反复修改设备参数和铸件变形判断会降低工作效率，导致产品因错误而报废.智能方法可以匹配和识别微小变形，并达到0.052 mm的精度.但是，根据经验来判断和预测打磨模式，就像打磨工人一样，仍然处于实验和验证阶段。

许多挑战，例如打磨环境中的大量噪声、非结构铸件实体中的时间变化以及整体形状中的倾斜，限制了铸件打磨工艺的发展。非结构铸件和形状上的整体倾向是铸件设计和生产过程中的问题，并且经受大量噪音的抛光环境是铸件后处理中的问题。科研人员有必要改进铸造过程和铸造后处理过程中的检测方法，用先进的工业机器人和传感器结合先进的算法来代替人工检测。

在实际打磨中，刀具和工件不是单点接触，而是区域接触，这与普雷斯顿的假设不符。使用经典普雷斯顿假设的计算将导致对材料去除的不准确估计.为此，王等基于赫兹接触理论和局域打磨模型，进一步预测了机器人砂带打磨的切削深度并发现当切削深度约为0.3 mm时，预测误差小于3.1%。与简化的赫兹理论模型相比，考虑接触弹性变形后，朱等人提出的材料去除模型的均方根值和平均百分误差分别从2.401降低到1.725和18.426降低到14.942%。由于人工智能的广泛使用，已经提出了许多基于数据驱动的材料去除预测的方法来解决材料去除预测问题。

由于打磨过程的复杂性，其部分参数无法实时准确检测，这限制了基于模型的方法在工程实现中的应用。越来越多的研究人员正在使用数据驱动的方法来预测材料去除。

早在2005年，数据驱动方法就被应用于预测材料去除。Panda D使用人工前馈神经网络预测材料去除率.Mathew，j .等人使用人工神经网络分析材料去除量，并建立参数优化模型.Wang等人提出了一种使用神经网络和遗传算法的材料去除预测算法.为了保证打磨工作的全过程检测，有必要构建一个实时监控的焊缝间隙预测系统。于是，David Jin Hong研究了一种深度学习视觉系统