基于轻量级卷积网络的铣削粗糙度在机监测研究
In-situ Roughness Evaluation of Milling Machined Surface Based on Lightweight Deep Convolutional Neural Network作者机构:西南交通大学教育部先进驱动研究与节能中心四川成都610031 西南交通大学机械工程学院四川成都610031 国防科技大学装备综合保障技术重点实验室湖南长沙410073
出 版 物:《西南交通大学学报》 (Journal of Southwest Jiaotong University)
年 卷 期:2024年第59卷第1期
页 面:193-200页
核心收录:
学科分类:080503[工学-材料加工工程] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0805[工学-材料科学与工程(可授工学、理学学位)] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
主 题:粗糙度测量 加工表面纹理 深度可分离卷积 方向梯度直方图 移动端实时计算 计算机视觉
摘 要:传统机器学习类方法对光源类型、设备安装误差等因素较为敏感,需要反复调试与实验,难以实现规模化生产的自动检测.针对上述问题,提出了一种铣削粗糙度在机监测方法,有效提升了检测效率和准确性.首先,采用低感度参数设置的方向梯度直方图特征的候选框提取算子实现铣削工件的定位,并基于点匹配算法校正安装误差;然后,通过清晰度评价指标实现工业相机对焦过程优化;最后,构建了一种面向移动端实时计算的轻量级卷积神经网络模型,可对不同粗糙度工件表面纹理进行分类,并在立铣加工纹理数据集上进行了实验验证.实验结果表明:相比普通卷积神经网络,在模型复杂度相似的情况下,以乘、加运算次数为指标,提出模型推理所需运算量减少55%;代价敏感函数的引入能有效提升粗糙度识别模型对不平衡数据的稳定性;所提方法与传统机器学习方法相比,在检测帧率、图像分辨率相同的实验条件下,精准率、召回率分别提高了8%、21%.