智能的壳体加工路径优化设备,所述基于人工智能的壳体加工路径优化设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于人工智能的壳体加工路径优化方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于人工智能的壳体加工路径优化方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的壳体加工路径优化方法,其特征在于,所述基于人工智能的壳体加工路径优化方法包括:
通过预置的壳体加工设备获取目标工件的多角度壳体图像,并根据所述多角度壳体图像生成所述目标工件的壳体几何信息;
根据所述壳体几何信息构建所述目标工件的壳体三维模型,并根据所述壳体三维模型的曲率数据对所述壳体三维模型进行切削面划分,得到多个切削面;
选取所述壳体三维模型的参考面,并根据所述参考面分别对所述多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵;
根据所述单应矩阵对所述多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对;
根据所述多个特征点对,计算所述多个切削面之间的相对位置和角度,并根据所述相对位置和角度计算所述目标工件的切削基点;
根据所述切削基点,对所述目标工件进行切削路径规划,得到初始壳体加工路径,并通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,获取所述壳体加工设备中加工刀具的实时切削点;
计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对所述初始壳体加工路径进行加工路径优化,得到目标壳体加工路径。
2.根据权利要求1所述的基于人工智能的壳体加工路径优化方法,其特征在于,所述根据所述壳体几何信息构建所述目标工件的壳体三维模型,并根据所述壳体三维模型的曲率数据对所述壳体三维模型进行切削面划分,得到多个切削面,包括:
将所述多角度壳体图像输入预置的残差学习网络进行特征提取,得到壳体特征图像;
对所述壳体特征图像进行特征点数据标注,得到对应的壳体表征数据,并对所述壳体表征数据进行多角度二维卷积运算,得到多个像素点输出值;
根据所述多个像素点输出值构建所述多角度壳体图像的初始三维结构,并根据所述壳体几何信息对初始三维结构进行特征增强处理,得到所述目标工件的壳体三维模型;
对所述壳体三维模型中的每个像素点进行法线向量计算,得到每个像素点对应的法线向量,并根据所述法线向量计算每个像素点对应的曲率数据;
根据所述曲率数据设置所述目标工件的曲率阈值,并根据所述曲率阈值对所述壳体三维模型进行切削面划分,得到多个切削面。
3.根据权利要求1所述的基于人工智能的壳体加工路径优化方法,其特征在于,所述选取所述壳体三维模型的参考面,并根据所述参考面分别对所述多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵,包括:
通过预置的壳体加工设备对所述目标工件进行视觉定位,得到视觉定位数据,并根据所述视觉定位数据选取所述壳体三维模型的参考面;
获取所述参考面的参考特征点,并分别获取每个切削面的边缘特征点;
对所述参考特征点和所述边缘特征点进行关系匹配,得到每个切削面的特征点匹配关系;
根据每个切削面的特征点匹配关系,分别计算所述边缘特征点相对于所述参考面的单应矩阵,得到每个切削面的单应矩阵。
4.根据权利要求1所述的基于人工智能的壳体加工路径优化方法,其特征在于,所述根据所述单应矩阵对所述多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对,包括:
根据所述单应矩阵确定所述多个切削面的变换关系,并根据所述变换关系对所述多个切削面进行二维坐标转换,得到每个切削面的二维平面;
通过预置的特征点检测算法,对每个切削面的二维平面进行特征点检测,生成每个切削面的多个特征描述符;
根据所述多个特征描述符,对所述多个切削面的特征点进行匹配和筛选,得到多个特征点对。
5.根据权利要求1所述的基于人工智能的壳体加工路径优化方法,其特征在于,所述根据所述多个特征点对,计算所述多个切削面之间的相对位置和角度,并根据所述相对位置和角度计算所述目标工件的切削基点,包括:
根据所述多个特征点对,计算所述多个切削面之间的初始平移矢量和初始旋转矩阵;
对所述初始平移矢量和所述初始旋转矩阵进行变换积累,得到累积平移矢量和累积旋转矩阵;
从所述累积平移矢量和累积旋转矩阵中提取所述多个切削面之间的相对位置和角度;
根据所述相对位置和角度,计算所述目标工件的切削基点。
6.根据权利要求1所述的基于人工智能的壳体加工路径优化方法,其特征在于,所述根据所述切削基点,对所述目标工件进行切削路径规划,得到初始壳体加工路径,并通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,获取所述壳体加工设备中加工刀具的实时切削点,包括:
通过路径规划算法对所述切削基点进行综合权值计算,得到综合权值;
根据所述综合权值,对所述路径规划算法中每个候选壳体加工路径进行预估时间计算,得到每个候选壳体加工路径的预估时间;
对每个候选壳体加工路径的预估时间进行最小值分析,并将预估时间最短的候选壳体加工路径作为初始壳体加工路径;
通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,并获取所述壳体加工设备中加工刀具的实时切削点。
7.根据权利要求1所述的基于人工智能的壳体加工路径优化方法,其特征在于,所述计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对所述初始壳体加工路径进行加工路径优化,得到目标壳体加工路径,包括:
计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对预置的路径优化算法进行参数初始化;
通过所述路径优化算法,对所述初始壳体加工路径进行群体初始设置,得到多个初始群体;
对所述多个初始群体进行群体分割,得到已感染群体、易感染群体以及未感染群体;
对所述已感染群体进行繁殖和变异操作,得到第一评价指标,并对所述易感染群体进行繁殖、交叉及变异操作,得到第二评价指标,以及对所述未感染群体进行繁殖、交叉及变异操作,得到第三评价指标;
根据所述第一评价指标、所述第二评价指标及所述第三评价指标,对所述初始壳体加工路径进行加工路径更新,得到目标壳体加工路径。
8.一种基于人工智能的壳体加工路径优化***,其特征在于,所述基于人工智能的壳体加工路径优化***包括:
获取模块,用于通过预置的壳体加工设备获取目标工件的多角度壳体图像,并根据所述多角度壳体图像生成所述目标工件的壳体几何信息;
划分模块,用于根据所述壳体几何信息构建所述目标工件的壳体三维模型,并根据所述壳体三维模型的曲率数据对所述壳体三维模型进行切削面划分,得到多个切削面;
分析模块,用于选取所述壳体三维模型的参考面,并根据所述参考面分别对所述多个切削面进行单应矩阵分析,得到每个切削面的单应矩阵;
匹配模块,用于根据所述单应矩阵对所述多个切削面进行二维映射,得到每个切削面的二维平面,并对每个切削面的二维平面进行特征点匹配,得到多个特征点对;
计算模块,用于根据所述多个特征点对,计算所述多个切削面之间的相对位置和角度,并根据所述相对位置和角度计算所述目标工件的切削基点;
规划模块,用于根据所述切削基点,对所述目标工件进行切削路径规划,得到初始壳体加工路径,并通过所述壳体加工设备根据所述初始壳体加工路径对所述目标工件进行加工,获取所述壳体加工设备中加工刀具的实时切削点;
优化模块,用于计算所述实时切削点与所述切削基点的点位偏差数据,并根据所述点位偏差数据对所述初始壳体加工路径进行加工路径优化,得到目标壳体加工路径。
9.一种基于人工智能的壳体加工路径优化设备,其特征在于,所述基于人工智能的壳体加工路径优化设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于人工智能的壳体加工路径优化设备执行如权利要求1-7中任一项所述的基于人工智能的壳体加工路径优化方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于人工智能的壳体加工路径优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311166934.8A CN116909208B (zh) | 2023-09-12 | 2023-09-12 | 基于人工智能的壳体加工路径优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311166934.8A CN116909208B (zh) | 2023-09-12 | 2023-09-12 | 基于人工智能的壳体加工路径优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116909208A true CN116909208A (zh) | 2023-10-20 |
CN116909208B CN116909208B (zh) | 2023-11-24 |
Family
ID=88368081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311166934.8A Active CN116909208B (zh) | 2023-09-12 | 2023-09-12 | 基于人工智能的壳体加工路径优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116909208B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117583653A (zh) * | 2024-01-18 | 2024-02-23 | 北京航空航天大学 | 零件铣削工艺自动生成的数据处理方法、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676779A (zh) * | 2016-03-03 | 2016-06-15 | 盐城工学院 | 一种自由曲面加工局部干涉区域边界确定的追踪方法 |
CN105955195A (zh) * | 2016-05-16 | 2016-09-21 | 哈尔滨理工大学 | 一种基于铣削力预测的曲面加工轨迹生成方法 |
CN109782692A (zh) * | 2019-01-02 | 2019-05-21 | 武汉华中数控股份有限公司 | 一种3c产品壳体过渡区加工路径自适应规划的方法 |
FR3076233A1 (fr) * | 2017-12-29 | 2019-07-05 | Loiretech Ingenierie | Procede et dispositif pour la fabrication d’une coque de forme complexe |
CN110209997A (zh) * | 2019-06-10 | 2019-09-06 | 成都理工大学 | 基于三维特征点的深度相机自动标定算法 |
CN111413923A (zh) * | 2020-03-30 | 2020-07-14 | 辽宁省交通高等专科学校 | 一种用于复杂曲面加工的高速精密加工***及方法 |
CN111771172A (zh) * | 2018-02-28 | 2020-10-13 | 大金工业株式会社 | 加工品的制造方法、工具路径计算方法、加工品和叶轮 |
CN112296999A (zh) * | 2019-11-12 | 2021-02-02 | 太原科技大学 | 一种基于机器视觉的不规则工件加工路径生成方法 |
CN112589133A (zh) * | 2020-12-03 | 2021-04-02 | 四川航天长征装备制造有限公司 | 一种大型不规则母线形面壳体均匀减薄加工方法及装置 |
CN114019902A (zh) * | 2021-11-08 | 2022-02-08 | 重庆大学 | 同步考虑切触几何学和切削动力学的五轴球头铣刀路径规划方法 |
CN114355953A (zh) * | 2022-03-18 | 2022-04-15 | 深圳市朗宇芯科技有限公司 | 一种基于机器视觉的多轴伺服***的高精度控制方法及*** |
CN115393288A (zh) * | 2022-08-04 | 2022-11-25 | 苏州超集信息科技有限公司 | 加工工艺管控***及方法 |
-
2023
- 2023-09-12 CN CN202311166934.8A patent/CN116909208B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676779A (zh) * | 2016-03-03 | 2016-06-15 | 盐城工学院 | 一种自由曲面加工局部干涉区域边界确定的追踪方法 |
CN105955195A (zh) * | 2016-05-16 | 2016-09-21 | 哈尔滨理工大学 | 一种基于铣削力预测的曲面加工轨迹生成方法 |
FR3076233A1 (fr) * | 2017-12-29 | 2019-07-05 | Loiretech Ingenierie | Procede et dispositif pour la fabrication d’une coque de forme complexe |
CN111771172A (zh) * | 2018-02-28 | 2020-10-13 | 大金工业株式会社 | 加工品的制造方法、工具路径计算方法、加工品和叶轮 |
CN109782692A (zh) * | 2019-01-02 | 2019-05-21 | 武汉华中数控股份有限公司 | 一种3c产品壳体过渡区加工路径自适应规划的方法 |
CN110209997A (zh) * | 2019-06-10 | 2019-09-06 | 成都理工大学 | 基于三维特征点的深度相机自动标定算法 |
CN112296999A (zh) * | 2019-11-12 | 2021-02-02 | 太原科技大学 | 一种基于机器视觉的不规则工件加工路径生成方法 |
CN111413923A (zh) * | 2020-03-30 | 2020-07-14 | 辽宁省交通高等专科学校 | 一种用于复杂曲面加工的高速精密加工***及方法 |
CN112589133A (zh) * | 2020-12-03 | 2021-04-02 | 四川航天长征装备制造有限公司 | 一种大型不规则母线形面壳体均匀减薄加工方法及装置 |
CN114019902A (zh) * | 2021-11-08 | 2022-02-08 | 重庆大学 | 同步考虑切触几何学和切削动力学的五轴球头铣刀路径规划方法 |
CN114355953A (zh) * | 2022-03-18 | 2022-04-15 | 深圳市朗宇芯科技有限公司 | 一种基于机器视觉的多轴伺服***的高精度控制方法及*** |
CN115393288A (zh) * | 2022-08-04 | 2022-11-25 | 苏州超集信息科技有限公司 | 加工工艺管控***及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117583653A (zh) * | 2024-01-18 | 2024-02-23 | 北京航空航天大学 | 零件铣削工艺自动生成的数据处理方法、设备及存储介质 |
CN117583653B (zh) * | 2024-01-18 | 2024-04-09 | 北京航空航天大学 | 零件铣削工艺自动生成的数据处理方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116909208B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080627B (zh) | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 | |
CN110842914B (zh) | 基于差分进化算法的手眼标定参数辨识方法、***及介质 | |
CN105740899B (zh) | 一种机器视觉图像特征点检测与匹配复合的优化方法 | |
CN110223345B (zh) | 基于点云的配电线路作业对象位姿估计方法 | |
CN116909208B (zh) | 基于人工智能的壳体加工路径优化方法及*** | |
Das et al. | Scan registration with multi-scale k-means normal distributions transform | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN111145232A (zh) | 一种基于特征信息变化度的三维点云自动配准方法 | |
CN113781561B (zh) | 基于自适应高斯权快速点特征直方图的目标位姿估计方法 | |
CN112419429B (zh) | 一种基于多视角的大型工件表面缺陷检测标定方法 | |
CN113920081A (zh) | 一种刀具磨损度检测方法 | |
CN108876852B (zh) | 一种基于3d视觉的在线实时物体识别定位方法 | |
CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及*** | |
JP2018128897A (ja) | 対象物の姿勢等を検出する検出方法、検出プログラム | |
CN116229189B (zh) | 基于荧光内窥镜的图像处理方法、装置、设备及存储介质 | |
CN111583342A (zh) | 一种基于双目视觉的目标快速定位方法及装置 | |
CN115100277A (zh) | 复杂曲面结构零件位姿确定方法 | |
JPH07103715A (ja) | 視覚に基く三次元位置および姿勢の認識方法ならびに視覚に基く三次元位置および姿勢の認識装置 | |
CN116245944B (zh) | 一种基于实测数据的舱段自动化对接方法及*** | |
CN116476070A (zh) | 大型筒件局部特征机器人扫描测量路径调整方法 | |
Lin et al. | Target recognition and optimal grasping based on deep learning | |
Filaretov et al. | Method of combination of three-dimensional models of details with their CAD-models at the presence of deformations | |
CN114453981A (zh) | 工件找正方法及装置 | |
CN116494248B (zh) | 工业机器人的视觉定位方法 | |
Karami et al. | Camera Arrangement in Visual 3D Systems using Iso-disparity Model to Enhance Depth Estimation Accuracy |
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 |