欢迎来到天津华茂致远自动化科技有限公司网站！
155-22854404
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
二维图像信息集中在平面上，机器人打磨提供的深度信息不准确。因此，更的2.5D信息具有表示3D对象的优势，从而提高可靠识别的机会.
2008年，维尔马提出了一个2.5维加工特征识别系统。它用于筛选出2.5D零件特征，以确定加工方向.2009年，Siebert等人将2D SIFT算法扩展到2.5D进行应用;所提出的算法可以利用3D旋转不变性的局部特征直接进行匹配。张雨薇等人提出了一种从2.5D浅浮雕重建基本3D形状的方法，并通过法线传递和泊松表面重建来优化人脸形状.张等人构造了一个2.5D的高度场用于人像浮雕，以增像的外观，并将2.5D技术应用于人像浮雕的处理。该技术也可以应用于人像浮雕的表面打磨。
表示由传感装置获得的待抛光工件的数据模板；待抛光工件的局部模板特征；通过精细配准显示B在A中的位置。配准后便于磨具规划工件的加工路线，可以大大提高加工精度。高精度匹配对于自动打磨至关重要。
上述基于2.5D局部特征信息的打磨方法，深度方向精度较低，可用于加工精度要求不高的零件。使用局部信息抛光的缺点是需要额外的步骤来获得表面信息，并且像2D方法一样，这需要从单独的特定视点进行表示。
扫一扫手机网站
在线客服
155-22854404
litao_llt@163.com