基于人工智能的壳体加工路径优化方法及系统技术方案

本发明专利技术涉及人工智能领域，公开了一种基于人工智能的壳体加工路径优化方法及系统，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。壳体加工路径。壳体加工路径。

【技术实现步骤摘要】
基于人工智能的壳体加工路径优化方法及系统


[0001]本专利技术涉及人工智能领域，尤其涉及一种基于人工智能的壳体加工路径优化方法及系统。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术提供了一种基于人工智能的壳体加工路径优化方法及系统，用于提高壳体加工路径优化的准确率。
[0005]本专利技术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。
[0006]结合第一方面，在本专利技术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。
[0007]结合第一方面，在本专利技术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。
[0008]结合第一方面，在本专利技术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。
[0009]结合第一方面，在本专利技术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。
[0010]结合第一方面，在本专利技术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。
[0011]结合第一方面，在本专利技术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。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：薛建辉，孙飞龙，周将进，黄中伟，罗军，
申请(专利权)人：深圳市钧诚精密制造有限公司，
类型：发明
国别省市：