CN107727013A - 基于支持向量回归机的表面粗糙度测量方法 - Google Patents
基于支持向量回归机的表面粗糙度测量方法 Download PDFInfo
- Publication number
- CN107727013A CN107727013A CN201710958425.7A CN201710958425A CN107727013A CN 107727013 A CN107727013 A CN 107727013A CN 201710958425 A CN201710958425 A CN 201710958425A CN 107727013 A CN107727013 A CN 107727013A
- Authority
- CN
- China
- Prior art keywords
- surface roughness
- support vector
- vector regression
- axis direction
- measuring method
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于支持向量回归机的表面粗糙度测量方法,包括:获取不同粗糙度样块的光散射分布图像;从散射图像中提取特征参数,包括散射特征参数以及亮点比和亮点灰度比;将样本集分为训练集和测试集,并选择回归算法与核函数;选取对应于训练样本的参数;建立支持向量回归机模型,并用测试样本测试该模型的精确度,得到最优模型;实际测量时,获取散射图像提取特征参数,利用最优模型得到被测工件的表面粗糙度。本发明适用于各种测量场合和测量对象,能够准确的得到工件表面粗糙度的具体数值,测量精度高,测量速度快,并且采用Java和Matlab混合编程,可移植,降低了开发成本。
Description
技术领域:
本发明涉及一种基于支持向量回归机的表面粗糙度测量方法,尤其适用于磨削加工过程中金属表面质量检测。
背景技术:
表面粗糙度是评定工件表面质量的重要参数,影响着工件的使用性能和寿命。目前工业中用于测量表面粗糙度的方法大概可以分为接触式和非接触式两种。接触式的测量方法一般是使用测头接触表面进行测量,容易造成划痕等表面损伤和测头的磨损;非接触式的测量方法又可以分为超声波、声发射和光学方法等,不会对表面造成损伤,目前得到了广泛的应用。其中,基于光散射原理的测量方法具有灵敏度高、结构简单、对环境要求不高等特点,适用于工业环境下的在线测量。近些年来,机器视觉技术也被应用于表面粗糙度的测量中。
吴春亚等利用机器视觉系统采集工件表面经过显微镜所成的图像,并利用BP神经网络获得了磨削表面的表面粗糙度。该方法需要使用显微镜,且对光源的要求比较高,不太适用于工业现场的测量。于德介等利用不同粗糙度的散射图像,建立多分类支持向量机模型,实现了磨削表面粗糙度等级的识别。然而,这种方法只能识别出粗糙度的等级信息,不能获得具体的粗糙度数值。
发明内容:
发明目的:为了克服上述现有技术的不足,本发明目的在于提供一种基于支持向量回归机的表面粗糙度测量方法,以获得工件表面粗糙度的具体数值。
技术方案:本发明为实现上述目的,所采用的技术方案为:
基于支持向量回归机的表面粗糙度测量方法,包括如下步骤:
(1)通过准直激光束斜射到工件表面,使用相机拍摄携带有表面粗糙度信息的反射和散射光空间分布图像,获取不同粗糙度标准样块的散射图像;
(2)从步骤(1)中获取的每幅散射图像中提取特征参数作为样本集;所述特征参数包括散射特征参数、亮点比和亮点灰度比,所述散射特征参数包括长轴方向平均方差和短轴方向平均标准差,其中长轴方向为散射图像中狭长光带的主方向,短轴方向为与长轴垂直的方向;
(3)将样本集分为测试样本集和训练样本集,并选择支持向量机的算法和核函数;
(4)选取对应于训练样本集的支持向量回归机模型参数;
(5)建立支持向量回归机模型,并用测试样本测试该模型的精确度,若没有达到符合要求的精确度,则重复(3)、(4)、(5)步骤,直到精度达到要求,得到最优模型;
(6)实际测量时,获取散射图像并提取特征参数,根据最优模型即可得到被测工件的表面粗糙度数值。
作为优选,步骤(1)中准直激光束以设定角度的入射角斜射到工件表面,在设定角度的反射方向上放置高度与激光器高度一致的毛玻璃屏,使用相机拍摄毛玻璃屏上的散射图像。
作为优选,所述长轴方向平均方差为首先对平行于短轴方向上各条线的灰度值求平均,得到沿长轴方向的一系列平均值求方差;短轴方向平均标准差为首先对平行于长轴方向上各条线的灰度值求平均,得到沿短轴方向的一系列平均值求标准差。
作为优选,所述亮点比是指高于阈值的亮点数与采样点总数的比值;所述亮点灰度比是指高于阈值的亮点灰度值与整个图像灰度值之和的比值。
作为优选,从散射图像中提取特征参数使用Matlab语言实现,并转换成Jar包以供Java程序使用,支持向量回归机模型的训练和测试使用Java语言实现。
作为优选,步骤(3)中选择epsilon-SVR算法和RBF函数分别为支持向量机的算法和核函数。
作为优选,步骤(4)中参数包括RBF核函数中的γ参数,惩罚系数C和epsilon-SVR的损失函数中的epsilon值p。
有益效果:与现有技术相比,本发明的有益效果体现在:
1)基于激光散射的原理构建了相对简单的测量系统,适用于各种测量环境和测量对象,并且能够实现在线检测;2)从散射图像中提取出长轴方向平均方差、短轴方向平均标准差、亮点比和亮点灰度比等有效的特征参数,并采用支持向量回归机建立模型,能够准确的得到工件表面粗糙度的具体数值而不是一个范围,提高了测量的精度,同时代码运行速度较快,提高了测量的速度;3)采用Java和Matlab混合编程的方式,整合了Java跨平台、可移植、高性能的优势以及Matlab图像处理方便、功能齐全等优点。这种方式可以将程序移植到各个平台上使用,方便用于现场以及测量仪器的开发,降低成本。
附图说明:
图1基于支持向量回归机的表面粗糙度测量方法流程图。
图2不同粗糙度对应的光散射分布图。
具体实施方式:
下面结合附图对本发明进一步具体说明。
如图1所示,本发明实施例公开的一种基于支持向量回归机的表面粗糙度的测量方法,主要包括如下步骤:
(1)通过准直激光束斜射到工件表面,使用相机拍摄携带有表面粗糙度信息的反射和散射光空间分布图像,获取不同粗糙度标准样块的散射图像。本步骤中可通过搭建的测量系统,获取不同粗糙度数值对应的空间光散射分布图像。本步骤的测量系统包括激光器、毛玻璃屏和相机,选择波长为632.8nm的半导体准直激光器作为光源,发出准直光束,以一定的角度,如30°,的入射角斜射到被测工件表面;30°的反射方向上放置一毛玻璃屏,其高度与激光器高度一致,采集携带有表面粗糙度信息的反射和散射光空间分布;使用500万像素的工业相机拍摄散射图像。
相机拍摄到的空间光散射分布图像如图2所示,是以反射光点为中心在空间所形成的呈带状分布的散射图像。为了描述的方便,引用数学中对椭圆长短轴的定义,定义狭长光带的主方向为长轴,与其垂直的方向为短轴。图2中(a)-(f)六幅图像表面粗糙度数值分别为0.025μm、0.05μm、0.1μm、0.2μm、0.4μm和0.8μm。
(2)从步骤(1)中获取的每幅散射图像中提取特征参数作为样本集。对散射图像进行处理,提取特征参数,包括散射特征参数长轴方向平均方差Sp、短轴方向平均标准差Sda,以及亮点比BPR、亮点灰度比BGR。其中,散射特征参数Sp为首先对平行于短轴方向上各条线的灰度值求平均,得到沿长轴方向的一系列平均值求方差;Sda为首先对平行于长轴方向上各条线的灰度值求平均,得到沿短轴方向的一系列平均值求标准差;亮点比BPR是指高于阈值的亮点数与采样点总数的比值;亮点灰度比BGR是指高于阈值的亮点灰度值之和与整个图像灰度值之和的比值。
本步骤中对散射图像的处理使用matlab实现,并且生成对应的Jar包以供Java训练和测试回归模型。
(3)将样本集分为测试样本集和训练样本集,并选择支持向量机的算法和核函数。本步骤中,随机抽取样本,将样本分成训练集和测试集,其中训练集为120组,测试集为24组。选择epsilon-SVR算法为支持向量机的算法,RBF(Radial Basis Function)函数为支持向量机的核函数,函数形式为:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0
其中,K(xi,xj)表示的是空间中任一点xi到某一中心xj之间欧氏距离的单调函数;xi是空间中任一点;xj空间的中心。如果xi和xj很相近,那么核函数值为1;如果xi和xj相差很大,那么核函数值约等于0。
(4)选取对应于训练样本的支持向量回归机模型参数;本步骤所述的参数选优是通过交叉验证选取最优的参数,最优参数是对应于RBF核函数中的γ参数以及惩罚系数C和epsilon-SVR的损失函数中的epsilon值p。实现时可直接使用现有的工具,如LibSVM。
(5)建立支持向量回归机模型,并用测试样本测试该模型的精确度,若没有达到符合要求的精确度,则重复(3)、(4)、(5)步骤,直到精度达到要求得到最优模型。
本步骤所述的模型建立及其测试是通过Java程序实现,精度可达到99.88%,预测的平均相对误差为3.06%。预测结果如表1所示。
表1.支持向量回归机模型预测结果
(6)实际测量时,利用实验系统测量散射图像并提取特征参数,根据训练好的最优支持向量回归机模型即可得到被测工件的表面粗糙度数值。
Claims (7)
1.基于支持向量回归机的表面粗糙度测量方法,其特征在于:包括如下步骤:
(1)通过准直激光束斜射到工件表面,使用相机拍摄携带有表面粗糙度信息的反射和散射光空间分布图像,获取不同粗糙度标准样块的散射图像;
(2)从步骤(1)中获取的每幅散射图像中提取特征参数作为样本集;所述特征参数包括散射特征参数、亮点比和亮点灰度比,所述散射特征参数包括长轴方向平均方差和短轴方向平均标准差,其中长轴方向为散射图像中狭长光带的主方向,短轴方向为与长轴垂直的方向;
(3)将样本集分为测试样本集和训练样本集,并选择支持向量机的算法和核函数;
(4)选取对应于训练样本集的支持向量回归机模型参数;
(5)建立支持向量回归机模型,并用测试样本测试该模型的精确度,若没有达到符合要求的精确度,则重复(3)、(4)、(5)步骤,直到精度达到要求,得到最优模型;
(6)实际测量时,获取散射图像并提取特征参数,根据最优模型即可得到被测工件的表面粗糙度数值。
2.根据权利要求1所述的基于支持向量回归机的表面粗糙度测量方法,其特征在于:步骤(1)中准直激光束以设定角度的入射角斜射到工件表面,在相应角度的反射方向上放置高度与激光器高度一致的毛玻璃屏,使用相机拍摄毛玻璃屏上的散射图像。
3.根据权利要求1所述的基于支持向量回归机的表面粗糙度测量方法,其特征在于:所述长轴方向平均方差为首先对平行于短轴方向上各条线的灰度值求平均,得到沿长轴方向的一系列平均值求方差;短轴方向平均标准差为首先对平行于长轴方向上各条线的灰度值求平均,得到沿短轴方向的一系列平均值求标准差。
4.根据权利要求1所述的基于支持向量回归机的表面粗糙度测量方法,其特征在于:所述亮点比是指高于阈值的亮点数与采样点总数的比值;所述亮点灰度比是指高于阈值的亮点灰度值与整个图像灰度值之和的比值。
5.根据权利要求1所述的基于支持向量回归机的表面粗糙度测量方法,其特征在于:从散射图像中提取特征参数使用Matlab语言实现,并转换成Jar包以供Java程序使用,支持向量回归机模型的训练和测试使用Java语言实现。
6.根据权利要求1所述的基于支持向量回归机的表面粗糙度测量方法,其特征在于:步骤(3)中选择epsilon-SVR算法和RBF函数分别为支持向量机的算法和核函数。
7.根据权利要求6所述的基于支持向量回归机的表面粗糙度测量方法,其特征在于:步骤(4)中参数包括RBF核函数中的参数,惩罚系数C和epsilon-SVR 的损失函数中的epsilon值p。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710958425.7A CN107727013A (zh) | 2017-10-16 | 2017-10-16 | 基于支持向量回归机的表面粗糙度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710958425.7A CN107727013A (zh) | 2017-10-16 | 2017-10-16 | 基于支持向量回归机的表面粗糙度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107727013A true CN107727013A (zh) | 2018-02-23 |
Family
ID=61211536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710958425.7A Pending CN107727013A (zh) | 2017-10-16 | 2017-10-16 | 基于支持向量回归机的表面粗糙度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107727013A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759648A (zh) * | 2018-04-09 | 2018-11-06 | 中国科学院电子学研究所 | 基于机器学习的探地雷达检测方法 |
CN110110758A (zh) * | 2019-04-15 | 2019-08-09 | 南京航空航天大学 | 一种基于卷积神经网络的表面粗糙度分类方法 |
CN110174356A (zh) * | 2019-04-23 | 2019-08-27 | 南京航空航天大学 | 一种透明窗模拟装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268565A (zh) * | 2014-09-05 | 2015-01-07 | 中国人民解放军63620部队 | 基于回归学习的景象匹配区选取方法 |
CN104318249A (zh) * | 2014-10-23 | 2015-01-28 | 刘奇元 | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 |
-
2017
- 2017-10-16 CN CN201710958425.7A patent/CN107727013A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268565A (zh) * | 2014-09-05 | 2015-01-07 | 中国人民解放军63620部队 | 基于回归学习的景象匹配区选取方法 |
CN104318249A (zh) * | 2014-10-23 | 2015-01-28 | 刘奇元 | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 |
Non-Patent Citations (3)
Title |
---|
唐天同: "《高等电子光学》", 31 March 1996, 北京理工大学出版社 * |
张楠 等: "一种基于光散射原理在线测量晶圆表面质量的方法", 《传感器与微系统》 * |
郭瑞鹏: "基于激光散射的在线检测表面特性参数的理论分析和实验研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759648A (zh) * | 2018-04-09 | 2018-11-06 | 中国科学院电子学研究所 | 基于机器学习的探地雷达检测方法 |
CN110110758A (zh) * | 2019-04-15 | 2019-08-09 | 南京航空航天大学 | 一种基于卷积神经网络的表面粗糙度分类方法 |
CN110174356A (zh) * | 2019-04-23 | 2019-08-27 | 南京航空航天大学 | 一种透明窗模拟装置 |
CN110174356B (zh) * | 2019-04-23 | 2021-10-26 | 南京航空航天大学 | 一种透明窗模拟装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106949848A (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
CN108332689B (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 | |
CN105938620B (zh) | 一种小口径管内焊缝表面缺陷识别装置 | |
CN109900712B (zh) | 基于摄像测量的风电叶片机械故障在线检测系统及其方法 | |
CN104554341B (zh) | 检测轨道平顺度的系统和方法 | |
CN107727013A (zh) | 基于支持向量回归机的表面粗糙度测量方法 | |
CN111929309A (zh) | 一种基于机器视觉的铸造件外观缺陷检测方法及系统 | |
CN109969736A (zh) | 一种大型运载皮带跑偏故障智能检测方法 | |
CN102253049B (zh) | 带钢生产过程表面质量在线精准检测方法 | |
CN107064170A (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
CN103759676A (zh) | 一种工件表面粗糙度非接触式的检测方法 | |
CN101634551A (zh) | 一种检测表面粗糙度的方法及其系统 | |
CN105066915A (zh) | 模具曲面加工误差和表面粗糙度在机检测装置及检测方法 | |
CN106274979B (zh) | 钢轨磨耗自动检测装置 | |
CN111929314A (zh) | 一种轮毂焊缝视觉检测方法及检测系统 | |
CN107561091A (zh) | 一种斜射式实木板材表面裂纹的检测系统和检测方法 | |
CN108090896B (zh) | 木板平整度检测及其机器学习方法、装置及电子设备 | |
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 | |
CN101793840A (zh) | 钻石切工参数测量方法及测量装置 | |
CN107990850A (zh) | 一种基于激光散射法的表面粗糙度在线测量系统及方法 | |
CN106441107A (zh) | 钢轨磨耗自动检测方法 | |
CN106767452A (zh) | 一种木质产品宽度检测装置及其检测方法 | |
CN110110758A (zh) | 一种基于卷积神经网络的表面粗糙度分类方法 | |
CN104568990A (zh) | 一种基于Mie散射检测玻璃内部气泡缺陷的方法 | |
CN101865680A (zh) | 一种磁辊表面粗糙度测量系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |