[發明專利]一種顫振紋理的檢測方法及其裝置

在審

• 申請號: 201910278974.9
• 申請日: 2019-04-10
• 公開（公告）號: CN111695582A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 郭保蘇;莊集超;裴國斌;胡敬文
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種顫振紋理的檢測方法，其特征在于，所述方法包括：

采集薄壁件的銑削紋理圖像，所述銑削紋理圖像包括正常切削圖像和銑削顫振圖像；

將所述銑削紋理圖像進行預處理，并隨機將預處理后的所述銑削紋理圖像劃分為訓練集和測試集；所述訓練集和所述測試集成預設比例；

對所述訓練集和所述測試集進行向量化、數據降維以及歸一化處理；

根據所述訓練集和所述測試集建立神經網絡模型，所述神經網絡模型包括初始化參數、實現前向和后向傳播的損失函數和成本函數及其梯度、運行梯度下降算法來優化參數、預測以及分類辨別；

初始化所述神經網絡模型的權重、偏差、學習率和迭代步數參數，并構建閾值函數；

前向傳播計算當前的損失函數和成本函數，并進行后向傳播進行其梯度；

通過所述梯度下降算法計算權重和偏差；

將所述權重和所述偏差輸入所述訓練集，進行分類辨別，并輸出顫振紋理的識別準確率。

2.根據權利要求1所述的方法，其特征在于，所述銑削紋理圖像預處理包括重置尺寸、卷積濾波和圖像梯度提取；

所述預設比例為3∶2，即所述訓練集與所述測試集的比值為3∶2。

3.根據權利要求2所述的方法，其特征在于，所述重置尺寸是將所述銑削紋理圖像的寬X高，設置為400px X 150px大小；

所述的卷積濾波，設置8鄰域的卷積核，并輸入所述銑削紋理圖像與所述卷積核進行圖像卷積運算；

所述圖像梯度提取，通過拉普拉斯算子對依次對所述銑削紋理圖像像素進行梯度提取。

4.根據權利要求1所述的方法，其特征在于，對所述訓練集和所述測試集進行向量化、數據降維以及歸一化處理，具體包括：

將預處理后的所述銑削紋理圖像轉換成的向量序列，圖像數據從三維矩陣降至一維向量；所述歸一化是將向量數據集的每一行均除以像素通道最大值。

5.根據權利要求1所述的方法，其特征在于，所述方法還包括：以進行預測，其中是預測標簽值，w為權重，T為轉置符號，b為偏差，x⁽ⁱ⁾為第i張圖像的像素向量；

σ為閾值激活函數，其表達式為z⁽ⁱ⁾為第i輸入值。

6.根據權利要求1所述的方法，其特征在于，初始化所述神經網絡模型的權重、偏差、學習率和迭代步數參數，具體為：

權重n_x為圖像的維度；偏差b＝0；α＝0.005，α為學習率；δ＝2000，δ為迭代步數。

7.根據權利要求1所述的方法，其特征在于，所述損失函數為

Y⁽ⁱ⁾為第i個實際標簽值，為第i個預測標簽值，是損失函數的修正項；

所述成本函數為m為輸入圖像的數量，λ為正則系數，取0.2，正則項為

所述梯度分為權重梯度和偏差梯度，依次為

8.根據權利要求1所述的方法，其特征在于，所述通過所述梯度下降算法計算權重和偏差，具體為：

權重偏差

9.根據權利要求1所述的方法，其特征在于，所述方法還包括：

由預測分類器進行分類辨別，所述預測分類器為其中是預測標簽值，w為權重，T為轉置符號，b為偏差，x⁽ⁱ⁾為第i張圖像的像素向量；

若預測輸出的激活值大于或者等于預定的閾值μ，輸出對應標簽為1；若預測輸出的激活值小于閾值，則輸出對應標簽為0；

根據輸出的標簽信息，辨別出正常切削和顫振紋理。

10.一種顫振紋理的檢測裝置，其特征在于，所述裝置包括采集單元、處理單元以及輸出單元；其中，

所述采集單元，采集薄壁件的銑削紋理圖像，所述銑削紋理圖像包括正常切削圖像和銑削顫振圖像；

所述處理單元，將所述銑削紋理圖像進行預處理，并隨機將預處理后的所述銑削紋理圖像劃分為訓練集和測試集；所述訓練集和所述測試集成預設比例；對所述訓練集和所述測試集進行向量化、數據降維以及歸一化處理；建立神經網絡模型，所述神經網絡模型包括初始化參數、實現前向和后向傳播的損失函數和成本函數及其梯度、運行梯度下降算法來優化參數、預測以及分類辨別；初始化所述神經網絡模型的權重、偏差、學習率和迭代步數參數，并構建閾值函數；前向傳播計算當前的損失函數和成本函數，并進行后向傳播進行其梯度；通過所述梯度下降算法計算權重和偏差；

所述處理單元，將所述權重和所述偏差輸入所述訓練集，進行分類辨別，并通過所述輸出單元輸出顫振紋理的識別準確率。