.png){kind=icon}
返回
Automatic surface roughness recognition system under different manufacturing processes based on deep learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.measurement.2025.117473.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动化高精度在线测量关键零件的加工表面粗糙度，在智能制造过程中具有重要意义。为自动识别表面粗糙度，开发了一种基于深度学习的系统，该系统构建于双源激光散斑成像装置之上。首次提出相对最大对比度比（RMCR）方法，用于确定最优测量参数，以实现高质量散斑图像的获取。通过数据集对表面粗糙度的精确识别高度依赖于深度学习模型的性能。Twins-SVT模型在图像分类领域表现出色，其利用深度可分离卷积核架构。为提升表面粗糙度的识别精度，将空间与通道注意力（SCA）模块集成到Twins-SVT模型中。这种集成通过有效结合散斑图像的空间和通道信息，实现了全面特征提取。采用大量散斑图像数据集验证了SCA-Twins-SVT模型卓越的识别精度和泛化性能。与主流深度学习模型相比，所提出的SCA-Twins-SVT模型在识别水平和垂直铣削加工的表面粗糙度方面展现出卓越性能。
Keyword:
Laser speckle image
Relative maximum contrast ratio
Spatial and channel attention module
期刊
IF:
5.6
论文数:
2.1W
被引数:
5.4W
机构
暂无机构信息
引用论文
分享收藏
Surface roughness classification of electro discharge machined surfaces with deep ensemble learning基于深度集成学习的放电加工表面粗糙度分类.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Hurst exponent determination for digital speckle patterns in roughness control of metallic surfaces确定金属表面粗糙度控制中数字散斑图案的赫斯特指数
PREAI
分享收藏分享收藏
查看更多内容