【技术实现步骤摘要】
本专利技术涉及钢体表面粗糙度检测，具体而言，涉及一种基于毫米波雷达的钢体表面粗糙度检测方法与系统。
技术介绍
1、钢体表面粗糙度的检测对于工业制造和品质控制至关重要，目前的检测方法主要分为传统的接触式和现代的非接触式两大类。传统的接触式方法包括比较法、印模法和触针法。比较法依赖于人的主观判断，容易受到操作者技能水平和主观因素的影响，因此不利于实现自动化和标准化。印模法通常需要在钢体表面留下印痕或者使用特定的印模材料，这可能对表面造成破坏或影响其后续的使用性能。触针法通过机械触针测量表面的微小高低差，虽然能提供精确的数据，但测量时间长且有可能对表面造成损伤。
2、相比之下，现代的非接触式方法展现出更广阔的应用前景。散斑对比法、实时全息法和光切法等方法利用激光技术或光学原理，能够在不接触钢体表面的情况下精确测量其粗糙度。这些方法虽然精度高，但也面临着设备成本高昂、技术复杂以及对环境光干扰敏感等挑战。
3、因此针对当前的技术状况，研发一种成本低廉、操作简便且能实现自动化的非接触式钢体表面粗糙度检测方法显得尤为迫切和重要。
技术实现思路
1、为解决上述问题，本专利技术的目的在于提供一种基于毫米波雷达的钢体表面粗糙度检测方法与系统。
2、一种基于毫米波雷达的钢体表面粗糙度检测方法，包括：
3、采集钢体表面不同粗糙度下的毫米波雷达回波信号；
4、对所述毫米波雷达回波信号进行预处理得到三维数组；所述三维数组包含每一帧和每一个chirp的
5、计算出第一帧和第一个chirp中的所有毫米波雷达采样点的模值，将毫米波雷达采样点的模值作为特征向量；
6、将所述特征向量作为样本输入到cnn-lstm回归神经网络中进行训练得到钢体表面粗糙度检测模型；
7、使用所述钢体表面粗糙度检测模型完成目标钢体表面粗糙度的检测。
8、优选的，所述将所述特征向量作为样本输入到cnn-lstm回归神经网络中进行训练得到钢体表面粗糙度检测模型，包括：
9、将所述特征向量进行归一化，得到归一化后的特征向量；
10、归一化后的特征向量输入到cnn-lstm回归神经网络中进行训练，得到钢体表面粗糙度检测模型；其中cnn-lstm回归神经网络包含第一cnn卷积层、第二cnn卷积层、lstm层、dropout层、激活层、输出层、回归层，且第一cnn卷积层包含了10滤波器，滤波器的长度为3、第二cnn卷积层包含了15个滤波器，滤波器的长度为3；dropout层设置了20％的神经元在训练中随机失活；输出层包含一个神经元，用于生成预测结果；回归层用于计算预测结果与真实结果之间的损失。
11、优选的，在钢体表面粗糙度检测模型训练过程中，选用均方误差作为损失函数，且损失函数为：
12、
13、其中，yi是第i个样本的真实值，为钢体表面粗糙度检测模型对第i个样本的预测值，n是样本数量。
14、优选的，所述使用所述钢体表面粗糙度检测模型完成目标钢体表面粗糙度的检测，包括：
15、获取被测目标的毫米波雷达回波信号，提取出被测目标的毫米波雷达回波信号的特征向量；
16、将提取的特征向量与钢体表面特征向量进行相似度对比得到被测目标与钢体的相似度；
17、当相似度小于阈值时，输出“非钢体表面”，当相似度大于或等于阈值时，则判断为被测目标为钢体表面，使用所述钢体表面粗糙度检测模型完成钢体表面粗糙度的预测并输出。
18、优选的，相似度计算公式为：
19、
20、式中，a是被测目标的特征向量，b是钢体表面的特征向量，||a||表示被测目标特征向量的模，||b||表示钢体表面特征向量的模。
21、本专利技术还提供了一种基于毫米波雷达的钢体表面粗糙度检测系统，包括：
22、回波信号获取模块，用于采集钢体表面不同粗糙度下的毫米波雷达回波信号；
23、信号预处理模块，用于对所述毫米波雷达回波信号进行预处理得到三维数组；所述三维数组包含每一帧和每一个chirp的毫米波雷达采样点；
24、特征向量计算模块，用于计算出第一帧和第一个chirp中的所有毫米波雷达采样点的模值，将毫米波雷达采样点的模值作为特征向量；
25、神经网络训练模块，用于将所述特征向量作为样本输入到cnn-lstm回归神经网络中进行训练得到钢体表面粗糙度检测模型；
26、粗糙度检测模块，用于使用所述钢体表面粗糙度检测模型完成目标钢体表面粗糙度的检测。
27、本专利技术还提供了一种电子设备，包括总线、收发器、存储器、处理器、以及存储在所述存储器上并可在所述存储器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现上述的一种基于毫米波雷达的钢体表面粗糙度检测方法中的步骤。
28、本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种基于毫米波雷达的钢体表面粗糙度检测方法中的步骤。
29、本专利技术提供的一种基于毫米波雷达的钢体表面粗糙度检测方法与系统的有益效果在于：与现有技术相比，本专利技术通过提取出不同钢体表面粗糙度的毫米波雷达回波信号中的特征向量，并将其制作为样本输入到深度学习回归模型中进行训练得到钢体表面粗糙度检测模型，利用该模型可以精准预测不同被测钢体表面的粗糙度。相比于传统的接触式、非接触式钢体表面粗糙度的检测方法，不仅提升了检测的效率，还能减少对钢体表面的干扰和损伤。在实时性、非破坏性、操作简便性、精准性以及适应复杂工业环境上都体现出了显著的优势。
30、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，所述将所述特征向量作为样本输入到CNN-LSTM回归神经网络中进行训练得到钢体表面粗糙度检测模型，包括：
3.根据权利要求2所述的一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，在钢体表面粗糙度检测模型训练过程中，选用均方误差作为损失函数，且损失函数为：
4.根据权利要求3所述的一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，所述使用所述钢体表面粗糙度检测模型完成目标钢体表面粗糙度的检测，包括：
5.根据权利要求4所述的一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，相似度计算公式为：
6.一种基于毫米波雷达的钢体表面粗糙度检测系统，其特征在于，包括：
7.一种电子设备，包括总线、收发器、存储器、处理器、以及存储在所述存储器上并可在所述存储器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于毫米波雷达的钢体表面粗糙度检测方法中的步骤。
...【技术特征摘要】
1.一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，所述将所述特征向量作为样本输入到cnn-lstm回归神经网络中进行训练得到钢体表面粗糙度检测模型，包括：
3.根据权利要求2所述的一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，在钢体表面粗糙度检测模型训练过程中，选用均方误差作为损失函数，且损失函数为：
4.根据权利要求3所述的一种基于毫米波雷达的钢体表面粗糙度检测方法，其特征在于，所述使用所述钢体表面粗糙度检测模型完成目标钢体表面粗糙度的检测，包括：
5.根据权利要求4所述的一种基于...
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。