当前的机器视觉方法测量表面粗糙度过度依赖于特征设计来量化表面形态和构建预测模型,并且特征指标设计存在人为干预,而数据采集对光源环境和拍摄角度严重依赖。在实际生产应用中,机械加工的产品表面粗糙度检测方法仍需提高。针对目前的机器视觉对机械加工的表面粗糙度研究现状,论文针对基于深度学习的铣削表面粗糙度的分类展开了系统的研究。文章旨在通过实验获取加工的铣削工件表面图像,将图像经过数据预处理,构建了基于图像特征自提取的深度神经网络的表面粗糙度分类模型。而深度神经网络需要大量的数据训练才能获得较理想的结果,在铣削工件表面图像数据有限的情况下,可对数据进行预处理,预处理后可以提高训练模型的鲁棒性,避免过拟合现象的发生,增强模型的泛化能力。基于深度神经网络的表面粗糙度分类检测方法,是一种端到端的图像分析方法,将实验采集的工件表面图像,通过预处理、统一尺寸后直接输入到卷积网络搭建的模型中,通过多层卷积及池化运算,以及全连接层和分类层的综合处理,最终输出图像的表面粗糙度分类结果。分类学习中,使用训练集数据可以达到98.94%的准确率,使用测试集数据可以达到98.24%的准确率,验证了该方法的可行性和有效性。论文的三类深度神经网络主要研究工作如下:（1）基于Res Net50模型的卷积神经网络:首先设计特殊光源、光照方式,完成补光以凸显图像粗糙度相关特征,然后利用CMOS相机等关键硬件获取图片数据集,最后利用基于卷积神经网络的检测技术,即经过端到端的图像分析,然后利用卷积操作和综合处理得到粗糙度分类模型,最终可对表面粗糙度精确的分类和快速的预测。（2）基于Xception模型的深度卷积神经网络:基于深度卷积神经网络的方法对表面粗糙度进行分类,可实现无指标设计的粗糙度检测,最重要的是在不同光源环境下,该检测方法具有良好的光源鲁棒性。研究采用端到端的图像分析方法,通过对少量的源图像进行图像增强的预处理手段,经过多层卷积及池化运算,以及全连接层和分类层的综合处理,卷积核能自动提取图像的特征,最终可对立式盘刀铣削加工得到的表面粗糙度进行分类预测。另外,基于黑夜和白天两种不同亮度的实验光源环境,通过和较成熟的Res Net50、Dense Net121卷积神经网络模型进行对比,深度卷积神经网络Xception模型不仅粗糙度分类精度高,更具有很好的光源环境鲁棒性。该方法使得视觉粗糙度在线测量成为了可能。（3）基于可变成像环境的Swin-Transformer模型:采用Swin-Transformer模型,直接对可变成像环境下采集的铣削试样彩色图像进行粗糙度评估和分类。实验所用图片是在黑夜和白天两种环境下采用2种镜头并分别结合定制光源和普通光源,且针对不同的角度进行拍摄,深度模拟了工业生产在线检测的环境,粗糙度分类结果证明该方法对光源环境和拍摄角度具有非常好的鲁棒性,避免了图像特征的人为设计与提取,为工业生产的视觉粗糙度测量提供了一种新的改进策略。以上三类模型在基于工件图像的表面粗糙度检测上都取得了较好的分类效果,并且检测速度较快,具有工业现场实用价值。