用于识别车削零件表面粗糙度等级的有效特征的确定方法

摘要

本发明公开了一种用于识别车削零件表面粗糙度等级的有效特征的确定方法、模块、计算设备及存储介质，该方法包括：生成车削零件表面图像集，车削零件表面图像集包括多个对应不同表面粗糙度等级的表面图像子集，每个表面图像子集包括多张车削零件表面图像；基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据；对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练；将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标；根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征。

说明书

技术领域

本发明涉及机械加工及图像处理技术领域，特别涉及一种用于识别车削零件表面粗糙度等级的有效特征的确定方法、模块、计算设备及存储介质。

背景技术

在机械加工的过程中，由于刀具与零件表面间的摩擦、切屑分离时表面金属层的塑性变形、工艺系统的振动等因素的影响，使零件表面产生微小的峰谷，这种几何特性称为表面粗糙度，表面粗糙度对机械产品的可靠性以及使用寿命具有极为重要影响。

不同的加工方式对零件表面的纹理以及间距等会产生一定的差异性。例如，经过车削、铣削、镗削等加工后，零件表面纹理的周期性和方向性很强，分布规律接近于标准的高斯分布，而经过抛、磨等加工后，零件表面纹理以随机性为主，方向性不强，分布规律是偏斜的高斯分布或是其他类型的分布。

目前，针对磨削零件表面粗糙度的视觉测量研究相对较多，但针对车削零件，尤其针对螺纹杆这类螺纹曲面的车削零件，表面粗糙度视觉检测或等级识别的相关研究相对较少。在基于机器视觉的车削零件表面粗糙度检测中，如何从车削零件表面粗糙度关联特征中选出有效特征，以便后续进行表面粗糙度识别，是这一检测技术的一大关键。

因此，需要一种用于识别车削零件表面粗糙度等级的有效特征的确定方法来实现优化处理。

发明内容

为此，本发明提供一种用于识别车削零件表面粗糙度等级的有效特征的确定方案，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种用于识别车削零件表面粗糙度等级的有效特征的确定方法，该方法包括如下步骤：首先，生成车削零件表面图像集，车削零件表面图像集包括多个对应不同表面粗糙度等级的表面图像子集，每个表面图像子集包括多张车削零件表面图像，每张车削零件表面图像与其所属表面图像子集对应的表面粗糙度等级一致；基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据，特征类型集包括多种图像特征类型；对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练；将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标；根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征。

可选地，在根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法中，生成车削零件表面图像集的步骤，包括：获取多张不同表面粗糙度等级的车削零件表面的拍摄图像；对每张拍摄图像进行预处理，以获取拍摄图像对应的多张车削零件表面图像；将相同表面粗糙度等级的各车削零件表面图像归类为同一表面图像子集，并集合多个表面图像子集形成车削零件表面图像集。

可选地，在根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法中，对每张拍摄图像进行预处理，以获取拍摄图像对应的多张车削零件表面图像的步骤，包括：对每张拍摄图像，去除标记区域，以提取出车削区域图像；对每张车削区域图像进行等像素切割，对应生成多张车削零件表面图像。

可选地，在根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法中，对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练的步骤，包括：对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型；以图像特征类型关联的图像特征数据为支持向量机分类模型的输入，以图像特征数据关联的表面粗糙度等级为支持向量机分类模型的输出，对支持向量机分类模型进行训练。

可选地，在根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法中，图像特征类型包括灰度直方图特征、灰度共生矩阵特征、局部二值模式特征、方向梯度直方图特征和几何不变矩特征中至少一种。

可选地，在根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法中，支持向量机分类模型的核函数包括线性核函数、多项式核函数、高斯核函数中至少一种。

可选地，在根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法中，模型评价指标包括准确率、宏平均精确率、宏平均召回率、宏平均调和平均数和分类时间。

根据本发明的又一个方面，提供一种用于识别车削零件表面粗糙度等级的有效特征的确定模块，该模块包括生成单元、提取单元、构建单元、处理单元和确定单元。其中，生成单元适于生成车削零件表面图像集，车削零件表面图像集包括多个对应不同表面粗糙度等级的表面图像子集，每个表面图像子集包括多张车削零件表面图像，每张车削零件表面图像与其所属表面图像子集对应的表面粗糙度等级一致；提取单元适于基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据，特征类型集包括多种图像特征类型；构建单元适于对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练；处理单元适于将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标；确定单元适于根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征。

根据本发明的又一个方面，提供了一种计算设备，包括：至少一个处理器；以及存储器，存储有程序指令，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行如上所述的用于识别车削零件表面粗糙度等级的有效特征的确定方法的指令。

根据本发明的又一个方面，提供了一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行如上所述的用于识别车削零件表面粗糙度等级的有效特征的确定方法。

根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方案，先生成车削零件表面图像集，基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据，对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练，将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标，最后根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征，以便后续基于有效特征来提升车削零件表面粗糙度等级识别的准确性和可靠性。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明的一个实施例的计算设备100的结构框图；

图2示出了根据本发明的一个实施例的用于识别车削零件表面粗糙度等级的有效特征的确定方法200的流程图；以及

图3示出了根据本发明的一个实施例的用于识别车削零件表面粗糙度等级的有效特征的确定模块300的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明的一个实施例的计算设备100的结构框图。

如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(UP)、微控制器(UC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。

计算设备100还包括储存设备132，储存设备132包括可移除储存器136和不可移除储存器138。

计算设备100还可以包括储存接口总线134。储存接口总线134实现了从储存设备132(例如，可移除储存器136和不可移除储存器138)经由总线/接口控制器130到基本配置102的通信。操作系统120、应用122以及程序数据124的至少一部分可以存储在可移除储存器136和/或不可移除储存器138上，并且在计算设备100上电或者要执行应用122时，经由储存接口总线134而加载到系统存储器106中，并由一个或者多个处理器104来执行。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中以编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备100也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、数码照相机、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。甚至可以被实现为服务器，如文件服务器、数据库服务器、应用程序服务器和WEB服务器等。本发明的实施例对此均不做限制。

计算设备100被配置为执行根据本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法200。其中，布置在操作系统上的应用122中包含用于执行本发明的方法200的多条程序指令，这些程序指令可以指示处理器104执行本发明的方法200，以便计算设备200通过执行本发明的方法200来确定用于识别车削零件表面粗糙度等级的有效特征。

根据本发明的一个实施例，布置在操作系统上的应用122包括用于识别车削零件表面粗糙度等级的有效特征的确定模块300，模块300中包含用于执行本发明的方法200的多条程序指令，使得本发明的方法200可以在模块300中执行。

图2示出了根据本发明的一个实施例的用于识别车削零件表面粗糙度等级的有效特征的确定方法200的流程图。方法200可以在计算设备(例如前述计算设备100)的用于识别车削零件表面粗糙度等级的有效特征的确定模块300中执行。

如图2所示，方法200始于步骤S210。在步骤S210中，生成车削零件表面图像集，车削零件表面图像集包括多个对应不同表面粗糙度等级的表面图像子集，每个表面图像子集包括多张车削零件表面图像，每张车削零件表面图像与其所属表面图像子集对应的表面粗糙度等级一致。

根据本发明的一个实施例，可以通过如下方式生成车削零件表面图像集。首先，获取多张不同表面粗糙度等级的车削零件表面的拍摄图像。在该实施方式中，可以通过数据获取设备对不同表面粗糙度等级的车削零件，在外部环境保持不变的情况下进行表面成像，以得到多张拍摄图像。其中，车削零件为螺纹杆车削样块，数据获取设备通常包括光源、相机、镜头等。

例如，以高度特征参数的轮廓算术平均偏差作为对车削零件表面粗糙度的评价指标，轮廓算术平均偏差(以Ra表示)是指在取样长度内轮廓偏距绝对值的算术平均值。基于此，利用数据获取设备对Ra0.8、Ra1.6、Ra3.2、Ra6.4这4个表面粗糙度等级的车削零件表面进行成像，每个表面粗糙度等级选择成像清晰且表达信息完整的2张拍摄图像，最终得到8张拍摄图像。

而后，对每张拍摄图像进行预处理，以获取拍摄图像对应的多张车削零件表面图像。具体来说，对每张拍摄图像，先去除标记区域，以提取出车削区域图像，再对每张车削区域图像进行等像素切割，对应生成多张车削零件表面图像。

对拍摄图像而言，一般情况下右侧部分区域是标记区域，不属于车削区域，不能用于后续的处理，因此可采用切割的方式，将拍摄图像右侧标记区域(即非车削区域)去除，保留车削区域，从而提取出车削区域图像，后续再对车削区域图像进行等像素切割，以对应生成多张车削零件表面图像。

假设拍摄图像为4000×3000像素的图像，得到车削区域图像为2600×3000像素的图像，将车削区域图像切割成多张200×200像素的车削零件表面图像，则8张拍摄图像总共可得到1560张车削零件表面图像。

最后，将相同表面粗糙度等级的各车削零件表面图像归类为同一表面图像子集，并集合多个表面图像子集形成车削零件表面图像集。在该实施方式中，Ra0.8、Ra1.6、Ra3.2、Ra6.4这4个表面粗糙度等级对应的车削零件表面图像各有390张，归类后可获得4个不同表面粗糙度等级的表面图像子集，集合4个表面图像子集可形成车削零件表面图像集。

将7:3作为训练集图像数量与测试集图像数量之比，通过固定随机数种子生成伪随机数的方法，随机对每个表面图像子集进行图像抽取，以避免人为干预和保证测试集一致性，最终每个表面粗糙度等级下，用于训练的车削零件表面图像273张，用于测试的车削零件表面图像117张。

随后，进入步骤S220，基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据，特征类型集包括多种图像特征类型。根据本发明的一个实施例，图像特征类型包括灰度直方图特征、灰度共生矩阵特征、局部二值模式特征、方向梯度直方图特征和几何不变矩特征中至少一种。其中，灰度直方图特征、灰度共生矩阵特征、局部二值模式特征属于图像的纹理特征，方向梯度直方图特征和几何不变矩特征属于图像的形状特征。

灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率，而直方图统计纹理特征量包括均值、方差、偏度、峰度、能量、熵等，则在该实施方式中，可提取灰度直方图的灰度均值、灰度方差、能量、熵和灰度对比度作为灰度直方图特征。

灰度共生矩阵是像素距离和角度的矩阵函数，其通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。在该实施方式中，提取了灰度共生矩阵的角二阶矩、熵、对比度、反差分矩阵、相关性和差异性这六个特征量，且每个特征量又提取0度、45度、90度、135度4个方向的信息，即共提取24个特征量作为灰度共生矩阵特征。

局部二值模式(Local Binary Pattern，LBP)属于非参数描述子，具有多分辨率、灰度尺度不变、每旋转不变等特性，且对灰度变化不敏感，计算速度快。在该实施方式中，采用LBP特征谱的统计直方图作为局部二值模式特征用于分类识别。

方向梯度直方图(Histogram of Oriented Gradient，HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，通过计算和统计图像局部区域的梯度方向直方图来构成特征。

几何不变矩又称为Hu不变矩，利用二阶和三阶归一化中心矩构造了7个不变矩，不变矩是一处高度浓缩的图像特征，在连续图像下具有平移、灰度、尺度、旋转不变性。在该实施方式中，上述7个不变矩构成的一组特征量作为几何不变矩特征。

在步骤S230中，对特征类型集中每种图像特征类型，分别构建对应的支持向量机(Support Vector Machines，SVM)分类模型并进行训练。

根据本发明的一个实施例，对特征类型集中每种图像特征类型，先分别构建对应的支持向量机分类模型，再以图像特征类型关联的图像特征数据为支持向量机分类模型的输入，以图像特征数据关联的表面粗糙度等级为支持向量机分类模型的输出，对支持向量机分类模型进行训练。其中，用于训练的图像特征数据来源于训练集中车削零件表面图像。

根据本发明的一个实施例，特征类型集包括了灰度直方图特征、灰度共生矩阵特征、局部二值模式特征、方向梯度直方图特征和几何不变矩特征5种图像特征类型，因此需要分别构建5个针对不同图像特征类型的支持向量机分类模型。

支持向量机分类模型的核函数包括线性核函数、多项式核函数、高斯核函数中至少一种。线性核的特点是线性可分、参数少、运算速度快，且可解释性强，可以判断特征的重要程度。多项式核函数的特点为可应用与线性不可分问题、参数多，当多项式的阶数比较高时，计算会相当复杂。高斯核函数的特点包括局部性强、运用最广、大样本与小样本均有良好的性能，且只有一个参数，决策边界更为多样，但其可解释性差，计算速度较慢，还容易过拟合。在构建支持向量机分类模型时，可以从中任选一种或多种作为模型的核函数。

接下来，在步骤S240中，将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标。其中，所使用的图像特征数据来源于测试集中车削零件表面图像。根据本发明的一个实施例，模型评价指标包括准确率、宏平均精确率、宏平均召回率、宏平均调和平均数和分类时间。

准确率是指支持向量机分类模型正确分类的比率，宏平均精确率是指所有类精确率的算术平均值，宏平均召回率是指所有类召回率的算术平均值，宏平均调和平均数是指所有类调和平均数的算术平均值。而考虑到提取特征、支持向量机分类模型的核函数以及对应参数的不同，模型分类所耗费的时间不同，根据目前科技水平及实际表面粗糙度测量的及时性需求，将分类时间纳入模型评价指标中。

最后，执行步骤S250，根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征。

由步骤S240，可以得出针对每种图像特征类型，分别采用线性核函数、多项式核函数、高斯核函数的支持向量机分类模型进行处理后，基于处理情况计算得出的模型评价指标。表1示出了根据本发明一个实施例的采用线性核函数的支持向量机分类模型对应的模型评价指标示例。

表1

从表1中可以看出，以线性核函数支持向量机分类模型进行车削零件表面粗糙度等级识别，得到的结果中提取局部二值模式特征的模型分类识别的效果最佳，准确率、宏平均精确率、宏平均召回率以及宏平均调和平均数均为90％，且分类时间较短，效率较高，灰度共生矩阵特征各项模型评价指标(除分类时间)可以达到75％，其余特征效果较差。

表2示出了根据本发明一个实施例的采用多项式核函数的支持向量机分类模型对应的模型评价指标示例。

表2

由表2可知，以多项式核函数支持向量机分类模型进行车削零件表面粗糙度等级识别，得到的结果中提取方向梯度直方图特征的模型分类识别的效果最佳，准确率、宏平均精确率、宏平均召回率以及宏平均调和平均数为89％，且分类时间较短，效率较高，局部二值模式特征各项模型评价指标(除分类时间)达到78％左右，效果较方向梯度直方图特征有所不足，但仍有较好的识别率及效率，其余特征效果较差。

表3示出了根据本发明一个实施例的采用高斯核函数的支持向量机分类模型对应的模型评价指标示例。

表3

从表3中可以看出，以高斯核函数支持向量机分类模型进行车削零件表面粗糙度等级识别，得到的结果中提取方向梯度直方图特征的模型分类识别的效果最佳，准确率、宏平均精确率、宏平均召回率以及宏平均调和平均数达到82％，但较多项式核函数支持向量机分类模型差一些，灰度共生矩阵特征各项模型评价指标(除分类时间)达到75％左右，效果较方向梯度直方图特征略差，但仍有较好的识别率及效率，其余特征效果较差。

根据上述模型评价指标的结果，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征包括灰度共生矩阵特征、局部二值模式特征以及方向梯度直方图特征。

图3示出了根据本发明的一个实施例的用于识别车削零件表面粗糙度等级的有效特征的确定模块300的示意图。模块300驻留在计算设备(例如前述计算设备100)中，通过执行本发明的方法200来确定用于识别车削零件表面粗糙度等级的有效特征。

如图3所示，用于识别车削零件表面粗糙度等级的有效特征的确定模块300包括依次相连的生成单元310、提取单元320、构建单元330、处理单元340和确定单元350。其中，提取单元320还与处理单元340相连。

其中，生成单元310可以生成车削零件表面图像集，车削零件表面图像集包括多个对应不同表面粗糙度等级的表面图像子集，每个表面图像子集包括多张车削零件表面图像，每张车削零件表面图像与其所属表面图像子集对应的表面粗糙度等级一致。提取单元320可以基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据，特征类型集包括多种图像特征类型。构建单元330可以对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练。处理单元340可以将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标。确定单元350可以根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征。

应当指出，生成单元310用于执行前述步骤S210，提取单元320用于执行前述步骤S220，构建单元330用于执行前述步骤S230，处理单元340用于执行前述步骤S240，确定单元350用于执行前述步骤S250。这里，关于生成单元310、提取单元320、构建单元330、处理单元340和确定单元350的执行逻辑可参见前文方法200中对步骤S210～S250的具体描述，此处不再赘述。

根据本发明实施例的用于识别车削零件表面粗糙度等级的有效特征的确定方案，先生成车削零件表面图像集，基于预设的特征类型集，对车削零件表面图像集中的每张车削零件表面图像进行图像特征提取，以获取对应的图像特征数据，对特征类型集中每种图像特征类型，分别构建对应的支持向量机分类模型并进行训练，将图像特征数据输入到对应的训练好的支持向量机分类模型中处理，根据处理情况计算模型评价指标，最后根据模型评价指标，从特征类型集中确定用于识别车削零件表面粗糙度等级的有效特征，以便后续基于有效特征来提升车削零件表面粗糙度等级识别的准确性和可靠性。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的用于识别车削零件表面粗糙度等级的有效特征的确定方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。