基于DSP的磨削表面粗糙度在線檢測系統(tǒng)開發(fā)*

劉奇元，于德介，王翠亭，李 星

(1.湖南大學(xué) 汽車車身先進設(shè)計制造國家重點實驗室,湖南 長沙 410082；2.湖南文理學(xué)院 機械工程學(xué)院，湖南 常德 415000)

基于DSP的磨削表面粗糙度在線檢測系統(tǒng)開發(fā)*

劉奇元1,2?，于德介1，王翠亭1，李 星1

(1.湖南大學(xué) 汽車車身先進設(shè)計制造國家重點實驗室,湖南 長沙 410082；2.湖南文理學(xué)院 機械工程學(xué)院，湖南 常德 415000)

為了解決磨削工件在線粗糙度等級識別速度慢和準確性不高的問題，開發(fā)了基于DSP的工件表面粗糙度在線檢測系統(tǒng).該系統(tǒng)基于光散射原理，通過工業(yè)相機采集光散射圖像，運用DSP芯片對采集到的圖像進行圖像預(yù)處理以及特征參數(shù)的提取；最后利用建立的多分類支持向量機模型，對不同表面粗糙度等級的圖像進行分類.實驗結(jié)果表明，在該硬件平臺上整個識別過程耗時約0.5 s，識別率可達96%以上，說明該系統(tǒng)可有效識別工件表面粗糙度等級，有效實現(xiàn)工件表面粗糙度的在線檢測.

DSP；表面粗糙度；在線檢測；支持向量機；多分類

表面粗糙度是評定工件表面質(zhì)量的一個重要指標(biāo)，影響工件的壽命和使用性能.隨著機械加工自動化程度的提高，很多零件由抽檢改為必檢，對表面粗糙度在線測量提出了越來越高的要求，因此生產(chǎn)過程中實時檢測表面粗糙度越來越受到重視.傳統(tǒng)觸針法要保證測量力大小的控制，既要保證測頭與表面始終接觸，又不能因此劃傷工件表面和磨損測頭[1].光學(xué)法因其具有高靈敏度、非接觸測量等優(yōu)點，近年來得到了迅速的發(fā)展，其中使用最為廣泛的是基于光散射原理的測量方法[2].機器視覺技術(shù)的飛速發(fā)展，為粗糙度檢測提供了一個新思路.在表面粗糙度檢測的應(yīng)用領(lǐng)域里，機器視覺技術(shù)得到了廣泛的應(yīng)用[3,4,5].

基于光學(xué)散射原理測量表面粗糙度的研究方法較多.Brodmann等提出了光學(xué)散射特征值來表征被測物體表面上反射光和散射光的離散程度[6].Wang等使用該參數(shù)，采用遠心光路，研制了表面粗糙度測量儀器[7].馮利等利用散射特征值，設(shè)計了光盤表面粗糙度在線檢測系統(tǒng)[8].但這種方法的測量裝置比較復(fù)雜，必須保證光電二極管陣列位于同一平面，而且計算時僅使用了一條線上的光電信息.郭瑞鵬[9]、王海濤[10]、孫林[11]等針對磨削加工表面分別建立了不同的神經(jīng)網(wǎng)絡(luò)模型和最小二乘支持向量機模型來預(yù)測表面粗糙度.然而，他們所建立的系統(tǒng)是基于PC開發(fā)的，不利于車間現(xiàn)場使用，且難以滿足實時性要求.

DSP(Digital Signal Processor，數(shù)字信號處理器)是一種專門進行數(shù)字信號處理運算的微處理器，它內(nèi)部采用程序和數(shù)據(jù)分開的哈佛結(jié)構(gòu)，具有通用計算機沒有的硬件乘法器，廣泛采用流水線操作，可以用來快速實現(xiàn)各種數(shù)字信號處理算法，其處理速度比最快的CPU還快10～50倍.DSP的運算速度和運算精度都在不斷提高，片內(nèi)的存儲容量在不斷增大，數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能在不斷增強，目前已可以開發(fā)出完全獨立于PC的基于DSP的處理系統(tǒng)[12，13].本文將光散射原理與機器視覺相結(jié)合，以DSP系統(tǒng)為平臺，開發(fā)了一套表面粗糙度在線檢測系統(tǒng).

1 測量原理

以光散射為原理的表面粗糙度測量方法是以一定大小直徑的光斑投射到試件表面，由于試件表面的微觀形貌不同，使得對光衍射和干涉因子進行調(diào)制，從而使反射光在空間半平面上形成中心反射光斑和兩翼散射光帶，如圖1所示.若試件表面比較光滑，反射光斑的光能比較強，散射光帶比較窄；反之，若試件表面比較粗糙，反射光斑的光能比較弱，散射光帶則比較寬.光帶光能的變化與物體表面粗糙度的關(guān)系如圖2所示.因此，根據(jù)光帶光能的分布可檢測試件表面粗糙度.

圖1 表面粗糙度光散射法測量原理

圖2 光帶光能的變化與表面粗糙度的關(guān)系

表面粗糙度等級分類是將表面粗糙度劃分為多個區(qū)間，每個區(qū)間為一個等級，利用表面粗糙度樣塊對支持向量機模型進行訓(xùn)練，得到支持向量機分類模型，以預(yù)測出未知表面粗糙樣塊的等級.這種方法雖不能給出具體的粗糙度值，但能給出粗糙度所在的等級區(qū)間．在實際加工過程中，往往要求工件的表面粗糙度處于某個等級區(qū)間，因此，對于工程應(yīng)用，這種方法具有很大意義.為此，最終選擇基于支持向量機的分類方法實現(xiàn)粗糙度的測量.

2 系統(tǒng)原理與架構(gòu)

2.1 系統(tǒng)總體框架

基于DSP的工件表面粗糙度在線檢測系統(tǒng)總體框圖如圖3所示，該系統(tǒng)由光學(xué)測量模塊，圖像采集模塊，數(shù)據(jù)處理模塊以及數(shù)據(jù)顯示模塊組成.光學(xué)測量系統(tǒng)得到的光散射圖像由工業(yè)相機采集，輸入到數(shù)據(jù)處理模塊即DSP系統(tǒng)，在DSP系統(tǒng)中實現(xiàn)相關(guān)算法.最后通過串口通信將得到的粗糙度等級發(fā)送到液晶顯示屏.

圖3 系統(tǒng)總體框架

2.2 測量光路

測量光路如圖4所示，選擇波長632.8 nm，輸出功率為3mW的氦氖激光器作為光源，發(fā)出直徑為0.6 mm的準直高斯光束，光束通過45°分光鏡垂直入射到工件表面，產(chǎn)生的反射和散射光束再通過分光鏡在毛玻璃屏上成像.工業(yè)相機將毛玻璃屏上的圖像實時拍攝下來，從工件表面反射出來的散射光會因工件表面形貌不同而呈現(xiàn)出不同的亮度和分布.

圖4 表面粗糙度測量光路圖

2.3 DSP嵌入式處理系統(tǒng)設(shè)計

2.3.1 DSP系統(tǒng)硬件模塊設(shè)計

DSP具有高速的數(shù)據(jù)運算能力，在實時磨削加工過程中，數(shù)據(jù)處理量大.為滿足實時處理需要，采用DSP系統(tǒng)進行數(shù)據(jù)處理，DSP系統(tǒng)的硬件原理框圖如圖5所示.攝像機選用100萬像素工業(yè)相機，F(xiàn)IFO(First-In First-Out，先進先出)存儲器的作用是完成圖像的緩存，避免低速的攝像機和高速的DSP進行直接數(shù)據(jù)交換，SDRAM(Synchronous Dynamic Random Access Memory， 同步動態(tài)隨機存儲器)是一種速度較快的外存，容量是64 M字節(jié)，DSP計算時使用到的空間就分配在SDRAM上，F(xiàn)lash用于燒錄程序，容量為1 M字節(jié)，用戶將程序固化在Flash中，系統(tǒng)上電后從Flash中加載程序并啟動，USB芯片使DSP可以與PC通訊，并且實現(xiàn)圖像的高速傳輸.

圖5 硬件系統(tǒng)原理圖

2.3.2 DSP系統(tǒng)的軟件模塊設(shè)計

為了搭建一個能實現(xiàn)功能的獨立完整的系統(tǒng)，首先要在此硬件平臺上設(shè)計一個主程序框架，以便實現(xiàn)各種算法.系統(tǒng)的程序主要包括以下幾個部分：系統(tǒng)引導(dǎo)部分，DSP初始化程序，F(xiàn)lash讀寫程序，EDMA(Enhanced Direct Memory Access，增強型直接內(nèi)存存取)數(shù)據(jù)傳輸設(shè)置，中斷設(shè)置，串口通信模塊設(shè)置等.

系統(tǒng)斷電時，程序和數(shù)據(jù)都存在片外的Flash里.上電復(fù)位后，將程序從Flash加載至片內(nèi)存儲器，運行程序，完成系統(tǒng)初始化，包括芯片初始化、外圍硬件配置，為圖像輸入和處理做準備.初始化完成后，圖像采集開始，在DSP的時序控制下，圖像數(shù)據(jù)從攝像機進入FIFO，由DSP的控制器EDMA搬運到SDRAM，DSP可通過各種處理算法對在SDRAM的圖像進行處理.每幅圖像處理完成后，提取的結(jié)果可由串口通信模塊輸出到顯示屏，PC機還可以通過USB獲得SDRAM中的原始圖像和處理后的圖像.

3 基于多分類支持向量機的粗糙度分類

由于系統(tǒng)需要實現(xiàn)在線檢測，算法應(yīng)該簡單.本文首先對工業(yè)相機采集到的光散射圖像進行預(yù)處理，然后對圖像進行特征提取，獲得圖像的關(guān)鍵特征參數(shù)后，將其輸入訓(xùn)練好的多分類支持向量機模型，從而實現(xiàn)粗糙度等級分類.

3.1 圖像預(yù)處理

由于輸入轉(zhuǎn)換器件以及周圍環(huán)境的影響，采集到的圖像中常常存在各種噪聲和失真，去噪通常是由濾波來完成的，本文選擇中值濾波來實現(xiàn).另外，由于工件位置的變化，散射光帶的主方向會存在一定的傾斜，本文通過旋轉(zhuǎn)將主方向調(diào)整到水平位置.

3.2 特征參數(shù)提取

為了方便描述，引用數(shù)學(xué)中對橢圓長短軸的定義來定義狹長散射光帶的長短軸，散射光帶主方向為長軸，與其垂直的方向為短軸，根據(jù)圖像灰度分布的方差、均方根等統(tǒng)計參數(shù)，得到如下與表面粗糙度相關(guān)的特征參數(shù)

1) 光學(xué)散射特征值Sn及標(biāo)準差Std

光學(xué)散射特征值Sn及標(biāo)準差Std描述被測表面反射散射光的離散程度.光學(xué)散射特征值Sn的計算公式如式(1)：

(1)

其中

標(biāo)準差Std的計算公式如式(2)：

(2)

提取沿長軸一行、短軸一行、長軸平均列、短軸平均行四個方向分布的像素，根據(jù)公式(1)，得到四個方向的光學(xué)散射特征值參數(shù)Sr，Sc，Sa和Sp.

根據(jù)Sr，Sc，Sa和Sp的計算方法，按照式(2)，分別求得參數(shù)Stdr，Stdc，Stda和Stdp.

考慮到整幅圖像的屬性，求得整幅圖像的的標(biāo)準差SD.

2) 灰度分布的均方根RMS

(3)

3) 光學(xué)參數(shù)R1，R2

(4)

4) 標(biāo)準光學(xué)參數(shù)SSTD與修正的光學(xué)參數(shù)SMOD

(5)

上述14個特征參數(shù)如表1所示，它們都能不同程度地反映粗糙度的變化情況，都可以作為支持向量機的輸入.然而實際應(yīng)用中，為了增加分類準確率，要對這些參數(shù)進行選擇.選擇的標(biāo)準是：在同一加工條件下，特征參數(shù)要隨著粗糙度呈單調(diào)性變化.

表1 特征參數(shù)

3.3 多分類器的建立

最初的支持向量機算法是針對二分類問題提出的，實際應(yīng)用中，分類問題通常會多于兩種樣本.解多分類問題的思路通常是將其轉(zhuǎn)化為二分類問題.常用的方法有兩種：“一對一”和“一對多”.“一對多”方法是依次用一個SVM二分類器將每一類與剩下所有類別區(qū)分開來，得到1個分類函數(shù).分類時將未知樣本劃分為具有最大分類函數(shù)值的那一類.對于n類問題要建n個二分類器.“一對一”方法是對n類中的每兩類構(gòu)造一個子分類器，需要構(gòu)造n(n-1)/2個分類器，每個分類器都對其類別進行判斷，并對所屬的類別投上一票，得票最多的類別即為所屬的類別.本文選擇“一對一”的方法建立分類器對粗糙度等級進行識別.

3.4 粗糙度等級分類

在本文設(shè)計的系統(tǒng)中，首先對采集到的光散射圖像進行預(yù)處理以及特征值提取，并以此作為支持向量機的輸入，利用建立好的多分類器對其進行分類，得到粗糙度等級.整個系統(tǒng)的軟件設(shè)計流程如圖6所示．

圖6 軟件系統(tǒng)流程圖

4 應(yīng)用實例

本文將支持向量機的軟件實現(xiàn)和硬件實現(xiàn)兩種方式結(jié)合起來.采用離線訓(xùn)練的方式，在Matlab平臺中對模型進行訓(xùn)練得到分類機模型，最終得到的模型是一個包含了支持向量和相應(yīng)系數(shù)的結(jié)構(gòu)體數(shù)據(jù)；最終的決策函數(shù)可由支持向量和相應(yīng)的系數(shù)唯一確定；然后將所得的模型移植入DSP系統(tǒng)中，通過最終獲得的決策函數(shù)實現(xiàn)表面粗糙度的等級分類.

4.1 樣本集建立

實驗平臺如圖7所示.

圖7 實驗平臺

實驗中，分別選取研磨階段粗糙度數(shù)值Ra(表面輪廓算術(shù)平均偏差)為0.012 μm,0.025 μm,0.05 μm,0.1 μm和平磨階段粗糙度數(shù)值Ra為0.1 μm,0.2 μm,0.4 μm,0.8 μm的磨削粗糙度標(biāo)準樣塊作為研究對象，采集到的圖像如圖8所示.從圖中可以看出，表面散射光呈現(xiàn)以反射光斑為中心的散射光帶分布，狹長散射光帶的幾何中心最為明亮，并在狹長延伸及其垂直方向上呈現(xiàn)軸對稱.

圖8 粗糙度樣塊采集的圖像

構(gòu)造支持向量分類模型訓(xùn)練樣本集{Xi,Yi}，輸入Xi為多維向量，由我們最終選取的特征參數(shù)構(gòu)成，輸出Yi為對應(yīng)的粗糙度等級.在實驗條件允許的范圍內(nèi)，盡量增加輸入樣本的個數(shù)，可以提高模型的穩(wěn)定性.由于粗糙度樣塊數(shù)量有限，我們采用每組樣塊多次采樣的方法，將得到的多組圖像數(shù)據(jù)作為樣本集合.本次實驗共測得800幅圖像，每一等級取樣本50幅，其中400幅用于模型訓(xùn)練，其余400幅作為測試樣本，測試算法的準確性.經(jīng)過圖像預(yù)處理以及特征參數(shù)提取后，得到特征參數(shù)隨粗糙度變化的情況如表2和表3所示.

在14個參數(shù)中，除了Sc在研磨階段不呈現(xiàn)單調(diào)性外，其余參數(shù)在不同的加工方式下均隨著粗糙度呈現(xiàn)單調(diào)性變化.而參數(shù)SSTD的分辨率不高，也不適合作為輸入?yún)?shù).因此，我們可以選取除Sc，SSTD外的12個參數(shù)作為支持向量機的輸入特征參數(shù)．考慮到輸入?yún)?shù)之間有不同的物理意義及不同的量綱，為了使這些輸入?yún)?shù)在訓(xùn)練時有著同樣的重要性，需要對數(shù)據(jù)做歸一化處理.實驗中，訓(xùn)練數(shù)據(jù)被歸一化到[-1, +1]區(qū)間內(nèi).

表2 研磨樣塊特征參數(shù)與Ra的關(guān)系

表3 平磨樣塊特征參數(shù)與Ra的關(guān)系

4.2 模型訓(xùn)練

模型的訓(xùn)練是在Matlab平臺中實現(xiàn)的，對上面所建立的樣本進行訓(xùn)練，最終建立粗糙度的多分類模型.訓(xùn)練過程中核函數(shù)選擇徑向基核函數(shù).

4.3 粗糙度等級分類

粗糙度的預(yù)測是在DSP系統(tǒng)中進行的，將Matlab平臺中得到的與分類模型相關(guān)的支持向量和相關(guān)系數(shù)作為常量保存在DSP中，在DSP中只需寫出分類的預(yù)測程序即可.在DSP系統(tǒng)中，對輸入圖像進行預(yù)處理及特征提取，并將數(shù)據(jù)做歸一化處理，最后得到特征向量，將其輸入多分類模型，得到工件表面粗糙度所屬的等級.實驗過程中，每種標(biāo)準樣塊采集50幅圖像作為預(yù)測，再對預(yù)測的粗糙度等級與標(biāo)準樣塊粗糙度值進行比較，作為錯判依據(jù).在該硬件平臺上，整個識別過程耗時約0.5 s，得到的表面粗糙度等級分類結(jié)果如表4所示.

從表4可以看出，建立的多分類支持向量機模型識別準確率能達到96%以上，并且也能將不同加工階段的同一種粗糙度等級給區(qū)分出來.這是因為不同加工方式得到的工件表面紋理不同，所以最終得到的輸入特征參數(shù)也有所不同.

表4 表面粗糙度等級分類結(jié)果

5 結(jié) 論

1) 利用DSP的高速數(shù)據(jù)運算能力，設(shè)計開發(fā)了一套基于DSP的磨削工件表面粗糙度在線檢測系統(tǒng).與以往基于PC平臺開發(fā)的檢測系統(tǒng)相比，該系統(tǒng)提高了識別速度，降低了開發(fā)成本，且便于現(xiàn)場使用.

2) 針對磨削工件表面的粗糙度等級識別，提出了多分類支持向量機識別模型，并對不同磨削表面不同粗糙度等級的樣塊進行了分類識別，識別準確度高，為解決在線工件粗糙度等級識別準確性不高的問題提供了一種有效的方法.

[1] 劉穎，郎治國，唐文彥. 表面粗糙度光切顯微鏡測量系統(tǒng)的研制[J]. 紅外與激光工程，2012, 41(3)：775-779.

LIU Ying, LANG Zhi-guo, TANG Wen-yan. Development of measurement system about light-section microscope for surface roughness[J]. Infrared and Laser Engineering, 2012, 41(3):775-779. (In Chinese)

[2] 曹健渭，盧榮勝，雷麗巧，等. 基于散斑紋理變差函數(shù)的平磨表面粗糙度測量技術(shù)[J]. 儀器儀表學(xué)報，2010, 31(10)：2302-2306.

CAO Jian-wei, LU Rong-sheng, LEI Li-qiao,etal. Grinding surface roughness measurement based on the variogram of speckle pattern texture[J]. Chinese Journal of Scientific Instrument, 2010, 31(10):2302-2306. (In Chinese)

[3] KUMAR R, KULASHEKAR P, DHANASEKAR B,etal. Application of digital image magnification for surface roughness evaluation using machine vision[J]. International Journal of Machine Tools and Manufacture, 2005, 45(2):228-234.

[4] GADELMAWLA E S. A vision system for surface roughness characterization using the gray level co-occurrence matrix[J]. NDT & E International, 2004, 37(7):577-588.

[5] 曾誼暉，左青松，李翼德，等. 基于RBF神經(jīng)網(wǎng)絡(luò)的難加工金屬材料數(shù)控加工控制方法研究[J]. 湖南大學(xué)學(xué)報：自然科學(xué)版，2011,38(4)：31-35.

ZENG Yi-hui, ZUO Qing-song, LI Yi-de,etal. Study on control method of numerical control machining processes for difficult processed metal materials based on RBF neural network[J]. Journal of Hunan University: Natural Sciences, 2011,38(4):31-35. (In Chinese)

[6] BRODMANN R, GAST T, THURN G,etal. An optical instrument for measuring the surface roughness in production control[J]. CIRP Annals-Manufacturing Technology, 1984, 33(1):403-406.

[7] WANG S, TIAN Y, TAY C J,etal. Development of a laser-scattering-based probe for on-line measurement of surface roughness[J]. Applied Optics, 2003, 42(7):1318-1324.

[8] 馮利. 光盤檢測技術(shù)研究[D]. 長春：長春理工大學(xué), 2008.

FENG Li. Research on the technique of optical disk detection [D]. Changchun: Changchun University of Technology, 2008. (In Chinese)

[9] 郭瑞鵬，陶正蘇．基于神經(jīng)網(wǎng)絡(luò)的磨削工件表面質(zhì)量的在線檢測[J]．電子設(shè)計工程，2010, 18(10)：5-8, 12．

GUO Rui-peng, TAO Zheng-su. In-process measurement of grinding workpiece surface quality based on neural network[J]. Electronic Design Engineering, 2010, 18(10):5-8, 12. (In Chinese)

[10]王海濤，劉偉強，楊建國. 基于RBF神經(jīng)網(wǎng)絡(luò)的磨削表面粗糙度預(yù)測模型[J]. 機床與液壓，2014，42(3)：107-111.

WANG Hai-tao, LIU Wei-qiang, YANG Jian-guo. Grinding surface roughness prediction model based on RBF neural network[J]. Machine Tool & Hydraulics, 2014,42(3):107-111. (In Chinese)

[11]孫林，楊世元. 基于最小二乘支持矢量機的成形磨削表面粗糙度預(yù)測及磨削用量優(yōu)化設(shè)計[J]. 機械工程學(xué)報，2009, 45(10)：254-260.

SUN Lin, YANG Shi-yuan. Prediction for surface roughness of profile grinding and optimization of grinding parameters based on least squares support vector machine[J]. Journal of Mechanical Engineering, 2009, 45(10):254-260.(In Chinese)

[12]周華安，王海鷗，孟志強，等. 基于TMS320F2812和BUCK電路的光伏陣列模擬器[J]. 湖南大學(xué)學(xué)報：自然科學(xué)版，2013, 40(9):42-47.

ZHOU Hua-an, WANG Hai-ou, MENG Zhi-qiang,etal. A new kind of photovoltaic array simulator based on TMS320F2812 DSP and BUCK circuit [J]. Journal of Hunan University: Natural Sciences, 2013, 40(9):42-47. (In Chinese)

[13]彭宇，姜紅蘭，楊智明，等. 基于DSP和FPGA的通用數(shù)字信號處理系統(tǒng)設(shè)計[J]. 國外電子測量技術(shù)，2013，32(1)：17-21.

PENG Yu, JIANG Hong-lan, YANG Zhi-ming,etal. Design of general digital signal processing system based on DSP and FPGA[J].Foreign Electronic Measurement Technology, 2013,32(1):17-21. (In Chinese)

Development of the Online Measuring System of Grinding Surface Roughness Based on DSP

LIU Qi-yuan1,2?, YU De-jie1, WANG Cui-ting1, LI Xing1

(1. State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body, Hunan Univ,Changsha, Hunan 410082, China;2. College of Mechanical Engineering, Hunan Univ of Arts and Science, Changde, Hunan 415000, China)

In order to solve the problems about slow speed and low accuracy on the online roughness recognition of the grinding workpiece, an online measurement system for surface roughness was developed based on DSP. In this system, the surface scattered images based on the light scattering principle were captured by an industrial camera, then these images were preprocessed and their feature parameters were extracted by the DSP chip. Finally, these images with different surface roughness were classified by the multi-class support vector machine model. Experimental results show that it takes about 0.5 s for the entire identification process and the recognition rate can be up to 96% or more on this hardware platform, so this designed system can effectively identify the level of the surface roughness and realize the online testing of surface roughness.

DSP; surface roughness；online measurement；support vector machine multi-class classification

1674-2974(2015)08-0001-07

2014-04-26

國家重大科技專項資助項目(2011ZX04016-041)；湖南省“十二五”重點建設(shè)學(xué)科資助項目(XJF2011[76])；湖南省高校產(chǎn)學(xué)研合作示范基地資助項目(XJT[2014]239)

劉奇元(1980-)，男，湖南祁東人，湖南大學(xué)博士研究生，講師

?通訊聯(lián)系人，E-mail:lqy670@163.com

TG84, TP274.5

A