.png){kind=icon}
返回
Target contour extraction framework for ring rolling process based on machine vision
.png){kind=icon}
PRE
AI
DOI：10.1007/s00170-026-18473-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过环轧工艺生产的高精度环形锻件是航空航天等严苛领域的关键部件。在先进智能制造中，该过程中轮廓的自动化提取对于确保高性能环件的几何精度至关重要。然而，当前工业实践主要依赖低效且危险的人工检测。现有计算机视觉技术的直接应用受到以下挑战的阻碍：工艺固有的不规则变形、机械部件的局部遮挡以及为监督模型获取大规模标注数据集的高昂成本。为解决这些挑战，我们提出了一种两阶段机器视觉框架，用于在变形环的上表面快速准确地提取内外轮廓。第一阶段整合轻量级零样本分割模型与经典计算机视觉算法，在静态环上精确标注初始目标轮廓。第二阶段围绕我们提出的基于光流引导的点预测器进行连续跟踪。通过在定义的超参数内扩展每个轮廓点的搜索区域，形成一种独特机制，克服了光流法中累积误差累积的关键问题，从而在不牺牲精度的前提下有效防止跟踪失败。通过包括消融研究、详细的超参数分析和四种不同颜色环的跨数据集验证的全面实验，我们证明了该框架的高性能（ODS F-measure > 0.98）、强泛化能力和优异的时序稳定性。我们的工作为环轧工业中实现原位过程自动化监控提供了实用且有效的解决方案。
Keyword:
Ring rolling
Contour extraction
Contour tracking
Zero-shot model
Optical flow
Pointwise predictor
期刊
T
IF:
0
论文数:
2.0K
被引数:
0
机构
引用论文
.png){kind=icon}
Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates非线性数学模型的全局灵敏度指数及其蒙特卡罗估计
PREAI
分享收藏分享收藏Predicting wall thickness changes in cold forging processes: an integrated FEM and neural network approach预测冷锻过程中的壁厚变化：一种集成的FEM和神经网络方法
OAAI
OAAI分享收藏
查看更多内容