基于云边端协同的工件表面粗糙度在线检测方法及系统技术方案

本发明专利技术涉及一种基于云边端协同的工件表面粗糙度在线检测方法及系统，其中工件表面粗糙度在线检测方法包括：智能粗糙度检测装置采集工件表面图像，并分别上传至云平台和智能终端；云平台构建粗糙度等级识别模型，并根据智能粗糙度检测装置采集的数据对模型进行训练，获得最优的粗糙度等级识别模型；智能终端利用云平台获取的最优粗糙度等级识别模型进行粗糙度等级识别，并将识别结果发送至智能粗糙度检测装置。与现有技术相比，本发明专利技术具有检测速度快、精度高、可信度高等优点。可信度高等优点。可信度高等优点。

【技术实现步骤摘要】
基于云边端协同的工件表面粗糙度在线检测方法及系统


[0001]本专利技术涉及工件表面粗糙度检测
，尤其是涉及一种基于云边端协同的工件表面粗糙度在线检测方法及系统。

技术介绍

[0002]表面粗糙度是衡量被加工工件表面质量的一个重要指标，直接影响着被加工工件的寿命和使用性能。随着机械加工智能化水平的不断提高，许多机械零件由抽检改为必检，对表面粗糙度在线测量技术和设备提出了越来越高的要求，因此在生产过程中进行工件表面粗糙度的实时检测就显得十分的重要。传统的接触式测量方法在对工件表面的粗糙度进行测量时，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。因此传统的接触式测量方法无法满足高精密、简单便捷的检测要求。
[0003]随着深度学习的不断发展，计算机视觉技术通过卷积神经网络能够自适应地提取工件表面图像的纹理特征，然后将特征传入人工智能领域的分类器，从而实现对工件表面粗糙度等级分类的目的；但在一般情况下，由于工业现场测试设备的计算资源有限，现有的深度卷积神经网络模型可能无法在工业现场直接进行粗糙度等级的识别或响应时间长；此外在粗糙度等级识别这一工业场景中，随着加工的进行，工件被加工表面的状态也会不断的发生变化，如果仅仅只用单一固定的模型去识别而不考虑模型后续的优化与更新，可能会对一些工件表面的粗糙度等级产生误识别的情况，从而影响工件实际的生产加工。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种检测速度快、精度高、可信度高的基于云边端协同的工件表面粗糙度在线检测方法及系统。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于云边端协同的工件表面粗糙度在线检测方法，所述的工件表面粗糙度在线检测方法包括：
[0007]步骤1：智能粗糙度检测装置采集工件表面图像，并分别上传至云平台和智能终端；
[0008]步骤2：云平台构建粗糙度等级识别模型，并根据智能粗糙度检测装置采集的数据对模型进行训练，获得最优的粗糙度等级识别模型；
[0009]步骤3：智能终端利用云平台获取的最优粗糙度等级识别模型进行粗糙度等级识别，并将识别结果发送至智能粗糙度检测装置。
[0010]优选地，所述的步骤1具体为：
[0011]步骤1
‑
1：智能粗糙度检测装置采集多种加工方式下的粗糙度图像并构建粗糙度等级识别数据库；
[0012]步骤1
‑
2：将数据库中的数据划分为训练集、验证集和测试集，并根据粗糙度等级图像制作粗糙度等级标签；
[0013]步骤1
‑
3：将训练集和验证集上传至云平台，将测试集上传至智能终端。
[0014]更加优选地，所述的粗糙度等级识别数据库按照加工方式分类，加工方式包括车削、磨外圆、研磨、平磨、平铣和立铣。
[0015]更加优选地，所述的步骤2具体为：
[0016]步骤2
‑
1：构建粗糙度等级识别模型；
[0017]步骤2
‑
2：使用训练集中的图像以及粗糙度等级标签对粗糙度等级识别模型进行训练，获得粗糙度等级预测值；
[0018]步骤2
‑
3：根据预测值与期望值之间的总误差并逐层返回，更新各层参数，循环迭代直至误差小于或等于期望值时完成模型训练并保存最优模型。
[0019]更加优选地，所述的粗糙度等级识别模型具体为深度卷积神经网络模型，包括依次相连的输入层、卷积层、池化层、批标准化层、深度拼接层和全连接层。
[0020]优选地，所述的工件表面粗糙度在线检测方法还包括
[0021]步骤4：对粗糙度等级识别数据库和粗糙度等级识别模型进行动态更新。
[0022]更加优选地，所述的步骤4具体为：
[0023]步骤4
‑
1：智能终端利用云平台训练好的最优粗糙度等级识别模型进行粗糙度等级推理；
[0024]步骤4
‑
2：智能终端将推理结果发送至云平台；
[0025]步骤4
‑
3：平台根据推理结果更新粗糙度等级识别数据库，并进行粗糙度等级识别模型的拓展与优化。
[0026]更加优选地，所述的步骤4
‑
3具体为：
[0027]云平台利用更新后的粗糙度等级识别数据库动态更新粗糙度等级识别模型并发送至智能终端进行粗糙度等级推理，通过训练、推理、反馈、再训练从而实现粗糙度等级识别数据库和粗糙度等级识别模型的动态更新。
[0028]一种基于云边端协同的工件表面粗糙度在线检测系统，所述的工件表面粗糙度在线检测系统包括：
[0029]智能粗糙度检测装置，用作工件表面粗糙度在线检测系统的边缘端，采集待测工件的表面图像并将其发送给云平台；
[0030]云平台，用作工件表面粗糙度在线检测系统的云端，对粗糙度等级识别模型进行训练，并将训练好的粗糙度等级识别模型传入智能终端；
[0031]智能终端，用作工件表面粗糙度在线检测系统的终端，利用训练好的粗糙度等级识别模型进行粗糙度等级推理，并将推理结果反馈至云平台和智能粗糙度检测装置，实现对粗糙度等级识别数据库和粗糙度等级识别模型的动态更新。
[0032]优选地，所述的智能粗糙度检测装置包括主控单元、数据通讯单元、图像采集单元和显示单元；所述的数据通讯单元、图像采集单元和显示单元分别接入主控单元。
[0033]与现有技术相比，本专利技术具有以下有益效果：
[0034]一、检测速度快、精度高：本专利技术中的工件表面粗糙度在线检测方法及系统采用云边端协同架构，通过将粗糙度识别的微服务进行分配，形成了由“智能粗糙度检测装置数据实时采集”、“云平台计算与模型更新”、“智能终端推理”的分布式粗糙度检测方法，不仅提高了检测速度和精度，而且降低了对工业现场设备性能的要求。
[0035]二、可信度高：本专利技术中的工件表面粗糙度在线检测方法及系统通过利用无线通讯技术可以实现云平台和智能终端的数据库和模型的动态更新和优化；智能终端将推理结果反馈，云平台进行数据库和模型更新和优化，通过交互式地信息传递与反馈极大地保证了预测结果的准确性和可信性。
附图说明
[0036]图1为本专利技术中工件表面粗糙度在线检测系统的结构示意图；
[0037]图2为本专利技术实施例中粗糙度等级识别模型训练流程示意图；
[0038]图3为本专利技术实施例中粗糙度等级识别模型的结构示意图；
[0039]图4为本专利技术实施例中在训练和验证过程中粗糙度等级识别的误差变化曲线；
[0040]图5为本专利技术实施例中在训练和验证过程中粗糙度等级识别的准确率变化曲线。
具体实施方式
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的工件表面粗糙度在线检测方法包括：步骤1：智能粗糙度检测装置采集工件表面图像，并分别上传至云平台和智能终端；步骤2：云平台构建粗糙度等级识别模型，并根据智能粗糙度检测装置采集的数据对模型进行训练，获得最优的粗糙度等级识别模型；步骤3：智能终端利用云平台获取的最优粗糙度等级识别模型进行粗糙度等级识别，并将识别结果发送至智能粗糙度检测装置。2.根据权利要求1所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的步骤1具体为：步骤1
‑
1：智能粗糙度检测装置采集多种加工方式下的粗糙度图像并构建粗糙度等级识别数据库；步骤1
‑
2：将数据库中的数据划分为训练集、验证集和测试集，并根据粗糙度等级图像制作粗糙度等级标签；步骤1
‑
3：将训练集和验证集上传至云平台，将测试集上传至智能终端。3.根据权利要求2所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的粗糙度等级识别数据库按照加工方式分类，加工方式包括车削、磨外圆、研磨、平磨、平铣和立铣。4.根据权利要求2所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的步骤2具体为：步骤2
‑
1：构建粗糙度等级识别模型；步骤2
‑
2：使用训练集中的图像以及粗糙度等级标签对粗糙度等级识别模型进行训练，获得粗糙度等级预测值；步骤2
‑
3：根据预测值与期望值之间的总误差并逐层返回，更新各层参数，循环迭代直至误差小于或等于期望值时完成模型训练并保存最优模型。5.根据权利要求4所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的粗糙度等级识别模型具体为深度卷积神经网络模型，包括依次相连的输入层、卷积层、池化层、批标准化层、深度拼接层和全连接层。...

【专利技术属性】
技术研发人员：黄之文，张强，朱坚民，张玮，杜新欣，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：