表面粗糙度是機(jī)械領(lǐng)域中衡量加工表面質(zhì)量的重要指標(biāo)之一,在工程應(yīng)用中如何提高其檢測速度和精度一直是研究熱點,從接觸式檢測方法發(fā)展到光學(xué)和圖像學(xué)研究得到的非接觸式檢測方法,隨著技術(shù)的進(jìn)步,表面粗糙度的檢測精度在進(jìn)一步的提高。在實際生產(chǎn)應(yīng)用中,產(chǎn)品的合格與否需達(dá)到技術(shù)要求值的范圍以內(nèi),同時工件表面質(zhì)量的檢測對速度的要求更高。在此背景下,基于工件表面圖像的粗糙度檢測能夠充分滿足實際加工生產(chǎn)的需求,根據(jù)國家標(biāo)準(zhǔn)對表面粗糙度常用值區(qū)間進(jìn)行分類,本文旨在通過實驗獲取工件銑削表面,分別構(gòu)建基于圖像特征提取和基于卷積神經(jīng)網(wǎng)絡(luò)的表面粗糙度分類模型,在達(dá)到精度要求的前提下,提升了檢測速度�；趫D像特征提取的表面粗糙度檢測方法,是通過分析紋理特征,對比多種提取方式,根據(jù)機(jī)械加工銑削表面實際紋理狀態(tài),選用了灰度共生矩陣進(jìn)行表面紋理特征檢測,通過特征對比選擇其中6維特征值作為圖像特征向量,并建立BP神經(jīng)網(wǎng)絡(luò)對特征向量進(jìn)行分類學(xué)習(xí),使用訓(xùn)練集數(shù)據(jù)可以達(dá)到98.96%準(zhǔn)確率,使用測試集數(shù)據(jù)可以達(dá)到91.67%準(zhǔn)確率�；诰矸e神經(jīng)網(wǎng)絡(luò)的表面粗糙度分類檢測方法,是一種端到端的圖像分析方法,將實驗采集的工件表面圖像,通過預(yù)... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

XHK715立式銑床加工中心

圖 2.4 激光共聚焦儀器技術(shù)參數(shù)如下：范圍：1-8 倍；射：408 納米紫激光；：4-120Hz（面掃描），7900Hz（線掃描）；受光素子：倍率：5，10，20，50，150；量軟件和粒度分析軟件（VK-H1XVE）：面分辨率要求到達(dá) 200 納米；Z 軸掃描分辨率要求達(dá)到數(shù)需超過 15000 倍；薄膜等透明材料；可觀測透明液體；能自動進(jìn)行三維幾度可進(jìn)行直接評價；分析圖像，顯示顆粒粒度等；

并通過三角架確定相機(jī)和試件表面的垂直角度，獲取加工試件的表面圖像，加工后各表面粗糙度值的試件圖片如圖2.5 和 2.6 所示：（a）直線進(jìn)給 （b）圓弧進(jìn)給圖 2.5 直線進(jìn)給和圓弧進(jìn)給加工下的鋁合金工件表面（2736*1824）（a）直線進(jìn)給 （b）圓弧進(jìn)給圖 2.6 直線進(jìn)給和圓弧進(jìn)給加工下的 45 號鋼工件表面（2736*1824）

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合深度學(xué)習(xí)的工業(yè)大數(shù)據(jù)應(yīng)用研究[J]. 李廣,楊欣.  大數(shù)據(jù). 2018(05)
[2]基于視覺反饋的工業(yè)機(jī)器人打磨拋光檢測系統(tǒng)應(yīng)用研究[J]. 徐旋波,王寅飛,張偉.  機(jī)電工程技術(shù). 2018(05)
[3]基于CCD攝像機(jī)石材表面粗糙度檢測方法[J]. 趙民,周嘉偉.  光學(xué)技術(shù). 2018(03)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像紋理的超分辨率重建[J]. 蔣雪,韓芳.  微型機(jī)與應(yīng)用. 2017(20)
[5]淺析智能機(jī)床發(fā)展[J]. 陳長年,李雷.  制造技術(shù)與機(jī)床. 2015(12)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的紋理分類方法研究[J]. 冀中,劉青,聶林紅,龐彥偉.  計算機(jī)科學(xué)與探索. 2016(03)
[7]微觀表面形貌檢測方法及其發(fā)展[J]. 夏陽,黃進(jìn)凡.  湖北農(nóng)機(jī)化. 2014(03)
[8]表面粗糙度檢測技術(shù)研究概況[J]. 郭便.  價值工程. 2011(08)
[9]基于灰度共生矩陣的紋理特征提取[J]. 高程程,惠曉威.  計算機(jī)系統(tǒng)應(yīng)用. 2010(06)
[10]基于圖像處理技術(shù)的表面粗糙度檢測系統(tǒng)模型[J]. 陳斌,宋桂珍.  機(jī)械管理開發(fā). 2010(02)

碩士論文
[1]基于機(jī)器學(xué)習(xí)方法的管材缺陷識別方法研究[D]. 郭潤元.西安理工大學(xué) 2018
[2]基于CNN的晶圓SEM圖像缺陷檢測與分類研究[D]. 邡鑫.浙江大學(xué) 2018
[3]基于機(jī)器視覺的刀具磨損檢測系統(tǒng)研究[D]. 吳同坤.哈爾濱理工大學(xué) 2018
[4]金屬弧面工件表面缺陷檢測與誤檢排除技術(shù)研究[D]. 許浩均.華南理工大學(xué) 2017
[5]基于深度學(xué)習(xí)與SVM的電弧熔積表面缺陷檢測與分類[D]. 鄧星.華中科技大學(xué) 2016
[6]深度學(xué)習(xí)及其在工件缺陷自動檢測中的應(yīng)用研究[D]. 顏偉鑫.華南理工大學(xué) 2016
[7]基于數(shù)字圖像的刀具磨損狀態(tài)監(jiān)測研究[D]. 封海蕊.浙江理工大學(xué) 2013
[8]基于圖像法的工件表面粗糙度檢測系統(tǒng)研究[D]. 張建.南京航空航天大學(xué) 2011
[9]基于機(jī)器視覺的磨削表面粗糙度檢測[D]. 吳春亞.哈爾濱理工大學(xué) 2008
[10]基于圖像的車削表面粗糙度測量[D]. 王玉景.哈爾濱理工大學(xué) 2007



本文編號：3450839