機(jī)械加工表面粗糙度的視覺檢測

1、機(jī)械加工表面粗糙度的視覺檢測摘要：表面粗糙度是指加工表面上的小峰和不均勻峰谷的不均勻度，與機(jī)械零 件的性能密切相關(guān)，對機(jī)械產(chǎn)品的壽命和可靠性有重大影響。粗糙度的可靠測量 對制造業(yè)具有重要意義。目視檢查加工表面粗糙度的方法已進(jìn)一步自動化。它主 要比較不同粗糙度的表面功率譜，然后提取相關(guān)的紋理特征，然后將此信息輸入 到神經(jīng)網(wǎng)絡(luò)中進(jìn)行校準(zhǔn)和測試。因此，分析了這種用于加工粗糙表面的視覺檢查 方法。關(guān)鍵字：機(jī)械處理；表面粗糙度;測試表面粗糙度是機(jī)械零件加工質(zhì)量的主要指標(biāo)之一，它對機(jī)械零件的壽命和性 能有很大的影響。過去，傳統(tǒng)的檢測方法是找到加工紋理的主要方向，然后觸摸 探針以檢測工件的輪廓，然后計(jì)算平均

2、差，但是此誤差非常大。但是，這種新的 檢測方法具有識別速度快，識別誤差小等優(yōu)點(diǎn)，被廣泛使用。中國粗糙表面加工視覺檢查方法的現(xiàn)狀分析由于在加工零件時(shí)刀具殘留在工件表面上的加工痕跡，堆積邊緣的產(chǎn)生和分 離，金屬的塑性變形以及加工過程中機(jī)床的振動等導(dǎo)致的峰高和谷低以及表面之 間的距離很小。由這種表面微觀幾何誤差引起的峰和谷稱為表面粗糙度或表面粗 糙度，也稱為微觀不均勻性。即使經(jīng)過精密加工，在顯微鏡下觀察零件表面仍然 很粗糙。整個表面層結(jié)構(gòu)的特征是一系列具有不同幅度和間距的峰和谷。取決于 處理方法的特性，表面上的細(xì)微不規(guī)則的分布可以是取向的或各向異性的。粗糙 度主要是由殘留面積，加工規(guī)模，結(jié)節(jié)，振動波

3、紋和工具不均勻性以及材料本身 的特性引起的。當(dāng)前的粗糙度檢測方法主要包括接觸檢測和非接觸檢測。一種常 見的檢測方法是首先找到已處理紋理的主方向，使用接觸探針記錄垂直于主方向 的輪廓，然后測量輪廓的輪廓。算術(shù)平均偏差，精細(xì)不規(guī)則，輪廓的最大高度， 輪廓的平均單峰間隔，精細(xì)不規(guī)則的平均間隔等表面粗糙度的研究分三個階段進(jìn) 行。定性綜合評估階段；2.量化和標(biāo)準(zhǔn)化的參數(shù)評估步驟；3.定量高水平檢測步 驟。隨著表面測量精度的提高，表面形態(tài)變得越來越復(fù)雜，并且具有局部和整體 自相似或統(tǒng)計(jì)自相似結(jié)構(gòu)。s。塞爾斯和其他人發(fā)現(xiàn)表面形態(tài)是一個不穩(wěn)定且隨 機(jī)的過程。因此，傳統(tǒng)的地面地形識別與表征理論和表征方法面臨著嚴(yán)

4、峻的挑戰(zhàn)。 為此，使用與標(biāo)尺無關(guān)的固有參數(shù)來表征工程表面，獲得對表面形態(tài)的科學(xué)解 釋，為進(jìn)一步的功能研究奠定堅(jiān)實(shí)的理論基礎(chǔ)，并進(jìn)一步控制和監(jiān)控表面處理質(zhì) 量。需要尋找。提供可靠的依據(jù)。探析機(jī)器人視覺來檢測機(jī)械加工粗糙度的新方法2.1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粗糙度是質(zhì)量指標(biāo)。從智能制造和質(zhì)量控制的角度來看，我們希望可以在自 動化制造過程中在線測量該指數(shù)，以形成一個閉環(huán)控制，以確保成品工件不達(dá)到 設(shè)計(jì)的粗糙度指數(shù)。提出的粗糙度檢測方法應(yīng)在檢測效率，抗干擾能力和檢測精 度方面具有優(yōu)異的性能。首先是確定加工表面圖像的紋理和表面粗糙度之間的關(guān) 系。當(dāng)加工表面輪廓上輪廓的最大高度

5、較大時(shí)，輪廓的單個峰間距也會變大。換 句話說，輪廓線的水平和近似指數(shù)具有一定的相關(guān)性，并且這些關(guān)系已成為視覺 檢查的基礎(chǔ)。當(dāng)加工的表面紋理是定向的時(shí)，其能量分布在頻域中也是定向的 （例如，計(jì)劃，銑削和磨削）。在提取加工表面的特征之后，考慮到加工表面頻 譜的能量分布，本文從功率譜的能量分布中提取特征。當(dāng)輪廓線在加工表面輪廓上的最大高度較大時(shí)，輪廓線的單個峰間距也將較 大。即，輪廓線的水平方向上的粗糙度指數(shù)和垂直方向上的指示符相互關(guān)聯(lián)。性 別。這種相關(guān)性可以通過圖像反映出來。這是本文目視檢查的基礎(chǔ)。在紋理分析中，圖像傅立葉變換的功率譜可以在一定程度上反映某種紋理特 征。如果圖像的紋理粗糙，即圖像的

6、灰度幾乎沒有變化或緩慢變化為較小的值， 則P應(yīng)該具有較大的值，并且能量集中在低頻段。否則，圖像的紋理更加細(xì)膩， 即，圖像的灰度頻繁或快速變化，具有較大的值P應(yīng)該具有較大的值，并且能量 集中在高頻頻帶中。2.2探析BP神經(jīng)網(wǎng)絡(luò)對粗糙度預(yù)測結(jié)果人工神經(jīng)網(wǎng)絡(luò)是非數(shù)字，非算術(shù)，并行信息處理系統(tǒng)。它與典型的數(shù)字電子 計(jì)算機(jī)不同，因此無需運(yùn)行特殊程序即可完成某些任務(wù)。它由稱為神經(jīng)元的非常 簡單的微處理器組成，并且神經(jīng)元以某種方式彼此連接，通過該方式，信號在元 素之間傳輸，從而使元素彼此交互。利用這些相互作用，人工神經(jīng)網(wǎng)絡(luò)以獨(dú)特的 方式處理該問題，以模擬生物學(xué)上先進(jìn)的神經(jīng)活動。神經(jīng)網(wǎng)絡(luò)用于近似粗糙度函 數(shù)神

7、經(jīng)網(wǎng)絡(luò)采用BP網(wǎng)絡(luò)首先，建立網(wǎng)絡(luò)的結(jié)構(gòu)模型輸出層是使用線性激活函數(shù) 的神經(jīng)元神經(jīng)元的輸出值是加工表面的粗糙度和表面輸入層的輸入是上面提取的 特征向量，包括輸入層，中間層（隱藏層）和輸出層。上層和下層完全連接，每 層神經(jīng)元之間沒有連接。當(dāng)一對訓(xùn)練樣本提供給網(wǎng)絡(luò)時(shí)，神經(jīng)元的激活值通過每 個中間層從每個輸入層傳播到輸出層，并且輸出層中的每個神經(jīng)元都獲得網(wǎng)絡(luò)的 輸入響應(yīng)。接下來，根據(jù)減少目標(biāo)輸出的方向和實(shí)際誤差，從輸出層到中間層對 連接權(quán)重進(jìn)行分層修改，最后改變回到輸入層，該算法是誤差反向傳播算法， 即。這是一種BP算法。本實(shí)驗(yàn)中使用的網(wǎng)絡(luò)模型為：在輸入節(jié)點(diǎn)的情況下，在 輸入節(jié)點(diǎn)的情況下，在每個單元的

8、特征的激活功能之后，在操作之后，它首先傳 播到隱藏層的節(jié)點(diǎn)。隱藏節(jié)點(diǎn)的輸出信息被傳播到輸出節(jié)點(diǎn)，最后提供輸出結(jié)果。網(wǎng)絡(luò)的學(xué)習(xí)過 程包括正向和反向傳播。在正向傳播過程中，每個神經(jīng)元層僅影響下一個神經(jīng)元。 層神經(jīng)元網(wǎng)絡(luò)。如果輸出層無法獲得預(yù)期的輸出，即實(shí)際輸出與預(yù)期的輸出之間 存在錯誤，請轉(zhuǎn)到反向傳播步驟。誤差信號沿原始連接通道返回并進(jìn)行校正，以 使每一層的神經(jīng)元權(quán)重一一傳播到輸入層進(jìn)行計(jì)算?；贐P神經(jīng)網(wǎng)絡(luò)的磨削表 面粗糙度檢測必須經(jīng)歷三個過程：神經(jīng)網(wǎng)絡(luò)樣本的收集，神經(jīng)網(wǎng)絡(luò)模型的建立以 及基于神經(jīng)網(wǎng)絡(luò)的檢查。首先，訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要一定數(shù)量的訓(xùn)練樣本；訓(xùn)練樣 本太少不足以反映變量之間的確切關(guān)系；訓(xùn)

9、練樣本太多會增加神經(jīng)元的數(shù)量，因 此學(xué)習(xí)時(shí)間太長并且會影響學(xué)習(xí)?？赡苡行АＴ诒疚闹?，有9個具有不同粗糙度 級別的磨削樣本，并且收集了 8個圖像，每個樣本總共9x8=72個樣本，以獲得 足夠數(shù)量的樣本以更好地訓(xùn)練網(wǎng)絡(luò)。采取54個訓(xùn)練樣本和18個預(yù)測樣本進(jìn)行神 經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。通過比較不同隱藏層神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果來確定神經(jīng)網(wǎng)絡(luò)的最終模 型。其次，本主題的目的是建立一種磨削表面粗糙度檢測系統(tǒng)，其目的是實(shí)現(xiàn)從 圖像的表面特征到表面粗糙度的非線性映射，并建立和輸入圖像特征與表面粗糙 度之間的關(guān)系。層和輸出層的含義非常清楚。最后，您需要測試您訓(xùn)練有素的網(wǎng) 絡(luò)，以查看它是否可以應(yīng)用于您的實(shí)際應(yīng)用程序。通過比較和驗(yàn)證，確保預(yù)測值 和實(shí)際值具有良好的近似效果，平均精度可以達(dá)到93.8%。通過機(jī)器視覺技術(shù)和 神經(jīng)網(wǎng)絡(luò)模型提取特征參數(shù)以實(shí)現(xiàn)磨削表面粗糙度檢測的目的得以實(shí)現(xiàn)，從而證 明了使用機(jī)器視覺方法測量表面粗糙度的可能性。結(jié)論這種識別加工表面粗糙度的方法主要是分析功率譜以提取各種類型的加工表 面的特征，然后將它們輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和預(yù)測。測試結(jié)果準(zhǔn)