對光源環境魯棒的銑削表面粗糙度分類檢測*

易懷安，陳永倫，廖 晨，陳秋嫦，趙欣佳

(1.桂林理工大學a.機械與控制工程學院；b.信息科學與工程學院，桂林 541006；2.新疆大學信息科學與工程學院，烏魯木齊 830046)

0 引言

表面粗糙度與機械零件的配合性、耐磨性、振動等密切相關，對機械產品的使用壽命和可靠性產生重要影響。傳統針測法的金剛石觸針易劃傷被測表面，測量速度比較緩慢，不能滿足對整個表面輪廓粗糙度的精確測量和在線測量，因此，基于機器視覺的粗糙度測量方法受到了學者們的重視。在機械加工過程中，不同的加工工藝會造成工件表面的紋理不一樣。HARALICK等[1]研究了灰度色調的空間分布，認為紋理特征可分為規律和不規律等。對于不規律紋理的加工工件表面，YI等[2-3]提出基于RGB的色差算法和基于彩色圖像奇異值熵的評價指標，構建出磨削表面粗糙度預測模型，并嘗試從圖像數理結構上尋找粗糙度的關聯指標。LU等[4]設計純色能量指標和兩種光源混疊區域面積指標建立與粗糙度的對應關系模型。對于規律紋理的加工工件表面，TSAI等[5]研究銑削表面，提出5個表征粗糙度的特征量并輸入神經網絡中進行預測粗糙度。LEE等[6]在結合車削加工工藝參數的情況下，通過神經網絡對車削加工表面進行粗糙度檢測。DHANASEKAR等[7]將文獻[6]的頻譜特征指標以及加工工藝參數輸入神經網絡對較大粗糙度范圍的銑削試樣進行了預測。由此可見，基于機器視覺的表面粗糙度檢測都要經過人為地設計圖像的評價指標，且大多要結合加工工藝參數進行。……