CN108428231B - 一种基于随机森林的多参数零件表面粗糙度学习方法 - Google Patents
一种基于随机森林的多参数零件表面粗糙度学习方法 Download PDFInfo
- Publication number
- CN108428231B CN108428231B CN201810223488.2A CN201810223488A CN108428231B CN 108428231 B CN108428231 B CN 108428231B CN 201810223488 A CN201810223488 A CN 201810223488A CN 108428231 B CN108428231 B CN 108428231B
- Authority
- CN
- China
- Prior art keywords
- learning
- roughness
- random forest
- features
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于随机森林的多参数零件表面粗糙度学习方法,首先,采集散斑图像的训练样本集和测试样本,采用巴特沃斯滤波器对图像进行预处理,对散斑图像进行特征研究,实现了多特征提取,找出特征与粗糙度间的单调性,并构建基于随机森林的强分类器;然后,引入互信息量学习特征权重,并结合相关性系数和随机森林学习参数建立粗糙度学习函数;最后,利用学习好的粗糙度函数对测试样本进行粗糙度测量。该方法建立了一种同时学习工艺类型与粗糙度值的新模型,突破了现有方法中对不同工艺零件需建立多个测量粗糙度值模型的局限性,为粗糙度测量提供了新思路,并通过实验验证了新算法的有效性和实用性。
Description
技术领域
本发明涉及一种基于随机森林的多参数零件表面粗糙度学习方法,属于机械零件表面粗糙度检测方法技术领域。
背景技术
随着人们对仪器、机械产品的稳定性、精确性和使用寿命等性能要求的逐步提高,对构成这些产品的零件加工标准也提出了越来越严格的要求。近年来,随着计算机辅助设计(CAD)和制造(CAM)以及数控加工新技术在机械生产领域的发展和推广应用,零件加工技术水平达到了一个新的高度,常规的零件尺寸、形状等参数都能得到较精准的控制,从而越来越多的研究集中在了表面粗糙度这一微观形状参数的测量和控制上。表面粗糙度对零件运行时的稳定性、耐磨度以及使用寿命都有至关重要的影响。因此,能够精确评估表面粗糙度具有重要意义。
近年来,激光测量技术和人工智能得到了很快的发展并迅速推广应用,这些理论很多都被运用于粗糙度测量中,为粗糙度测量提供了很多新的思路和好的测量方法。表面粗糙度测量朝着快速、精确和全自动化的方向发展。但现有相关研究中主要针对不同种类工艺类型建立不同测量表面粗糙度值模型,且建立的模型只针对某一种散斑特征与表面粗糙度的对应关系。因此,建立同时可适用于多种零件加工工艺表面粗糙度测量方法是十分重要的。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种基于随机森林的多参数零件表面粗糙度学习方法。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种基于随机森林的多参数零件表面粗糙度学习方法,包括如下步骤,
步骤一,样本图像采集,由CCD相机采集经激光照射在物体表面产生的散斑场,并通过图像采集卡传输到工作站;
步骤二,图像预处理,加强图像阴影部分的细节特征;
步骤三,多特征提取,即运用空间平均法提取光学特征,灰度共生矩阵法提取均值、方差、相关性、熵、二阶矩、惯性矩特征,Tamura纹理特征法提取纹理特征;
步骤四,将每一特征量化后作为一个属性加入随机森林和决策树算法学习,根据分类属性信息增益最大原则构建随机森林分类器,用以检测分类零件工艺类型;
步骤五,通过对散斑图像特征研究,实现了多特征提取,找出特征与粗糙度之间的单调性;然后将特征归一化,引入互信息量学习特征权重,并结合相关性系数和随机森林学习参数建立粗糙度学习函数;
步骤六,利用学习好的分类器和粗糙度函数对待测零件进行检测。
进一步地,步骤二中对图像进行预处理,首先截取散斑图像有效区域,并基于巴特沃斯滤波器同态滤波法对散斑图像进行图像增强,增强阴影部分的细节特征。
进一步地,步骤三中所述光学特征包括散斑对比度和暗区比特征,纹理特征包括纹理粗糙度、对比度、方向度特征。
进一步地,所述散斑对比度为强度涨落大小与强度平均值的度量,所述暗区比表示为暗区像素点数与总像素点数之比。
进一步地,步骤四中的零件工艺类型判别方法包括如下步骤,
S4.1样本随机选择;从若干组样本中有放回抽取n个样本,即对行抽取;提取的特征参数共12个,有放回抽取m个特征参数,即列抽取;
S4.2结点属性选择;计算每个特征参数作为分类属性的信息增益,根据信息增益最大原则选择决策树结点,其中叶子结点分别为三种不同工艺类型;
S4.3决策树的生成;当结点的分类纯度以及层数达到期望给定值,停止决策树生长;
S4.4随机森林生成;不断重复前三步,构建多棵决策树以形成随机森林。
进一步地,对步骤五中所述的粗糙度学习函数进行函数的学习,主要包括零件工艺类型学习、多特性权重学习、特征相关性系数学习、粗糙度函数参数学习,从而得到适用于不同工艺类别的粗糙度测量函数。
有益效果:本发明提供的基于随机森林的多参数零件表面粗糙度学习方法,改善了现有技术中建立的模型只针对某一种散斑特征与表面粗糙度的对应关系的缺陷,找出特征与粗糙度之间的单调性,并结合分类结果建立粗糙度测量模型,突破了现有方法对不同工艺的零件需建立多个测量粗糙度模型的局限性,为粗糙度测量提供了新思路,并通过实验验证了新算法的有效性和实用性。本发明基于随机森林对零件工艺进行识别,并结合其结果建立粗糙度模型,对工艺类型分类结果和零件表面粗糙度检测等问题均能获得较好的检测结果。
附图说明
图1为本发明提供的表面粗糙度学习方法流程图;
图2为本发明中多参数表面粗糙度函数学习整体流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种基于随机森林的多参数零件表面粗糙度学习方法,如图1所示,包括以下具体步骤:
步骤一,样本图像采集,由CCD相机采集经激光照射在物体表面产生的散斑场,并通过图像采集卡传输到工作站;
步骤二,图像预处理,加强图像阴影部分的细节特征;
步骤三,多特征提取,即运用空间平均法提取光学特征,灰度共生矩阵法提取均值、方差、相关性、熵、二阶矩、惯性矩特征,Tamura纹理特征法提取纹理特征;
步骤四,将每一特征量化后作为一个属性加入随机森林和决策树算法学习,根据分类属性信息增益最大原则构建随机森林分类器,用以检测分类零件工艺类型;
步骤五,通过对散斑图像特征研究,实现了多特征提取,找出特征与粗糙度之间的单调性;然后将特征归一化,引入互信息量学习特征权重,并结合相关性系数和随机森林学习参数建立粗糙度学习函数;
步骤六,利用学习好的分类器和粗糙度函数对待测零件进行检测。
以下通过具体实施例对本发明的方法进行进一步阐述。
一、采集散斑图像;
由半导体激光器发射出高度相干的激光,照射在粗糙度标准试件表面。激光经过粗糙度表面的反射和散射,在CCD相机处形成散斑场。CCD相机接收到散射光并转化为电信号,通过图像采集卡传送到计算机待处理。
二、图像预处理;
首先截取散斑图像有效区域,本实施例中原图为512×512像素大小,截取300×300像素,并基于巴特沃斯滤波器同态滤波法对散斑图像进行图像增强,对图像的光照不均匀性进行调节,增强阴影部分的细节特征。
三、特征提取;
1)光学特征:引入空间平均法提取散斑对比度和暗区比特征。散斑对比度为强度涨落大小与强度平均值的度量,如下公式:
其中,C为散斑对比度;σI为强度涨落大小,即为标准差,<I>表示强度平均值,式中<>表示***平均,实际测量中不易求得,为此,引入空间平均法来解决实际测量难题,空间平均法是将得到的散斑图像划分为无数个相邻的小区间,对每个小区间求空间均值来代替该点的光强分量,则整个图像区域的光强分量是每个小区间空间均值的总和。暗区比表示为暗区像素点数与总像素点数之比。
2)纹理特征:应用Tamura纹理特征法提取纹理粗糙度、对比度、方向度特征;灰度共生矩阵法通过计算灰度图像得到共生矩阵,从共生矩阵中提取部分特征值,本文提取了惯性矩、熵、角二阶矩、相关性参数四种特征。
四、基于随机森林的零件表面工艺类型识别;
S4.1样本随机选择;从240组样本中有放回抽取n个样本,即对行抽取;提取的特征参数共12个,有放回抽取m个特征参数,即列抽取;
S4.2结点属性选择;计算每个特征参数作为分类属性的信息增益,根据信息增益最大原则选择决策树结点,其中叶子结点分别为三种不同工艺类型;
S4.3决策树的生成;当结点的分类纯度δ以及层数达到期望给定值,停止决策树生长;
S4.4随机森林生成;不断重复前三步,构建多棵决策树以形成随机森林。
五、多参数表面粗糙度学习;
具体流程如图2所示,定义多特征的粗糙度学习函数:
然后,进行函数的学习:
1)进行零件工艺类型Ai学习。
2)多特征权重wj学习。通过计算不同特征与粗糙度之间的互信息量,来学习不同特征在粗糙度模型中各自的权值wj。
3)特征相关性系数cj学习。由于不同特征值与粗糙度值相关性存在差异,特征与粗糙度之间存在正相关、负相关、不相关三种情况。为了保证融合特征值与粗糙度值成正相关性,对特征相关性系数学习。当某一特征与粗糙度成正相关时,cj取正;成负相关时,正好相反;当某一特征与粗糙度不相关时,cj也取正,由于此时特征wj接近0,cj取值对粗糙度测量值影响可忽略不计。
4)粗糙度函数参数ak学习。
对于同一工艺类别零件给定的数据组(Cl,Ral)(l=1,2,...,n),学习多项式(m<n)
Ram(C)=a0+a1C+…amCm。
通过以上步骤即可完成粗糙度函数学习,主要包括工艺类别分类识别、不同特征权值学习、特征与粗糙度相关性系数学习等,从而得到适用于不同工艺类别的粗糙度测量函数,既可以推断该表面的加工类型,又可以准确测量其粗糙度值。
六、待测样本集检测;
将采集的散斑图像预处理后进行多特征提取,通过随机森林分类器识别零件所属工艺类型,利用学习好的粗糙度函数进行粗糙度测量。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于随机森林的多参数零件表面粗糙度学习方法,其特征在于:包括如下步骤,
步骤一,样本图像采集,由CCD相机采集经激光照射在物体表面产生的散斑场,并通过图像采集卡传输到工作站;
步骤二,图像预处理,加强图像阴影部分的细节特征;
步骤三,多特征提取,即运用空间平均法提取光学特征,灰度共生矩阵法提取均值、方差、相关性、熵、二阶矩、惯性矩特征,Tamura纹理特征法提取纹理特征,所述光学特征包括散斑对比度和暗区比特征;
步骤四,将每一特征量化后作为一个属性加入随机森林和决策树算法学习,根据分类属性信息增益最大原则构建随机森林分类器,用以检测分类零件工艺类型;
步骤五,通过对散斑图像特征研究,实现了多特征提取,找出特征与粗糙度之间的单调性;然后将特征归一化,引入互信息量学习特征权重,并结合相关性系数和随机森林学习参数建立粗糙度学习函数;
步骤六,利用学习好的分类器和粗糙度函数对待测零件进行检测;
步骤五中,定义多特征的粗糙度学习函数:
然后,进行函数的学习:
1)进行零件工艺类型Ai学习;
2)多特征权重wj学习,通过计算不同特征与粗糙度之间的互信息量,来学习不同特征在粗糙度模型中各自的权值wj;
3)特征相关性系数cj学习,由于不同特征值与粗糙度值相关性存在差异,特征与粗糙度之间存在正相关、负相关、不相关三种情况,为了保证融合特征值与粗糙度值成正相关性,对特征相关性系数学习,当某一特征与粗糙度成正相关时,cj取正,成负相关时,正好相反,当某一特征与粗糙度不相关时,cj也取正;
4)粗糙度函数参数ak学习,对于同一工艺类别零件给定的数据组(Cl,Ral),l=1,2,...,n,学习多项式
Ram(C)=a0+a1C+…amCm,m<n。
2.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法,其特征在于:步骤二中对图像进行预处理,首先截取散斑图像有效区域,并基于巴特沃斯滤波器同态滤波法对散斑图像进行图像增强,增强阴影部分的细节特征。
3.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法,其特征在于:步骤三中所述纹理特征包括纹理粗糙度、对比度、方向度特征。
4.根据权利要求3所述的基于随机森林的多参数零件表面粗糙度学***均值的度量,所述暗区比表示为暗区像素点数与总像素点数之比。
5.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法,其特征在于:步骤四中的零件工艺类型判别方法包括如下步骤,
S4.1样本随机选择;从若干组样本中有放回抽取n个样本,即对行抽取;提取的特征参数共12个,有放回抽取m个特征参数,即列抽取;
S4.2结点属性选择;计算每个特征参数作为分类属性的信息增益,根据信息增益最大原则选择决策树结点,其中叶子结点分别为三种不同工艺类型;
S4.3决策树的生成;当结点的分类纯度以及层数达到期望给定值,停止决策树生长;
S4.4随机森林生成;不断重复前三步,构建多棵决策树以形成随机森林。
6.根据权利要求1所述的基于随机森林的多参数零件表面粗糙度学习方法,其特征在于:对步骤五中所述的粗糙度学习函数进行函数的学习,包括零件工艺类型学习、多特性权重学习、特征相关性系数学习、粗糙度函数参数学习,从而得到适用于不同工艺类别的粗糙度测量函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810223488.2A CN108428231B (zh) | 2018-03-19 | 2018-03-19 | 一种基于随机森林的多参数零件表面粗糙度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810223488.2A CN108428231B (zh) | 2018-03-19 | 2018-03-19 | 一种基于随机森林的多参数零件表面粗糙度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428231A CN108428231A (zh) | 2018-08-21 |
CN108428231B true CN108428231B (zh) | 2022-04-26 |
Family
ID=63158888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810223488.2A Active CN108428231B (zh) | 2018-03-19 | 2018-03-19 | 一种基于随机森林的多参数零件表面粗糙度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428231B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543571B (zh) * | 2018-11-07 | 2022-03-08 | 西安交通大学 | 一种面向复杂产品异形加工特征的智能识别与检索方法 |
CN110110758A (zh) * | 2019-04-15 | 2019-08-09 | 南京航空航天大学 | 一种基于卷积神经网络的表面粗糙度分类方法 |
CN110059442B (zh) * | 2019-05-07 | 2020-08-14 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
CN110188806A (zh) * | 2019-05-21 | 2019-08-30 | 华侨大学 | 一种基于机器视觉的大圆机织物疵点检测与分类方法 |
CN110543892B (zh) * | 2019-08-05 | 2023-08-25 | 青岛理工大学 | 一种基于多层随机森林的零部件识别方法 |
US11222242B2 (en) * | 2019-08-23 | 2022-01-11 | International Business Machines Corporation | Contrastive explanations for images with monotonic attribute functions |
CN111692998B (zh) * | 2020-06-11 | 2022-02-11 | 西格迈股份有限公司 | 一种活塞杆表面粗糙度检测*** |
CN112857270B (zh) * | 2021-01-08 | 2022-12-09 | 上海科技大学 | 一种利用rheed原位实时定量探测薄膜粗糙度的方法 |
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
CN117934461B (zh) * | 2024-03-21 | 2024-06-07 | 广州航海学院 | 一种侧边抛磨光纤抛磨表面粗糙度分析方法、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116697A1 (en) * | 2007-10-26 | 2009-05-07 | Ahmed Shalaby | Method and Tool for Surface Texture Evaluation |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
-
2018
- 2018-03-19 CN CN201810223488.2A patent/CN108428231B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116697A1 (en) * | 2007-10-26 | 2009-05-07 | Ahmed Shalaby | Method and Tool for Surface Texture Evaluation |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
Non-Patent Citations (4)
Title |
---|
Gabor小波和改进LBP的零件表面粗糙度识别;胡海锋等;《中国图象图形学报》;20141130;第19卷(第11期);全文 * |
Prediction of surface roughness during hard turning of AISI 4340 steel(69 HRC);Anupam Agrawal等;《Applied Soft Computing 》;20151231;全文 * |
基于激光散斑分形维数的表面粗糙度测量方法;陈苏婷等;《中国激光》;20150430;第42卷(第4期);全文 * |
基于激光散斑成像的零件表面粗糙度建模;陈苏婷等;《物理学报》;20151231;第64卷(第23期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108428231A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428231B (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN107945161B (zh) | 基于纹理特征提取的道路表面缺陷检测方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
WO2023155069A1 (zh) | 一种基于深度学习的手机电池表面缺陷检测方法 | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN100573100C (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN110689011A (zh) | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 | |
CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
CN114049618B (zh) | 一种基于图-点-图变换的路面三维病害pci计算方法 | |
CN111398291B (zh) | 基于深度学***漆包电磁线表面瑕疵检测方法 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN111882554B (zh) | 一种基于SK-YOLOv3的电力线故障智能检测方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN106815323A (zh) | 一种基于显著性检测的跨域视觉检索方法 | |
CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
CN111445471A (zh) | 基于深度学习和机器视觉的产品表面缺陷检测方法及装置 | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
CN116149041A (zh) | 一种基于深度学习的裂像自动对焦方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
Tao et al. | Electric insulator detection of UAV images based on depth learning | |
CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |