在渐进模深冲中，带材定位和运输的小偏差会在各个阶段累积，从而导致显著的几何变化和质量问题。因此，可靠的数据集对于数据驱动建模至关重要，但工艺标签如名义进给长度通常受到机器公差的影响，从而引入不确定性。本研究提出了一种基于相机的自动化特征提取方法，适用于深冲工艺的末端。通过在线轮廓投影仪，从高速图像数据中提取相关几何特征，如圆距、质心位置和局部材料宽度。所实施的算法结合了边缘检测、圆拟合、质心分析和方向宽度测量，在工业条件下生成一致的特征集。研究了材料反射、不对称变形和非理想边界条件等挑战，并讨论了特征检测中几何特定障碍。提取的特征在系统变化的进给长度值下进一步分析其统计变异性。结果表明，基于图像的特征方差随着进给长度的增加而增加，表明名义工艺标签并不总是反映实际材料位置。本研究强调了不确定性量化在形成技术的机器学习数据集生成中的重要性。通过将过程变化与可直接观察的几何特征联系起来，所提出的方法为特征提取提供了方法指导，并提供了对工业数据集中标签质量的概念性见解。
Schumann 等人（Mon，）研究了这个问题。