隨著制造業(yè)的高速發(fā)展,粗糙度作為加工表面質(zhì)量的評(píng)判指標(biāo)之一,是檢測(cè)中不可或缺的部分,其直接影響到零件以后的性能和壽命,因此粗糙度的檢測(cè)對(duì)于制造業(yè)的發(fā)展具有重大的意義。傳統(tǒng)的粗糙度檢測(cè)技術(shù)已經(jīng)不能夠滿足智能快速的需要,特別是在大批量生產(chǎn)、粗糙度要求全檢的時(shí)候,因此許多國(guó)內(nèi)外學(xué)者多年來一直都致力于新檢測(cè)方法的研究。然而經(jīng)過不同的加工方式,零件表面的紋理會(huì)呈現(xiàn)不同的排布方式,磨削表面的紋理主要以隨機(jī)性為主,方向性不強(qiáng),這是磨削表面識(shí)別研究的一難點(diǎn)。多年來對(duì)于粗糙度檢測(cè)方法的研究,不同的檢測(cè)方法受限于自身的設(shè)備和環(huán)境的要求得不到相應(yīng)的應(yīng)用;在研究新檢測(cè)方法時(shí),對(duì)于提取的特征大都是建立粗糙度與表面紋理特征之間的線性關(guān)系,沒有從特征對(duì)于識(shí)別模型的重要性去分析;對(duì)于提取的特征值數(shù)量沒有合理的規(guī)劃,容易導(dǎo)致識(shí)別模型學(xué)習(xí)過于復(fù)雜和識(shí)別精度過低等問題。因此,本課題以磨削表面為研究對(duì)象,基于前面學(xué)者對(duì)于粗糙度識(shí)別特征的線性關(guān)系,從特征對(duì)模型識(shí)別精度的重要性和數(shù)量上分析,以BP神經(jīng)網(wǎng)絡(luò)模型為識(shí)別模型的識(shí)別方法。首先本文通過磨削實(shí)驗(yàn)和檢測(cè)實(shí)驗(yàn)獲取了5組不同粗糙度值的磨削表面圖像,由于圖片受獲取設(shè)備自身和環(huán)境的原... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：83 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)的粗糙度測(cè)量方法

研究具體研究安排如下所示：第一章，介紹了課題的研究背景和

實(shí)驗(yàn)的主要設(shè)備點(diǎn)光源XR20粗糙度測(cè)量?jī)x

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林的加權(quán)特征選擇算法[J]. 徐少成,李東喜.  統(tǒng)計(jì)與決策. 2018(18)
[2]具有去除椒鹽噪聲能力的改進(jìn)雙邊濾波算法[J]. 周航,韓權(quán).  北京交通大學(xué)學(xué)報(bào). 2017(05)
[3]車削零件表面粗糙度圖像法檢測(cè)優(yōu)選方法[J]. 陳曼龍,侯東明,王會(huì)江.  應(yīng)用光學(xué). 2017(02)
[4]基于RGB模型的蘋果葉片葉綠素含量估測(cè)[J]. 程立真,朱西存,高璐璐,李程,王凌,趙庚星,姜遠(yuǎn)茂.  園藝學(xué)報(bào). 2017(02)
[5]基于信息增益特征選擇的網(wǎng)絡(luò)異常檢測(cè)模型[J]. 劉汝雋,賈斌,辛陽.  計(jì)算機(jī)應(yīng)用. 2016(S2)
[6]基于激光散斑成像的零件表面粗糙度建模[J]. 陳蘇婷,胡海鋒,張闖.  物理學(xué)報(bào). 2015(23)
[7]基于BP神經(jīng)網(wǎng)絡(luò)的車削表面粗糙度檢測(cè)[J]. 閔莉,王哲,高龍飛,劉大任.  沈陽建筑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(05)
[8]基于不同加工方式工件表面粗糙度的圖像研究[J]. 許泓彧,郭克濤,祝成波.  光電技術(shù)應(yīng)用. 2015(01)
[9]基于顯微成像法的機(jī)加工零件表面質(zhì)量檢測(cè)[J]. 麥青群,全燕鳴.  現(xiàn)代制造工程. 2012(11)
[10]LBP和Tamura紋理特征方法融合的織物疵點(diǎn)分類算法[J]. 景軍鋒,張緩緩,李鵬飛,王靜.  計(jì)算機(jī)工程與應(yīng)用. 2012(23)

博士論文
[1]圖像去噪及其效果評(píng)估若干問題研究[D]. 楊成佳.吉林大學(xué) 2016
[2]基于智能算法的圖像去噪方法研究與應(yīng)用[D]. 范志勇.南京理工大學(xué) 2016
[3]面向醫(yī)學(xué)數(shù)據(jù)的隨機(jī)森林特征選擇及分類方法研究[D]. 姚登舉.哈爾濱工程大學(xué) 2016
[4]基于圖像灰度的自由曲面重構(gòu)算法研究[D]. 郝平.大連理工大學(xué) 2005

碩士論文
[1]偏微分方程在圖像去噪中的應(yīng)用[D]. 劉振宇.吉林大學(xué) 2018
[2]基于深度學(xué)習(xí)的圖像去噪算法研究[D]. 鄧正林.電子科技大學(xué) 2018
[3]基于HRV信號(hào)的壓力識(shí)別及特征對(duì)比分析[D]. 謝國(guó)強(qiáng).西南大學(xué) 2017
[4]低信噪比圖像的去噪算法研究[D]. 王純.杭州電子科技大學(xué) 2017
[5]彩色圖像轉(zhuǎn)灰度圖像的方法研究[D]. 解啟松.蘭州大學(xué) 2016
[6]基于彩色分布統(tǒng)計(jì)矩陣和變量預(yù)測(cè)模型的粗糙度識(shí)別研究[D]. 王夢(mèng)徽.湖南大學(xué) 2016
[7]基于DSP的磨削表面粗糙度在線檢測(cè)系統(tǒng)開發(fā)[D]. 王翠亭.湖南大學(xué) 2014
[8]基于CCD的激光散斑表面粗糙度測(cè)量[D]. 張勇.南京信息工程大學(xué) 2014
[9]基于圖像分割和多分辨率分析的圖像融合方法研究[D]. 李嬋飛.重慶大學(xué) 2013
[10]印刷防偽設(shè)計(jì)中的微鏡陣列研究[D]. 唐鋮.江南大學(xué) 2013



本文編號(hào)：3330321