本發(fā)明屬于刀具損傷檢測，更具體的，涉及一種基于改進swin-transformer的刀具損傷智能定量檢測方法。

背景技術：

1、刀具損傷檢測是制造流程中質量控制與成本優(yōu)化的核心環(huán)節(jié)，對于確保產(chǎn)品質量、削減生產(chǎn)成本具有不可估量的價值。隨著人工智能技術的蓬勃興起，深度學習驅動的視覺檢測技術為刀具損傷檢測開辟了新路徑。近年來，深度學習與刀具損傷檢測交叉的研究蔚然成風，研究者通過深度挖掘刀具損傷圖像中的內在模式與特征，實現(xiàn)了該領域的顯著突破。然而，當前方法多局限于對刀具損傷的定性分析，難以滿足工業(yè)界對損傷程度精準量化與高度可靠性的迫切需求。攻克刀具損傷定量化檢測的難題，是推動該技術從實驗室走向生產(chǎn)線、實現(xiàn)產(chǎn)業(yè)化的關鍵步驟，其理論意義與應用前景均不容忽視。因此，亟需開發(fā)出一種集刀具視覺檢測與定量化分析于一體的新方法，為刀具損傷檢測的工業(yè)化應用奠定堅實基礎。

2、中國專利公開號cn116309458a公開了一種基于改進yolox的刀具損傷智能檢測與預警方法，能夠自動識別輸入圖像是否損傷并進行刀具損傷類別、區(qū)域判斷，同時能夠基于損傷類型進行刀具健康預警，也通過輕量級骨干網(wǎng)絡的替換初步給工業(yè)級部署提供新的思路，但是仍然無法進行刀具磨損定量化評估，其工業(yè)適用性存在較大的局限性；中國專利公開號cn116993711a公開了一種基于自蒸餾的刀具損傷智能檢測方法，該方法擯棄了傳統(tǒng)的知識蒸餾的兩階段訓練策略，通過將師生網(wǎng)絡的內部拆分為不同的淺層部分，將知識從深度網(wǎng)絡中擠出，進入淺層網(wǎng)絡，并進行單階段端到端訓練，同時降低了模型復雜度以及模型規(guī)模，為產(chǎn)線式機床刀具檢測提供了工業(yè)化應用基礎，但是該方法主要針對較大的網(wǎng)絡模型進行模型壓縮，沒有考慮模型對于刀具磨損程度的定量化評估，難以適應刀具損傷定量化檢測需求；中國專利公開號cn1?17197427a公開了一種基于改進rtmdet的刀具損傷目標檢測方法，該方法能夠提升網(wǎng)絡的特征重用能力并通過改善最短梯度路徑提升了模型的學習效果，同時提高空間通道的感知能力，增強了網(wǎng)絡模型對冗余特征的抑制進而提升了檢測精度；最后通過tensorrt框架對模型進行優(yōu)化處理并完成在嵌入式平臺的部署，提升了模型對刀具損傷的檢測速度，解決了邊緣平臺計算高延時問題，該方法能夠兼顧目標檢測算法的檢測精度和處理速度，適用于刀具損傷檢測系統(tǒng)的實時性需求，但是該方法忽略了對于刀具磨損定量化的評估需求，難以滿足工業(yè)化應用中對刀具損傷程度的精確度和可靠性要求。中國專利公開號cn1?17733649a公開了一種基于改進swin-transformer的刀具磨損值監(jiān)測方法，該方法將原模型中的mlp結構替換為殘差塊，同時減小模型層疊塊的層數(shù)，實現(xiàn)了刀具通過采集振動、切削力等信號，在相同切削參數(shù)下對刀具磨損值的有效精準監(jiān)測，但是該方法僅能針對一維傳感器信號進行磨損監(jiān)測，并且需要對原始信號進行預處理，增加了監(jiān)測成本，同時該方法仍然停留在刀具損傷的定性監(jiān)測階段，難以應對工業(yè)應用領域對于損傷量的高精度監(jiān)測挑戰(zhàn)；中國專利授權號cn1?10930405b公開了一種基于圖像區(qū)域劃分的刀具損傷檢測方法，通過將刀具損傷區(qū)域分為磨損區(qū)域與破損區(qū)域，對兩塊區(qū)域分別進行提取后，以兩區(qū)域之和的幾何特征作為刀具損傷程度及損傷類型的判別標準；磨損區(qū)域通過像素塊分割和局部閾值提取，而破損區(qū)域則通過數(shù)據(jù)擬合與差分法提取，該方法能夠診斷刀具損傷類型以及損傷程度，但是該方法主要針對磨損與破損兩種類型，定量化檢測程度較低，同時基于手動參數(shù)調整，診斷精度較低，此外該模型難以適應于刀具損傷檢測的廣義任務；中國專利授權號cn111122587b公開了一種基于視覺特征提取的刀具損傷檢測方法，通過將刀具損傷區(qū)域分為磨損區(qū)域與破損區(qū)域，對兩塊區(qū)域分別進行提取后，以兩區(qū)域之和的幾何特征作為刀具損傷程度及損傷類型的判別標準，通過目標融合和差分法分別提取，并以幾何特征判別損傷程度和類型，該方法能夠判斷刀具損傷類型以及損傷程度，但是僅通過目標融合以及差分法判別精度較低，難以覆蓋細小區(qū)域的損傷，同時所采用的方法基于人工神經(jīng)網(wǎng)絡，需要大量先驗知識以及手動調參，識別速度和準確性不足，不具備較好的泛化性能，難以適應工業(yè)化落地需求。綜上，當前的刀具損傷檢測方法仍然存在著一定的不足，同時對于刀具磨損程度的定量化評估的研究不夠深入，難以適應刀具磨損檢測高精度、可靠性的工業(yè)化應用現(xiàn)狀，因此亟需一套高精高效、高可靠性的刀具損傷智能定量檢測方法，滿足刀具磨損檢測工業(yè)化落地需求，實現(xiàn)機床刀具的加工狀態(tài)過程監(jiān)控。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于swin-transformer的刀具損傷智能定量檢測方法，專門用于刀具損傷檢測。該技術不僅能智能識別刀具的損傷類型，還能對損傷程度進行精確量化評估，顯著提升檢測的準確性與可靠性，進而大幅降低由刀具損傷引發(fā)的工業(yè)成本。

2、實現(xiàn)本發(fā)明目的技術解決方案為：

3、一種基于swin-transformer的刀具損傷智能定量檢測方法，包括以下步驟，將采集得到的刀具圖像進行統(tǒng)一編號以及灰度化處理，同時設置刀具損傷類型，這里定義為四種：碎斷、崩刃、裂紋及后刀面磨損，然后根據(jù)損傷類型進行圖像分類標注，其中像素標注的對象為：刀具直徑、碎斷損傷寬度、崩刃損傷寬度；并設置實際直徑與刀具直徑像素間的比例尺，計算后將該寬度作為新的損失函數(shù)加入標注文件，以此獲得的圖像及對應的標注文件按照7：1：2的比例隨機劃分為訓練集、驗證集以及測試集；

4、建立基于swin-transformer的刀具損傷智能定量檢測模型，該模型包括patchpartition分區(qū)模塊、linearembeding線性嵌入層、patchmerging合并層、layernorm層、全局池化層以及全連接層，然后在網(wǎng)絡中增加sw-msa移位窗口多頭自注意力模塊，該模塊通過在連續(xù)層之間引入窗口位置的位移來增強窗口之間的交互，通過允許窗口重疊，從而使模型能夠更有效地捕獲長距離依賴關系，同時將注意力計算限制在局部窗口內來降低計算成本，使模型更加高效，最后通過特征窗口的移動來促進不同空間區(qū)域之間上下文信息的流動，使模型能夠更好地理解對象及其周圍環(huán)境之間的關系，從而增強其性能。此外增加包括刀具平均損傷帶寬度l2損失、交叉熵函數(shù)以及掩碼二元交叉熵損失三種損失函數(shù)以提升模型性能；

5、進行模型訓練，通過超參數(shù)調整以及增加迭代次數(shù)等措施得到最優(yōu)檢測模型。

6、該發(fā)明相較于現(xiàn)有的刀具損傷智能檢測方法，其顯著優(yōu)點在于：

7、(1)本發(fā)明主要針對刀具磨損程度進行定量化評估，通過刀具平均損傷寬度帶長度訓練，使得網(wǎng)絡模型能夠學習到刀具磨損程度特征，從而提升了刀具磨損檢測的精度，與同類方法相比，增加了刀具損傷類型的定量化程度信息，極大提升模型檢測精度。

8、(2)本發(fā)明通過網(wǎng)絡架構設置，采用patch?partition分區(qū)模塊、linear?embeding線性嵌入層、patch?merging合并層的組合模塊，擴大了全局感受野，增強了了模型對于刀具損失類型的特征學習能力，對比同類模型檢測算法，檢測準確率可提升5％以上。

9、(3)本發(fā)明通過增加sw-msa移位窗口多頭自注意力模塊，在連續(xù)層引入窗口位置的位移來增強窗口之間的交互，通過允許窗口重疊，使模型能夠更有效地捕獲長距離依賴關系，同時將注意力計算限制在局部窗口內來降低計算成本，使模型更加高效，最后通過特征窗口的移動來促進不同空間區(qū)域之間上下文信息的流動，使模型能夠更好地理解對象及其周圍環(huán)境之間的關系，從而增強其性能。相較于其他刀具損傷檢測算法，在提升準確率的同時降低了計算成本。