基于机器视觉的冷镦部件表面粗糙度检测方法及系统与流程

本发明公开基于机器视觉的冷镦部件表面粗糙度检测方法及系统，属于质量检测。

背景技术：

1、在冷镦成型工艺中，部件表面粗糙度是影响其摩擦磨损性能、疲劳寿命及后续涂覆附着力的关键质量指标。传统粗糙度检测多采用接触式探针轮廓仪或光学干涉显微镜，前者易划伤工件表面且测量效率低下，后者对环境振动和被测表面清洁度要求苛刻，难以适应冷镦生产线高节拍、大批量的在线检测需求。此外，单一采样点的局部测量结果无法全面反映冷镦部件表面因金属流动不均、模具磨损和成形力波动而产生的各向异性粗糙度分布，亟需一种能够快速、非接触且覆盖全表面形貌的检测手段。

2、近年来，机器视觉技术凭借其非接触、高采样速率和易于集成的优势，逐步被引入金属表面质量检测领域。现有视觉检测方案通常基于单幅或有限帧图像，提取灰度统计特征或纹理频谱参数来间接表征粗糙度，但此类方法忽略了采集设备自身的姿态偏差对图像几何映射的影响，也未对多视点图像进行空间基准统一，导致重建的表面形貌存在深度失真和平面畸变。

3、同时，当前方法普遍将粗糙度视为静态表面属性，仅输出单一数值指标，缺乏对表面纹理走向波动和灰度变化频率等空间关联特征的深度挖掘，难以区分不同区域由冲压速率和模具温度变化引起的差异化粗糙度演化行为。

技术实现思路

1、针对上述不足，本发明提出一种基于机器视觉的冷镦部件表面粗糙度检测方法，通过同步采集多视点表面图像序列和设备姿态参数，构建包含纹理走向偏差值和灰度波动频率分量的空间关联特征集，并利用多视点解算与姿态校准生成准确的三维表面形貌数据，进而依据实测形貌和特征数据动态调整检测模型的结构单元排布与响应特性，最终结合冲压速率、模具温度等工艺参数，模拟不同时间尺度下的粗糙度变化模式及其与工艺因素的关联关系。该方法无需复杂的光学干涉装置，不受单一视点局限，可同时输出三维轮廓偏差、波峰波谷深度、粗糙度演化走向及关键工艺影响因素，为冷镦成形工序的在线质量监控和工艺优化提供更全面的决策依据。

2、为实现上述目的，本技术提供如下技术方案：

3、一种基于机器视觉的冷镦部件表面粗糙度检测方法，包括：

4、s1，采集冷镦部件表面图像序列和机器视觉采集设备的姿态参数；

5、s2，根据所述表面图像序列，确定粗糙度表征特征，并对所述粗糙度表征特征进行空间关联，以生成粗糙度表征特征数据集；

6、s3，对所述表面图像序列进行多视点解算与空间基准统一，生成初步表面形貌数据，根据所述姿态参数生成采集设备状态数据，并结合所述采集设备状态数据对所述初步表面形貌数据进行校准，以生成校准后的表面形貌数据；

7、s4，将所述校准后的表面形貌数据和所述粗糙度表征特征数据集输入至表面粗糙度检测模型，并根据所述校准后的表面形貌数据和所述粗糙度表征特征数据集，调整所述表面粗糙度检测模型的结构单元排布与响应特性，以更新所述表面粗糙度检测模型；

8、s5，获取工艺参数数据，基于更新后的所述表面粗糙度检测模型和所述工艺参数数据，确定不同尺度下的粗糙度变化模式，并分析所述粗糙度变化模式与所述工艺参数数据的关联关系，以生成粗糙度检测结果。

9、进一步地，所述s2，包括：

10、从所述表面图像序列中提取各检测区域在连续帧内的纹理方向角数值，对所述纹理方向角数值进行帧间差分处理，得到各检测区域的表面纹理走向偏差值；

11、从所述表面图像序列中提取各检测区域在连续帧内的灰度数值，对所述灰度数值进行帧间波动分析，得到各检测区域的灰度波动频率分量；

12、根据各检测区域在冷镦部件表面的空间排布，对相邻检测区域的所述表面纹理走向偏差值进行空间关联处理，生成空间关联后的纹理走向偏差值，同时对相邻检测区域的所述灰度波动频率分量进行空间关联处理，生成空间关联后的灰度波动频率分量；

13、将空间关联后的纹理走向偏差值与灰度波动频率分量进行组合，形成粗糙度表征特征数据集。

14、进一步地，所述s3，包括：

15、选取多个视点下的机器视觉采集设备作为基准设备，其他视点下的机器视觉采集设备作为待测设备，基于基准设备和待测设备对所述表面图像序列进行解算，得到各待测设备相对于各基准设备的多组相对形貌偏差量；

16、将所述多组相对形貌偏差量转换至同一空间基准下并进行融合，得到各检测区域的初步表面形貌数据；

17、解析所述姿态参数，得到各机器视觉采集设备的视轴指向状态数据；

18、根据所述视轴指向状态数据，对所述初步表面形貌数据的深度分量进行调整，得到深度校准后的形貌数据；根据所述视轴指向状态数据对所述初步表面形貌数据的平面分量进行指向校正，得到平面校准后的形貌数据；

19、将深度校准后的形貌数据与平面校准后的形貌数据合并，生成校准后的表面形貌数据。

20、进一步地，所述s4，包括：

21、将所述校准后的表面形貌数据映射至表面粗糙度检测模型中对应的结构单元节点，根据映射结果与所述表面粗糙度检测模型当前模拟形貌的差异，确定各结构单元节点的形貌偏差量，并依据所述形貌偏差量调整结构单元之间的拓扑连接参数；

22、将所述粗糙度表征特征数据集中的空间关联后的纹理走向偏差值和空间关联后的灰度波动频率分量分别输入至表面粗糙度检测模型，根据所述空间关联后的纹理走向偏差值与模型当前模拟纹理走向的匹配情况调整结构单元的刚性响应参数，根据所述空间关联后的灰度波动频率分量与模型当前模拟灰度分布的匹配情况调整结构单元的衰减响应参数；

23、根据调整后的拓扑连接参数、刚性响应参数和衰减响应参数，重新生成所述表面粗糙度检测模型的结构单元排布与响应特性，完成表面粗糙度检测模型的更新。

24、进一步地，所述s5，包括：

25、s51，获取工艺参数数据，所述工艺参数数据包括冲压速率信息和模具温度信息；

26、s52，将所述冲压速率信息和模具温度信息输入至更新后的所述表面粗糙度检测模型，驱动所述表面粗糙度检测模型模拟冷镦部件表面在不同工艺条件下的响应过程，并从模拟结果中提取不同尺度下的粗糙度变化模式；所述粗糙度变化模式包括短期粗糙度波动模式与长期粗糙度累积模式；

27、s53，对所述冲压速率信息与所述短期粗糙度波动模式和长期粗糙度累积模式进行关联关系分析，确定冲压速率影响因子，并对所述模具温度信息与所述短期粗糙度波动模式和长期粗糙度累积模式进行关联关系分析，确定模具温度影响因子；

28、s54，将当前时刻的冲压速率信息、模具温度信息以及所述冲压速率影响因子、模具温度影响因子输入至更新后的所述表面粗糙度检测模型，对未来时段内冷镦部件表面的粗糙度变化情况进行模拟，得到三维轮廓偏差量、波峰波谷深度值及粗糙度演化走向；

29、s55，根据所述冲压速率影响因子和模具温度影响因子在模拟过程中的贡献程度，确定关键工艺影响因素及对应的置信度，将所述三维轮廓偏差量、波峰波谷深度值、粗糙度演化走向、关键工艺影响因素及对应的置信度作为粗糙度检测结果。

30、进一步地，所述s54，包括：

31、将当前时刻的冲压速率信息、模具温度信息作为初始工艺边界条件，并将所述冲压速率影响因子和模具温度影响因子作为权重系数，共同输入至更新后的所述表面粗糙度检测模型；

32、设定未来时段内多个连续的时间节点，驱动所述表面粗糙度检测模型依据所述初始工艺边界条件和权重系数，在各时间节点上迭代计算冷镦部件表面结构单元的受力状态与形貌响应；

33、从各时间节点的计算结果中提取冷镦部件表面检测区域在三维空间方向上的轮廓偏移分量，作为三维轮廓偏差量，并提取冷镦部件表面检测区域在深度方向上的波峰与波谷相对深度值，作为波峰波谷深度值；

34、将各时间节点的三维轮廓偏差量按照时间顺序进行排列，生成轮廓偏差随时间的变化序列，作为粗糙度演化走向。

35、进一步地，所述s52中从模拟结果中提取不同尺度下的粗糙度变化模式，包括：

36、从模拟结果中提取冷镦部件表面在短期时段内的轮廓偏移变化序列和波峰波谷深度变化序列，作为短期粗糙度波动模式，并提取冷镦部件表面在长期时段内的轮廓偏移累积变化走向和波峰波谷深度累积变化走向，作为长期粗糙度累积模式；

37、对所述短期粗糙度波动模式进行时域分解，得到各短期子时段内的波动幅值和波动频率，将各短期子时段的波动幅值按照时间顺序排列，生成短期波动幅值序列，将各短期子时段的波动频率按照时间顺序排列，生成短期波动频率序列；

38、对所述长期粗糙度累积模式进行趋势分解，得到长期时段内的累积偏移趋势线和累积深度趋势线，从所述累积偏移趋势线中提取偏移累积速率，从所述累积深度趋势线中提取深度退化速率；

39、将所述短期波动幅值序列、短期波动频率序列、偏移累积速率和深度退化速率合并，形成多尺度粗糙度变化特征集，用于后续关联关系分析步骤中的输入。

40、进一步地，所述s1，包括：

41、按照设定的采集频率触发多台机器视觉采集设备同步采集冷镦部件表面图像，每台设备从其对应的视点获取多帧表面图像，并将各视点获取的多帧表面图像按照采集时间的先后顺序排列，形成所述冷镦部件表面图像序列；

42、在每台机器视觉采集设备采集表面图像的同时，读取该设备的倾角传感器数据和方位传感器数据，将读取到的倾角传感器数据和方位传感器数据按照采集时间的先后顺序进行同步排列，形成所述机器视觉采集设备的姿态参数。

43、进一步地，所述s4，还包括：

44、提取所述校准后的表面形貌数据中各检测区域的深度分布梯度，将所述深度分布梯度与所述表面粗糙度检测模型当前结构单元节点处的模拟深度梯度进行比较，根据比较结果确定各结构单元节点的深度梯度偏差方向，并依据所述深度梯度偏差方向调整结构单元之间的连接路径长度；

45、提取所述粗糙度表征特征数据集中空间关联后的纹理走向偏差值的空间变化率，将所述空间变化率输入至表面粗糙度检测模型，驱动所述表面粗糙度检测模型调整各结构单元节点的响应灵敏度分布，使调整后的响应灵敏度分布与所述空间变化率的空间分布趋势匹配；

46、提取所述粗糙度表征特征数据集中空间关联后的灰度波动频率分量的幅值衰减特征，将所述幅值衰减特征输入至表面粗糙度检测模型，驱动所述表面粗糙度检测模型调整各结构单元节点的能量耗散系数，使调整后的能量耗散系数与所述幅值衰减特征对应；

47、将调整后的连接路径长度、响应灵敏度分布和能量耗散系数嵌入所述表面粗糙度检测模型的结构单元排布中，完成表面粗糙度检测模型的二次更新。

48、根据本发明第二方面，本发明请求保护一种基于机器视觉的冷镦部件表面粗糙度检测系统，包括：

49、一个或多个处理器；

50、存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种基于机器视觉的冷镦部件表面粗糙度检测方法。

51、本发明公开基于机器视觉的冷镦部件表面粗糙度检测方法及系统，属于质量检测技术领域。采集图像序列与设备姿态参数，提取表面纹理走向偏差值和灰度波动频率分量，并进行空间关联形成粗糙度表征特征集；消除深度失真和平面畸变，生成三维表面形貌数据；将校准后的形貌数据与特征集输入检测模型，动态调整模型结构单元的拓扑连接、刚性响应及衰减响应参数，驱动模型模拟粗糙度变化模式，并分析工艺因素与变化模式的关联关系，输出三维轮廓偏差、波峰波谷深度、粗糙度演化走向及关键工艺影响因素的置信度。本发明实现冷镦部件粗糙度的非接触、全表面快速检测，有效提升检测精度和工艺适应性，为成形工序的质量监控与工艺优化提供可靠依据。