钛合金磨削过程中产生的高温易使工件表面出现磨削烧伤,降低工件耐磨性、耐腐蚀性和疲劳强度等,严重影响工件的使用性能。为保障工件加工质量、提高工件生产效率,生产上急需一种高效的磨削烧伤识别方法。基于深度学习的钛合金磨削烧伤图像识别方法可以减少图像预处理流程,避免手工特征提取,提高烧伤识别准确率,实现磨削烧伤的无损快速检测。本文基于深度学习理论,以TC4钛合金为研究对象,针对磨削烧伤的图像识别进行深入研究,为实现钛合金磨削烧伤的高效识别奠定基础。本文主要工作及研究成果如下:1.利用钛合金磨削试验获取不同程度烧伤的试样,同时完成图像采集模块的设计,包括光源种类、光照类型和工业相机等的选择。然后对采集的烧伤图像进行标签的确定和图像预处理,最后采用旋转、平移、裁剪等几何变换对烧伤数据进行图像增广,制定了TGBC-GD和TGBC-ID数据集,分别用于模型的训练和测试。2.基于卷积神经网络设计了钛合金磨削烧伤识别网络TGBNet,采用卷积层堆叠、全局平均池化、Dropout等手段对模型进行优化。结合钛合金磨削烧伤的表面特性,研究了模型参数初始化、优化器、批量标准化以及批量大小对模型收敛速度和稳定性的影响,分析了模型对TC4钛合金不同程度磨削烧伤的分类性能。3.基于模型迁移的方法,从分类器的构建角度出发,采用构建支持向量机和构建新的全连接层两种方式进行钛合金磨削烧伤的图像识别。分析了模型对不同程度烧伤的分类效果,同时对比不同模型的烧伤识别性能,发现基于模型迁移的烧伤识别方法在数据集不足的情况下就有更优的分类表现。最后采用特征图可视化的方法分析了不同的烧伤识别算法在识别性能上产生差异的原因。4.开发了钛合金磨削烧伤图像识别系统,包括图像采集子系统、模型训练子系统和烧伤识别子系统的设计。同时为使计算、存储资源得到合理分配,设计了控制模块、图像采集模块等在内的9大功能模块,实现了钛合金磨削烧伤的图像识别。