相关实验视频
Updated: Jul 25, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
使用深度卷积网络与信号处理技术相结合,准确预测表面质量
M Zangane1, M Shahbazi1, Seyed Ali Niknam2
1School of Mechanical Engineering, Iran University of Science and Technology, Tehran, Iran.
Scientific reports
|February 28, 2025
概括
这项研究提出了一个深度学习框架,用于使用声辐射信号预测表面粗度. 分段堆叠换通道 (SSPC) 和ShuffleNet实现了高精度和耐噪声,用于实时加工监控.
科学领域:
- 制造业 工程 制造工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 表面粗度是削操作中的关键质量指标.
- 精确的实时监测表面粗度对于过程优化至关重要.
- 传统的表面粗度评估方法可能是耗时和劳动密集的.
研究的目的:
- 开发和评估一个深度学习框架,用于预测和分类削部件的表面粗度.
- 为了比较不同信号处理技术的有效性,将声辐射 (AE) 信号转换为图像.
- 确定最佳的深度学习架构,以实时监测表面粗度.
主要方法:
- 来自磨实验的声辐射 (AE) 信号被转化为2D图像,使用四种编码方法:SSPC,SSSC,SSSC*和RP.
- 卷积神经网络 (VGG16,ResNet18,ShuffleNet,CNN-LSTM) 被用来预测表面粗度类别 (平均表面粗度,Ra).
- 测试了框架的强度,对高斯噪声进行了测试,并将加工参数作为额外的输入.
主要成果:
- 在大多数模型中,SSPC信号处理技术实现了超过98%的准确性.
- 交换网提供了高精度 (96-98%) 和低计算成本的平衡.
- SSPC和SSSC表现出优越的抗噪能力,在高噪声条件下保持超过90%的准确性.
- 整合加工参数提高了模型的准确性和趋同性,特别是在有噪音数据的情况下.
结论:
- 深度卷积网络与创新的信号编码技术相结合,可以准确预测表面粗度.
- 由于其性能和效率,ShuffleNet被确定为实时监控的最佳架构.
- 拟议的数据驱动框架可以根据工艺签名实时监控和优化加工过程.
