[發明專利]刀具檢測模型的生成方法、檢測方法、系統、設備及介質

有效

• 申請號: 202010889115.6
• 申請日: 2020-08-28
• 公開（公告）號: CN111993158B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 賈昌武;黃永鋒;譚國豪;鐘康;李鴻峰
• 申請（專利權）人: 深圳市玄羽科技有限公司
• 主分類號: B23Q17/09
• 分類號: B23Q17/09;G06K9/62;G06N20/00
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 楊東明;金學來

1.一種刀具檢測模型的生成方法，其特征在于，所述生成方法包括：

獲取不同使用狀態的刀具在加工過程中的負載值，所述使用狀態為正常使用狀態或斷刀使用狀態；

從所述負載值中提取特征數據；

將所述特征數據作為輸入，所述特征數據對應的使用狀態作為輸出訓練機器學習模型以獲取所述刀具檢測模型，所述刀具檢測模型用于檢測目標刀具的當前使用狀態；所述機器學習模型包括二分類模型；

所述將所述特征數據作為輸入，所述特征數據對應的使用狀態作為輸出訓練機器學習模型以獲取所述刀具檢測模型的步驟包括：

初始化每一所述特征數據的權重；

根據初始化的所述權重訓練所述二分類模型的學習器，且將訓練后的所述學習器加入弱學習器集合中；

根據所述學習器的學習誤差率更新所述特征數據的權重，以使得所述學習器的學習誤差率高的訓練樣本點的權重變高，根據更新后的所述特征數據的權重再次訓練所述學習器，且將再次訓練后的所述學習器加入所述弱學習器集合中；

判斷所述弱學習器集合中的學習器的數量是否達到預設目標數：若是，則停止訓練，并根據所述弱學習器集合中的所有學習器獲取所述刀具檢測模型；若否，則執行所述根據所述學習器的學習誤差率更新所述特征數據的權重，根據更新后的所述特征數據的權重再次訓練所述學習器，且將再次訓練后的所述學習器加入所述弱學習器集合中的步驟；

所述根據所述弱學習器集合中的所有學習器獲取所述刀具檢測模型的步驟包括：

根據所述學習誤差率確定所述弱學習器集合中的對應的學習器的權重，并根據每一所述學習器的權重獲取所述刀具檢測模型。

2.如權利要求1所述的刀具檢測模型的生成方法，其特征在于，所述訓練機器學習模型以獲取所述刀具檢測模型的步驟包括：

當訓練次數達到預設目標數時，確定訓練后的所述機器學習模型為所述刀具檢測模型。

3.如權利要求1所述的刀具檢測模型的生成方法，其特征在于，所述二分類模型包括adaboost模型。

4.如權利要求1所述的刀具檢測模型的生成方法，其特征在于，所述獲取不同使用狀態的刀具在加工過程中的負載值的步驟后還包括：

預處理所述負載值；

所述從所述負載值中提取特征數據的步驟包括：從預處理后的所述負載值中提取特征數據。

5.如權利要求1所述的刀具檢測模型的生成方法，其特征在于，所述獲取不同使用狀態的刀具在加工過程中的負載值的步驟包括：

在每一次加工刀具的過程中，通過滑動窗口獲取不同使用狀態的刀具在加工過程中的負載值。

6.一種刀具使用狀態的檢測方法，其特征在于，所述刀具檢測方法包括：

獲取在當前加工過程中的目標刀具的負載值；

從所述負載值中提取目標特征數據；

將所述目標特征數據輸入如權利要求1-5中任意一項所述的生成方法生成的刀具檢測模型中以獲取所述目標刀具對應的當前使用狀態。

7.如權利要求6所述的刀具使用狀態的檢測方法，其特征在于，所述獲取在當前加工過程中的目標刀具的負載值的步驟后包括：

預處理所述負載值；

所述從所述負載值中提取目標特征數據的步驟包括：

從預處理后的所述負載值中提取目標特征數據。