本申请公开了基于对抗式迁移学习的生成粗糙度预测模型的方法及系统。其中基于对抗式迁移学习的生成粗糙度预测模型的方法包括：获取经第一加工方式加工的切削加工表面的第一图像及第一图像的粗糙度度量值、经第二加工方式加工的切削加工表面的第二图像；将第一图像和第二图像输入对抗式迁移学习模型进行处理，并通过计算损失函数来调整对抗式迁移学习模型的网络参数，直到训练结束；利用训练好的对抗式迁移学习模型，生成粗糙度预测模型，该粗糙度预测模型用于预测经相似加工方式加工的切削加工表面的粗糙度。切削加工表面的粗糙度。切削加工表面的粗糙度。
【技术实现步骤摘要】
基于对抗式迁移学习的生成粗糙度预测模型的方法及系统
[0001]本申请涉及计算机
，尤其涉及基于对抗式迁移学习的生成粗糙度预测模型的方法及系统。
技术介绍
[0002]在机械加工过程中，刀具或砂轮与零件表面之间发生切削与摩擦导致切屑分离，表层金属发生塑性变形以及加工过程中机床的振动等因素会导致被加工表面形成细微的峰谷。在一定的观测范围内微小峰谷的不平整度称为表面粗糙度。表面粗糙度对机械设备的使用性能和使用寿命有非常重要的影响。
[0003]近年来，随着工业自动化水平的不断提高，自动化生产线的产能也越来越大，基于抽检式的加工质量监测模式不仅人力工作量大，检测不全面，反馈不及时等缺点与高速的生产节奏不匹配。另一方面，随着计算机算力的不断提升以及图像分析与处理技术的不断发展，基于机器视觉的粗糙度测量方法开始成为智能制造领域的研究热点，这种方法具备高准确度、低成本以及实时检测的优点。这对于提高生产效率和质量、降低成本、减少人为错误具有非常重要的作用。基于机器视觉的粗糙度测量方法主要是基于机器学习或深度学习原理的分类或预测方法，要求参与拟合或训练的样本数量足、有代表性、粗糙度值真实且正确、样本多样性程度高，否则无法构建准确的映射关系，导致最终的预测模型泛化性差或预测结果置信度不高。在实际应用过程中，收集样本的过程是十分花费时间与精力的、并且获得一个高丰富度的数据集的成本是高昂的。
[0004]有鉴于此，研究如何依赖少量样本，来构建准确的粗糙度预测模型，在实际工程应用中具有一定的意义与价值。
专利技术内容
[0005]本申请提供了基于对抗式迁移学习的生成粗糙度预测模型的方法及系统，以力图解决或者至少缓解上面存在的至少一个问题。
[0006]根据本申请的一个方面，提供了基于对抗式迁移学习的生成粗糙度预测模型的方法，包括：获取经第一加工方式加工的切削加工表面的第一图像及所述第一图像的粗糙度度量值、经第二加工方式加工的切削加工表面的第二图像；将所述第一图像和所述第二图像输入对抗式迁移学习模型进行处理，并通过计算损失函数来调整所述对抗式迁移学习模型的网络参数，直到训练结束；利用训练好的对抗式迁移学习模型，生成粗糙度预测模型，所述粗糙度预测模型用于预测经相似加工方式加工的切削加工表面的粗糙度。
[0007]可选地，在根据本申请的方法中，对抗式迁移学习模型包括：特征提取组件，适于提取输入图像的特征，所述输入图像包括第一图像和第二图像；第一分类组件，与所述特征提取组件耦接，适于对第一图像的特征进行处理，以生成所述第一图像的粗糙度预测值；第二分类组件，与所述特征提取组件耦接，适于对第一图像的特征和第二图像的特征进行处理，以对应生成领域预测值。
[0008]可选地，在根据本申请的方法中，将所述第一图像和所述第二图像输入对抗式迁移学习模型进行处理，并通过计算损失函数来调整所述对抗式迁移学习模型的网络参数，包括：将所述第一图像和所述第二图像输入对抗式迁移学习模型进行处理，得到所述第一图像的粗糙度预测值、以及所述第一图像和所述第二图像各自对应的领域预测值；基于所述第一图像的粗糙度预测值和所述领域预测值，计算损失函数的值，以调整所述对抗式迁移学习模型的网络参数。
[0009]可选地，在根据本申请的方法中，损失函数包括分类损失和迁移损失，以及基于所述第一图像的粗糙度预测值和所述领域预测值，计算损失函数的值，以调整所述对抗式迁移学习模型的网络参数，包括：基于所述第一图像的粗糙度预测值和所述第一图像的粗糙度度量值，计算分类损失；基于所述领域预测值和领域标签，计算迁移损失；以及结合所述分类损失和所述迁移损失，调整所述对抗式迁移学习模型的网络参数。
[0010]可选地，根据本申请的方法还包括：将所述第一图像输入所述特征提取组件进行特征提取，以生成所述第一图像的特征，并将所述第一图像的特征输入所述第一分类组件进行分类，以输出所述第一图像的粗糙度预测值；将所述第二图像输入所述特征提取组件进行特征提取，以生成所述第二图像的特征，并将所述第一图像的特征和所述第二图像的特征输入所述第二分类组件进行域分类，以对应输出所述第一图像的领域预测值和所述第二图像的领域预测值。
[0011]可选地，在根据本申请的方法中，第二分类组件包含多个子判别模块，且各子判别模块分别与所述特征提取组件和所述第一分类组件相耦接，适于接收所述第一图像的粗糙度预测值和所述特征提取组件输出的特征，并对其进行处理后输出对应的领域预测值。
[0012]可选地，在根据本申请的方法中，第二分类组件分别与所述特征提取组件和所述第一分类组件相耦接，适于将所述特征提取组件输出的特征和粗糙度预测值的多线性映射，作为第二分类组件的约束条件。
[0013]可选地，在根据本申请的方法中，利用训练好的对抗式迁移学习模型，生成粗糙度预测模型，包括：利用训练好的对抗式迁移学习模型中的特征提取组件和第一分类组件，生成粗糙度预测模型。
[0014]可选地，在根据本申请的方法中，第一加工方式和所述第二加工方式为相似的加工工艺，且经所述第一加工方式与经所述第二加工方式加工的工件表面，在纹理信息与灰度分布上具有较强相似性。
[0015]可选地，在根据本申请的方法中，第一加工方式为车削加工，所述第二加工方式为立铣加工。
[0016]可选地，在根据本申请的方法中，特征提取组件通过卷积神经网络实现，所述第一分类组件通过全连接网络和分类网络实现，所述第二分类组件通过判别网络实现。
[0017]可选地，在根据本申请的方法中，第一图像的领域标签为1，所述第二图像的领域标签为0。
[0018]根据本申请的再一方面，提供了一种生成粗糙度预测模型的系统，包括：
[0019]数据采集模块，适于获取经第一加工方式加工的切削加工表面的第一图像及所述第一图像的粗糙度度量值、经第二加工方式加工的切削加工表面的第二图像；模型训练模块，适于将所述第一图像和所述第二图像输入对抗式迁移学习模型进行处理，并通过计算
损失函数来调整所述对抗式迁移学习模型的网络参数，直到训练结束，生成粗糙度预测模型。
[0020]根据本申请的再一方面，提供了一种计算设备，包括：一个或多个处理器存储器；一个或多个程序，其中所述一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行如上任一方法的指令。
[0021]根据本申请的再一方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令在被计算设备执行时，使得计算设备执行如上所述的任一方法。
[0022]综上所述，根据本申请的方案，以车削和立铣图像数据集作为两个互相迁移的领域样本集，提出了基于对抗式迁移学习的切削表面粗糙度预测模型，以解决类似加工方式样本采集繁琐、昂贵的问题。
[0023]此外，通过实验证明，根据本申请的基于对抗式迁移学习的方法，利用第二分类组件作为域判别器度量域间差异性，对领域分布的非线性拟合能力强，从而可以更好的指引两个本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于对抗式迁移学习的生成粗糙度预测模型的方法，包括：获取经第一加工方式加工的切削加工表面的第一图像及所述第一图像的粗糙度度量值、经第二加工方式加工的切削加工表面的第二图像；将所述第一图像和所述第二图像输入对抗式迁移学习模型进行处理，并通过计算损失函数来调整所述对抗式迁移学习模型的网络参数，直到训练结束；利用训练好的对抗式迁移学习模型，生成粗糙度预测模型，所述粗糙度预测模型用于预测经相似加工方式加工的切削加工表面的粗糙度。2.如权利要求1所述的方法，其中，所述对抗式迁移学习模型包括：特征提取组件，适于提取输入图像的特征，所述输入图像包括第一图像和第二图像；第一分类组件，与所述特征提取组件耦接，适于对第一图像的特征进行处理，以生成所述第一图像的粗糙度预测值；第二分类组件，与所述特征提取组件耦接，适于对第一图像的特征和第二图像的特征进行处理，以对应生成领域预测值。3.如权利要求1或2所述的方法，其中，将所述第一图像和所述第二图像输入对抗式迁移学习模型进行处理，并通过计算损失函数来调整所述对抗式迁移学习模型的网络参数，包括：将所述第一图像和所述第二图像输入对抗式迁移学习模型进行处理，得到所述第一图像的粗糙度预测值、以及所述第一图像和所述第二图像各自对应的领域预测值；基于所述第一图像的粗糙度预测值和所述领域预测值，计算损失函数的值，以调整所述对抗式迁移学习模型的网络参数。4.如权利要求3所述的方法，其中，所述损失函数包括分类损失和迁移损失，以及基于所述第一图像的粗糙度预测值和所述领域预测值，计算损失函数的值，以调整所述对抗式迁移学习模型的网络参数，包括：基于所述第一图像的粗糙度预测值和所述第一图像的粗糙度度量值，计算分类损失；基于所述领域预测值和领域标签，计算迁移损失；以及结合所述分类损失和所述迁移损失，调整所述对抗式迁移学习模型的网络参数。5.如权利要求3或4所述的方法，其中，所述将第一图像和第二图像输入对抗式迁移学习模型进行处理，得到第一图像的粗糙度预测值、第一图像和第二图像...
【专利技术属性】
技术研发人员：刘坚，朱理，索鑫宇，周飞滔，路恩会，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。