基于全卷积网络数字图像处理的落料过程刀具磨损分割
计算机视觉与模式识别
2023-11-23 v1 图像与视频处理
摘要
刀具磨损程度显著影响落料过程，并对产品质量与生产率具有决定性影响。为此，众多学者致力于磨损监测系统研究，以早期识别甚至预测临界磨损。现有方法主要基于使用时间序列的间接监测，通过阈值或机器学习模型检测临界磨损状态。然而，实践中对落料过程中影响刀具的磨损现象类型的区分以及磨损表面的量化仍然有限。虽然时间序列数据提供了磨损发生与演变的部分洞察，但利用图像数据的直接监测技术在处理变化的过程参数时提供了更全面的视角与更强的鲁棒性。然而，实时获取与处理此类数据具有挑战性。特别是高动态结合递增的冲程速率以及图像数据的高维性，迄今阻碍了基于直接图像的监测系统的发展。为此，本文展示了如何捕获 600 spm 下刀具的高分辨率图像，并随后使用语义分割深度学习算法（更确切地说是全卷积网络（FCN））进行处理。从连续冲程中拍摄 125,000 张刀具图像，并捕获显微镜图像以研究磨损表面。基于显微镜图像的发现，根据磨损状态对选定图像进行逐像素标注，并用于训练一个 FCN（U-Net）。
引用
@article{arxiv.2311.12841,
title = {Tool Wear Segmentation in Blanking Processes with Fully Convolutional Networks based Digital Image Processing},
author = {Clemens Schlegel and Dirk Alexander Molitor and Christian Kubik and Daniel Michael Martin and Peter Groche},
journal= {arXiv preprint arXiv:2311.12841},
year = {2023}
}