【摘要】：加工工件表面的微觀幾何形貌特性在很大程度上影響著零件的耐磨性、耐腐蝕性、接觸剛度、抗疲勞能力等物理特性以及使用壽命、可靠性等功能,而近年來(lái)科技的發(fā)展對(duì)工件表面粗糙度的檢測(cè)效率,精度提出了越來(lái)越高的要求。由于傳統(tǒng)的接觸式與非接觸式測(cè)量會(huì)在待測(cè)表面留下劃痕,效率低,原理復(fù)雜,操作環(huán)境要求高等問(wèn)題,所以近年來(lái)基于機(jī)器視覺(jué)的表面粗糙度測(cè)量方法得到廣泛應(yīng)用,但由于基于機(jī)器視覺(jué)的測(cè)量方法在分析過(guò)程中需要人工設(shè)計(jì)圖像特征,成本較高,不能滿(mǎn)足現(xiàn)實(shí)的需求。所以本文提出了一種基于深度學(xué)習(xí)的圖像識(shí)別方法,從工件的表面顯微圖像檢測(cè)工件的表面粗糙度。通過(guò)實(shí)驗(yàn)研究,實(shí)現(xiàn)了從工件表面顯微圖像到工件表面粗糙度等級(jí)的精確分類(lèi)以及二維粗糙度參數(shù)Ra和三維粗糙度參數(shù)Sq,Sa的識(shí)別。討論了卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建、訓(xùn)練及其圖像分類(lèi)識(shí)別原理。卷積神經(jīng)網(wǎng)絡(luò)的不完全連接、權(quán)值共享以及池化采樣結(jié)構(gòu)為其在圖像分類(lèi)識(shí)別上提供了不可替代的優(yōu)越性,其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)提高了網(wǎng)絡(luò)的計(jì)算速度。卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)網(wǎng)絡(luò)層串聯(lián)構(gòu)成,其網(wǎng)絡(luò)自動(dòng)提取的圖像特征隨著網(wǎng)絡(luò)深度的增加而抽象化,抽象的深度特征信息提高了卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像幾何變形的不變性。采用改進(jìn)的LetNet-5為模型對(duì)手寫(xiě)數(shù)字進(jìn)行分類(lèi)識(shí)別的仿真研究,得到了較高的分類(lèi)識(shí)別精度。采用顯微圖像與形貌測(cè)量系統(tǒng)獲取了不同粗糙度樣塊表面的顯微圖像與三維形貌數(shù)據(jù),并對(duì)二維圖像數(shù)據(jù)進(jìn)行預(yù)處理,得到了各表面的二維灰度圖。根據(jù)各表面形貌數(shù)據(jù)得到各表面的輪廓曲線,分析其表面曲線的周期性確定了樣本圖像的大小。建立卷積神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)庫(kù),并對(duì)樣本數(shù)據(jù)庫(kù)進(jìn)行了噪聲樣本和旋轉(zhuǎn)樣本的擴(kuò)充。建立了卷積神經(jīng)網(wǎng)絡(luò)模型,分析了實(shí)驗(yàn)環(huán)境與網(wǎng)絡(luò)性能評(píng)價(jià)標(biāo)準(zhǔn)。利用單因素實(shí)驗(yàn)法得到了網(wǎng)絡(luò)模型在車(chē)削樣本數(shù)據(jù)庫(kù)上的網(wǎng)絡(luò)性能隨網(wǎng)絡(luò)參數(shù)(網(wǎng)絡(luò)深度、濾波器大小、濾波器個(gè)數(shù)、訓(xùn)練批量和稀疏率)的變化規(guī)律。依據(jù)網(wǎng)絡(luò)參數(shù)對(duì)網(wǎng)絡(luò)性能的影響規(guī)律得到最優(yōu)參數(shù)模型,利用最優(yōu)的網(wǎng)絡(luò)模型對(duì)各樣本數(shù)據(jù)庫(kù)進(jìn)行二維粗糙度等級(jí)分類(lèi)識(shí)別,得到各樣本數(shù)據(jù)庫(kù)的二維粗糙度分類(lèi)精度。建立了卷積回歸網(wǎng)絡(luò)模型,構(gòu)建了以二維粗糙度參數(shù)Ra值為網(wǎng)絡(luò)輸出參考值的樣本數(shù)據(jù)庫(kù),利用卷積回歸網(wǎng)絡(luò)在各樣本數(shù)據(jù)庫(kù)上進(jìn)行訓(xùn)練測(cè)試,得到各樣塊表面二維粗糙度的識(shí)別結(jié)果,實(shí)驗(yàn)表明,卷積回歸網(wǎng)絡(luò)能夠有效并準(zhǔn)確的完成樣塊表面二維粗糙度參數(shù)的識(shí)別。構(gòu)建以三維粗糙度參數(shù)Sq,Sa為網(wǎng)絡(luò)輸出參考值的樣本數(shù)據(jù)庫(kù)。利用已構(gòu)建的卷積回歸網(wǎng)絡(luò)在各樣本數(shù)據(jù)庫(kù)上進(jìn)行訓(xùn)練測(cè)試,得到了各樣塊表面圖像對(duì)應(yīng)的三維粗糙度參數(shù)識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明,卷積回歸網(wǎng)絡(luò)能夠有效并準(zhǔn)確的完成樣塊表面重三維粗糙度參數(shù)的識(shí)別。
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.41;TP183
【圖文】：

1 緒論方法中的光學(xué)、超聲、掃描隧道顯微鏡等所用儀器設(shè)備價(jià)格昂貴，對(duì)環(huán)境要求高，測(cè)量尺寸和粗糙度范圍有限，限制了其在工程領(lǐng)域的廣泛應(yīng)用。1.2.2 表面粗糙度測(cè)量方法的研究現(xiàn)狀表面粗糙度是影響生產(chǎn)制造精度的重要因素，其測(cè)量方法的提出可以追溯到 1929 年，G.Schmalz 首次對(duì)表面粗糙度進(jìn)行了初步評(píng)價(jià)和定義，其采用 Hmax 參數(shù)和測(cè)量基線兩個(gè)標(biāo)定量，第一次對(duì)工件表面粗糙度進(jìn)行了量化評(píng)價(jià)，為后續(xù)表面粗糙度的進(jìn)一步研究奠定了基礎(chǔ)。1936 年，E.J.Abbott 研發(fā)了第一款用于生產(chǎn)的表面粗糙度測(cè)量?jī)x，其采用表面輪廓的峰頂和探針支撐面積的比值關(guān)系特征對(duì)表面粗糙度進(jìn)行了定義。1940 年，英國(guó)研制出了觸針式泰勒雪夫表面粗糙度儀[10]，其工作原理如圖 1-2 所示。英國(guó)的糙度儀出現(xiàn)后，各國(guó)也均成功研制出不同的測(cè)量表面粗糙度的輪廓儀。電感線圈分劃板狹縫光源S

1 緒論方法中的光學(xué)、超聲、掃描隧道顯微鏡等所用儀器設(shè)備價(jià)格昂貴，對(duì)環(huán)境要求高，測(cè)量尺寸和粗糙度范圍有限，限制了其在工程領(lǐng)域的廣泛應(yīng)用。1.2.2 表面粗糙度測(cè)量方法的研究現(xiàn)狀表面粗糙度是影響生產(chǎn)制造精度的重要因素，其測(cè)量方法的提出可以追溯到 1929 年，G.Schmalz 首次對(duì)表面粗糙度進(jìn)行了初步評(píng)價(jià)和定義，其采用 Hmax 參數(shù)和測(cè)量基線兩個(gè)標(biāo)定量，第一次對(duì)工件表面粗糙度進(jìn)行了量化評(píng)價(jià)，為后續(xù)表面粗糙度的進(jìn)一步研究奠定了基礎(chǔ)。1936 年，E.J.Abbott 研發(fā)了第一款用于生產(chǎn)的表面粗糙度測(cè)量?jī)x，其采用表面輪廓的峰頂和探針支撐面積的比值關(guān)系特征對(duì)表面粗糙度進(jìn)行了定義。1940 年，英國(guó)研制出了觸針式泰勒雪夫表面粗糙度儀[10]，其工作原理如圖 1-2 所示。英國(guó)的糙度儀出現(xiàn)后，各國(guó)也均成功研制出不同的測(cè)量表面粗糙度的輪廓儀。電感線圈分劃板狹縫光源S

應(yīng)用機(jī)器學(xué)習(xí)算法對(duì)待測(cè)表面的粗糙度進(jìn)行預(yù)測(cè)。雖然這些方法相比傳統(tǒng)的接觸式和光學(xué)測(cè)量方法高效，準(zhǔn)確，但這類(lèi)方法的難點(diǎn)在于統(tǒng)計(jì)參數(shù)的提取，而其參數(shù)是通工設(shè)計(jì)圖像特征后提取的，所以既耗時(shí)，成本又高；并且分階段采用人工特征標(biāo)記對(duì)粗糙度進(jìn)行識(shí)別既增加了運(yùn)算識(shí)別復(fù)雜程度，又極大的提高了識(shí)別成本，部分研究者于研究從原始自然圖像中 自學(xué)習(xí)特征 而非事先 人工設(shè)計(jì)特征 的深度學(xué)習(xí)[30]。2.3 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀隨著智能化產(chǎn)業(yè)的普及，人工智能設(shè)備越來(lái)越普遍。深度學(xué)習(xí)作為人工智能領(lǐng)域不缺的關(guān)鍵環(huán)節(jié)，支撐著眾多智能設(shè)備的智能操作。而如今，深度學(xué)習(xí)已廣泛應(yīng)用于我活的方方面面，讓生產(chǎn)制造變得更為精密，便捷。本研究課題提出了一種應(yīng)用深度卷經(jīng)網(wǎng)絡(luò)的方法來(lái)測(cè)量工件的表面粗糙度。卷積神經(jīng)網(wǎng)絡(luò)（CNN）目前是深度學(xué)習(xí)領(lǐng)域用最為成熟的分支之一，具有強(qiáng)大的特征學(xué)習(xí)能力。深度學(xué)習(xí)在特征提取方面與其他學(xué)習(xí)算法不同。如圖 1-5 所示，深度學(xué)習(xí)替代了機(jī)器學(xué)習(xí)的特征提取、特征統(tǒng)計(jì)以及學(xué)習(xí)等步驟，就像是一個(gè) 黑箱 ，自動(dòng)提取圖像的特征信息，并且實(shí)現(xiàn)了特征提取與的一體化，從而完成了輸入到輸出的圖像識(shí)別，大大提高了圖像的檢測(cè)效率與識(shí)別精特征傳統(tǒng)的機(jī)器學(xué)習(xí)算法輸入特征提取輸出機(jī)器學(xué)習(xí)

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類(lèi)模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車(chē)的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2778651