研究目的
基于机器视觉研究一种利用小波变换和神经网络测量零件表面粗糙度的方法，无需预先掌握加工参数即可估算粗糙度参数。
研究成果
该研究成功开发了一种基于小波变换和神经网络的机器视觉系统，可同步估算多个表面粗糙度参数。针对铝材和铸铁材料，采用专用模型时系统展现出优异的计量性能，误差低于11%。研究表明该系统无需预先掌握加工参数即可实现表面粗糙度的在线监测，在性能上优于部分现有文献模型。
研究不足
模型性能随材料反射率变化而有所不同，对铝和铸铁表现出优异效果，但由于颜色和反射率的差异，对黄铜的效果较差。该系统需要均匀的照明条件且对噪声敏感。若无特定模型，跨材料的泛化能力可能有限。
1：实验设计与方法选择：
本研究采用机器视觉方法，结合图像处理算法、用于多分辨率表示的小波变换以及用于粗糙度参数估计的人工神经网络。研究方法包括采集表面图像、提取纹理特征并建立预测模型。
2：样本选择与数据来源：
从三种材料（6061-T6铝合金20件、70/30黄铜18件、铸铁18件）加工了58个圆柱形工件。样本在受控切削条件下通过车床加工完成。
3：0件、70/30黄铜18件、铸铁18件）加工了58个圆柱形工件。样本在受控切削条件下通过车床加工完成。 实验设备与材料清单：
3. 实验设备与材料清单：设备包括Darbert db-1660s车床、Mitutoyo SJ-400粗糙度轮廓仪、佳能EOS T1i CCD相机及MATLAB软件；材料包含铝、黄铜和铸铁工件。
4：实验流程与操作步骤：
使用CCD相机采集图像并进行数字化处理，通过小波变换分解图像后提取梯度因子、纹理周期、统计参数等特征，利用这些特征训练和验证神经网络以估计粗糙度参数（Ra、Rq、Rz、Rp、Rt）。
5：数据分析方法：
通过计算触针测量值与视觉估计值的粗糙度参数相关系数、采用均方误差评估神经网络性能，并与文献模型进行对比分析。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
CCD Camera
EOS T1i
Canon
Capturing surface images for vision-based roughness estimation
-
Lathe
db-1660s
Darbert
Machining cylindrical workpieces for sample preparation
-
Roughness Profilometer
SJ-400
Mitutoyo
Measuring surface roughness parameters as reference values
-
Cutting Tool
ISO CPGT09T308HP KC5410
Machining samples with specific cutting conditions
-
Software
MATLAB
Neural network design and image processing using Neural Network Toolbox
-
Roughness Analysis Program
SURFPAK-SJ
Digital processing of roughness measurements according to ISO-4287 standard
-
登录查看剩余4件设备及参数对照表
查看全部
