CN117697613A - 应用于石英产品研磨设备的识别与研磨控制方法及*** - Google Patents
应用于石英产品研磨设备的识别与研磨控制方法及*** Download PDFInfo
- Publication number
- CN117697613A CN117697613A CN202311782683.6A CN202311782683A CN117697613A CN 117697613 A CN117697613 A CN 117697613A CN 202311782683 A CN202311782683 A CN 202311782683A CN 117697613 A CN117697613 A CN 117697613A
- Authority
- CN
- China
- Prior art keywords
- processed
- parameter
- area
- thickness
- grinding
- 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
- 239000010453 quartz Substances 0.000 title claims abstract description 148
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 238000000227 grinding Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000000463 material Substances 0.000 claims abstract description 36
- 238000013145 classification model Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 48
- 238000010586 diagram Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000005498 polishing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 9
- 239000010432 diamond Substances 0.000 claims description 9
- 229910003460 diamond Inorganic materials 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013095 identification testing Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
- 229910010271 silicon carbide Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明涉及石英研磨技术领域,本发明公开了应用于石英产品研磨设备的识别与研磨控制方法及***,包括:获取N个待加工区域,通过厚度比对,获取每个待加工区域的厚度差;获取第i个待加工区域的粗糙度差,获取材质数据以及表面面积,将材质数据、材质数据、厚度差和粗糙度差输入第一回归模型,获取第i个待加工区域的第一参数控制量;将材质数据、厚度差、粗糙度差和第一参数控制量输入第二回归模型,获取第i个待加工区域的第二参数控制量;根据第一参数控制量和第二参数控制量进行研磨,将第i个待加工区域的厚度差与预设厚度差区间进行比对;重复上述步骤,完成刀痕去除;本发明有利于去除石英产品的表面刀痕。
Description
技术领域
本发明涉及石英研磨技术领域,更具体地说,本发明涉及应用于石英产品研磨设备的识别与研磨控制方法及***。
背景技术
石英产品在电子、通信等高科技领域中扮演着至关重要的角色,其质量直接影响到最终产品的性能;在石英产品的制造过程中,研磨是一个关键的工序,对产品的表面精度和质量要求极高;在实际石英产品加工过程中,数控机床对石英产品切割后,会导致其表面留下刀痕,刀痕影响产品的外观;对于较小产品或者对产品中较小部分进行研磨时,一般采用手工锉刀研磨方式,并涂抹相应目数的金刚砂进行研磨;而对于较大的石英桶和石英环研磨,通常是将产品放在转台上面固定,设置好转台转速,按下按钮让转台转动,并采用金刚砂和油石进行研磨;然而,在利用研磨转台进行研磨时,传统的研磨方法一般依据工人经验来决定研磨转台的研磨压力、研磨时间和转台转速;由于人工经验的高低不同,若施加过大的压力进行研磨,可能导致产品面破碎,如果施加较小的压力,则产品研磨无法达到加工要求,且产品的粗糙度判断也依靠工人触摸目视来判断,易发生偏差。
目前,缺乏针对石英产品研磨设备进行研磨控制方法或***,虽存在少量相关文献,例如授权公告号CN115431174B的中国专利公开了一种用于中板研磨控制的方法及***,再例如公开号为CN116872089A的中国专利公开了数控磨床的磨削自适应控制***及其方法,上述方法虽能优化研磨效果,但对上述方法以及现有技术进行研究和实际应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)缺乏针对石英产品的外观识别,无法基于外观识别结果获取石英产品的厚度差和粗糙度,且无法识别出石英产品的表面刀痕;
(2)难以应用于各种石英产品的研磨场景,易对石英产品施加过大或过低的研磨压力,且无法获取准确的金刚砂目数和研磨转速,进而易导致产品面破碎或无法去除石英产品的表面刀痕。
发明内容
为了克服现有技术的上述缺陷,本发明提供应用于石英产品研磨设备的识别与研磨控制方法及***。
为实现上述目的,本发明提供如下技术方案:
应用于石英产品研磨设备的识别与研磨控制方法,所述方法包括:
步骤1:获取包含M个网格区域的扫描三维模型中的N个待加工区域,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,得到N个待加工区域以及每个待加工区域的厚度差,M和N均为大于零的整数;
步骤2:获取第i个待加工区域的粗糙度差,以及获取待加工石英产品的材质数据以及第i个待加工区域的表面面积,将材质数据、厚度差和粗糙度差输入预配置第一回归模型,以获取对第i个待加工区域进行研磨时的第一参数控制量,i为大于零的整数;
步骤3:将材质数据、厚度差、粗糙度差和第一参数控制量输入预配置第二回归模型,以获取对第i个待加工区域进行研磨时所需的第二参数控制量;
步骤4:根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对,若厚度差不属于预设厚度差区间时,则继续进行研磨;若厚度差属于预设厚度差区间时,则停止研磨,令i=i+1,并返回至步骤2;
步骤5:重复上述步骤2~4,直至i=N时,结束循环,完成对N个待加工区域的刀痕去除。
进一步地,所述获取包含M个网格区域的扫描三维模型中的N个待加工区域,包括:
获取待加工石英产品的K个角度的图像,得到K幅产品表面图,K为大于零的整数;
分别将每幅产品表面图输入预构建的第一分类模型中进行识别,得到G幅刀痕产品表面图,G为大于零的整数;
分别将每幅刀痕产品表面图输入预构建的第二分类模型中进行识别,得到R个包含刀痕的网格序号,R为大于零的整数;
获取扫描三维模型中每个网格区域的设计序号,将每个包含刀痕的网格序号与设计序号进行比对,令扫描三维模型中网格序号一致的网格区域作为待加工区域,得到扫描三维模型中的N个待加工区域。
进一步地,所述将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,包括:
步骤a1:获取扫描三维模型中第i个刀痕网格区域的厚度,将扫描三维模型中第i个刀痕网格区域的厚度作为第一厚度,i为大于零的整数;
步骤a2:根据第i个刀痕网格区域的网格序号获取标准三维模型中相同网格区域的厚度,将标准三维模型中相同网格区域的厚度作为第二厚度;
步骤a3:计算第一厚度与第二厚度的差值,将第一厚度与第二厚度的差值作为待加工区域的厚度差,并令i=i+1;
步骤a4:重复上述步骤a1~a3,直至i=N时,结束循环,得到N个待加工区域以及每个待加工区域的厚度差。
进一步地,所述获取第i个待加工区域的粗糙度差,包括:
提取第i个待加工区域对应的刀痕产品表面图,以及提取标准产品表面图;
利用均方误差算法计算第i个待加工区域对应的刀痕产品表面图和标准产品表面图之间均方误差;
将均方误差作为第i个待加工区域的粗糙度差。
进一步地,所述预配置第一回归模型的生成逻辑如下:
获取第一参数数据集,将第一参数数据集划分为第一参数训练集和第一参数测试集,所述第一参数数据集包括第一参数特征数据及其对应的第一参数控制量;其中,所述第一参数特征数据包括材质数据、待加工区域的表面面积、待加工区域的厚度差和待加工区域的粗糙度差,所述第一参数控制量具体为金刚砂目数;
构建第一回归网络,将第一参数训练集中的第一参数特征数据作为第一回归网络中的输入数据,将第一参数训练集中的第一参数控制量作为第一回归网络的输出数据,对第一回归网络进行训练,得到训练后的第一回归网络;
利用第一参数测试集对训练后的第一回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第一回归网络作为第一回归模型。
进一步地,第二参数控制量包括所需施加的研磨转速和研磨压力。
进一步地,所述预配置第二回归模型的生成逻辑如下:
获取第二参数数据集,将第二参数数据集划分为第二参数训练集和第二参数测试集,所述第二参数数据集包括第二参数特征数据及其对应的第二参数控制量;其中,所述第二参数特征数据包括材质数据、厚度差、粗糙度差和第二参数控制量;
构建第二回归网络,将第二参数训练集中的第二参数特征数据作为第二回归网络中的输入数据,将第二参数训练集中的第二参数控制量作为第二回归网络的输出数据,对第二回归网络进行训练,得到训练后的第二回归网络;
利用第二参数测试集对训练后的第二回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第二回归网络作为第二回归模型。
应用于石英产品研磨设备的识别与研磨控制***,其用于实现应用于石英产品研磨设备的识别与研磨控制方法,包括:
数据获取模块,用于获取包含M个网格区域的扫描三维模型中的N个待加工区域,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,得到N个待加工区域以及每个待加工区域的厚度差,M和N均为大于零的整数;
第一参数获取模块,用于获取第i个待加工区域的粗糙度差,以及获取待加工石英产品的材质数据以及第i个待加工区域的表面面积,将材质数据、厚度差和粗糙度差输入预配置第一回归模型,以获取对第i个待加工区域进行研磨时的第一参数控制量,i为大于零的整数;
第二参数获取模块,用于将材质数据、厚度差、粗糙度差和第一参数控制量输入预配置第二回归模型,以获取对第i个待加工区域进行研磨时所需的第二参数控制量;
研磨控制及比对模块,用于根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对,若厚度差不属于预设厚度差区间时,则继续进行研磨;若厚度差属于预设厚度差区间时,则停止研磨,令i=i+1,并触发第一参数获取模块;
循环处理模块,用于重复上述第一参数获取模块至研磨控制及比对模块,直至i=N时,结束循环,完成对N个待加工区域的刀痕去除。
一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述应用于石英产品研磨设备的识别与研磨控制方法。
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计算机程序,所述计算机程序被执行时实现上述任一项所述应用于石英产品研磨设备的识别与研磨控制方法。
相比于现有技术,本发明的有益效果在于:
本申请公开了应用于石英产品研磨设备的识别与研磨控制方法及***,首先获取N个待加工区域,通过厚度比对,获取每个待加工区域的厚度差;然后获取第i个待加工区域的粗糙度差,获取材质数据以及表面面积,将材质数据、材质数据、厚度差和粗糙度差输入第一回归模型,获取第i个待加工区域的第一参数控制量;之后将材质数据、厚度差、粗糙度差和第一参数控制量输入第二回归模型,获取第i个待加工区域的第二参数控制量;接着根据第一参数控制量和第二参数控制量进行研磨,将第i个待加工区域的厚度差与预设厚度差区间进行比对;最后重复上述步骤,直至i=N时,完成刀痕去除;基于上述过程,本发明能够避免对石英产品施加过大或过低的研磨压力,并通过获取准确的金刚砂目数和研磨转速,本发明能够避免研磨时产品面破碎,同时有利于准确地去除石英产品的表面刀痕;另外,通过针对石英产品进行外观识别,从而有利于获取石英产品的厚度差和粗糙度,并识别出石英产品的刀痕。
附图说明
图1为本发明提供的应用于石英产品研磨设备的识别与研磨控制***的示意图;
图2为本发明提供的应用于石英产品研磨设备的识别与研磨控制方法的流程图;
图3为本发明提供的一种电子设备的结构示意图;
图4为本发明提供的一种计算机可读存储介质的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例公开提供了应用于石英产品研磨设备的识别与研磨控制***,所述***应用于云服务器中,所述云服务器分别与安装于数控机床的集成数据终端和部署于机床销售商的管理终端远程通信连接,所述***包括:
数据获取模块210,用于获取包含M个网格区域的扫描三维模型中的N个待加工区域,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,得到N个待加工区域以及每个待加工区域的厚度差,M和N均为大于零的整数;
具体的,在获取包含M个网格区域的扫描三维模型中的N个待加工区域之前,包括:
利用第一检测装置获取待加工石英产品的扫描数据;
基于三维重建技术对扫描数据进行三维构建,得到扫描三维模型;
需要说明的是:所述扫描数据具体为待加工石英产品的图像数据、待加工石英产品的激光点云数据或红外扫描数据等其中的具体一种,所述第一检测装置包括但不限于激光扫描装置、立体摄像装置和红外扫描装置等等;所述三维重建技术包括但不限于基于图像的三维重建方式、基于点云数据的三维重建方式和基于机器学习的三维重建方式;
还需要说明的是:为方便理解,本实施例将示例性的提供一种扫描三维模型的三维构建的具体过程,包括:获取待加工石英产品的点云数据,对点云数据进行预处理,所述预处理包括:2.1离群点去除:使用统计方法,如均值和标准差,或者通过体素网格去除不合理的点;2.2去噪:应用平滑或滤波算法,例如高斯滤波,去除点云中的噪声;2.3数据补全:使用插值技术,如Kriging或基于邻域的插值,来填补可能存在的缺失或不完整的数据;对预处理的点云数据进行点云配准,所述点云配准包括:3.1点云初步对齐:使用全局配准方法,如特征匹配算法,将不同视角的点云大致对齐;3.2精细配准:通过迭代最近点(ICP)算法,优化初始对齐,获得更精确的点云配准结果;对点云配准后的点云数据进行特征提取,所述特征提取包括:4.1表面法线:计算每个点的法线方向,通常使用最小二乘法拟合邻域点的平面;4.2曲率:通过对点云区域进行曲率估计,可以得到表面曲率信息;对特征提取后的点云数据进行体素化,所述体素化包括:将点云数据转换为三维体素网格,将点云空间离散化为规则的体素;对体素化后的点云数据进行三维重建,包括:基于体素表示的点云数据,使用泊松方程来重建平滑的三维表面模型;最后,对重建好的三维表面模型平滑处理:使用Laplacian平滑或其他平滑算法,去除模型中的尖锐边缘和噪声,得到扫描三维模型;
获取待加工石英产品的标识数据,根据标识数据和网格划分规则的预设关系,确定待加工石英产品的网格划分规则;
另需要说明的是:所述标识数据具体为待加工石英产品的名称、待加工石英产品的编号或待加工石英产品的型号等其中的具体一种;每一标识数据人为实现跟每一网格划分规则一一关联绑定;所述网格划分规则包括但不限于1×1网格大小的等比例网格划分方式、2×2网格大小的等比例网格划分方式、…、D×D网格大小的等比例网格划分方式,D为大于零的整数;
针对上述内容进行示例性说明就是:在一个假设中,假设待加工石英产品为石英桶,且石英桶的网格划分规则为3×3网格大小的等比例网格划分方式,则以3×3网格大小的等比例网格划分方式对扫描三维模型进行网格划分,得到包含M个3×3网格大小区域的扫描三维模型;在又一个假设中,假设待加工石英产品为石英环,且石英环的网格划分规则为1×1网格大小的等比例网格划分方式,则以1×1网格大小的等比例网格划分方式对扫描三维模型进行网格划分,得到包含M个1×1网格大小区域的扫描三维模型;
根据网格划分规则对扫描三维模型进行网格划分,得到包含M个网格区域的扫描三维模型;
在实施中,获取包含M个网格区域的扫描三维模型中的N个待加工区域,包括:
获取待加工石英产品的K个角度的图像,得到K幅产品表面图,K为大于零的整数;
分别将每幅产品表面图输入预构建的第一分类模型中进行识别,得到G幅刀痕产品表面图,G为大于零的整数;
需要说明的是:任何能够识别石英产品刀痕的分类模型都可作为本发明的应用对象;为方便理解,本实施例将提供一种预构建的第一分类模型的生成过程,包括:获取若干幅石英产品表面图集,将若干幅石英产品表面图集划分为刀痕识别训练集和刀痕识别测试集,所述若干幅石英产品表面图集中包括多幅带有刀痕的石英产品表面图和多幅不带有刀痕的石英产品表面图及其对应标注标签;所述标注标签将多幅带有刀痕的石英产品表面图标记为“1”,将不带有刀痕的石英产品表面图标记为“0”;构建第一分类器,将刀痕识别训练集中的石英产品表面图作为第一分类器的输入数据,将刀痕识别训练集中的标注标签作为第一分类器的输出数据,对第一分类器进行训练,得到第一分类网络;利用刀痕识别测试集对第一分类网络进行模型验证,输出大于等于预设测试准确度阈值的第一分类网络作为预构建的第一分类模型;其中,所述第一分类器具体为SVM分类模型、决策树分类模型、贝叶斯分类模型或神经网络分类模型等算法中的具体一种;
分别将每幅刀痕产品表面图输入预构建的第二分类模型中进行识别,得到R个包含刀痕的网格序号,R为大于零的整数;
还需要说明的是:所述预构建的第二分类模型的生成逻辑如下,获取若干幅刀痕产品表面图集,将若干幅刀痕产品表面图划分为序号识别训练集和序号识别测试集,所述若干幅刀痕产品表面图集中包括多幅刀痕产品表面图及其对应标注标签;其中,所述标注标签具体为刀痕产品表面图中刀痕所占据的网格序号;构建第二分类器,将序号识别训练集中的刀痕产品表面图作为第二分类器的输入数据,将序号识别训练集中的标注标签作为第二分类器的输出数据,对第二分类器进行训练,得到第二分类网络;利用序号识别测试集对第二分类网络进行模型验证,输出大于等于预设测试准确度阈值的第二分类网络作为预构建的第二分类模型;同上述第一分类器,所述第二分类器具体为SVM分类模型、决策树分类模型、贝叶斯分类模型或神经网络分类模型等算法中的具体一种;
另需要说明的是:每个待加工石英产品均对应有一个预构建的第一分类模型,当获取到人工输入待加工石英产品的标识数据时,才会启动对应的第一分类模型;进一步示例性说明就是,假设存在2种待加工石英产品,分别为石英桶和石英环,且石英桶和石英环分别对应有一个第一分类模型,分别为第一分类模型A和第一分类模型B,若当前待加工石英产品为石英桶,则触发第一分类模型A进行识别,而不会通过第一分类模型B去获取G幅刀痕产品表面图;相反,若当前待加工石英产品为石英环,则触发第一分类模型B进行识别,而不会通过第一分类模型A去获取G幅刀痕产品表面图;同理,预构建的第二分类模型的逻辑和原理也是如此,对此,不再过多赘述,详情参照关于预构建的第一分类模型的示例过程;
获取扫描三维模型中每个网格区域的设计序号,将每个包含刀痕的网格序号与设计序号进行比对,令扫描三维模型中网格序号一致的网格区域作为待加工区域,得到扫描三维模型中的N个待加工区域;
在实施中,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,包括:
步骤a1:获取扫描三维模型中第i个刀痕网格区域的厚度,将扫描三维模型中第i个刀痕网格区域的厚度作为第一厚度,i为大于零的整数;
步骤a2:根据第i个刀痕网格区域的网格序号获取标准三维模型中相同网格区域的厚度,将标准三维模型中相同网格区域的厚度作为第二厚度;
步骤a3:计算第一厚度与第二厚度的差值,将第一厚度与第二厚度的差值作为待加工区域的厚度差,并令i=i+1;
步骤a4:重复上述步骤a1~a3,直至i=N时,结束循环,得到N个待加工区域以及每个待加工区域的厚度差。
第一参数获取模块220,用于获取第i个待加工区域的粗糙度差,以及获取待加工石英产品的材质数据以及第i个待加工区域的表面面积,将材质数据、厚度差和粗糙度差输入预配置第一回归模型,以获取对第i个待加工区域进行研磨时的第一参数控制量,i为大于零的整数;
需要说明的是:所述待加工石英产品的材质数据以及第i个待加工区域的表面面积预存于***数据库中,所述材质数据包括石英纯度和晶体结构;所述第i个待加工区域的表面面积根据网格划分规则具体确定,进一步示例性说明就是,假设第i个待加工区域是通过3×3网格大小的等比例网格划分方式得到,且若第i个待加工区域仅为一个3×3网格区域,则第i个待加工区域的表面积就为9,同理,若第i个待加工区域仅为Q个3×3网格区域,则第i个待加工区域的表面积就为9×Q,Q为大于零的整数;
在实施中,获取第i个待加工区域的粗糙度差,包括:
提取第i个待加工区域对应的刀痕产品表面图,以及提取标准产品表面图;
利用均方误差算法计算第i个待加工区域对应的刀痕产品表面图和标准产品表面图之间均方误差;
将均方误差作为第i个待加工区域的粗糙度差;
需要说明的是:所述标准产品表面图预存于***数据库中,其为待加工区域应达到标准表面粗糙度的预设图;所述均方误差算法的计算公式为其中,MSE(i1,i2)表示第i个待加工区域对应的刀痕产品表面图和标准产品表面图之间均方误差,I1为第i个待加工区域对应的刀痕产品表面图,I2为标准产品表面图,x表示图像的行数,y表示图像的列数,I1(v,j)和I2(v,j)分别表示图I1和图I2中位置v,j)的像素值;
在实施中,所述预配置第一回归模型的生成逻辑如下:
获取第一参数数据集,将第一参数数据集划分为第一参数训练集和第一参数测试集,所述第一参数数据集包括第一参数特征数据及其对应的第一参数控制量;其中,所述第一参数特征数据包括材质数据、待加工区域的表面面积、待加工区域的厚度差和待加工区域的粗糙度差,所述第一参数控制量具体为金刚砂目数;
构建第一回归网络,将第一参数训练集中的第一参数特征数据作为第一回归网络中的输入数据,将第一参数训练集中的第一参数控制量作为第一回归网络的输出数据,对第一回归网络进行训练,得到训练后的第一回归网络;
利用第一参数测试集对训练后的第一回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第一回归网络作为第一回归模型;
需要说明的是:所述第一回归模型具体为决策树回归、SVM回归、随机森林回归、逻辑回归和神经网络回归等模型中的具体一种。
第二参数获取模块230,用于将材质数据、厚度差、粗糙度差和第一参数控制量输入预配置第二回归模型,以获取对第i个待加工区域进行研磨时所需的第二参数控制量;
具体的,第二参数控制量包括所需施加的研磨转速和研磨压力;
在实施中,所述预配置第二回归模型的生成逻辑如下:
获取第二参数数据集,将第二参数数据集划分为第二参数训练集和第二参数测试集,所述第二参数数据集包括第二参数特征数据及其对应的第二参数控制量;其中,所述第二参数特征数据包括材质数据、厚度差、粗糙度差和第二参数控制量;
构建第二回归网络,将第二参数训练集中的第二参数特征数据作为第二回归网络中的输入数据,将第二参数训练集中的第二参数控制量作为第二回归网络的输出数据,对第二回归网络进行训练,得到训练后的第二回归网络;
利用第二参数测试集对训练后的第二回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第二回归网络作为第二回归模型;
需要说明的是:所述第二回归模型具体为FNN神经网络模型、RNN神经网络模型或CNN神经网络模型中的一种。
研磨控制及比对模块240,用于根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对,若厚度差不属于预设厚度差区间时,则继续进行研磨;若厚度差属于预设厚度差区间时,则停止研磨,令i=i+1,并触发第一参数获取模块220;
应当明白的是:在根据第一参数控制量和第二参数控制量进行研磨时,首先,根据第一参数控制量将对应目数的金刚砂均匀的涂抹在待加工石英产品的第i个待加工区域;然后通过机械臂将油石移动至第i个待加工区域,并根据第二参数控制量中的研磨压力,让油石对第i个待加工区域施加相应的压力,之后,根据第二参数控制量中的研磨转速控制石英产品研磨设备以相应的转速控制待加工石英产品进行旋转研磨;最后,在旋转研磨过程中,实时测量待加工石英产品的第i个待加工区域的厚度,通过将实时测量待加工石英产品的第i个待加工区域的厚度与标准三维模型中对应区域的厚度进行差值计算,得到第i个待加工区域的厚度差,同时,将第i个待加工区域的厚度差与预设厚度差区间进行实时比对,直至厚度差属于预设厚度差区间时,停止研磨,完成对第i个待加工区域的研磨,以去除第i个待加工区域内的刀痕;
需要说明的是:所述待加工石英产品的第i个待加工区域的厚度通过第二检测装置测量实现,所述第二检测装置具体为超声波测厚装置、激光测厚装置或红外测厚装置等其中的具体一种。
循环处理模块250,用于重复上述第一参数获取模块220至研磨控制及比对模块240,直至i=N时,结束循环,完成对N个待加工区域的刀痕去除;
应当明白的是:在根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对的过程,仅完成了对第i个待加工区域的研磨,去除第i个待加工区域内的刀痕;然而,待加工石英产品表面存在的刀痕并不一定仅限于一个,因此,通过重复上述步骤,直至所有待加工区域完成研磨时,即实现了对N个待加工区域的刀痕去除。
实施例2
请参阅图2所示,基于同一个发明构思,本实施例公开提供了应用于石英产品研磨设备的识别与研磨控制方法,所述方法包括:
步骤1:获取包含M个网格区域的扫描三维模型中的N个待加工区域,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,得到N个待加工区域以及每个待加工区域的厚度差,M和N均为大于零的整数;
具体的,在获取包含M个网格区域的扫描三维模型中的N个待加工区域之前,包括:
利用第一检测装置获取待加工石英产品的扫描数据;
基于三维重建技术对扫描数据进行三维构建,得到扫描三维模型;
需要说明的是:所述扫描数据具体为待加工石英产品的图像数据、待加工石英产品的激光点云数据或红外扫描数据等其中的具体一种,所述第一检测装置包括但不限于激光扫描装置、立体摄像装置和红外扫描装置等等;所述三维重建技术包括但不限于基于图像的三维重建方式、基于点云数据的三维重建方式和基于机器学习的三维重建方式;
还需要说明的是:为方便理解,本实施例将示例性的提供一种扫描三维模型的三维构建的具体过程,包括:获取待加工石英产品的点云数据,对点云数据进行预处理,所述预处理包括:2.1离群点去除:使用统计方法,如均值和标准差,或者通过体素网格去除不合理的点;2.2去噪:应用平滑或滤波算法,例如高斯滤波,去除点云中的噪声;2.3数据补全:使用插值技术,如Kriging或基于邻域的插值,来填补可能存在的缺失或不完整的数据;对预处理的点云数据进行点云配准,所述点云配准包括:3.1点云初步对齐:使用全局配准方法,如特征匹配算法,将不同视角的点云大致对齐;3.2精细配准:通过迭代最近点(ICP)算法,优化初始对齐,获得更精确的点云配准结果;对点云配准后的点云数据进行特征提取,所述特征提取包括:4.1表面法线:计算每个点的法线方向,通常使用最小二乘法拟合邻域点的平面;4.2曲率:通过对点云区域进行曲率估计,可以得到表面曲率信息;对特征提取后的点云数据进行体素化,所述体素化包括:将点云数据转换为三维体素网格,将点云空间离散化为规则的体素;对体素化后的点云数据进行三维重建,包括:基于体素表示的点云数据,使用泊松方程来重建平滑的三维表面模型;最后,对重建好的三维表面模型平滑处理:使用Laplacian平滑或其他平滑算法,去除模型中的尖锐边缘和噪声,得到扫描三维模型;
获取待加工石英产品的标识数据,根据标识数据和网格划分规则的预设关系,确定待加工石英产品的网格划分规则;
另需要说明的是:所述标识数据具体为待加工石英产品的名称、待加工石英产品的编号或待加工石英产品的型号等其中的具体一种;每一标识数据人为实现跟每一网格划分规则一一关联绑定;所述网格划分规则包括但不限于1×1网格大小的等比例网格划分方式、2×2网格大小的等比例网格划分方式、…、D×D网格大小的等比例网格划分方式,D为大于零的整数;
针对上述内容进行示例性说明就是:在一个假设中,假设待加工石英产品为石英桶,且石英桶的网格划分规则为3×3网格大小的等比例网格划分方式,则以3×3网格大小的等比例网格划分方式对扫描三维模型进行网格划分,得到包含M个3×3网格大小区域的扫描三维模型;在又一个假设中,假设待加工石英产品为石英环,且石英环的网格划分规则为1×1网格大小的等比例网格划分方式,则以1×1网格大小的等比例网格划分方式对扫描三维模型进行网格划分,得到包含M个1×1网格大小区域的扫描三维模型;
根据网格划分规则对扫描三维模型进行网格划分,得到包含M个网格区域的扫描三维模型;
在实施中,获取包含M个网格区域的扫描三维模型中的N个待加工区域,包括:
获取待加工石英产品的K个角度的图像,得到K幅产品表面图,K为大于零的整数;
分别将每幅产品表面图输入预构建的第一分类模型中进行识别,得到G幅刀痕产品表面图,G为大于零的整数;
需要说明的是:任何能够识别石英产品刀痕的分类模型都可作为本发明的应用对象;为方便理解,本实施例将提供一种预构建的第一分类模型的生成过程,包括:获取若干幅石英产品表面图集,将若干幅石英产品表面图集划分为刀痕识别训练集和刀痕识别测试集,所述若干幅石英产品表面图集中包括多幅带有刀痕的石英产品表面图和多幅不带有刀痕的石英产品表面图及其对应标注标签;所述标注标签将多幅带有刀痕的石英产品表面图标记为“1”,将不带有刀痕的石英产品表面图标记为“0”;构建第一分类器,将刀痕识别训练集中的石英产品表面图作为第一分类器的输入数据,将刀痕识别训练集中的标注标签作为第一分类器的输出数据,对第一分类器进行训练,得到第一分类网络;利用刀痕识别测试集对第一分类网络进行模型验证,输出大于等于预设测试准确度阈值的第一分类网络作为预构建的第一分类模型;其中,所述第一分类器具体为SVM分类模型、决策树分类模型、贝叶斯分类模型或神经网络分类模型等算法中的具体一种;
分别将每幅刀痕产品表面图输入预构建的第二分类模型中进行识别,得到R个包含刀痕的网格序号,R为大于零的整数;
还需要说明的是:所述预构建的第二分类模型的生成逻辑如下,获取若干幅刀痕产品表面图集,将若干幅刀痕产品表面图划分为序号识别训练集和序号识别测试集,所述若干幅刀痕产品表面图集中包括多幅刀痕产品表面图及其对应标注标签;其中,所述标注标签具体为刀痕产品表面图中刀痕所占据的网格序号;构建第二分类器,将序号识别训练集中的刀痕产品表面图作为第二分类器的输入数据,将序号识别训练集中的标注标签作为第二分类器的输出数据,对第二分类器进行训练,得到第二分类网络;利用序号识别测试集对第二分类网络进行模型验证,输出大于等于预设测试准确度阈值的第二分类网络作为预构建的第二分类模型;同上述第一分类器,所述第二分类器具体为SVM分类模型、决策树分类模型、贝叶斯分类模型或神经网络分类模型等算法中的具体一种;
另需要说明的是:每个待加工石英产品均对应有一个预构建的第一分类模型,当获取到人工输入待加工石英产品的标识数据时,才会启动对应的第一分类模型;进一步示例性说明就是,假设存在2种待加工石英产品,分别为石英桶和石英环,且石英桶和石英环分别对应有一个第一分类模型,分别为第一分类模型A和第一分类模型B,若当前待加工石英产品为石英桶,则触发第一分类模型A进行识别,而不会通过第一分类模型B去获取G幅刀痕产品表面图;相反,若当前待加工石英产品为石英环,则触发第一分类模型B进行识别,而不会通过第一分类模型A去获取G幅刀痕产品表面图;同理,预构建的第二分类模型的逻辑和原理也是如此,对此,不再过多赘述,详情参照关于预构建的第一分类模型的示例过程;
获取扫描三维模型中每个网格区域的设计序号,将每个包含刀痕的网格序号与设计序号进行比对,令扫描三维模型中网格序号一致的网格区域作为待加工区域,得到扫描三维模型中的N个待加工区域;
在实施中,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,包括:
步骤a1:获取扫描三维模型中第i个刀痕网格区域的厚度,将扫描三维模型中第i个刀痕网格区域的厚度作为第一厚度,i为大于零的整数;
步骤a2:根据第i个刀痕网格区域的网格序号获取标准三维模型中相同网格区域的厚度,将标准三维模型中相同网格区域的厚度作为第二厚度;
步骤a3:计算第一厚度与第二厚度的差值,将第一厚度与第二厚度的差值作为待加工区域的厚度差,并令i=i+1;
步骤a4:重复上述步骤a1~a3,直至i=N时,结束循环,得到N个待加工区域以及每个待加工区域的厚度差。
步骤2:获取第i个待加工区域的粗糙度差,以及获取待加工石英产品的材质数据以及第i个待加工区域的表面面积,将材质数据、厚度差和粗糙度差输入预配置第一回归模型,以获取对第i个待加工区域进行研磨时的第一参数控制量,i为大于零的整数;
需要说明的是:所述待加工石英产品的材质数据以及第i个待加工区域的表面面积预存于***数据库中,所述材质数据包括石英纯度和晶体结构;所述第i个待加工区域的表面面积根据网格划分规则具体确定,进一步示例性说明就是,假设第i个待加工区域是通过3×3网格大小的等比例网格划分方式得到,且若第i个待加工区域仅为一个3×3网格区域,则第i个待加工区域的表面积就为9,同理,若第i个待加工区域仅为Q个3×3网格区域,则第i个待加工区域的表面积就为9×Q,Q为大于零的整数;
在实施中,获取第i个待加工区域的粗糙度差,包括:
提取第i个待加工区域对应的刀痕产品表面图,以及提取标准产品表面图;
利用均方误差算法计算第i个待加工区域对应的刀痕产品表面图和标准产品表面图之间均方误差;
将均方误差作为第i个待加工区域的粗糙度差;
需要说明的是:所述标准产品表面图预存于***数据库中,其为待加工区域应达到标准表面粗糙度的预设图;所述均方误差算法的计算公式为其中,MSE(I1,I2)表示第i个待加工区域对应的刀痕产品表面图和标准产品表面图之间均方误差,I1为第i个待加工区域对应的刀痕产品表面图,I2为标准产品表面图,x表示图像的行数,y表示图像的列数,I1(v,j)和I2(v,j)分别表示图I1和图I2中位置v,j)的像素值;
在实施中,所述预配置第一回归模型的生成逻辑如下:
获取第一参数数据集,将第一参数数据集划分为第一参数训练集和第一参数测试集,所述第一参数数据集包括第一参数特征数据及其对应的第一参数控制量;其中,所述第一参数特征数据包括材质数据、待加工区域的表面面积、待加工区域的厚度差和待加工区域的粗糙度差,所述第一参数控制量具体为金刚砂目数;
构建第一回归网络,将第一参数训练集中的第一参数特征数据作为第一回归网络中的输入数据,将第一参数训练集中的第一参数控制量作为第一回归网络的输出数据,对第一回归网络进行训练,得到训练后的第一回归网络;
利用第一参数测试集对训练后的第一回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第一回归网络作为第一回归模型;
需要说明的是:所述第一回归模型具体为决策树回归、SVM回归、随机森林回归、逻辑回归和神经网络回归等模型中的具体一种。
步骤3:将材质数据、厚度差、粗糙度差和第一参数控制量输入预配置第二回归模型,以获取对第i个待加工区域进行研磨时所需的第二参数控制量;
具体的,第二参数控制量包括所需施加的研磨转速和研磨压力;
在实施中,所述预配置第二回归模型的生成逻辑如下:
获取第二参数数据集,将第二参数数据集划分为第二参数训练集和第二参数测试集,所述第二参数数据集包括第二参数特征数据及其对应的第二参数控制量;其中,所述第二参数特征数据包括材质数据、厚度差、粗糙度差和第二参数控制量;
构建第二回归网络,将第二参数训练集中的第二参数特征数据作为第二回归网络中的输入数据,将第二参数训练集中的第二参数控制量作为第二回归网络的输出数据,对第二回归网络进行训练,得到训练后的第二回归网络;
利用第二参数测试集对训练后的第二回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第二回归网络作为第二回归模型;
需要说明的是:所述第二回归模型具体为FNN神经网络模型、RNN神经网络模型或CNN神经网络模型中的一种。
步骤4:根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对,若厚度差不属于预设厚度差区间时,则继续进行研磨;若厚度差属于预设厚度差区间时,则停止研磨,令i=i+1,并返回至步骤2;
应当明白的是:在根据第一参数控制量和第二参数控制量进行研磨时,首先,根据第一参数控制量将对应目数的金刚砂均匀的涂抹在待加工石英产品的第i个待加工区域;然后通过机械臂将油石移动至第i个待加工区域,并根据第二参数控制量中的研磨压力,让油石对第i个待加工区域施加相应的压力,之后,根据第二参数控制量中的研磨转速控制石英产品研磨设备以相应的转速控制待加工石英产品进行旋转研磨;最后,在旋转研磨过程中,实时测量待加工石英产品的第i个待加工区域的厚度,通过将实时测量待加工石英产品的第i个待加工区域的厚度与标准三维模型中对应区域的厚度进行差值计算,得到第i个待加工区域的厚度差,同时,将第i个待加工区域的厚度差与预设厚度差区间进行实时比对,直至厚度差属于预设厚度差区间时,停止研磨,完成对第i个待加工区域的研磨,以去除第i个待加工区域内的刀痕;
需要说明的是:所述待加工石英产品的第i个待加工区域的厚度通过第二检测装置测量实现,所述第二检测装置具体为超声波测厚装置、激光测厚装置或红外测厚装置等其中的具体一种。
步骤5:重复上述步骤2~4,直至i=N时,结束循环,完成对N个待加工区域的刀痕去除;
应当明白的是:在根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对的过程,仅完成了对第i个待加工区域的研磨,去除第i个待加工区域内的刀痕;然而,待加工石英产品表面存在的刀痕并不一定仅限于一个,因此,通过重复上述步骤,直至所有待加工区域完成研磨时,即实现了对N个待加工区域的刀痕去除。
实施例3
请参阅图3所示,本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述应用于石英产品研磨设备的识别与研磨控制方法。
由于本实施例所介绍的电子设备为实施本申请实施例中应用于石英产品研磨设备的识别与研磨控制方法所采用的电子设备,故而基于本申请实施例中所介绍的应用于石英产品研磨设备的识别与研磨控制方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中应用于石英产品研磨设备的识别与研磨控制方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例4
请参阅图4所示,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计算机程序,所述计算机程序被执行时实现上述任一项所述应用于石英产品研磨设备的识别与研磨控制方法。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,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.应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,所述方法包括:
步骤1:获取包含M个网格区域的扫描三维模型中的N个待加工区域,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,得到N个待加工区域以及每个待加工区域的厚度差,M和N均为大于零的整数;
步骤2:获取第i个待加工区域的粗糙度差,以及获取待加工石英产品的材质数据以及第i个待加工区域的表面面积,将材质数据、厚度差和粗糙度差输入预配置第一回归模型,以获取对第i个待加工区域进行研磨时的第一参数控制量,i为大于零的整数;
步骤3:将材质数据、厚度差、粗糙度差和第一参数控制量输入预配置第二回归模型,以获取对第i个待加工区域进行研磨时所需的第二参数控制量;
步骤4:根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对,若厚度差不属于预设厚度差区间时,则继续进行研磨;若厚度差属于预设厚度差区间时,则停止研磨,令i=i+1,并返回至步骤2;
步骤5:重复上述步骤2~4,直至i=N时,结束循环,完成对N个待加工区域的刀痕去除。
2.根据权利要求1所述的应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,所述获取包含M个网格区域的扫描三维模型中的N个待加工区域,包括:
获取待加工石英产品的K个角度的图像,得到K幅产品表面图,K为大于零的整数;
分别将每幅产品表面图输入预构建的第一分类模型中进行识别,得到G幅刀痕产品表面图,G为大于零的整数;
分别将每幅刀痕产品表面图输入预构建的第二分类模型中进行识别,得到R个包含刀痕的网格序号,R为大于零的整数;
获取扫描三维模型中每个网格区域的设计序号,将每个包含刀痕的网格序号与设计序号进行比对,令扫描三维模型中网格序号一致的网格区域作为待加工区域,得到扫描三维模型中的N个待加工区域。
3.根据权利要求2所述的应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,所述将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,包括:
步骤a1:获取扫描三维模型中第i个刀痕网格区域的厚度,将扫描三维模型中第i个刀痕网格区域的厚度作为第一厚度,i为大于零的整数;
步骤a2:根据第i个刀痕网格区域的网格序号获取标准三维模型中相同网格区域的厚度,将标准三维模型中相同网格区域的厚度作为第二厚度;
步骤a3:计算第一厚度与第二厚度的差值,将第一厚度与第二厚度的差值作为待加工区域的厚度差,并令i=i+1;
步骤a4:重复上述步骤a1~a3,直至i=N时,结束循环,得到N个待加工区域以及每个待加工区域的厚度差。
4.根据权利要求3所述的应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,所述获取第i个待加工区域的粗糙度差,包括:
提取第i个待加工区域对应的刀痕产品表面图,以及提取标准产品表面图;
利用均方误差算法计算第i个待加工区域对应的刀痕产品表面图和标准产品表面图之间均方误差;
将均方误差作为第i个待加工区域的粗糙度差。
5.根据权利要求4所述的应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,所述预配置第一回归模型的生成逻辑如下:
获取第一参数数据集,将第一参数数据集划分为第一参数训练集和第一参数测试集,所述第一参数数据集包括第一参数特征数据及其对应的第一参数控制量;其中,所述第一参数特征数据包括材质数据、待加工区域的表面面积、待加工区域的厚度差和待加工区域的粗糙度差,所述第一参数控制量具体为金刚砂目数;
构建第一回归网络,将第一参数训练集中的第一参数特征数据作为第一回归网络中的输入数据,将第一参数训练集中的第一参数控制量作为第一回归网络的输出数据,对第一回归网络进行训练,得到训练后的第一回归网络;
利用第一参数测试集对训练后的第一回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第一回归网络作为第一回归模型。
6.根据权利要求5所述的应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,第二参数控制量包括所需施加的研磨转速和研磨压力。
7.根据权利要求6所述的应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,所述预配置第二回归模型的生成逻辑如下:
获取第二参数数据集,将第二参数数据集划分为第二参数训练集和第二参数测试集,所述第二参数数据集包括第二参数特征数据及其对应的第二参数控制量;其中,所述第二参数特征数据包括材质数据、厚度差、粗糙度差和第二参数控制量;
构建第二回归网络,将第二参数训练集中的第二参数特征数据作为第二回归网络中的输入数据,将第二参数训练集中的第二参数控制量作为第二回归网络的输出数据,对第二回归网络进行训练,得到训练后的第二回归网络;
利用第二参数测试集对训练后的第二回归网络进行模型验证,输出大于等于预设测试误差阈值的训练后的第二回归网络作为第二回归模型。
8.应用于石英产品研磨设备的识别与研磨控制***,其用于实现应用于石英产品研磨设备的识别与研磨控制方法,其特征在于,包括:
数据获取模块,用于获取包含M个网格区域的扫描三维模型中的N个待加工区域,将每个待加工区域与标准三维模型中的相同网格区域进行厚度比对,得到N个待加工区域以及每个待加工区域的厚度差,M和N均为大于零的整数;
第一参数获取模块,用于获取第i个待加工区域的粗糙度差,以及获取待加工石英产品的材质数据以及第i个待加工区域的表面面积,将材质数据、厚度差和粗糙度差输入预配置第一回归模型,以获取对第i个待加工区域进行研磨时的第一参数控制量,i为大于零的整数;
第二参数获取模块,用于将材质数据、厚度差、粗糙度差和第一参数控制量输入预配置第二回归模型,以获取对第i个待加工区域进行研磨时所需的第二参数控制量;
研磨控制及比对模块,用于根据第一参数控制量和第二参数控制量进行研磨,并将实时测算得到第i个待加工区域的厚度差与预设厚度差区间进行比对,若厚度差不属于预设厚度差区间时,则继续进行研磨;若厚度差属于预设厚度差区间时,则停止研磨,令i=i+1,并触发第一参数获取模块;
循环处理模块,用于重复上述第一参数获取模块至研磨控制及比对模块,直至i=N时,结束循环,完成对N个待加工区域的刀痕去除。
9.一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述应用于石英产品研磨设备的识别与研磨控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现权利要求1至7任一项所述应用于石英产品研磨设备的识别与研磨控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311782683.6A CN117697613B (zh) | 2023-12-22 | 2023-12-22 | 应用于石英产品研磨设备的识别与研磨控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311782683.6A CN117697613B (zh) | 2023-12-22 | 2023-12-22 | 应用于石英产品研磨设备的识别与研磨控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117697613A true CN117697613A (zh) | 2024-03-15 |
CN117697613B CN117697613B (zh) | 2024-05-07 |
Family
ID=90155126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311782683.6A Active CN117697613B (zh) | 2023-12-22 | 2023-12-22 | 应用于石英产品研磨设备的识别与研磨控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117697613B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573310A (zh) * | 2017-03-08 | 2018-09-25 | 发那科株式会社 | 精加工量预测装置以及机器学习装置 |
US20190095797A1 (en) * | 2017-09-25 | 2019-03-28 | Sivakumar Dhandapani | Semiconductor fabrication using machine learning approach to generating process control parameters |
US20190299356A1 (en) * | 2018-04-03 | 2019-10-03 | Applied Materials, Inc. | Polishing apparatus using machine learning and compensation for pad thickness |
CN110348075A (zh) * | 2019-06-20 | 2019-10-18 | 湖南科技大学 | 一种基于改进支持向量机算法的磨削表面粗糙度预测方法 |
CN111745542A (zh) * | 2019-03-27 | 2020-10-09 | 发那科株式会社 | 磨石选定装置以及磨石选定方法 |
EP3736648A1 (en) * | 2019-05-08 | 2020-11-11 | Agathon AG, Maschinenfabrik | Method for autonomous optimization of a grinding process |
CN114662410A (zh) * | 2022-05-23 | 2022-06-24 | 季华实验室 | 打磨工艺参数组合的确定方法、装置、电子设备和介质 |
WO2022165739A1 (zh) * | 2021-02-05 | 2022-08-11 | 广东工业大学 | 基于2d/3d视觉融合的五金件机器人智能化打磨方法与装置 |
CN115016403A (zh) * | 2022-05-18 | 2022-09-06 | 山东大学 | 一种滚动轴承外圈内滚道的磨削加工过程控制方法及*** |
CN115374700A (zh) * | 2022-08-17 | 2022-11-22 | 南昌大学 | 一种基于法向接触力变化的打磨工艺参数自适应方法 |
CN115600504A (zh) * | 2022-11-07 | 2023-01-13 | 河南科技大学(Cn) | 基于改进强化学习算法的数控磨床磨削参数优化方法 |
CN116533127A (zh) * | 2023-07-06 | 2023-08-04 | 浙江晶盛机电股份有限公司 | 抛光压力调节方法、装置、计算机设备和存储介质 |
CN116551475A (zh) * | 2023-07-04 | 2023-08-08 | 张家港市卓华金属科技有限公司 | 一种用于五金工具的磨削加工方法及*** |
CN116985021A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市永霖科技有限公司 | 一种智能抛光装置和方法 |
CN117067096A (zh) * | 2023-10-18 | 2023-11-17 | 苏州博宏源机械制造有限公司 | 基于参数优化的双面研磨抛光设备的自动控制***及方法 |
-
2023
- 2023-12-22 CN CN202311782683.6A patent/CN117697613B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573310A (zh) * | 2017-03-08 | 2018-09-25 | 发那科株式会社 | 精加工量预测装置以及机器学习装置 |
US20190095797A1 (en) * | 2017-09-25 | 2019-03-28 | Sivakumar Dhandapani | Semiconductor fabrication using machine learning approach to generating process control parameters |
US20190299356A1 (en) * | 2018-04-03 | 2019-10-03 | Applied Materials, Inc. | Polishing apparatus using machine learning and compensation for pad thickness |
CN111745542A (zh) * | 2019-03-27 | 2020-10-09 | 发那科株式会社 | 磨石选定装置以及磨石选定方法 |
EP3736648A1 (en) * | 2019-05-08 | 2020-11-11 | Agathon AG, Maschinenfabrik | Method for autonomous optimization of a grinding process |
CN110348075A (zh) * | 2019-06-20 | 2019-10-18 | 湖南科技大学 | 一种基于改进支持向量机算法的磨削表面粗糙度预测方法 |
WO2022165739A1 (zh) * | 2021-02-05 | 2022-08-11 | 广东工业大学 | 基于2d/3d视觉融合的五金件机器人智能化打磨方法与装置 |
CN115016403A (zh) * | 2022-05-18 | 2022-09-06 | 山东大学 | 一种滚动轴承外圈内滚道的磨削加工过程控制方法及*** |
CN114662410A (zh) * | 2022-05-23 | 2022-06-24 | 季华实验室 | 打磨工艺参数组合的确定方法、装置、电子设备和介质 |
CN115374700A (zh) * | 2022-08-17 | 2022-11-22 | 南昌大学 | 一种基于法向接触力变化的打磨工艺参数自适应方法 |
CN115600504A (zh) * | 2022-11-07 | 2023-01-13 | 河南科技大学(Cn) | 基于改进强化学习算法的数控磨床磨削参数优化方法 |
CN116551475A (zh) * | 2023-07-04 | 2023-08-08 | 张家港市卓华金属科技有限公司 | 一种用于五金工具的磨削加工方法及*** |
CN116533127A (zh) * | 2023-07-06 | 2023-08-04 | 浙江晶盛机电股份有限公司 | 抛光压力调节方法、装置、计算机设备和存储介质 |
CN116985021A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市永霖科技有限公司 | 一种智能抛光装置和方法 |
CN117067096A (zh) * | 2023-10-18 | 2023-11-17 | 苏州博宏源机械制造有限公司 | 基于参数优化的双面研磨抛光设备的自动控制***及方法 |
Non-Patent Citations (2)
Title |
---|
孙磊;郭伟刚;袁巨龙;邓乾发;冯铭;吕冰海;: "超薄石英晶片超精密抛光实验的研究", 机电工程, no. 09, 20 September 2013 (2013-09-20), pages 1055 - 1058 * |
王海涛;刘伟强;杨建国;: "基于RBF神经网络的磨削表面粗糙度预测模型", 机床与液压, no. 03, 15 February 2014 (2014-02-15), pages 107 - 111 * |
Also Published As
Publication number | Publication date |
---|---|
CN117697613B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019272032B2 (en) | Statistical point pattern matching technique | |
CN110910454B (zh) | 一种牲畜三维重构移动式设备的自动标定配准方法 | |
Attene et al. | Hierarchical mesh segmentation based on fitting primitives | |
CN103236064B (zh) | 一种基于法向量的点云自动配准方法 | |
EP0977148B1 (fr) | Dispositif électronique de recalage automatique d'images | |
CN109816664B (zh) | 一种三维点云分割方法及装置 | |
JP6554900B2 (ja) | テンプレート作成装置及びテンプレート作成方法 | |
US10621740B2 (en) | 3D modeling method based on point cloud data | |
CN107440811A (zh) | 牙轴估计程序与牙齿轮廓数据创建程序及其装置和方法 | |
EP3420532B1 (en) | Systems and methods for estimating pose of textureless objects | |
Han et al. | Automated monitoring of operation-level construction progress using 4D BIM and daily site photologs | |
CN112102146B (zh) | 脸部图像处理方法、装置、设备及计算机存储介质 | |
CN112101073B (zh) | 脸部图像处理方法、装置、设备及计算机存储介质 | |
Jiang et al. | Freeform surface filtering using the diffusion equation | |
CN113487633A (zh) | 一种点云轮廓提取方法、装置、计算机设备及存储介质 | |
JP7033439B2 (ja) | 石垣管理システム、石垣管理方法及びコンピュータプログラム | |
CN114022542A (zh) | 一种基于三维重建的3d数据库制作方法 | |
CN101901500A (zh) | 一种基于切面射线的三维模型特征提取方法 | |
CN117697613B (zh) | 应用于石英产品研磨设备的识别与研磨控制方法及*** | |
Chen et al. | Multiscale feature line extraction from raw point clouds based on local surface variation and anisotropic contraction | |
CN110070608B (zh) | 一种自动删除基于图像的三维重建冗余点的方法 | |
CN110793437A (zh) | 手操器的定位方法、装置、存储介质及电子设备 | |
CN111161348A (zh) | 一种基于单目相机的物***姿估计方法、装置及设备 | |
CN113263728A (zh) | 3d打印机的报警方法、装置、3d打印机和存储介质 | |
CN110910463B (zh) | 全视角点云数据定长有序化编码方法、设备及存储介质 |
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 |