The traditional devices, used to measure the surface roughness, are very sensitive, and they are obtained by scratching the surface of materials. Therefore, the optic systems are used as alternatives to these devices to avoid the unwanted processes that damage the surface. In this study, face milling process was applied to American Iron and Steel Institute (AISI) 1040 carbon steel and aluminium alloy 5083 materials using the different tools, cutting speeds and depth of cuts. After these processes, surface roughness values were obtained by the surface roughness tester, and the machined surface images were taken using a polarise microscope. The obtained images were converted into binary images, and the images were used as input data to train network using the MATLAB neural network toolbox. For the training networks, log-sigmoid function was selected as transfer function, scaled conjugate gradient (SCG) algorithm was used as training algorithm, and performance of the trained networks was achieved as an average of 99.926 % for aluminium alloy (AA) 5083 aluminium and as an average of 99.932 % for AISI 1040 steel. At the end of the study, a prediction programme for optical surface roughness values using MATLAB m-file and GUI programming was developed. Then, the prediction programme and neural network performance were tested by the trial experiments. After the trial experiments, surface roughness values obtained with stylus technique for the carbon steel and aluminium alloy materials were compared with the developed programme values. When the developed programme values were compared with the experimental results, the results were confirmed each other at a rate of 99.99

 دستگاه های سنتی که برای اندازه گیری زبری سطوح ، مورد استفاده قرار می­گیرند بسیار حساس هستند و با تراشکاری سطح مواد بدست می­ آیند. بنابراین، برای جلوگیری از فرآیندهای ناخواسته که به سطوح آسیب می­رساند، سیستم های نوری به عنوان روش های جایگزین استفاده می شوند. در این مطالعه، فرآیند فرزکاری به مواد فولاد کربنی 1040 و آلیاژ آلومینیومی 5083 با استفاده از ابزار مختلف، سرعت­ های برش و عمق برشکاری در موسسه آهن و فولاد آمریکا (AISI) اعمال شده است. پس از این فرآیند، مقدار زبری سطوح با تستر سختی سطح به دست آمده و تصاویر سطوح ماشین کاری شده با استفاده از یک میکروسکوپ قطبی گرفته شده است. تصاویر به دست آمده به تصاویر باینری یا دودویی تبدیل شدند، و تصاویر به عنوان داده­ه ای ورودی برای آموزش شبکه با استفاده از جعبه ابزار شبکه عصبی متلب مورد استفاده قرار گرفتند. برای شبکه آموزش داده شده، تابع سیگموئید به عنوان تابع انتقال انتخاب شده است، الگوریتم گرادیان مزدوج کوچک (SCG) به عنوان الگوریتم آموزش مورد استفاده قرار گرفته است و عملکرد شبکه های آموزش دیده برای آلیاژ آلومینیومی (AA) آلومینیوم 5083 به طور متوسط برابر​​99.926٪  و برای فولاد 1040 AISI به طور متوسط برابر ​​99.932٪ بدست آمده است. در پایان مقاله، یک برنامه پیش­بینی برای تعیین مقادیر نوری زبری سطح با استفاده از Mفایل MATLAB  و برنامه نویسی  GUI توسعه داده شده است. سپس، برنامه­ی پیش بینی و عملکرد شبکه های عصبی توسط آزمایشات تجربی مورد ارزیابی قرار گرفتند. پس از انجام آزمایشات، مقادیر زبری سطوح که با روش قلم زنی برای مواد فولاد کربنی و آلیاژ آلومینیومی به دست آمده اند را با مقادیر بدست آمده از برنامه نویسی مقایسه شده اند. با مقایسه ­ی بین مقادیر بدست آمده از برنامه نویسی با نتایج تجربی، نتایج هر یک با نرخ 99.999٪   باهم مطابقت داشتند.