基于多分類支持向量機的磨削表面粗糙度等級識別方法
【專利摘要】本發明公開了一種基于多分類支持向量機的磨削表面粗糙度等級識別方法，包括以下步驟：(1)通過搭建的光學測量系統，獲取不同等級粗糙度樣塊的散射圖像；(2)在DSP平臺中提取圖像的各種特征參數作為訓練樣本和測試樣本；(3)選擇合適的分類算法，由于樣塊種類多于兩類，選擇“一對一”的多分類算法；(4)采用遺傳算法，實現支持向量機最優參數的自動選取；(5)建立多分類支持向量機模型，利用測試集對建立的模型進行準確率檢測。本發明利用DSP芯片提高了識別速度，降低了開發成本；采用支持向量機對粗糙度等級進行識別，平均識別率高，有效解決了工業現場對工件粗糙度等級識別準確性不高的問題。
【專利說明】[0001] 基于多分類支持向量機的磨削表面粗糙度等級識別方法
【技術領域】
[0002] 本發明涉及一種基于多分類支持向量機的磨削表面粗糙度等級識別方法。
【背景技術】
[0003] 表面粗糙度是評定工件表面質量的一個重要指標，影響工件的壽命和使用性能。 隨著機械加工自動化程度的提高，很多零件由抽檢改為必檢，對表面粗糙度在線測量提出 了越來越高的要求，因此生產過程中實時檢測表面粗糙度越來越受到重視。傳統觸針法要 控制測量力的大小，既要保證測頭與表面始終接觸，又不能因此劃傷工件表面和磨損測頭。 光學法因其具有高靈敏度、非接觸測量等優點，近年來得到了迅速的發展，其中使用最為廣 泛的是基于光散射原理的測量方法。機器視覺技術的飛速發展，為粗糙度檢測提供了一個 新思路。在表面粗糙度檢測的應用領域里，機器視覺技術得到了廣泛的應用。
[0004] 基于光學散射原理測量表面粗糙度的研究方法較多。Brodmann等提出了光學散 射特征值來表征被測物體表面上反射光和散射光的離散程度。Wang等使用該參數，采用遠 心光路，研制了表面粗糙度測量儀器。馮利等利用散射特征值，設計了光盤表面粗糙度在線 檢測系統。但這種方法的測量裝置比較復雜，必須保證光電二極管陣列位于同一平面，而且 計算時僅使用了一條線上的光電信息。郭瑞鵬等針對晶圓的加工展開了一系列研究，采用 機器視覺與光散射原理相結合的方法，通過對光散射二維圖像的處理，提取特征參數，分別 建立神經網絡模型和支持向量回歸機模型預測表面粗糙度。然而，此系統是基于PC開發 的，不利于車間現場使用，且難以滿足實時性要求。
【發明內容】
[0005] 為了克服上述現有技術的不足，本發明提供了一種基于多分類支持向量機的磨削 表面粗糙度等級識別方法。
[0006] 本發明所采用的技術方案主要包含以下幾個步驟： (1) 通過搭建的光學測量系統，獲取不同等級粗糙度樣塊的散射圖像； (2) 在DSP平臺中提取圖像的特征參數，包括整幅圖像分布的方差、灰度分布的均方 根等作為訓練樣本和測試樣本； (3) 選擇合適的分類算法，由于樣塊種類多于兩類，選擇"一對一"的多分類算法； (4) 采用遺傳算法，實現支持向量機最優參數的自動選取； (5) 建立多分類支持向量機模型，并利用測試集對建立的模型進行準確率檢測，若沒 達到要求，則重復第（2)、（3)、（4)步，獲得新的支持向量機分類模型，直到達到最佳分類性 能。
[0007] 與現有技術相比，本發明的有益效果是： 利用DSP芯片在信號處理中的優勢，提高了識別速度，降低了開發成本，便于現場使 用；采用支持向量機對粗糙度等級進行識別，平均識別率高，有效解決了工業現場對工件粗 糙度等級識別的準確性要求高的問題。
【專利附圖】
【附圖說明】
[0008] 圖1是本發明中的基于多分類支持向量機的磨削表面粗糙度等級識別流程圖。
[0009]圖2為本發明中的磨削粗糙度樣塊采集的圖像。
[0010] 圖3為本發明中的DSP平臺硬件系統原理框圖。
[0011] 圖4為本發明中的基于遺傳算法的支持向量機模型參數優化流程圖。
【具體實施方式】
[0012] 現結合附圖，對本發明進一步具體說明。
[0013] 圖1是本發明的基于多分類支持向量機的磨削表面粗糙度等級識別流程圖。下面 結合流程圖對基于多分類支持向量機的磨削表面粗糙度等級識別進行詳細的說明： (1) 通過搭建的光學測量系統，獲取不同等級粗糙度樣塊的散射圖像； (2) 在DSP平臺上提取圖像的特征參數，包括整幅圖像分布的方差、灰度分布的均方 根等作為訓練樣本和測試樣本； (3) 選擇合適的分類算法，由于樣塊種類多于兩類，選擇"一對一"的多分類算法； (4) 采用遺傳算法，實現支持向量機最優參數的自動選取； (5) 建立多分類支持向量機模型，并利用測試集對建立的模型進行準確率檢測，若沒 達到要求，則重復第（2)、（3)、（4)步，獲得新的支持向量機分類模型，直到達到最佳分類性 能。
[0014] 上述步驟（1)所提及的粗糙度樣塊散射圖像如圖2所示，在采集系統中，選擇波長 632. 8nm，輸出功率為3mW的氦氖激光器作為光源，發出直徑為0. 6mm的準直高斯光束，光束 通過45°分光鏡垂直入射到工件表面，產生的反射和散射光束再通過分光鏡在毛玻璃屏上 成像。工業相機將毛玻璃屏上的圖像實時拍攝下來，從工件表面反射出來的散射光會因工 件表面形貌不同而呈現出不同的亮度和分布。實驗中，分別選取表面輪廓算術平均偏差Ra 為0. 1 /?*、0. 2 /?*、0. 4 /?*、0. 8 的磨削粗糙度標準樣塊作為研究對象。
[0015] 上述步驟（2)所提及的DSP平臺硬件系統原理框圖如圖3所示，攝像機選用100萬 像素工業相機，FIFO的作用是完成圖像的緩存，避免低速的攝像機和高速的DSP進行直接 數據交換，SDRAM是一種速度較快的外存，容量是64M字節，DSP計算時使用到的空間就分配 在SDRAM上，Flash用于燒錄程序，容量為IM字節，用戶將程序固化在Flash中，系統上電 后從Flash中加載程序并啟動，USB芯片使DSP可以與PC通訊，并且實現圖像的高速傳輸。
[0016] 上述步驟（2)所提及的圖像特征參數的名稱及符號如表一所示，采集的圖像為表 面散射圖像，表面散射光呈現以反射光斑為中心的散射光帶分布，狹長散射光帶的幾何中 心最為明亮，并在狹長延伸及其垂直方向上呈現軸對稱，為了方便描述，引用數學中對橢圓 長短軸的定義來定義狹長散射光帶的長短軸，散射光帶主方向為長軸，與其垂直的方向為 短軸。
[0017] 表一：圖像特征參數的名稱及符號_
【權利要求】
1. 基于多分類支持向量機的磨削表面粗糙度等級識別方法，其特征在于：其實現步驟 如下： (1) 通過搭建的光學測量系統，獲取不同等級粗糙度樣塊的散射圖像； (2) 在DSP平臺上提取圖像的特征參數，包括整幅圖像分布的方差、灰度分布的均方 根等作為訓練樣本和測試樣本； (3) 選擇合適的分類算法，由于樣塊種類多于兩類，選擇"一對一"的多分類算法； (4) 采用遺傳算法，實現支持向量機最優參數的自動選取； (5) 建立多分類支持向量機模型，并利用測試集對建立的模型進行準確率檢測，若沒 達到要求，則重復第（2)、（3)、（4)步，獲得新的支持向量機分類模型，直到達到最佳分類性 能。
2. 根據權利要求1所述的基于多分類支持向量機的磨削表面粗糙度等級識別方法，其 特征在于：步驟（2)中所述的圖像特征參數是基于所采集的表面散射圖像，表面散射光呈 現以反射光斑為中心的散射光帶分布，狹長散射光帶的幾何中心最為明亮，并在狹長延伸 及其垂直方向上呈現軸對稱，為了方便描述，引用數學中對橢圓長短軸的定義來定義狹長 散射光帶的長短軸，散射光帶主方向為長軸，與其垂直的方向為短軸。
3. 根據權利要求1所述的基于多分類支持向量機的磨削表面粗糙度等級識別方法，其 特征在于：步驟（3)中所述的"一對一"多分類算法，是對η類中的每兩類構造一個子分類 器，需要構造η(η-1)/2個分類器，每個分類器都對其類別進行判斷，并對所屬的類別投上 一票，得票最多的類別即為所屬的類別，訓練過程中選擇徑向基核函數。
4. 根據權利要求1所述的基于多分類支持向量機的磨削表面粗糙度等級識別方法，其 特征在于：步驟（4)中所述的遺傳算法步驟如下： (1) 初始化：隨機初始化種群，選擇二進制編碼方式，將懲罰參數c和核函數參數》 進行二進制編碼，編碼后的和#形成染色體，設置種群數量W和最大遺傳代數M; (2) 適應度估計：將染色體解碼，得到懲罰因子e和核函數參數#，將訓練樣本分成 i：組，每個子集數據分別做一次驗證集，其余的組做訓練集，得到i個模型，分別對相應的 驗證集進行分類并計算分類準確率，將i個模型的分類準確率的平均值作為個體適應度的 估計值； (3) 遺傳操作：選擇、交叉和變異，在所有個體中，選擇某些比例適應度比較大的個體 保留下來，其余的通過交叉，變異等操作，產生下一代； (4) 判斷是否達到最大迭代次數，如果達到了就停止搜索，輸出最優的e和以及 最佳的分類準確率；否則就進入第二步，繼續搜索。
【文檔編號】G06K9/62GK104318249SQ201410570364
【公開日】2015年1月28日 申請日期:2014年10月23日 優先權日:2014年10月23日
【發明者】于德介, 劉奇元, 王翠亭, 李星 申請人:劉奇元