本發(fā)明涉及汽車制造，具體而言，涉及一種汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估方法及系統(tǒng)。

背景技術(shù)：

1、切削面在汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估方面，當(dāng)前技術(shù)的現(xiàn)狀存在一些不足之處，具體如下：傳統(tǒng)人工檢測(cè)方法在汽車行業(yè)中的應(yīng)用日益凸顯出效率低下和檢測(cè)精度不足的問(wèn)題，隨著新一代信息技術(shù)的發(fā)展，智能制造成為趨勢(shì)，對(duì)自動(dòng)化、智能化的視覺(jué)檢測(cè)系統(tǒng)的需求日益增長(zhǎng)；現(xiàn)有技術(shù)在自動(dòng)化程度方面還有待提高，許多生產(chǎn)環(huán)節(jié)仍依賴人工操作，這不僅影響了生產(chǎn)效率，也難以保證加工質(zhì)量的一致性；傳統(tǒng)的表面質(zhì)量檢測(cè)技術(shù)，如渦流檢測(cè)、交流電磁場(chǎng)檢測(cè)、漏磁檢測(cè)和激光超聲檢測(cè)等，雖然在特定領(lǐng)域有一定的應(yīng)用，但它們?cè)谶m用場(chǎng)合、缺陷類型識(shí)別和定量描述方面存在局限，無(wú)法滿足當(dāng)前工業(yè)產(chǎn)品的表面缺陷檢測(cè)需求。

2、因此，傳統(tǒng)的表面缺陷檢測(cè)方法如渦流檢測(cè)、交流電磁場(chǎng)檢測(cè)等，僅適用于特定材料和特定類型的缺陷，且對(duì)表面光潔度要求較高，難以適應(yīng)多樣化的工業(yè)檢測(cè)需求，且現(xiàn)有的自動(dòng)化檢測(cè)系統(tǒng)往往缺乏與生產(chǎn)流程的深度集成，導(dǎo)致數(shù)據(jù)孤島現(xiàn)象，難以實(shí)現(xiàn)全面的質(zhì)量控制和追溯，還有就是隨著產(chǎn)品類型的多樣化，現(xiàn)有的檢測(cè)系統(tǒng)難以快速適應(yīng)新的檢測(cè)需求，缺乏靈活性和擴(kuò)展性。綜上所述，汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估在現(xiàn)有技術(shù)中存在自動(dòng)化程度不足、表面質(zhì)量檢測(cè)技術(shù)落后等問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估方法及系統(tǒng)，以改善上述問(wèn)題。為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案如下：

2、第一方面，本技術(shù)提供了一種汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估方法，包括：

3、采集汽車卡鉗切削面在不同使用階段的圖像數(shù)據(jù)，每個(gè)階段的圖像數(shù)據(jù)包括切削面的光澤度、顏色均勻性、以及表面劃痕的圖像信息；

4、其中，獲取圖像數(shù)據(jù)：這一步驟確保能夠獲得切削面光澤度、顏色均勻性和表面完整性的基線數(shù)據(jù)，卡鉗經(jīng)過(guò)常規(guī)維護(hù)后，再次使用相同的圖像采集設(shè)備進(jìn)行拍攝，以記錄維護(hù)對(duì)切削面狀態(tài)的影響。這一步驟有助于評(píng)估維護(hù)流程對(duì)切削面質(zhì)量的保持效果。對(duì)于長(zhǎng)期使用后的卡鉗，通過(guò)圖像采集設(shè)備捕獲切削面的表面和老化情況。通過(guò)上述圖像采集步驟，能夠得到反映汽車卡鉗切削面在不同使用階段狀態(tài)的詳細(xì)圖像數(shù)據(jù)，這些數(shù)據(jù)不僅包括了切削面的光澤度、顏色均勻性，還包括了表面劃痕或切削面的圖像信息。

5、利用gabor濾波器對(duì)圖像數(shù)據(jù)進(jìn)行處理，提取汽車卡鉗切削面的第一紋理特征和第二紋理特征，其中第一紋理特征為切削面表面的粗糙度、顆粒度和裂縫深度在0°、45°、90°和135°方向上的分布特征，其中第二紋理特征為不同尺度的gabor濾波器，每個(gè)尺度的設(shè)計(jì)用于捕捉切削面表面在一段頻率范圍內(nèi)的紋理細(xì)節(jié)；

6、基于第一紋理特征和第二紋理特征，構(gòu)建并訓(xùn)練自編碼器模型，其中自編碼器模型通過(guò)最小化重構(gòu)誤差來(lái)自動(dòng)提取數(shù)據(jù)的高級(jí)抽象特征，其中編碼器將高維圖像數(shù)據(jù)壓縮成低維特征表示，解碼器則從這些低維特征中重構(gòu)出原始圖像，從而為汽車卡鉗切削面的切削面評(píng)估提供深度學(xué)習(xí)提取的特征表示；

7、根據(jù)第一紋理特征、第二紋理特征以及深度學(xué)習(xí)提取的特征表示，經(jīng)過(guò)特征融合處理，得到全面的特征表示，其中特征融合處理包括加權(quán)平均、pca降維以及深度學(xué)習(xí)的dense層融合法；

8、通過(guò)基于互信息的特征選擇對(duì)全面的特征表示進(jìn)行處理，得到對(duì)切削面狀態(tài)判斷最有貢獻(xiàn)的特征，其中特征選擇處理包括計(jì)算特征與切削面狀態(tài)之間的互信息量，并選擇互信息量最大的特征作為輸入項(xiàng)；

9、基于最有貢獻(xiàn)的特征，經(jīng)過(guò)長(zhǎng)短時(shí)記憶卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與優(yōu)化處理，得到切削面狀態(tài)的分類結(jié)果，其中模型訓(xùn)練與優(yōu)化包括使用交叉驗(yàn)證、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)以及優(yōu)化算法的選擇，其中切削面狀態(tài)的分類結(jié)果用于評(píng)估汽車卡鉗切削面的情況。

10、優(yōu)選地，所述利用gabor濾波器對(duì)圖像數(shù)據(jù)進(jìn)行處理，提取汽車卡鉗切削面的第一紋理特征，其中第一紋理特征為切削面表面的粗糙度、顆粒度和裂縫深度在0°、45°、90°和135°方向上的分布特征，其中包括：

11、設(shè)計(jì)不同方向上有關(guān)汽車卡鉗切削面的gabor濾波器，其中不同方向包括0°、45°、90°和135°方向；

12、將設(shè)計(jì)的gabor濾波器應(yīng)用于汽車卡鉗表面的圖像數(shù)據(jù)，其中對(duì)于每個(gè)方向的濾波器，執(zhí)行卷積操作；

13、基于卷積操作結(jié)果，從濾波后的圖像中提取粗糙度、顆粒度和裂縫深度的特征。

14、優(yōu)選地，所述構(gòu)建并訓(xùn)練自編碼器模型，其中自編碼器模型通過(guò)最小化重構(gòu)誤差來(lái)自動(dòng)提取數(shù)據(jù)的高級(jí)抽象特征，其中編碼器將高維圖像數(shù)據(jù)壓縮成低維特征表示，解碼器則從這些低維特征中重構(gòu)出原始圖像，從而為汽車卡鉗切削面的評(píng)估提供深度學(xué)習(xí)提取的特征表示，其中包括：

15、設(shè)計(jì)一個(gè)包含編碼器和解碼器的自編碼器模型，其中編碼器由多個(gè)卷積層和池化層組成，用于提取圖像的特征，其中解碼器由卷積層的轉(zhuǎn)置操作構(gòu)成，用于重建圖像；

16、經(jīng)過(guò)自編碼器模型處理，將高維圖像數(shù)據(jù)壓縮成低維特征向量，其中低維特征向量包含了圖像的主要信息；

17、根據(jù)低維特征向量，經(jīng)過(guò)解碼器處理，得到重建的圖像，其中重建的圖像是原始圖像數(shù)據(jù)的近似表示，并通過(guò)優(yōu)化重構(gòu)誤差，自動(dòng)學(xué)習(xí)數(shù)據(jù)的高層特征表示，其中優(yōu)化重構(gòu)誤差包括原始圖像與重建圖像之間的差異；

18、根據(jù)自編碼器模型的訓(xùn)練結(jié)果，經(jīng)過(guò)特征選擇和降維處理，得到能夠代表圖像關(guān)鍵信息的低維特征表示，并最終得到用于后續(xù)切削面評(píng)估的深度學(xué)習(xí)提取的特征表示。

19、優(yōu)選地，所述根據(jù)第一紋理特征、第二紋理特征以及深度學(xué)習(xí)提取的特征表示，經(jīng)過(guò)特征融合處理，得到全面的特征表示；

20、將自編碼器得到的低維特征和第一物理特性進(jìn)行融合；

21、將最終的特征表示進(jìn)行特征歸一化、特征選擇及降維，得到優(yōu)化后的全面的特征表示。

22、優(yōu)選地，所述通過(guò)基于互信息的特征選擇對(duì)全面的特征表示進(jìn)行處理，得到對(duì)切削面表面狀態(tài)判斷最有貢獻(xiàn)的特征，其中特征選擇處理包括計(jì)算特征與切削面表面狀態(tài)之間的互信息量，并選擇互信息量最大的特征作為輸入項(xiàng)，其中包括：

23、令?x?為從全面的特征表示中提取的特征集合，令?y?為汽車卡鉗的切削面表面狀態(tài)標(biāo)簽，確定每個(gè)特征和切削面表面狀態(tài)同時(shí)出現(xiàn)的概率，并計(jì)算每個(gè)特征單獨(dú)出現(xiàn)的概率以及每個(gè)切削面表面狀態(tài)單獨(dú)出現(xiàn)的概率，計(jì)算特征與切削面表面狀態(tài)之間的互信息量；

24、評(píng)估每個(gè)特征的互信息量，并進(jìn)行特征排序，選擇互信息量最大的特征作為對(duì)切削面表面狀態(tài)判斷最有貢獻(xiàn)的特征。

25、第二方面，本技術(shù)還提供了一種汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估系統(tǒng)，包括：

26、采集模塊：用于采集汽車卡鉗切削面在不同使用階段的圖像數(shù)據(jù)，每個(gè)階段的圖像數(shù)據(jù)包括切削面的光澤度、顏色均勻性、以及表面劃痕的圖像信息；

27、提取模塊：用于利用gabor濾波器對(duì)圖像數(shù)據(jù)進(jìn)行處理，提取汽車卡鉗切削面的第一紋理特征，其中第一紋理特征為切削面表面的粗糙度、顆粒度和裂縫深度在0°、45°、90°和135°方向上的分布特征，提取汽車卡鉗切削面的第二紋理特征，其中第二紋理特征為不同尺度的gabor濾波器，每個(gè)尺度的設(shè)計(jì)用于捕捉切削面表面在一段頻率范圍內(nèi)的紋理細(xì)節(jié)；

28、構(gòu)建模塊：用于基于第一紋理特征和第二紋理特征，構(gòu)建并訓(xùn)練自編碼器模型，其中自編碼器模型通過(guò)最小化重構(gòu)誤差來(lái)自動(dòng)提取數(shù)據(jù)的高級(jí)抽象特征，其中編碼器將高維圖像數(shù)據(jù)壓縮成低維特征表示，解碼器則從這些低維特征中重構(gòu)出原始圖像，從而為汽車卡鉗切削面的評(píng)估提供深度學(xué)習(xí)提取的特征表示；

29、第一處理模塊：用于根據(jù)第一紋理特征、第二紋理特征以及深度學(xué)習(xí)提取的特征表示，經(jīng)過(guò)特征融合處理，得到全面的特征表示，其中特征融合處理包括加權(quán)平均、pca降維以及深度學(xué)習(xí)的dense層融合法；

30、第二處理模塊：用于通過(guò)基于互信息的特征選擇對(duì)全面的特征表示進(jìn)行處理，得到對(duì)切削面表面狀態(tài)判斷最有貢獻(xiàn)的特征，其中特征選擇處理包括計(jì)算特征與切削面表面狀態(tài)之間的互信息量，并選擇互信息量最大的特征作為輸入項(xiàng)；

31、優(yōu)化模塊：用于基于最有貢獻(xiàn)的特征，經(jīng)過(guò)長(zhǎng)短時(shí)記憶卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與優(yōu)化處理，得到切削面表面狀態(tài)的分類結(jié)果，其中模型訓(xùn)練與優(yōu)化包括使用交叉驗(yàn)證、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)以及優(yōu)化算法的選擇，其中切削面表面狀態(tài)的分類結(jié)果用于評(píng)估汽車卡鉗切削面的切削面表面情況。

32、第三方面，本技術(shù)還提供了一種汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估設(shè)備，包括：

33、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

34、處理器，用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估方法的步驟。

35、第四方面，本技術(shù)還提供了一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述基于汽車卡鉗生產(chǎn)流水線的切削加工質(zhì)量評(píng)估方法的步驟。

36、本發(fā)明的有益效果為：

37、本發(fā)明通過(guò)使用長(zhǎng)短時(shí)記憶卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合交叉驗(yàn)證、網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整和優(yōu)化算法選擇，本發(fā)明能夠更準(zhǔn)確地評(píng)估汽車卡鉗切削面的切削面狀態(tài)，捕捉到切削面表面的細(xì)微特征，包括粗糙度、顆粒度和裂縫深度，從而提高了評(píng)估的準(zhǔn)確性；采用k折交叉驗(yàn)證方法，確保了模型在不同數(shù)據(jù)子集上都具有良好的性能，有助于提高模型的泛化能力，確保在實(shí)際應(yīng)用中的穩(wěn)定性和可靠性。

38、本發(fā)明通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和選擇合適的優(yōu)化算法，減少了模型訓(xùn)練所需的時(shí)間和資源，提高了計(jì)算效率，更快地對(duì)汽車卡鉗切削面進(jìn)行評(píng)估，加快了生產(chǎn)流水線的檢測(cè)速度；通過(guò)加權(quán)平均、pca降維和深度學(xué)習(xí)的dense層融合法，將多源特征進(jìn)行了有效融合，這不僅保留了最有貢獻(xiàn)的特征，還去除了冗余信息，使得特征表示更加全面和緊湊。

39、本發(fā)明的模型可以實(shí)時(shí)應(yīng)用于汽車卡鉗生產(chǎn)流水線，對(duì)切削面狀態(tài)進(jìn)行快速評(píng)估，為及時(shí)維護(hù)和更換提供了決策支持，從而提高了生產(chǎn)效率和產(chǎn)品質(zhì)量，通過(guò)自動(dòng)化和智能化的切削面評(píng)估方法，本發(fā)明減少了人工檢測(cè)的需求，降低了勞動(dòng)成本和因人為因素導(dǎo)致的誤判風(fēng)險(xiǎn)；準(zhǔn)確評(píng)估汽車卡鉗切削面的切削面表面狀態(tài)對(duì)于保障汽車制動(dòng)性能至關(guān)重要，有助于提升汽車的安全性和延長(zhǎng)使用壽命。

40、本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書(shū)闡述，并且，部分地從說(shuō)明書(shū)中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明實(shí)施例了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫(xiě)的說(shuō)明書(shū)、權(quán)利要求書(shū)、以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。