基于层次深度学习方法的砂轮轮廓磨损分类
计算机视觉与模式识别
2026-03-16 v1 机器学习
摘要
砂轮轮廓因其灵活性而常用于复杂自由曲面面的精密加工，但这种灵活性导致复杂的磨损模式，如凹面/凸面轮廓或轮tear，这些模式影响加工结果。本文提出了一种新颖的、基于视觉的层次分类框架，用于自动化轮廓磨损状态监测。不同于单一的分类方法，我们将问题分解为三个逻辑层次：(1)状态检测(新品与磨损)，(2)磨损类型识别(矩形、凹面、凸面)和轮tear检测，(3)严重程度评估(局部与完全变形)。构建了一个来自真实砂轮图像的数据集，并采用EfficientNetV2架构进行迁移学习。结果表明该方法具有高度鲁棒性，分类准确率范围为93.8%(轮tear)至99.3%(凹面严重程度)。此外，利用梯度加权类激活映射(Grad-CAM)验证模型学习的是物理相关特征，并检查了误分类案例。该提出的层次方法为自适应工艺控制和轮廓磨损考虑提供了基础。
引用
@article{arxiv.2603.12852,
title = {Wear Classification of Abrasive Flap Wheels using a Hierarchical Deep Learning Approach},
author = {Falko Kähler and Maxim Wille and Ole Schmedemann and Thorsten Schüppstuhl},
journal= {arXiv preprint arXiv:2603.12852},
year = {2026}
}
备注
14 pages, 11 figures, 8 tables