机械加工表面粗糙的视觉检测

机械加工表面粗糙的视觉检测

郝文学

哈电集团哈尔滨电站阀门有限公司黑龙江哈尔滨150000

摘要：表面粗糙度是指加工表面具有的较小间距和微小峰谷的不平度，与机械零件的使用性能密切相关，对机械产品的寿命和可靠性有重要影响，因此，精确、高效和可靠地测量粗糙度对制造业意义重大。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。因此，探析了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

前言

表面粗糙度是机械零件加工质量的主要指标之一，对机械零件的寿命和性能有很大的影响。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

在机械零件加工过程中，由于刀具在工件表面上留下的加工痕迹、积屑瘤的产生和脱离、金属的塑性变形以及加工过程中机床振动等原因，会在机械零件表面形成微小的峰和谷，这种由于表面微小峰谷的高低和问距等原因引起的表面微观几何形状误差称为表面粗糙度，也称为表面光洁度或微观不平度。即使经过精密加工，零件表面在显微镜下观察仍然是粗糙不平的。整个表面层结构是由一系列具有不同幅度和间距的峰和谷来表征的。表面上微观不平度的分布根据加工方法性质的不同，可以是定向的，也可以是各向异性的。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。表面粗糙度的研究大致经历了三个阶段：1．定性综合评定阶段；2．定量、标准化参数评定阶段；3．定量高水平检测阶段。随着表面测量精度的提高，表面形貌出现越来越精细、越来越丰富的局部和整体的自相似或统计自相似结构，早在20世纪70年代，R．S．Sayles等人就发现表面形貌是一个非稳定的随机过程。因此，传统的表面形貌识别与表征理论、表征方法面临着严峻的挑战。为此，有必要寻找到一些尺度独立的“固有"参数来表征工程表面，实现对表面形貌的科学描述，为进一步的使用功能研究打下坚实的理论基础，也为进一步控制、监测表面加工质量提供可靠的依据。

2.探析机器人视觉来检测机械加工粗糙度的新方法

2.1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

粗糙度是一种质量指标，从智能制造和质量控制的角度都希望在自动化制造过程中能够对这一指标进行在线测量以便形成闭环控制，确保完成的工件不仅达到设计的粗糙度指标，而且具有良好的一致性。这就要求所提出的粗糙度检测方法在检测效率、抗干扰能力、检测精度方面都应具有很好的性能。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。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。

下图为机械加工表面粗糙高度与轮廓的单峰间距的关系：图l可知，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。而这种相关性可以通过图像反映出来。这构成了本文采用视觉检测的基础。

在纹理分析中，图像傅里叶变换的功率谱在一定程度上能反映某些纹理特征。如果一幅图像的纹理比较粗糙，即图像灰度的变化很少或较慢，则在小的值处，P应有较大的值，能量集中在低频段；反之，如果一幅图像的纹理较细腻，也即图像灰度的变化频繁或较快，则在大的值处，P应有较大的值，能量集中在高频段。

2.2探析BP神经网络对粗糙度预测结果

人工神经网络是一种非数字、非算术的、高度并行的信息处理系统。它不同于通常的数字电子计算机，不必执行专门的程序来完成特定的任务。它由许多十分简单，称作神经元的微处理器所组成，神经元之间按照一定的方式相互连接，信号可以通过这些连接在元与元之间传递，由此使得元与元彼此相互作用，利用这些相互作用，人工神经网络以一种独特的，模拟生物高级神经活动的方式处理问题。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，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修改各个连接权值，最后回到输入层，这种算法为“误差逆传播算法”，即BP算法。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。基于BP神经网络的磨削表面粗糙度检测需要经过三个过程，神经网络样本的采集，神经网络模型的建立，基于神经网络的测试。首先神经网络的训练需要一定数量的学习样本，学习样本过少，不足以反应各变量之间的确切关系；学习样本过多，则需要增加神经元的个数，容易导致学习时间过长，影响效率。本文共有9个不同粗糙度等级的磨削试件，为了得到充分数量的样本，以便更好地训练网络，对每个试件分别采集了8幅图像，共有9×8=72个样本，其中学习样本取54个，用于神经网络训练，预测样本取18个，通过对不同隐层个数神经网络的预测结果进行对比，来确定神经网络的最终模型。其次，本课题旨在建立的磨削表面粗糙度检测系统而言，其目的在于实现从图像的表面特征到表面粗糙度的非线性映射，建立图像特征和表面粗糙度之间的关系，因而输入层、输出层的含义非常明确。最后，训练好的网络还需要进行测试才能判定是否可以投入实际应用，通过比较验证，确定了预测值和实际值之间具有良好的逼近效果，平均准确率可达93．8％。实现了经由机器视觉技术提取特征参数，神经网络模型完成磨削表面粗糙度检测的目标，从而论证了利用机器视觉方法测量表面粗糙度的可行性。

3.结论

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]唐君萍，张丽艳，刘胜兰，等.飞机复杂零件上大量小尺寸导孔的快速视觉检测[J].中国机械工程，2015，26（18）：2456-2465.

[2]郝永鹏，于大国，李少敏，等.基于光视觉技术的深孔直线度检测系统[J].组合机床与自动化加工技术，2016（2）：51-53.