[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的表面粗糙度分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910299407.1
• 申請(qǐng)日: 2019-04-15
• 公開（公告）號(hào): CN110110758A
• 公開（公告）日: 2019-08-09
• 發(fā)明（設(shè)計(jì)）人: 郭瑞鵬;邊棟梁
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 梁耀文

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的表面粗糙度分類方法，屬于質(zhì)量檢測(cè)領(lǐng)域，獲取不同粗糙度樣塊的光散射分布圖像；壓縮光散射分布圖像，將壓縮后的圖像轉(zhuǎn)換成像素矩陣，根據(jù)散射圖像對(duì)應(yīng)粗糙度樣塊的等級(jí)構(gòu)建標(biāo)簽矩陣；對(duì)像素矩陣作歸一化處理，分別將像素矩陣和標(biāo)簽矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出，并設(shè)置基本參數(shù)和訓(xùn)練參數(shù)；初始化卷積神經(jīng)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練，得到最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)分類模型，并用測(cè)試樣本分析該模型的分類準(zhǔn)確度；實(shí)際測(cè)量時(shí)，獲取散射圖像，通過相應(yīng)的處理，根據(jù)最優(yōu)分類模型得到被測(cè)工件的表面粗糙度等級(jí)。本發(fā)明避免了因特征參數(shù)選擇不當(dāng)而造成的表面粗糙度預(yù)測(cè)誤差過大的情況，測(cè)量精度高，測(cè)量速度快。

技術(shù)領(lǐng)域

本發(fā)明屬于質(zhì)量檢測(cè)技術(shù)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的表面粗糙度分類方法。

背景技術(shù)

表面粗糙度是評(píng)估工件表面質(zhì)量的重要指標(biāo)，對(duì)產(chǎn)品的質(zhì)量、性能和壽命有著重要影響。目前，測(cè)量工件表面粗糙度的方法可以分為接觸式和非接觸式兩種。接觸式的測(cè)量方法大概有觸摸法、比較法、印模法和觸針法等，該類方法測(cè)量速度慢，測(cè)量精度不高，并且容易對(duì)待測(cè)工件表面造成損傷；非接觸式測(cè)量方法大概有超聲波法、激光三角法、散斑法、散射法和機(jī)器視覺方法等，該類方法不會(huì)對(duì)待測(cè)工件表面造成損傷，是目前主要使用的測(cè)量方法。其中，基于光散射原理的測(cè)量方法具有靈敏度高、結(jié)構(gòu)簡(jiǎn)單、對(duì)環(huán)境要求不高等特點(diǎn)，適用于工業(yè)環(huán)境下的在線測(cè)量。隨著機(jī)器視覺技術(shù)的快速發(fā)展，可以將機(jī)器視覺技術(shù)與散射技術(shù)相結(jié)合來測(cè)量工件的表面粗糙度。

閔莉等使用機(jī)器視覺技術(shù)獲取車削工件的表面圖像，并基于灰度共生矩陣提取了14個(gè)表面紋理特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，構(gòu)建了表面粗糙度預(yù)測(cè)模型。王翠亭設(shè)計(jì)了一套基于DSP的表面粗糙度在線檢測(cè)系統(tǒng)，并提取了散射圖像中的特征參數(shù)作為支持向量機(jī)的輸入，該系統(tǒng)能夠判斷不同工件的表面粗糙度等級(jí)。然而，上述表面粗糙度預(yù)測(cè)模型都需要從圖像中提取能夠評(píng)估表面粗糙度的特征參數(shù)，特征參數(shù)與表面粗糙度之間的對(duì)應(yīng)關(guān)系直接影響了模型的預(yù)測(cè)精度。換句話說，如果特征參數(shù)與表面粗糙度之間的對(duì)應(yīng)關(guān)系不夠準(zhǔn)確，那么用特征參數(shù)訓(xùn)練而得到的預(yù)測(cè)模型精度不會(huì)太高。

卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一種多層感知機(jī)，不同于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，它的神經(jīng)元是通過非全連接的方式互相連接的，并且某些神經(jīng)元之間的連接權(quán)值是共享的。基于上述特點(diǎn)，卷積神經(jīng)網(wǎng)絡(luò)適用于較為復(fù)雜的應(yīng)用場(chǎng)景。同時(shí)，卷積神經(jīng)網(wǎng)絡(luò)中各層之間的緊密聯(lián)系和空間信息使得其特別適用于圖像處理，并且能夠自動(dòng)的從圖像中抽取顏色、紋理和形狀等相關(guān)特性。卷積神經(jīng)網(wǎng)絡(luò)可以直接將圖像作為網(wǎng)絡(luò)的輸入?yún)?shù)，從而避免了傳統(tǒng)算法中的特征提取和數(shù)據(jù)重建等過程，縮短了時(shí)間。目前，還沒有用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)表面粗糙度的報(bào)道。

發(fā)明內(nèi)容

發(fā)明目的：針對(duì)現(xiàn)有技術(shù)中的問題，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的表面粗糙度分類方法，適用于多種測(cè)量場(chǎng)合和測(cè)量對(duì)象，避免了因特征參數(shù)選擇不當(dāng)而造成的表面粗糙度預(yù)測(cè)誤差過大的情況，測(cè)量精度高，測(cè)量速度快。

技術(shù)方案：為解決上述技術(shù)問題，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的表面粗糙度分類方法，包括如下步驟：

(1)樣本獲??；

(2)壓縮圖片并轉(zhuǎn)換為像素矩陣，構(gòu)建標(biāo)簽矩陣；

(3)歸一化像素矩陣；

(4)設(shè)置CNN的基本參數(shù)和訓(xùn)練參數(shù)；

(5)初始化CNN并訓(xùn)練；

(6)測(cè)試訓(xùn)練完成后的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型即CNN分類模型，分析該模型對(duì)表面粗糙度分類的準(zhǔn)確度。

進(jìn)一步的，所述步驟(1)中樣本獲取的具體步驟如下：

(1.1)通過準(zhǔn)直激光束斜射到工件表面，使用相機(jī)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(biāo)準(zhǔn)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。