CN118848682B - 一种光学镜片打磨质量优化方法及系统 - Google Patents
一种光学镜片打磨质量优化方法及系统 Download PDFInfo
- Publication number
- CN118848682B CN118848682B CN202411345204.9A CN202411345204A CN118848682B CN 118848682 B CN118848682 B CN 118848682B CN 202411345204 A CN202411345204 A CN 202411345204A CN 118848682 B CN118848682 B CN 118848682B
- Authority
- CN
- China
- Prior art keywords
- polishing
- optical lens
- quality
- real
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 199
- 238000005498 polishing Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 45
- 238000007517 polishing process Methods 0.000 claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 18
- 230000003746 surface roughness Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000002826 coolant Substances 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 210000004205 output neuron Anatomy 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000011056 performance test Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000110 cooling liquid Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 40
- 239000000047 product Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000012467 final product Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000010948 quality risk assessment Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B13/00—Machines or devices designed for grinding or polishing optical surfaces on lenses or surfaces of similar shape on other work; Accessories therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Grinding And Polishing Of Tertiary Curved Surfaces And Surfaces With Complex Shapes (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明涉及光学镜片技术领域，具体为一种光学镜片打磨质量优化方法及系统。首先采集初始光学镜片与成品镜片的表面质量数据，构建初始数据集，通过预处理去除存在严重缺陷的样本形成标准数据集；并对标准数据集进行特征提取，利用皮尔逊相关系数分析出对打磨质量影响显著的特征，以此构建自动化控制模型，输出打磨参数，并对不同区域进行划分制定相应的打磨策略。其次根据打磨参数对光学镜片进行打磨，并对打磨过程中对镜片表面进行连续实时监测，通过考虑光学镜片的粗糙度、缺陷数量、材料均匀性及能耗多个维度，计算实时质量评分。最后根据实时质量评分设立预警机制，获得光学镜片在打磨过程中的风险等级，确保在质量风险出现时及时响应。
Description
技术领域
本发明涉及光学镜片技术领域，具体为一种光学镜片打磨质量优化方法及系统。
背景技术
光学镜片在现代光学器件中具有广泛的应用，如摄像头镜头、显微镜、望远镜、激光设备等。随着科技的进步，对光学镜片的表面质量和精度要求越来越高。高质量的光学镜片需要具备极低的表面粗糙度和高度的形状精度，以确保在光学系统中能够提供优异的成像质量和光学性能。然而，光学镜片的打磨过程是一个复杂且精细的工艺环节，直接影响着镜片的最终质量。
传统的光学镜片打磨工艺通常依赖于操作人员的经验和手工调整，而且传统的打磨方法在处理这些高要求的镜片时，往往会出现表面缺陷、边缘崩裂和形状偏差等问题，导致生产成本的增加和废品率的提高。
为了解决这些问题，逐渐引入数控打磨设备和先进的测量技术。然而，现有自动化打磨系统难以灵活应对不同镜片的需求，并缺乏实时反馈控制机制，导致打磨质量和生产效率难以进一步提升。因此，如何优化光学镜片的打磨质量，降低表面缺陷，提高生产效率，成为当前光学制造领域亟需解决的技术难题。
为此，提出一种光学镜片打磨质量优化方法及系统。
发明内容
本发明的目的在于提供一种光学镜片打磨质量优化方法及系统，首先采集初始光学镜片与成品镜片的表面质量数据，构建初始数据集，通过预处理去除存在严重缺陷的样本形成标准数据集；并对标准数据集进行特征提取，利用皮尔逊相关系数分析出对打磨质量影响显著的特征，以此构建自动化控制模型，输出打磨参数，并对不同区域进行划分制定相应的打磨策略。其次根据打磨参数对光学镜片进行打磨，并对打磨过程中对镜片表面进行连续实时监测，通过考虑光学镜片的粗糙度、缺陷数量、材料均匀性及能耗多个维度，计算实时质量评分。最后根据实时质量评分设立预警机制，获得光学镜片在打磨过程中的风险等级，确保在质量风险出现时及时响应。
为实现上述目的，本发明提供如下技术方案：
一种光学镜片打磨质量优化方法，包括：
采集初始光学镜片的表面质量数据及成品镜片的表面质量数据，构建初始数据集；
对所述初始数据集进行预处理，去除严重缺陷的初始光学镜片，并得到标准数据集；
对所述标准数据集提取特征，构建自动化控制模型，得到打磨参数，并对不同区域进行划分制定相应的打磨策略，实时调整光学镜片打磨过程中需要调整的区域；所述打磨参数包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；
根据所述打磨参数对光学镜片进行打磨，并对打磨过程中的光学镜片进行实时监测，获得实时光学镜片的质量评分；
依据所述实时光学镜片的质量评分，设立预警机制；所述预警机制依据所述实时光学镜片的质量评分，将风险等级划分为两个等级，具体包括：
高风险等级：；
低风险等级：；
其中，是通过分析历史数据中各个风险等级的分布，。
优选的，所述初始数据集中数据包括光学镜片的平均粗糙度、峰谷高度、均方根粗糙度、直径、厚度、曲率半径、材料属性、划痕、凹坑、裂纹和冷却液流量。
优选的，具有所述严重缺陷的初始光学镜片的识别过程具体过程包括：
对所述初始数据集中的数据进行缺失值检查，对具有缺失值的数据进行二次检查，得到第一初始数据集；
对所述第一初始数据集进行归一化处理，通过函数识别异常值；对于异常值对应的初始光学镜片进行去除；
对剩余数据进行归一化处理，获得所述标准数据集。
优选的，所述提取特征用于在所述标准数据集中提取对打磨质量影响较大的特征，具体过程包括：
对所述标准数据集中数据使用皮尔逊相关系数方法计算数据与打磨质量之间相关程度；
所述相关系数越大表明与所述打磨质量之间关联程度越高；通过所述相关系数获取标准特征向量组，建立自动化控制模型；
所述自动化控制模型包括预处理层、特征分析层和参数预测层；
所述预处理层包括数据清洗、标准化、归一化和缺失值处理；
所述特征分析层包括LSTM网络结构，用于对所述标准特征向量组进行分析，获取第一特征向量；
所述参数预测层包括四个输出神经元，每个所述输出神经元对应一个预测目标；所述预测目标包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；所述参数预测层用于根据所述标准特征向量组，对所述标准特征向量组中的参数进行预测，获取预测结果；
通过实时比较预测结果和实际参数，自动对打磨参数进行调整。
优选的，所述自动化控制模型包括区域识别：
基于经验规则，将初始光学镜片划分为不同区域，并基于所述自动化控制模型对不同区域制定相应的打磨策略；
基于线性调整算法，根据不同区域的表面粗糙度来调整打磨压力，具体公式为：
；
其中，为调整后的打磨压力，为标准操作条件下设定的压力，为压力调整系数，为目标粗糙度，为实测粗糙度。
优选的，所述实时监测通过高分辨率摄像头实时捕捉光学镜片表面的图像，通过图像识别方法识别打磨过程中光学镜片表面的划痕、凹坑和裂纹；通过激光扫描测量光学镜片的表面粗糙度并与目标粗糙度进行比较，计算出偏差；
基于打磨过程中光学镜片的实时数据和预设的质量标准，自动生成每个镜片的实时光学镜片的质量评分；所述实时光学镜片的质量评分具体计算公式为：
；
其中，为实时光学镜片的质量评分，为粗糙度评分的权重，为调节粗糙度偏差影响的敏感度参数，为目标粗糙度，为实测粗糙度，为缺陷评分的权重，为调节缺陷数量对评分影响的系数，为第类缺陷的数量，为其他质量维度评分的权重，为材料均匀性、光学性能测试质量维度的评分，为效率评分的权重，为打磨过程所需的时间，为调节能耗对效率评分影响的系数，为打磨过程中消耗的能量。
优选的，当所述实时光学镜片的质量评分小于时，对应的风险等级为高风险等级；当所述实时光学镜片的质量评分大于等于时，对应的风险等级为低风险等级。
一种光学镜片打磨质量优化系统，包括：
数据采集单元，用于采集初始光学镜片的表面质量数据及成品镜片的表面质量数据，构建初始数据集；
数据分析单元，用于对所述初始数据集进行预处理，去除严重缺陷的初始光学镜片，并得到标准数据集；
自动化控制单元，用于对所述标准数据集提取特征，构建自动化控制模型，得到打磨参数，并对不同区域进行划分制定相应的打磨策略，实时调整光学镜片打磨过程中需要调整的区域；所述打磨参数包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；
实时光学检测单元，用于根据所述打磨参数对光学镜片进行打磨，并对打磨过程中的光学镜片进行实时监测，获得实时光学镜片的质量评分；
预警单元，用于依据所述实时光学镜片的质量评分，设立预警机制。
优选的，所述自动化控制单元包括区域识别：
基于经验规则，将初始光学镜片划分为不同区域，并基于所述自动化控制模型对不同区域制定相应的打磨策略；
基于线性调整算法，根据不同区域的表面粗糙度来调整打磨压力，具体公式为：
；
其中，为调整后的打磨压力，为标准操作条件下设定的压力，为压力调整系数，为目标粗糙度，为实测粗糙度。
优选的，所述实时光学检测单元中所述实时监测通过高分辨率摄像头实时捕捉光学镜片表面的图像，通过图像识别方法识别打磨过程中光学镜片表面的划痕、凹坑和裂纹；通过激光扫描测量光学镜片的表面粗糙度并与目标粗糙度进行比较，计算出偏差；
基于打磨过程中光学镜片的实时数据和预设的质量标准，自动生成每个镜片的实时光学镜片的质量评分。
与现有技术相比，本发明的有益效果为：
1、本发明在提出自动化控制模型时，首先通过归一化处理和应用函数识别异常值，对数据进行缺失值检查，并去除严重缺陷的镜片样本。通过及时去除那些因严重缺陷影响最终产品质量的镜片，有效地减少了废品率和返工率，同时自动化的数据处理减少了手动检查的需求，进而提高了生产效率和成品率。随后，采用皮尔逊相关系数方法提取与打磨质量密切相关的关键特征，构建自动化控制模型，从而确定打磨参数。这一方法实现了对打磨参数的精准预测与动态调整，使得打磨过程能够根据实时监测数据进行自适应优化，显著提升镜片表面质量，减少缺陷发生，提高生产效率，并降低次品率。
2、本发明通过在自动化控制模型中引入区域识别与线性调整算法，进一步提高了光学镜片打磨的精度和一致性。基于经验规则将初始光学镜片划分为不同区域，并针对各区域的特定特征制定相应的打磨策略。通过线性调整算法，根据每个区域的表面粗糙度动态调整打磨压力，从而实现了对打磨过程的精确控制。该方法能够有效优化不同区域的打磨效果，显著提升了镜片表面的一致性和质量，同时减少了打磨过程中的人为误差和缺陷发生率，提高了整体生产效率。
3、本发明的光学镜片打磨质量优化方法有效提升了镜片打磨的监控与控制精度。通过高分辨率摄像头和激光扫描技术实时监测镜片表面的划痕、凹坑和裂纹，以及测量表面粗糙度，本方法能够及时发现与评估打磨过程中的质量偏差。依据打磨过程中收集的实时数据，自动生成光学镜片的质量评分，综合考量了粗糙度、缺陷数量和其他质量维度，如材料均匀性和光学性能，以及打磨效率和能耗。此外，设定的质量评分阈值可以有效区分高风险与低风险镜片，实现风险等级的动态管理。这种即时反馈机制不仅减少了次品率，还提高了整体生产流程的效率。
附图说明
图1为本发明实施例提供的一种光学镜片打磨质量优化方法流程示意图；
图2为本发明实施例提供的一种光学镜片打磨质量优化系统结构示意图；
图3为本发明实施例提供的自动化控制单元结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种光学镜片打磨质量优化方法，此方法应用于一种光学镜片打磨质量优化系统，具体的方法和系统的流程图参照图1和图2。
实施例一
作为本发明的一种实施方式，参照图1中的S10，S10应用于一种光学镜片打磨质量优化系统的数据采集单元。本实施例采集了生产高精度光学镜片的A公司的采集初始光学镜片的表面质量数据及成品镜片的表面质量数据，构建初始数据集。
进一步地，所述初始数据集中数据包括光学镜片的平均粗糙度、峰谷高度、均方根粗糙度、直径、厚度、曲率半径、材料属性、划痕、凹坑、裂纹和冷却液流量。
其中，平均粗糙度反映镜片表面整体的平滑程度，是评估打磨质量的重要指标；峰谷高度提供镜片表面最高点和最低点的高度差，有助于评估表面的不规则性；均方根粗糙度度量表面粗糙度的统计参数，反映表面纹理的平均高度；直径和厚度这些几何尺寸对确定镜片的打磨压力和速度有直接影响；曲率半径影响镜片的光学性能，需精确控制以满足设计规格；材料属性不同材料的热膨胀系数和硬度会影响打磨参数的设定；划痕、凹坑、裂纹：这些缺陷数据直接影响到质量评分系统，是打磨前后质量对比的关键指标；冷却液流量保持适宜的流量是防止镜片过热和减少磨损的重要条件。
在本实施例中，详细数据的采集允许系统更准确地定位镜片上的缺陷和不平整区域，使得打磨过程可以更加精细地调整。例如，通过测量平均粗糙度和峰谷高度，系统能够精确地计算出需要额外关注的区域，以及必要的打磨强度和时间。
参照图1中的S20，S20应用于一种光学镜片打磨质量优化系统的数据分析单元，所述数据分析单元用于对所述初始数据集进行预处理，去除严重缺陷的初始光学镜片，并得到标准数据集。
进一步地，具有所述严重缺陷的初始光学镜片的识别过程具体过程包括：
对所述初始数据集中的数据进行缺失值检查，对具有缺失值的数据进行二次检查，得到第一初始数据集；
对所述第一初始数据集进行归一化处理，通过函数识别异常值；对于异常值对应的初始光学镜片进行去除；
其中函数具体计算方式为：
；
其中，为标准数据集中第个数据，为第个数据的均值，为第个数据的标准差；
当时，为异常值，为判断异常值的阈值；其中；
对剩余数据进行归一化处理，获得所述标准数据集。
在光学镜片打磨质量优化系统中，识别带有严重缺陷的初始光学镜片的过程通过增强数据质量和优化生产流程，显著提升整个制造过程的效率和产品质量。首先，通过对初始数据集进行缺失值检查和二次检查，该过程确保了数据的完整性和准确性，为高效打磨策略的制定提供了坚实的基础。接着，通过归一化处理和应用函数识别异常值，这一步骤标准化了数据，降低了测量尺度差异带来的影响，确保了后续分析的准确性和可靠性。这种方法通过及时去除那些因严重缺陷可能影响最终产品质量的镜片，有效地减少了废品率和返工率，进而提高了生产效率和成品率。
此外，自动化的数据处理减少了手动检查的需求，提升了生产过程的速度和效率，同时保持了处理时间的一致性和可预测性。这种提前识别和排除不合格镜片的策略不仅节省了人力和材料成本，还减少了机器运行时间，有效降低了生产成本。
参照图1中的S30，S30应用于一种光学镜片打磨质量优化系统的自动化控制单元，所述自动化控制单元用于对所述标准数据集提取特征，构建自动化控制模型，得到打磨参数，并对不同区域进行划分制定相应的打磨策略，实时调整光学镜片打磨过程中需要调整的区域；所述打磨参数包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量。
进一步地，所述提取特征用于在所述标准数据集中提取对打磨质量影响较大的特征，具体过程包括：
对所述标准数据集中数据使用皮尔逊相关系数方法计算数据与打磨质量之间相关程度，具体公式为：
；
其中，为所述标准数据集第列特征向量与打磨质量之间的相关系数，为第列特征向量的第行数据，为第列特征向量的均值，为第列特征向量的第行数据，为第列特征向量的均值；
所述相关系数越大表明与所述打磨质量之间关联程度越高；通过所述相关系数获取标准特征向量组，建立自动化控制模型；
所述自动化控制模型包括预处理层、特征分析层和参数预测层；
所述预处理层包括数据清洗、标准化、归一化和缺失值处理；
所述特征分析层包括LSTM网络结构，用于对所述标准特征向量组进行分析，获取第一特征向量；
所述参数预测层包括四个输出神经元，每个所述输出神经元对应一个预测目标；所述预测目标包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；所述参数预测层用于根据所述标准特征向量组，对所述标准特征向量组中的参数进行预测，获取预测结果；
通过实时比较预测结果和实际参数，自动对打磨参数进行调整。
在本实施例中，通过皮尔逊相关系数精确识别与打磨质量密切相关的特征，从而实现更为精准的打磨参数设置，如打磨压力、速度和冷却液流量。通过参数的调整直接提升了光学镜片的表面处理质量，确保了产品的一致性和可靠性。
此外，通过构建自动化控制模型，系统可以实时比较预测结果与实际参数，自动进行调整，极大地提高了打磨过程的效率和自动化程度。不仅减少了人为操作的需求，降低了生产成本，同时也缩短了生产周期，提高了整体生产线的效率。特别是LSTM网络的引入，它优化了特征分析层的预测准确性，通过学习长期数据的模式，进一步提高了参数预测的准确度。自动化的预测和调整流程减少了因参数误差导致的产品废品率，节约了原材料，并减少了不必要的能源消耗。这种系统的持续运行还有助于收集重要的生产数据，为未来的操作优化提供数据支持，使企业能够不断调整和优化生产流程，应对不断变化的市场需求和技术标准。
进一步地，所述自动化控制模型包括区域识别：
基于经验规则，将初始光学镜片划分为不同区域，并基于所述自动化控制模型对不同区域制定相应的打磨策略；
基于线性调整算法，根据不同区域的表面粗糙度来调整打磨压力，具体公式为：
；
其中，为调整后的打磨压力，为标准操作条件下设定的压力，为压力调整系数，为目标粗糙度，为实测粗糙度。
在本实施例中，通过基于经验规则的区域识别，系统将初始光学镜片划分为不同的区域。这种划分使得系统对每个区域制定专门的打磨策略，针对性地优化每一区域的处理过程。这种方法显著提高了打磨过程的精确性，确保各个区域都能获得最佳的处理效果，从而提升整体的产品质量。接着，系统通过一个线性调整算法自动调整打磨压力，该算法根据各区域实测的表面粗糙度与目标粗糙度之间的差异来计算需要的压力调整。压力调整不仅保证了镜片的表面质量，还有助于防止过度打磨导致的材料损耗，有效延长了镜片的使用寿命。此外，通过实时调整打磨参数以匹配具体区域的需求，该系统大大提高了生产效率和资源利用率。精确的参数控制减少了生产过程中的错误和废品率，进而降低了生产成本。
参照图1中的S40，S40应用于一种光学镜片打磨质量优化系统的实时光学检测单元，所述实时光学检测单元用于根据所述打磨参数对光学镜片进行打磨，并对打磨过程中的光学镜片进行实时监测，获得实时光学镜片的质量评分。
进一步地，所述实时监测通过高分辨率摄像头实时捕捉光学镜片表面的图像，通过图像识别方法识别打磨过程中光学镜片表面的划痕、凹坑和裂纹；通过激光扫描测量光学镜片的表面粗糙度并与目标粗糙度进行比较，计算出偏差；
基于打磨过程中光学镜片的实时数据和预设的质量标准，自动生成每个镜片的实时光学镜片的质量评分；所述实时光学镜片的质量评分具体计算公式为：
；
其中，为实时光学镜片的质量评分，为粗糙度评分的权重，为调节粗糙度偏差影响的敏感度参数，为目标粗糙度，为实测粗糙度，为缺陷评分的权重，为调节缺陷数量对评分影响的系数，为第类缺陷的数量，为其他质量维度评分的权重，为材料均匀性、光学性能测试质量维度的评分，为效率评分的权重，为打磨过程所需的时间，为调节能耗对效率评分影响的系数，为打磨过程中消耗的能量。
实时监测系统通过高分辨率摄像头和激光扫描为光学镜片打磨过程提供了深度见解和精准控制，显著提高了产品质量和生产效率。这些技术能实时识别镜片表面的划痕、凹坑和裂纹，确保缺陷得到及时发现和处理。激光扫描的引入使得粗糙度的测量更为精确，系统通过比较实测粗糙度与目标粗糙度的偏差来调整打磨参数，这种实时调整保证了每个镜片都能达到最高的质量标准。
此外，系统自动为每个镜片生成实时的质量评分，综合考虑粗糙度、缺陷数量和其他质量维度，如材料均匀性和光学性能。这种评分系统为操作员提供了即时反馈，使得生产过程中的调整更为精准，极大地降低了废品率和提高了资源的有效利用。实时数据不仅优化了生产流程，还通过提供关键性能指标支持了持续的质量改进和生产决策。
参照图1中的S50，S50应用于一种光学镜片打磨质量优化系统的预警单元，所述预警单元用于依据所述实时光学镜片的质量评分，设立预警机制。
进一步地，依据所述实时光学镜片的质量评分，设立预警机制；所述预警机制依据所述实时光学镜片的质量评分，将风险等级划分为两个等级，具体包括：
高风险等级：；
低风险等级：；
其中，是通过分析历史数据中各个风险等级的分布，；
当所述实时光学镜片的质量评分小于时，对应的风险等级为高风险等级，对高风险等级进行声音预警；当所述实时光学镜片的质量评分大于等于时，对应的风险等级为低风险等级，具体结果参照表1。
表1 评分及风险预警表
其中，调节粗糙度偏差影响的敏感度参数，目标粗糙度，调节缺陷数量对评分，打磨时间的单位为分钟，能量消耗的单位为千瓦时。
在本实施例中，引入了基于实时质量评分的预警机制，通过将风险等级划分为高风险和低风险，显著增强了生产过程的质量控制和风险管理能力。系统根据设定的评分阈值自动分类，实时识别可能影响产品质量的问题，从而及时采取相应措施。例如，当光学镜片的质量评分低于高风险阈值时，系统会将其标记为高风险，可能触发生产线的暂停或额外的质量检查，以避免缺陷产品流入市场。反之，当评分高于低风险阈值时，产品则被视为符合质量标准，可以无障碍地继续生产流程。这种预警系统不仅降低了由于质量问题导致的成本损失，还提高了生产效率和产品通过率。实时监控和评分机制确保每一批次的产品都能达到一致的质量标准，大幅减少了返工和退货的可能性。
本发明的光学镜片打磨质量优化方法和系统集成了先进的数据采集、实时监测以及自动化控制技术，极大地提升了光学镜片生产的质量和效率。通过采用高分辨率摄像头和激光扫描仪，系统能够实时捕捉镜片表面的缺陷如划痕、凹坑和裂纹，以及测量表面粗糙度，从而及时发现生产中的质量偏差。这些实时数据使得系统能够动态调整打磨参数，如压力、速度和冷却液流量，以确保镜片质量符合预设标准。此外，通过应用皮尔逊相关系数方法从大量数据中识别影响打磨质量的关键特征，并利用LSTM网络进行深入分析，自动化控制模型能够精确预测并调整关键打磨参数。系统还设立了基于实时质量评分的预警机制，根据镜片的风险等级实时调整生产策略，防止质量不合格的产品继续生产。
这种综合的质量控制策略不仅显著降低了因质量问题导致的成本和废品率，还提高了整体的生产效率和资源利用率。通过持续监控和自动调整，该系统确保了每一批次产品的一致性和高质量，增强了企业的市场竞争力，并且符合现代精密制造业对高效率和高质量的双重需求，从而为光学制造业带来了显著的经济和技术效益。
实施例二
作为本发明的一种实施方式，参照图1中的S10，S10应用于一种光学镜片打磨质量优化系统的数据采集单元。本实施例采集了生产高精度光学镜片的B公司的采集初始光学镜片的表面质量数据及成品镜片的表面质量数据，构建初始数据集。
进一步地，所述初始数据集中数据包括光学镜片的平均粗糙度、峰谷高度、均方根粗糙度、直径、厚度、曲率半径、材料属性、划痕、凹坑、裂纹和冷却液流量。
参照图1中的S20，S20应用于一种光学镜片打磨质量优化系统的数据分析单元，所述数据分析单元用于对所述初始数据集进行预处理，去除严重缺陷的初始光学镜片，并得到标准数据集。
进一步地，具有所述严重缺陷的初始光学镜片的识别过程具体过程包括：
对所述初始数据集中的数据进行缺失值检查，对具有缺失值的数据进行二次检查，得到第一初始数据集；
对所述第一初始数据集进行归一化处理，通过函数识别异常值；对于异常值对应的初始光学镜片进行去除；
其中函数具体计算方式为：
；
其中，为标准数据集中第个数据，为第个数据的均值，为第个数据的标准差；
当时，为异常值，为判断异常值的阈值；其中；
对剩余数据进行归一化处理，获得所述标准数据集。
参照图1中的S30，S30应用于一种光学镜片打磨质量优化系统的自动化控制单元，所述自动化控制单元用于对所述标准数据集提取特征，构建自动化控制模型，得到打磨参数，并对不同区域进行划分制定相应的打磨策略，实时调整光学镜片打磨过程中需要调整的区域；所述打磨参数包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量。
进一步地，所述提取特征用于在所述标准数据集中提取对打磨质量影响较大的特征，具体过程包括：
对所述标准数据集中数据使用皮尔逊相关系数方法计算数据与打磨质量之间相关程度，具体公式为：
；
其中，为所述标准数据集第列特征向量与打磨质量之间的相关系数，为第列特征向量的第行数据，为第列特征向量的均值，为第列特征向量的第行数据，为第列特征向量的均值；
所述相关系数越大表明与所述打磨质量之间关联程度越高；通过所述相关系数获取标准特征向量组，建立自动化控制模型；
所述自动化控制模型包括预处理层、特征分析层和参数预测层；
所述预处理层包括数据清洗、标准化、归一化和缺失值处理；
所述特征分析层包括LSTM网络结构，用于对所述标准特征向量组进行分析，获取第一特征向量；
所述参数预测层包括四个输出神经元，每个所述输出神经元对应一个预测目标；所述预测目标包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；所述参数预测层用于根据所述标准特征向量组，对所述标准特征向量组中的参数进行预测，获取预测结果；
通过实时比较预测结果和实际参数，自动对打磨参数进行调整。
进一步地，所述自动化控制模型包括区域识别：
基于经验规则，将初始光学镜片划分为不同区域，并基于所述自动化控制模型对不同区域制定相应的打磨策略；
基于线性调整算法，根据不同区域的表面粗糙度来调整打磨压力，具体公式为：
；
其中，为调整后的打磨压力，为标准操作条件下设定的压力，为压力调整系数，为目标粗糙度，为实测粗糙度。
参照图1中的S40，S40应用于一种光学镜片打磨质量优化系统的实时光学检测单元，所述实时光学检测单元用于根据所述打磨参数对光学镜片进行打磨，并对打磨过程中的光学镜片进行实时监测，获得实时光学镜片的质量评分。
进一步地，所述实时监测通过高分辨率摄像头实时捕捉光学镜片表面的图像，通过图像识别方法识别打磨过程中光学镜片表面的划痕、凹坑和裂纹；通过激光扫描测量光学镜片的表面粗糙度并与目标粗糙度进行比较，计算出偏差；
基于打磨过程中光学镜片的实时数据和预设的质量标准，自动生成每个镜片的实时光学镜片的质量评分；所述实时光学镜片的质量评分具体计算公式为：
；
其中，为实时光学镜片的质量评分，为粗糙度评分的权重，为调节粗糙度偏差影响的敏感度参数，为目标粗糙度，为实测粗糙度，为缺陷评分的权重，为调节缺陷数量对评分影响的系数，为第类缺陷的数量，为其他质量维度评分的权重，为材料均匀性、光学性能测试质量维度的评分，为效率评分的权重，为打磨过程所需的时间，为调节能耗对效率评分影响的系数，为打磨过程中消耗的能量，具体参阅表2。
表2 实时质量评分表
其中，调节粗糙度偏差影响的敏感度参数，目标粗糙度，调节缺陷数量对评分，打磨时间的单位为分钟，能量消耗的单位为千瓦时。
其中，材料均匀性、光学性能测试质量维度的评分的具体计算公式为：
；
其中，为第个质量指标的权重，这反映了各个指标对最终产品质量的重要性；为第个质量指标的实际测量值，为第个质量指标的目标值。
参照图1中的S50，S50应用于一种光学镜片打磨质量优化系统的预警单元，所述预警单元用于依据所述实时光学镜片的质量评分，设立预警机制。
进一步地，依据所述实时光学镜片的质量评分，设立预警机制；所述预警机制依据所述实时光学镜片的质量评分，将风险等级划分为两个等级，具体包括：
高风险等级：；
低风险等级：；
其中，是通过分析历史数据中各个风险等级的分布，；
当所述实时光学镜片的质量评分小于时，对应的风险等级为高风险等级；当所述实时光学镜片的质量评分大于等于时，对应的风险等级为低风险等级。
本发明提出的光学镜片打磨质量优化方法与系统通过整合先进的数据采集、实时监测，以及自动化控制技术，显著提高了光学镜片生产的质量和效率。系统通过高分辨率摄像头和激光扫描设备实时捕捉镜片表面状态，准确地识别出划痕、凹坑、裂纹等缺陷，并测量表面粗糙度。这些实时获取的数据使得系统能够动态调整打磨参数，例如打磨压力、速度和冷却液流量，确保每个镜片达到设定的质量标准。此外，系统应用皮尔逊相关系数方法从收集的数据中提取出对打磨质量影响显著的关键特征，并利用LSTM网络深度分析这些特征，从而优化打磨参数的预测与调整。同时，通过实时质量评分机制，系统可以根据镜片的质量表现实时进行风险评估，设立预警机制，区分出高风险和低风险的产品，及时调整或停止不合格产品的生产。
系统不仅确保了产品质量，减少了废品率和返工，还提高了生产流程的自动化程度和生产效率。通过连续监控和精准控制，本发明有效地优化了资源利用，降低了生产成本，增强了企业的市场竞争力。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种光学镜片打磨质量优化方法，其特征在于，包括：
采集初始光学镜片的表面质量数据及成品镜片的表面质量数据，构建初始数据集；
对所述初始数据集进行预处理，去除严重缺陷的初始光学镜片，并得到标准数据集；
对所述标准数据集提取特征，构建自动化控制模型，得到打磨参数，并对不同区域进行划分制定相应的打磨策略，实时调整光学镜片打磨过程中需要调整的区域；所述打磨参数包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；
根据所述打磨参数对光学镜片进行打磨，并对打磨过程中的光学镜片进行实时监测，获得实时光学镜片的质量评分；
所述实时监测通过高分辨率摄像头实时捕捉光学镜片表面的图像，通过图像识别方法识别打磨过程中光学镜片表面的划痕、凹坑和裂纹；通过激光扫描测量光学镜片的表面粗糙度并与目标粗糙度进行比较，计算出偏差；
基于打磨过程中光学镜片的实时数据和预设的质量标准，自动生成每个镜片的实时光学镜片的质量评分；所述实时光学镜片的质量评分具体计算公式为：
；
其中，为实时光学镜片的质量评分，为粗糙度评分的权重，为调节粗糙度偏差影响的敏感度参数，为目标粗糙度，为实测粗糙度，为缺陷评分的权重，为调节缺陷数量对评分影响的系数，为第类缺陷的数量，为其他质量维度评分的权重，为材料均匀性、光学性能测试质量维度的评分，为效率评分的权重，为打磨过程所需的时间，为调节能耗对效率评分影响的系数，为打磨过程中消耗的能量；
依据所述实时光学镜片的质量评分，设立预警机制；所述预警机制依据所述实时光学镜片的质量评分，将风险等级划分为两个等级，具体包括：
高风险等级：；
低风险等级：；
其中，为质量评分阈值，。
2.根据权利要求1所述的一种光学镜片打磨质量优化方法，其特征在于：所述初始数据集中数据包括光学镜片的平均粗糙度、峰谷高度、均方根粗糙度、直径、厚度、曲率半径、材料属性、划痕、凹坑、裂纹和冷却液流量。
3.根据权利要求1所述的一种光学镜片打磨质量优化方法，其特征在于：具有所述严重缺陷的初始光学镜片的识别过程具体过程包括：
对所述初始数据集中的数据进行缺失值检查，对具有缺失值的数据进行二次检查，得到第一初始数据集；
对所述第一初始数据集进行归一化处理，通过函数识别异常值；对于异常值对应的初始光学镜片进行去除；
对剩余数据进行归一化处理，获得所述标准数据集。
4.根据权利要求1所述的一种光学镜片打磨质量优化方法，其特征在于：所述提取特征用于在所述标准数据集中提取对打磨质量影响较大的特征，具体过程包括：
对所述标准数据集中数据使用皮尔逊相关系数方法计算数据与打磨质量之间相关程度；
所述相关系数越大表明与所述打磨质量之间关联程度越高；通过所述相关系数获取标准特征向量组，建立自动化控制模型；
所述自动化控制模型包括预处理层、特征分析层和参数预测层；
所述预处理层包括数据清洗、标准化、归一化和缺失值处理；
所述特征分析层包括LSTM网络结构，用于对所述标准特征向量组进行分析，获取第一特征向量；
所述参数预测层包括四个输出神经元，每个所述输出神经元对应一个预测目标；所述预测目标包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；所述参数预测层用于根据所述标准特征向量组，对所述标准特征向量组中的参数进行预测，获取预测结果；
通过实时比较预测结果和实际参数，自动对打磨参数进行调整。
5.根据权利要求4所述的一种光学镜片打磨质量优化方法，其特征在于：所述自动化控制模型包括区域识别：
基于经验规则，将初始光学镜片划分为不同区域，并基于所述自动化控制模型对不同区域制定相应的打磨策略；
基于线性调整算法，根据不同区域的表面粗糙度来调整打磨压力，具体公式为：
；
其中，为调整后的打磨压力，为标准操作条件下设定的压力，为压力调整系数，为目标粗糙度，为实测粗糙度。
6.根据权利要求1所述的一种光学镜片打磨质量优化方法，其特征在于：
当所述实时光学镜片的质量评分小于时，对应的风险等级为高风险等级；当所述实时光学镜片的质量评分大于等于时，对应的风险等级为低风险等级。
7.一种光学镜片打磨质量优化系统，其特征在于，包括：
数据采集单元，用于采集初始光学镜片的表面质量数据及成品镜片的表面质量数据，构建初始数据集；
数据分析单元，用于对所述初始数据集进行预处理，去除严重缺陷的初始光学镜片，并得到标准数据集；
自动化控制单元，用于对所述标准数据集提取特征，构建自动化控制模型，得到打磨参数，并对不同区域进行划分制定相应的打磨策略，实时调整光学镜片打磨过程中需要调整的区域；所述打磨参数包括打磨镜片压力、打磨镜片速度、打磨模式和冷却液流量；
实时光学检测单元，用于根据所述打磨参数对光学镜片进行打磨，并对打磨过程中的光学镜片进行实时监测，获得实时光学镜片的质量评分；
所述实时监测通过高分辨率摄像头实时捕捉光学镜片表面的图像，通过图像识别方法识别打磨过程中光学镜片表面的划痕、凹坑和裂纹；通过激光扫描测量光学镜片的表面粗糙度并与目标粗糙度进行比较，计算出偏差；
基于打磨过程中光学镜片的实时数据和预设的质量标准，自动生成每个镜片的实时光学镜片的质量评分；所述实时光学镜片的质量评分具体计算公式为：
；
其中，为实时光学镜片的质量评分，为粗糙度评分的权重，为调节粗糙度偏差影响的敏感度参数，为目标粗糙度，为实测粗糙度，为缺陷评分的权重，为调节缺陷数量对评分影响的系数，为第类缺陷的数量，为其他质量维度评分的权重，为材料均匀性、光学性能测试质量维度的评分，为效率评分的权重，为打磨过程所需的时间，为调节能耗对效率评分影响的系数，为打磨过程中消耗的能量；
预警单元，用于依据所述实时光学镜片的质量评分，设立预警机制；所述预警机制依据所述实时光学镜片的质量评分，将风险等级划分为两个等级，具体包括：
高风险等级：；
低风险等级：；
其中，为质量评分阈值，。
8.根据权利要求7所述的一种光学镜片打磨质量优化系统，其特征在于：所述自动化控制单元包括区域识别：
基于经验规则，将初始光学镜片划分为不同区域，并基于所述自动化控制模型对不同区域制定相应的打磨策略；
基于线性调整算法，根据不同区域的表面粗糙度来调整打磨压力，具体公式为：
；
其中，为调整后的打磨压力，为标准操作条件下设定的压力，为压力调整系数，为目标粗糙度，为实测粗糙度。
9.根据权利要求7所述的一种光学镜片打磨质量优化系统，其特征在于：所述实时光学检测单元中所述实时监测通过高分辨率摄像头实时捕捉光学镜片表面的图像，通过图像识别方法识别打磨过程中光学镜片表面的划痕、凹坑和裂纹；通过激光扫描测量光学镜片的表面粗糙度并与目标粗糙度进行比较，计算出偏差；
基于打磨过程中光学镜片的实时数据和预设的质量标准，自动生成每个镜片的实时光学镜片的质量评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411345204.9A CN118848682B (zh) | 2024-09-26 | 2024-09-26 | 一种光学镜片打磨质量优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411345204.9A CN118848682B (zh) | 2024-09-26 | 2024-09-26 | 一种光学镜片打磨质量优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118848682A CN118848682A (zh) | 2024-10-29 |
| CN118848682B true CN118848682B (zh) | 2025-01-24 |
Family
ID=93177434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411345204.9A Active CN118848682B (zh) | 2024-09-26 | 2024-09-26 | 一种光学镜片打磨质量优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118848682B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119282828A (zh) * | 2024-12-11 | 2025-01-10 | 闽南理工学院 | 基于在线测量的机器人智能磨抛加工方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108604093A (zh) * | 2016-02-05 | 2018-09-28 | 依视路国际公司 | 用于监测光学镜片制造过程的方法 |
| CN115837617A (zh) * | 2023-02-15 | 2023-03-24 | 日照福瑞德科技有限公司 | 一种提高光学玻璃镜片打磨精度的方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117124148A (zh) * | 2023-10-21 | 2023-11-28 | 南通蓬盛机械有限公司 | 用于光学瞄准镜的镜片打磨质量优化方法及系统 |
| CN117969534B (zh) * | 2024-03-29 | 2024-06-25 | 广东金鼎光学技术股份有限公司 | 光学镜片检测方法、装置、设备及存储介质 |
| CN118444642B (zh) * | 2024-04-30 | 2024-10-11 | 嘉兴锐星光学仪器有限公司 | 结合高精度测量的光学镜筒生产控制方法及系统 |
-
2024
- 2024-09-26 CN CN202411345204.9A patent/CN118848682B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108604093A (zh) * | 2016-02-05 | 2018-09-28 | 依视路国际公司 | 用于监测光学镜片制造过程的方法 |
| CN115837617A (zh) * | 2023-02-15 | 2023-03-24 | 日照福瑞德科技有限公司 | 一种提高光学玻璃镜片打磨精度的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118848682A (zh) | 2024-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118848682B (zh) | 一种光学镜片打磨质量优化方法及系统 | |
| CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
| CN102253049B (zh) | 带钢生产过程表面质量在线精准检测方法 | |
| CN117388314B (zh) | 一种光学玻璃模压温度的智能检测方法及系统 | |
| CN118195422B (zh) | 一种多芯片的封装缺陷检测方法及系统 | |
| CN115690387A (zh) | 一种基于图像识别的合金表面检测系统 | |
| Schmitt et al. | Machine vision system for inspecting flank wear on cutting tools | |
| CN118657030B (zh) | 基于模拟仿真的模具寿命预测方法 | |
| CN118938847A (zh) | 基于人工智能的湿巾质量控制系统 | |
| RU2502572C2 (ru) | Способ классификации дефектов и выполнения шлифования прокатных валков | |
| CN118411379A (zh) | 一种基于自动化的去毛刺工艺反馈优化系统及方法 | |
| CN116228766B (zh) | 一种等离子加工设备的智能调控方法及系统 | |
| CN118760937B (zh) | 一种冲压切断装置的性能测试数据分析方法及系统 | |
| CN119126680B (zh) | 一种基于z轴控制的高精度刻字机运动控制方法 | |
| CN113344918B (zh) | 一种热成型模具检测方法、系统和可读存储介质 | |
| CN117900927B (zh) | 用于全自动胶辊打磨的效率监测方法及系统 | |
| CN119742117A (zh) | 一种车内高压液冷电缆及其工艺 | |
| CN118429888B (zh) | 一种刀具检测方法及装置、盾构设备控制方法 | |
| CN119148652B (zh) | 模块化电解钢板生产线控制方法 | |
| CN118963292B (zh) | 一种扣紧功能件的生产控制优化方法及系统 | |
| CN118905362B (zh) | 基于ai的电火花成型优化系统 | |
| CN119323384B (zh) | 一种最优多水平连续抽样检验和过程能力指数集成方法 | |
| CN118403935B (zh) | 一种铜合金材料的金属加工控制方法及系统 | |
| CN119747891A (zh) | 一种有色金属合金压铸件的优化抛光方法及系统 | |
| CN119131020B (zh) | 基于图像处理的注塑件冷却均匀性检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |