CN101561262A - 一种不确定环境下表面粗糙度在线测量方法 - Google Patents

Abstract

本发明提供一种不确定环境下表面粗糙度在线测量方法，针对实际环境中利用机器视觉进行表面粗糙度测量时环境光的影响，提出了通过建立环境光、表面特征量与表面粗糙度关系模型的方法来计算待测表面粗糙度值。利用本方法，可以显著提高在不同外界环境光条件下对表面粗糙度的测量精度。本发明通过下述技术方案予以实现：首先根据视觉图像利用算术平均偏差法和灰度共生矩阵法得到表面特征量：表面的统计特征和纹理特征，并用光学照度计实时监测环境光的变化情况，在此基础上建立环境光、表面特征量与表面粗糙度关系模型，最后利用模型确定的函数计算表面粗糙度，利用本方法显著提高了在线测量精度。

Description

一种不确定环境下表面粗糙度在线测量方法

技术领域

本发明涉及一种表面粗糙度在线测量方法，特别涉及一种在不确定环境下利用机器视觉方法对平板类机械零件表面粗糙度进行在线测量的方法。

背景技术

表面粗糙度是机械零件的一个重要参数，目前表面粗糙度的测量方法大致可分为：利用触针式表面轮廓仪的接触测量和主要基于光学原理的非接触测量，前者由于与表面接触容易引起表面划伤，并且具有速度慢、不能应用于振动、冲击和运动场合等缺点，后者具有非接触、快速的特点，更适合应用于在线测量场合。目前，利用光学原理进行表面粗糙度测量的方法大部分是基于特定的光照环境下的，不足之处是当外界环境光发生变化时，对待测表面的图像灰度产生影响，则由图像提取的相应特征量也会发生改变，因此对应测量结果将产生较大偏差。然而要实现实际的在线应用，必须考虑现场环境光对测量结果的影响。

发明内容

发明目的：本发明利用基于光学原理的机器视觉方法测量工件表面粗糙度，环境光是影响测量精度的重要因素，本发明研究了这一影响，提出了一种新的测量方法，即通过建立环境光、表面特征量以及表面粗糙度的关系模型，将表面粗糙度表示成环境光和表面特征量的多变量函数，利用CCD摄像机采集表面特征量，利用照度计采集外界环境光变化，将采集数据动态地带入确定的多变量函数，从而能够精确地计算出表面粗糙度。

本发明通过下述技术方案予以实现：

一种不确定环境下表面粗糙度在线测量方法，利用机器视觉技术，在线测量不确定环境下工件表面的粗糙度，具体步骤如下：

(1)确定光下建模：

(1)确定光下建模：

A、取表面粗糙度值已知的第一工件置于生产现场，第一工件的表面粗糙度真实值为R_a；调节现场LED光源，使此时环境光亮度值为T_w，利用CCD摄像机获取工件表面的图像，并将获取的图像转换为灰度图；

B、根据步骤A获取的灰度图，提取采样区域的灰度均值μ_G作为第一工件表面图像第一特征量T_G1，计算公式如下：

$T_{G1}={\mathrm{\μ}}_G=\left(\underset{i=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{g}_{\mathrm{ij}}\right)/N_1{N}_2$ ①

其中g_ij为像素灰度值，i，j为自然数；N₁，N₂分别为采样区域行、列值；

C、根据步骤A获取的灰度图，提取采样区域灰度共生矩阵的能量值E作为第一工件表面图像第二特征量T_G2，表征采样区域灰度值的空间相关性信息，计算公式如下：

$T_{G2}=E=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{\stackrel{\‾}{P}}^2(i,j,d,\mathrm{\θ})$ ②

其中，

$\stackrel{\‾}{P}(i,j,d,\mathrm{\θ})=P(i,j,d,\mathrm{\θ})/\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\θ})$ ③

P(i，j，d，θ)是灰度图中具有同样亮度或接近亮度的象素间的位置分布特性的联合概率密度，计算公式如下：

P(i，j，d，θ)＝ψ{[(x，y)，(x+D_x，y+D_y)]|f(x，y)＝i，f(x+D_x，y+D_y)＝j}    ④

式中：ψ表示该集合中元素的数目；x，y为自然数，是N×N图像的像元坐标；

i，j＝0，1，…，L-1，L为自然数，是灰度等级为L的灰度值；D_x，D_y为根据灰度矩阵生成步长d和方向θ得到的位置偏移量，其中d为自然数，θ可取0°，45°，90°，135°四个方向；

D、更换第一工件为另一个与其结构及加工方式均相同，但表面粗糙度值不同的工件，重复步骤A～步骤C，并记录各个步骤得到的数据；

E、重复步骤D至少N₁次，N₁为自然数，且N₁≥5；并根据每次得到的数据，利用数值分析中的拟合方法，建立确定光下的数学模型：

R_a＝f(T_G1，T_G2)    ⑤

F、模型检验：取表面粗糙度值已知的第二工件置于生产现场，第二工件表面粗糙度真实值为R；利用CCD摄像机获取工件表面的图像，将获取的图像转换为灰度图，并根据步骤B和C计算第二工件表面图像第一特征量T_G1′和第二工件表面图像第二特征量T_G2′；

G、将步骤F得到的第二工件表面图像第一特征量T_G1′和第二工件表面图像第二特征量T_G2′，代入步骤E确定的函数模型⑤，得到第二工件表面粗糙度计算值R′_a；

H、对比第二工件表面粗糙度计算值R′_a和第二工件表面粗糙度真实值R，判断结果是否符合精度要求；当结果不符合精度要求时，增大步骤E中N₁的值，重复步骤E～步骤H，直到结果符合精度要求为止；当结果符合精度要求时，则可判断步骤E得到的数学模型⑤为确定光下的正确函数模型，进入下一步骤；

(2)不确定光下建模：

I、调节现场LED光源，改变步骤A中的环境光亮度值T_w，重复步骤A～步骤H至少N₂次，N₂为自然数，且N₂≥8；

J、根据每次的环境光亮度值T_w以及由步骤H确定得到的确定光下的数学模型，再次利用数值分析中的拟合方法，建立不确定光下的函数模型：

R_a＝f(T_W，T_G1，T_G2)    ⑥

K、模型检验：取表面粗糙度值已知的第三工件置于生产现场，第三工件表面粗糙度真实值为R₃；利用CCD摄像机获取工件表面的图像，将获取的图像转换为灰度图，并根据步骤B和C计算第三工件表面图像第一特征量T_G3和第三工件表面图像第二特征量T_g4；

L、用照度计获取此时生产现场环境光亮度值，记为T_w3；

M、将步骤F得到的第三工件表面图像第一特征量T_G3和第三工件表面图像第二特征量T_G4以及步骤G得到的环境光亮度值T_w3，代入步骤J确定的函数模型⑥，得到第三工件表面粗糙度计算值R′₃；

N、对比第三工件表面粗糙度计算值R′₃和第三工件表面粗糙度真实值R₃，判断结果是否符合精度要求；当结果不符合精度要求时，增大步骤I中N₂的值，重复步骤I～步骤N，直到结果符合精度要求为止；当结果符合精度要求时，则可判断步骤J得到的数学模型⑥为不确定光下的正确函数模型，进入下一步骤；

(3)在线应用：

O、将待测工件置于生产现场，用CCD摄像机获取待测工件表面图像，并将获取的图像转换为灰度图；

P、根据步骤B和C计算待测工件表面图像第一特征量T″_G1和待测工件表面图像第二特征量T″_G2；

Q、用照度计获取生产现场环境光亮度值，记为T″_w；

R、根据步骤J确定的函数模型⑥，代入步骤P得到的待测工件表面图像第一特征量T″_G1和待测工件表面图像第二特征量T″_G2、以及步骤Q得到的生产现场环境光亮度值T″_w，计算出待测工件表面粗糙度值R″_a。

本发明的不确定环境下表面粗糙度在线测量方法步骤H中所述精度要求具体为第二工件表面粗糙度计算值R′_a和第二工件表面粗糙度真实值R误差允许范围5％以下。

本发明的不确定环境下表面粗糙度在线测量方法，步骤N中所述精度要求具体为第三工件表面粗糙度计算值R′₃和第三工件表面粗糙度真实值R₃误差允许范围5％以下。

有益效果：

本发明采用以上技术方案与现有技术相比产生以下技术效果，

能够很好地解决利用机器视觉技术进行表面粗糙度测量时，因环境光变化而引起较大误差的问题，显著提高了在不确定环境下的测量精度，有助于实现工业自动化生产。

附图说明

图1是生产现场系统组成示意图。

图2是本发明实际应用的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

(1)确定光下建模：

A、取表面粗糙度值为0.12μm的第一工件置于生产现场；调节现场LED光源，使此时环境光亮度值为230Lux，利用CCD摄像机获取工件表面的图像，并将获取的图像转换为灰度图；

B、根据步骤A获取的灰度图，提取采样区域的灰度均值μ_G作为第一工件表面图像第一特征量T_G1，计算公式如下：

$T_{G1}={\mathrm{\μ}}_G=\left(\underset{i=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{g}_{\mathrm{ij}}\right)/N_1{N}_2$ ①

其中g_ij为像素灰度值，i，j为自然数；N₁，N₂分别为采样区域行、列值；

C、根据步骤A获取的灰度图，提取采样区域灰度共生矩阵的能量值E作为第一工件表面图像第二特征量T_G2，表征采样区域灰度值的空间相关性信息，计算公式如下：

$T_{G2}=E=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{\stackrel{\‾}{P}}^2(i,j,d,\mathrm{\θ})$ ②

其中，

$\stackrel{\‾}{P}(i,j,d,\mathrm{\θ})=P(i,j,d,\mathrm{\θ})/\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\θ})$ ③

P(i，j，d，θ)是灰度图中具有同样亮度或接近亮度的象素间的位置分布特性的联合概率密度，计算公式如下：

P(i，j，d，θ)＝ψ{[(x，y)，(x+D_x，y+D_y)]|f(x，y)＝i，f(x+D_x，y+D_y)＝j}    ④

式中：ψ表示该集合中元素的数目；x，y为自然数，是N×N图像的像元坐标；i，j＝0，1，…，L-1，L为自然数，是灰度等级为L的灰度值；D_x，D_y为根据灰度矩阵生成步长d和方向θ得到的位置偏移量，其中d为自然数，θ可取0°，45°，90°，135°四个方向；

D、更换第一工件为另一个与其结构及加工方式均相同，但表面粗糙度值为0.16μm工件，重复步骤A～步骤C，并记录由步骤B和步骤C得到的数据，见表1；

E、依次取表面粗糙度值为0.24μm、0.33μm、0.58μm的工件，重复步骤D，得到的数据见表1，并根据每次得到的数据，利用数值分析中的拟合方法，建立确定光下的数学模型：

R_a＝f(T_G1，T_G2)    ⑤

F、模型检验：取表面粗糙度值为0.25μm第二工件置于生产现场；利用CCD摄像机获取工件表面的图像，将获取的图像转换为灰度图，并根据步骤B和C计算第二工件表面图像第一特征量T_G1′和第二工件表面图像第二特征量T_G2′；

G、将步骤F得到的第二工件表面图像第一特征量T_G1′和第二工件表面图像第二特征量T_G2′，代入步骤E确定的函数模型⑤，得到第二工件表面粗糙度计算值0.24μm；

H、对比第二工件表面粗糙度计算值和第二工件表面粗糙度真实值，在误差允许范围为5％的条件下符合精度要求，进入下一步骤；

(2)不确定光下建模：

I、调节现场LED光源，依次改变步骤A中的环境光亮度值为252Lux、303Lux、365Lux、391Lux、374Lux、348Lux、324Lux，重复步骤A～步骤H，记录每次重复得到的数据见表1；

J、根据表1的数据，再次利用数值分析中的拟合方法，建立不确定光下的函数模型：

$R_a=-0.0015T_w+0.0148T_{G1}-{0.0706e}^{-0.0471T_{G2}}-0.0706$ ⑥

K、模型检验：取表面粗糙度值为0.58μm的第三工件置于生产现场，；利用CCD摄像机获取工件表面的图像，将获取的图像转换为灰度图，并根据步骤B和C计算第三工件表面图像第一特征量T_G3和第三工件表面图像第二特征量T_G4；

L、用照度计获取此时生产现场环境光亮度值，记为T_w；

M、将步骤F得到的第三工件表面图像第一特征量T_G3和第三工件表面图像第二特征量T_G4以及步骤G得到的环境光亮度值T_w，代入步骤J确定的函数模型⑥，得到第三工件表面粗糙度计算值0.61μm；

N、对比第三工件表面粗糙度计算值和第三工件表面粗糙度真实值，在允许误差为5％的条件下符合精度要求。

(3)在线应用：

O、将待测工件置于生产现场，用CCD摄像机获取待测工件表面图像，并将获取的图像转换为灰度图；

P、根据步骤B和C计算待测工件表面图像第一特征量为62.883，待测工件表面图像第二特征量为0.001402；

Q、用照度计获取生产现场环境光亮度值，记为243.94；

R、根据步骤J确定的函数模型⑥，代入步骤P得到的待测工件表面图像第一特征量62.883和待测工件表面图像第二特征量0.001402、以及步骤Q得到的生产现场环境光亮度值243.94，计算出待测工件表面粗糙度值近似值为0.42μm。

根据以上步骤，分别取粗糙度值依次为0.12μm，0.16μm，0.24μm，0.33μm和0.58μm的平板类工件，在环境光亮度值分别为230Lux、252Lux、303Lux、365Lux、391Lux、374Lux、348Lux、324Lux条件下，按照步骤B以及步骤C的计算公式，计算得到的工件表面的灰度均值以及共生矩阵的能量，如下表所示：

表1数据记录

根据上表数据，并根据函数关系式 $R_a=x_1{T}_w+x_2{T}_{G1}-x_3{e}^{x_4{T}_{G2}}-x_5$ 利用MATLAB自带函数lsqcurvefit拟合得到数学模型的具体形式为：

$R_a=-0.0015T_w+0.0148T_{G1}-{0.0706e}^{-0.0471T_{G2}}-0.0706$

此式即为该类零件在线应用的数学模型，应用时首先根据照度计测量环境光亮度值，由灰度图提取两个特征量，带入模型就可得到工件的表面粗糙度值。

利用本发明的不确定环境下表面粗糙度在线测量方法，能够很好地解决利用机器视觉技术进行表面粗糙度测量时，因环境光变化而引起较大误差的问题，显著提高了在不确定环境下的测量精度，有助于实现工业自动化生产。

Claims (3)

1、一种不确定环境下表面粗糙度在线测量方法，其特征在于，利用机器视觉技术，在线测量不确定环境下工件表面的粗糙度，具体步骤如下：

(1)确定光下建模：

A、取表面粗糙度值已知的第一工件置于生产现场，第一工件的表面粗糙度真实值为R_a；调节现场LED光源，使此时环境光亮度值为T_w，利用CCD摄像机获取工件表面的图像，并将获取的图像转换为灰度图；

B、根据步骤A获取的灰度图，提取采样区域的灰度均值μ_G作为第一工件表面图像第一特征量T_G1，计算公式如下：

$T_{G1}={\mathrm{\μ}}_G=\left(\underset{i=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_2}{\mathrm{\Σ}}}{g}_{\mathrm{ij}}\right)/N_1{N}_2$ ①

其中g_ij为像素灰度值，i，j为自然数；N₁，N₂分别为采样区域行、列值；

C、根据步骤A获取的灰度图，提取采样区域灰度共生矩阵的能量值E作为第一工件表面图像第二特征量T_G2，表征采样区域灰度值的空间相关性信息，计算公式如下：

$T_{G2}=E=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{\stackrel{\‾}{P}}^2(i,j,d,\mathrm{\θ})$ ②

其中，

$\stackrel{\‾}{P}(i,j,d,\mathrm{\θ})=P(i,j,d,\mathrm{\θ})/\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\θ})$ ③

P(i，j，d，θ)是灰度图中具有同样亮度或接近亮度的象素间的位置分布特性的联合概率密度，计算公式如下：

P(i，j，d，θ)＝ψ{[(x，y)，(x+D_x，y+D_y)]|f(x，y)＝i，f(x+D_x，y+D_y)＝j}  ④

式中：ψ表示该集合中元素的数目；x，y为自然数，是N×N图像的像元坐标；i，j＝0，1，…，L-1，L为自然数，是灰度等级为L的灰度值；D_x，D_y为根据灰度矩阵生成步长d和方向θ得到的位置偏移量，其中d为自然数，θ可取0°，45°，90°，135°四个方向；

D、更换第一工件为另一个与其结构及加工方式均相同，但表面粗糙度值不同的工件，重复步骤A～步骤C，并记录各个步骤得到的数据；

E、重复步骤D至少N₁次，N₁为自然数，且N₁≥5；并根据每次得到的数据，利用数值分析中的拟合方法，建立确定光下的数学模型：

R_a＝f(T_G1，T_G2)                            ⑤

F、模型检验：取表面粗糙度值已知的第二工件置于生产现场，第二工件表面粗糙度真实值为R；利用CCD摄像机获取工件表面的图像，将获取的图像转换为灰度图，并根据步骤B和C计算第二工件表面图像第一特征量T_G1′和第二工件表面图像第二特征量T_G2′；

G、将步骤F得到的第二工件表面图像第一特征量T_G1′和第二工件表面图像第二特征量T_G2′，代入步骤E确定的函数模型⑤，得到第二工件表面粗糙度计算值R′_a；

H、对比第二工件表面粗糙度计算值R′_a和第二工件表面粗糙度真实值R，判断结果是否符合精度要求；当结果不符合精度要求时，增大步骤E中N₁的值，重复步骤E～步骤H，直到结果符合精度要求为止；当结果符合精度要求时，则可判断步骤E得到的数学模型⑤为确定光下的正确函数模型，进入下一步骤；

(2)不确定光下建模：

I、调节现场LED光源，改变步骤A中的环境光亮度值T_w，重复步骤A～步骤H至少N₂次，N₂为自然数，且N₂≥8；

J、根据每次的环境光亮度值T_w以及由步骤H确定得到的确定光下的数学模型，再次利用数值分析中的拟合方法，建立不确定光下的函数模型：

R_a＝f(T_W，T_G1，T_G2)                              ⑥

K、模型检验：取表面粗糙度值已知的第三工件置于生产现场，第三工件表面粗糙度真实值为R₃；利用CCD摄像机获取工件表面的图像，将获取的图像转换为灰度图，并根据步骤B和C计算第三工件表面图像第一特征量T_G3和第三工件表面图像第二特征量T_G4；

L、用照度计获取此时生产现场环境光亮度值，记为T_w3；

M、将步骤F得到的第三工件表面图像第一特征量T_G3和第三工件表面图像第二特征量T_G4以及步骤G得到的环境光亮度值T_w3，代入步骤J确定的函数模型⑥，得到第三工件表面粗糙度计算值R′₃；

N、对比第三工件表面粗糙度计算值R′₃和第三工件表面粗糙度真实值R₃，判断结果是否符合精度要求；当结果不符合精度要求时，增大步骤I中N₂的值，重复步骤I～步骤N，直到结果符合精度要求为止；当结果符合精度要求时，则可判断步骤J得到的数学模型⑥为不确定光下的正确函数模型，进入下一步骤；

(3)在线应用：

O、将待测工件置于生产现场，用CCD摄像机获取待测工件表面图像，并将获取的图像转换为灰度图；

P、根据步骤B和C计算待测工件表面图像第一特征量T″_G1和待测工件表面图像第二特征量T″_G2；

Q、用照度计获取生产现场环境光亮度值，记为T″_w；

R、根据步骤J确定的函数模型⑥，代入步骤P得到的待测工件表面图像第一特征量T″_G1和待测工件表面图像第二特征量T″_G2、以及步骤Q得到的生产现场环境光亮度值T″_w，计算出待测工件表面粗糙度值R″_a。

2、根据权利要求1所述的不确定环境下表面粗糙度在线测量方法，其特征在于，步骤H中所述精度要求具体为第二工件表面粗糙度计算值R′_a和第二工件表面粗糙度真实值R误差允许范围5％以下。

3、根据权利要求1所述的不确定环境下表面粗糙度在线测量方法，其特征在于，步骤N中所述精度要求具体为第三工件表面粗糙度计算值R′₃和第三工件表面粗糙度真实值R₃误差允许范围5％以下。

Images