基于机器视觉和机器学习的表面粗糙度检测方法

1.本发明涉及粗糙度检测技术领域，尤其涉及基于机器视觉和机器学习的表面粗糙度检测方法。


背景技术：

2.磨削是机械制造行业应用最广泛的精密加工方法之一，一般作为零件精密加工的最终工序，以保证零件表面的形状精度和粗糙度要求，表面粗糙度是评价表面质量的重要指标之一，是工件已加工表面上由较小的间距和峰谷组成的微观几何形状偏差，主要是在磨削过程中，由于磨削力和磨削热的作用，砂轮表面的磨粒会逐渐磨钝，这将严重影响被加工件的表面质量和几何精度，对零件后续的工作性能有重要影响。
3.目前对于表面粗糙度的检测来说，触针式轮廓仪的检测较为广泛，但是触针要与被测表面直接接触，不可避免会对工件表面造成划痕，且其检测取样是线性取样，不能代表整个表面轮廓的特征，测量效率较低；非接触式粗糙度检测方法主要有光学方法检测、电子方法检测等，但由于测量面积狭小，检测仪器价格昂贵，效率低下等缺点，在工业领域并没有得到大规模应用。最近几年，基于机器视觉的粗糙度检测方法逐渐受到重视，但是其在检测过程中缺乏特征指标与粗糙度之间有效的映射模型，降低了检测的准确性和效率。
4.因此，提供一种利用机器视觉和机器学习的表面粗糙度检测方法，克服现有技术中所存在的困难，是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了基于机器视觉和机器学习的表面粗糙度检测方法，可实方便快捷、对物体表面粗糙度的非接触式、快速地测量，降低了检测成本的技术效果。
6.为了实现上述目的，本发明采用如下技术方案：
7.基于机器视觉和机器学习的表面粗糙度检测方法，包括以下步骤：
8.s1、获取物体表面的图像，并对获取的图像进行图像预处理，得到处理后的图像；
9.s2、对处理后的图像进行计算并提取纹理的特征指标值，组成特征指标向量；
10.s3、建立物体表面粗糙度与特征指标向量之间的线性映射关系模型；
11.s4、利用s1和s2获得待测物体表面的纹理特征指标向量，并输入s3中的模型中，得到待测物体的表面粗糙度。
12.优选的，s1具体包括以下内容：
13.利用机器视觉的方法获取物体表面的图像：通过机器视觉采集装置获取物体表面的图像；
14.对获取图像进行图像预处理：利用图像预处理程序对图像进行灰度转换、中值滤波、灰度增强处理。
15.优选的，机器视觉采集装置包括：工业相机、工业镜头、光源、光源控制器、固定支架和计算机。
16.优选的，在于机器视觉采集装置匹配的labview软件平台中编程图像预处理程序。
17.优选的，s2具体包括以下内容：
18.对预处理后的图像利用灰度共生矩阵得到图像纹理的特征指标值，并通过labview软件提取纹理的特征指标值，构成特征指标向量。
19.优选的，特征指标值分别为：能量、对比度、熵、同质性、差异性和相关性的一种或多种。
20.优选的，s3具体包括以下内容：
21.通过聚类的方法得到物体本身粗糙度与特征指标向量的线性映射关系模型，并将物体本身粗糙度与特征指标向量组成数据库存储。
22.优选的，s4具体包括以下内容：
23.待测物体经过s1和s2获得待测物体表面的纹理特征指标向量，并输入到s3的线性映射关系模型中，得到与该纹理特征指标向量所对应的粗糙度值，作为结果输出。
24.经由上述的技术方案可知，与现有技术相比，本发明提供了基于机器视觉和机器学习的表面粗糙度检测方法：本发明利用机器视觉技术和机器学习技术集成图像采集、图像预处理、图像粗糙度检测于一体，方便快捷；利用机器学习技术构建了物体图像特征指标向量与粗糙度之间有效的线性映射关系模型，改变了传统检测方法中离散性或缺少映射模型的现状，实现对物体表面粗糙度的非接触式、快速地测量，降低了检测的成本。
附图说明
25.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
26.图1为本发明基于机器视觉和机器学习的表面粗糙度检测方法流程图。
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.实施例1
29.参照图1所示，本实发明公开了基于机器视觉和机器学习的表面粗糙度检测方法，包括以下步骤：
30.s1、获取物体表面的图像，并对获取的图像进行图像预处理，得到处理后的图像；
31.s2、对处理后的图像进行计算并提取纹理的特征指标值，组成特征指标向量；
32.s3、建立物体表面粗糙度与特征指标向量之间的线性映射关系模型；
33.s4、利用s1和s2获得待测物体表面的纹理特征指标向量，并输入s3中的模型中，得到待测物体的表面粗糙度。
34.在一个具体实施例中，s1具体包括以下内容：
35.利用机器视觉的方法获取物体表面的图像：通过机器视觉采集装置获取物体表面的图像；
36.对获取图像进行图像预处理：利用图像预处理程序对图像进行灰度转换、中值滤波、灰度增强处理。
37.在一个具体实施例中，机器视觉采集装置包括：工业相机、工业镜头、光源、光源控制器、固定支架和计算机。
38.在一个具体实施例中，在于机器视觉采集装置匹配的labview软件平台中编程图像预处理程序。
39.在一个具体实施例中，s2具体包括以下内容：
40.对预处理后的图像利用灰度共生矩阵得到图像纹理的特征指标值，并通过labview软件提取纹理的特征指标值，构成特征指标向量。
41.在一个具体实施例中，特征指标值分别为：能量、对比度、熵、同质性、差异性和相关性的一种或多种。
42.在一个具体实施例中，s3具体包括以下内容：
43.通过聚类的方法得到物体本身粗糙度与特征指标向量的线性映射关系模型，并将物体本身粗糙度与特征指标向量组成数据库存储。
44.在一个具体实施例中，s4具体包括以下内容：
45.待测物体经过s1和s2获得待测物体表面的纹理特征指标向量，并输入到s3的线性映射关系模型中，得到与该纹理特征指标向量所对应的粗糙度值，作为结果输出。
46.在一个具体实施例中，特征指标值：能量、对比度、熵、同质性、差异性、相关性的计算方法如下：
47.1)能量：反应图像灰度分布均匀程度和纹理粗细度，如下式所示
[0048][0049]
2)对比度：反映图像的清晰度和纹理沟纹深浅的程度，如下式所示
[0050][0051]
3)熵：表示图像中的纹理的非均匀程度或者复杂程度，如下式所示
[0052][0053]
4)同质性：反映度量图像纹理局部变化的多少，如下式所示
[0054][0055]
5)差异性：与对比度一起反映图像的清晰度和纹理沟纹深浅的程度，如下式所示
[0056]
[0057]
6)相关性：反映矩阵元素在行或列方向上的相似程度，如下式所示，
[0058][0059][0060][0061][0062][0063]
其中，在1)
‑
6)中，l
×
l为图像灰度矩阵中的行数和列数，p(i,j)为灰度矩阵中i行和j列矩阵值，μ
x
为j行的均值，μ
y
为i行的均值，δ
x
为j行的标准差，δ
y
为i行的标准差。
[0064]
在一个具体实施例中，通过labview软件提取纹理的特征指标值，构成特征指标向量，f＝[f1,f2,f3,f4,f5,f6]
‑1。
[0065]
在一个具体实施例中，参照图1所示，公开了本发明的粗糙度检测的是实施流程图，主要分为两个模块，机器视觉和机器学习。
[0066]
在机器视觉模块中，包括机器视觉采集装置和图像预处理。
[0067]
机器视觉采集装置由工业相机、镜头、光源、光源控制器、待测物体、固定支架、计算机组成。其中，工业相机是机器视觉系统的重要组件，相机的选择直接决定了所采集到图像的分辨率及图像质量，要根据所测物体及所处环境选择合适的相机。镜头的基本功能是实现光束变换。光源对装置起到照明补光作用，合适的照明方案往往关系着整个系统的成败。光源控制器用来控制光源的亮度的大小、强弱。固定支架用来为相机、镜头、光源、待测物体提供工作支撑。计算机用来传输和处理相机拍摄的图像。
[0068]
图像的预处理是对原始采集图像进行图像灰度转换、图像滤波和灰度增强等操作，有助于在后续工作中对图像特征信息的快速准确提取。该过程利用在labview软件中编写的程序对图像进行灰度变换，提取单个灰度颜色平面。同时，在数字图像采集和传输过程中，由于受到光线、温度、设备振动等外部因素的影响，掺杂进噪声的干扰，降低了图像的质量，增加了图像分析和识别的难度，图像滤波是一种消除噪声，提高信噪比，改善图像质量的处理方式。中值滤波是一种非线性低通滤波方法，在labview软件中编写程序实现中值滤波的功能。在获取图像后，为了使目标物信息在背景中更加突出，更加方便目标物的辨识，需要对图像进行增强，通过对图像灰度值进行数学运算，来对图像灰度进行拉伸或压缩。灰度变换是图像增强的一种方式，在labview中编写程序实现图像的灰度变换的功能。
[0069]
在机器学习模块中，包括特征指标向量的构建和线性关系模型的构建。
[0070]
纹理是图像表面的固有属性且具有周期性，因此相邻周期内的像素的灰度值也具
有一定的空间相关性。灰度共生矩阵由haralick在1973年提出，其核心思想是通过研究像素灰度的空间相关特性来描述纹理特征。基于灰度共生矩阵，haralick统计出14个能够反应纹理特征的特征指标值，本方法选取了其中主要的与粗糙度强相关的6个特征指标值，计算过程依赖于在labview软件中编写的程序实现。特征指标值的计算方法如步骤2.1所述。然后，根据计算得出的每一个特征指标值构成特征指标向量。
[0071]
线性映射关系模型的构建过程是将物体样本的本身粗糙度值作为标签“label”输入，使得每一个特征指标向量与其本身粗糙度值一一对应，最终的结果存储到分类器中。由于每一个粗糙度值可以与多个特征向量进行对应，因此需要采用基于支持向量机的机器学习的聚类方法对样本进行归类训练，得到特征指标向量与粗糙度之间的线性映射关系模型。
[0072]
在对待测物体的检测过程中，首先通过机器视觉的两部分内容对待测物体图像采集和预处理，而后利用机器学习模块计算和提取其特征指标向量，进一步导入到构建好的线性映射关系模型中，找到与该特征指标向量所对应的粗糙度值作为结果输出。
[0073]
在一个具体实施例中，公开了一种机器视觉采集装置图，可以选用的设备包括：工业相机、工业镜头、光源、光源控制器、固定支架5、计算机；
[0074]
待测物体在固定支架工作台的工业镜头正下方放置；光源由固定支架夹持放置在工业镜头与待测物体之间；工业镜头与工业相机相配套，并由固定支架夹持，工业相机连接计算机。考虑到待测物体的反光影响，光源采用led白色同轴光源，通过光源控制器控制照度。
[0075]
对所公开的实施例的上述说明，按照递进的方式进行，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。