Jourdan, Nicolas ; Biegel, Tobias ; Knauthe, Volker ; Buelow, Max von ; Guthe, Stefan ; Metternich, Joachim (2022)
A computer vision system for saw blade condition monitoring.
In: Procedia CIRP, 2022, 104
doi: 10.26083/tuprints-00021265
Artikel, Zweitveröffentlichung, Verlagsversion
Kurzbeschreibung (Abstract)
Tool condition monitoring is a key component of predictive maintenance in smart manufacturing. Predicting excessive tool wear in machining processes becomes increasingly difficult if different materials need to be processed. We propose a novel computer vision-based system for saw blade condition monitoring that is independent of the processed materials and combines deep learning with classic computer vision. Our approach allows for accurate condition monitoring of blade wear which can further be used for predictive maintenance. Additionally, the system can classify different defect types such as missing blade teeth, thus preventing the production of scrap parts.
| Typ des Eintrags: | Artikel |
|---|---|
| Erschienen: | 2022 |
| Autor(en): | Jourdan, Nicolas ; Biegel, Tobias ; Knauthe, Volker ; Buelow, Max von ; Guthe, Stefan ; Metternich, Joachim |
| Art des Eintrags: | Zweitveröffentlichung |
| Titel: | A computer vision system for saw blade condition monitoring |
| Sprache: | Englisch |
| Publikationsjahr: | 2022 |
| Publikationsdatum der Erstveröffentlichung: | 2022 |
| Verlag: | Elsevier |
| Titel der Zeitschrift, Zeitung oder Schriftenreihe: | Procedia CIRP |
| Jahrgang/Volume einer Zeitschrift: | 104 |
| DOI: | 10.26083/tuprints-00021265 |
| URL / URN: | https://tuprints.ulb.tu-darmstadt.de/21265 |
| Zugehörige Links: | |
| Herkunft: | Zweitveröffentlichung |
| Kurzbeschreibung (Abstract): | Tool condition monitoring is a key component of predictive maintenance in smart manufacturing. Predicting excessive tool wear in machining processes becomes increasingly difficult if different materials need to be processed. We propose a novel computer vision-based system for saw blade condition monitoring that is independent of the processed materials and combines deep learning with classic computer vision. Our approach allows for accurate condition monitoring of blade wear which can further be used for predictive maintenance. Additionally, the system can classify different defect types such as missing blade teeth, thus preventing the production of scrap parts. |
| Status: | Verlagsversion |
| URN: | urn:nbn:de:tuda-tuprints-212658 |
| Zusätzliche Informationen: | Erscheint auch in: CIRP CMS 2021 - 54th CIRP Conference on Manufacturing Systems, 2021 |
| Sachgruppe der Dewey Dezimalklassifikatin (DDC): | 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik 600 Technik, Medizin, angewandte Wissenschaften > 670 Industrielle und handwerkliche Fertigung |
| Fachbereich(e)/-gebiet(e): | 20 Fachbereich Informatik 20 Fachbereich Informatik > Graphisch-Interaktive Systeme |
| Hinterlegungsdatum: | 06 Mai 2022 10:25 |
| Letzte Änderung: | 09 Mai 2022 09:10 |
| PPN: | |
| Zugehörige Links: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum