In dieser Studie präsentieren wir einen neuartigen ganzheitlichen Ansatz zur Bewertung der Qualität von thermisch geschnittenen Kanten anhand von Bildern der Schnittkanten. Mithilfe von Deep-Learning-Techniken schätzen wir Qualitätskriterien wie Rauheit, Toleranz der Kantenneigung, Rillennachverfolgung und Gratehöhe. Unser Ansatz übertrifft den derzeitigen Stand der Technik bei der Evaluierung von thermisch geschnittenen Kanten anhand von 2D-Bildern erheblich. Soweit wir wissen, präsentiert diese Studie die erste bildbasierte Rillennachverfolgungevaluierung für thermisch geschnittene Kanten. Unsere Ergebnisse zeigen, dass eine umfassende, genaue und schnelle Vorhersage der Kantenqualität durch die Implementierung eines einfachen Bildaufnahme-Systems in Kombination mit einem convolutionalen neuronalen Netzwerk (CNN) effektiv erreicht werden kann.
Stahl et al. (Sun,) haben diese Frage untersucht.