一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法技术

发明专利技术名称一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法摘要本发明专利技术提供了一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，具体包括：1、多工况车削操作条件下，采集车刀表面磨损图像，建立车刀磨损数据集，将磨损等级分为正常磨损和急剧磨损两类，对初始数据集进行预处理，形成输入图像；2、搭建改进的MobileNet_V2网络，包括：引入轻量型注意力机制ECA_Net到MobileNet_V2模型的倒残差模块中；修改分类器的参数；修改除瓶颈层外其他网络层的激活函数，Relu6更换为LeakyRelu；加入迁移学习，冻结特征提取部分所有权重，对后部网络参数进行学习；优化训练过程中涉及的参数；3、输入图像到改进的MobileNet_V2模型中，识别出输入图像中的磨损程度是正常磨损还是急剧磨损，完成车刀磨损程度的识别分类，判别车刀是否可以继续使用。本发明专利技术的方法可用于低成本识别车削加工过程中的刀具磨损状态，计算速度快、磨损程度分类精度高、具有较强的模型泛化能力。具有较强的模型泛化能力。

【技术实现步骤摘要】
一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法


[0001]本专利技术属于计算机
，具体涉及一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法。

技术介绍

[0002]车削加工过程中，工件加工精度和工件表面质量会受到刀具磨损状态的影响。为了防止加工过程中刀具急剧磨损导致加工精度下降，刀具磨损的研究很有必要。但是刀具磨损实际上是一个实时性、动态性的过程，所以在加工过程中准确判断车刀磨损状态是一项艰巨的任务。
[0003]近年来，有大量的研究讨论了刀具磨损状态的监测方法，主要集中在间接法和直接法两类。间接法主要是利用传感器采集车削加工过程中的振动信号、电机电流等信号，之后对采集的工作参数进行分析间接识别刀具磨损状态。直接法主要是利用机器视觉系统直接监测刀具磨损状态，或者通过工业相机采集图像，再对图像进一步分析。这种方法显然更加直观和准确。通过分析刀具磨损图像的输入特征来判别其磨损状态，是当前主要研究和探索的方法。
[0004]目前，通过分析磨损图像特征来判别磨损状态大多不能获得准确的磨损信息，因此存在分类准确率低的问题。卷积神经网络能自动选取特征，实现较高的分类正确率，这种方法显然更加直观和准确，故将卷积神经网络应用于刀具磨损类型的分类与识别，对实现车刀磨损的状态分类、提高加工精度具有重要意义。

技术实现思路

[0005]本专利技术的目的是提供一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，主要解决了目前磨损信息识别不准确、模型参数多计算量大、分类准确率不高的问题。
[0006]本专利技术的目的通过以下的技术方案实现：
[0007]一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，主要包括：
[0008]步骤1：利用图像采集装置采集车刀表面磨损图像，建立车刀磨损数据集；将磨损等级分为正常磨损和急剧磨损两类，对初始数据集进行预处理，形成输入图像，对两类磨损图像进行数据增强；
[0009]步骤2：搭建改进的MobileNet_V2网络模型；
[0010]步骤3：把步骤1中的图像输入到改进的MobileNet_V2模型中，训练并识别出输入图像中的磨损程度为第几类磨损，判断刀具是否可以继续使用；
[0011]步骤1中，所述图像采集装置包括镜头、光源、工业相机和显示屏；
[0012]步骤1中，所述两类磨损等级根据阈值划分两类：磨损值VB在0
‑
0.4mm设定为合金车刀正常磨损阶段，此阶段刀具可以正常加工使用；0.4
‑
0.6mm设定为急剧磨损阶段，此阶段到来之前，需要及时更换刀具；
[0013]步骤1中，所述数据预处理包括：对训练数据图像随机裁剪为224
×
224的输入特征
图像；对验证数据中心裁剪为224
×
224；对训练集和验证集进行标准化处理；
[0014]步骤2中，改进的MobileNet_V2包括：引入轻量型注意力机制ECA_Net到MobileNet_V2模型的瓶颈残差模块中；修改激活函数； MobileNet_V2模型中加入迁移学习，对后部网络参数进行学习；修改分类器输出个数；优化训练过程中涉及的超参数；
[0015]进一步地，ECA_Net指的是一种新型通道注意力机制，其删除了SENet的全连接层，通过一维卷积进行学习。ECA_Net用于插入到卷积神经网络中达到增强模型性能的效果。
[0016]进一步地，瓶颈残差模块从实现通道转换，在该结构中第一层采用1x1卷积核大小，在卷积层后使用ReLU6线性激活函数；第二层采用Depthwise卷积，卷积核大小3x3，采用激活函数relu6，卷积核个数输入特征矩阵的深度相同；第三层采用普通1x1卷积层，采用线性激活函数。
[0017]进一步地，修改除倒残差结构的其他网络层的激活函数，Relu6更换为LeakyRelu。
[0018]进一步地，迁移学习包括导入权重文件，冻结特征提取部分所有权重，除全连接层外其他层进行冻结，保存训练后的权重。
[0019]进一步地，修改分类器的输出个数为2，选用Adam优化器进行优化，用交叉熵损失函数度量预测值和真实值概率分布的差异性。
[0020]本专利技术的有益效果为：
[0021]本专利技术的有益效果是，一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，相比与其它网络模型，增加轻量级注意力机制，增加少量的模型计算参数得到更高的识别准确率；通过修改激活函数Relu6为LeakyRelu，解决训练过程中出现收敛速度慢的问题；引入迁移学习，使得计算速度快，模型泛化能力更强、训练时间更短。经实验验证，改进的模型分类准确率可达96%，高效实现车刀磨损分类的准确性。
附图说明
[0022]图1所示为本专利技术实施一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法流程图
[0023]图2所示为ECA模块结构图
[0024]图3所示改进后的倒残差模块
[0025]图4所示为改进的MobileNet_V2的输入输出详细参数
具体实施方式
[0026]下面结合附图对本专利技术一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法进行详细说明。
[0027]本专利技术提供一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，具体步骤为：
[0028] 图1为本专利技术实施提供的一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法的示意性流程图，具体包括：
[0029]步骤1、构建车刀磨损数据集并处理
[0030]利用图像采集装置采集车刀表面磨损图像，建立车刀磨损数据集；
[0031]将磨损等级根据阈值划分两类：磨损值VB在0
‑
0.4mm设定为合金车刀正常磨损阶
段，0.4
‑
0.6mm设定为急剧磨损阶段；
[0032]将数据集划分成训练集和验证集，比例为0.9和0.1；
[0033]对训练数据图像随机裁剪为224
×
224的输入特征图像，对验证数据中心裁剪为224
×
224；
[0034]对训练集和验证集进行标准化处理；
[0035]对两类磨损图像进行镜像数据增强扩充到2706张；
[0036]步骤2、搭建改进的MobileNet_V2神经网络
[0037]搭建改进的MobileNet_V2神经网络层，包括输入层、卷积层、改进的瓶颈层（bottleneck）、平均池化下采样层、全连接层以及输出层；
[0038]bottleneck层主要引入线性瓶颈倒残差结构，改进后的具体结构是在MobileNet_V2倒残差结构嵌入ECA_Net轻量级注意力机制；
[0039]bottleneck层包括3个层结构，每一层包含3个组合结构：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，其特征在于，具体包括以下步骤：步骤S1，通过多工况条件下的车削操作，使用图像采集装置采集车刀表面磨损图像，建立车刀磨损数据集；步骤S2，将磨损等级分为正常磨损和急剧磨损两类，对初始数据集进行预处理，形成输入图像，对两类磨损图像进行数据增强；步骤S3，搭建改进的MobileNet_V2网络模型；步骤S4，把步骤2中的输入图像输入到改进的MobileNet_V2模型中，识别出输入图像中的磨损程度为第几类磨损。2.根据权利要求1所述的一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，其特征在于：步骤S1中，各项参数分别设置为：切削速度 80
‑
200 m/min，切削深度1
‑
2mm，采样时常40
‑
120s，在进给量0.2mm/r，走刀长度80mm，主轴转速为550r/min；所述图像采集装置由镜头、光源、工业相机和显示屏组成。3.根据权利要求1所述的一种基于改进的MobileNet_V2网络模型的车刀磨损分类方法，其特征在于，步骤S2中具体包括：（1）阈值设定：将磨损值VB在0
‑
0.4mm设定为合金车刀正常磨损阶段，0.4
‑
0.6mm设定为急剧磨损阶段；（2）将采集的车刀磨损图像分为训练数据和验证数据；（3）对训练数据进行数据增强，水平镜像变换；（4）训练数据图像随机裁剪为224
×
224的输入特征图像；（...

【专利技术属性】
技术研发人员：孔繁星，陈娜，何腾飞，李胜男，
申请(专利权)人：吉林化工学院，
类型：发明
国别省市：