基于图像的零件表面粗糙度支持向量机检测方法及系统与流程

1.本发明属于检测技术领域，具体涉及一种基于图像技术的零件表面粗糙度支持向量机检测方法及系统。


背景技术：

2.零件表面粗糙度是现代机械制造中评价零件表面质量的重要指标之一。图像技术具有信息量大、非接触、成本低等优点，对于零件表面粗糙度的非接触检测效果明显。目前现有的基于图像的粗糙度检测方法采样随机，无法全面采集整个零件表面，且提取的零件表面特征无法有效表征粗糙度，这些问题会大大影响粗糙度的检测精度，进而对精密零件的装配性能、耐磨性能、抗疲劳性能等造成重大影响。因此，需要设计一种基于图像技术的零件表面粗糙度的检测模型来实现粗糙度的全面非接触检测。


技术实现要素：

3.针对上述情况，本发明的目的在于提供一种基于图像的零件表面粗糙度支持向量机检测方法及系统，其可以将零件表面自动划分为多个合适大小的区域，连续多区域的全面采集零件表面图像并提取能有效表征零件表面粗糙度的特征，进而完成粗糙度的检测，避免了采样随机和提取的特征无法有效表征零件表面粗糙度的问题。
4.一种基于图像的零件表面粗糙度支持向量机检测方法，包括以下步骤：
5.s1利用零件表面划分方法将零件表面划分为合适区域，通过零件表面图像采集系统采集零件表面各区域图像；
6.s2对零件图像进行图像预处理；利用像素分量作比相加法将零件表面图像转为灰度图像，使用高斯窗口进行滤波处理；
7.s3基于灰度共生矩阵提取图像的能量、熵、惯性矩、相关性这四种纹理特征，并对它们分别求取均值和方差生成8维特征向量作为支持向量机的输入；
8.s4支持向量机检测模型输出粗糙度值，通过上位机界面显示零件表面粗糙度值检测结果。
9.所述的检测方法，步骤s1中，所述零件表面的划分方法如下：将零件平均地划分为多个区域，当划分区域的面积小于数字显微镜可视面积时，认为划分有效，可用于粗糙度检测；当划分的区域面积超过数字显微镜可视面积时，对超过数字显微镜可视面积的区域进行二次划分，仍然平均地划分为多个区域进行检测，以保证二次划分区域小于数字显微镜可视面积，如果划分依旧无效，则进行三次划分，以此类推，直到所有划分的区域面积都小于数字显微镜可视面积。
10.所述的检测方法，步骤s1中，采集零件表面各区域图像包括以下步骤：
11.s11、将零件放置在水平托盘的采样点，上位机发送图像开始采集信号，单片机接收信号，输出pwm波，步进电机带动水平托盘及其上零件转动到划分区域；
12.s12、单片机暂停pwm波输出，向上位机发送图像采集信号；
13.s13、上位机接收图像采集信号，控制数字显微镜采集零件图像并将其保存到上位机，然后通过串口向单片机发送图像采集完成信号；
14.s14、单片机接收图像采集完成信号，继续输出pwm波驱动步进电机，重复s11、s12、s13步骤，直至零件划分的全部区域采集完成。
15.所述的检测方法，步骤s2中，利用维数为3
×
3，标准差为0.8的高斯窗口对零件表面灰度图像进行高斯滤波操作。
16.所述的检测方法，所述s3的具体方法为：提取零件表面纹理特征，建立零件表面纹理特征与零件表面粗糙度的关系模型；
17.通过分析零件表面图像中点(x,y)灰度为i的像素与点(x a,y b)灰度为j的像素同时出现的概率，构建概率矩阵p(i,j)，其公式为：
18.概率矩阵
19.式中，i＝1,2,...,m；j＝1,2,...,n；f(x,y)和f(x a,y b)表示零件表面图像中像素点(x,y)、(x a,y b)的灰度值；
20.基于灰度共生矩阵，提取如下特征：能量、熵、惯性矩、相关性，计算过程分别如下：
21.能量
22.熵
23.惯性矩
24.相关性
25.式中：m、n分别为零件表面图像中水平与垂直方向上的像素数量；μ为零件表面图像像素点均值；x'和y'分别代表零件表面图像水平和垂直方向的梯度；l表示零件表面图像像素点的灰度级；l表示最大灰度级，l＝255；p(l)为零件表面图像中灰度级为l的像素占比。
26.生成特征向量，分别求取wa，wb，wc，wd的均值w
a1
，w
b1
，w
c1
，w
d1
和方差w
a2
，w
b2
，w
c2
，w
d2
作为描述零件表面纹理的特征，并以此8个特征生成8维特征向量作为支持向量机的输入。
27.所述的检测方法，所述s4的具体方法为：
28.s41、基于支持向量机的粗糙度检测模型的输出值可表示为如下所示的非线性回归模型：
29.非线性回归模型ra
模型
＝w
t
x b
ꢀꢀꢀ
(8)
30.式中，ra
模型
为支持向量机检测模型输出的零件表面粗糙度，w为基于灰度共生矩阵提取的零件表面图像特征向量输入的线性组合；b为函数偏置。
31.s42、支持向量机检测模型的核函数选用高斯核函数，根据输入的零件表面特征向量，设置惩罚参数c＝0.1，宽度参数σ＝0.8。通过对模型的训练和验证，基于高斯核函数的支持向量机粗糙度检测的均方根误差为0.0316，平均相对误差为0.0296，检测精度较高，运
行时间适宜。
32.s44、将提取的零件表面纹理特征向量作为支持向量机检测模型的输入，模型的输出即为零件表面粗糙度值。
33.所述的检测方法，所述像素分量作比法的过程如下：
34.(1)基于采集的图像，沿垂直于图像纹理方向等距离标定像素点x，并得到该点像素值的红色(r)、绿色(g)、蓝色(b)分量；
35.(2)将像素分量b与r、b与g作比后相加，并将归一化后的值作为该点的新像素值，其公式如下：
36.像素分量作比相加法
37.其中，r(i,j)，b(i,j)，g(i,j)分别为零件表面图像中坐标为(i,j)的像素点的r，g，b分量值。
38.根据任一所述检测方法的零件表面粗糙度支持向量机检测系统，其特征在于，包括：
39.零件表面图像采集装置：利用零件表面划分方法将零件表面划分为合适区域，并采集零件表面各区域图像；
40.图像预处理模块：利用像素分量作比相加法将零件表面图像转为灰度图像，使用高斯窗口进行滤波处理；
41.纹理特征提取模块：基于灰度共生矩阵提取图像的能量、熵、惯性矩、相关性这四种纹理特征，并对它们分别求取均值和方差生成8维特征向量作为支持向量机的输入；
42.支持向量机检测模块：支持向量机检测模块输出粗糙度值，通过上位机界面显示零件表面粗糙度值检测结果。
43.所述的检测系统，所述纹理特征提取模块：提取零件表面纹理特征，建立零件表面纹理特征与零件表面粗糙度的关系模型；
44.通过分析零件表面图像中点(x,y)灰度为i的像素与点(x a,y b)灰度为j的像素同时出现的概率，构建概率矩阵p(i,j)，其公式为：
45.概率矩阵
46.式中，i＝1,2,...,m；j＝1,2,...,n；f(x,y)和f(x a,y b)表示零件表面图像中像素点(x,y)、(x a,y b)的灰度值；
47.基于灰度共生矩阵，提取如下特征：能量、熵、惯性矩、相关性，计算过程分别如下：
48.能量
49.熵
50.惯性矩
51.相关性
52.式中：m、n分别为零件表面图像中水平与垂直方向上的像素数量；μ为零件表面图像像素点均值；x'和y'分别代表零件表面图像水平和垂直方向的梯度；l表示零件表面图像像素点的灰度级；l表示最大灰度级，l＝255；p(l)为零件表面图像中灰度级为l的像素占比。
53.生成特征向量，分别求取wa，wb，wc，wd的均值w
a1
，w
b1
，w
c1
，w
d1
和方差w
a2
，w
b2
，w
c2
，w
d2
作为描述零件表面纹理的特征，并以此8个特征生成8维特征向量作为支持向量机的输入。
54.所述的检测系统，图像预处理模块包括像素分量作比单元，所述像素分量作比单元的方法如下：
55.(1)基于采集的图像，沿垂直于图像纹理方向等距离标定像素点x，并得到该点像素值的红色(r)、绿色(g)、蓝色(b)分量；
56.(2)将像素分量b与r、b与g作比后相加，并将归一化后的值作为该点的新像素值，其公式如下：
57.像素分量作比相加法
58.其中，r(i,j)，b(i,j)，g(i,j)分别为零件表面图像中坐标为(i,j)的像素点的r，g，b分量值。
59.本发明的有益效果是：零件表面粗糙度可进行全面非接触式测量，解决了提取图像特征过程中采样随机以及提取的特征无法有效区分不同粗糙度等级零件的问题，大大提高了非接触式检测零件表面粗糙度的检测精度。
附图说明
60.图1为本发明实施例提供的零件表面粗糙度检测全过程流程图；
61.图2为本发明实施例提供的划分零件表面采样区域示意图；
62.图3为本发明实施例提供的像素分量标定图；
63.图4为本发明实施例提供的原始图像和使用不同灰度化方法得到的图像对比图；(a1)ra＝0.4μm原图像、(a2)ra＝0.4μm加权平均值法、(a3)ra＝0.4μm像素分量作比相加法；(b1)ra＝0.8μm原图像、(b2)ra＝0.8μm加权平均值法、(b3)ra＝0.8μm像素分量作比相加法；(c1)ra＝1.6μm原图像、(c2)ra＝1.6μm加权平均值法、(c3)ra＝1.6μm像素分量作比相加法；
64.图5为本发明实施例提供的四种灰度化方法得到的灰度图像质量对比图；(a)不同灰度化方法的标准差对比(b)不同灰度化方法的平均梯度对比(c)不同灰度化方法的信息熵对比；
65.图6为本发明实施例提供的三种滤波方法的滤波效果对比图；
66.图7为本发明实施例提供的一组测试样本零件表面16个采集区域的粗糙度真实值与检测值的对比图；
67.图8为本发明实施例提供的不同建模方法的粗糙度检测零件表面划分的各区域中相对误差低于该阈值的图像数目百分占比；
68.图9为本发明实施例提供的零件表面图像采集流程图。
具体实施方式
69.以下结合具体实施例，对本发明进行详细说明。
70.如图1所示，为零件表面粗糙度检测的完整步骤。利用图像采集模块采集零件表面各区域图像，通过图像处理模块对图像进行灰度化、滤波和提取特征操作，再将得到的特征向量输入粗糙度检测模块得到零件表面粗糙度值。
71.如图2所示，本发明提供一种零件表面划分区域的方法，以圆形零件为例，划分为16个区域，每个区域的大小都控制在数字显微镜可观测视野范围内。
72.此外，对于任意形状的零件表面，都可采用平均划分的方法。可将零件平均地划分为多个区域，当划分区域的面积小于数字显微镜可视面积时，认为划分有效，可用于粗糙度检测；当划分的区域面积超过数字显微镜可视面积时，对超过数字显微镜可视面积的区域进行二次划分，仍然平均地划分为多个区域进行检测，以保证二次划分区域小于数字显微镜可视面积，如果划分依旧无效，则进行三次划分，以此类推，直到所有划分的区域面积都小于数字显微镜可视面积。
73.图像处理模块分为三个部分，分别如下：
74.一、零件表面图像进行灰度化处理，具体过程如下：
75.(1)基于采集的零件表面图像，沿垂直于图像纹理方向等距离标定像素点x，并得到该点像素值的红色(r)、绿色(g)、蓝色(b)分量，其像素分量标定图如图3所示。
76.(2)将r、g、b三种像素分量中两两分量作比，分别定义为灰度化1～灰度化6：其中，r(i,j)，b(i,j)，g(i,j)分别为零件表面图像中坐标为(i,j)的像素点的r，g，b分量值；
77.(3)由于将各像素分量相除，得到的灰度值可能会超过像素规定的0到1范围，需进行归一化处理，其计算公式如下：
78.归一化
79.式中，gray
′
(i,j)
min
和gray(i,j)
min
为零件表面图像像素点的最大灰度值和最小灰度值。
80.采用灰度化1～灰度化6方法处理后的图像质量对比如表1所示。
81.表1灰度化1～灰度化6的零件表面图像质量对比
[0082][0083]
由表1可知，灰度化5和灰度化6得到的图像质量较优，为了综合考虑rgb三种分量，将灰度化5和灰度化6进行组合，定义为像素分量作比相加法，其计算公式如下：
[0084]
像素分量作比相加法
[0085]
如图4所示，为原始零件表面图像、加权平均值法以及像素分量作比相加法灰度化后的零件表面图像。为了分析采用像素分量作比相加法灰度化后的图像质量，分别计算灰度图像的标准差、平均梯度、信息熵这三个评价指标，并与灰度化5、灰度化6、图像灰度化方法中最常用的加权平均值法进行比较。其对比结果如图5所示。由图5可知，像素分量作比相加法提取的标准差、平均梯度、信息熵，相比灰度化5、灰度化6以及加权平均值法更大，对应的图像纹理变化更明显，更有利于表征零件表面粗糙度的纹理特征提取。因此，采用该方法对采集的图像进行灰度化处理
[0086]
二、零件表面灰度图像进行滤波处理：
[0087]
利用维数为3
×
3，标准差为0.8的高斯窗口对零件表面灰度图像进行高斯滤波操作，并选用均方误差和峰值信噪比对均值滤波、中值滤波和高斯滤波比较滤波效果，具体结果如图6所示。由图6可知，高斯滤波得到的零件表面图像的均方误差远小于其余两种方法，峰值信噪比大于其余两种方法，对应的图像质量更高。因此，选择高斯滤波对采集图像进行滤波处理。
[0088]
三、基于灰度共生矩阵提取能量、熵、惯性矩和相关性这四种纹理特征，对它们分别求取均值和方差生成8维特征向量。
[0089]
提取零件表面纹理特征，建立零件表面纹理特征与零件表面粗糙度的关系模型。灰度共生矩阵通过分析零件表面图像像素的灰度变化，表示零件表面图像的相邻间隔、变化幅度，进而描述零件表面纹理。
[0090]
通过分析零件表面图像中点(x,y)灰度为i的像素与点(x a,y b)灰度为j的像素同时出现的概率，构建概率矩阵p(i,j)，其公式为：
[0091]
概率矩阵
[0092]
式中，i＝1,2,...,m；j＝1,2,...,n；f(x,y)和f(x a,y b)表示零件表面图像中像素点(x,y)、(x a,y b)的灰度值。
[0093]
基于灰度共生矩阵，提取如下特征：能量、熵、惯性矩、相关性，计算过程分别如下：
[0094]
能量
[0095]
熵
[0096]
惯性矩
[0097]
相关性
[0098]
式中：m、n分别为零件表面图像中水平与垂直方向上的像素数量；μ为零件表面图像像素点均值；x'和y'分别代表零件表面图像水平和垂直方向的梯度；l表示零件表面图像像素点的灰度级；l表示最大灰度级，l＝255；p(l)为零件表面图像中灰度级为l的像素占比。
[0099]
s24、生成特征向量，分别求取wa，wb，wc，wd的均值w
a1
，w
b1
，w
c1
，w
d1
和方差w
a2
，w
b2
，w
c2
，w
d2
作为描述零件表面纹理的特征，并以此8个特征生成8维特征向量作为支持向量机的输入。
[0100]
如表2所示，为基于不同的灰度化方法，对ra＝0.4μm、0.8μm、1.6μm的零件表面提取纹理特征的结果。
[0101]
表2不同粗糙度等级的零件表面纹理特征对比
[0102][0103]
由表2可知，当ra＝0.8μm～1.6μm时，基于加权平均值法预处理后提取的纹理特征w
a1
、w
b1
、w
c1
、w
d1
相对于像素分量作比相加法变化幅度更小，不易区分相近粗糙度；且基于加权平均值法预处理后提取的部分相关性均值w
d1
随粗糙度的增大而增大，与相关性均值w
d1
应随粗糙度的增大而减小的趋势不符。因此，采用像素分量作比相加法预处理后的图像更有利于提取粗糙度区分明显的纹理特征，从而能够更好地辨识零件表面粗糙度。
[0104]
粗糙度检测模块的检测过程如下：
[0105]
将基于灰度共生矩阵提取的8维特征向量作为支持向量机检测模型的输入，模型的输出即为零件表面各区域的粗糙度值，最后对各区域的粗糙度值求取均值作为零件表面的粗糙度值。
[0106]
支持向量机(svm)基于结构风险最小化原则，可有效解决数据非线性、样本少等问
题，具有训练快、泛化能力强等优点，建立零件表面纹理特征与零件表面粗糙度的关系，基于支持向量机检测零件表面粗糙度。
[0107]
基于支持向量机的粗糙度检测模型的输出值可表示为如下所示的非线性回归模型：
[0108]
非线性回归模型ra
模型
＝w
t
x b
ꢀꢀꢀ
(8)
[0109]
式中，ra
模型
为支持向量机检测模型输出的零件表面粗糙度，w为基于灰度共生矩阵提取的零件表面图像特征向量输入的线性组合；b为函数偏置。
[0110]
支持向量机检测模型的核函数选用高斯核函数，根据输入的零件表面特征向量，设置惩罚参数c＝0.1，宽度参数σ＝0.8。通过对模型的训练和验证，基于高斯核函数的支持向量机粗糙度检测的均方根误差为0.0316，平均相对误差为0.0296，检测精度较高，运行时间适宜。
[0111]
将提取的零件表面纹理特征向量作为支持向量机检测模型的输入，模型的输出即为零件表面粗糙度值。
[0112]
如表3所示，为支持向量机模型对不同粗糙度等级的零件的检测精度。
[0113]
表3不同粗糙度等级的零件粗糙度检测结果
[0114][0115]
如图7所示，为其中一组测试样本零件表面16个采集区域的粗糙度真实值与检测值的对比图。
[0116]
为了分析灰度化改进前后对于粗糙度检测精度的影响，分别选择加权平均值法和像素分量作比相加法处理图像后提取的纹理特征作为输入，基于支持向量机进行多批次的仿真，其检测精度对比如表4所示。
[0117]
表4不同灰度化方法下的粗糙度检测精度对比
[0118][0119]
为了分析检测模型选择的合理性，对比多种模型的检测精度，并以5％的检测相对误差作为阈值，计算零件表面划分的各区域中检测相对误差低于该阈值的图像数目百分占比，对比结果如图8所示。由图8可知，基于支持向量机的零件表面各区域的粗糙度检测相对误差全部低于5％，其余三种方法检测得到的各区域中检测相对误差低于该阈值的图像数目百分占比分别为68.75％、37.5％、43.75％。相比其他三种方法，支持向量机模型对于零件表面粗糙度的检测精度更高。
[0120]
本发明提供一种零件表面各区域图像采集装置，包括：stm32单片机、二相四线步进电机、sgo-1000bx数字显微镜、上位机及其上搭建的零件表面图像采集与零件表面粗糙度检测系统；其中，单片机分别连接步进电机与上位机，由步进电机带动水平托盘运转；上位机连接数字显微镜，数字显微镜分布于水平托盘上方。
[0121]
如图9所示，零件表面各区域图像采集方法，具体步骤如下：
[0122]
(1)将零件放置在水平托盘上，上位机通过串口向单片机发送图像开始采集信号；
[0123]
(2)单片机接收图像开始采集信号，输出周期一定的pwm波驱动步进电机转动，步进电机带动水平托盘及其上零件转动到划分区域；
[0124]
(3)单片机暂停pwm波输出，通过串口向上位机发送图像采集信号；
[0125]
(4)上位机接收图像采集信号，控制数字显微镜采集并保存零件表面图像，通过串口通信向单片机发送图像采集完成信号；
[0126]
(5)单片机接收信号，继续输出pwm波驱动步进电机转动，步进电机带动水平托盘及其上零件转动到下一划分区域，重复(3)(4)步，直至零件表面划分区域的图像全部采集完成。
[0127]
(6)上位机通过串口向单片机发送图像停止采集信号。
[0128]
(7)单片机接收图像停止采集信号，停止输出pwm波，步进电机停止旋转，停止零件表面图像采集。
[0129]
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。