基于半自动化标注的砂轮磨损状态监测方法技术

本发明专利技术涉及一种用于监测砂轮磨损状态的方法，具体涉及一种基于半自动化标注的砂轮磨损状态监测方法。解决了现有砂轮磨损检测方法存在干扰源难消除，使用条件要求高导致实际应用困难等技术问题。本发明专利技术监测方法包括以下步骤：S1)现场采集砂轮各工作状态下的视频流，并将视频流抽帧成多个原始图像，形成原始图像集；S2)获取砂轮检测模型，并通过砂轮检测模型对原始图像集中的所有原始图像进行检测标注，得到砂轮区域粗定位图；S3)通过砂轮矩形框的定位坐标值，对所有砂轮区域粗定位图进行裁剪，并保存为只含砂轮区域的局部图，所有图像裁剪后形成分割数据集；S4)获取精细掩膜分割图；S5)砂轮磨损级别判定。S5)砂轮磨损级别判定。S5)砂轮磨损级别判定。

【技术实现步骤摘要】
基于半自动化标注的砂轮磨损状态监测方法


[0001]本专利技术涉及一种用于监测砂轮磨损状态的方法，具体涉及一种基于半自动化标注的砂轮磨损状态监测方法。

技术介绍

[0002]为实现高精度加工，磨削被广泛应用于工业生产，磨削过程中砂轮磨损直接影响到工件的加工质量。砂轮的结构通常如图1所示，由三个标准区间构成，沿砂轮径向由内到外依次是禁用区1、更换区2和安全区3。砂轮工作时，是通过高速转动的砂轮对加工件进行磨削，砂轮会慢慢被磨损。砂轮磨损后何时修整，大多数情况下取决于操作员的经验，常常被粗糙的估计，过早更换会造成磨削效率降低与砂轮材料浪费等现象，而过晚的更换砂轮，将会造成工件表面质量问题，且极有可能造成砂轮裂开，进而危害操作者的人身安全，这便推动着磨削过程砂轮磨损监测技术不断的发展。磨削加工过程中，砂轮的磨损是影响磨削加工表面质量和精度的主要因素之一，选择合理的砂轮停机更换时间对提高加工精度和加工效率有重要的意义。通过对砂轮磨损的监测，能够及时采取停机与修整措施，降低由砂轮磨损程度造成的突发事故产生的不必要损失及过早停机检修带来的材料、功耗损失，保障砂轮的整体可靠稳定运行。
[0003]在磨削加工中，特别是自动化磨削加工中，砂轮磨损程度若得不到及时的反馈会影响加工精度，甚至会造成事故。因此，准确快捷的在线监测砂轮磨损程度的方法一直是磨削领域的重要研究课题之一。常用的砂轮磨损检测方法有声发射方法、光截法和电镜观察法。声发射方法是通过声发射信号幅值的变化判断砂轮磨损量，从声发射样本预测砂轮的磨损状态本质上是一个时间相关序列的模式识别方法，该方法常常依赖于各种精巧的阈值设置和时域特征选择，且存在太多干扰性声发射源，消除这些干扰源很困难，故导致实际应用和推广困难；此外，采用光截法可以用于观察砂轮的磨粒形状及其变动情况；采用电镜观察法便于对砂轮的磨削磨损部位、形式及其机制进行微观研究，但以上两种方法通常均用于砂轮磨损特征的研究，其使用条件要求高，基本上不适合于加工现场。

技术实现思路

[0004]本专利技术的目的是解决现有砂轮磨损检测方法存在干扰源难消除，或者是使用条件要求高，导致实际应用困难，基本不适于加工现场等技术问题，而提供一种基于半自动化标注的砂轮磨损状态监测方法。
[0005]目前，砂轮磨损状态监测技术已向全局、非接触、在线监测方向发展，基于计算机视觉方式下的砂轮磨损状态监测优势在于全局、无接触式等，深度学习对设备运行状态管理方面也凸显出了优势。本专利技术的构思是，将计算机视觉以及深度学习运用到砂轮磨损检测中。首先为了减少人力物力，只投入小批次的人工标注数据，运用半自动化标注技术，实现迭代式数据处理与模型优化；其次，为了实现砂轮磨损状态监测，在实际运行环境中分析砂轮打磨区域，对摄像头收集的工况视频、图像数据集进行研究，实现基于目标检测与图像
分割相结合的砂轮磨损状态监测方法，最后接入控制，当砂轮快到禁用区的临界边缘时，反馈告警信息的同时接入主控，到达禁用区范围，停机保护，防止人为疏漏影响产品的质量并对工作人员人身安全造成了威胁。通过深度学习技术对输入的视频、图像数据进行砂轮磨损状态监测，该方法具有结果直观、准确率高、易于实施的优势，可为工厂车间砂轮打磨区间磨损的判断以及停机更换等措施提供技术支撑，从而降低车间的维修周期和成本。
[0006]本专利技术的技术解决方案是：
[0007]一种基于半自动化标注的砂轮磨损状态监测方法，其特殊之处在于，包括以下步骤：
[0008]S1)现场采集砂轮各工作状态下的视频流，并将视频流抽帧成多个原始图像，形成原始图像集；
[0009]S2)获取砂轮检测模型，并通过砂轮检测模型对原始图像集中的所有原始图像进行检测标注，得到砂轮区域粗定位图；
[0010]S3)对所有砂轮区域粗定位图进行裁剪，得到只含砂轮区域的局部图并保存，所有图像裁剪后保存形成分割数据集；
[0011]S4)获取精细掩膜分割图；
[0012]S4.1)利用分割标注工具，对分割数据集中所有图像的砂轮磨损区域边缘进行采点绘制多边形掩码图，并将该掩码图进行着色处理生成24位位图，再将24位位图转换为8位位图，所有图像处理完生成最终图像标注文件；
[0013]将标注后的分割数据集中图像划分为训练集与测试集；
[0014]S4.2)利用训练集中的图像训练分割网络模型，生成更新的分割模型；
[0015]S4.3)将测试集中图像批量送入分割模型中进行测试，得到模型测试指标，若测试指标符合要求，则直接用于推理；若测试指标不符合要求，则增加数据集或修改超参数进行模型优化，直至分割模型的测试指标满足需求为止；
[0016]所述测试指标为像素准确率和交并比；
[0017]S4.4)将分割数据集中的所有图像送入步骤S4.3)得到的分割模型中进行推理，得到仅包含砂轮磨损区域的精细掩膜分割图；
[0018]S5)砂轮磨损级别判定
[0019]S5.1)依据精细掩膜分割图进行边缘提取；
[0020]S5.2)运用行扫描遍历的方法获取砂轮打磨轮廓的边缘坐标点集合C，并标定砂轮的中心点、三个标准区间的半径；
[0021]所述三个标准区间分别为砂轮上划定的禁用区、更换区和安全区；
[0022]S5.3)计算砂轮打磨轮廓的边缘坐标点集合C分别到砂轮中心点的相对距离R，将距离R分别与禁用区半径J_r、更换区半径G_r、安全区半径A_r进行比较，根据设定阈值，判定砂轮磨损级别；
[0023]所述磨损级别为三个，分别是砂轮磨损边缘处于禁用区、砂轮磨损边缘处于更换区和砂轮磨损边缘处于安全区。
[0024]进一步地，所述步骤S2)包括以下步骤：
[0025]S2.1)选取100
‑
200张原始图像进行人工标注，选取的原始图像与所有的原始图像保持独立同分布，利用人工标注后的原始图像对预训练模型进行训练，得到初步砂轮检测
模型；
[0026]S2.2)从剩下待标注的原始图像中选取一部分送入初步砂轮检测模型进行检测标注，得到带标签的标注文件，通过检测标注工具对标注文件中的异常标注进行人工修正，将人工修正后的标注文件送入初步砂轮检测模型进行训练，得到更新的砂轮检测模型；所述选取一部分为500
‑
800张图像；
[0027]S2.3)判断更新的砂轮检测模型的精度是否符合要求，若符合要求，则作为砂轮检测模型，进行步骤S2.4)，若不符合要求，则按步骤S2.2)的操作方法对更新的砂轮检测模型进行迭代训练，直至更新的砂轮检测模型的精度符合要求；
[0028]S2.4)通过砂轮检测模型对原始图像集中所有图像进行检测标注得到图像集的标注文件；
[0029]所述图像集的标注文件中的图像为通过矩形框定位坐标值对砂轮区域进行了粗定位的砂轮区域粗定位图。
[0030]进一步地，还包括步骤S6)：将砂轮检测模型和分割模型，以及步骤S1)至步骤S5.3)的整个算法，部署到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半自动化标注的砂轮磨损状态监测方法，其特征在于，包括以下步骤：S1)现场采集砂轮各工作状态下的视频流，并将视频流抽帧成多个原始图像，形成原始图像集；S2)获取砂轮检测模型，并通过砂轮检测模型对原始图像集中的所有原始图像进行检测标注，得到砂轮区域粗定位图；S3)对所有砂轮区域粗定位图进行裁剪，得到只含砂轮区域的局部图并保存，所有图像裁剪后保存形成分割数据集；S4)获取精细掩膜分割图；S4.1)利用分割标注工具，对分割数据集中所有图像的砂轮磨损区域边缘进行采点绘制多边形掩码图，并将该掩码图进行着色处理生成24位位图，再将24位位图转换为8位位图，所有图像处理完生成最终图像标注文件；将标注后的分割数据集中图像划分为训练集与测试集；S4.2)利用训练集中的图像训练分割网络模型，生成更新的分割模型；S4.3)将测试集中图像批量送入分割模型中进行测试，得到模型测试指标，若测试指标符合要求，则直接用于推理；若测试指标不符合要求，则增加数据集或修改超参数进行模型优化，直至分割模型的测试指标满足需求为止；所述测试指标为像素准确率和交并比；S4.4)将分割数据集中的所有图像送入步骤S4.3)得到的分割模型中进行推理，得到仅包含砂轮磨损区域的精细掩膜分割图；S5)砂轮磨损级别判定S5.1)依据精细掩膜分割图进行边缘提取；S5.2)运用行扫描遍历的方法获取砂轮打磨轮廓的边缘坐标点集合C，并标定砂轮的中心点、三个标准区间的半径；所述三个标准区间分别为砂轮上划定的禁用区(1)、更换区(2)和安全区(3)；S5.3)计算砂轮打磨轮廓的边缘坐标点集合C分别到砂轮中心点的相对距离R，将距离R分别与禁用区半径J_r、更换区半径G_r、安全区半径A_r进行比较，根据设定阈值，判定砂轮磨损级别；所述磨损级别为三个，分别是砂轮磨损边缘处于禁用区(1)、砂轮磨损边缘处于更换区(2)和砂轮磨损边缘处于安全区(3)。2.根据权利要求1所述的基于半自动化标注的砂轮磨损状态监测方法，其特征在于，步骤S2)包括以下步骤：S2.1)选取100
‑
200张原始图像进行人工标注，选取的原始图像与所有的原始图像保持独立同分布，利用人工标注后的原始图像对预训练模型进行训练，得到初步砂轮检测模型；S2.2)从剩下待标注的原始图像中选取一部分送入初步砂轮检测模型进行检测标注，得到带标签的标注文件，通过检测标注工具对标注文件中的异常标注进行人工修正，将人工修正后的标注文件送入初步砂轮检测模型进行训练，得到更新的砂轮检测模型；所述选取一部分为500
‑
800张图像；S2.3)判断更新的砂轮检测模型的精度是否符合要求，若符合要求，则作为砂轮检测模型，进行步骤S2.4)，若不符...

【专利技术属性】
技术研发人员：吴娇，李刚，雷红涛，张超，吴树丽，李兴伟，王亮，
申请(专利权)人：西安翔迅科技有限责任公司，
类型：发明
国别省市：