機械加工表面粗糙的視覺檢測

【摘 要】隨著科技的發展，機械加工表面粗糙的視覺檢測方法變得更為自動化，主要是對不同粗糙度的表面功率譜進行比較，然后提取相關的紋理特征，然后將這些信息輸入神經網絡進行校對并測試，本研究將探析這種機械加工表面粗糙的視覺檢測方法。

【關鍵詞】機械加工；表面粗糙；測試

0 前言

近年來，機械加工表面粗糙的視覺檢測方法已經可以實現自動化，大大地提高了工作效率。以往傳統的檢測方法是通過找到加工紋理的主方向，然后要接觸探針檢測工件的輪廓線，然后計算出平均差，這種誤差很大。但是新型的檢測方法具有快速、識別誤差小等，得到了廣泛地應用。

1 淺析國內機械加工表面粗糙的視覺檢測方法現狀

機械加工表面的粗糙度是指由于切削分離時的塑性變形，工藝系統的高頻振動，刀具與被加工表面的摩擦等因素的影響，零件加工后，在表面上，總會存在許多高低不平的微小峰谷。這些微小的峰谷的高低不平程度成為表面粗糙度，已加工表面的粗糙度是衡量加工表面質量的主要標志之一，對粗糙度的檢測是零件出廠前的一個重要的檢測環節，其對機器的使用性能和壽命有直接的影響。粗糙度主要有殘留面積，加工鱗刺，結瘤、振動波紋，以及刀具的不平整，材料的本身屬性等因素造成。當前粗糙度的檢測的方法主要有接觸法及非接觸法檢測，傳統的檢測方法為，首先找到加工紋理的主方向，采用接觸探針記錄與主方向垂直的輪廓線，在輪廓線上測量輪廓算術平均偏差，微觀不平度、輪廓的最大高度，輪廓的單峰平均間距，微觀不平度的平均間距等等指標。這些指標都是基于輪廓線測量得到，由于檢測是采用的是用一維的輪廓線，其必將丟失檢測表面的二維紋理信息，因而造成檢測結果誤差相對較大，同時自動化程度低。現在還有一些采用輪廓線的方法，其采用兩個探針測量機械加工表面的輪廓線，引入了傾角方法和微分方法。當前一些非接觸方法被采，主要有采用光學的方法來檢測，激光、軟X光，鏡面反射來檢測。通過光的干涉等來放大機械加工表面的細節信息，但設備普遍都較昂貴。采用自動視覺檢測機械加工表面與以上的方法不同，其主要是采取圖像的紋理特征作為機械加工表面的粗糙程度的指標，通過圖像紋理與粗糙度的相關性來識別表面的類型。

2 探析機器人視覺來檢測機械加工粗糙度的新方法

這種方法主要是通過分析機械加工表面的紋理信息，研究各類加工表面圖像功率譜的不同，提取紋理特征，對BP網絡進行訓練，再用訓練后的神經網絡來預測被檢測表面粗糙度。提出了一種采用機器人視覺來檢測粗糙度的新方法，實驗結果表明，該方法優于灰度統計特征，可以用于機械加工表面的粗糙度的在線評估。

2.1 提取機械加工表面粗糙的紋理信息是研究該方法的首要工作

首先是確定機械加工表面圖像紋理與表面粗糙度的關系，在機械加工表面輪廓線上，當輪廓的最大高度較大時，輪廓的單峰間距也較大，即在輪廓線上的水平方向的粗糙指標及豎直方向的指標有一定的相關性，這種關系成為了視覺檢測的基礎。另外，工件粗糙度越大，刨削工件的表面紋理也越粗糙，粗糙度的單峰間距的不同將反應為紋理條紋間隔的不同。同時，粗糙度的不同也會影響著圖像灰度變化的不同，通過圖像與加工表面的相關性分析，我們可以采用圖像分析方法來獲取對不同粗糙度的自動識別。然后開始分析機械加工表面圖像的頻譜，當加工表面粗糙度較小的時候，在頻譜圖中，高頻部分的能量所占的比重較大，而當加工表面粗糙度較大的時候，在頻譜圖中，低頻部分的能量所占比重較大。當以加工的表面紋理呈方向性時，在頻域其能量分布也呈方向性；如刨削加工、銑削加工，磨削加工，其表面都呈現為方向紋理。經過上面機械加工表面特征的提取后，考慮到在機械加工表面頻譜的能量分布，本文從功率譜的能量分布來提取特征。對于機械加工表面來說，當紋理較粗時，功率譜的能量主要集中在低頻部分，高頻部分的能量較少，因而，計算高、中、低頻段能量在整體圖像能量中所占的比例，用它來刻畫表面的粗糙程度是可行的，將功率譜表示為按照如下的方式提取紋理特征。將功率譜圖分為一個個圓環，計算每個圓環中的能量占功率譜總能量的比重。

2.2 探析BP神經網絡對粗糙度預測結果

采用神經網絡對粗糙度進行函數逼近，神經網絡采取BP網絡，首先建立網絡的結構模型，輸出層為一個神經元，其采用線性激活函數，神經元的輸出值為機械加工表面的粗糙度及表面類型，輸入層的輸入為上文提取的特征矢量。BP網絡分為訓練、識別階段兩個階段。在訓練階段主要是通過對樣本的學習，通過對各神經元權值的調節，來記憶各類樣本的內在規律。在本實驗中采用的網絡模型如下：對于輸入節點，首先向前傳播到隱含層的節點上，經過各單元的特性的激活函數，運算后，把隱含節點的輸出信息傳播到輸出節點，最后給出輸出結果，網絡的學習過程是由正向和反向傳播兩部分組成，在正向傳播過程，每一層的神經元只影響下一層的神經元網絡。如果輸出層不能得到期望的輸出，就是實際輸出與期望輸出之間有誤差，那么轉入反向傳播階段。將誤差信號沿原來的連接通道返回，通過修改各層的神經元的權值，逐次向輸入層傳播，去進行計算。在經過正向傳播過程，這兩個過程的反復應用，最終使誤差最小。對于訓練后的神經網絡，可以直接用于函數逼近，直接把特征矢量輸入到輸入層節點，通過各層的神經元的計算，由輸出層輸出逼近結果。最后是多層神經網絡的計算能力及對函數的逼近，如果單元激活函數采取連續函數，神經網絡的網絡輸出可以逼近一個連續函數，對于本文中的特征矢量與網絡的一維粗糙度輸出。采用刨削、銑削、磨削、鑄件四類不同粗糙度的圖像樣本進行訓練，對應于每類采集粗糙度各不相同。提取紋理特征，每一類作為訓練集，所有的圖像作為測試集。等所有的研究工作結束后，下面就開始進行試驗結果的討論，在試驗時，輸入攝像機的方法倍數為10倍，圖像為128x128個像素。首先把幅值譜圖像的的中心頻率點移到圖像的中心。在提取特征G1，G2，G3，在G2中把R=M/2按照上文的方法分為4個圓環，計算四個不同圓環上的能量分布，為了提高識別的精確性，也可以將圓環的內外徑重新劃分.對于G3，由于在刨削、銑削、磨削加工表面上，以方向紋理為主，而在鑄件表面上，以隨機紋理為主， 幅圖像提取6個特征。BP網絡設計為6個輸入單元，單隱層為12個神經元，輸出為一個神經元，輸出圖像的粗糙度。在使用圖像樣本進行測試。最終的測試結果說明，這種測試方法精度高，誤差小。

3 結語

綜上所述，這種機械加工表面粗糙度識別方法主要是通過對功率譜的分析，提取了不同類的加工表面的特征，然后輸入到神經網絡的進行訓練和預測，測試結果精確、誤差小等，大大地提高了工作效率。

【參考文獻】

[1]劉小琴.機械加工表面質量的研究[J].山西師范大學學報（自然科學版），2009（01）.

[2]吳春亞，劉獻禮，王玉景，王鵬，劉軍，趙彥玲.機械加工表面粗糙度的圖像檢測方法[J].哈爾濱理工大學學報，2007（03）.

[責任編輯：劉帥]