【摘 要】隨著科技的發(fā)展，機(jī)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(jìn)行比較，然后提取相關(guān)的紋理特征，然后將這些信息輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行校對并測試，本研究將探析這種機(jī)械加工表面粗糙的視覺檢測方法。

【關(guān)鍵詞】機(jī)械加工；表面粗糙；測試

0 前言

近年來，機(jī)械加工表面粗糙的視覺檢測方法已經(jīng)可以實現(xiàn)自動化，大大地提高了工作效率。以往傳統(tǒng)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(yīng)用。

1 淺析國內(nèi)機(jī)械加工表面粗糙的視覺檢測方法現(xiàn)狀

機(jī)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(tǒng)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(zhì)量的主要標(biāo)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(huán)節(jié)，其對機(jī)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(jié)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(dāng)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(tǒng)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(shù)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(biāo)。這些指標(biāo)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(jié)果誤差相對較大，同時自動化程度低。現(xiàn)在還有一些采用輪廓線的方法，其采用兩個探針測量機(jī)械加工表面的輪廓線，引入了傾角方法和微分方法。當(dāng)前一些非接觸方法被采，主要有采用光學(xué)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(jī)械加工表面的細(xì)節(jié)信息，但設(shè)備普遍都較昂貴。采用自動視覺檢測機(jī)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(jī)械加工表面的粗糙程度的指標(biāo)，通過圖像紋理與粗糙度的相關(guān)性來識別表面的類型。

2 探析機(jī)器人視覺來檢測機(jī)械加工粗糙度的新方法

這種方法主要是通過分析機(jī)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(wǎng)絡(luò)進(jìn)行訓(xùn)練，再用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)來預(yù)測被檢測表面粗糙度。提出了一種采用機(jī)器人視覺來檢測粗糙度的新方法，實驗結(jié)果表明，該方法優(yōu)于灰度統(tǒng)計特征，可以用于機(jī)械加工表面的粗糙度的在線評估。

2.1 提取機(jī)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(jī)械加工表面圖像紋理與表面粗糙度的關(guān)系，在機(jī)械加工表面輪廓線上，當(dāng)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(biāo)及豎直方向的指標(biāo)有一定的相關(guān)性，這種關(guān)系成為了視覺檢測的基礎(chǔ)。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(yīng)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(guān)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(jī)械加工表面圖像的頻譜，當(dāng)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(dāng)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(dāng)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(xiàn)為方向紋理。經(jīng)過上面機(jī)械加工表面特征的提取后，考慮到在機(jī)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(jī)械加工表面來說，當(dāng)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(huán)，計算每個圓環(huán)中的能量占功率譜總能量的比重。

2.2 探析BP神經(jīng)網(wǎng)絡(luò)對粗糙度預(yù)測結(jié)果

采用神經(jīng)網(wǎng)絡(luò)對粗糙度進(jìn)行函數(shù)逼近，神經(jīng)網(wǎng)絡(luò)采取BP網(wǎng)絡(luò)，首先建立網(wǎng)絡(luò)的結(jié)構(gòu)模型，輸出層為一個神經(jīng)元，其采用線性激活函數(shù)，神經(jīng)元的輸出值為機(jī)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(wǎng)絡(luò)分為訓(xùn)練、識別階段兩個階段。在訓(xùn)練階段主要是通過對樣本的學(xué)習(xí)，通過對各神經(jīng)元權(quán)值的調(diào)節(jié)，來記憶各類樣本的內(nèi)在規(guī)律。在本實驗中采用的網(wǎng)絡(luò)模型如下：對于輸入節(jié)點，首先向前傳播到隱含層的節(jié)點上，經(jīng)過各單元的特性的激活函數(shù)，運算后，把隱含節(jié)點的輸出信息傳播到輸出節(jié)點，最后給出輸出結(jié)果，網(wǎng)絡(luò)的學(xué)習(xí)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(jīng)元只影響下一層的神經(jīng)元網(wǎng)絡(luò)。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(zhuǎn)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(jīng)元的權(quán)值，逐次向輸入層傳播，去進(jìn)行計算。在經(jīng)過正向傳播過程，這兩個過程的反復(fù)應(yīng)用，最終使誤差最小。對于訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，可以直接用于函數(shù)逼近，直接把特征矢量輸入到輸入層節(jié)點，通過各層的神經(jīng)元的計算，由輸出層輸出逼近結(jié)果。最后是多層神經(jīng)網(wǎng)絡(luò)的計算能力及對函數(shù)的逼近，如果單元激活函數(shù)采取連續(xù)函數(shù)，神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輸出可以逼近一個連續(xù)函數(shù)，對于本文中的特征矢量與網(wǎng)絡(luò)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(jìn)行訓(xùn)練，對應(yīng)于每類采集粗糙度各不相同。提取紋理特征，每一類作為訓(xùn)練集，所有的圖像作為測試集。等所有的研究工作結(jié)束后，下面就開始進(jìn)行試驗結(jié)果的討論，在試驗時，輸入攝像機(jī)的方法倍數(shù)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(huán)，計算四個不同圓環(huán)上的能量分布，為了提高識別的精確性，也可以將圓環(huán)的內(nèi)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(jī)紋理為主， 幅圖像提取6個特征。BP網(wǎng)絡(luò)設(shè)計為6個輸入單元，單隱層為12個神經(jīng)元，輸出為一個神經(jīng)元，輸出圖像的粗糙度。在使用圖像樣本進(jìn)行測試。最終的測試結(jié)果說明，這種測試方法精度高，誤差小。

3 結(jié)語

綜上所述，這種機(jī)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(jīng)網(wǎng)絡(luò)的進(jìn)行訓(xùn)練和預(yù)測，測試結(jié)果精確、誤差小等，大大地提高了工作效率。

【參考文獻(xiàn)】

[1]劉小琴.機(jī)械加工表面質(zhì)量的研究[J].山西師范大學(xué)學(xué)報（自然科學(xué)版），2009（01）.

[2]吳春亞，劉獻(xiàn)禮，王玉景，王鵬，劉軍，趙彥玲.機(jī)械加工表面粗糙度的圖像檢測方法[J].哈爾濱理工大學(xué)學(xué)報，2007（03）.

[責(zé)任編輯：劉帥]