基于圖像法的端銑表面粗糙度研究

閔 莉，王 哲，吳玉厚

MIN Li, WANG Zhe, WU Yu-hou

（沈陽(yáng)建筑大學(xué) 機(jī)械工程學(xué)院，沈陽(yáng) 110168）

0 引言

在機(jī)械加工過(guò)程中工件產(chǎn)生刀痕、切屑分離時(shí)的塑性變形、刀具與已加工表面的摩擦及工藝系統(tǒng)產(chǎn)生的高頻振動(dòng)等原因使加工零件的表面產(chǎn)生微小的峰谷，微小峰谷形成的微觀幾何誤差即為表面粗糙度[1]。表面粗糙度（surface roughness）是指加工表面具有的較小間距和微小峰谷的不平度，它對(duì)工件的耐磨性、配合性質(zhì)、疲勞強(qiáng)度、導(dǎo)熱性耐腐蝕性、使用壽命和產(chǎn)品外觀都會(huì)產(chǎn)生一定的影響。隨著科技的發(fā)展，工業(yè)領(lǐng)域中對(duì)微小尺寸的測(cè)量精度及速度等要求也越來(lái)越高，傳統(tǒng)的接觸式測(cè)量精度難以達(dá)到要求，非接觸式測(cè)量迅速發(fā)展。機(jī)器視覺(jué)檢測(cè)技術(shù)為新興研究領(lǐng)域，通過(guò)攝像機(jī)與計(jì)算機(jī)相連接，利用機(jī)器視覺(jué)進(jìn)行非接觸測(cè)量檢測(cè)零件表面微觀特性的方法越來(lái)越受到重視[2]。圖像法基本上可以歸納為統(tǒng)計(jì)法、結(jié)構(gòu)法、模型法和空間/頻率域聯(lián)合分析法等四類。但存在一些方法難以廣泛應(yīng)用，并且對(duì)端銑加工方式的研究較少。本文提出了一種基于圖像法的非接觸式粗糙度檢測(cè)的方法，來(lái)實(shí)現(xiàn)表面粗糙度的高精度、快速自動(dòng)無(wú)損檢測(cè)。通過(guò)圖像采集系統(tǒng)獲取端銑工件表面顯微圖像，運(yùn)用統(tǒng)計(jì)分析方法對(duì)工件表面圖像進(jìn)行紋理分析，提取基于GLCM的8個(gè)特征參數(shù)，分析參數(shù)與表面粗糙度評(píng)定值Ra關(guān)系，采用BP神經(jīng)網(wǎng)絡(luò)，以端銑表面圖像紋理特征參數(shù)為輸入量，對(duì)應(yīng)的表面粗糙度評(píng)定值Ra為期望輸出，構(gòu)建了神經(jīng)網(wǎng)絡(luò)檢測(cè)模型檢測(cè)表面粗糙度。試驗(yàn)證明了該方法的準(zhǔn)確性，實(shí)現(xiàn)了端銑工件表面粗糙度檢測(cè)算法分析及表面粗糙度的測(cè)量。

1 GLCM算法

1.1 GLCM定義

設(shè)圖像尺寸為M×N，灰度值為G，灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）就是從圖像中灰度為i的點(diǎn)(x,y)處的像素出發(fā)，統(tǒng)計(jì)與其距離為d的點(diǎn)(x+a,y+b)灰度為j的像素同時(shí)出現(xiàn)的概率P(i，j|d，θ)[3]。GLCM數(shù)學(xué)表達(dá)式為：

式中：i，j =0，1，…，G-1；x，y為圖像中像素的坐標(biāo)，d表示生成步長(zhǎng)，θ表示生成方向。

1.2 紋理特征參數(shù)選取

基于GLCM的圖像紋理描述有14個(gè)紋理特征參數(shù)[4]。不相關(guān)的8個(gè)紋理特征參數(shù)定義和計(jì)算公式如下[5]：

從實(shí)驗(yàn)組和對(duì)照組中分別隨機(jī)選取10株幼苗，用自來(lái)水沖洗幼苗，擦干表面水分，測(cè)量每株幼苗的根長(zhǎng)、苗長(zhǎng)，并稱取根和苗的鮮重。

1.3 GLCM計(jì)算參數(shù)確定

GLCM中，圖像的灰度級(jí)G、生成步長(zhǎng)d以及生成方向θ三個(gè)參數(shù)在不同數(shù)值下的不同組合將會(huì)生成不同的GLCM，從而得到不同的統(tǒng)計(jì)特征參數(shù)，對(duì)圖像紋理的有不同的描述能力。本文依據(jù)端銑工件的表面特征分析，選定合適的參數(shù)值。

1）G的確定

經(jīng)驗(yàn)證當(dāng)灰度級(jí)壓縮32級(jí)時(shí)，不同粗糙度等級(jí)的紋理特征參數(shù)變化明顯，離散性較好，且隨著粗糙度等級(jí)變化，紋理特征參數(shù)的線性走向趨勢(shì)基本相同，能很好的保存了圖像的整體性與圖像的紋理特征。故取G=32。

2）d的確定

取d=2，能較好的保護(hù)圖像的細(xì)節(jié)紋理信息，準(zhǔn)確反映圖像紋理特性。

3）θ的確定

θ選取4個(gè)方向，水平、對(duì)角線、垂直、反對(duì)角線（0°、45°、90°、135°）。

2 圖像紋理特征參數(shù)提取與分析

2.1 實(shí)驗(yàn)樣品及設(shè)備

工件表面粗糙度圖像采集設(shè)備采用由日本基恩士（KEYENCE）公司研發(fā)生產(chǎn)的VHX-1000型超景深三維顯微系統(tǒng)。被測(cè)樣本選擇哈爾濱量具刃具集團(tuán)生產(chǎn)的端銑表面粗糙度比較樣塊。

2.2 圖像獲取

機(jī)械加工過(guò)程中都會(huì)在工件表面形成區(qū)別于其它加工方法的表面紋理，工件表面顯微圖像差異性很大。但相同加工方式下，工件具有相近的表面紋理特征。因此，通過(guò)機(jī)器視覺(jué)檢測(cè)技術(shù)檢測(cè)工件表面粗糙度需要從加工方法的不同類別著手。銑削工件表面是一種周期性、方向性和均勻性較明顯的紋理圖像。本文對(duì)端銑工件表面圖像的紋理進(jìn)行研究，針對(duì)端銑加工的四個(gè)不同粗糙度等級(jí)標(biāo)準(zhǔn)比較樣塊，運(yùn)用圖像采集系統(tǒng)采集圖像。采集的原始圖像如圖1所示。

圖1 端銑表面原始圖像

2.3 圖像預(yù)處理

通過(guò)圖像采集系統(tǒng)獲得的圖像為1600×1200×3數(shù)組，放大倍數(shù)100倍的RGB圖像，但由于存在日常光照不均勻、噪聲污染、溫度、振動(dòng)等不可控因素的影響，造成采集的圖像失真，表現(xiàn)在：原本連續(xù)均勻的灰度，產(chǎn)生突變，或生成虛假的信息。所以需要對(duì)采集的圖像經(jīng)過(guò)預(yù)處理才能作為實(shí)驗(yàn)的圖像樣本數(shù)據(jù)，進(jìn)而獲取準(zhǔn)確的端銑表面紋理信息以便于對(duì)表面紋理的分析處理。

圖像采集系統(tǒng)采集到的為彩色圖像。彩色圖像包含信息量較大，計(jì)算過(guò)于復(fù)雜，而灰度圖像能夠反應(yīng)本文所需的紋理特征，因此需要將彩色圖像灰度化。同時(shí)采用中值濾波等算法對(duì)圖像進(jìn)行去噪，結(jié)果表明濾噪效果良好，并保護(hù)了圖像紋理細(xì)節(jié)。預(yù)處理后的圖像如圖2所示。

圖2 端銑表面預(yù)處理后的圖像

表1 灰度共生矩陣紋理特征參數(shù)樣本集

2.4 實(shí)驗(yàn)數(shù)據(jù)提取

在G L C M 中，不同的角度會(huì)產(chǎn)生較大差異的GLCM，因此不當(dāng)?shù)纳煞较驅(qū)o(wú)法如實(shí)反映工件表面紋理特征。為保證紋理信息的完整性，θ選取0°，45°，90°，135°。本文對(duì)端銑表面粗糙度樣塊進(jìn)行多次的圖像采集，提取基于4個(gè)方向上GLCM的8個(gè)紋理特征參數(shù)，并選擇特征參數(shù)平均值作為最終實(shí)驗(yàn)數(shù)據(jù)。W1～W8依次為角二階矩、對(duì)比度、相關(guān)性、和平均、熵、相關(guān)信息測(cè)度Ⅰ、相關(guān)信息測(cè)度Ⅱ和最大相關(guān)系數(shù)。表1為數(shù)據(jù)庫(kù)中前6組的端銑顯微圖像紋理特征參數(shù)集。

通過(guò)實(shí)驗(yàn)組數(shù)據(jù)，畫出端銑加工表面粗糙度比較樣塊的GLCM的8個(gè)特征參數(shù)隨粗糙度Ra的變化曲線關(guān)系圖如下。以下列舉了角二階矩、對(duì)比度、相關(guān)性和熵四個(gè)特征參數(shù)的曲線圖，如圖3所示。

圖3 紋理特征參數(shù)隨Ra變化曲線圖

由以上實(shí)驗(yàn)數(shù)據(jù)，分析其特征參數(shù)隨粗糙度的變化規(guī)律可以看出，工件表面紋理特征與表面輪廓算術(shù)平均偏差（Ra）之間存在確定的變化規(guī)律。對(duì)比度、和平均、熵、相關(guān)信息測(cè)度Ⅰ隨Ra的增大而成遞減趨勢(shì)。角二階矩、相關(guān)信息測(cè)度Ⅱ和最大相關(guān)系數(shù)隨Ra增大而成遞增趨勢(shì)。隨粗糙度等級(jí)增大，角二階距增大表示紋理越來(lái)越粗，對(duì)比度和熵的逐漸減小則表示紋理越復(fù)雜且逐漸不清晰。

3 端銑表面粗糙度檢測(cè)模型

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)，它是一種以誤差反向傳播為基礎(chǔ)的前向網(wǎng)絡(luò)[6]，具有很強(qiáng)的非線性映射能力。其結(jié)構(gòu)包括三部分：輸入層、隱含層和輸出層。本文選擇BP神經(jīng)網(wǎng)絡(luò)來(lái)完成端銑工件表面粗糙度檢測(cè)模型的建立。

3.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

根據(jù)本文粗糙度建模的實(shí)際情況需求，結(jié)合上節(jié)提取的圖像的GLCM的8個(gè)特征參數(shù)，選擇輸入層節(jié)點(diǎn)數(shù)為8，輸入量分別為角二階矩、對(duì)比度、相關(guān)性、和平均、熵、相關(guān)信息測(cè)度Ⅰ、相關(guān)信息測(cè)度Ⅱ和最大相關(guān)系數(shù)。輸出層節(jié)點(diǎn)數(shù)為1，即表面輪廓算術(shù)平均偏差Ra。根據(jù)經(jīng)驗(yàn)公式以及試驗(yàn)法選擇最佳隱含層節(jié)點(diǎn)數(shù)為18。故建立模型結(jié)構(gòu)為8-18-1的BP神經(jīng)網(wǎng)絡(luò)模型。

表2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

圖4 端銑表面粗糙度的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型

3.3 BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型

本文將上述建立的端銑樣塊表面顯微圖像紋理特征參數(shù)與工件表面粗糙度評(píng)定參數(shù)Ra的數(shù)據(jù)庫(kù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。數(shù)據(jù)庫(kù)的部分訓(xùn)練樣本數(shù)據(jù)如表1所示，顯微圖像紋理特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本輸入數(shù)據(jù)，同時(shí)，以端銑樣塊表面粗糙度評(píng)定值（Ra）作為神經(jīng)網(wǎng)絡(luò)算法樣本輸出目標(biāo)數(shù)據(jù)。從而，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法建立了顯微圖像的統(tǒng)計(jì)特征參數(shù)和對(duì)應(yīng)的表面粗糙度值（Ra）二者間的映射關(guān)系模型。將剩余的端銑標(biāo)準(zhǔn)樣塊作為網(wǎng)絡(luò)模型的測(cè)試樣本，其圖像紋理特征參數(shù)作為輸入數(shù)據(jù)，以此來(lái)測(cè)試通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的紋理特征參數(shù)與表面粗糙度映射關(guān)系模型的可靠性，驗(yàn)證是否可以將其作為檢測(cè)端銑工件表面粗糙度值的映射關(guān)系模型。表3為BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試結(jié)果與誤差分析。圖4為表面粗糙度評(píng)定參數(shù)Ra實(shí)際值與通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型獲得的Ra檢測(cè)值的對(duì)比線圖。

表3 工件表面粗糙度實(shí)際值及BP神經(jīng)網(wǎng)絡(luò)檢測(cè)結(jié)果對(duì)比分析

圖5 工件表面粗糙度實(shí)際值與檢測(cè)結(jié)果對(duì)比圖

運(yùn)用建立的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)工件端銑表面粗糙度進(jìn)行檢測(cè)，與實(shí)測(cè)值的比較結(jié)果如圖5所示，檢測(cè)結(jié)果與實(shí)測(cè)值的絕對(duì)誤差值不超過(guò)0.06，且相對(duì)誤差值小于3%，表明以上建立的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)端銑工件表面粗糙度具有較好的檢測(cè)能力。

4 結(jié)論

1）本文以端銑加工為研究對(duì)象，基于圖像法對(duì)工件表面粗糙度進(jìn)行檢測(cè)，提出了一種基于機(jī)器視覺(jué)的非接觸式工件表面粗糙度檢測(cè)方法。

2）通過(guò)采集圖像求得實(shí)驗(yàn)數(shù)據(jù)，得出基于GLCM的8個(gè)紋理特征參數(shù)與工件表面粗糙度有較好的映射關(guān)系，為粗糙度檢測(cè)提供了較優(yōu)的檢測(cè)參量。

3）建立BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，用8個(gè)紋理特征參數(shù)，即角二階矩、對(duì)比度、相關(guān)性、和平均、熵、相關(guān)信息測(cè)度Ⅰ、相關(guān)信息測(cè)度Ⅱ和最大相關(guān)系數(shù)為輸入量，對(duì)應(yīng)的表面粗糙度評(píng)定值Ra為期望輸出，構(gòu)建了神經(jīng)網(wǎng)絡(luò)檢測(cè)模型。實(shí)現(xiàn)了端銑工件表面粗糙度的檢測(cè)，且檢測(cè)值與實(shí)測(cè)值誤差較小，對(duì)快速非接觸評(píng)定端銑工件表面粗糙度的研究具有借鑒意義。

[1] 陳自新.機(jī)器視覺(jué)在機(jī)械加工表面粗糙度檢測(cè)中的應(yīng)用研究[D].東南大學(xué),2010.

[2] 賀秋偉.基于計(jì)算機(jī)視覺(jué)的微小尺寸精密檢測(cè)理論與技術(shù)研究[D].吉林大學(xué),2007.

[3] 薄華,馬縛龍,焦李成.圖像紋理的灰度共生矩陣計(jì)算問(wèn)題的分析[J].電子學(xué)報(bào),2006,34(01):155-158.

[4] HARALICK R M, SHANMUGAM K. Texture Features for Image Classification[J].IEEE Transactions on Systems, Man, and Cybernetics,1973,3(06):6102-6211.

[5] 陳美龍,戴聲奎.基于GLCM算法的圖像紋理特征分析[J].通信技術(shù),2012,2(45):108-111.

[6] Palanikumar K. Application of Taguchi and response surface methodologies for surface roughness in machining glass fiber reinforced plastics by PCD tooling[J]. The International Journal of Advanced Manufacturing Technology,2008,36(1-2):19-27.