基于區(qū)域圖像檢測的機械加工技術(shù)研究

張強

（遼寧軌道交通職業(yè)學(xué)院，沈陽 110000）

1 前言

時代日益進步，創(chuàng)新技術(shù)日益更新，制造工業(yè)中機械加工設(shè)備應(yīng)用愈發(fā)廣泛，顯著節(jié)省了人工干預(yù)環(huán)節(jié)，大大加快生產(chǎn)效率，顯著推動制造工業(yè)的發(fā)展。機械加工設(shè)備是生產(chǎn)過程中的和新工具，其設(shè)備零件表面深受熱力耦合作用，不可避免就會產(chǎn)生問題，一旦未及時發(fā)現(xiàn)，將會嚴(yán)重影響產(chǎn)品質(zhì)量，出現(xiàn)宏觀誤差，影響制造鏈整體的加工效率。因此，區(qū)域圖像檢測技術(shù)打破了傳統(tǒng)接觸式的檢測方法，促使機械加工技術(shù)更加高效。

2 相關(guān)概念

2.1 區(qū)域圖像檢測中的數(shù)字圖像采集

當(dāng)前時代，數(shù)字化的圖像采集設(shè)備很多，例如數(shù)碼相機、掃描儀數(shù)碼相機、攝像頭等。在機械加工技術(shù)中的圖像采集設(shè)備則最常用的有CCD圖像傳感器，它可分為面陣、線陣兩大類，基于CCD數(shù)字圖像采集系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 數(shù)字圖像采集系統(tǒng)

2.2 區(qū)域圖像色彩系統(tǒng)

色彩系統(tǒng)較為常用的有YIQ、CMY、RGB、YUV、等等，在常用色彩系統(tǒng)中，此類的顏色系統(tǒng)都是表示顏色額一種方式，其中最為常用的在于CMY色彩系統(tǒng)。各個行業(yè)所應(yīng)用的顏色系統(tǒng)都各不相同，于計算機屏幕而言，大多都是RGB色彩系統(tǒng)，于印刷工業(yè)而言，常用CMY色彩系統(tǒng)。

2.3 區(qū)域數(shù)字圖像

對圖像予以計算分析的過程中，可以將其進行圖像函數(shù)化的是額定，將其視為二維還能輸，其函數(shù)中的坐標(biāo)x、y，則為圖像中二維空間坐標(biāo)。于圖像而言，圖像上的各個像素點都難以產(chǎn)生聯(lián)系，因此圖像是離散式點集，所以f的x、y的分量同振幅中間多時離散且有限的，故可將其稱之為數(shù)字圖像。在具體的圖像計算過程中，可以利用二維數(shù)組進行圖像表達。如圖2所示即為該常規(guī)的A*B二維數(shù)組圖像[1]。

圖2 A*B二維數(shù)組圖像

式子中的x、y則分別代表該二維空間中XY坐標(biāo)點位置，等式右側(cè)的f(x,y)則被稱之為數(shù)字圖像，其中的每個元素稱之為像素。灰度圖中的f則代表灰度值，表達該灰度圖對應(yīng)人眼所能觀測或觀測不到額客觀事物亮度。若是公式中的f取值于0-1時，那么該公式就是二值圖像的表示。

在圖像采樣的過程中，所采集圖像均為彩色圖像，彩色圖像顏色也基本為紅色、藍色、綠色組合而成。彩色圖像予以科學(xué)處理后，即可得到灰度圖像，而將灰度圖像通過紅綠藍三通道予以灰色現(xiàn)實，并且在實際運算過程中，為了能夠表達出不同的255等級額灰度色階，就可通過重新配比紅綠藍三色的方法，進行改變。然而，在實際圖像中，白色就是最亮部分即為255級別。一般將使用矢量F來表示f，所收集彩色圖像中的各個像素點，則均是由紅、綠、藍色組合而成，因此在各個像素上均會有所體現(xiàn)[2]。

3 機械加工區(qū)域圖像檢測方法

圖像預(yù)處理|：由于車床所加工零件的表面都具備一定的光學(xué)屬性，因此勢必存在一定噪聲，所以就要針對車床加工零件表面圖像的噪聲予以預(yù)處理，通過閾值分割、中值濾波、灰度增強三個步驟落實初始圖像前期處理工作。

3.1 閾值分割

為了能夠顯著加快車床零件的檢測測度，就要通過基于后葉概率的貝葉斯模型，以此來顯著明確圖像中明顯存在的分割閾值thr，以此來得到機械加工所分割后的加工零件圖像。

在(1)中，其(i,j)代表像素點的標(biāo)記，U(w(i,j))則代表該標(biāo)記點的能量函數(shù)，其P(Y)則代表先驗概率分布。

3.2 中值濾波處理

系統(tǒng)分析初始圖像，就可將車床的加工零件表面圖像在其采集、傳輸?shù)倪^程，將其噪聲分為乘性、加性兩類。為有效提高車床加工零件的表面圖像質(zhì)量，顯著降低噪音干擾，就要基于3×3規(guī)格方形實現(xiàn)二維滑動模板，重復(fù)呢利用中值濾波的表達公式，將圖像噪聲予以處理，方可得到中值濾波圖像。

3.3 灰度增強處理

基于直方圖將其第k級的灰度值Sk分布概率密度則為P(sk),因此依照下列公式進行車床加工零件表面圖像對比度的增強，以此來將重疊的背景、目標(biāo)進行區(qū)分。

式子中的x,y分別代表該圖像像素的行與列，L則代表該像素灰度總結(jié)數(shù)，S’k則代表增強的第k級灰度的像素灰度值，為了能夠滿足數(shù)字圖像的相關(guān)標(biāo)準(zhǔn)要求，需取整數(shù)值[3]。

4 機械加工零件表面磨損的圖像檢測

依據(jù)上述的機械加工零件表面圖像的預(yù)處理結(jié)果，采用模糊神經(jīng)網(wǎng)絡(luò)技術(shù)，將車床加工零件表面圖像予以系統(tǒng)檢測，具體流程如下。

4.1 輸入層

通過將預(yù)處理的機械加工零件的表面圖形變量數(shù)值輸入至模糊神經(jīng)網(wǎng)絡(luò)中，同網(wǎng)絡(luò)層中的n個節(jié)點相對應(yīng)，求取最終的變量輸出值。假設(shè)該機械加工零件表面圖像所對應(yīng)的輸入變量為Xa,通過下述公式，方可接的該變量的輸出值Osa，如公式(4)所示。

4.2 模糊化層

依據(jù)該輸入量Xa將就有可能構(gòu)成諸多的模糊條件數(shù)量，再以此來設(shè)定該模糊化層的節(jié)點個數(shù)。該層共有u個神經(jīng)元，利用高斯函數(shù)，將輸入量Xa模糊化處理，求解輸入變量Xa到第b個神經(jīng)元的隸屬度函數(shù)如式(5)所示。

公式中b=1,2,3......,u,該高斯函數(shù)的均值和方差則分別為δab、σ2ab。

各個節(jié)點的變量值乘積即為該網(wǎng)絡(luò)層所對應(yīng)節(jié)點的輸出，則該神經(jīng)元b的輸出數(shù)值的計算公式則如圖（6）所示。

4.3 規(guī)則層

依據(jù)該模糊層的“與”“或”進行充分的推理操作，以此來實現(xiàn)該網(wǎng)絡(luò)層模糊推理。前者大致分為算數(shù)乘積和最小值的兩種操作，后者則分為有界和最大值的兩種操作。于有所磨損的圖像檢測需求而言，將類間距較接近數(shù)據(jù)的問題予以解決，因此，就可以采用模糊推理中的“或”推理原則，實現(xiàn)有界和操作求和與乘積的兩種運算方式。

4.4 求和層

此網(wǎng)絡(luò)層主要通過下列計算公式予以計算，將求和結(jié)果Og∑同乘積結(jié)果Og11進行相加，方可得到反模糊層的輸入項。

4.5 反模糊層

依據(jù)權(quán)重值0.3同輸出節(jié)點1，依據(jù)反模糊層的表達公式，將求和層的結(jié)果予以處理，方可得到最終區(qū)域圖像檢測結(jié)果[4]。

5 機械加工區(qū)域圖像檢測效果分析

為了能夠有效驗證機械加工技術(shù)中區(qū)域檢測效果，特選取該型號為CJ06528金屬切削機械床為整體實驗對象，進行綜合的實驗分析。利用KEYENCEVHX-900F超景深的三維顯微鏡，以20倍放大條件，將其精準(zhǔn)獲取的初始車床加工零件表面圖像及實驗檢測結(jié)果，如圖3、圖4所示。

圖3 壓機智能管控系統(tǒng)

圖3 初始圖像

圖4 實驗檢測結(jié)果圖像

通過將對比初始車床加工零件的區(qū)域圖像予以灰度增強的系統(tǒng)處理，其處理結(jié)果如圖4所示。圖4中明確現(xiàn)實為予以灰度增強處理圖像，同圖4初始圖像予以對比可看出，該像素灰度值的分布概率大約是灰度增強，能夠有效增橋該背景同目標(biāo)的對比度，既有效增強圖像清晰度，同時也能清晰各個細節(jié)部分。

通過上述的增強處理，再利用中值濾波方式，將車床加工零件各表面圖像予以中值濾波的處理，其處理結(jié)果將如圖5所示。同圖5灰度增強圖像予以充分對比后，方可看出它采用了中值濾波處理手段，能夠有效去除該車床加工零件表面圖像中的大多數(shù)干擾噪音，在不干擾其他信號的同時，也最大程度上留存了該初始圖像的原有特征，以此來避免出現(xiàn)失真現(xiàn)象[4]。

圖5 車床加工表面灰度增強示意圖

將車床加工零件表面圖像進行濾波處理后再予以閾值分割，該車床加工零件表面閾值分割圖如圖6所示。將圖6所示的中值濾波圖像同分割圖像予以充分對比后，方可看出，依據(jù)分割閾值進行分割的車床加工零件表面圖像中，其目標(biāo)區(qū)域邊界識別精細度較高，且磨損邊緣也更為清晰、突出，促使目標(biāo)區(qū)域更快速的從背景區(qū)域分割出來，并有效消除為濾波掉的部分噪聲。通過利用模糊神經(jīng)網(wǎng)絡(luò)，系統(tǒng)檢測車床加工零件表面磨損圖像，其最終檢測結(jié)果如圖7所示。

圖6 車床加工零件表面閾值分割圖像示意圖

圖7 車床加工零件表面磨損最終檢測示意圖

圖7所示的最終磨檢測示意圖中可以明確發(fā)現(xiàn)，經(jīng)過對其予以模糊神經(jīng)網(wǎng)絡(luò)處理，不僅將其磨損區(qū)域精準(zhǔn)檢測出來，并且其磨損邊緣也更為平滑、凸顯，充分保留了其細節(jié)，導(dǎo)致磨損目標(biāo)區(qū)域也更為直觀明了，更便于相關(guān)工作人員的系統(tǒng)觀察，綜合分析，及進一步的處理。通過采用本文方法進行車床加工零件的圖像檢測，發(fā)現(xiàn)同實際檢測結(jié)果相一致，由此可充分說明能夠利用該方法檢測其磨損現(xiàn)象[5]。

6 結(jié)語

總而言之，機械加工技術(shù)中，通過及時、準(zhǔn)確、有效的將加工零件的表面狀態(tài)予以獲取，既能保障加工過程的安全，也能更加穩(wěn)定其機械性能。隨著工業(yè)智能化額日益推進，計算機技術(shù)、人工智能技術(shù)同工業(yè)制造業(yè)的日益融合，區(qū)域圖像檢測方法的應(yīng)用也愈發(fā)推進。其中，在處理圖像的過程中，會率先進行圖像預(yù)處理，即為進行降噪濾波、分割等功能，能夠有效促使圖片更加清晰，將圖片中干擾信息全部去除，促使計算機能夠更加及時、全面的獲取相應(yīng)的目的信息，并強化圖片中所需信息，并對其圖像予以分割，以此來實現(xiàn)圖片的增強和提取功能。而后，再通過對所提取圖像進行系統(tǒng)分析，通過對比等方法，及時發(fā)現(xiàn)該機器的實質(zhì)問題。