[发明专利]一种基于深度卷积神经网络的粗糙度等级识别方法

权利要求书

1.一种基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，包括以下步骤：

S1：建立不同加工方式的粗糙度标准块的粗糙度等级图像数据库；

S2：构建深度卷积神经网络；

S3：训练深度卷积神经网络以获取深度卷积神经网络模型；

S4：将粗糙度等级图像输入深度卷积神经网络模型以获取粗糙度等级。

2.根据权利要求1所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，步骤S1具体为：

S11：将粗糙度标准块在显微镜下获取相同放大倍数的粗糙度等级图像；

S12：根据粗糙度等级图像制备粗糙度等级标签；

S13：对粗糙度等级图像进行预处理以用于训练深度卷积神经网络。

3.根据权利要求2所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，步骤S1中加工方式包括平铣、立铣、车削、平磨和研磨。

4.根据权利要求3所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，所述加工方式各包括多个粗糙度等级的粗糙度标准块。

5.根据权利要求2所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，步骤S11中，对粗糙度标准块的不同区域进行采样。

6.根据权利要求2所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，步骤S13中，所述粗糙度等级图像进行预处理后的像素尺寸为227*227。

7.根据权利要求1所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，步骤S2中，所述深度卷积神经网络包括依次信号连接的5层卷积层、3层池化层和3层全连接层；所述深度卷积神经网络的输入层为接收糙度等级图像；所述3层全连接层的最后一层为输出层。

8.根据权利要求7所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，步骤S3中，训练方法包括参数的前向传播训练和误差反向传播训练；所述前向传播训练指将粗糙度等级图像输入到所述深度卷积神经网络得到网络实际粗糙度等级识别结果；

所述误差反向传播训练具体为：先计算网络实际粗糙度等级识别结果和期望粗糙度等级识别结果之间的误差，再反向传播计算每一层的误差，并逐层更新各层参数，如此循环，直至完成全部迭代。

9.根据权利要求8所述的基于深度卷积神经网络的粗糙度等级识别方法，其特征在于，所述前向传播训练和误差反向传播训练均采用随机梯度下降法对所述深度卷积神经网络迭代。