Ứng dụng mạng học sâu và xử lý ảnh trong xác định các cấp độ nhám bề mặt gia công kim loại
và
*
Article Sidebar
Full Text: 
PDF
Abstract
In the mechanical manufacturing industry, surface roughness after machining is one of the crucial technical requirements. The evaluation has traditionally been carried out on complex probing systems by technicians, which has led to some difficulties in the assessment process. In this study, we propose the use of the convolutional neural network AlexNet to automate the identification and analysis of surface roughness. First, we collected images of metal surfaces with pre-evaluated roughness values Ra ranging from 0.4 to 3.2 μm. Next, AlexNet was trained on this dataset to learn to recognize different levels of roughness. Experimental results with an accuracy of 89.2% have demonstrated that the AlexNet model achieved significant roughness identification performance. The research has proven the feasibility and effectiveness of applying convolutional neural networks to automate the surface quality assessment process.
Tóm tắt
Trong ngành cơ khí chế tạo, độ nhám bề mặt sau gia công là một trong những yêu cầu kỹ thuật quan trọng. Việc đánh giá phải được thực hiện trên hệ thống thiết bị đầu dò phức tạp bởi các kỹ thuật viên, thực tế đó dẫn đến một số khó khăn trong quy trình đánh giá. Trong nghiên cứu này, mạng nơ ron tích chập AlexNet được đề xuất sử dụng để tự động hóa việc nhận dạng và phân tích độ nhám bề mặt. Đầu tiên, dữ liệu hình ảnh bề mặt kim loại được thu thập với độ nhám đã được đánh giá và gán sẵn giá trị Ra trong khoảng 0,4-3,2 μm. Tiếp theo, AlexNet sẽ được huấn luyện trên bộ dữ liệu này để học cách nhận biết các cấp độ nhám khác nhau. Kết quả thực nghiệm với độ chính xác 89,2% đã cho thấy mô hình AlexNet đạt được hiệu suất nhận dạng độ nhám đáng kể. Nghiên cứu đã chứng minh tính khả thi và hiệu quả của việc ứng dụng mạng nơ ron tích chập vào tự động hóa quy trình đánh giá chất lượng bề mặt gia công.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Al-Kadi, O. S. (2017). A Gabor Filter Texture Analysis Approach for Histopathological Braim Tumor Subtype Discrimination. JSZSCO 7. Sci.Technol.
Cimpoli, M., Maji, S., & Vedaldi, A. (2015). Deep filter banks for texture recognition and segmentation. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). doi:10.1109/cvpr.2015.7299007
Du, S., Yan, Y., & Ma, Y. (2016). Local energy pattern for texture classification using self-adaptive quantization thresholds. Optik, 127(16), 6583-6589.
Gadelmawla, E. S., Eladawi, A. E., Abouelatta, O. B., & Elewa, I. M. (2008). Investigation of the cutting conditions in milling operations using image texture features. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 222(11), 1395–1404. doi:10.1243/09544054jem1173.
Hartley, R., & Kang, S. B. (2007). Parameter-Free Radial Distortion. Correction with Center of Distortion Estimation. IEEE Trans. Pattern. Anal. Mach. Intell., 29(8), 1309-1321.
Li, B., Zhou, D., Xu, W., & Zhang, Y. (2019). Effect of random roundness error on the stability of a hydrodynamic journal bearing system part I: Theoretical study. Advances in Mechanical Engineering, 11(4), 168781401984625. doi:10.1177/1687814019846250
Nguyen, H. T., Rifai, A. P., Aoyama, N., Zawiah Md Dawal, S., & Aini Masruroh, N. (2020). Evaluation of turned and milled surfaces roughness using convolutional neural network. Measurement, 107860. doi:10.1016/j.measurement.2020.10.
Nguyen, T. P., Vu, N. S., & Manzanera, A. (2016). Statistical binary patterns for rotational invariant texture classification. Neurocomputing, 173, 1565–1577. doi:10.1016/j.neucom.2015.09.029
Nguyen, V. L., Vu, N. S., Phan, H. H., & Gosselin, P. H. (2017). LBP-and-ScatNet-based combined features for efficient texture classification. Multimedia Tools and Applications, 76(21), 22425–22444. doi:10.1007/s11042-017-4824-5
Roberti, S., F., Robson, S. W., & Pedrini, H. (2013). Multi-scale gray level co-occurrence matrices for texture description. Neurocomputing, 120, 336–345. doi:10.1016/j.neucom.2012.09.042
Seok-Han, L., Tae-Eun, K., & Jong-Soo, C. (2009). Correction of radial distortion using a planar checkerboard pattern and its image. (2009). Digest of Technical Papers International Conference on Consumer Electronics. doi:10.1109/icce.2009.5012236
Sinanoğlu, C., Nair, F., & Karamış, M. B. (2005). Effects of shaft surface texture on journal bearing pressure distribution. Journal of Materials Processing Technology, 168(2), 344–353. doi:10.1016/j.jmatprotec.2005.02.
Văn, D. L. (2020). Kết hợp ScatNet và CNN ứng dụng vào phân lớp Texture, (luận văn thạc sĩ). Trường Đại học Cần Thơ.
Zhang, C., & Li, Z. (2018). A novel method for evaluating surface roughness of metallic materials based on convolutional neural network. Materials, 11(11), 2234.
Zhang, J., Liang, J., & Zhao, H. (2013). Local Energy Pattern for Texture Classification Using Self-Adaptive Quantization Thresholds. IEEE Transactions on Image Processing, 22(1), 31–42. doi:10.1109/tip.2012.2214045