基于加工表面显微图像的卷积神经网络粗糙度识别技术研究
发布时间：2020-08-02 14:38
【摘要】：加工工件表面的微观几何形貌特性在很大程度上影响着零件的耐磨性、耐腐蚀性、接触刚度、抗疲劳能力等物理特性以及使用寿命、可靠性等功能,而近年来科技的发展对工件表面粗糙度的检测效率,精度提出了越来越高的要求。由于传统的接触式与非接触式测量会在待测表面留下划痕,效率低,原理复杂,操作环境要求高等问题,所以近年来基于机器视觉的表面粗糙度测量方法得到广泛应用,但由于基于机器视觉的测量方法在分析过程中需要人工设计图像特征,成本较高,不能满足现实的需求。所以本文提出了一种基于深度学习的图像识别方法,从工件的表面显微图像检测工件的表面粗糙度。通过实验研究,实现了从工件表面显微图像到工件表面粗糙度等级的精确分类以及二维粗糙度参数Ra和三维粗糙度参数Sq,Sa的识别。讨论了卷积神经网络的构建、训练及其图像分类识别原理。卷积神经网络的不完全连接、权值共享以及池化采样结构为其在图像分类识别上提供了不可替代的优越性,其独特的网络结构提高了网络的计算速度。卷积神经网络由多个网络层串联构成,其网络自动提取的图像特征随着网络深度的增加而抽象化,抽象的深度特征信息提高了卷积神经网络对图像几何变形的不变性。采用改进的LetNet-5为模型对手写数字进行分类识别的仿真研究,得到了较高的分类识别精度。采用显微图像与形貌测量系统获取了不同粗糙度样块表面的显微图像与三维形貌数据,并对二维图像数据进行预处理,得到了各表面的二维灰度图。根据各表面形貌数据得到各表面的轮廓曲线,分析其表面曲线的周期性确定了样本图像的大小。建立卷积神经网络样本数据库,并对样本数据库进行了噪声样本和旋转样本的扩充。建立了卷积神经网络模型,分析了实验环境与网络性能评价标准。利用单因素实验法得到了网络模型在车削样本数据库上的网络性能随网络参数(网络深度、滤波器大小、滤波器个数、训练批量和稀疏率)的变化规律。依据网络参数对网络性能的影响规律得到最优参数模型,利用最优的网络模型对各样本数据库进行二维粗糙度等级分类识别,得到各样本数据库的二维粗糙度分类精度。建立了卷积回归网络模型,构建了以二维粗糙度参数Ra值为网络输出参考值的样本数据库,利用卷积回归网络在各样本数据库上进行训练测试,得到各样块表面二维粗糙度的识别结果,实验表明,卷积回归网络能够有效并准确的完成样块表面二维粗糙度参数的识别。构建以三维粗糙度参数Sq,Sa为网络输出参考值的样本数据库。利用已构建的卷积回归网络在各样本数据库上进行训练测试,得到了各样块表面图像对应的三维粗糙度参数识别结果。实验结果表明,卷积回归网络能够有效并准确的完成样块表面重三维粗糙度参数的识别。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：
1 绪论方法中的光学、超声、扫描隧道显微镜等所用仪器设备价格昂贵，对环境要求高，测量尺寸和粗糙度范围有限，限制了其在工程领域的广泛应用。1.2.2 表面粗糙度测量方法的研究现状表面粗糙度是影响生产制造精度的重要因素，其测量方法的提出可以追溯到 1929 年，G.Schmalz 首次对表面粗糙度进行了初步评价和定义，其采用 Hmax 参数和测量基线两个标定量，第一次对工件表面粗糙度进行了量化评价，为后续表面粗糙度的进一步研究奠定了基础。1936 年，E.J.Abbott 研发了第一款用于生产的表面粗糙度测量仪，其采用表面轮廓的峰顶和探针支撑面积的比值关系特征对表面粗糙度进行了定义。1940 年，英国研制出了触针式泰勒雪夫表面粗糙度仪[10]，其工作原理如图 1-2 所示。英国的糙度仪出现后，各国也均成功研制出不同的测量表面粗糙度的轮廓仪。电感线圈分划板狭缝光源S
1 绪论方法中的光学、超声、扫描隧道显微镜等所用仪器设备价格昂贵，对环境要求高，测量尺寸和粗糙度范围有限，限制了其在工程领域的广泛应用。1.2.2 表面粗糙度测量方法的研究现状表面粗糙度是影响生产制造精度的重要因素，其测量方法的提出可以追溯到 1929 年，G.Schmalz 首次对表面粗糙度进行了初步评价和定义，其采用 Hmax 参数和测量基线两个标定量，第一次对工件表面粗糙度进行了量化评价，为后续表面粗糙度的进一步研究奠定了基础。1936 年，E.J.Abbott 研发了第一款用于生产的表面粗糙度测量仪，其采用表面轮廓的峰顶和探针支撑面积的比值关系特征对表面粗糙度进行了定义。1940 年，英国研制出了触针式泰勒雪夫表面粗糙度仪[10]，其工作原理如图 1-2 所示。英国的糙度仪出现后，各国也均成功研制出不同的测量表面粗糙度的轮廓仪。电感线圈分划板狭缝光源S
应用机器学习算法对待测表面的粗糙度进行预测。虽然这些方法相比传统的接触式和光学测量方法高效，准确，但这类方法的难点在于统计参数的提取，而其参数是通工设计图像特征后提取的，所以既耗时，成本又高；并且分阶段采用人工特征标记对粗糙度进行识别既增加了运算识别复杂程度，又极大的提高了识别成本，部分研究者于研究从原始自然图像中 自学习特征 而非事先 人工设计特征 的深度学习[30]。2.3 卷积神经网络研究现状随着智能化产业的普及，人工智能设备越来越普遍。深度学习作为人工智能领域不缺的关键环节，支撑着众多智能设备的智能操作。而如今，深度学习已广泛应用于我活的方方面面，让生产制造变得更为精密，便捷。本研究课题提出了一种应用深度卷经网络的方法来测量工件的表面粗糙度。卷积神经网络（CNN）目前是深度学习领域用最为成熟的分支之一，具有强大的特征学习能力。深度学习在特征提取方面与其他学习算法不同。如图 1-5 所示，深度学习替代了机器学习的特征提取、特征统计以及学习等步骤，就像是一个 黑箱 ，自动提取图像的特征信息，并且实现了特征提取与的一体化，从而完成了输入到输出的图像识别，大大提高了图像的检测效率与识别精特征传统的机器学习算法输入特征提取输出机器学习
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：
1 绪论方法中的光学、超声、扫描隧道显微镜等所用仪器设备价格昂贵，对环境要求高，测量尺寸和粗糙度范围有限，限制了其在工程领域的广泛应用。1.2.2 表面粗糙度测量方法的研究现状表面粗糙度是影响生产制造精度的重要因素，其测量方法的提出可以追溯到 1929 年，G.Schmalz 首次对表面粗糙度进行了初步评价和定义，其采用 Hmax 参数和测量基线两个标定量，第一次对工件表面粗糙度进行了量化评价，为后续表面粗糙度的进一步研究奠定了基础。1936 年，E.J.Abbott 研发了第一款用于生产的表面粗糙度测量仪，其采用表面轮廓的峰顶和探针支撑面积的比值关系特征对表面粗糙度进行了定义。1940 年，英国研制出了触针式泰勒雪夫表面粗糙度仪[10]，其工作原理如图 1-2 所示。英国的糙度仪出现后，各国也均成功研制出不同的测量表面粗糙度的轮廓仪。电感线圈分划板狭缝光源S
1 绪论方法中的光学、超声、扫描隧道显微镜等所用仪器设备价格昂贵，对环境要求高，测量尺寸和粗糙度范围有限，限制了其在工程领域的广泛应用。1.2.2 表面粗糙度测量方法的研究现状表面粗糙度是影响生产制造精度的重要因素，其测量方法的提出可以追溯到 1929 年，G.Schmalz 首次对表面粗糙度进行了初步评价和定义，其采用 Hmax 参数和测量基线两个标定量，第一次对工件表面粗糙度进行了量化评价，为后续表面粗糙度的进一步研究奠定了基础。1936 年，E.J.Abbott 研发了第一款用于生产的表面粗糙度测量仪，其采用表面轮廓的峰顶和探针支撑面积的比值关系特征对表面粗糙度进行了定义。1940 年，英国研制出了触针式泰勒雪夫表面粗糙度仪[10]，其工作原理如图 1-2 所示。英国的糙度仪出现后，各国也均成功研制出不同的测量表面粗糙度的轮廓仪。电感线圈分划板狭缝光源S
应用机器学习算法对待测表面的粗糙度进行预测。虽然这些方法相比传统的接触式和光学测量方法高效，准确，但这类方法的难点在于统计参数的提取，而其参数是通工设计图像特征后提取的，所以既耗时，成本又高；并且分阶段采用人工特征标记对粗糙度进行识别既增加了运算识别复杂程度，又极大的提高了识别成本，部分研究者于研究从原始自然图像中 自学习特征 而非事先 人工设计特征 的深度学习[30]。2.3 卷积神经网络研究现状随着智能化产业的普及，人工智能设备越来越普遍。深度学习作为人工智能领域不缺的关键环节，支撑着众多智能设备的智能操作。而如今，深度学习已广泛应用于我活的方方面面，让生产制造变得更为精密，便捷。本研究课题提出了一种应用深度卷经网络的方法来测量工件的表面粗糙度。卷积神经网络（CNN）目前是深度学习领域用最为成熟的分支之一，具有强大的特征学习能力。深度学习在特征提取方面与其他学习算法不同。如图 1-5 所示，深度学习替代了机器学习的特征提取、特征统计以及学习等步骤，就像是一个 黑箱 ，自动提取图像的特征信息，并且实现了特征提取与的一体化，从而完成了输入到输出的图像识别，大大提高了图像的检测效率与识别精特征传统的机器学习算法输入特征提取输出机器学习
【相似文献】
相关期刊论文 前10条
1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期
2 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期
3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期
4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期
5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期
6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期
7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期
8 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期
9 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期
10 张庭略;;基于硬件的神经网络加速[J];通讯世界;2018年08期
相关会议论文 前10条
1 孙军田;张U
本文编号：2778651
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2778651.html
