CN104318249A - 基于多分类支持向量机的磨削表面粗糙度等级识别方法 - Google Patents
基于多分类支持向量机的磨削表面粗糙度等级识别方法 Download PDFInfo
- Publication number
- CN104318249A CN104318249A CN201410570364.3A CN201410570364A CN104318249A CN 104318249 A CN104318249 A CN 104318249A CN 201410570364 A CN201410570364 A CN 201410570364A CN 104318249 A CN104318249 A CN 104318249A
- Authority
- CN
- China
- Prior art keywords
- support vector
- classification
- roughness grade
- surface roughness
- grinding surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明公开了一种基于多分类支持向量机的磨削表面粗糙度等级识别方法,包括以下步骤:(1)通过搭建的光学测量系统,获取不同等级粗糙度样块的散射图像;(2)在DSP平台中提取图像的各种特征参数作为训练样本和测试样本;(3)选择合适的分类算法,由于样块种类多于两类,选择“一对一”的多分类算法;(4)采用遗传算法,实现支持向量机最优参数的自动选取;(5)建立多分类支持向量机模型,利用测试集对建立的模型进行准确率检测。本发明利用DSP芯片提高了识别速度,降低了开发成本;采用支持向量机对粗糙度等级进行识别,平均识别率高,有效解决了工业现场对工件粗糙度等级识别准确性不高的问题。
Description
技术领域
本发明涉及一种基于多分类支持向量机的磨削表面粗糙度等级识别方法。
背景技术
表面粗糙度是评定工件表面质量的一个重要指标,影响工件的寿命和使用性能。随着机械加工自动化程度的提高,很多零件由抽检改为必检,对表面粗糙度在线测量提出了越来越高的要求,因此生产过程中实时检测表面粗糙度越来越受到重视。传统触针法要控制测量力的大小,既要保证测头与表面始终接触,又不能因此划伤工件表面和磨损测头。光学法因其具有高灵敏度、非接触测量等优点,近年来得到了迅速的发展,其中使用最为广泛的是基于光散射原理的测量方法。机器视觉技术的飞速发展,为粗糙度检测提供了一个新思路。在表面粗糙度检测的应用领域里,机器视觉技术得到了广泛的应用。
基于光学散射原理测量表面粗糙度的研究方法较多。Brodmann 等提出了光学散射特征值来表征被测物体表面上反射光和散射光的离散程度。Wang等使用该参数,采用远心光路,研制了表面粗糙度测量仪器。冯利等利用散射特征值,设计了光盘表面粗糙度在线检测系统。但这种方法的测量装置比较复杂,必须保证光电二极管阵列位于同一平面,而且计算时仅使用了一条线上的光电信息。郭瑞鹏等针对晶圆的加工展开了一系列研究,采用机器视觉与光散射原理相结合的方法,通过对光散射二维图像的处理,提取特征参数,分别建立神经网络模型和支持向量回归机模型预测表面粗糙度。然而,此系统是基于PC开发的,不利于车间现场使用,且难以满足实时性要求。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于多分类支持向量机的磨削表面粗糙度等级识别方法。
本发明所采用的技术方案主要包含以下几个步骤:
(1) 通过搭建的光学测量系统,获取不同等级粗糙度样块的散射图像;
(2) 在DSP平台中提取图像的特征参数,包括整幅图像分布的方差、灰度分布的均方根等作为训练样本和测试样本;
(3) 选择合适的分类算法,由于样块种类多于两类,选择“一对一”的多分类算法;
(4) 采用遗传算法,实现支持向量机最优参数的自动选取;
(5) 建立多分类支持向量机模型,并利用测试集对建立的模型进行准确率检测,若没达到要求,则重复第(2)、(3)、(4)步,获得新的支持向量机分类模型,直到达到最佳分类性能。
与现有技术相比,本发明的有益效果是:
利用DSP芯片在信号处理中的优势,提高了识别速度,降低了开发成本,便于现场使用;采用支持向量机对粗糙度等级进行识别,平均识别率高,有效解决了工业现场对工件粗糙度等级识别的准确性要求高的问题。
附图说明
图1是本发明中的基于多分类支持向量机的磨削表面粗糙度等级识别流程图。
图2为本发明中的磨削粗糙度样块采集的图像。
图3为本发明中的DSP平台硬件系统原理框图。
图4为本发明中的基于遗传算法的支持向量机模型参数优化流程图。
具体实施方式
现结合附图,对本发明进一步具体说明。
图1是本发明的基于多分类支持向量机的磨削表面粗糙度等级识别流程图。下面结合流程图对基于多分类支持向量机的磨削表面粗糙度等级识别进行详细的说明:
(1) 通过搭建的光学测量系统,获取不同等级粗糙度样块的散射图像;
(2) 在DSP平台上提取图像的特征参数,包括整幅图像分布的方差、灰度分布的均方根等作为训练样本和测试样本;
(3) 选择合适的分类算法,由于样块种类多于两类,选择“一对一”的多分类算法;
(4) 采用遗传算法,实现支持向量机最优参数的自动选取;
(5) 建立多分类支持向量机模型,并利用测试集对建立的模型进行准确率检测,若没达到要求,则重复第(2)、(3)、(4)步,获得新的支持向量机分类模型,直到达到最佳分类性能。
上述步骤(1)所提及的粗糙度样块散射图像如图2所示,在采集系统中,选择波长632.8nm,输出功率为3mW的氦氖激光器作为光源,发出直径为0.6mm的准直高斯光束,光束通过45°分光镜垂直入射到工件表面,产生的反射和散射光束再通过分光镜在毛玻璃屏上成像。工业相机将毛玻璃屏上的图像实时拍摄下来,从工件表面反射出来的散射光会因工件表面形貌不同而呈现出不同的亮度和分布。实验中,分别选取表面轮廓算术平均偏差Ra为0.1 、0.2、0.4、0.8的磨削粗糙度标准样块作为研究对象。
上述步骤(2)所提及的DSP平台硬件系统原理框图如图3所示,摄像机选用100万像素工业相机,FIFO的作用是完成图像的缓存,避免低速的摄像机和高速的DSP进行直接数据交换,SDRAM是一种速度较快的外存,容量是64M字节,DSP计算时使用到的空间就分配在SDRAM上,Flash用于烧录程序,容量为1M字节,用户将程序固化在Flash中,系统上电后从Flash中加载程序并启动,USB芯片使DSP可以与PC通讯,并且实现图像的高速传输。
上述步骤(2)所提及的图像特征参数的名称及符号如表一所示,采集的图像为表面散射图像,表面散射光呈现以反射光斑为中心的散射光带分布,狭长散射光带的几何中心最为明亮,并在狭长延伸及其垂直方向上呈现轴对称,为了方便描述,引用数学中对椭圆长短轴的定义来定义狭长散射光带的长短轴,散射光带主方向为长轴,与其垂直的方向为短轴。
表一:图像特征参数的名称及符号
特征参数中文名称 | 特征参数符号 |
长轴一行光散射特征值 | |
短轴一列光散射特征值 | |
长轴平均列光散射特征值 | |
短轴平均行光散射特征值 | |
长轴一行像素分布标准差 | |
短轴一列像素分布标准差 | |
长轴平均列像素分布标准差 | |
短轴平均行像素分布标准差 | |
图像像素分布标准差 | |
图像灰度特征1 | |
图像灰度特征2 | |
图像灰度分布均方根 | |
标准光学参数 | |
修正光学参数 |
上述步骤(3)所提及的分类方法为“一对一”多分类算法,是对n类中的每两类构造一个子分类器,需要构造n(n-1)/2个分类器,每个分类器都对其类别进行判断,并对所属的类别投上一票,得票最多的类别即为所属的类别,训练过程中选择径向基核函数。
上述步骤(4)所提及的遗传算法,算法流程图如图4,步骤如下:
(1) 初始化:随机初始化种群,选择二进制编码方式,将惩罚参数和核函数参数进行二进制编码,编码后的和形成染色体,设置种群数量和最大遗传代数。
(2) 适应度估计:将染色体解码,得到惩罚因子和核函数参数,将训练样本分成组,每个子集数据分别做一次验证集,其余的组做训练集,得到个模型,分别对相应的验证集进行分类并计算分类准确率,将个模型的分类准确率的平均值作为个体适应度的估计值。
(3) 遗传操作:选择、交叉和变异。在所有个体中,选择某些比例适应度比较大的个体保留下来,其余的通过交叉,变异等操作,产生下一代。
(4) 判断是否达到最大迭代次数,如果达到了就停止搜索,输出最优的和,以及最佳的分类准确率;否则就进入第二步,继续搜索。
采集的图像经过图像预处理以及特征参数提取后,得到特征参数随粗糙度变化的情况如表二所示,在14个参数中,参数、的分辨率不高,不适合作为输入参数。因此,选取除、外的12个参数作为支持向量机的输入特征参数,这样就构成了12维的特征向量。最后将200组12维特征向量构成训练样本,作为训练模型的输入,另外200组12维特征向量构成测试样本,作为测试样本。
表二:特征参数随粗糙度变化的情况
/ | 0.1 | 0.2 | 0.4 | 0.8 |
19457 | 22341 | 26134 | 31173 | |
1937.2 | 2222.3 | 2451.9 | 2722.4 | |
2739.3 | 2840.3 | 2969.4 | 3114.8 | |
34144 | 36277 | 37270 | 38584 | |
79.438 | 58.684 | 33.485 | 16.821 | |
51.943 | 40.104 | 25.743 | 15.387 | |
17.064 | 14.281 | 8.438 | 4.575 | |
8.8057 | 5.3666 | 4.0665 | 2.5611 | |
25.375 | 19.543 | 11.892 | 6.703 | |
17262 | 15353 | 13718 | 12545 | |
0.0015 | 0.0013 | 0.0009 | 0.0005 | |
0.6636 | 0.5437 | 0.3438 | 0.2034 | |
165.13 | 175.53 | 176.11 | 180.58 | |
88966 | 87314 | 85686 | 83103 |
测试样本的表面粗糙度等级识别结果如表三所示,在建立多分类支持向量机模型时,采用遗传算法对和进行寻优,遗传算法的各项参数设置为:种群数量50,最大进化代数200, 的编码长度为10,的编码长度为15,杂交率为0.8,变异率为0.1,得到最优参数,结果为=0.8188,=3.36。将所建立的训练样本作为模型的输入来训练模型,考虑到输入参数之间有不同的物理意义及不同的量纲,为了使这些输入参数在训练时有着同样的重要性,需要对数据做归一化处理。将训练数据归一化到[-1, +1]区间内,然后通过所建的测试样本来测试模型的性能,测试样本同样也需要进行归一化处理。从识别结果的表中可以得出,最终得到的测试样本分类平均准确率为99.5%。
表三:测试样本的表面粗糙度等级识别结果
粗糙度等级/ | 错判数 | 图像总数 | 识别率/% |
0.1 | 0 | 50 | 100 |
0.2 | 1 | 50 | 98 |
0.4 | 0 | 50 | 100 |
0.8 | 0 | 50 | 100 |
触针式粗糙度测量仪测量结果与基于多分类支持向量机的磨削表面粗糙度等级识别方法获得的结果对比如表四所示,为对本发明的识别方法进行有效性检测,利用磨床加工了8个工件,首先利用触针式粗糙度测量仪对加工的工件进行粗糙度测量,再由本发明中的基于多分类支持向量机的磨削表面粗糙度等级识别方法进行分类识别。为保证测量及识别的准确性,触针式粗糙度测量仪对每一个工件测量10次,求其平均值记录测量结果;在本发明中的识别系统中,每次对工件的10个位置进行测量,求出各个位置的散射图像特征值,然后求特征值的平均值作为支持向量机的输入特征向量。从表中可以得出,基于多分类支持向量机的磨削表面粗糙度等级识别方法获得的结果与触针式粗糙度测量仪测量的结果接近,从而证明本发明的基于多分类支持向量机的磨削表面粗糙度等级识别方法是有效的。
表四:结果对比
Claims (4)
1.基于多分类支持向量机的磨削表面粗糙度等级识别方法,其特征在于:其实现步骤如下:
(1) 通过搭建的光学测量系统,获取不同等级粗糙度样块的散射图像;
(2) 在DSP平台上提取图像的特征参数,包括整幅图像分布的方差、灰度分布的均方根等作为训练样本和测试样本;
(3) 选择合适的分类算法,由于样块种类多于两类,选择“一对一”的多分类算法;
(4) 采用遗传算法,实现支持向量机最优参数的自动选取;
(5) 建立多分类支持向量机模型,并利用测试集对建立的模型进行准确率检测,若没达到要求,则重复第(2)、(3)、(4)步,获得新的支持向量机分类模型,直到达到最佳分类性能。
2.根据权利要求1所述的基于多分类支持向量机的磨削表面粗糙度等级识别方法,其特征在于:步骤(2)中所述的图像特征参数是基于所采集的表面散射图像,表面散射光呈现以反射光斑为中心的散射光带分布,狭长散射光带的几何中心最为明亮,并在狭长延伸及其垂直方向上呈现轴对称,为了方便描述,引用数学中对椭圆长短轴的定义来定义狭长散射光带的长短轴,散射光带主方向为长轴,与其垂直的方向为短轴。
3.根据权利要求1所述的基于多分类支持向量机的磨削表面粗糙度等级识别方法,其特征在于:步骤(3)中所述的 “一对一”多分类算法,是对n类中的每两类构造一个子分类器,需要构造n(n-1)/2个分类器,每个分类器都对其类别进行判断,并对所属的类别投上一票,得票最多的类别即为所属的类别,训练过程中选择径向基核函数。
4.根据权利要求1所述的基于多分类支持向量机的磨削表面粗糙度等级识别方法,其特征在于:步骤(4)中所述的遗传算法步骤如下:
(1) 初始化:随机初始化种群,选择二进制编码方式,将惩罚参数 和核函数参数 进行二进制编码,编码后的 和 形成染色体,设置种群数量 和最大遗传代数;
(2) 适应度估计:将染色体解码,得到惩罚因子 和核函数参数,将训练样本分成 组,每个子集数据分别做一次验证集,其余的组做训练集,得到个模型,分别对相应的验证集进行分类并计算分类准确率,将个模型的分类准确率的平均值作为个体适应度的估计值;
(3) 遗传操作:选择、交叉和变异,在所有个体中,选择某些比例适应度比较大的个体保留下来,其余的通过交叉,变异等操作,产生下一代;
(4) 判断是否达到最大迭代次数,如果达到了就停止搜索,输出最优的 和,以及最佳的分类准确率;否则就进入第二步,继续搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410570364.3A CN104318249A (zh) | 2014-10-23 | 2014-10-23 | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410570364.3A CN104318249A (zh) | 2014-10-23 | 2014-10-23 | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104318249A true CN104318249A (zh) | 2015-01-28 |
Family
ID=52373478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410570364.3A Pending CN104318249A (zh) | 2014-10-23 | 2014-10-23 | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318249A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529576A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于测度学习改进支持向量机的钢琴乐谱难度识别算法 |
CN107199506A (zh) * | 2017-06-05 | 2017-09-26 | 苏州微著设备诊断技术有限公司 | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 |
CN107727013A (zh) * | 2017-10-16 | 2018-02-23 | 南京航空航天大学 | 基于支持向量回归机的表面粗糙度测量方法 |
CN107990850A (zh) * | 2017-10-16 | 2018-05-04 | 南京航空航天大学 | 一种基于激光散射法的表面粗糙度在线测量系统及方法 |
CN108734142A (zh) * | 2018-05-28 | 2018-11-02 | 西南交通大学 | 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法 |
CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
CN113095195A (zh) * | 2021-04-03 | 2021-07-09 | 西北工业大学 | 一种基于表面形貌自特征的零件唯一识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
-
2014
- 2014-10-23 CN CN201410570364.3A patent/CN104318249A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
Non-Patent Citations (4)
Title |
---|
GUO RUIPENG 等: ""A Study of Support Regression for Surface Characteristics In-Process Optical Measurement"", 《2010 2ND INTERNATIONAL CONFERENCE ON MECHANICAL AND ELECTRONICS ENGINEERING(ICMEE 2010)》 * |
汪世义 等: ""支持向量机和遗传算法的人脸识别方法"", 《计算机工程与应用》 * |
郭瑞鹏 等: ""基于神经网络的磨削工件表面质量的在线检测"", 《电子设计工程》 * |
马永军 等: ""基于支持向量机和方差的管道内表面粗糙度等级识别"", 《信息与控制》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529576A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于测度学习改进支持向量机的钢琴乐谱难度识别算法 |
CN107199506A (zh) * | 2017-06-05 | 2017-09-26 | 苏州微著设备诊断技术有限公司 | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 |
CN107199506B (zh) * | 2017-06-05 | 2019-05-21 | 苏州微著设备诊断技术有限公司 | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 |
CN107727013A (zh) * | 2017-10-16 | 2018-02-23 | 南京航空航天大学 | 基于支持向量回归机的表面粗糙度测量方法 |
CN107990850A (zh) * | 2017-10-16 | 2018-05-04 | 南京航空航天大学 | 一种基于激光散射法的表面粗糙度在线测量系统及方法 |
CN108734142A (zh) * | 2018-05-28 | 2018-11-02 | 西南交通大学 | 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法 |
CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
CN113095195A (zh) * | 2021-04-03 | 2021-07-09 | 西北工业大学 | 一种基于表面形貌自特征的零件唯一识别方法 |
CN113095195B (zh) * | 2021-04-03 | 2023-04-07 | 西北工业大学 | 一种基于表面形貌自特征的零件唯一识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318249A (zh) | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 | |
CN102288613B (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
KR20210127199A (ko) | 전자 디바이스의 신경망 기반의 물리적 상태 평가, 및 관련된 시스템 및 방법 | |
CN106733701B (zh) | 马铃薯多级联合智能缺陷检测系统及检测方法 | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
CN108332689A (zh) | 一种检测表面粗糙度和表面损伤的光学测量系统及方法 | |
CN101832926B (zh) | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 | |
CN109969736A (zh) | 一种大型运载皮带跑偏故障智能检测方法 | |
CN101634551A (zh) | 一种检测表面粗糙度的方法及其系统 | |
CN105043998B (zh) | 一种鉴别玉米单倍体的方法 | |
TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
CN101275824A (zh) | 一种大米粒型检测的方法 | |
Chen et al. | Structure-aware-based crack defect detection for multicrystalline solar cells | |
CN101793840A (zh) | 钻石切工参数测量方法及测量装置 | |
CN110110758A (zh) | 一种基于卷积神经网络的表面粗糙度分类方法 | |
CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
CN105300954A (zh) | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 | |
CN105319223A (zh) | 一种垩白米的检测方法和检测系统 | |
CN100449302C (zh) | 瓶装黄酒标注酒龄快速无损鉴别方法和装置 | |
CN104198398A (zh) | 一种基于高光谱成像鉴别阿胶的方法 | |
CN109241948A (zh) | 一种数控刀具视觉识别方法及装置 | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
CN107727013A (zh) | 基于支持向量回归机的表面粗糙度测量方法 | |
CN104990891A (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
CN204705581U (zh) | 汽车自动变速箱油品牌与品质快速检测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150128 |
|
WD01 | Invention patent application deemed withdrawn after publication |