[發明專利]一種基于卷積神經網絡的表面粗糙度分類方法

在審

• 申請號: 201910299407.1
• 申請日: 2019-04-15
• 公開（公告）號: CN110110758A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 郭瑞鵬;邊棟梁
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 梁耀文

1.一種基于卷積神經網絡的表面粗糙度分類方法，其特征在于，包括如下步驟：

(1)樣本獲取；

(2)壓縮圖像并轉換為像素矩陣，構建標簽矩陣；

(3)歸一化像素矩陣；

(4)設置CNN的基本參數和訓練參數；

(5)初始化CNN并訓練；

(6)測試訓練完成后的卷積神經網絡預測模型即CNN分類模型，分析該模型對表面粗糙度分類的準確度。

2.根據權利要求1所述的一種基于卷積神經網絡的表面粗糙度分類方法，其特征在于，所述步驟(1)中樣本獲取的具體步驟如下：

(1.1)通過準直激光束斜射到工件表面，使用相機拍攝攜帶有表面粗糙度信息的反射光和散射光空間分布圖像，獲取不同粗糙度標準樣塊的散射圖像；

(1.2)從步驟(1.1)中獲取的散射圖像作為樣本集。

3.根據權利要求1所述的一種基于卷積神經網絡的表面粗糙度分類方法，其特征在于，所述步驟(2)中壓縮圖片并轉換為像素矩陣，構建標簽矩陣的具體步驟如下：

將樣本集中的每一幅散射圖像壓縮為28*28，將壓縮后的圖像轉成1*784的矩陣，并根據樣本集中的圖像數量構成像素矩陣，然后再根據樣本集中散射圖像對應粗糙度樣塊的等級構建標簽矩陣，將它們分別作為卷積神經網絡的輸入和輸出。

4.根據權利要求1所述的一種基于卷積神經網絡的表面粗糙度分類方法，其特征在于，所述步驟(4)中設置CNN的基本參數和訓練參數的具體步驟如下：

(4.1)設置卷積神經網絡的基本參數；所述基本參數包括卷積層和降采樣層的數量、卷積核大小以及降采樣降幅；

(4.2)設置卷積神經網絡的訓練參數；所述訓練參數包括學習率、批訓練總樣本的數量和迭代次數。

5.根據權利要求1所述的一種基于卷積神經網絡的表面粗糙度分類方法，其特征在于，所述步驟(5)中初始化CNN并訓練的具體步驟如下：

(5.1)初始化卷積神經網絡；所述初始化內容包括卷積核和偏置；

(5.2)訓練卷積神經網絡；所述訓練過程包括網絡的正向傳播、反向傳播和權值修改。

6.根據權利要求2所述的一種基于卷積神經網絡的表面粗糙度分類方法，其特征在于，所述步驟(1.1)中準直激光束以設定角度的入射角斜射到工件表面，在相應角度的反射方向上放置高度與激光器高度一致的毛玻璃屏，使用相機拍攝毛玻璃屏上的散射圖像。

7.根據權利要求1所述的一種基于卷積神經網絡的表面粗糙度分類方法，其特征在于，所述步驟(6)中表面粗糙度分類的等級有0.025μm、0.05μm、0.1μm、0.2μm、0.4μm和0.8μm六個等級。