基于图像处理的模型用于对基合金的表面粗度评估,使用双树复杂波纹转换和辐射基函数神经网络
J S Vishwanatha1, P Srinivasa Pai1, Grynal D'Mello1
1Department of Mechanical Engineering, NMAM Institute of Technology, NITTE (Deemed to be University), Nitte, Karnataka, 574110, India.
Scientific reports
|November 16, 2024
概括
这项研究开发了一种计算机视觉系统,用于评估Ti 6Al 4V.中的表面粗度. 最好的模型使用双树复杂波形变换图像融合和粒子群集优化功能实现了99.13%的准确性.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机视觉和图像处理
- 制造业 制造技术 制造技术
背景情况:
- 表面粗度是评估加工元件性能和质量的关键参数.
- 传统的表面粗度评估方法可能耗时且主观.
- 开发自动化,准确和高效的评估方法对于先进制造至关重要.
研究的目的:
- 调查计算机视觉系统在转向的Ti 6Al 4V表面上评估表面粗性的有效性.
- 为了比较不同的特征提取和选择方法进行表面粗度分析.
- 使用先进的信号处理和机器学习技术,开发出高度准确的表面粗度预测模型.
主要方法:
- 利用双树复杂波纹变换 (DTCWT) 进行图像分解和特征提取.
- 对比了三个特征生成方法:GLCM,基于DTCWT的统计特征,以及DTCWT图像与PSO优化的GLCM特征的融合.
- 采用主要组件分析 (PCA) 进行特征选择和辐射基函数神经网络 (RBFNN) 进行模型开发.
主要成果:
- 根据特征生成和选择方法评估了六种不同的RBFNN模型.
- 该模型结合了DTCWT图像融合,PSO优化的GLCM功能和PCA选择,在训练数据上实现了100%的准确性.
- 这种优化的模型在测试数据上显示出高预测准确率99.13%.
结论:
- 拟议的计算机视觉系统,通过DTCWT图像融合和PSO优化的功能来增强,提供了一种非常准确的方法来评估Ti 6Al 4V的表面粗度.
- 使用PCA进行特征选择可以显著提高模型效率和预测性能.
- 这种方法为精密制造中的质量控制提供了强大而自动化的解决方案.
