基于迁移学习和模型融合的粗糙度检测系统设计

针对传统粗糙度测量方法识别准确率不高的问题,提出了基于迁移学习和模型融合的粗糙度检测方法。首先,采用所设计粗糙度检测系统中的CCD相机模组采集工件表面图像并制作数据集;其次,通过迁移微调VGGNet-19、Inception-V3以及DenseNet121进行多模型融合,得到了适用的粗糙度检测模型;最后,用数据集进行网络训练以提取图像中的纹理细节特征,实现对粗糙度等级的精准识别。针对车削、铣削和磨削共15种粗糙度等级图像进行实验验证,系统识别精度可达91%。结果表明,所提出的系统可有效地实现粗糙度等级自动检测。

数字图像技术在机械加工表面粗糙度检测中的应用

首先分析了常见机械加工表面粗糙度检测数字图像技术,其次分析了数字图像技术在机械加工表面粗糙度检测中的实际应用,以期为机械加工表面粗糙度检测提供参考。事实证明,图像采集、图像预处理、图像灰度化、图像降噪、小波分解等数字图像技术,均能够被应用于机械加工表面粗糙度检测,并且可以获得理想检测效果,从而及时发现和处理机械加工表面粗糙度不合格产品。

土壤表面粗糙度检测方法研究

土壤表面粗糙度是表征土壤表面微地貌的一项重要指标,与土壤本身水分入渗速率、地表径流及土壤侵蚀等密切相关。土壤表面粗糙度直接影响农作物种植、灌溉、收成等,是当前农业发展急需解决的关键问题之一。精细平整的土地,能大幅地节约灌溉用水,提高肥料的利用率和抑制杂草的生长,达到低成本、高收益的目的。为此,在广泛阅读国内外相关文献的基础,主要介绍5种当前主流的土壤表面粗糙度检测方法及其应用情况。通过对检测数据获取、检测时间、检测分辨率、检测精度和土壤微地形的表征情况等指标进行对比,得出当前各种土壤表面粗糙度检测方法的研究现状与存在问题。最后总结其未来发展方向,为对该领域的进一步研究提供参考依据。

神经网络技术在表面粗糙度检测中的应用

物体表面的粗糙度不同 ,则对光的反射与散射强度不同 ,因此利用光纤传感器检测反射光强和散射光强 ,建立表面粗糙度检测的神经网络模型。该模型以反射光强、散射光强、反射与散射光强之比、测量距离为输入信号 ,以 Ra、Rz为输出信号 。

基于多目标优化的微铣削表面粗糙度检测指标研究

针对微铣削表面形貌复杂而难以准确评价的问题,提出了一种基于三维表征的表面粗糙度检测指标。首先,在主成分分析的基础上,基于灰色关联分析方法将表征意义不同的三维表面粗糙度参数Sa、Ssk和Sku转化为单一的灰色关联度作为表面粗糙度检测指标;其次,利用响应曲面法建立灰色关联度模型,分析工艺参数对灰色关联度的影响规律;最后,获取最优工艺参数组合并进行验证。结果表明,灰色关联度模型的平均相对误差为6.54%,拟合精度高,预测效果好,验证了模型的有效性;获取的最优工艺参数组合对应的灰色关联度提高了15.27%,实现了表面粗糙度和表面异常特征最小化的目的,证明了检测指标的可行性。

基于三维激光扫描的预制混凝土板拉毛叠合面粗糙度检测方法研究

预制混凝土板叠合面的粗糙度对其抗剪性能有显著影响,对其施工质量需予以严格控制。采用手持式三维激光扫描仪采集叠合面点云数据,并利用主分量分析技术与均值滤波处理点云数据,提出基准面法处理叠合面局部缺陷,采用条带法进行三维重建与粗糙度计算,从而形成基于三维激光扫描的预制混凝土板拉毛叠合面粗糙度检测技术。通过对白纸平面与仿拉毛叠合面的检测验证了所建立技术的高效性与准确性。对三个构件厂的28个采用拉毛工艺处理的预制混凝土板叠合面进行了检测,对检测结果进行了统计分析,并通过蒙特卡洛法得出拉毛叠合面粗糙度抽样检测建议。

大型机床工件的磨削表面粗糙度检测系统

针对大型机床加工工件粗糙度检测精度低的问题,提出一种高精度光学在线检测方法。依靠反射原理确定ADSP2126为核心的粗糙度检测方案,然后设计USB3. 0通信接口、高速内存和人机交互通道等外设硬件接口,并利用C语言开发图像采集和特征提取程序并固化到内存中,通过不同粗糙度产品和接触式对比检测进行粗糙度实验。实验表明系统可以在0. 01μm精度条件下实现快速响应,且测量误差小于±5%。结果验证了在大型加工机床上粗糙度在线检测系统可以进行实时快速响应。

微管流微扰数值分析与转轴粗糙度检测模型

微流控设备中的转轴及轴承被黏性流体包裹,在工作过程会因为沉积、磨损和腐蚀等原因变得粗糙。为了评估转轴表面粗糙度对流场的影响和检测表面粗糙度,采用边界微扰法对微管内斯托克斯流的Stokes方程进行小扰动二阶展开。粗糙轴的表面形貌以两个余弦函数的乘积表示,周向波数和轴向波数分别为n和α,扰动项ε定义为余弦函数振幅与轴的平均半径b之比。得到了库埃特流动中单位面积上轴受到的转矩M和泊肃叶流动中的总流率Q随n、α和ε的变化规律。计算结果表明,M和Q被ε二阶修正。同时通过基于有限元法的数值模拟,验证了解析解的准确性,并拓展了应用范围。基于此提出了转轴表面粗糙度的检测模型,可实现微流控设备表面粗糙度的不拆卸快速检测。

利用光学系统色偏移进行表面粗糙度检测的方法及结构分析

利用光学方法对表面粗糙度进行检测以其非接触、高精度、无损伤、测量速度快等特点得到了广泛应用。文中介绍了一种利用多色光的轴向色焦点偏移进行表面粗糙度测量的方法,该方法基于共聚焦显微系统的基本思想。文章阐述了该方法的基本原理,并设计了一组光学系统对方法进行分析验证。

基于机器视觉的半导体元件表面粗糙度检测方法

为解决元件表面粗糙度检测精度低、检测结果误差大的问题,本文对基于机器视觉的半导体元件表面粗糙度检测方法进行研究,提出在建立机器视觉硬件框架的基础上,采集半导体元件表面图像进行预处理,利用平均值计算方法均分图像的亮度,并建立灰度共生矩阵,提取图像中的元件表面粗糙度特征建立表面粗糙度的特征模型,利用支持向量机算法检测元件表面粗糙度,以期为相关工程提供参考。

基于VB6.0的粗糙度检测仪SJ-201P的串口通讯

在光伏行业的硅片制程中粗糙度检测仪广泛用于检测硅块表面的粗糙度,文中利用VB6.0编程平台探究如何通过粗糙度检测仪的串口,实现了与普通计算机的通信,获取了表面测量的轮廓数据,这对粗糙度检测仪的进一步的应用具有一定的指导意义。

改进DenseNet模型在工件表面粗糙度视觉检测中的应用

针对原始DenseNet模型检测工件表面粗糙度时间长、准确率较低的问题,结合卷积层滤波器注意力机制和批归一化层缩放系数提出一种工件表面粗糙度检测的深度学习模型。首先,利用注意力重要性值判定模块内的冗余通道。其次,在Dense Block模块内引入批归一化层缩放系数判别特征通道的重要程度。最后联合卷积层滤波器的注意力重要性值和批归一化层缩放系数裁剪冗余通道,实现模型剪枝。实验结果表明,原始DenseNet模型检测工件表面粗糙度的准确率为91.875%,检测时间为483 s。当剪枝率为20%时,其检测效果最好,检测准确率为96.875%,检测时间为255 s。相比于原始DenseNet模型,改进后的DenseNet模型检测效果更好,在质量检测领域方面具有一定的应用前景。

五轴测量复杂曲面粗糙度及其无干涉方法

针对航空复杂零件粗糙度检测难题,利用五轴测量机灵活性高、可达域广的特点,搭载粗糙度传感器,研究复杂曲面粗糙度测量方法。首先分析粗糙度传感器与工件位置的关系;然后研究传感器和工件的干涉判断方法,求解粗糙度五轴测量中测杆无干涉方位,对粗糙度可测区域进行预测;最后通过离心叶轮关键部位粗糙度检测实验验证算法的可行性和准确性。实验表明,基于五轴测量机的复杂曲面粗糙度检测是一种可行的接触式粗糙度检测方法,无干涉算法能够精确预测可测区域,在实现复杂零件关键部位粗糙度量化表达的同时大幅提高检测效率。

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。

基于ARM920T模块的深孔表面多点粗糙度自动检测装置

为实现深孔表面多母线粗糙度的检测，研制了一种便携式表面粗糙度自动检测装置。借助以ARM920T为核心的嵌入式模块，紧凑设计了对零部件深孔表面粗糙度实施多点自动检测的机电结构，给出了检测装置的整体结构、嵌入式模块硬件电路接口、多点粗糙度综合参数的描述与计算方法等。该检测装置可对口径为垂16～25mm，长度为120～180mm的内孔表面实施多达24条母线、512点的自动检测。实际测试验证，该检测装置的极限误差〈3％。

基于数据增强的粗糙度加工实时检测技术研究

在铣削加工时对工件的表面粗糙度进行实时检测的过程中,针对相机运动拍摄获取的图像存在运动模糊以及运动模糊的变化影响表面粗糙度识别的问题,根据图像运动模糊的形成原理,提出一种基于运动模糊算子的数据增强方法,该方法可以生成多种模糊程度的图像。测试结果表明,所述方法可以扩大被训练的CNN模型的模糊适应范围,模型的粗糙度平均识别准确率提高了23.45%。

车削零件表面粗糙度图像法检测优选方法

为实现对车削零件表面粗糙度检测,提出一种基于机器视觉表面粗糙度检测图像处理的新方法。该方法先按相应算法对所采集图像剔出受光衍射影响严重区域,然后再按其灰度分布情况进行区域优化,获得的图像灰度特征参数能反映表面粗糙度量值的有效特征区域。用该方法对表面粗糙度Ra标称值为0.8μm^12.5μm的五种车削样件测试,处理后图像灰度的均值、方差、能量和熵等特征参数与Ra标称值单调关系显著,各特征曲线的非线性误差均在1.5%以内。对比实验显示,这种特征提取和区域优化方法可应用于表面粗糙度的区分与检测。

基于GRNN的珩磨缸套表面3D粗糙度图像检测方法

活塞-缸套系统是内燃机重要的摩擦副之一,活塞-缸套的表面质量影响着活塞-缸套系统的摩擦学性能,进而直接影响整机的服役性能。针对磨缸套表面2D粗糙度参数的局限性与表面粗糙度非接触检测方法研究,提出一种基于广义回归神经网络(GRNN)的珩磨缸套表面3D粗糙度图像检测方法。通过运用灰度共生矩阵(GLCM)提取缸套表面图像的纹理特征参数,并分析纹理特征参数与3D粗糙度间的相关性。以图像纹理特征参数作为输入,分别采用GRNN和多元回归分析(MRA)建立3D粗糙度检测模型,通过与试验检测结果对比验证了模型的准确性。GRNN检测模型获得的可决系数R²均值(0.962)优于MRA检测模型,且均方误差MSE均值(0.07)更小,与试验检测结果对比可知,采用GRNN建立的磨缸套3D粗糙度检测模型具有更高的精度,与实测3D粗糙度的相对误差均值为7.9%。所建立的3D粗糙度检测模型具有较高的检测精度。

预制叠合板桁架钢筋高度及板面粗糙度的检测方法研究

预制叠合板桁架钢筋高度和板面粗糙度是重要的质量指标,相关规范也将其列为必检项目,但目前尚无专业的检测设备和方法,无法满足规范的要求。文章介绍了一种预制叠合板桁架钢筋高度及板面粗糙度检测的多功能检测装置,可供广大工程技术人员参考。

基于偏振摄影技术和MATLAB实现对物体表面粗糙度的检测

本文将偏振摄影技术与Matlab结合实现了对物体表面粗糙度的检测.对照片进行镜面反射和漫反射的分离,当表面粗糙度增大时,经过特定光学器具后镜面反射与漫反射的减少量的比值降低,从而实现对物体表面粗糙度的检测.通过实验得到了样本的粗糙度,并对其可靠性进行了检测,确认了该项技术的可行性.对应于整体的粗糙度和小面积的破损程度可以通过改变数据处理区域大小来实现,较大区域的截取能够体现整体的粗糙度,较小的区域能够检测破损的程度.