【技术实现步骤摘要】
本专利技术属于工业装备修复及计算机视觉与模式识别，涉及工业装备的磨损检测与修复，具体是一种基于深度学习的工业装备增材修复差异模型重构方法，通过输入原始模型和磨损部件照片，可输出磨损区域的三维点云数据及磨损量信息，为激光熔覆等增材修复提供准确的修复模型。
技术介绍
1、工业装备，尤其是大型钢铁铸造设备、轧制设备以及挖掘设备等在长时期运行过程中经常会面临磨损问题，局部磨损会导致连接松动、机械精度变差等问题，甚至影响整体设备的稳定性和安全性。磨损的产生是由多种因素共同作用的结果，包括机械摩擦、化学腐蚀、热应力和疲劳等。在这些因素的长期影响下，设备表面的材料逐渐被磨损，进而导致设备性能的下降。传统的更换维修方式不仅成本高昂，而且往往需要长时间停机，造成经济损失。因此，如何有效地对这些大型工业装备进行现场修复和维护，成为了工业领域亟需解决的关键技术问题之一。
2、针对上述问题，近年来发展起来的利用激光熔覆方法为设备局部磨损区域的现场修复提供了有效解决方案，该技术利用激光束作为热源，将金属粉末或丝材料熔敷到磨损区域表面形成新的耐磨涂层。不仅可以恢复受损部件的尺寸精度和机械性能，而且还可以通过添加耐磨金属材料如碳化铌、碳化钒等相应提升修复区域的耐磨性和使用寿命，有效降低设备维修成本并缩短维修周期，在钢铁、矿山、机械等工业领域获得广泛应用，特别是在现场修复方面，激光熔覆展现出了巨大的潜力。
3、尽管激光熔覆技术在现场修复方面具有显著优势，但仍面临一些技术挑战。现场增材修复的最大难题在于获得磨损量的重构模型，现有方法主要通
4、综上所述，现有基于激光熔覆的工业装备现场增材修复技术在磨损量重构模型的效率和精度方面存在显著不足，制约了其应用效果和范围。因此，如何高效、精准地重构工业装备磨损部位的三维模型，以提高现场增材修复的效率和质量，是亟待解决的技术问题。这不仅对于提升工业装备的维护水平和使用寿命具有重要意义，还将为推动增材制造技术在工业领域的更广泛应用提供有力支撑。
技术实现思路
1、(一)专利技术目的
2、针对现有基于激光熔覆的工业装备现场增材修复技术在磨损量重构模型效率和精度等方面存在的缺陷和不足，无法满足大型复杂装备快速高精度修复的需求，为解决现有技术中的上述以及其他方面的至少一种技术问题，本专利技术旨在提供一种基于深度学习的工业装备增材修复差异模型重构方法，算法输入为原始模型和磨损部件照片，利用深度学习网络自动生成磨损部位的三维点云数据及磨损量信息，实现对磨损区域快速高效、高精度的三维重构，为后续激光熔覆修复提供准确的修复模型。该算法操作简单，避免了复杂的扫描和数据后处理过程，并显著提高了工业装备现场增材修复的效率和精度。
3、(二)技术方案
4、为实现该专利技术目的，解决其技术问题，本专利技术采用如下技术方案：
5、本专利技术的第1个专利技术目的在于提供一种基于深度学习的工业装备增材修复差异模型重构方法，用于快速高效获取工业装备磨损部件的三维点云数据及磨损量信息，为激光熔覆等现场增材修复提供精确的修复模型，所述差异模型重构方法在实施时主要包括以下步骤：
6、ss1.获取工业装备待修复磨损部件发生磨损前的原始三维几何模型数据以及发生磨损后的实物图像数据；
7、ss2.对所获取的待修复磨损部件发生磨损前的原始三维几何模型进行位置和姿态调整变换处理，使其与实物磨损部件的姿态相匹配，并对调整后的原始三维几何模型进行切片处理，生成包含点云数据的多层切片，每个切片中的点云数据包括坐标(x,y,z)和初始磨损量(dx＝0,dy＝0)，其中dx、dy分别表示x轴、y轴方向上的磨损量，初始值设置为0；
8、ss3.对所获取的待修复磨损部件发生磨损后的实物图像数据进行标定处理以校正图像中的畸变效应，并通过坐标转换对标定后的实物图像数据进行重投影，使其与步骤ss2生成的切片点云数据进行空间对齐；
9、ss4.通过特征匹配算法将重投影后的实物图像点数据与原始三维几何模型切片中的点云数据进行匹配，使其在空间坐标位置上一一对应和关联，并通过比较匹配点的原始位置与图像数据中的位置，分别计算每个匹配点在x轴和y方向轴上的实际标注磨损量(dx,dy)；
10、ss5.采用编码器-解码器结构的神经网络，以步骤ss4中匹配关联的切片点云数据和重投影后的实物图像点数据作为输入，构建并训练基于深度学习的磨损差异模型，其中编码器用于切片点云数据和实物图像点数据的特征提取及编码，解码器用于解码并输出预测的磨损量(dx',dy')；
11、ss6.将新的磨损部件实物图像数据按照步骤ss3中的方式进行标定和重投影，并按照步骤ss4中的方式与原始三维几何模型切片中的点云数据进行匹配后，输入到完成训练的磨损差异模型中，生成并输出包含坐标(x,y,z)和预测磨损量(dx,dy)的点云数据，输出的点云数据用于指导现场增材修复过程，提供精确的修复模型。
12、本专利技术的第2个专利技术目的在于提供一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备用于执行上述基于深度学习的工业装备增材修复差异模型重构方法。
13、(三)技术效果
14、同现有技术相比，本专利技术的基于深度学习的工业装备增材修复差异模型重构方法，具有以下有益且显著的技术效果：
15、(1)本专利技术提供的基于深度学习的工业装备增材修复差异模型重构方法，能够快速高效获取工业装备磨损部件的三维点云数据及磨损量信息。通过使用深度学习算法，能够大幅提高数据处理的自动化程度和精确度，避免了复杂的扫描和数据后处理过程，从而显著提高了修复模型的准确性和可靠性。
16、(2)本专利技术通过获取磨损前的原始三维几何模型数据及磨损后的实物图像数据，并进行位置和姿态调整变换处理，确保了原始模型与实物磨损部件的高度匹配。这种匹配精度为后续的切片处理和数据对齐奠定了坚实的基础，确保生成的点云数据能够准确反映实际磨损情况，进而提高修复效果。
17、(3)本专利技术采用编码器-解码器结构的神经网络进行磨损差异模型的构建和训练，编码器用于提取切片点云数据和实物图像点数据的深层特征，解码器用于将这些特征解码并输出预测的磨损量。通过深度学习模型的训练和优化，能够实现高精度的磨损量预测，为现场增材修复提供精确的修复模型。
18、(4)本文档来自技高网...
【技术保护点】
1.一种基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，所述差异模型重构方法在实施时主要包括以下步骤：
2.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤SS1中，所获取的原始三维几何模型数据为采用基于测量仪或三维扫描仪获得的三维点云数据，或基于CAD建模生成的几何模型数据；所获取的实物图像数据通过高分辨率摄像设备获取。
3.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤SS2中，对原始三维几何模型进行的位置和姿态调整变换，至少包括平移变换及旋转变换在内的刚体变换；切片处理过程则采用基于网格模型或点云模型的切片算法，生成的切片面与磨损部件的主平面平行且间距相等。
4.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤SS3中，对待修复磨损部件的实物图像数据进行标定处理以校正图像中由于小孔成像带来的畸变效应，并对标定后的图像数据进行重投影，使其与原始三维模型的切片点云数据进行空间对齐。
5.根据权利要求
6.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤SS5中，所述磨损差异模型的编码器部分由多层卷积神经网络单元组成，每个卷积单元包含一个2倍下采样模块以提取输入数据的深层特征；解码器部分由多层卷积神经网络单元组成，每个卷积单元包含一个2倍上采样模块，以恢复原始分辨率的点云数据。
7.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤SS5中，在进行基于深度学习的磨损差异模型的构建训练时，至少包括如下子步骤：
8.根据权利要求7所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述子步骤SS52中，基于二元交叉熵损失函数计算预测磨损量(dx'，dy')与实际标注磨损量(dx,dy)的损失函数值，表示预测磨损量与实际磨损量之间的交叉熵差值，其中二元交叉熵损失函数定义为：
9.根据权利要求7所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述子步骤SS53中，采用梯度下降优化方法进行模型参数优化时，采用自适应学习率调整机制以动态调整学习率，提高模型训练的收敛速度和优化效果，确保模型在更短时间内达到最优状态。
10.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令指示计算设备用于执行如权利要求1至9任一项所述的基于深度学习的工业装备增材修复差异模型重构方法。
...【技术特征摘要】
1.一种基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，所述差异模型重构方法在实施时主要包括以下步骤：
2.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤ss1中，所获取的原始三维几何模型数据为采用基于测量仪或三维扫描仪获得的三维点云数据，或基于cad建模生成的几何模型数据；所获取的实物图像数据通过高分辨率摄像设备获取。
3.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤ss2中，对原始三维几何模型进行的位置和姿态调整变换，至少包括平移变换及旋转变换在内的刚体变换；切片处理过程则采用基于网格模型或点云模型的切片算法，生成的切片面与磨损部件的主平面平行且间距相等。
4.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤ss3中，对待修复磨损部件的实物图像数据进行标定处理以校正图像中由于小孔成像带来的畸变效应，并对标定后的图像数据进行重投影，使其与原始三维模型的切片点云数据进行空间对齐。
5.根据权利要求1所述的基于深度学习的工业装备增材修复差异模型重构方法，其特征在于，上述步骤ss4中，所述特征匹配算法采用尺度不变特征变换算法或加速稳健特征算法，以实现高鲁棒性和高精度的特征匹配，提高重投影图像点数据与原始模型切片点云数据的匹配效率和准确性。
<...【专利技术属性】
技术研发人员：杜宝瑞，王殿政，姚俊，李恺伦，
申请(专利权)人：中国科学院工程热物理研究所，
类型：发明
国别省市：
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。