CN110110758A - 一种基于卷积神经网络的表面粗糙度分类方法 - Google Patents

一种基于卷积神经网络的表面粗糙度分类方法 Download PDF

Info

Publication number
CN110110758A
CN110110758A CN201910299407.1A CN201910299407A CN110110758A CN 110110758 A CN110110758 A CN 110110758A CN 201910299407 A CN201910299407 A CN 201910299407A CN 110110758 A CN110110758 A CN 110110758A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
surface roughness
training
image
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.)
Pending
Application number
CN201910299407.1A
Other languages
English (en)
Inventor
郭瑞鹏
边栋梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910299407.1A priority Critical patent/CN110110758A/zh
Publication of CN110110758A publication Critical patent/CN110110758A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的表面粗糙度分类方法，属于质量检测领域，获取不同粗糙度样块的光散射分布图像；压缩光散射分布图像，将压缩后的图像转换成像素矩阵，根据散射图像对应粗糙度样块的等级构建标签矩阵；对像素矩阵作归一化处理，分别将像素矩阵和标签矩阵作为卷积神经网络的输入和输出，并设置基本参数和训练参数；初始化卷积神经网络并进行训练，得到最优的卷积神经网络分类模型，并用测试样本分析该模型的分类准确度；实际测量时，获取散射图像，通过相应的处理，根据最优分类模型得到被测工件的表面粗糙度等级。本发明避免了因特征参数选择不当而造成的表面粗糙度预测误差过大的情况，测量精度高，测量速度快。

Description

一种基于卷积神经网络的表面粗糙度分类方法
技术领域
本发明属于质量检测技术领域，特别涉及一种基于卷积神经网络的表面粗糙度分类方法。
背景技术
表面粗糙度是评估工件表面质量的重要指标，对产品的质量、性能和寿命有着重要影响。目前，测量工件表面粗糙度的方法可以分为接触式和非接触式两种。接触式的测量方法大概有触摸法、比较法、印模法和触针法等，该类方法测量速度慢，测量精度不高，并且容易对待测工件表面造成损伤；非接触式测量方法大概有超声波法、激光三角法、散斑法、散射法和机器视觉方法等，该类方法不会对待测工件表面造成损伤，是目前主要使用的测量方法。其中，基于光散射原理的测量方法具有灵敏度高、结构简单、对环境要求不高等特点，适用于工业环境下的在线测量。随着机器视觉技术的快速发展，可以将机器视觉技术与散射技术相结合来测量工件的表面粗糙度。
闵莉等使用机器视觉技术获取车削工件的表面图像，并基于灰度共生矩阵提取了14个表面纹理特征参数作为BP神经网络的输入，构建了表面粗糙度预测模型。王翠亭设计了一套基于DSP的表面粗糙度在线检测***，并提取了散射图像中的特征参数作为支持向量机的输入，该***能够判断不同工件的表面粗糙度等级。然而，上述表面粗糙度预测模型都需要从图像中提取能够评估表面粗糙度的特征参数，特征参数与表面粗糙度之间的对应关系直接影响了模型的预测精度。换句话说，如果特征参数与表面粗糙度之间的对应关系不够准确，那么用特征参数训练而得到的预测模型精度不会太高。
卷积神经网络本质上是一种多层感知机，不同于传统的神经网络，它的神经元是通过非全连接的方式互相连接的，并且某些神经元之间的连接权值是共享的。基于上述特点，卷积神经网络适用于较为复杂的应用场景。同时，卷积神经网络中各层之间的紧密联系和空间信息使得其特别适用于图像处理，并且能够自动的从图像中抽取颜色、纹理和形状等相关特性。卷积神经网络可以直接将图像作为网络的输入参数，从而避免了传统算法中的特征提取和数据重建等过程，缩短了时间。目前，还没有用卷积神经网络预测表面粗糙度的报道。
发明内容
发明目的：针对现有技术中的问题，提供一种基于卷积神经网络的表面粗糙度分类方法，适用于多种测量场合和测量对象，避免了因特征参数选择不当而造成的表面粗糙度预测误差过大的情况，测量精度高，测量速度快。
技术方案：为解决上述技术问题，本发明提供一种基于卷积神经网络的表面粗糙度分类方法，包括如下步骤：
(1)样本获取；
(2)压缩图片并转换为像素矩阵，构建标签矩阵；
(3)归一化像素矩阵；
(4)设置CNN的基本参数和训练参数；
(5)初始化CNN并训练；
(6)测试训练完成后的卷积神经网络预测模型即CNN分类模型，分析该模型对表面粗糙度分类的准确度。
进一步的，所述步骤(1)中样本获取的具体步骤如下：
(1.1)通过准直激光束斜射到工件表面，使用相机拍摄携带有表面粗糙度信息的反射光和散射光空间分布图像，获取不同粗糙度标准样块的散射图像；
(1.2)从步骤(1.1)中获取的散射图像作为样本集。
进一步的，所述步骤(2)中压缩图片并转换为像素矩阵，构建标签矩阵的具体步骤如下：
将样本集中的每一幅散射图像压缩为28*28，将压缩后的图像转成1*784的矩阵，并根据样本集中的图像数量构成像素矩阵，然后再根据样本集中散射图像对应粗糙度样块的等级构建标签矩阵，将它们分别作为卷积神经网络的输入和输出。
进一步的，所述步骤(4)中设置CNN的基本参数和训练参数的具体步骤如下：
(4.1)设置卷积神经网络的基本参数；所述基本参数包括卷积层和降采样层的数量、卷积核大小以及降采样降幅；
(4.2)设置卷积神经网络的训练参数；所述训练参数包括学习率、批训练总样本的数量和迭代次数。
进一步的，所述步骤(5)中初始化CNN并训练的具体步骤如下：
(5.1)初始化卷积神经网络；所述初始化内容包括卷积核和偏置；
(5.2)训练卷积神经网络；所述训练过程包括网络的正向传播、反向传播和权值修改。
进一步的，所述步骤(1.1)中准直激光束以设定角度的入射角斜射到工件表面，在相应角度的反射方向上放置高度与激光器高度一致的毛玻璃屏，使用相机拍摄毛玻璃屏上的散射图像。
进一步的，所述步骤(6)中表面粗糙度分类的等级有0.025μm、0.05μm、0.1μm、0.2μm、0.4μm和0.8μm六个等级。
本发明使用Matlab软件实现了散射图像的压缩、样本数据的归一化处理、卷积神经网络模型的训练以及模型分类效果的测试，其中模型的训练以及测试使用了DeepLearnToolbox-master工具箱。
与现有技术相比，本发明的优点在于：
(1)本发明基于激光散射的原理构建了相对简单的测量***，适用于多种测量环境和测量对象，并且能够实现在线检测；
(2)本发明使用卷积神经网络作为表面粗糙度的分类模型，将测量***采集的散射图像作为网络的输入，避免了由于特征参数选择不当而造成表面粗糙度预测误差过大的现象；
(3)本发明使用卷积神经网络作为表面粗糙度的分类模型，避免了传统算法特征参数提取和数据重建等过程，缩短了预测时间。
附图说明
图1为本发明的流程图；
图2为具体实施例中不同粗糙度对应的光散射分布图；其中2(a)为表面粗糙度为0.025μm对应的光散射分布图；2(b)为表面粗糙度为0.05μm对应的光散射分布图；2(c)为表面粗糙度为0.1μm对应的光散射分布图；2(d)为表面粗糙度为0.2μm对应的光散射分布图；2(e)为表面粗糙度为0.4μm对应的光散射分布图；2(f)为表面粗糙度为0.8μm对应的光散射分布图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。
如图1所示，本发明实施例公开的一种基于卷积神经网络的表面粗糙度分类方法，主要包括如下步骤：
(1)通过准直激光束斜射到工件表面，使用相机拍摄携带有表面粗糙度信息的反射和散射光空间分布图像，获取不同粗糙度标准样块的散射图像。本步骤中可通过搭建的测量***，获取不同粗糙度数值对应的空间光散射分布图像。本步骤的测量***包括激光器、毛玻璃屏和相机，选择波长为632.8nm的半导体准直激光器作为光源，发出准直光束，以一定的角度，如30°，的入射角斜射到被测工件表面；30°的反射方向上放置一毛玻璃屏，其高度与激光器高度一致，采集携带有表面粗糙度信息的反射和散射光空间分布；使用500万像素的工业相机拍摄散射图像。
相机拍摄到的空间光散射分布图像如图2所示，是以反射光点为中心在空间所形成的呈带状分布的散射图像。其中，(a)-(f)六幅图像对应的表面粗糙度数值分别为0.025μm、0.05μm、0.1μm、0.2μm、0.4μm和0.8μm。
(2)将样本集中的每一幅散射图像压缩为28*28大小的图像，并将压缩后的图像转成1*784的矩阵，并根据样本集中的图像数量构成像素矩阵作为卷积神经网络的输入。本步骤首先将散射图像裁剪成1360*1360大小的图像，用高斯滤波滤除噪声，然后将其压缩成28*28大小的图像，并转换成1*784的矩阵，再根据样本集中的图像数量构成像素矩阵，如样本集中有120幅散射图像，则构成120*784的像素矩阵。同时，对应于样本集中不同粗糙度样块的散射图像，使用粗糙度等级构建一个标签矩阵，如样本集中有120幅散射图像，分别对应6个粗糙度等级，则构成6*120的标签矩阵。
(3)对像素矩阵作归一化处理，并将归一化后的像素矩阵作为卷积神经网络的输入，将标签矩阵作为卷积神经网络的输出。
(4)设置卷积神经网络中卷积层和降采样层的数量、卷积核大小以及降采样降幅等基本参数。设置卷积神经网络中学习率、批训练总样本的数量和迭代次数等训练参数。
(5)初始化卷积神经网络中的卷积核和偏置，然后开始训练卷积神经网络分类模型。其中，网络的正向传播、反向传播和权值修改均由计算机自动完成。
(6)测试训练完成后的卷积神经网络预测模型，分析该模型对表面粗糙度分类的准确度。同样，将测试样本中的散射图像经过裁剪、高斯滤波、压缩、矩阵转换和归一化处理，作为测试集来分析模型分类的准确度。该模型分类的准确度可达100％，预测结果如表1所示。
表1.卷积神经网络预测结果
(7)实际测量时，使用测量***采集工件表面的散射图像，并通过裁剪、高斯滤波、压缩、矩阵转换和归一化处理，根据训练好的最优卷积神经网络分类模型即可得到被测工件的表面粗糙度等级。

Claims (7)

1.一种基于卷积神经网络的表面粗糙度分类方法，其特征在于，包括如下步骤：
(1)样本获取；
(2)压缩图像并转换为像素矩阵，构建标签矩阵；
(3)归一化像素矩阵；
(4)设置CNN的基本参数和训练参数；
(5)初始化CNN并训练；
(6)测试训练完成后的卷积神经网络预测模型即CNN分类模型，分析该模型对表面粗糙度分类的准确度。
2.根据权利要求1所述的一种基于卷积神经网络的表面粗糙度分类方法，其特征在于，所述步骤(1)中样本获取的具体步骤如下：
(1.1)通过准直激光束斜射到工件表面，使用相机拍摄携带有表面粗糙度信息的反射光和散射光空间分布图像，获取不同粗糙度标准样块的散射图像；
(1.2)从步骤(1.1)中获取的散射图像作为样本集。
3.根据权利要求1所述的一种基于卷积神经网络的表面粗糙度分类方法，其特征在于，所述步骤(2)中压缩图片并转换为像素矩阵，构建标签矩阵的具体步骤如下：
将样本集中的每一幅散射图像压缩为28*28，将压缩后的图像转成1*784的矩阵，并根据样本集中的图像数量构成像素矩阵，然后再根据样本集中散射图像对应粗糙度样块的等级构建标签矩阵，将它们分别作为卷积神经网络的输入和输出。
4.根据权利要求1所述的一种基于卷积神经网络的表面粗糙度分类方法，其特征在于，所述步骤(4)中设置CNN的基本参数和训练参数的具体步骤如下：
(4.1)设置卷积神经网络的基本参数；所述基本参数包括卷积层和降采样层的数量、卷积核大小以及降采样降幅；
(4.2)设置卷积神经网络的训练参数；所述训练参数包括学习率、批训练总样本的数量和迭代次数。
5.根据权利要求1所述的一种基于卷积神经网络的表面粗糙度分类方法，其特征在于，所述步骤(5)中初始化CNN并训练的具体步骤如下：
(5.1)初始化卷积神经网络；所述初始化内容包括卷积核和偏置；
(5.2)训练卷积神经网络；所述训练过程包括网络的正向传播、反向传播和权值修改。
6.根据权利要求2所述的一种基于卷积神经网络的表面粗糙度分类方法，其特征在于，所述步骤(1.1)中准直激光束以设定角度的入射角斜射到工件表面，在相应角度的反射方向上放置高度与激光器高度一致的毛玻璃屏，使用相机拍摄毛玻璃屏上的散射图像。
7.根据权利要求1所述的一种基于卷积神经网络的表面粗糙度分类方法，其特征在于，所述步骤(6)中表面粗糙度分类的等级有0.025μm、0.05μm、0.1μm、0.2μm、0.4μm和0.8μm六个等级。
CN201910299407.1A 2019-04-15 2019-04-15 一种基于卷积神经网络的表面粗糙度分类方法 Pending CN110110758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910299407.1A CN110110758A (zh) 2019-04-15 2019-04-15 一种基于卷积神经网络的表面粗糙度分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910299407.1A CN110110758A (zh) 2019-04-15 2019-04-15 一种基于卷积神经网络的表面粗糙度分类方法

Publications (1)

Publication Number Publication Date
CN110110758A true CN110110758A (zh) 2019-08-09

Family

ID=67485451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910299407.1A Pending CN110110758A (zh) 2019-04-15 2019-04-15 一种基于卷积神经网络的表面粗糙度分类方法

Country Status (1)

Country Link
CN (1) CN110110758A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145144A (zh) * 2019-12-06 2020-05-12 西安理工大学 一种珩磨缸套表面粗糙度的评估方法
CN111899232A (zh) * 2020-07-20 2020-11-06 广西大学 利用图像处理对竹木复合集装箱底板无损检测的方法
CN112731439A (zh) * 2020-12-24 2021-04-30 西安工业大学 一种粗糙表面光散射场直接计算方法
CN112836422A (zh) * 2020-12-31 2021-05-25 电子科技大学 干涉与卷积神经网络混合方案测量方法
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
WO2024106682A1 (ko) * 2022-11-14 2024-05-23 전남대학교산학협력단 멤브레인 이미지의 특성 추출을 이용한 표면평균 거칠기 분석 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107727013A (zh) * 2017-10-16 2018-02-23 南京航空航天大学 基于支持向量回归机的表面粗糙度测量方法
CN108428231A (zh) * 2018-03-19 2018-08-21 南京信息工程大学 一种基于随机森林的多参数零件表面粗糙度学习方法
CN108734142A (zh) * 2018-05-28 2018-11-02 西南交通大学 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107727013A (zh) * 2017-10-16 2018-02-23 南京航空航天大学 基于支持向量回归机的表面粗糙度测量方法
CN108428231A (zh) * 2018-03-19 2018-08-21 南京信息工程大学 一种基于随机森林的多参数零件表面粗糙度学习方法
CN108734142A (zh) * 2018-05-28 2018-11-02 西南交通大学 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUO RUIPENG等: "Study of Support Vector Regression for the in-process optical measurement of surface roughness using laser scattered images", 《2018 INTERNATIONAL CONFERENCE ON MECHATRONIC SYSTEMS AND ROBOTS》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145144A (zh) * 2019-12-06 2020-05-12 西安理工大学 一种珩磨缸套表面粗糙度的评估方法
CN111145144B (zh) * 2019-12-06 2022-03-25 西安理工大学 一种珩磨缸套表面粗糙度的评估方法
CN111899232A (zh) * 2020-07-20 2020-11-06 广西大学 利用图像处理对竹木复合集装箱底板无损检测的方法
CN111899232B (zh) * 2020-07-20 2023-07-04 广西大学 利用图像处理对竹木复合集装箱底板无损检测的方法
CN112731439A (zh) * 2020-12-24 2021-04-30 西安工业大学 一种粗糙表面光散射场直接计算方法
CN112731439B (zh) * 2020-12-24 2023-12-19 西安工业大学 一种粗糙表面光散射场直接计算方法
CN112836422A (zh) * 2020-12-31 2021-05-25 电子科技大学 干涉与卷积神经网络混合方案测量方法
CN112836422B (zh) * 2020-12-31 2022-03-18 电子科技大学 干涉与卷积神经网络混合方案测量方法
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
WO2024106682A1 (ko) * 2022-11-14 2024-05-23 전남대학교산학협력단 멤브레인 이미지의 특성 추출을 이용한 표면평균 거칠기 분석 장치 및 방법

Similar Documents

Publication Publication Date Title
CN110110758A (zh) 一种基于卷积神经网络的表面粗糙度分类方法
JP7519480B2 (ja) 電子デバイスの物理的状態評価に基づくニューラルネットワーク、および関連付けられるシステムおよび方法
CN111929309B (zh) 一种基于机器视觉的铸造件外观缺陷检测方法及***
CN108332689A (zh) 一种检测表面粗糙度和表面损伤的光学测量***及方法
Bo et al. Particle pollution estimation from images using convolutional neural network and weather features
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
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
CN112884768B (zh) 基于神经网络的3d打印在线质量监测方法、***、装置
CN102288613A (zh) 一种灰度和深度信息融合的表面缺陷检测方法
CN107561091A (zh) 一种斜射式实木板材表面裂纹的检测***和检测方法
CN106018431A (zh) 一种实木板材表面裂纹的检测***和检测方法
CN113012098B (zh) 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法
CN104318249A (zh) 基于多分类支持向量机的磨削表面粗糙度等级识别方法
US11087498B2 (en) Image processing system, optical sensor, and learning apparatus with irregular lens array
CN113658155A (zh) 一种基于光度立体的物体表面瑕疵检测分析方法及装置
CN109685793A (zh) 一种基于三维点云数据的管身缺陷检测方法及***
CN104897174B (zh) 基于置信度评价的图像光条噪声抑制方法
CN116678826A (zh) 一种基于快速立体重建的外观缺陷检测***及方法
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及***
CN108986088A (zh) 一种基于matlab的图像自动提取优化方法及设备
TW200844426A (en) On-line mechanical visional inspection system of an object and method thereof
CN111553373A (zh) 一种基于cnn+svm的压力气泡图像识别算法
CN110687120A (zh) 法兰外观质量检测***
CN114881998A (zh) 一种基于深度学习的工件表面缺陷检测方法及***
CN104198398A (zh) 一种基于高光谱成像鉴别阿胶的方法

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