基于神經網絡的磨削工件表面質量的在線檢測

郭瑞鵬，陶正蘇

（上海交通大學 儀器科學與工程系，上海 200240）

精密加工中，工件表面的實時檢測，可以更主動地檢測工件加工的質量情況，并反饋給控制系統(tǒng)，形成閉環(huán)系統(tǒng)，從而完全控制整個加工過程，極大地提高生產率，保證產品質量。作為衡量表面形貌的特征參數(shù)，粗糙度的測量在工件表面檢測中占據著重要的位置。測量表面粗糙度的方法有很多種，光學方法以其非接觸、精度高、測量速度快等優(yōu)點，成為一種理想的在線測量方法，其中使用最廣泛的是基于光散射原理的測量方法[1-4]。然而，精密磨削加工中，由于冷卻液覆蓋工件表面，阻擋了測量光束的傳播，使其在加工條件下的實時光學檢測不可能實現(xiàn)。Gao Y提出了建立“透明窗”的概念，利用特制的裝置，借助透明液體，創(chuàng)造一塊透明測量區(qū)域，使得激光束可以透過冷卻液和磨削屑覆蓋層，實現(xiàn)工件表面輪廓測量[5]。借助該思想，采用類似的裝置，本文采集透明測量區(qū)域內的表面散射圖像，從中提取參數(shù)值，使用神經網絡，預測粗糙度數(shù)值，以此實現(xiàn)加工過程中對工件表面質量的在線測量，達到實時監(jiān)控的目的。

使用神經網絡預測表面粗糙度，可以在線監(jiān)測加工參數(shù)，作為神經網絡的輸入，建立合適的模型來預測，也可以在加工參數(shù)未知的情況下，使用機器視覺方案預測。Liu X L等采集表面紋理圖像，分析其功率譜，提取出功率譜半徑、平均功率譜、中心功率譜百分比3個參數(shù)，作為BP神經網絡的輸入，進行訓練預測[6]。Akbari A A等使用表面紋理圖像的灰度數(shù)據分別計算出面積參數(shù)RaArea和RqArea，圖像灰度算數(shù)平均值以及標準差，將它們輸入多層感知神經網絡進行訓練[7]。Lee K Ch等選擇車削表面圖像的空間頻率、灰度算術平均值、標準偏差作為特征矢量，使用自適應模糊神經網絡來確立表面粗糙度和表面圖像紋理特征之間的關系[8]。

本文使用的是機器視覺和光散射原理相結合的方法，借鑒已有文獻提出的特征參數(shù)，結合本文所述在線檢測的測量環(huán)境和表面散射圖像的特點，從采集的散射圖像中提取出散射光帶主方向上的散射特征參數(shù)值、不同散射方向上灰度分布的標準差、二維圖像灰度參數(shù)值，加上透明附加層中的液體流速，同時作為BP神經網絡的輸入，來預測表面粗糙度數(shù)值。

1 視覺檢測系統(tǒng)

本文使用的實驗裝置如圖1所示，由準直半導體激光器、半透半反鏡、毛玻璃屏、鏡頭、工業(yè)相機等組成。半導體激光器（波長λ=650 nm，功率5 mW）發(fā)出直徑3 mm的準直高斯光束，透過半透半反鏡和透明附加層（包括透明玻璃層和透明流動液體層），沿法向方向入射到被測表面。經由物體表面反射和散射的光束，在空間范圍內形成以反射光斑為中心的狹長形散射光帶分布，該分布通過透明附加層和半透半反鏡投射到毛玻璃屏上，使用工業(yè)相機采集散射圖像信息并進行分析。

圖1 實驗裝置結構示意圖Fig.1 Schematic diagram of experimental setup

這里，透明附加層是模擬“透明窗”裝置產生的。該裝置由儲水罐、水泵、可調流量的玻璃轉子流量計、連接管和流體流態(tài)模擬器件組成。通過調節(jié)和控制流體的流速，可以模擬不同的流體狀態(tài)。

根據平面磨削加工表面的粗糙度范圍（表面輪廓算術平均偏差 Ra:0.01～0.8 μm）， 選擇已知粗糙度數(shù)值 （Ra=0.025 μm、0.05 μm、0.1 μm、0.2 μm、0.4 μm、0.8 μm）的磨削加工標準樣塊進行測量。

2 實驗研究

2.1 特征參數(shù)

使用圖1所示的實驗裝置，采集透明流體層中的液體處于不同流速時的表面散射圖像進行分析。圖2給出某一流速時不同粗糙度數(shù)值對應的光散射圖像?？煽闯觯郊訉哟嬖跁r，表面散射光強仍然呈現(xiàn)出以反射光斑為中心的狹長形散射光帶分布，粗糙度數(shù)值越小，反射光斑越明顯。為便于描述，引用數(shù)學中對橢圓長短軸的定義，定義散射光帶主方向為長軸，與其垂直方向為短軸。根據單調性原則選擇特征參數(shù)。

1）散射特征參數(shù)Sn光帶主方向上的散射特征參數(shù)Sn能夠表征反射光和散射光的離散程度，計算公式為：

式中，n是散射光帶主方向上的像素數(shù)目；Ii是該方向上第i個像素的灰度值；Pi是第i個像素處歸一化的灰度值；i是該方向上灰度數(shù)值的平均值；k為比例系數(shù)，是跟實驗裝置的光學采集系統(tǒng)有關的參數(shù)。

2）sd和sdc根據標準差的定義，它能夠反映分布的離散程度。從圖2中的散射圖像可以看出，不同粗糙度數(shù)值對應的散射光帶分布不同，因此，可以選擇圖像某個方向上的標準差作為特征參數(shù)。由上文中對散射光帶長短軸的定義，相應地，sd是散射光帶長軸上灰度值分布的標準差；sdc是散射光帶短軸上灰度值分布的標準差。

3）圖像灰度特征R 考慮整幅散射圖像，它的灰度直方圖可以反映灰度分布的范圍，進而反映散射光強分布，所以可從灰度直方圖分布中得到統(tǒng)計參數(shù)R作為特征參數(shù)。R等于圖像灰度分布的標準差SD與分布均方根RMS之比，即：

式中，N是圖像像素數(shù)，Xi是灰度級，F(xiàn)i是灰度級為Xi時所對應的像素的個數(shù)，X是灰度平均值。

4）透明液體的流速 流體層的流動狀態(tài)受流體的平均流速、管徑、流體粘度等因素的影響。流體力學中，一般使用雷諾數(shù)來判別流態(tài)，區(qū)分層流和湍流。雷諾數(shù)Re是一個無因次參數(shù)，可以表達為：

式中，v是流體的流速；υ是流體粘度；R為水力半徑，是水流過流斷面的特征幾何尺寸，它可表示成R=A/P，A為過流斷面的面積，P為過流斷面與邊界表面相接觸的周界，稱為濕周。

本文的檢測實驗中，模擬透明附加層的裝置是固定的，則水力半徑數(shù)值一定，透明液體選擇的是水，水的粘性系數(shù)為1.01 mm2/s，流體粘度也是一定的，因此，透明測量區(qū)域的流動狀態(tài)由流體流速來決定。在流體裝置一定的情況下，調節(jié)流體系統(tǒng)的流量，可以達到改變流速的目的，因此，可把液體流量作為神經網絡的一個輸入參數(shù)。

2.2 散射圖像處理

對于采集到的光散射圖像，按照以下步驟處理：

1）圖像預處理。選用二維高斯低通濾波器，對原始圖像進行濾波，消除工業(yè)相機中CMOS傳感器暗電流產生的噪聲，去除背景光的干擾。

2）尋找散射光帶主方向。掃描整幅圖像，根據灰度值搜索出散射光強分布的峰值位置，進行線性擬合。

3）根據各個參數(shù) Sn、sd、sdc、R 的定義，計算它們的數(shù)值。

各個特征參數(shù)值隨粗糙度數(shù)值的變化趨勢如圖3所示?？梢?，隨著粗糙度數(shù)值的增加，參數(shù)R、sd和sdc隨之減小，參數(shù)Sn隨之增加，幾個參數(shù)都滿足單調變化的要求，可以作為神經網絡模型的輸入參數(shù)。

圖3 特征參數(shù)隨粗糙度的變化趨勢圖Fig.3 The relationship between the proposed features and surface roughness

2.3 神經網絡預測表面粗糙度

采用三層BP神經網絡預測表面粗糙度，網絡的結構模型如圖4（a）所示，輸入層的神經元個數(shù)為5，即為上文提取的特征參數(shù)；輸出層的神經元個數(shù)為1，即表面粗糙度值。隱含層，根據經驗設計公式和本實驗系統(tǒng)的實際情況，通過誤差對比，確定最佳的隱含層神經元個數(shù)為12。網絡隱含層神經元的傳遞函數(shù)為tansig，輸出層神經元的傳遞函數(shù)為logsig，采用函數(shù)trainlm對網絡進行訓練，設定訓練次數(shù)為1 000，目標誤差為0.000 001，學習速率為0.1，經過206次訓練后，得到圖 4（b）的訓練結果，訓練性能達到 9.997 67×10-7，目標誤差為1×10-6。可見，經過206步訓練后，網絡達到期望的誤差值。

訓練后的神經網絡，可以直接用于預測，把提取出的特征參數(shù)輸入到輸入層節(jié)點，通過各層神經元的計算，由輸出層輸出預測結果。本文對18組實驗數(shù)據進行了預測，預測結果見表1?？梢钥闯?，使用該神經網絡預測時，粗糙度Ra=0.1 μm的誤差最大，預測的平均誤差為1.018%。

3 結 論

本文使用神經網絡模型，建立了在線測量的表面光散射圖像和粗糙度之間的關系，從而達到在線預測表面粗糙度，實現(xiàn)加工過程實時監(jiān)控的目的。該系統(tǒng)采用機器視覺和光散射原理相結合的方法，實現(xiàn)了磨削加工中，工件表面粗糙度的在線光學檢測?！巴该鞔啊毖b置的使用，為表面質量的在線測量提供了實現(xiàn)的可行性，同時由于透明附加層的出現(xiàn)，使得本系統(tǒng)的測量不同于以往裸露表面的測量研究。借鑒已有的基于神經網絡模型對裸露表面粗糙度預測的方法，在選擇散射圖像特征參數(shù)的基礎上，增加了透明流體的流速作為一個衡量參數(shù)，共同作為神經網絡的輸入。因此，表面散射光帶主方向上的散射光帶特征參數(shù)、散射光帶長軸上灰度值分布的標準差、短軸上灰度值分布的標準差、散射圖像灰度特征和透明液體流速作為輸入，粗糙度作為輸出，建立三層BP神經網絡模型，預測表面粗糙度。選擇已知粗糙度數(shù)值的標準樣塊，使用經過訓練的神經網絡進行預測的平均誤差為1.018%?？梢?，本文提出的使用神經網絡模型在線預測精密磨削加工表面質量的方案是可行的。

圖4 三層BP神經網絡和訓練結果Fig.4 The three-layer back-propagation neural network model and the training result

表1 使用BP神經網絡對標準樣塊的預測值Tab.1 The prediction values of using back-propagation neural network to the standard values of specimens

當然，基于神經網絡理論的磨削工件表面質量的光學在線檢測中，“透明窗”方法的使用，目前還不是很完善，理論和實驗方面，都有待于進一步的研究。神經網絡模型中，可以尋求更多的評價參數(shù)來進行預測，例如考慮從附加層存在時采集的散射圖像中選取更好的評價參數(shù)，或者使用更多的衡量透明流體層流態(tài)的參數(shù)等，這也是今后工作的一個方向。

[1]Persson U.In-process measurement of surface roughness using light scattering[J].Wear， 1998， 215（1）:54-58.

[2]Gupta M，Raman S.Machine vision assisted characterization of machine surfaces[J].International Journal of Production Research， 2001， 39（4）:759-784.

[3]Wang S H，Tian Y H，Tay Ch J，et al.Development of a laser-scattering-based probe foron-line measurementof surface roughness[J].Applied Optics， 2003， 42（7）:1318-1324.

[4]Lu R S，Tian G Y.On-line measurement of surface roughness by laser light scattering [J].Measurement Science and Technology， 2006， 17（16）：1496-1502.

[5]Gao Y.Use of fluid beams to establish a clean zone for in-process optical measurement[C]//American Society for Precision Engineering.Proc ASPE 2001， Crystal City， USA:ASPE，2001:329-332.

[6]Liu X L，Wu Ch Y，Wang L，et al.A study of computer vision for ground surface roughness evaluation [C]//SPIE.Proc SPIE.Beijing，China:SPIE，2007:68332W1-W8.

[7]Akbari A A，F(xiàn)ard A M，Chegini A G.An effective image based surface roughness estimation approach using neural network[C]//IEEE.World Automation Congress.Budapest，Hungary:IEEE，2006:1-6.

[8]Lee K Ch， Ho Sh J， Ho Sh Y.Accurate estimation of surface roughness from texture features of the surface image using an adaptive neuro-fuzzy inference system[J].Precision Engineering， 2005， 29（1）:95-100.