BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,496,888
  • Công bố khoa học và công nghệ Việt Nam

50

Khoa học máy tính

BB

Trần Hữu Phát, Nguyễn Chí Ngôn(1)

Ứng dụng mạng học sâu và xử lý ảnh trong xác định các cấp độ nhám bề mặt gia công kim loại

Application of deep learning and image processing in determining metal surface roughness levels

Khoa học (Đại học Cần Thơ)

2024

1

11-19

1859-2333

AlexNet, Cấu trúc bề mặt, Độ nhám, Mạng nơ ron tích chập, Xử lý ảnh

AlexNet, Convolutional neural networks, Image processing, Roughness, Texture

Trong ngành cơ khí chế tạo, độ nhám bề mặt sau gia công là một trong những yêu cầu kỹ thuật quan trọng. Việc đánh giá phải được thực hiện trên hệ thống thiết bị đầu dò phức tạp bởi các kỹ thuật viên, thực tế đó dẫn đến một số khó khăn trong quy trình đánh giá. Trong nghiên cứu này, mạng nơ ron tích chập AlexNet được đề xuất sử dụng để tự động hóa việc nhận dạng và phân tích độ nhám bề mặt. Đầu tiên, dữ liệu hình ảnh bề mặt kim loại được thu thập với độ nhám đã được đánh giá và gán sẵn giá trị Ra trong khoảng 0,4-3,2 μm. Tiếp theo, AlexNet sẽ được huấn luyện trên bộ dữ liệu này để học cách nhận biết các cấp độ nhám khác nhau. Kết quả thực nghiệm với độ chính xác 89,2% đã cho thấy mô hình AlexNet đạt được hiệu suất nhận dạng độ nhám đáng kể. Nghiên cứu đã chứng minh tính khả thi và hiệu quả của việc ứng dụng mạng nơ ron tích chập vào tự động hóa quy trình đánh giá chất lượng bề mặt gia công.

 

In the mechanical manufacturing industry, surface roughness after machining is one of the crucial technical requirements. The evaluation has traditionally been carried out on complex probing systems by technicians, which has led to some difficulties in the assessment process. In this study, we propose the use of the convolutional neural network AlexNet to automate the identification and analysis of surface roughness. First, we collected images of metal surfaces with pre-evaluated roughness values Ra ranging from 0.4 to 3.2 μm. Next, AlexNet was trained on this dataset to learn to recognize different levels of roughness. Experimental results with an accuracy of 89.2% have demonstrated that the AlexNet model achieved significant roughness identification performance. The research has proven the feasibility and effectiveness of applying convolutional neural networks to automate the surface quality assessment process.

 

TTKHCNQG, CVv 403

Xem toàn văn