基于宽度学习的铣削表面粗糙度等级检测

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。

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。

基于深度神经网络的粗糙度分类检测

现有的机器视觉测量表面粗糙度的方法依赖于特征提取来量化表面形态并建立预测模型,并且图片样本采集时高度依赖光源环境和拍摄角度。提出利用Swin-Transformer模型直接从表面纹理的数字图像中评估表面粗糙度并进行分类,避免了特征提取。实验中采用了不同的光源亮度和不同的角度进行拍摄,旨在模拟工业生产在线检测的环境。实验分类结果表明该方法对光源和拍摄角度具有良好的鲁棒性,测试集样本准确率可达97.54%。