引入迁移学习的铣削表面粗糙度评估

目前,许多基于机器视觉的粗糙度测量方法依赖特征指标无法准确地表达工件表面的粗糙度信息;而基于深度神经网络的测量方法,对工件图像的数量需求大,且要求所有图像均服从同一数据分布。针对上述方法的不足,在深度神经网路的基础上,引入迁移学习算法,提出了一种新的铣削表面粗糙度等级评估模型。它避免了人为设计特征指标所带来的主观因素影响,能自动提取工件图像中与粗糙度相关的特征。同时,该方法在提取特征的过程中,还考虑到了获得的图像数据分布不一定一致,有意识地去缩小数据分布的差异。实验结果表明,基于迁移学习的铣削表面粗糙度等级评估模型在各种光照不同的测量环境中,达到了99.3%的平均评估准确率,高于其它几种用作对比的评估模型。