Jul, 2024

基于 Segment Anything 模型的高效切削工具磨损分割

PDF
TL;DR基于 Segment Anything Model，我们提出了一种高效的基于 U-Net 的刀具磨损分割方法，该方法用作自动化提示生成器以简化刀具磨损检测过程。我们的评估涵盖了三种感兴趣点生成方法，并进一步研究了训练数据集规模和 U-Net 训练强度变化对结果的影响。结果一致强调了我们方法相对于 U-Net 的优势，在数据集有限的情况下实现准确的磨损分割。这一特点突出了该方法在数据集有限的工业场景中的潜在适用性。
tool wearsurface qualitygeometric precisionsegmentation approachu-net
发现论文，激发创造
  • 基于深度学习的刀具磨损估计在考虑切削条件的情况下

    通过在卷积神经网络中引入切削条件作为额外的模型输入，本研究提出了一种基于深度学习的方法，旨在提高刀具磨损估计的准确性，并满足工业对零射击传递能力的需求，通过一系列铣削实验评估模型的性能，结果一致强调我们方法的优势，无论磨损发展的稳定性还是训练数据集的限制如何，其性能都优于省略切削条件的传统模型，这一发现凸显了其在工业场景中的潜在应用性。

    Jul, 2024

  • 钻孔刀具磨损检测中基于语义图像分割的数据增强和损失函数评估

    本文介绍了一种基于 U-Net 的语义图像分割管道，用于监测切削刀具在钻孔应用中的磨损情况，并将问题以二进制分类任务的形式加以解决。研究还考察了不同的损失函数，以及使用不同强度的图像增强技术训练图像。我们发现，最好的表现模型是使用 IoU 损失函数，在中度增强数据上训练的二进制模型。

    Feb, 2023

  • 基于局部纹理的在线、自动和低成本的刀具磨损监测系统

    通过利用计算机视觉和机器学习，基于切削刀具的磨损程度，我们提出了一种在线、低成本、快速的方法来确定边缘轮廓铣削过程中使用的切削工具是否可用或可丢弃。

    Feb, 2024

  • 基于全卷积网络的数字图像处理下的模具磨损分割在冲裁过程中的应用

    工具磨损、磨损监测系统、冲压工艺、时间序列、深度学习算法

    Oct, 2023

  • 增强工具磨损估计中的迁移学习能力的深度学习方法

    通过深度学习方法估计刀具磨损，在考虑切削参数的情况下，通过铣削实验评估模型的准确性和传递性，结果表明该方法在传递性和快速学习能力方面优于传统方法。

    Jul, 2024

  • 基于激光增材制造的可提示缺陷分割的无监督方法

    利用基于 Vision Transformer (ViT) 的基础模型和无监督聚类生成方案，构建了一个图像分割框架，将其应用于实时孔隙分割，并在没有监督微调的情况下获得较高的骰子相似系数 (DSC)，从而实现了轻量级模型推理和无监督提示生成，旨在革新当前基于激光的增材制造流程，促进无缺陷生产和运营效率，并实现工业 4.0 的转型。

    Dec, 2023

  • 红队测试分段一切模型

    通过对城市道路仪表盘图像应用恶劣天气条件和雨滴，测试了细分任何模型在多个挑战性任务中的影响，通过诸多测试方法和分析表明需要加强图像细分基础模型的安全措施。

    Apr, 2024

  • 使用超声麦克风阵列和卷积神经网络进行数控车削加工中的刀具磨损预测

    本文介绍了一种新颖的方法来预测数控车削中的刀具磨损，该方法结合了超声麦克风阵列和卷积神经网络 (CNN)。利用波束形成技术增强 0 kHz 到 60 kHz 的高频声发射信号与噪声之比，然后通过 CNN 分析处理后的声学数据，预测切削工具的剩余可用寿命 (RUL)。经过训练并使用单个硬质合金插入切削的 350 个工件的数据，该模型能够准确预测硬质合金插入切削的 RUL。我们的结果展示了将先进的超声传感器与深度学习相结合在数控加工的准确预测性维护任务中的潜力。

    Jun, 2024

  • 通过模拟变形实现非分割

    利用基础分割模型进行对象提取可能导致版权侵权或恶意滥用的风险，为了解决这个问题，提出了新的任务 “不可分割的任何内容”，旨在实现对所有基于提示的分割模型的高度可迁移的对抗性攻击。通过干扰图像编码器功能来实现无关提示的攻击，同时基于观察结果，设计了一种名为 Unsegment Anything by Simulating Deformation (UAD) 的新型攻击方法，通过优化可微形变函数创建目标变形图像，从而改变结构信息并保持可实现的特征距离。通过广泛的实验证实了该方法的有效性，兼容不同体系结构和提示接口的各种可提示分割模型。

    Apr, 2024

  • 基于数据驱动的贝叶斯正则化人工神经网络预测工具磨损

    采用贝叶斯正则化人工神经网络的数据驱动模型精确预测铣削刀具磨损，并在实验研究中表明其在准确性和可靠性方面优于现有的现有模型。

    Nov, 2023