基于机器视觉的磨削表面粗糙度检测

论文摘要

表面粗糙度是反映零件表面上微观几何形状误差的一个重要指标,也是应用最为广泛的表征零件表面特性的参数。随着机械制造业的发展和检测技术的提高,许多科研组织都在十分活跃地深入研究表面粗糙度测量的各种关键技术,以实现表面粗糙度的快速无损检测。本文综合比较了目前常用的几种表面粗糙度测量方法,针对磨削表面纹理随机性强,分布方向性不足等特点,结合机器视觉和神经网络技术,提出了一种新的表面粗糙度检测方法。以面信息代替传统测量中的线信息,并通过存储图像和数据资料,使表面粗糙度测量具有一定的可重复性。本文首先深入分析了不同光源条件下磨削表面的图像特征,通过实验,优选LN-60聚光型LED线光源为磨削表面粗糙度检测用最佳光源,并构建了由体视显微镜、CCD摄像机、图像采集卡和LED光源等设备组成的表面粗糙度检测硬件系统。其次,以灰度变化轮廓曲线为依据,定量评定了各种滤波和图像增强方式对磨削表面图像的处理效果,开发了有效的图像预处理程序。并利用灰度级阈值化的分割处理,提出了磨削表面粗糙度测量前的缺陷检测算法,实现了缺陷质心位置的识别和缺陷面积等属性的计算。然后,采用二维离散傅里叶变换将磨削表面图像所呈现的纹理特征转换到频域中进一步加以分析,发现功率谱半径、平均功率谱和中心功率谱百分比与表面粗糙度值呈近似单调函数关系,故以这些特征量为输入,建立BP神经网络模型,完成了表面粗糙度值的测量,平均准确率可达93.8%,从而可实现在一定条件下,对传统接触式测量的替代。最后以LabVIEW为系统平台,辅以Visual C++和Matlab神经网络工具箱,开发了相应的磨削表面粗糙度检测软件。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景和意义
• 1.2 表面粗糙度研究概述
• 1.2.1 表面粗糙度研究的发展
• 1.2.2 表面粗糙度测量方法
• 1.3 机器视觉技术
• 1.3.1 光学基础
• 1.3.2 图像质量评定
• 1.4 LabVIEW及IMAQ Vision简介
• 1.5 课题研究的目的和主要内容
• 第2章 试件制备及系统搭建
• 2.1 磨削试件制备
• 2.1.1 实验设备
• 2.1.2 磨削正交试验设计
• 2.2 图像检测系统的搭建
• 2.3 本章小结
• 第3章 磨削表面图像的处理与分析
• 3.1 磨削表面图像预处理
• 3.1.1 图像滤波
• 3.1.2 滤波器的选用
• 3.1.3 图像增强
• 3.2 磨削表面缺陷检测
• 3.2.1 形态学处理
• 3.2.2 图像分割处理
• 3.3 图像的纹理分析
• 3.4 本章小结
• 第4章 磨削表面粗糙度检测
• 4.1 磨削表面图像的频域分析
• 4.2 表面粗糙度特征参数的提取
• 4.2.1 功率谱半径
• 4.2.2 平均功率谱
• 4.2.3 中心功率谱百分比
• 4.3 基于BP神经网络的磨削表面粗糙度检测
• 4.3.1 神经网络样本的采集
• 4.3.2 神经网络模型的建立
• 4.3.3 基于神经网络的测试
• 4.4 本章小结
• 第5章 磨削表面粗糙度检测系统的软件实现
• 5.1 软件的总体设计方案
• 5.2 各个功能模块介绍
• 5.2.1 常规操作模块
• 5.2.2 算术和逻辑运算模块
• 5.2.3 轮廓峰谷提取模块
• 5.2.4 表面粗糙度检测模块
• 5.2.5 应用程序的创建
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间所发表的学术论文
• 致谢