机床与液压

作者：孟一帆，张超勇，肖御风，朱传军

单位：湖北工业大学机械工程学院；华中科技大学机械科学与工程学院；湖北工业大学机械工程学院；湖北工业大学机械工程学院

关键词：刀具磨损;DeepLabV3+模型;注意力机制;LKA;机器视觉

针对现有刀具磨损监测方法存在精度不足、工作量大、效率低下等问题，提出一种基于改进DeepLabV3+网络的刀具磨损监测方法。搭建刀具磨损状态在机监测实验平台，实现刀具磨损图像的自动化采集。对采集的数据进行旋转、降噪等数据增强处理，并降低分辨率与预裁剪，以提升训练效率。在DeepLabV3+模型的ASPP模块中，在每个分支后引入CBAM注意力机制，以增强多尺度特征的表达能力；在ASPP模块与解码器之间加入SE注意力机制与LKA大核卷积的融合模块，提升网络对关键区域的聚焦能力。在训练过程中，联合使用Focal Loss和Dice Loss。Focal Loss通过降低易分类样本权重、增强难分类样本关注度，改善类别不平衡问题；Dice Loss则强调分割区域与真实区域的重叠程度，提升分割精度。最后，将改进模型与其他网络模型进行对比实验。结果表明：改进后的DeepLabV3+模型的mIoU达到了96.33%，相较原模型（ DeepLabV3+(图片无裁剪)）增长了近2%，有效验证了改进模型的高效性与准确性。

来源：2026年第7期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第7期