[发明专利]一种基于随机森林的多参数零件表面粗糙度学习方法

说明书

本发明公开了一种基于随机森林的多参数零件表面粗糙度学习方法，首先，采集散斑图像的训练样本集和测试样本，采用巴特沃斯滤波器对图像进行预处理，对散斑图像进行特征研究，实现了多特征提取，找出特征与粗糙度间的单调性，并构建基于随机森林的强分类器；然后，引入互信息量学习特征权重，并结合相关性系数和随机森林学习参数建立粗糙度学习函数；最后，利用学习好的粗糙度函数对测试样本进行粗糙度测量。该方法建立了一种同时学习工艺类型与粗糙度值的新模型，突破了现有方法中对不同工艺零件需建立多个测量粗糙度值模型的局限性，为粗糙度测量提供了新思路，并通过实验验证了新算法的有效性和实用性。

技术领域

本发明涉及一种基于随机森林的多参数零件表面粗糙度学习方法，属于机械零件表面粗糙度检测方法技术领域。

背景技术

随着人们对仪器、机械产品的稳定性、精确性和使用寿命等性能要求的逐步提高，对构成这些产品的零件加工标准也提出了越来越严格的要求。近年来，随着计算机辅助设计(CAD)和制造(CAM)以及数控加工新技术在机械生产领域的发展和推广应用，零件加工技术水平达到了一个新的高度，常规的零件尺寸、形状等参数都能得到较精准的控制，从而越来越多的研究集中在了表面粗糙度这一微观形状参数的测量和控制上。表面粗糙度对零件运行时的稳定性、耐磨度以及使用寿命都有至关重要的影响。因此，能够精确评估表面粗糙度具有重要意义。

近年来，激光测量技术和人工智能得到了很快的发展并迅速推广应用，这些理论很多都被运用于粗糙度测量中，为粗糙度测量提供了很多新的思路和好的测量方法。表面粗糙度测量朝着快速、精确和全自动化的方向发展。但现有相关研究中主要针对不同种类工艺类型建立不同测量表面粗糙度值模型，且建立的模型只针对某一种散斑特征与表面粗糙度的对应关系。因此，建立同时可适用于多种零件加工工艺表面粗糙度测量方法是十分重要的。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于随机森林的多参数零件表面粗糙度学习方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于随机森林的多参数零件表面粗糙度学习方法，包括如下步骤，

步骤一，样本图像采集，由CCD相机采集经激光照射在物体表面产生的散斑场，并通过图像采集卡传输到工作站；

步骤二，图像预处理，加强图像阴影部分的细节特征；

步骤三，多特征提取，即运用空间平均法提取光学特征，灰度共生矩阵法提取均值、方差、相关性、熵、二阶矩、惯性矩特征，Tamura纹理特征法提取纹理特征；

步骤四，将每一特征量化后作为一个属性加入随机森林和决策树算法学习，根据分类属性信息增益最大原则构建随机森林分类器，用以检测分类零件工艺类型；

步骤五，通过对散斑图像特征研究，实现了多特征提取，找出特征与粗糙度之间的单调性；然后将特征归一化，引入互信息量学习特征权重，并结合相关性系数和随机森林学习参数建立粗糙度学习函数；

步骤六，利用学习好的分类器和粗糙度函数对待测零件进行检测。

进一步地，步骤二中对图像进行预处理，首先截取散斑图像有效区域，并基于巴特沃斯滤波器同态滤波法对散斑图像进行图像增强，增强阴影部分的细节特征。

进一步地，步骤三中所述光学特征包括散斑对比度和暗区比特征，纹理特征包括纹理粗糙度、对比度、方向度特征。

进一步地，所述散斑对比度为强度涨落大小与强度平均值的度量，所述暗区比表示为暗区像素点数与总像素点数之比。

进一步地，步骤四中的零件工艺类型判别方法包括如下步骤，

S4.1样本随机选择；从若干组样本中有放回抽取n个样本，即对行抽取；提取的特征参数共12个，有放回抽取m个特征参数，即列抽取；