(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210428226.6 (22)申请日 2022.04.22 (65)同一申请的已公布的文献号 申请公布号 CN 114549647 A (43)申请公布日 2022.05.27 (73)专利权人 成都飞机工业 （集团） 有限责任公 司 地址 610092 四川省成 都市青羊区黄田坝 纬一路88号 (72)发明人 褚福舜　朱绍维　黄松　李彩云　 郭国彬　刘宽　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 专利代理师 尹玉 (51)Int.Cl. G06T 7/73(2017.01) G06V 10/762(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 10/764(2022.01) (56)对比文件 CN 110245689 A,2019.09.17 CN 110853019 A,2020.02.28 CN 102207420 A,201 1.10.05 CN 102496 038 A,2012.0 6.13 CN 103196643 A,2013.07.10 CN 109063805 A,2018.12.21 US 2008082201 A1,20 08.04.03 US 7914242 B2,201 1.03.29 CN 103737430 A,2014.04.23 李波.高速数控切削用刀柄工具系统. 《机床 与液压》 .2010,(第02期), Lijing Xie等.To ol Wear Estimate i n Milling Operati on by FEM. 《Journal of China Ordnance》 .20 07,(第04期), 审查员 曹焯 (54)发明名称 一种HSK刀柄 摆放朝向的检测方法 (57)摘要 本发明公开了一种HSK刀柄摆放朝向的检测 方法， 采集刀具的图片， 且采集的刀具的图片中 清楚显示装刀定向标识， 获取多个图像并作为训 练样本； 采用训练样本训练图像识别模型并得到 训练后的图像识别模型； 采用训练后的图像识别 模型对待测视频画面实时识别刀柄和装刀方向， 并判定装刀定向标识的预测区域是否在刀具整 体的预测区域内， 若装刀定向标识的预测区域在 刀具整体的预测区域内， 则刀具架上所有的刀具 摆放正确， 可 以执行刀具交换， 否则判定刀具架 上的刀具摆放错误， 报警并停止交换， 并反馈摆 错的位置。 本发 明可以实时快速检测 刀柄摆放朝 向， 并将检测结果反馈至自动换刀机构控制器， 为自动刀具交换过程提供校验保证， 具有较好的 实用性。 权利要求书4页 说明书13页 附图1页 CN 114549647 B 2022.08.12 CN 114549647 B 1.一种HSK刀柄 摆放朝向的检测方法， 其特 征在于， 包括以下步骤： 步骤S100： 将刀具随机固定在刀具架上， 且使刀具上的装刀定向标识朝向便于拍摄的 一侧； 拍摄每层的刀具， 并随机打乱刀具的位置和摆放朝向， 重复拍摄刀具， 且拍摄图像中 清楚显示装刀定向标识， 获取多个拍摄图像并作为训练样本； 步骤S200： 采用训练样本训练图像识别模型并得到训练后的图像识别模型； 步骤S300： 采用训练后的图像识别模型对待测视频画面实时识别刀柄和装刀方向， 并 判定装刀定向标识的预测区域是否在刀具整体的预测区域内， 若装刀定向标识的预测区域 在刀具整体的预测区域内， 则刀具架上所有的刀具摆放正确， 可以执行刀具 交换， 否则判定 刀具架上的刀具摆放 错误， 报警并停止交换， 并反馈摆错的位置 。 2.根据权利要求1所述的一种HSK刀柄摆放朝向的检测方法， 其特征在于， 所述图像识 别模型为YOLO  v3模型， 所述 步骤S200包括以下步骤： 步骤S201： 对每个训练样本中刀具和装刀定向标识进行标记， 生成图像标记位置文件； 将所有训练样本的图像标记位置文件按设定比例划分得到训练集与测试集； 步骤S202： 利用训练集中每一张图片锚点框左上角点和右下角点的坐标提取 （x， y， w， h， class） 参数， 其中锚点框中心点的坐标为 （x， y） ， 目标的宽和高为 （w， h） ， class为类别； 利 用K‑means聚类算法对训练集中目标边框的尺 寸进行聚类， 获取最佳锚定框的尺 寸， 预测出 目标边框； 步骤S203： 计算损失函数， 所述损失函数包括置信度损失、 分类损失、 定位损失； 采用随 机梯度下降方法， 计算YOLO  v3模型更新后的权重值、 偏 置值； 进行训练迭代， 直至损失函数 小于阈值； 步骤S204： 利用测试集测试迭代训练后的YOLO  v3模型， 验证YOLO  v3模型的正确率， 若 达到预定准确率， 则保存 模型， 得到训练后的YOLO  v3模型。 3.根据权利要求2所述的一种HSK刀柄摆放朝向的检测方法， 其特征在于， 所述步骤 S201中， 对步骤S100采集到的所有训练样本中的刀具整体和装刀定向标识进行标记， 并分 别标记类别为Tool和Tag， 用四个锚点形成一个锚定框， 每个图像文件生 成一个对应的图像 标记位置文件； 所述图像标记位置文件中记录了每一张图片锚点框左上角点和右下角点的 坐标、 标签的名称、 图像的大小。 4.根据权利要求3所述的一种HSK刀柄摆放朝向的检测方法， 其特征在于， 针对装刀定 向标识的标记， 选择在52*52特征图上， 且锚点框为(10x13)， (16x30)， (33x23)， 检测目标； 针对刀具整体的标记， 选择在13*13特征图上， 且锚点框为(116x90)， (156x198)， (373x326)， 检测目标。 5.根据权利要求2所述的一种HSK刀柄摆放朝向的检测方法， 其特征在于， 所述步骤 S202中， 将测试集的图片划分成等大的若干个单元格， 每一个单元格上为每一个边框预测4 个值， 记为 （tx， ty， tw， th） ； 若目标中心在单元格中相对图像左上角有偏移 （Cx， Cy） ， 并且锚点 框具有宽度和高度 （Pw， Ph） ， 则修正后的边界框 （bx， by， bw， bh） 为：权　利　要　求　书 1/4 页 2 CN 114549647 B 2其中： σ （ ） 为激活函数。 6.根据权利要求5所述的一种HSK刀柄摆放朝向的检测方法， 其特征在于， 所述步骤 S202中， K ‑means聚类算法的距离度量 为： 其中， box是指数据集中边框尺寸样本， centroid指类簇中心 尺寸， IOU是测量在特定数据集中监测相应物体准确度的标准。 7.根据权利要求2所述的一种HSK刀柄摆放朝向的检测方法， 其特征在于， 所述步骤 S203中， 采用深度学习框架进行训练， 初始参数设定： 初始学习率： 0.01； 多项式速率衰减： 2 的幂次； 权值衰减： 0.0 05； 动量： 0.9。 8.根据权利要求2所述的一种HSK刀柄摆放朝向的检测方法， 其特征在于， 所述步骤 S203中， 损失函数计算如下： 其中： λ 1、 λ2、 λ3分别为平衡系数； 为置信度损失函数； 为目标类别损失函数； 目标定位损失函数； 公式如下： 其中： ， 为预测目标边界框和真实边界框的IOU， 且正样本为1， 负 样本为0； c为预测值， 为c通过sigmod函数 得到的预测置信度；权　利　要　求　书 2/4 页 3 CN 114549647 B 3