基于宽度学习的铣削表面粗糙度等级检测_方润基.pdf

年 月第 卷 第 期机床与液压 .：.本文引用格式：方润基，易怀安，王帅，等基于宽度学习的铣削表面粗糙度等级检测机床与液压，（）：，（）：收稿日期：基金项目：国家自然科学基金地区科学基金项目（）；广西研究生创新项目（）；桂林理工大学博士启动基金（）作者简介：方润基（），男，硕士研究生，研究方向为机器视觉。：.。通信作者：易怀安（），男，副教授，研究方向为机器视觉。：.。基于宽度学习的铣削表面粗糙度等级检测方润基，易怀安，王帅，牛依伦（桂林理工大学机械与控制工程学院，广西桂林）摘要：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。关键词：宽度学习；特征自提取；快速评判；粗糙度检测中图分类号：，（，）：，：；前言在现代精密制造工业中，对零件的粗糙度检测不但精度要求较高，而且希望能够实现在线检测。传统检测技术难以满足在线要求。而机器视觉测量是基于光学成像原理的测量方法，通过工业相机采集图像，然后对图像提取与表面粗糙度参数相关联的特征指标，进而预测已知图像特征指标值对应的未知表面粗糙度，其测量过程易于自动化且效率高，可支持在线测量。在利用图像灰度值信息提取图像特征方面，等以 系列指标作为支持向量机的输入，构建了测量深孔表面粗糙度的 模型。等提出了 个典型表征粗糙度的频谱特征，并将这些频谱特征输入神经网络预测铣削表面粗糙度。在利用图像彩色信息提取图像特征方面，易怀安等提出了基于 颜色空间的彩色图像清晰度评价算法，并构建了此类指标与粗糙度之间的关系模型。赵欣佳等提出了一种基于彩色图像整体颜色信息的奇异值熵评价磨削表面粗糙度的检测方法。由此可知，尽管基于机器视觉的粗糙度检测技术在不断地发展，但这些方法大多是利用图像灰度信息与色彩信息来进行统计分析，或需要人为设计图像评价指标。在无指标设计方面，等基于深度卷积神经网络方法对表面粗糙度进行了分类，可以在没有指标设计的情况下实现粗糙度检测。等提出一种利用卷积神经网络直接从表面纹理图像中评价表面粗糙度的方法。等针对螺旋齿轮表面提出了一种基于感兴趣区域（，）图像分割的粗糙度测量方法，通过设计一种感兴趣区域提取方法来提取有效区域，然后利用卷积神经网络（，）以 处理后的图像为输入来评估其粗糙度。这些研究虽然避免了人为设计特征指标，但训练神经网络模型及分类所需时间较长，并不适用于需要快速评判的在线检测场合。针对上述问题，本文作者提出一种基于宽度学习网络的铣削表面粗糙度分类方法。该方法能够自行提取特征，不需要人为设计特征指标，训练模型并获得分类结果速度较快，为视觉粗糙度测量提供了一种新的改进方法。宽度学习网络深度学习作为机器学习和人工智能最热门的研究热点之一，已经在许多领域得到了应用。但是，由于大部分深度学习网络结构都比较复杂，且涉及到大量的超参数，从而导致模型训练耗时过长。因此，以提高模型训练速度为目的的研究逐渐引起了人们的关注。其中，、提出的宽度学习（，）网络提供了一种深度学习网络的替代方法。宽度学习网络以随机向量函数链神经网络结构（，）为设计理念，合并 的隐藏层与输出层，最后得到只有输入层和输出层的宽度学习网络，其基本结构如图 所示。图 宽度学习网络基本结构.图 中：为输入数据，为特征节点，为增强节点，为输入层 与输出层 之间的连接权值。具体设计思路如下：首先将输入数据 进行特征映射得到随机特征，其中 是映射特征的数量，如式（）。（），（）式中：为映射函数；为随机权值矩阵；为随机偏置矩阵；为 组特征节点，合并得到的特征点集。然后将 进行特征增强得到增强节点，如式（）。（），（）式中：为增强函数；为随机权值矩阵；为随机偏置矩阵；为 组增强节点，并得到的增强点集。最后，宽度学习网络的算法可以表示为，（）式中：为总特征节点；为输入层 与输出层 之间的连接权值矩阵。取 ，式（）可表示为。根据岭回归近似广义逆计算，该网络简化为式（）：（）其中：为正则化系数。使用正则化可以防止函数过拟合，进而增强泛化能力。试验文中的试验流程如图 所示。主要分为 个部分：制备试验样块、获取表面图像、数据预处理与数据集划分、试验参数设置、试验分析与比较。图 试验流程.制备试验样块此试验的铣削样块由 数控机床加工而成（图），铣刀型号，铣削深度.，进给速度 ，转速 ，材料 钢，规格 ，粗糙度范围.，数量为，用表面轮 廓粗糙度仪 对表面进行 次均匀分布测量得到表面粗糙度。材料和加工参数详见表。图 加工中心（）和盘铣刀（）.（）（）第 期方润基 等：基于宽度学习的铣削表面粗糙度等级检测 表 材料和加工参数.项目内容试验材料 钢规格 粗糙度范围.粗糙度测量仪器表面轮廓粗糙度仪 数量数控机床铣刀型号铣削深度 进给速度 转速 .获取表面图像为了获取更多的铣削表面粗糙度细节，被测样块平放于测量平台上，相机光轴与被测表面垂直。在试验过程中，样块与光源的相对位置保持不变，相机距离测量平台，光照强度为。试验装置见图。图 试验装置.数据预处理与样本划分为检验 模型的检测性能，类比工程制图.、.、.、.的等级划分方法，将 个不同粗糙度的铣削样块划分为 个粗糙度等级，分别为.、.、.、.、.，每个等级有 个样块。从每个等级中取 个样块作为训练样块，其余 个作为测试样块。由于原图尺寸太大，将每张图像中铣削样块所在的区域裁剪为 个相等且互不重叠的区域（见图），得到一个包含 张铣削表面图像的数据集，训练集与测试集划分比例为 。图 原图（）与裁剪图（）.（）（）为了增强网络的泛化能力，提高模型的可靠性，对训练集进行数据增强，采用的数据增强方法有调整亮度、调整对比度、平移、旋转、调整饱和度、调整色相等，部分效果如图 所示。数据预处理后的样本分类与数量统计见表。图 数据增强部分效果.：（）；（）；（）表 数据预处理后样本的分类和数量统计.粗糙度 合计训练集 个 测试集 个尺寸 像素.试验参数设置.模型的参数设置宽度学习网络受到其结构参数的显著影响。因此，为了分析并提高模型性能，首先通过正交试验进行参数的显著性分析，然后采用控制变量法来寻找最优参数组合。在文献，中，表示正则化系数，表示收缩系数，表示映射层每个窗口内的节点数，表示映射层窗口数，表示增强节点数。其中，文献发现宽度学习网络的分类性能在很大程度上取决于、和 这 个参数的选择。因此，采用正交试验来分析参数、和 对 模型的显著性影响。试验结果如图 所示，当 、时，曲线（）弯曲幅度最大，曲线（）次之，曲线（）最为平缓。因此，各参数对准确率的影响程度从大到小排列为：。最后，以正交试验结果为参考并通过多次预试验，最终取、，.。机床与液压第 卷图 因素扰动图.对比试验的参数设置为了评价 模型对铣削表面粗糙度的识别性能，设计了以下对比试验：（）采取传统机器学习与人为设计指标相结合的方法，将文献的 个典型表征铣削表面粗糙度的频谱特征 输入 （）多 分 类 器 （）进行铣削表面粗糙度分类检测，模型参数如表 所示。表 参数设置.编码学习权重核心函数先验概率（）选取深度学习经典图像分类算法的，导入表 的数据进行训练与测试，模型参数如表 所示。表 参数设置.批量大小训练周期优化器学习率.试验结果分析与模型评价.试验结果分析在此试验中，训练集与测试集划分比例为 ，经过数据预处理后，训练集样本数量为 ，测试集为 （表）。将数据集在第.节提供的参数下对各个模型进行对比试验，试验结果如表 所示。表 各模型试验结果.模型准确率 训练时间 从表 可以看出：的分类效果远远低于 和，准确率仅为.，说明该方法在人为设计图像特征指标的过程中丢失了很多图像信息，从而导致模型分类效果不佳；同时，尽管 的训练时间低于其他两个模型，但是人为设计指标的过程不仅需要花费大量时间，且计算过程复杂，这进一步降低了该方法的可行性。其次，从表 中还可以看到：虽然准确率较高，达到了.，且不用人为设计图像指标，但模型训练极其耗时，整个训练过程共耗时 ，是 模型的.倍。与前面两个模型相比，模型在铣削表面粗糙度等级检测中表现出快速且高精度的优秀性能：准确率高达.，比 高出了.，与 相近；模型训练耗时.，仅为 的。这证明了 铣削表面粗糙度等级检测模型不仅能自行提取特征，在精度和训练时间上同样有着较为优秀的表现。.模型评价（）为了进一步验证 铣削表面粗糙度等级检测模型的可靠性，通过可视化预测结果的混淆矩阵（）来评价 模型以及另外两个对比模型的识别精度，如图 所示。其中，混淆矩阵的主对角线上的每个值代表正确分类到每个测试类别中的测试样本数量，颜色越深表示数量越多。图 各个模型的混淆矩阵.：（）；（）；（）比较图 可以发现：在对铣削表面粗糙度数据集进行预测时，第 类的分类精度较高，其余类别的分类精度远低于第 类；在使用 预测时，在、类上都实现了 分类精度，其第 期方润基 等：基于宽度学习的铣削表面粗糙度等级检测 他类别与最优结果的差异很小；类似地，模型在、类上实现了 分类精度，且在其他类别中达到了次优 分 类。以 上 分 析 结 果 表 明，与的总分类准确率均达到了较高的水平且相差不大，而 与前两者的差距较大。（）由于以上分析结果只反映了各个模型的分类精度，本文作者采用 曲线和 来评价模型的泛化能力以及对样本的排序能力，结果如图 所示。图 各个模型的 曲线与 值.：（）；（）；（）在图 中，到 曲线，分别按照顺序对应 第 类 到 第 类。对 比 图 可 以 发 现：所有 曲线都很接近图的左上角，平均 为，说明 有着优秀的泛化能力，对样本有着强大的排序能力。与 相比，虽然 的、线略微偏离了左上角，但其他 类的 曲线、与 相近，平均 也达到了.，说明 模型尽管比不上，但同样有着良好的泛化能力与样本排序能力。与前两者相比，的泛化能力与样本排序能力最弱，尤其 是 线 有 着 较 为 明 显 的 偏 离。因 此，的泛化能力与样本排序能力最好，其次是 模型，最后是。表 为各模型的性能对比。综上所述，基于深度学习的 凭借复杂的网络结构拥有着更为灵活强大的非线性拟合能力。网络越深，学习到的特征越复杂，输出特征的区分度也会越来越大。但是，网络层数越多也意味着模型训练速度越慢。表 各模型性能对比.泛化能力 样本排序能力 训练时间 此外，由于反向传播，必须保存所有 的输出，内存消耗也会增大。因此，从表 和表 可以看出：基于深度学习的 在此试验中虽然表现出最优秀的泛化能力与样本排序能力，但其模型训练时间也是最长的，是 的.倍。相对于深度学习网络结构来说，宽度学习网络结构由于没有层与层之间的耦合而非常简洁。同样，由于没有多层连接，宽度网络亦不需要利用梯度下降来更新权值，所以 的计算速度大大优于深度学习，模型训练耗时仅为 的。但也因为宽度学习简单的网络结构，其非线性拟合能力与深度学习相比有着一定的差距，所以 模型的泛化能力与样本排序能力也比不上深度学习。因此，宽度学习适用于数据特征不多但对预测实时性要求较高的系统。结论提出一种基于宽度学习的铣削表面粗糙度等级检测方法，分类准确率达到.，训练时间仅为.。通过与基于频谱指标的 模型和基于深度学习的 模型进行对比试验，发现 模型在以下方面表现出了极大优势：（）与人为设计指标相比，模型能自动提取特征，无需人为设计特征，简化计算过程。（）与深度学习相比，模型在训练速度方面明显优于现有的深度学习方法且有着较高的检测精度。宽度学习网络还可以引入增量学习算法来加快模型更新速度。在未来的研究中，将进一步研究增量学习算法对 铣削表面粗糙度模型检测精度的影响。参考文献：，（）：，机床与液压第 卷 ，（）：易怀安，刘坚，路恩会基于图像清晰度评价的磨削表面粗糙度检测方法机械工程学报，（）：，（