【技术实现步骤摘要】
基于神经网络的刀具磨损类型识别方法及磨损值测定方法
本专利技术涉及刀具磨损类型识别
，具体涉及一种基于神经网络的刀具磨损类型识别方法及磨损值测定方法。
技术介绍
刀具被称为机械制造工业的“牙齿”。智能识别刀具的磨损状态不仅可以合理地选择刀具类型、对刀具的相关参数进行优化，同时还可以根据刀具的实际切削状态和被加工工件的质量来决定更换刀具的时间，对机械制造行业提高产品质量具有重要意义。在金属切削加工中，刀具的磨损一般分为三个阶段：初期磨损阶段、正常磨损阶段以及急剧磨损阶段。处于正常磨损时期刀具的磨损值比较小，是刀具的理想工作阶段。处于急剧磨损时期的刀具，由于其磨损量随时间增长而迅速增大，所以需要及时更换刀具。目前在机械加工制造业，多采用固定的换刀时间或完全依赖工人经验判断是否需要换刀，这两种换刀方式容易造成换刀不及时影响工件质量或者换刀过于频繁引起不必要的刀具浪费。虽然目前部分大型的机械制造企业开始利用机器视觉识别技术对刀具磨损状态进行识别，但是由于刀具表面的污染、涂层磨损(一般应视为非真实磨损)或刀具上粘...
【技术保护点】
1.一种基于神经网络的刀具磨损类型识别方法，其特征在于，包括如下步骤：/n步骤S1，采集刀具磨损图像；/n步骤S2，对采集的各所述刀具磨损图像进行图像归一化及灰度化处理；/n步骤S3，提取经图像处理后的各所述刀具磨损图像中的刀具磨损特征，并在所提取的各刀具磨损特征图上进行刀具磨损类型标注，然后将标注好的各所述刀具磨损特征图按照预设的划分比例划分为模型训练样本或测试样本；/n步骤S4，将所述训练样本输入到一卷积自动编码器中进行模型预训练；/n步骤S5，结合模型预训练结果，并通过一卷积神经网络继续进行模型训练，得到一刀具磨损类型初始识别模型；/n步骤S6，利用所述刀具磨损类型识...
【技术特征摘要】
1.一种基于神经网络的刀具磨损类型识别方法，其特征在于，包括如下步骤：
步骤S1，采集刀具磨损图像；
步骤S2，对采集的各所述刀具磨损图像进行图像归一化及灰度化处理；
步骤S3，提取经图像处理后的各所述刀具磨损图像中的刀具磨损特征，并在所提取的各刀具磨损特征图上进行刀具磨损类型标注，然后将标注好的各所述刀具磨损特征图按照预设的划分比例划分为模型训练样本或测试样本；
步骤S4，将所述训练样本输入到一卷积自动编码器中进行模型预训练；
步骤S5，结合模型预训练结果，并通过一卷积神经网络继续进行模型训练，得到一刀具磨损类型初始识别模型；
步骤S6，利用所述刀具磨损类型识别初始模型对所述测试样本进行刀具磨损类型识别，输出分类结果；
步骤S7，根据所述分类结果与真实的刀具磨损类型间的误差情况调整模型参数，然后根据所调整的模型参数对所述刀具磨损类型识别初始模型进行迭代更新，最终训练形成所述刀具磨损类型识别模型。
2.如权利要求1所述的刀具磨损类型识别方法，其特征在于，所述卷积神经网络的网络结构包括依序连接的输入层、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、卷积层C4、卷积层C5、池化层P5、全连接层F6、全连接层F7和全连接层F8，
所述卷积层C1的卷积核尺寸为14*14，步长为5，边缘拓展参数为14；
所述池化层P1的池化核尺寸为3*3，步长为2，边缘拓展参数为0；
所述卷积层C2的卷积核尺寸为5*5，步长为1，边缘拓展参数为2；
所述池化层P2的池化核尺寸为3*3，步长为2，边缘拓展参数为0；
所述卷积层C3的卷积核尺寸为3*3，步长为1，边缘拓展参数为1；
所述卷积层C4的卷积核尺寸为3*3，步长为1，边缘拓展参数为1；
所述卷积层C5的卷积核尺寸为3*3，步长为1，边缘拓展参数为1；
所述池化层P5的池化核尺寸为3*3，步长为2，边缘拓展参数为0。
3.如权利要求2所述的刀具磨损类型识别方法，其特征在于，输入所述卷积神经网络的所述输入层的所述刀具磨损图像的图像像素尺寸为256*256。
4.如权利要求3所述的刀具磨损类型识别方法，其特征在于，...
【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：杭州皓京云信息技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。