第一章 緒論 的研究動機與目的.ppt

私 立 元 智 工 學 院工業工程研究所 應用機器視覺於切削加工件之表面粗糙度分析 研究方法--粗糙度特性 研究方法--粗糙度特性 粗糙寬度與粗糙度的關係 粗糙高度與粗糙寬度之間具有一定程度的相關性，故可藉由粗糙寬度來求得粗糙高度 研究方法--影像轉換 二維傅立葉轉換的特性 二維傅立葉轉換是將一個空間域的影像轉為頻率域工具 可以將影像中表面的特徵，藉由分離頻率要素的方式顯現出來 頻率要素的分佈或值域可以說明影像中週期性特徵的程度 可以有效的消除灰階影像中的隨機雜訊 研究方法--影像轉換 二維傅立葉轉換 當影像為 時，二維離散傅立葉轉換為 其中 為影像灰階 其傅立葉譜為 功率譜為 相位角為 研究方法--影像轉換 研究方法--影像轉換 研究方法--特徵指標的選擇 粗糙度的可行指標 主要頻率要素離中心點的距離 研究方法--特徵指標的選擇 粗糙度的可行指標 中心頻率要素的能量比例 研究方法--特徵指標的選擇 切削刀痕方向的可行指標 頻率要素的方向性 粗糙度分類 工件方向固定 類神經網路 工件方向任意 類神經網路 粗糙度預測 工件方向固定 類神經網路 迴歸分析 工件方向任意 類神經網路 倒傳遞類神經網路的模式建立 工件方向固定 工件方向任意 粗糙度指標選擇--類神經網路 最小均方根誤差基準 ：實際粗糙度值， ：網路輸出值 最佳可行指標搜尋 逐步(stepwise)搜尋法中的由下而上法(button-up)： 選擇一個指標，經過類神經網路學習後，可以使誤差均方根為最小 保留上一步驟選擇之指標，並在剩下的可行指標中，每次選擇一個可以使誤差均方根為最小的指標加入 當所有指標都已加入，則到步驟4.，否則，則回到步驟2. 選擇誤差均方根為最小的指標組合，即為最佳可行的指標組合 迴歸分析的模式建立 簡單的線性迴歸方程式 ：粗糙度預測值 ：傅立葉指標值 可與監督式學習中用於預測連續值問題的倒傳遞網路作比較 經由特定的函數將傅立葉指標及粗糙度值轉換為線性關係 工件方向固定下的粗糙度分類 指標搜尋 分類效果 工件方向固定下的粗糙度預測 指標搜尋 預測效果 粗糙度預測效果的比較 迴歸分析 類神經網路 工件方向任意下的粗糙度分析 粗糙度分類 粗糙度預測 元智大學工業工程研究所 應用機器視覺於鑄件表面粗糙度分類 研究生：曾啟峰 指導教授：蔡篤銘　博士 不同粗糙度鑄件表面原始影像及相對應的傅立葉頻譜 相同粗糙度但角度不同鑄件表面原始影像及相對應的傅立葉頻譜 傅立葉頻譜之區域分割 工件角度固定之原始全灰階影像及傅立葉頻譜 工件角度固定之原始全灰階影像及傅立葉頻譜(續) 粗糙度分類的類神經網路架構 (c) = 280 (f) (i) 粗糙度表示方法 最大高度粗糙度 最大高度粗糙度係指平行於平均線的兩條通過最高點與最低點之平行線的距離 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 刨削加工件的原始影像及傅立葉譜 應用機器視覺於切削加工件之表面粗糙度分析 刨削加工件的原始影像及傅立葉譜 應用機器視覺於切削加工件之表面粗糙度分析 銑削加工件的原始影像及傅立葉譜 應用機器視覺於切削加工件之表面粗糙度分析 銑削加工件的原始影像及傅立葉譜 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 研究方法--粗糙度分析模式的應用 應用機器視覺於切削加工件之表面粗糙度分析 研究方法--粗糙度分析模式的建立 應用機器視覺於切削加工件之表面粗糙度分析 研究方法--最佳可行指標的選擇 應用機器視覺於切削加工件之表面粗糙度分析 研究方法--粗糙度分析模式的建立 應用機器視覺於切削加工件之表面粗糙度分析 實驗結果--刨削加工法的粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 實驗結果--刨削加工法的粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 實驗結果--刨削加工法的粗糙度分析 應用機器視覺於切削加工件之表面粗糙度分析 實驗結果--刨削加工法的粗糙度分析 (a) 粗糙度12.5 的鑄件表