一种基于卷积神经网络的表面粗糙度分类方法

摘要

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。

权利要求

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。

说明书

一种基于卷积神经网络的表面粗糙度分类方法

技术领域

[0001] 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

[0002] 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。

[0003] 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系统，并提取了散射图像中的特征参数作为支持向量机的输入，该系统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。

[0004] 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

[0005] 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。

[0006] 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：

[0007] (1)样本获取；

[0008] (2)压缩图片并转换为像素矩阵，构建标签矩阵；

[0009] (3)归一化像素矩阵；

[0010] (4)设置CNN的基本参数和训练参数；

[0011] (5)初始化CNN并训练；

[0012] (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。

[0013] 进一步的，所述步骤(1)中样本获取的具体步骤如下：

[0014] (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；

[0015] (1.2)从步骤(1.1)中获取的散射图像作为样本集。

[0016] 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：

[0017] 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。

[0018] 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：

[0019] (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；

[0020] (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。

[0021] 进一步的，所述步骤(5)中初始化CNN并训练的具体步骤如下：

[0022] (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；

[0023] (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。

[0024] 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。

[0025] 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。

[0026] 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。

[0027] 与现有技术相比，本发明的优点在于：

[0028] (1)本发明基于激光散射的原理构建了相对简单的测量系统，适用于多种测量环境和测量对象，并且能够实现在线检测；

[0029] (2)本发明使用卷积神经网络作为表面粗糙度的分类模型，将测量系统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；

[0030] (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

[0031] 图1为本发明的流程图；

[0032] 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

[0033] 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。

[0034] 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：

[0035] (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系统，获取不同粗糙度数值对应的空间光散射分布图像。本步骤的测量系统包括激光器、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。

[0036] 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。

[0037] (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。

[0038] (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。

[0039] (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。

[0040] (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。

[0041] (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。

[0042] 表1.卷积神经网络预测结果

[0043]

[0044]

[0045] (7)实际测量时，使用测量系统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。