买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国长江电力股份有限公司;武汉数字化设计与制造创新中心有限公司申请的专利基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118456126B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410656287.7，技术领域涉及：B24B1/00；该发明授权基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法是由徐宁;徐柳铭;杨小龙;秦岩平;成传诗;覃创吉;孙刚;陈伟东;何佳;邵龙;周林设计研发完成，并于2024-05-24向国家知识产权局提交的专利申请。

本基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法在说明书摘要公布了：一种基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法，属于熔覆层抛光技术领域，步骤为：首先，通过在抛光设备上安装的传感器收集关键操作参数，包括抛光压力、速度、和抛光头与材料表面的接触角度。随后，所得数据经过预处理以滤除噪声并标准化，为后续深度学习模型的训练做好准备。本发明采用的深度学习模型结合了卷积神经网络CNN和循环神经网络RNN，能够根据处理过的数据自动优化抛光路径。在抛光过程中，系统能实时调整抛光参数和路径，确保达到预定的抛光质量标准。本发明能高效高质量完成抛光任务，适用于水轮机接力器等工件的内表面熔覆层抛光，具有重要的实际应用价值。

本发明授权基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法在权利要求书中公布了：1.基于机器学习的圆柱桶内表面熔覆层抛光路径优化方法，其特征在于包括以下步骤： 步骤1、通过三维扫描仪收集圆柱桶内表面的几何数据： 步骤1.1、将圆柱桶固定在旋转平台上； 步骤1.2、根据圆柱桶的尺寸和复杂度，调整三维扫描仪的扫描参数，扫描参数包括扫描速度、激光强度和分辨率；再利用三维扫描仪采集几何数据； 步骤1.3、将几何数据保存为点云格式的原始点云数据，每个点包含了在空间中的坐标（X，Y，Z）和该点的表面反射强度； 步骤1.4、对原始点云数据进行校正，消除因扫描角度和设备误差造成的偏差；合并多角度扫描的原始点云数据，确保整体的几何数据连贯一致； 步骤1.5、对校正后的原始点云数据进行降噪和简化处理，去除无关信息； 步骤2、将收集到的原始点云数据转化为适合深度学习模型分析的格式，利用深度学习模型处理几何数据，识别出需要抛光的关键区域： 步骤2.1、数据清洗：初步处理收集到的三维扫描数据，移除不完整或损坏的数据点，确保数据完整性； 步骤2.2、去噪声：使用滤波器对原始点云数据进行平滑处理，去除扫描过程中产生的噪声； 步骤2.3、特征提取：基于三维几何分析方法，从处理后的几何数据中提取出关键的特征信息，关键的特征信息包括曲面的曲率、边缘和几何形状； 步骤2.4、数据标准化：采用标准分数方法，将几何数据转化为具有零均值和单位方差的格式； 步骤2.5、数据格式转换：将处理后的点云数据转换为体素网格，将三维空间离散化，为深度学习模型提供标准化的输入形式； 步骤3、采用监督学习方法对深度学习模型进行训练，使用随机梯度下降优化算法来优化损失函数，随机梯度下降优化算法来优化损失函数用于衡量深度学习模型预测的抛光路径与实际最优路径之间的差异；为避免过拟合，引入正则化项和丢弃法，深度学习模型在多个批次的数据上迭代训练，直至损失函数的值收敛； 步骤4、训练完成的深度学习模型用于实时识别圆柱桶内表面的某区域并生成抛光路径，深度学习模型用于识别出需要抛光的区域和可能存在的表面缺陷，表面缺陷包括凹陷和凸起；基于识别结果，深度学习模型进一步计算出覆盖所有识别区域的最优抛光路径；最优抛光路径包括路径形状、顺序和抛光头速度在内的参数； 步骤1中，扫描参数还包括扫描间隔，所述的扫描参数根据圆柱桶内表面的材料特性、尺寸和熔覆层面复杂程度进行调整，在扫描过程中，采用多个角度和多位置进行扫描，以捕捉圆柱桶内表面所有可见区域，并确保几何数据的完整覆盖，避免死角，以获得完整的三维信息； 步骤1中，用于公式（1）计算点云数据中点到点的最近距离，以辅助后续数据处理与路径优化： （1）； 其中，和是点云数据中的任意两点，为的坐标，为的坐标； 步骤2.1中，由于扫描过程中会产生无关的数据点，所述的无关的数据点包括由于环境反射或设备误差导致的噪声，通过阈值分割和统计分析方法，利用标准差和均值来识别并去除异常值； 步骤2.2中，使用高斯滤波算法对数据进行去噪处理，以平滑数据并减少扫描误差造成的影响，高斯滤波算法公式如下： （2）； 其中，表示原始扫描数据，表示滤波后的数据，是滤波器的权重矩阵，是数据点的坐标，是权重矩阵中的位置； 再将原始点云数据采用公式（3）进行初步处理，以消除噪声并平滑数据： （3）； 其中，表示经过平滑处理的点，是点的邻域集合； 步骤2.4中，采用公式（4）对数据进行归一化处理，以确保深度学习模型的训练不受不同扫描尺度的影响： （4）； 其中，是原始数据点，和分别是数据集中的最小值和最大值； 步骤2.5完成后，进行边界检测：对于需要精确抛光的边界区域，采用边缘检测算法来识别并标记这些区域： （5）； 其中，代表边缘检测结果，代表图像强度，和分别是图像强度在x和y方向上的梯度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国长江电力股份有限公司;武汉数字化设计与制造创新中心有限公司，其通讯地址为：430014 湖北省武汉市江岸区三阳路88号三阳中心；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。