典型文献
基于神经网络和仿真数据的粗糙度分类检测
文献摘要：
针对卷积神经网络对训练样本的需求量大,但单纯通过实测实验建立的粗糙度样本量有限的问题,提出了基于神经网络和仿真数据的粗糙度分类检测方法.首先,基于Z-Map算法生成铣削表面仿真形貌,获取粗糙度与实际粗糙度相近的仿真图像,提取铣削仿真图像和实际图像的纹理,采用深度迁移学习Deep CORAL模型对仿真和实际的纹理进行匹配;其次,在原有6类粗糙度数据集的基础上加入铣削表面仿真图像,扩充数据量,采用卷积神经网络Xception模型,对6类粗糙度进行分类识别.结果表明,与没有加入仿真图像的模型相比,准确率从86.48％提升到92.79％.加入的铣削仿真图片扩充了数据量,帮助模型提取到与粗糙度相关的更多有用的特征,使得分类检测结果提高.
文献关键词：
卷积神经网络;粗糙度分类;仿真形貌;纹理
中图分类号：
作者姓名：
易怀安;陆玲莉;舒爱华;路恩会
作者机构：
桂林理工大学机械与控制工程学院,桂林 541006;桂林理工大学外国语学院,桂林 541006;扬州大学机械工程学院,扬州225009
文献出处：
引用格式：
[1]易怀安;陆玲莉;舒爱华;路恩会-.基于神经网络和仿真数据的粗糙度分类检测)[J].组合机床与自动化加工技术,2022(12):72-76,80
A类：
粗糙度分类,仿真形貌
B类：
仿真数据,分类检测,训练样本,样本量,Map,仿真图像,铣削仿真,深度迁移学习,Deep,CORAL,充数,数据量,Xception,分类识别,有加,取到
AB值：
0.212326
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
