[發(fā)明專(zhuān)利]基于多分類(lèi)支持向量機(jī)的磨削表面粗糙度等級(jí)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410570364.3
• 申請(qǐng)日: 2014-10-23
• 公開(kāi)（公告）號(hào): CN104318249A
• 公開(kāi)（公告）日: 2015-01-28
• 發(fā)明（設(shè)計(jì)）人: 于德介;劉奇元;王翠亭;李星
• 申請(qǐng)（專(zhuān)利權(quán)）人: 劉奇元
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/46
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

?

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于多分類(lèi)支持向量機(jī)的磨削表面粗糙度等級(jí)識(shí)別方法。

背景技術(shù)

表面粗糙度是評(píng)定工件表面質(zhì)量的一個(gè)重要指標(biāo)，影響工件的壽命和使用性能。隨著機(jī)械加工自動(dòng)化程度的提高，很多零件由抽檢改為必檢，對(duì)表面粗糙度在線測(cè)量提出了越來(lái)越高的要求，因此生產(chǎn)過(guò)程中實(shí)時(shí)檢測(cè)表面粗糙度越來(lái)越受到重視。傳統(tǒng)觸針?lè)ㄒ刂茰y(cè)量力的大小，既要保證測(cè)頭與表面始終接觸，又不能因此劃傷工件表面和磨損測(cè)頭。光學(xué)法因其具有高靈敏度、非接觸測(cè)量等優(yōu)點(diǎn)，近年來(lái)得到了迅速的發(fā)展，其中使用最為廣泛的是基于光散射原理的測(cè)量方法。機(jī)器視覺(jué)技術(shù)的飛速發(fā)展，為粗糙度檢測(cè)提供了一個(gè)新思路。在表面粗糙度檢測(cè)的應(yīng)用領(lǐng)域里，機(jī)器視覺(jué)技術(shù)得到了廣泛的應(yīng)用。

基于光學(xué)散射原理測(cè)量表面粗糙度的研究方法較多。Brodmann?等提出了光學(xué)散射特征值來(lái)表征被測(cè)物體表面上反射光和散射光的離散程度。Wang等使用該參數(shù)，采用遠(yuǎn)心光路，研制了表面粗糙度測(cè)量?jī)x器。馮利等利用散射特征值，設(shè)計(jì)了光盤(pán)表面粗糙度在線檢測(cè)系統(tǒng)。但這種方法的測(cè)量裝置比較復(fù)雜，必須保證光電二極管陣列位于同一平面，而且計(jì)算時(shí)僅使用了一條線上的光電信息。郭瑞鵬等針對(duì)晶圓的加工展開(kāi)了一系列研究，采用機(jī)器視覺(jué)與光散射原理相結(jié)合的方法，通過(guò)對(duì)光散射二維圖像的處理，提取特征參數(shù)，分別建立神經(jīng)網(wǎng)絡(luò)模型和支持向量回歸機(jī)模型預(yù)測(cè)表面粗糙度。然而，此系統(tǒng)是基于PC開(kāi)發(fā)的，不利于車(chē)間現(xiàn)場(chǎng)使用，且難以滿(mǎn)足實(shí)時(shí)性要求。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于多分類(lèi)支持向量機(jī)的磨削表面粗糙度等級(jí)識(shí)別方法。

本發(fā)明所采用的技術(shù)方案主要包含以下幾個(gè)步驟：

(1)?通過(guò)搭建的光學(xué)測(cè)量系統(tǒng)，獲取不同等級(jí)粗糙度樣塊的散射圖像；

(2)?在DSP平臺(tái)中提取圖像的特征參數(shù)，包括整幅圖像分布的方差、灰度分布的均方根等作為訓(xùn)練樣本和測(cè)試樣本；

(3)?選擇合適的分類(lèi)算法，由于樣塊種類(lèi)多于兩類(lèi)，選擇“一對(duì)一”的多分類(lèi)算法；

(4)?采用遺傳算法，實(shí)現(xiàn)支持向量機(jī)最優(yōu)參數(shù)的自動(dòng)選取；

(5)?建立多分類(lèi)支持向量機(jī)模型，并利用測(cè)試集對(duì)建立的模型進(jìn)行準(zhǔn)確率檢測(cè)，若沒(méi)達(dá)到要求，則重復(fù)第(2)、(3)、(4)步，獲得新的支持向量機(jī)分類(lèi)模型，直到達(dá)到最佳分類(lèi)性能。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

利用DSP芯片在信號(hào)處理中的優(yōu)勢(shì)，提高了識(shí)別速度，降低了開(kāi)發(fā)成本，便于現(xiàn)場(chǎng)使用；采用支持向量機(jī)對(duì)粗糙度等級(jí)進(jìn)行識(shí)別，平均識(shí)別率高，有效解決了工業(yè)現(xiàn)場(chǎng)對(duì)工件粗糙度等級(jí)識(shí)別的準(zhǔn)確性要求高的問(wèn)題。

附圖說(shuō)明

圖1是本發(fā)明中的基于多分類(lèi)支持向量機(jī)的磨削表面粗糙度等級(jí)識(shí)別流程圖。

圖2為本發(fā)明中的磨削粗糙度樣塊采集的圖像。

圖3為本發(fā)明中的DSP平臺(tái)硬件系統(tǒng)原理框圖。

圖4為本發(fā)明中的基于遺傳算法的支持向量機(jī)模型參數(shù)優(yōu)化流程圖。

具體實(shí)施方式

現(xiàn)結(jié)合附圖，對(duì)本發(fā)明進(jìn)一步具體說(shuō)明。

圖1是本發(fā)明的基于多分類(lèi)支持向量機(jī)的磨削表面粗糙度等級(jí)識(shí)別流程圖。下面結(jié)合流程圖對(duì)基于多分類(lèi)支持向量機(jī)的磨削表面粗糙度等級(jí)識(shí)別進(jìn)行詳細(xì)的說(shuō)明：

(1)?通過(guò)搭建的光學(xué)測(cè)量系統(tǒng)，獲取不同等級(jí)粗糙度樣塊的散射圖像；

(2)?在DSP平臺(tái)上提取圖像的特征參數(shù)，包括整幅圖像分布的方差、灰度分布的均方根等作為訓(xùn)練樣本和測(cè)試樣本；

(3)?選擇合適的分類(lèi)算法，由于樣塊種類(lèi)多于兩類(lèi)，選擇“一對(duì)一”的多分類(lèi)算法；

(4)?采用遺傳算法，實(shí)現(xiàn)支持向量機(jī)最優(yōu)參數(shù)的自動(dòng)選取；

(5)?建立多分類(lèi)支持向量機(jī)模型，并利用測(cè)試集對(duì)建立的模型進(jìn)行準(zhǔn)確率檢測(cè)，若沒(méi)達(dá)到要求，則重復(fù)第(2)、(3)、(4)步，獲得新的支持向量機(jī)分類(lèi)模型，直到達(dá)到最佳分類(lèi)性能。