復雜機電模具表面缺陷數據多時段檢測仿真

宋 峰，賈志華

(南昌航空大學工程訓練中心，江西 南昌 330063)

1 引言

伴隨機器檢測技術的高速發展，對復雜機電模具的質量要求逐漸提高，人們通常根據模具表面的質量來確定其優良程度。復雜機電內部結構比較繁瑣，包含了集機、溶液、柔性線纜和電子元器件等若干零部件組成的大型復雜結構裝備。其生產成本高，制作工藝繁瑣，周期較長。對復雜機電模具表面缺陷檢測通常是使用肉眼識別或者放大鏡識別，對于不明顯的缺陷很難準確地發現，容易出現紕漏，難以保證復雜機電模具的質量，并且這種檢測方式準確率低、耗時長、不方便，不適用于現代工業發展，因此復雜機電模具檢測受到人們的高度重視。

鄭曉雪[1]等人提出基于Hypermesh的不同物理場間的數據傳遞方法，當天線結構受到外界壓力發生畸變時，會導致電性能不穩定。首先獲取天線結構畸變網格，再對此進行重構，生產實體，將復雜模型導入電磁仿真軟件中，對電性能加強檢測，分析復雜機電模型中存在的耦合因素，實現缺陷天線復雜模型機電檢測。但該方法的檢測準確性較低，無法保證復雜機電模具的表面質量；宰守香[2]等人提出復雜機電模具殘留物和表面缺陷檢測方法，首先檢驗復雜機電模具內是否存在殘留物和凹凸不平，并分析其工作過程，其次對計算機和重要區域獲取，實施系統設計，依據圖像中灰度值和邊緣信息匹配完成檢測，得出復雜機電模具內含有殘留物和表面缺陷現象。但是該方法的正檢率較低，過檢率和漏檢率均較高。

針對以上問題，本文提出一種復雜機電模具表面缺陷數據多時段檢測方法，并通過實驗驗證了該方法的有效性，為工業制造領域的發展提供了可參考依據。

2 復雜機電模具表面缺陷特征提取

2.1 模具特征獲取

模具特征獲取是針對缺陷區域解析的重要方式，所得特征質量優良程度，會嚴重影響到缺陷部分精準率的高低，所呈現的形式比較雜亂，不容易區分，但當獲取較為完善的模具特征信息時，其表面缺陷區域數據損失量較小、劃分程度較高。

利用特征選擇中冗余度來尋找最優質的特征子集，能夠更快速、準確地找出類別度，減少單變量選擇時所出現的不足，保留特征間互相依附的狀態，可以高效率地移除相似度較高的不重要特征。

在特征集中相似度會跟隨特征向量與類別信息兩者之間數值的變動而改變。特征的獲取可以提高復雜機電模具的穩定性、優越性和普遍適用性。

2.2 圖像最優特征子集提取

復雜機電系統的結構和運動都比較繁瑣，其中不同工具的專有信息作為專屬數據模型，采用專業技術獲得模具中各類重要信息，信息集合具有異構信息轉換、多粒數據訪問[3]、實時性數據更新以及工具之間的互操作性等特征，保障了能量的傳遞與轉換對模具的通用性和擴展性，使其廣泛地應用于工業生產中。

為了更好的消除模具內存在的噪聲，需要對其感興趣部分進行識別和預處理，獲取圖像的最優特征子集，使復雜機電模具表面缺陷圖像平滑，以獲得感興趣的缺陷部分。圖像的噪聲來源大多是來自零配件表面的機油、裂痕、灰塵等多種現象，而形成的缺陷。由于圖像出現運動模糊、差異較大的亮度和灰度，會對其質量和效果造成影響，因此需要對圖像進行預處理，以便于獲取到最佳檢測結果。由于圖像中噪音寬度較大，對原始圖像f(i，j)進行中值、均值濾波[4]等平滑處理。過程中，對原始圖像f(i，j)進行模糊處理時，降噪的效果并不顯著，隨之使用Gaussion方法實現平滑處理，所得公式如下

(1)

式中，σ代表圖像的平滑程度，取值范圍為[5-8]；P(i，j)代表平滑處理后的圖像；i，j原始圖像尺寸。利用該平滑處理不僅可以模糊噪聲，還不會模糊掉缺陷部分的重要信息。

復雜機電模具表面缺陷部分[5]出現凹凸不平或者較為粗糙的現象，入射光反射程度差異所獲得圖像的灰度值大小能夠準確映射出缺陷部分的狀況。當模具表面并無缺陷時，所得到的圖像灰度變化緩慢；當出現缺陷時，反射出的光源較為強烈，稱為亮缺陷。同理可知，當模具表面出現凹凸不平現象時，光源射入的反射光會變弱，稱為暗缺陷，則需要消除亮度對缺陷區域檢測時造成的影響。

用m(x，y)描述光源射入分量，通常其變化非常緩慢；n(x，y)描述光源反射分量，其變化迅速，屬于高頻分量，利用上述兩者提取圖像的最優特征子集F，其公式為

F=[m(x，y)+n(x，y)]P(i，j)

(2)

在操作時，需要對圖像進行去噪處理，對高頻分量[6]作加速處理，對低頻分量作減速處理，獲取最優特征子集，保留更優質的細節特征，從而實現亮度適中的效果。在對圖像最優特征子集提取后，可提高復雜機電模具表面缺陷的識別率和精度。

2.3 模具表面缺陷深度與偏移程度計算

模具表面缺陷位置信息提取時，因所檢測到的缺陷部分具有多種形態，所以需要固定缺陷中心所在位置，從多方面對圖像的角度進行轉變，當所對應方位不一致時，只要缺陷區域距離目標個體邊沿長度在所設感興趣區間內，就可設定它為缺陷部分。

在復雜機電系統正常運行過程中，模具表面出現裂紋、掉塊、脫離、凹陷不平整等缺陷狀況時，圖像的灰度值[7]會急速降低，當模具表面出現異物凸起、工具印痕等情況，圖像的灰度值將增長。

首先對圖像進行劃分，假設c(k)代表缺陷部分所得數值，T代表閾值，劃分得到的圖像計算缺陷函數公式如下

(3)

缺陷邊緣的信息通常比較模糊，因此要進行多方面的觀察判斷。當閾值T設置偏大時，無法有效地找出復雜機電模具中缺陷區域，所得部分并不完整。為消除不重要部分，應對閾值T進行自適應調整，快速確定出缺陷區域所在范圍，在確定缺陷區域范圍的基礎上，可以提取到缺陷部分半徑的長度與距離所在的圖像內間隔，把兩者進行比較，缺陷位置和半徑相對應，可準確獲得復雜機電模具表面缺陷位置信息，進而能夠清晰的運算出表面缺陷的深度與偏移程度[8]。假設偏移程度為σall，μall代表模具表面缺陷深度，M×N代表感興趣圖像的尺寸，則模具表面缺陷深度μall和偏移程度σall的計算公式為

(4)

(5)

3 基于數據多時段的模具表面缺陷檢測

復雜機電模具缺陷主要是對表面出現的刮痕、氧化、裂紋、孔洞、粗糙和凹凸程度等各種異常情況進行檢測，進一步提升模具的質量，在計算出缺陷區域的深度和偏差程度的基礎上，運用分塊圖像相減匹配[9]方法對復雜機電表面缺陷進行檢測，具體操作步驟如圖1所示。

在模具中，S×(M×N)描述的是感興趣區域模板，G×(I×J)描述的是目標圖像，把感興趣區域模板放到目標圖像中進行全方位掃描，用G(i，j)表示被覆蓋的部分，使其達到所需匹配度，G(0，0)用來描述目標圖像G×(I×J)內存在的基準像素點，所掃描的次數描述為(I-M)×(J-N)。σ2(i，j)代表感興趣區域模板與被覆蓋的部分G(i，j)之間的相差值，其公式如下

(6)

如果σ2(i，j)=0，那么被覆蓋的部分G(i，j)和感興趣區域模板相匹配。在相同范圍內有不同的像素點，σ2(i，j)的數值具有明顯的浮動，所以要代入其它指標系數ρ，ρ為兩幅圖像的像素點線性。相對應的感興趣區域模板與被覆蓋的部分G(i，j)內的像素點都是對于函數μ與v的不同變量，從而獲得相關系數ρ。

所獲圖像內只含有缺陷部分重要信息，不重要部分被有效地過濾掉，在得到表面缺陷部分的顯著特征和相關信息后，利用興趣區域來完成高效率地檢測[10]。

由于復雜機電模具通電之后不能快速抵達預期的效果，需要較長的起動時間，通常把機電時間常數當作復雜機電模具起動過程長短的量。確定數據多時段常數，對不同時段模具表面缺陷程度進行檢測。

在復雜機電模具中設置參量包括：U為模具投影、φ為間隔時間、Mc為電機模具可承載能力、J為模具外觀數值。電機模具粗糙度I、模具精密度n與模具邊緣特征Mem存在以下關聯

U=eMcφ+nRu

(7)

Mem=Iφ+Mem

(8)

式中，e代表電機模具特征系數，Ru代表電機模具空間缺陷分布向量。可得出

(9)

根據上式可獲得復雜機電模具從靜止到起動(t=0，ω=0)的運行速度，表示為

(10)

式中，ω∞代表已經完成起動，并且在正常運作中的運行速度。

根據上式，得到干擾力的公式為

(11)

根據上述公式分析可以得出，TM是復雜機電模具正常狀態下相關聯的常量，其數值可關系到模具檢測時間的長短，通常把TM當作復雜機電模具多時段常數。

當t=TM，那么式(11)優化式如下

ia=0.368U+0.632ia

(12)

從優化的式(12)中可以清楚地發現，如果t=TM，那么ω=0.632ω∞。已知復雜機電模具開始制作到基本完成的時間T穩，以此推理TM=0.632T穩，與其相對應可知n=0.632n∞。

檢測出復雜機電模具開始制作到基本完成所需時長，作為多時段數據。即可得到復雜機電模具表面缺陷數據多時段檢測結果R，表示為

R=2πJnia/60TM

(13)

4 實驗和結果

通過實驗對復雜機電模具表面缺陷數據多時段檢測結果進行驗證，選擇相似的機電表面缺陷進行仿真。圖2為待檢測的磁瓦模具實物圖。

圖2 磁瓦模具實物圖

實驗利用Matlab仿真工具，在VS2010+OpenCV2.4.13，Windows10操作系統Intel(R)Xeon(R)CPU E5-2603v4@2.20GHz，內存為32GB，分辨率為800*600的環境下搭建仿真平臺。

實驗中所用到的器材分別有，550厘米長的水滴形窗口、工業相機、被測工件、遠程紅外線檢測儀等。探測道直徑長度大約是50厘米左右，每個窗口需要的長度大概是90厘米，結合分束片的尺寸，不影響光源并且方便轉換。遠程紅外線檢測儀含有五個測量渠道，截面方向分別是-20厘米、-10厘米、0厘米、10厘米和20厘米。設置好各個窗口所需長度，厚度為5厘米。圖3為缺陷檢測裝置。

圖3 缺陷檢測裝置

為了驗證本文方法的有效性，采用本文檢測方法和文獻[2]檢測方法，通過缺陷檢測裝置，對待檢測的磁瓦模具進行缺陷檢測，檢測結果如圖4所示。

圖4 兩種方法的缺陷檢測結果對比

根據圖4可知，左上角區域為偏差較大的部分，即存在缺陷。對比兩種磁瓦模具缺陷檢測方法，本文方法得到的缺陷信息更加明顯，更容易識別。利用本文方法對待檢測的磁瓦模具表面的不同缺陷深度進行檢測，可以準確地判斷缺陷的位置，其精度可達 μm量級，圖5為沿 x、 y 軸缺陷前后對比曲線，實線為優化前曲線，虛線為優化后曲線。

圖5 x 軸、y 軸缺陷前后對比曲線

根據圖5可知，磁瓦模具表面缺陷優化前的最大深度為 5.98×10-4 mm，磁瓦模具表面缺陷優化后的最大深度為 1.96×10-4 mm，通過對比發現，優化后磁瓦模具表面的最大磨損深度明顯降低。

一個好的目標缺陷檢測方法是正檢率較高，過檢率和漏檢率均為較低的狀態。為了進一步驗證本文檢測方法的有效性，選取過檢率、正檢率、漏檢率為檢測指標，對本文方法、文獻[1]和文獻[2]方法進行定性分析，對比結果如表1所示：

表1 定性分析結果

根據表1分析結果可以看出，本文檢測方法的過檢率和漏檢率均比文獻[1]方法和文獻[2]方法低，正檢率比文獻[1]方法和文獻[2]方法高。是因為本文方法對復雜機電模具表面缺陷數據進行多時段檢測時，對表面缺陷位置信息進行了提取，過程中對閾值T進行自適應調整，保證能夠快速的確定出缺陷區域所在范圍，由此增加了最終檢測結果的正檢率，降低了過檢率和漏檢率。

5 結論

復雜機電模具表面缺陷數據多時段檢測，通過特征獲取提升模具的穩定性和普遍適用性，在不損失細節特征條件下，對表面缺陷部分去燥進行預處理，提高識別率和精度，然后確定缺陷位置，得到深度和偏移程度數值，并且對重要信息提取，利用分塊圖像相減流程對缺陷部分進行檢測，最后運用機電時間常數，對模具多時段數據檢仿真。結果表明，所提檢測方法具有較高的檢測準確性和正檢率，降低了過檢率、漏檢率和模具表面的最大磨損深度。該實驗在檢測過程中，可有效保證復雜機電模具的表面質量、識別率和準確性不受外界環境因素所影響，適合現代工業生產。