铸件抛光是铸件后处理的主要手段；但是，在此过程中产生的粉尘无法控制，大量的铬粉和镍颗粒会对环境造成危害.由于吸入粉尘，手工打磨会导致呼吸道和肺部疾病，甚至尘。而且人工抛光效率低，工件产品一致性差，报废率高。在机械打磨过程中，高密度灰尘会影响夹紧操作中使用的设备。高密度灰尘附着在设备上，灰尘会降低夹紧设备的精度和稳定性。当采用智能打磨方案时，密封机器人和传感设备，从而防止灰尘进入是一个挑战。此外，高密度的灰尘会阻挡传感设备的表面，这意味着它们无法准确地做出判断。同时，大的振动会对现场操作产生严重影响。

为了弥补传统打磨方法的不足，提高铸件的打磨效率和精度，研究人员在判断和预测方面结合了智能传感装置和人工智能算法。主要成果包括基于图像视觉的打磨方法、激光传感、数据驱动的打磨预测、2.5D局部特征信息、设计模型与3D点云的比较等。

手工打磨可以根据实际情况，其中一道工序完成后需要进行观察和测量，实时对比图纸和尺寸后调整后续打磨策略。随着机器视觉的广泛应用，可以实现仿人打磨策略的实时反馈和智能规划。在人工智能技术的支持下，视觉传感器在广泛的智能应用中得到了应用，对促进打磨过程的改进起到了积极的作用.视觉传感器具有非接触检测、精度高、重复性强、速度快、稳定性好、成本低等优点

为了获得实际的材料去除量，主要的方法是采用离线或在线测量，建立数学预测模型。近年来，研究人员利用图像视觉对材料去除的估计进行了大量的研究。Joshi等人使用机器视觉方法来获取和识别抛光表面上的表面图像的纹理特征，并使用基于机器视觉参数的回归模型来评估表面粗糙度.王等采用二维卷积神经网络学习算法对材料去除方法进行监控，从视觉信号中提取颜色、纹理、形状等特征。这些特征构成二维特征矩阵作为输入参数，砂带打磨过程中的材料去除率作为输出参数。该方法可用于预测不同砂带规格和不同打磨参数的材料去除率，适用于典型工况下材料去除率的回归预测。