基于深度学习与支持向量机的废旧产品锈蚀螺栓可拆卸性判别方法

为提高再制造拆卸的自动化程度,将机器视觉技术加入拆卸过程,提出一种基于深度学习与支持向量机(Support Vector Machine,SVM)的废旧产品锈蚀螺栓可拆卸性判别方法。针对废旧产品多样化、锈蚀螺栓目标小,以及背景干扰强等特点,采用基于YOLOv5算法的废旧产品螺栓检测模型,自动检测并裁剪不同废旧产品的螺栓目标;应用Hough梯度圆检测算法实现螺栓图像分割,剔除背景干扰;利用基于支持向量机的多特征锈蚀螺栓可拆卸性判别模型,完成螺栓的可拆卸性判别。经实验表明,该方法在实际拆卸中判别准确率为96.46%,漏检率为1.32%,相比单一的YOLOv5算法,判别准确率得到较大提升,为深度自动化拆卸提供了有效途径。

考虑零件功能性削减的多目标拆卸方案决策

为解决零件价值高低界限模糊、废旧产品拆卸深度不合理的问题,提出一种考虑零件功能性削减的产品多目标拆卸方案决策方法。分析零件具体损伤对拆卸工具、方向、约束状态的影响,建立损伤情况下的拆卸信息模型;结合各损伤形式对零件接触面功能性的削减作用,提出一种考量零件在产品中综合重要性的剩余价值排序方法,并由此建立一种动态的拆卸目标件选取模型;面向拆卸过程的经济性,建立包含“价值构成”和“成本构成”的目标函数,采用自适应遗传算法进行序列规划求解,并反向决策零件的回收去向;以受损的减速器为例,获得产品的最佳拆卸深度和各零件的回收去向,充分挖掘零件的利用价值,验证所提方法的经济性与科学性。