一种基于改进制造技术

本发明专利技术公开了一种基于改进

【技术实现步骤摘要】
一种基于改进RTMDet的刀具损伤目标检测方法


[0001]本专利技术属于边缘计算与图像目标检测领域，具体为一种基于改进
RTMDet
的刀具损伤目标检测方法
。

技术介绍

[0002]在机械加工过程中，刀具的磨损是影响产品加工精度
、
加工质量与效率的关键问题之一
。
刀具失效严重影响加工精度甚至会导致零件报废，因此需要实时地掌握刀具工况
、
检测刀具的磨损
、
崩刀等故障，保证产品质量
、
切削加工过程的安全性和有效性
。
传统的刀具损伤检测的方法为直接检测刀具磨损方法，机器学习的方法可以提高刀具损伤检测的性能，但是弱点也比较明显，该类方法需要花费大量人工精力调整参数
。
此外面对复杂的机床工作环境时，模型对刀具损伤图像特征提取能力有限，其模型的泛化性能较差
。
近年来随着人工智能的发展，基于深度学习的刀具损伤检测应用广泛，上述方法无论是根据超参数搭建神经网络还是改进经典算法都提高了刀具损伤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
RTMDet
的刀具损伤目标检测方法，其特征在于，包括以下步骤：步骤1：建立刀具损伤图像数据集步骤
1.1
：根据刀具损伤区域使用图像标注软件进行标注；步骤
1.2
：将标注文件转换为
COCO
格式的标注文件；步骤
1.3
：划分训练集
、
验证集与测试集；步骤2：搭建基于改进
RTMDet
的刀具损伤目标检测模型步骤
2.1
：利用高效聚合网络
(ELAN)
的思想改进
RTMDet
特征提取网络模型的
CSPLayer
；步骤
2.2
：在
RTMDet
模型
Neck
部分增加自适应特征融合层
(ASFF_sim)
模块；步骤3：针对上述步骤2提出的改进
RTMDet
的刀具损伤目标检测模型进行训练步骤
3.1
：设置数据集加载以及一系列数据增强处理；步骤
3.2
：设置训练超参数并微调；步骤
3.3
：将模型从初始状态进行训练；步骤4：模型评估步骤
4.1
：使用平均预测精度，召回率进行模型评估；步骤
4.2
：调整训练参数，若已达最高精度则得到最优检测模型，否则重复步骤
3.2。
步骤5：使用
TensorRT
框架对步骤4的最优模型优化加速步骤
5.1
：将模型转换为
INT8
精度的模型，提升模型的处理速度
。2.
如权利要求1所述的一种基于改进
RTMDet
的刀具损伤目标检测方法，其特征在于：步骤
1.1
中刀具损伤类型数量设置为
a
，
a≥1
，
a∈N
，
a
的设置基于刀具损伤
。3.
如权利要求1所述的一种基于改进
RTMDet
的刀具损伤目标检测方法，其特征在于：步骤
2.1
中提出
elan_CSPLayer
模块替换原网路结构的所有
CSPLayer
模块
。4.
如权利要求3所述的一种基于改进
RTMDet
的刀具损伤目标检测方法，其特征在于：改进的
elan_CSPLayer
共有四个子模块分别是
CBS1、CSPNeXtBlock、Attention、CBS2，其中
CBS1为对输入的特征图进行卷积操作，
CSPNeXtBlock
为对图像特征进行提取的深度残差网络，
Attention
为通道注意力模块提高模型对刀具损伤特征的提取，
CBS2为降维模块，但不同于
CBS1的是输入输出的通道参数不同，设输入为
x[h
×
w
×
c]
，其中
h
×
w
为特征图尺寸
c
为通道数，
CBS1为
F1(x)
，
CSPNeXtBlock
为
G(x)
，
Attention
为
H(x)
，
CBS2为
F2(x)
，
elan_CSPLayer
的计算流程如下公式：
y1[h
×
w
×
0.5c]
＝
F(x[h
×
w
×
c])[1]y2[h
×
w
×
0.5c]
＝
F(x[h
×
w
×
c])[2]y3[h
×
w
×
0.5c]
＝
G(y2[h
×
w
×
0.5c])y4[h
×
w
×
1.5c]
＝
[y1[h
×
w
×
0.5c]
，
y2[h
×
w
×
0.5c]
，
y3[h
×
w
×
0.5c]y[h
×
w
×
c]
＝
F2[H[y4[h
×
w
×
1.5c]]y
即为
elan_CSPLayer
的输出结果
。5.
如权利要求1所述的一种基...

【专利技术属性】
技术研发人员：王禹林，陈帅，何建樑，郝玲，徐亚东，熊哲，
申请(专利权)人：南京禹其源智能装备科技有限公司，
类型：发明
国别省市：