-
题名基于宽度学习的铣削表面粗糙度等级检测
被引量:1
- 1
-
-
作者
方润基
易怀安
王帅
牛依伦
-
机构
桂林理工大学机械与控制工程学院
-
出处
《机床与液压》
北大核心
2023年第9期84-89,共6页
-
基金
国家自然科学基金地区科学基金项目(52065016)
2021广西研究生创新项目(YCSW2021204)
桂林理工大学博士启动基金(GLUTQD2017060)。
-
文摘
当前机器视觉表面粗糙度检测所采用的方法大多是根据图像信息人为设计指标或者使用深度学习,但前者计算过程复杂,后者模型训练及分类所需时间较长,并不适用快速评判的在线检测场合。针对此问题,提出一种基于宽度学习的铣削表面粗糙度等级检测方法。通过工业相机获取普通光照环境下铣削工件表面图片,将其输入构建好的宽度学习模型中进行训练,实现对铣削表面粗糙度的等级检测。该方法不仅能够实现特征自提取,而且模型训练速度快,为视觉粗糙度在线测量提供了一种新的策略。
-
关键词
宽度学习
特征自提取
快速评判
粗糙度检测
-
Keywords
Broad learning
Feature auto-extraction
Fast judging
Roughness detection
-
分类号
TH161
[机械工程—机械制造及自动化]
-
-
题名小样本问题下的铣削表面粗糙度测量
被引量:1
- 2
-
-
作者
易怀安
方润基
舒爱华
路恩会
-
机构
桂林理工大学机械与控制工程学院
桂林理工大学外国语学院
扬州大学机械工程学院
-
出处
《激光与光电子学进展》
CSCD
北大核心
2022年第23期255-261,共7页
-
基金
国家自然科学基金(52065016)
2021广西研究生创新项目(YCSW2021204)
桂林理工大学博士启动基金(GLUTQD2017060)。
-
文摘
基于机器视觉的粗糙度测量方法大多是根据粗糙度关联指标建立预测模型,或者利用深度学习网络建立无指标预测模型,而这两类方法均存在着不足。一方面,人工设计指标的计算过程复杂,不利于在线检测。另一方面,深度学习模型则严重依赖大数据,数据量不足难以训练出有效的模型。针对以上问题,本文提出一种基于图神经网络的铣削表面粗糙度测量方法。该方法在训练阶段获取了自主学习的能力,而后仅需要少量铣削样本就能够完成铣削工件的粗糙度测量。试验结果表明,本文方法在铣削工件的粗糙度测量上不仅能够自动提取特征,而且表现出了较高的精度和良好的光照环境鲁棒性。
-
关键词
表面粗糙度测量
图神经网络
小样本问题
特征自提取
光照环境
-
Keywords
surface roughness measurement
graph neural networks
few-shot problem
extract features automatically
lighting environment
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-