[发明专利]一种切削几何体图像特征处理与筛选方法及系统

说明书

本发明公开了一种切削几何体图像特征处理与筛选方法及系统，属于数控铣削加工及人工智能技术领域，方法通过计算一维特征频数分布、二维特征频数分布，得到特征分布差异，将得到的3个特征分布差异指标即一维特征差异Wsubgt;Q/subgt;、二维特征差异Wsubgt;center/subgt;、二维特征差异Wsubgt;pos/subgt;与4个特征缺失率指标即一维特征的特征缺失率FeatureLosssubgt;Q/subgt;、CWE中心点位置center的特征缺失率FeatureLosssubgt;center/subgt;、有效像素的位置pos的特征缺失率FeatureLosssubgt;pos/subgt;、有效像素点深度d的特征缺失率FeatureLosssubgt;d/subgt;，按照重要程度加权求和得到数据集总指标；最后依据数据集总指标，将拉大数据集总指标的图像样本从数据集中删除，从而筛选得到最优数据集。本发明解决了现有技术缺乏对切削几何体图像数据集的特征分布、特征缺失、局部特征的描述和评估的技术问题。

技术领域

本发明属于数控铣削加工及人工智能技术领域，更具体地，涉及一种切削几何体图像特征处理与筛选方法及系统。

背景技术

数控铣削加工时，刀具与工件做相对运动，刀具切除工件，被去除的工件材料，即工件与刀具的交集，称为切削几何体。由于切削几何体中包含了刀具工件接触域(CWE)、切削深度、切削宽度、材料去除率等信息，因此研究切削几何体对于切削力、切削热、刀具磨损、工艺优化的研究都有重要意义。切削几何体是复杂的多面体，其局部性特征难以描述，不易存储和应用，因而需要将其转为图像。

数据集是一种由数据所组成的集合，又可以称为资料集、数据集合或者资料集合等。随着人工智能的发展，数据集的使用越来越频繁。人工智能应用中，数据集的质量与各种机器学习模型的表现密切相关。由于人工智能领域通常使用数据集来训练模型，因此数据集的质量直接影响着模型训练的结果。在训练过程中，模型在数据中提取通用特征，基于特征进行学习，往往能训练出高准确率、高泛化性的模型。、

专利CN 114510989 A中公开了一种图像数据集规范性评估的方法，该方法基于任务类型，确定并计算图像数据集的规范性度量指标，根据指标值确定评估结果，实现了数据集规范性评估方法。然而该专利中仅从文件、尺寸、类别分布等方面评估，是对数据集的规范性评价，并未对图像局部和全局特征进行提取和评估，故无法应用于切削几何体图像数据集的质量评价。

专利CN 114782731A中公开了一种图像数据集有效性评估方法，该方法通过自编码模型，获得某类样本数据的特征向量，将对目标类别特征提取无贡献的样本剔除，并通过统计无效样本和有效样本数量的比值，确定图像数据集的有效性度量值，实现了无效样本筛选以及数据集的有效性评估。然而该专利仅使用降维的方法筛选分类数据集中的样本，无图像特征的提取和评估过程，即无数据集质量评估和基于质量评估结果的样本筛选方案。

专利CN 112613150 A中公开了一种切削几何体的图像表达方法，该方法通过刀具球心映射的方式，将切削几何体图像化，可以准确、定量、直观地描述切削几何体。然而该专利中仅提供了切削几何体图像化的方法，对如何构建可用于人工智能领域的图像数据集并无描述。

综上所述，在利用人工智能进行数控铣削加工时，缺乏立足于切削几何体图像特征分布、特征缺失以及局部特征的图像数据集质量评估方法与样本筛选方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种切削几何体图像特征处理与筛选方法及系统，其目的在于，通过对切削几何体图像数据集的科学评估与筛选，获得局部特征与全局特征均匀分布、特征缺失率低的数据集，由此解决现有技术缺乏对切削几何体图像数据集的特征分布、特征缺失、局部特征的描述和评估，导致训练出的模型泛化率不高，预测的铣削加工响应值不准确的技术问题。

为实现上述目的，按照本发明的一个方面，提供了以下技术方案：

一种切削几何体图像特征处理与筛选方法，包括如下步骤：