基于多分类支持向量机的磨削表面粗糙度等级识别方法
【专利摘要】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。
【专利说明】[0001] 基于多分类支持向量机的磨削表面粗糙度等级识别方法
【技术领域】
[0002] 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】
[0003] 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。
[0004] 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】
[0005] 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。
[0006] 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。
[0007] 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。
【专利附图】
【附图说明】
[0008] 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。
[0009]图2为本发明中的磨削粗糙度样块采集的图像。
[0010] 图3为本发明中的DSP平台硬件系统原理框图。
[0011] 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】
[0012] 现结合附图，对本发明进一步具体说明。
[0013] 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。
[0014] 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。
[0015] 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IM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。
[0016] 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。
[0017] 表一：图像特征参数的名称及符号_
【权利要求】
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η类中的每两类构造一个子分类 器，需要构造η(η-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c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W和最大遗传代数M; (2) 适应度估计：将染色体解码，得到惩罚因子e和核函数参数#，将训练样本分成 i：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i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i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e和以及 最佳的分类准确率；否则就进入第二步，继续搜索。
【文档编号】G06K9/62GK104318249SQ201410570364
【公开日】2015年1月28日 申请日期:2014年10月23日 优先权日:2014年10月23日
【发明者】于德介, 刘奇元, 王翠亭, 李星 申请人:刘奇元