机械加工表面粗糙的视觉检测

【摘 要】随着科技的发展，机械加工表面粗糙的视觉检测方法变得更为自动化，主要是对不同粗糙度的表面功率谱进行比较，然后提取相关的纹理特征，然后将这些信息输入神经网络进行校对并测试，本研究将探析这种机械加工表面粗糙的视觉检测方法。

【关键词】机械加工；表面粗糙；测试

0 前言

近年来，机械加工表面粗糙的视觉检测方法已经可以实现自动化，大大地提高了工作效率。以往传统的检测方法是通过找到加工纹理的主方向，然后要接触探针检测工件的轮廓线，然后计算出平均差，这种误差很大。但是新型的检测方法具有快速、识别误差小等，得到了广泛地应用。

1 浅析国内机械加工表面粗糙的视觉检测方法现状

机械加工表面的粗糙度是指由于切削分离时的塑性变形，工艺系统的高频振动，刀具与被加工表面的摩擦等因素的影响，零件加工后，在表面上，总会存在许多高低不平的微小峰谷。这些微小的峰谷的高低不平程度成为表面粗糙度，已加工表面的粗糙度是衡量加工表面质量的主要标志之一，对粗糙度的检测是零件出厂前的一个重要的检测环节，其对机器的使用性能和寿命有直接的影响。粗糙度主要有残留面积，加工鳞刺，结瘤、振动波纹，以及刀具的不平整，材料的本身属性等因素造成。当前粗糙度的检测的方法主要有接触法及非接触法检测，传统的检测方法为，首先找到加工纹理的主方向，采用接触探针记录与主方向垂直的轮廓线，在轮廓线上测量轮廓算术平均偏差，微观不平度、轮廓的最大高度，轮廓的单峰平均间距，微观不平度的平均间距等等指标。这些指标都是基于轮廓线测量得到，由于检测是采用的是用一维的轮廓线，其必将丢失检测表面的二维纹理信息，因而造成检测结果误差相对较大，同时自动化程度低。现在还有一些采用轮廓线的方法，其采用两个探针测量机械加工表面的轮廓线，引入了倾角方法和微分方法。当前一些非接触方法被采，主要有采用光学的方法来检测，激光、软X光，镜面反射来检测。通过光的干涉等来放大机械加工表面的细节信息，但设备普遍都较昂贵。采用自动视觉检测机械加工表面与以上的方法不同，其主要是采取图像的纹理特征作为机械加工表面的粗糙程度的指标，通过图像纹理与粗糙度的相关性来识别表面的类型。

2 探析机器人视觉来检测机械加工粗糙度的新方法

这种方法主要是通过分析机械加工表面的纹理信息，研究各类加工表面图像功率谱的不同，提取纹理特征，对BP网络进行训练，再用训练后的神经网络来预测被检测表面粗糙度。提出了一种采用机器人视觉来检测粗糙度的新方法，实验结果表明，该方法优于灰度统计特征，可以用于机械加工表面的粗糙度的在线评估。

2.1 提取机械加工表面粗糙的纹理信息是研究该方法的首要工作

首先是确定机械加工表面图像纹理与表面粗糙度的关系，在机械加工表面轮廓线上，当轮廓的最大高度较大时，轮廓的单峰间距也较大，即在轮廓线上的水平方向的粗糙指标及竖直方向的指标有一定的相关性，这种关系成为了视觉检测的基础。另外，工件粗糙度越大，刨削工件的表面纹理也越粗糙，粗糙度的单峰间距的不同将反应为纹理条纹间隔的不同。同时，粗糙度的不同也会影响着图像灰度变化的不同，通过图像与加工表面的相关性分析，我们可以采用图像分析方法来获取对不同粗糙度的自动识别。然后开始分析机械加工表面图像的频谱，当加工表面粗糙度较小的时候，在频谱图中，高频部分的能量所占的比重较大，而当加工表面粗糙度较大的时候，在频谱图中，低频部分的能量所占比重较大。当以加工的表面纹理呈方向性时，在频域其能量分布也呈方向性；如刨削加工、铣削加工，磨削加工，其表面都呈现为方向纹理。经过上面机械加工表面特征的提取后，考虑到在机械加工表面频谱的能量分布，本文从功率谱的能量分布来提取特征。对于机械加工表面来说，当纹理较粗时，功率谱的能量主要集中在低频部分，高频部分的能量较少，因而，计算高、中、低频段能量在整体图像能量中所占的比例，用它来刻画表面的粗糙程度是可行的，将功率谱表示为按照如下的方式提取纹理特征。将功率谱图分为一个个圆环，计算每个圆环中的能量占功率谱总能量的比重。

2.2 探析BP神经网络对粗糙度预测结果

采用神经网络对粗糙度进行函数逼近，神经网络采取BP网络，首先建立网络的结构模型，输出层为一个神经元，其采用线性激活函数，神经元的输出值为机械加工表面的粗糙度及表面类型，输入层的输入为上文提取的特征矢量。BP网络分为训练、识别阶段两个阶段。在训练阶段主要是通过对样本的学习，通过对各神经元权值的调节，来记忆各类样本的内在规律。在本实验中采用的网络模型如下：对于输入节点，首先向前传播到隐含层的节点上，经过各单元的特性的激活函数，运算后，把隐含节点的输出信息传播到输出节点，最后给出输出结果，网络的学习过程是由正向和反向传播两部分组成，在正向传播过程，每一层的神经元只影响下一层的神经元网络。如果输出层不能得到期望的输出，就是实际输出与期望输出之间有误差，那么转入反向传播阶段。将误差信号沿原来的连接通道返回，通过修改各层的神经元的权值，逐次向输入层传播，去进行计算。在经过正向传播过程，这两个过程的反复应用，最终使误差最小。对于训练后的神经网络，可以直接用于函数逼近，直接把特征矢量输入到输入层节点，通过各层的神经元的计算，由输出层输出逼近结果。最后是多层神经网络的计算能力及对函数的逼近，如果单元激活函数采取连续函数，神经网络的网络输出可以逼近一个连续函数，对于本文中的特征矢量与网络的一维粗糙度输出。采用刨削、铣削、磨削、铸件四类不同粗糙度的图像样本进行训练，对应于每类采集粗糙度各不相同。提取纹理特征，每一类作为训练集，所有的图像作为测试集。等所有的研究工作结束后，下面就开始进行试验结果的讨论，在试验时，输入摄像机的方法倍数为10倍，图像为128x128个像素。首先把幅值谱图像的的中心频率点移到图像的中心。在提取特征G1，G2，G3，在G2中把R=M/2按照上文的方法分为4个圆环，计算四个不同圆环上的能量分布，为了提高识别的精确性，也可以将圆环的内外径重新划分.对于G3，由于在刨削、铣削、磨削加工表面上，以方向纹理为主，而在铸件表面上，以随机纹理为主， 幅图像提取6个特征。BP网络设计为6个输入单元，单隐层为12个神经元，输出为一个神经元，输出图像的粗糙度。在使用图像样本进行测试。最终的测试结果说明，这种测试方法精度高，误差小。

3 结语

综上所述，这种机械加工表面粗糙度识别方法主要是通过对功率谱的分析，提取了不同类的加工表面的特征，然后输入到神经网络的进行训练和预测，测试结果精确、误差小等，大大地提高了工作效率。

【参考文献】

[1]刘小琴.机械加工表面质量的研究[J].山西师范大学学报（自然科学版），2009（01）.

[2]吴春亚，刘献礼，王玉景，王鹏，刘军，赵彦玲.机械加工表面粗糙度的图像检测方法[J].哈尔滨理工大学学报，2007（03）.