[发明专利]基于云边端协同的工件表面粗糙度在线检测方法及系统

权利要求书

1.一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的工件表面粗糙度在线检测方法包括：

步骤1：智能粗糙度检测装置采集工件表面图像，并分别上传至云平台和智能终端；

步骤2：云平台构建粗糙度等级识别模型，并根据智能粗糙度检测装置采集的数据对模型进行训练，获得最优的粗糙度等级识别模型；

步骤3：智能终端利用云平台获取的最优粗糙度等级识别模型进行粗糙度等级识别，并将识别结果发送至智能粗糙度检测装置。

2.根据权利要求1所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的步骤1具体为：

步骤1-1：智能粗糙度检测装置采集多种加工方式下的粗糙度图像并构建粗糙度等级识别数据库；

步骤1-2：将数据库中的数据划分为训练集、验证集和测试集，并根据粗糙度等级图像制作粗糙度等级标签；

步骤1-3：将训练集和验证集上传至云平台，将测试集上传至智能终端。

3.根据权利要求2所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的粗糙度等级识别数据库按照加工方式分类，加工方式包括车削、磨外圆、研磨、平磨、平铣和立铣。

4.根据权利要求2所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的步骤2具体为：

步骤2-1：构建粗糙度等级识别模型；

步骤2-2：使用训练集中的图像以及粗糙度等级标签对粗糙度等级识别模型进行训练，获得粗糙度等级预测值；

步骤2-3：根据预测值与期望值之间的总误差并逐层返回，更新各层参数，循环迭代直至误差小于或等于期望值时完成模型训练并保存最优模型。

5.根据权利要求4所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的粗糙度等级识别模型具体为深度卷积神经网络模型，包括依次相连的输入层、卷积层、池化层、批标准化层、深度拼接层和全连接层。

6.根据权利要求1所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的工件表面粗糙度在线检测方法还包括

步骤4：对粗糙度等级识别数据库和粗糙度等级识别模型进行动态更新。

7.根据权利要求6所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的步骤4具体为：

步骤4-1：智能终端利用云平台训练好的最优粗糙度等级识别模型进行粗糙度等级推理；

步骤4-2：智能终端将推理结果发送至云平台；

步骤4-3：平台根据推理结果更新粗糙度等级识别数据库，并进行粗糙度等级识别模型的拓展与优化。

8.根据权利要求7所述的一种基于云边端协同的工件表面粗糙度在线检测方法，其特征在于，所述的步骤4-3具体为：

云平台利用更新后的粗糙度等级识别数据库动态更新粗糙度等级识别模型并发送至智能终端进行粗糙度等级推理，通过训练、推理、反馈、再训练从而实现粗糙度等级识别数据库和粗糙度等级识别模型的动态更新。

9.一种基于云边端协同的工件表面粗糙度在线检测系统，其特征在于，所述的工件表面粗糙度在线检测系统包括：

智能粗糙度检测装置，用作工件表面粗糙度在线检测系统的边缘端，采集待测工件表面图像并将其发送给云平台；

云平台，用作工件表面粗糙度在线检测系统的云端，对粗糙度等级识别模型进行训练，并将训练好的粗糙度等级识别模型传入智能终端；

智能终端，用作工件表面粗糙度在线检测系统的终端，利用训练好的粗糙度等级识别模型进行粗糙度等级推理，并将推理结果反馈至云平台和智能粗糙度检测装置，实现对粗糙度等级识别数据库和粗糙度等级识别模型的动态更新。

10.根据权利要求9所述的一种基于云边端协同的工件表面粗糙度在线检测系统，其特征在于，所述的智能粗糙度检测装置包括主控单元、数据通讯单元、图像采集单元和显示单元；所述的数据通讯单元、图像采集单元和显示单元分别接入主控单元。