CN119417765A 一种工业视觉的生产线产品质量溯源方法 （科大讯飞华南人工智能研究院（广州）有限公司）

本申请提供一种工业视觉的生产线产品质面纹理进行缺陷类型的识别，综合分析材料属2采用成像设备对产品表面进行微观成像，获取不同切削参数下加对预处理后的纹理图像数据，提取能够反映工具磨损程度的关键特征根据产品表面微观纹理的多维度特征向量，结合工具磨损程度若当前工具磨损程度超过预设阈值，则触发工具更换预警，同对已标识的疑似缺陷产品，通过分析表面纹理进行缺陷类型的识别根据判断结果，将产品表面纹理检测结果与工具磨损预警信息取不同切削参数下加工表面的纹理图像数据，进行图像预处理以提高图像对比度和清晰根据Canny边缘检测算法突出所述纹理图像数据的表面纹理特征，得到边缘增强的纹对所述边缘增强的纹理图像进行形态学操作，包括膨胀和腐蚀，将缺陷区域的特征输入支持向量机分类器，判断缺陷区域是否为材料缺从所述二维功率谱中提取主频率分量，根据所述主频3将所述纹理取向角、所述纹理周期、所述表面粗糙度统计特征从所述表面纹理图像中提取纹理取向角、纹理周期和表面粗糙度特建立工具磨损指数与表面纹理特征参数之间的映射关系，选择径向基函数作为核函获取产品表面微观纹理图像，从所述微观纹理图像中提取纹根据所述标准化特征参数按预定顺序组合构建多采用K近邻算法计算所述多维度特征向量与预先建立的工具磨损程度与表面纹理特征利用加权平均方法计算K个样本对应的工具磨损程度的加权平均值，得到当前工具的将所述工具磨损程度估计值与预设的磨损预警阈值进行比较，若工获取实时监测的工具磨损程度数据，与预设的磨损阈值进行4还包括：采用振动传感器和切削力传感器实时监测加工过程对实时采集加工过程中的振动信号和切削力信号去除噪声，得到去噪根据所述去噪后的振动信号和切削力信号，通过快速傅里叶变建立工具磨损程度与振动幅值、主轴电流和切削力的对应关系，设置振动幅值和切削力的预警阈值，根据工具类型和加工材料，采用实时比对当前振动幅值、切削力数据与所述预设阈值，采用加权评分法，设置振动幅值权重、切削力权重和估算磨损程若所述综合得分超过预设临界值，或振动幅值突破突增阈值，对已标识的疑似缺陷产品进行表面扫描，采用灰度共生矩阵提取纹理根据所述纹理特征构建表面纹理特征向量，对表面纹理特征向量进采用所述材料属性数据、所述尺寸公差要求和当前加工参数建5若得到所述材料与公差与工艺特征向量，则结合缺陷类型识通过所述综合分析判断表面纹理异常是由工具磨损引起还是产品本9.根据权利要求8所述的方法，其中，所述结合从产品CAD模型中提取关键尺寸和公差要求，获取产品的几何特征及其尺寸值和公差根据所述相关性模型，输入标准化后的材料属性和公差数据，根据所述工具磨损数据和加工参数，建立产品质量预测模型，所针对所述产品质量预测模型的输出结果，与预设的质量标准进行若产品不合格，则基于遗传算法优化工具更换时机，所述根据所述工具更换策略的优化结果，采用在线学习算法实现增量学6些纹理变化与生产工具的磨损程度之间存在着复杂的对应关系。随着生产工具的不断使化工具磨损程度与表面纹理特征之间的对应78[0021]采用高分辨率成像设备对产品表面进行微观成像时，选择扫描电镜作为成像设缺陷区域是否为材料缺陷或装夹不稳定性造成的干扰。根据支持向量机分类结果，采用9[0025]对预处理后的512x512像素纹理图像数据进行二维快速傅里叶变换，得到频域表准化特征参数按预定顺序组合构建多维度特征向量。采用K近邻算法计算所述多维度特征向量与预先建立的工具磨损程度与表面纹理特征对应关系数据库中所有记录的欧氏距离，氏距离，找出5个最相似样本。假设这5个样本的特征向量和对应的工具磨损程度分别为通过加权平均计算得到当前工具的磨损程度估计值为练好的支持向量回归模型估算当前工具磨损程度。采用加权评分法，设置振动幅值权重传感器采集的主轴电流经20Hz低通滤波后稳定在15A。将这些数据输入训练好的支持向量据历史数据统计，设置振动幅值突增阈值为0.8g(90％分位数)，切削力持续上升阈值为(0.5/0.8)＊30＝18.75，切削力得分为(551/550)＊30＝30.05，估算磨损程度得分为深度为10，通过多数投票原则判断表面纹理异常是由工具磨损引起还是产品本身缺陷导[0044]从产品CAD模型中提取关键尺寸和公差要求，获取产品的几何特征及其尺寸值和和优化工具磨损程度与表面纹理特征之间的述遗传算法设置染色体编码表示不同的工具更换策略。根据所述工具更换策略的优化结收集生产现场数据，每1