基于特征提取和卷积神经网络的铣削表面粗糙度检测方法研究

发布时间：2021-10-22 09:38

　　表面粗糙度是机械领域中衡量加工表面质量的重要指标之一,在工程应用中如何提高其检测速度和精度一直是研究热点,从接触式检测方法发展到光学和图像学研究得到的非接触式检测方法,随着技术的进步,表面粗糙度的检测精度在进一步的提高。在实际生产应用中,产品的合格与否需达到技术要求值的范围以内,同时工件表面质量的检测对速度的要求更高。在此背景下,基于工件表面图像的粗糙度检测能够充分满足实际加工生产的需求,根据国家标准对表面粗糙度常用值区间进行分类,本文旨在通过实验获取工件铣削表面,分别构建基于图像特征提取和基于卷积神经网络的表面粗糙度分类模型,在达到精度要求的前提下,提升了检测速度。基于图像特征提取的表面粗糙度检测方法,是通过分析纹理特征,对比多种提取方式,根据机械加工铣削表面实际纹理状态,选用了灰度共生矩阵进行表面纹理特征检测,通过特征对比选择其中6维特征值作为图像特征向量,并建立BP神经网络对特征向量进行分类学习,使用训练集数据可以达到98.96%准确率,使用测试集数据可以达到91.67%准确率。基于卷积神经网络的表面粗糙度分类检测方法,是一种端到端的图像分析方法,将实验采集的工件表面图像,通过预... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

XHK715立式铣床加工中心

图 2.4 激光共聚焦仪器技术参数如下：范围：1-8 倍；射：408 纳米紫激光；：4-120Hz（面扫描），7900Hz（线扫描）；受光素子：倍率：5，10，20，50，150；量软件和粒度分析软件（VK-H1XVE）：面分辨率要求到达 200 纳米；Z 轴扫描分辨率要求达到数需超过 15000 倍；薄膜等透明材料；可观测透明液体；能自动进行三维几度可进行直接评价；分析图像，显示颗粒粒度等；

并通过三角架确定相机和试件表面的垂直角度，获取加工试件的表面图像，加工后各表面粗糙度值的试件图片如图2.5 和 2.6 所示：（a）直线进给 （b）圆弧进给图 2.5 直线进给和圆弧进给加工下的铝合金工件表面（2736*1824）（a）直线进给 （b）圆弧进给图 2.6 直线进给和圆弧进给加工下的 45 号钢工件表面（2736*1824）

【参考文献】：
期刊论文
[1]结合深度学习的工业大数据应用研究[J]. 李广,杨欣.  大数据. 2018(05)
[2]基于视觉反馈的工业机器人打磨抛光检测系统应用研究[J]. 徐旋波,王寅飞,张伟.  机电工程技术. 2018(05)
[3]基于CCD摄像机石材表面粗糙度检测方法[J]. 赵民,周嘉伟.  光学技术. 2018(03)
[4]基于卷积神经网络的图像纹理的超分辨率重建[J]. 蒋雪,韩芳.  微型机与应用. 2017(20)
[5]浅析智能机床发展[J]. 陈长年,李雷.  制造技术与机床. 2015(12)
[6]基于卷积神经网络的纹理分类方法研究[J]. 冀中,刘青,聂林红,庞彦伟.  计算机科学与探索. 2016(03)
[7]微观表面形貌检测方法及其发展[J]. 夏阳,黄进凡.  湖北农机化. 2014(03)
[8]表面粗糙度检测技术研究概况[J]. 郭便.  价值工程. 2011(08)
[9]基于灰度共生矩阵的纹理特征提取[J]. 高程程,惠晓威.  计算机系统应用. 2010(06)
[10]基于图像处理技术的表面粗糙度检测系统模型[J]. 陈斌,宋桂珍.  机械管理开发. 2010(02)

硕士论文
[1]基于机器学习方法的管材缺陷识别方法研究[D]. 郭润元.西安理工大学 2018
[2]基于CNN的晶圆SEM图像缺陷检测与分类研究[D]. 邡鑫.浙江大学 2018
[3]基于机器视觉的刀具磨损检测系统研究[D]. 吴同坤.哈尔滨理工大学 2018
[4]金属弧面工件表面缺陷检测与误检排除技术研究[D]. 许浩均.华南理工大学 2017
[5]基于深度学习与SVM的电弧熔积表面缺陷检测与分类[D]. 邓星.华中科技大学 2016
[6]深度学习及其在工件缺陷自动检测中的应用研究[D]. 颜伟鑫.华南理工大学 2016
[7]基于数字图像的刀具磨损状态监测研究[D]. 封海蕊.浙江理工大学 2013
[8]基于图像法的工件表面粗糙度检测系统研究[D]. 张建.南京航空航天大学 2011
[9]基于机器视觉的磨削表面粗糙度检测[D]. 吴春亚.哈尔滨理工大学 2008
[10]基于图像的车削表面粗糙度测量[D]. 王玉景.哈尔滨理工大学 2007



本文编号：3450839