CN110057325B - 一种基于成像仿真的表面粗糙度检测方法及计算设备 - Google Patents

Abstract

本发明公开了一种基于成像仿真的表面粗糙度检测方法，适于检测待测工件的表面粗糙度，该方法在计算设备中执行，该方法包括：获取待测工件的表面图像；计算表面图像的特征指标值；根据预先确定的特征指标值与表面粗糙度的对应关系，确定待测工件的表面粗糙度。本发明一并公开了相应的计算设备。

Description

一种基于成像仿真的表面粗糙度检测方法及计算设备

技术领域

本发明涉及粗糙度检测技术领域，尤其涉及一种基于成像仿真的表面粗糙度检测方法及计算设备。

背景技术

传统的工件表面粗糙度检测方法包括接触式的触针法测量以及非接触式的光学测量。在触针法测量中，金刚石触针对工件表面有划伤，且其检测取样是线性取样，不能代表整个表面轮廓的特征。非接触式的光学测量因设备昂贵、受生产现场环境影响大、光路调整复杂、工作效率低等原因限制了其应用。基于机器视觉的粗糙度检测方法，是一种通过采集并分析工件表面图像来确定工件表面粗糙度的方法。与传统测量方法相比，基于机器视觉的粗糙度检测方法具有检测效率高、获取信息量大、测量精度高、柔性好、非接触及性价比高等优点日益受到重视。

表面粗糙度的机器视觉检测方法所采用的设备通常包括相机、镜头和光源。相机一般为CCD相机，镜头为显微镜头或普通镜头，光源为激光光源或普通光源。其中，显微镜头的精度虽高，但其测量视场小，测量的工件范围较小，不符合表面纹理随机性较大的工件(例如磨削件)的测量要求。激光光源虽具有较好的单色性、方向性及亮度，但其设备较为昂贵，光路调整复杂，操作不便。采用普通镜头和普通光源的方法优点明显，一是设备成本较低，容易获取；二是设备调整简单，操作性好；三是测量范围大小容易调整控制。但是，采用普通镜头和普通光源时，对获取到的工件表面图像进行工件粗糙度评估存在较大的困难。

发明内容

为此，本发明提供一种表面粗糙度检测方法及计算设备，以力图解决或至少缓解上面存在的问题。

根据本发明的第一个方面，提供一种表面粗糙度检测方法，适于检测待测工件的表面粗糙度，所述方法在计算设备中执行，所述方法包括：获取待测工件的表面图像；计算所述表面图像的特征指标值；根据预先确定的特征指标值与表面粗糙度的对应关系，确定所述待测工件的表面粗糙度。

可选地，在根据本发明的表面粗糙度检测方法中，特征指标包括单位有效面积，所述单位有效面积为所述表面图像中所有像素的像素值之和与像素值大于等于阈值的像素的数量的比值。

可选地，在根据本发明的表面粗糙度检测方法中，像素值为像素的R、G、B值的加权和，R、G、B值的权重根据采集所述表面图像时的光源的颜色来确定。

可选地，在根据本发明的表面粗糙度检测方法中，当采集所述表面图像时的光源为红光时，所述像素值为像素的R值。

可选地，在根据本发明的表面粗糙度检测方法中，特征指标值与表面粗糙度的对应关系按照以下步骤确定：生成表面粗糙度各不相同的多个一维粗糙表面模型；建立波动光学成像有限元模型，所述有限元模型包括入射波参数和反射面材料光学属性，所述光学属性根据待测工件的材质来确定；根据所述多个一维粗糙表面模型和所述波动光学成像有限元模型，仿真所述多个一维粗糙表面对所述入射波的散射情况，以分别确定各表面粗糙度所对应的空间能量分布图；分别计算各空间能量分布图的特征指标值，以确定表面粗糙度与特征指标值的对应关系。

可选地，在根据本发明的表面粗糙度检测方法中，在所述确定表面粗糙度与特征指标值的对应关系的步骤之后，还包括：根据表面粗糙度与特征指标值的对应关系，确定表面粗糙度与特征指标值的拟合函数；相应地，所述根据预先确定的特征指标值与表面粗糙度的对应关系，确定所述待测工件的表面粗糙度的步骤，包括：将所述表面图像的特征指标值代入所述拟合函数，以计算出所述待测工件的表面粗糙度。

可选地，在根据本发明的表面粗糙度检测方法中，光学属性包括相对介电常数、相对磁导率、电导率、复折射率。

可选地，在根据本发明的表面粗糙度检测方法中，入射波参数包括入射波的波长、功率、类型，所述波长位于380nm-740nm范围内，所述类型包括平面波、柱面波、球面波。

可选地，在根据本发明的表面粗糙度检测方法中，入射波的波长根据采集所述表面图像时的光源的颜色来确定。

可选地，在根据本发明的表面粗糙度检测方法中，有限元模型的最大网格尺寸小于等于入射波波长的六分之一。

根据本发明的第二个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如上所述的表面粗糙度检测方法。

根据本发明的第三个方面，提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述的表面粗糙度检测方法。

根据本发明的表面粗糙度检测方案，预先通过仿真的方式来设计特征指标，并确定图像的特征指标值与表面粗糙度的对应关系。基于特征指标值与表面粗糙度的对应关系，通过计算待测工件的表面图像的特征指标值，即可确定待测工件的表面粗糙度。本发明的表面粗糙度检测方法可以在采用普通镜头和普通光源的条件下，仍保持较高的检测精度。

本发明的图像特征指标通过与实际成像情况相符的波动光学成像有限元模型来仿真、设计得出，与传统的依靠大量成像实验总结来进行指标设计的方法相比，本方法更为系统，节约了实验成本，提高了设计效率，无需进行大量实际成像实验，避免了在实际成像过程中，粗糙度分布均匀的工件样块难以获取的问题。

本发明的图像特征指标(例如单位有效面积指标)根据仿真粗糙表面散射入射波的能量分布情况而设计，具有明确的物理意义，与表面粗糙度具有较强的相关性，根据该特征指标所测量出的表面粗糙度的精度较高。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的计算设备100的示意图；

图2示出了根据本发明一个实施例的表面粗糙度检测方法200的流程图；

图3示出了根据本发明一个实施例的采集待测工件的表面图像的示意图；

图4示出了根据本发明一个实施例的确定特征指标值与表面粗糙度的对应关系的方法400的流程图；

图5示出了根据本发明一个实施例的一维粗糙表面模型的示意图；

图6示出了根据本发明一个实施例的波动光学成像有限元模型的参数设置的示意图；

图7示出了根据本发明一个实施例的不同表面粗糙度所对应的空间能量分布图；

图8示出了根据本发明一个实施例的表面粗糙度与特征指标值的拟合曲线的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在基于机器视觉的表面粗糙度检测方法中，当采用普通镜头和普通光源时，通过分析工件表面图像来评估工件的表面粗糙度存在较大的困难。在该方法中，需要设计与表面粗糙度相关联的、能够用于评价表面粗糙度的图像特征指标。用于评价表面粗糙度的图像特征指标至为关键，好的图像指标可以更好地进行表面粗糙度测量，有效提高粗糙度测量精度。目前，对于与表面粗糙度相关联的图像特征指标的设计只是依靠经验、尝试及推理，缺乏一种科学有效的手段进行粗糙度相关的图像特征指标设计。

为此，本发明提供一种基于机器视觉的表面粗糙度检测方法，以使得在采用普通镜头和普通光源的条件下，仍能保证表面粗糙度的检测精度。

本发明的表面粗糙度检测方法在计算设备中执行。计算设备可以是任意具有存储和计算能力的设备，其例如可以是桌面电脑、笔记本电脑等个人配置的计算机，也可以是工作站、服务器等硬件配置较高的计算机，还可以是手机、平板电脑、智能可穿戴设备等移动终端，但不限于此。

图1示出了根据本发明一个实施例的计算设备100的示意图。需要说明的是，图1所示的计算设备100仅为一个示例，在实践中，用于实施本发明的表面粗糙度检测方法的计算设备可以是任意型号的设备，其硬件配置情况可以与图1所示的计算设备100相同，也可以不同。实践中用于实施本发明的表面粗糙度检测方法的计算设备可以对图1所示的计算设备100的硬件组件进行增加或删减，本发明对计算设备的具体硬件配置情况不做限制。

如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程序数据124。在一些实施方式中，程序122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

在根据本发明的计算设备100中，应用122包括用于执行表面粗糙度检测方法200的指令，该指令可以指示处理器104执行本发明的表面粗糙度检测方法200，通过计算待测工件的表面图像的特征指标值来确定待测工件的表面粗糙度，在采用普通镜头和普通光源的条件下，仍可以保证较高的检测精度。

图2示出了根据本发明一个实施例的表面粗糙度检测方法200的流程图。方法200在计算设备(例如前述计算设备100)中执行。如图2所示，方法200始于步骤S210。

在步骤S210中，获取待测工件的表面图像。

待测工件为需要进行表面粗糙度检测的工件，本发明对待测工件的材料、尺寸等均不做限制。在一些情况下，经过机械加工所得到的工件为待测工件，即，需要检测其加工表面的粗糙度，以判断工件的加工精度是否满足要求。应当指出，在本发明的实施例中，待测工件的加工表面可以是采用任意机械加工工艺所加工出的表面，例如磨削加工表面、车削加工表面、铣削加工表面、刨削加工表面、镗削加工表面、钻削加工表面以及上述工艺复合加工表面等，本发明对待测工件的加工工艺不做限制。

待测工件的表面图像由图像采集装置采集。图像采集装置例如可以包括光源和任意型号的相机。图像采集装置采集到待测工件的表面图像后，将该图像传入计算设备，相应地，在步骤S210中，计算设备获取待测工件的表面图像，并继续执行后续步骤S220、S230，以确定待测工件的表面粗糙度。

图3示出了根据本发明一个实施例的采用图像采集装置来采集待测工件的表面图像的示意图。如图3所示，光源和相机分别设置在待测工件上方的两侧。当需要检测待测工件的上表面的粗糙度时，光源产生的入射光线按一定的角度投射向待测工件的上表面，待测工件的上表面对入射光线进行散射。相机则用于采集待测工件的上表面图像。根据一种实施例，如图3所示，相机优选地设置在反射光线的光路上，以使其采集到的表面图像更加清晰可辨。

需要说明的是，本发明在采集待测工件的表面图像时，对所使用的光源的颜色(波长)不做限制。光源的波长位于可见光的波长范围内，即位于380nm-740nm范围内。例如，光源可以是波长为700nm的红色光、波长为600nm的橙色光、波长为450nm的蓝色光等，但不限于此。

在步骤S210获取到待测工件的表面图像后，执行步骤S220。

在步骤S220中，计算表面图像的特征指标值。

根据一种实施例，特征指标包括单位有效面积，单位有效面积为表面图像中所有像素的像素值之和与像素值大于等于阈值的像素的数量的比值，即，单位有效面积E_s的表达式如式(1)所示：

其中，M、N分别为表面图像所包括的像素的列数和行数，E(i,j)为表面图像中第i行、第j列的像素的像素值，c为阈值。

需要说明的是，阈值c的值可以由本领域技术人员自行设置，本发明对其具体取值不做限制。在一个实施例中，阈值c例如可以设置为表面图像中所有像素的像素值的均值，即有c＝E_total/MN。

根据一种实施例，步骤S210中获取到的待测工件的表面图像为RGB图像，在步骤S220计算单位有效面积E_s的过程中，像素的像素值为像素的R、G、B值的加权和，即，像素值按照下述公式(5)计算：

E(i,j)＝w_R·R(i,j)+w_G·G(i,j)+w_B·B(i,j) (5)

其中，R(i,j)、G(i,j)、B(i,j)分别为表面图像中第i行、第j列的像素的R、G、B值，w_R、w_G、w_B分别为R、G、B值的权重。

根据一种实施例，R、G、B值的权重w_R、w_G、w_B根据采集表面图像时的光源(例如图3中所示的光源)的颜色来确定，即，像素值的计算方式优选地与光源的颜色保持一致。例如，若采集表面图像时的光源为红光，则像素值E(i,j)为像素的R值，有w_R＝1，w_G＝w_B＝0；若采集表面图像时的光源为绿光，则像素值E(i,j)为像素的G值，有w_G＝1，w_R＝w_B＝0；若采集表面图像时的光源为红光与绿光的混合，则像素值E(i,j)为像素的R、G值的加权和，R、G值的权重w_R、w_G根据光源中红光与绿光所占的比例来确定，w_B＝0；若采集表面图像时的光源为红绿蓝三色光的混合，则像素值E(i,j)为像素的R、G、B值的加权和，R、G、B值的权重w_R、w_G、w_B根据光源中红、绿、蓝光所占的比例来确定；……；诸如此类。

本领域技术人员可以理解，特征指标有多种设置方式。除单位有效面积E_s这一特征指标之外，还可以设计其他的特征指标，本发明对能够用于表征表面粗糙度的图像特征指标的具体类型不做限制。

根据一种实施例，图像采集装置中包括相机和两个不同颜色的光源，这两个光源分别设置在待测工件表面上方的左右两侧。在步骤S210采集待测工件的表面图像时，两个光源分别向工件表面投射光线，相机则在工件上方采集表面图像。在这种情况下，特征指标还可以包括混合区域面积比，混合区域面积比为表面图像中两种颜色的分量之差的绝对值小于等于阈值的像素的数量占图像像素总数量的比例，即，混合区域面积比H的表达式如式(6)所示：

其中，M、N分别为表面图像所包括的像素的列数和行数，color1(i,j)、color2(i,j)分别表示表面图像中第i行、第j列的像素的两个颜色的分量。例如，两种颜色分别为红光和蓝光，则color1(i,j)、color2(i,j)分别为像素(i,j)的红光分量与蓝光分量的值，即R(i,j)与B(i,j)。d为阈值，阈值d的值可以由本领域技术人员自行设置，本发明对其取值不做限制。

在步骤S220计算出表面图像的特征指标值后，执行步骤S230。

在步骤S230中，根据预先确定的特征指标值与表面粗糙度的对应关系，确定待测工件的表面粗糙度。

在本发明的实施例中，特征指标值与表面粗糙度具有对应关系，所谓对应关系，指的是给定一个特征指标值，能够唯一确定一个与之对应的表面粗糙度；给定一个表面粗糙度，能够唯一确定一个与之对应的特征指标值。

应当指出，在本发明的实施例中，图像的特征指标有多种，例如单位有效面积E_s、混合区域面积比H等。表面粗糙度的评定参数亦有多种，例如Ra、Rz、Ry、Rp、RSM以及上述评定参数的组合等。在本发明的实施例中，可以预先确定任一种图像特征指标值与任一种表面粗糙度评定参数的对应关系，例如，预先确定单位有效面积E_s与Ra的对应关系，这样，通过计算图像的单位有效面积E_s即可确定表面粗糙度Ra的值。

特征指标值与表面粗糙度的对应关系有多种表示方式。例如，特征指标值与表面粗糙度的对应关系可以以表1所示的对应表的方式来表示。这样，给定一个特征指标值，通过查表，即可确定该特征指标值所对应的表面粗糙度。

表1.单位有效面积Es与的表面粗糙度Ra的对应表

特征指标值(单位有效面积Es)	表面粗糙度(Ra)
		E<sub>s1</sub>	Ra<sub>1</sub>
E<sub>s2</sub>	Ra<sub>2</sub>
		E<sub>s3</sub>	Ra<sub>3</sub>
E<sub>s4</sub>	Ra<sub>4</sub>
		E<sub>s5</sub>	Ra<sub>5</sub>
E<sub>s6</sub>	Ra<sub>6</sub>
		E<sub>s7</sub>	Ra<sub>7</sub>
…	…

又例如，特征指标值与表面粗糙度的对应关系可以以拟合函数的方式来表示，即，表面粗糙度＝f(特征指标值)，其中，f()为拟合函数。这样，给定一个特征指标值，将该特征指标值代入拟合函数f()进行计算，即可得出该特征指标值所对应的表面粗糙度。

在本发明的实施例中，特征指标值与表面粗糙度的对应关系在步骤S230执行之前预先确定。

图4示出了根据本发明一个实施例的确定特征指标值与表面粗糙度的对应关系的方法400的流程图。方法400在计算设备中执行。应当指出，执行方法400的计算设备与执行前述步骤S210～S230的计算设备可以是同一个计算设备，也可以是不同的计算设备。如图4所示，方法400始于步骤S410。

在步骤S410中，生成表面粗糙度各不相同的多个一维粗糙表面模型。

一维粗糙表面模型有多种生成方式，本发明对生成一维粗糙表面模型所采用的具体算法不做限制。例如，可以参考《随机粗糙面散射的基本理论与方法》(郭立新，科学出版社，2010)等文献，根据蒙特卡罗方法建立参数可控且具有高斯或非高斯统计特性的一维粗糙表面模型。其中，可控的参数例如可以包括表面粗糙度的任意一种或多种评定参数，例如Ra、Rz、Ry、Rp、RSM以及上述评定参数的组合。

图5示出了根据本发明一个实施例的一维粗糙表面模型的示意图。图5示出了Ra值不同的两个一维粗糙表面模型，上方的模型的Ra值为0.258μm，下方的模型的Ra值为0.649μm，两个模型的取点数均为2000。

需要说明的是，由于篇幅所限，图5中仅示出了两个一维粗糙表面模型。但是，本领域技术人员可以理解，为了确定特征指标值与表面粗糙度的对应关系，所需要生成的一维粗糙表面模型的数量应当不止两个。

在步骤S420中，建立波动光学成像有限元模型，该有限元模型包括入射波参数和反射面材料光学属性，其中，光学属性根据待测工件的材质来确定。

根据一种实施例，入射波的参数包括入射波的波长、功率、类型、入射角等，但不限于此。入射波的波长位于可见光波长范围内，即位于380nm-740nm范围内。入射波的类型包括平面波、柱面波、球面波等，但不限于此。入射波的功率、入射角等参数可以由本领域技术人员自行设置，本发明对此不做限制。

根据一种实施例，入射波的波长根据采集待测工件的表面图像时的光源的颜色来确定，即，入射波的波长根据表面粗糙度的实际检测环境来确定。例如，若在实际检测环境中，采集待测工件表面图像时的光源为红色光，则步骤S420的有限元模型的入射波波长应位于红色光的波长范围620nm～740nm内，例如可以将其设为700nm；若采集待测工件表面时的光源为橙色光，则有限元模型的入射波波长应位于橙色光的波长范围590nm～620nm内，例如可以将其设为600nm；等等。

根据一种实施例，反射面材料的光学属性包括相对介电常数、相对磁导率、电导率、复折射率等，但不限于此。反射面材料的光学属性根据待测工件的材质来确定，例如，待测工件为45号钢(根据国标《GB/T 699-1999优质碳素结构钢》的分类标准)，则相应地，光学属性为45号钢材料的光学属性。

根据一种实施例，除入射波的参数和反射面材料的光学属性之外，在波动光学成像有限元模型中，还需要设置一些仿真参数，例如最大网格尺寸、边界类型(过渡边界、散射边界、匹配边界等)等。根据一种实施例，有限元模型的最大网格尺寸小于等于入射波波长的六分之一。

基于上述入射波的参数、光学属性的设置方式可见，本发明的波动光学成像有限元模型根据待测工件的材质以及表面粗糙度的实际检测环境(即采集待测工件表面图像时的实际环境)来确定，因此本发明的波动光学成像有限元模型与实际成像情况相符，由此得出的特征指标值与表面粗糙度的对应关系较为准确，关联性较大。

图6示出了根据本发明一个实施例的波动光学成像有限元模型的参数设置的示意图。如图6所示，将入射光的波长lda设为600nm，相应地，入射光的频率freq为c(光速)/lda＝4.9965*10^14s^-1，网格最大尺寸为lda/6＝100nm。光学属性包括：空气域复折射率实部n_Air＝1，空气域复折射率虚部ki_Air＝0，金属域复折射率实部n_Iron＝2.86，金属域复折射率虚部ki_Iron＝3.18，相对介电常数epsilon_r＝1，相对磁导率mu_r＝1，电导率rho＝0。除图6中所示的参数外，有限元模型的其他参数包括：入射波的功率＝1W，入射角＝30°，入射波的类型为平面波。将粗糙表面设为过渡边界，将其余边界设为散射边界。

在步骤S410生成多个一维粗糙表面模型，以及步骤S420建立波动光学成像有限元模型后，执行步骤S430。

在步骤S430中，根据多个一维粗糙表面模型和波动光学成像有限元模型，仿真多个一维粗糙表面对入射波的散射情况，以分别确定各表面粗糙度所对应的空间能量分布图。

基于麦克斯韦电磁理论，空间点的能量(即电场模)与入射波存在以下关系：

其中，▽为拉普拉斯算子，k为入射波的波数(即入射波的波长的倒数)，

为空间内各点的能量(即各节点的电场模)。

具体地，步骤S430的仿真过程可以由有限元分析(Finite Element Analysis，FEA)软件来完成。有限元分析软件例如可以是ANSYS、COMSOL Multiphysics等，但不限于此。

通过仿真，可以确定各一维粗糙表面模型所对应的空间能量分布图，由于一维粗糙表面模型具有对应的表面粗糙度，相应地，通过仿真，可以确定各表面粗糙度所对应的空间能量分布图。

图7示出了根据本发明一个实施例的不同表面粗糙度所对应的空间能量分布图。图7从左到右分别示出了Ra＝0、Ra＝0.258μm、Ra＝0.649μm三种表面粗糙度随对应的空间能量分布图。由图7可见，随着表面粗糙度Ra值的增大，能量逐渐发散，图中具有能量的区域面积增加。

需要说明的是，由于篇幅所限，图5中仅示出了三个不同表面粗糙度所对应的空间能量分布图。但是，本领域技术人员可以理解，为了确定特征指标值与表面粗糙度的对应关系，步骤S410中生成的一维粗糙表面模型的数量应当不止两个，相应地，步骤S430中所得到的空间能量分布图的数量也不止两个。

在步骤S430确定各表面粗糙度随对应的控件能量分布图后，执行步骤S440。

在步骤S440中，分别计算各空间能量分布图的特征指标值，以确定表面粗糙度与特征指标值的对应关系。

根据一种实施例，特征指标根据步骤S430中所得到的空间能量分布随表面粗糙度的变化情况而设计，变化情况例如包括空间能量分布情况、频率情况、分形情况等，但不限于此。在数字图像中，空间能量的大小与像素点的像素值的大小相对应，可以用像素值的大小来表征空间能量的大小。像素值越大，能量越大；像素值越小，能量越小。相应地，图像的特征指标包括与能量大小相关的指标、与能量空间分布相关的指标、与能量曲线频率相关的指标、与能量曲线分形相关的指标以及上述指标的混合指标，其中，能量曲线为空间能量分布图中任一行像素的能量曲线图，能量曲线的横坐标为像素编号，纵坐标为像素点的像素值。

根据空间能量分布情况所设计出的特征指标具有明确的物理意义，设计方法更为系统，测量出的表面粗糙度的精度更高。

根据一种实施例，如图7所示，随着表面粗糙度的增大，能量逐渐发散，图中具有能量的区域面积增加，基于该变化趋势，可以设计单位有效面积E_s作为特征指标，该特征指标与能量的大小和能量的空间分布相关。单位有效面积E_s的定义及计算公式可以参考前述公式(1)～(4)，此处不再赘述。待测工件的表面粗糙度越大，表面图像中具有能量的像素点越多(即像素值大于等于阈值的像素的数量越多)，单位有效面积E_s的值越小。

根据另一种实施例，可以设计平均波峰数量作为特征指标。该特征指标与能量的大小、能量的空间分布、能量曲线的分形相关。

平均波峰数量为平均每行像素的能量曲线中所包括的峰值大于等于阈值的波峰的数量，即，平均波峰数量AP按照以下公式计算：

其中，n_sample为采样行数，peak_i为采样的第i行像素的能量曲线中峰值大于等于阈值e的波峰的数量。其中，阈值e可由本领域技术人员自行设置，本发明对此不做限制。待测工件的表面粗糙度越大，空间能量越发散，各行像素的能量曲线中的波峰越多，平均波峰数量AP的值越大。

根据另一种实施例，在实际检测环境中，图像采集装置包括两个不同颜色的光源，分别设置在待测工件表面上方的左右两侧。相应地，在步骤S420的有限元模型中，需要设置两组入射波，两组入射波的波长分别与光源的颜色对应。例如，在实际检测环境中，两个光源分别为红光和蓝光，则在步骤S420的有限元模型中，需要设置分别从两个方向射向待测工件表面的两组入射波(例如一组入射波从上方左侧射向工件表面，另一组入射波从上方右侧射向工件表面)。两组入射波的波长可以分别设置为700nm(对应于红光)和450nm(对应于蓝光)。

在该实施例中，可以设计混合区域面积比作为特征指标，该特征指标与能量的大小、能量的空间分布有关。混合区域面积比H的定义及计算公式可以参考前述公式(6)、(7)，此处不再赘述。待测工件的表面粗糙度越大，红光、蓝光的能量值越发散，图像中同时具有红光、蓝光分量的像素点的数量越多，混合区域面积比H的值越大。

以列出了单位有效面积E_s、平均波峰数量AP、混合区域面积比H三种特征指标，这三种特征指标均具有相应的物理意义，可以保证测得的表面粗糙度较为准确。本领域技术人员可以理解，除上述三种特征指标之外，还可以根据空间能量分布随表面粗糙度的变化情况，设计其他具有相应物理意义的特征指标，本发明对特征指标的具体设计情况不做限制。

在设计好特征指标后，可以分别计算出各空间能量分布图的特征指标值，由于每一个空间能量分布图均对应于一个表面粗糙度，相应地，可以确定特征指标值与表面粗糙度的对应关系。

根据一种实施例，根据已确定的表面粗糙度与特征指标值的对应关系，以表面粗糙度为横轴，特征指标值为纵轴(当然也可以以表面粗糙度为纵轴，以特征指标值为横轴)，将每一个对应关系作为一个样本点，绘制表面粗糙度与特征指标值的散点图。对该散点图进行曲线拟合，可以确定表面粗糙度与特征指标值的拟合函数。基于该拟合函数，在检测待测工件的表面粗糙度时，将待测工件的表面图像的特征指标代入该拟合函数，即可计算出待测工件的表面粗糙度。

图8示出了根据本发明一个实施例的表面粗糙度与特征指标值的拟合曲线的示意图。图8中，横轴为表面粗糙度Ra值(单位：μm)，纵轴为单位有效面积E_s的值，图中的各个散点为步骤S440中所确定的多组表面粗糙度与特征指标值的对应关系。对这些散点进行曲线拟合，得到拟合曲线如图8中的虚线所示，该虚线对应于一个拟合函数f()，即表面粗糙度＝f(特征指标值)。这样，给定一个特征指标值，将该特征指标值代入拟合函数f()进行计算，即可得出该特征指标值所对应的表面粗糙度。

如图8中的各个散点所示，随着表面粗糙度Ra的增加，单位有效面积E_s的值有明显的下降趋势，拟合曲线的单调性良好，拟合精度较高，表明单位有效面积E_s的特征指标与表面粗糙度具有较强的相关性，将该特征指标用于表面粗糙度的视觉检测，可以保证较高的测量精度。

根据本发明的表面粗糙度检测方案，预先通过仿真的方式来设计特征指标，并确定图像的特征指标值与表面粗糙度的对应关系。基于特征指标值与表面粗糙度的对应关系，通过计算待测工件的表面图像的特征指标值，即可确定待测工件的表面粗糙度。本发明的表面粗糙度检测方法可以在采用普通镜头和普通光源的条件下，仍保持较高的检测精度。

本发明的图像特征指标通过与实际成像情况相符的波动光学成像有限元模型来仿真、设计得出，与传统的依靠大量成像实验总结来进行指标设计的方法相比，本方法更为系统，节约了实验成本，提高了设计效率，无需进行大量实际成像实验，避免了在实际成像过程中，粗糙度分布均匀的工件样块难以获取的问题。

本发明的图像特征指标(例如单位有效面积指标)根据仿真粗糙表面散射入射波的能量分布情况而设计，具有明确的物理意义，与表面粗糙度具有较强的相关性，根据该特征指标所测量出的表面粗糙度的精度较高。

A9：A8所述的方法，其中，所述入射波的波长根据采集所述表面图像时的光源的颜色来确定。

A10：A5所述的方法，其中，所述有限元模型的最大网格尺寸小于等于入射波波长的六分之一。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的表面粗糙度检测方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种表面粗糙度检测方法，适于检测待测工件的表面粗糙度，所述方法在计算设备中执行，所述方法包括：

获取待测工件的表面图像，所述表面图像由图像采集装置采集，所述图像采集装置包括光源和相机，所述光源适于对待测工件的表面进行打光，所述相机适于采集待测工件的表面图像；

计算所述表面图像的特征指标值，所述特征指标包括单位有效面积，所述单位有效面积为所述表面图像中所有像素的像素值之和与像素值大于等于阈值的像素的数量的比值，所述像素值为像素的R、G、B值的加权和，R、G、B值的权重根据所述光源的颜色来确定；

根据预先确定的特征指标值与表面粗糙度的对应关系，确定所述待测工件的表面粗糙度。

2.如权利要求1所述的方法，其中，当采集所述表面图像时的光源为红光时，所述像素值为像素的R值。

3.如权利要求1或2所述的方法，其中，所述特征指标值与表面粗糙度的对应关系按照以下步骤确定：

生成表面粗糙度各不相同的多个一维粗糙表面模型；

建立波动光学成像有限元模型，所述有限元模型包括入射波参数和反射面材料光学属性，所述光学属性根据待测工件的材质来确定；

根据所述多个一维粗糙表面模型和所述波动光学成像有限元模型，仿真所述多个一维粗糙表面对所述入射波的散射情况，以分别确定各表面粗糙度所对应的空间能量分布图；

分别计算各空间能量分布图的特征指标值，以确定表面粗糙度与特征指标值的对应关系。

4.如权利要求3所述的方法，在所述确定表面粗糙度与特征指标值的对应关系的步骤之后，还包括：

根据表面粗糙度与特征指标值的对应关系，确定表面粗糙度与特征指标值的拟合函数；

相应地，所述根据预先确定的特征指标值与表面粗糙度的对应关系，确定所述待测工件的表面粗糙度的步骤，包括：

将所述表面图像的特征指标值代入所述拟合函数，以计算出所述待测工件的表面粗糙度。

5.如权利要求3所述的方法，其中，所述光学属性包括相对介电常数、相对磁导率、电导率、复折射率。

6.如权利要求3所述的方法，其中，所述入射波参数包括入射波的波长、功率、类型，所述波长位于380nm-740nm范围内，所述类型包括平面波、柱面波、球面波。

7.如权利要求6所述的方法，其中，所述入射波的波长根据采集所述表面图像时的光源的颜色来确定。

8.如权利要求3所述的方法，其中，所述有限元模型的最大网格尺寸小于等于入射波波长的六分之一。

9.一种计算设备，包括：

至少一个处理器；和

存储有程序指令的存储器；

当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如权利要求1-8中任一项所述的方法。

10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-8中任一项所述的方法。

Images