CN113658102B - 一种基于单幅显微图像重建的加工表面质量在线检测方法 - Google Patents
一种基于单幅显微图像重建的加工表面质量在线检测方法 Download PDFInfo
- Publication number
- CN113658102B CN113658102B CN202110813337.4A CN202110813337A CN113658102B CN 113658102 B CN113658102 B CN 113658102B CN 202110813337 A CN202110813337 A CN 202110813337A CN 113658102 B CN113658102 B CN 113658102B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- height
- morphology
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000012876 topography Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 23
- 238000005286 illumination Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003754 machining Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007514 turning Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于单幅显微图像重建的加工表面质量在线检测方法，具体为：获取加工表面形貌的灰度图像；提取图像的灰度值；利用加工表面形貌的解析梯度模型计算形貌梯度值；利用三点辛普生求积公式计算加工表面形貌的高度，以计算的高度作为加工表面形貌的高度实现加工表面形貌的重建；提取重建的加工表面形貌，提取最大高度参数Rz、均方根高度参数Rq、轮廓单元的平均宽度参数Rsm和偏斜度参数Rsk参数，将提取的参数和加工要求比较，进行加工表面质量评价。本发明的一种基于单幅显微图像重建的加工表面质量在线检测方法，能够快速准确地实现加工表面形貌的三维重建，并通过有效提取表面形貌的特征，完成对加工表面质量的检测。
Description
技术领域
本发明属于加工表面质量检测方法技术领域，涉及一种基于单幅显微图像重建的加工表面质量在线检测方法。
背景技术
加工表面形貌是由于加工过程中刀具几何形状在工件表面的复映、刀具和工件之间的挤压与摩擦、切屑分离时的塑性变形以及金属撕裂和加工***的振动等原因在工件表面留下的各种不同形状和尺寸的微观结构，具有与可见光波长近似的小尺度特征。加工表面形貌不但直接决定了机械零件的耐磨性、耐腐蚀性、接触刚度、抗疲劳能力与密封性等，而且对机械设备的配合性质、结合部静动态特性、使用寿命与可靠性等都有重要的影响。
目前，加工表面形貌测量方法主要分为接触式和非接触式两大类，其中接触式测量以其稳定、可靠的特点被广泛应用。但接触式测量对高精度表面及软质金属表面会造成划伤与破坏；受触针尖端圆弧半径的限制，其测量精度有限；因触针磨损及测量速度的限制，无法实现在线实时测量。而基于光学散射和干涉等原理的非接触式测量方法，普遍存在设备复杂、成本高等问题，难以适应快速、在线、自动化检测的需要。
在加工表面几何形貌质量的评定方面，主要采用表面粗糙度作为评定指标。由于测量技术手段的限制，常用表面粗糙度的一维和二维评定参数来反映加工表面轮廓曲线几何特征。这种测量和评定方法对各向随机平稳或单向平稳零件表面的功能特性具有一定的评判作用，但无法准确、全面地表征加工表面的微观凹凸特性。
随着科学技术的不断发展，人们对产品性能的研究逐渐从宏观向微观不断深入，无论是在产品性能预测、结合部建模与有限元分析，还是表面摩擦、磨损特性的研究等方面，都要求提供完整的表面三维形貌信息。目前基于表面二维轮廓曲线的一维和二维粗糙度评定参数已难以满足实际生产与科学研究的需要。因此，如何快速、准确、完整地获得加工表面三维轮廓信息已成为粗糙度检测领域研究的热点和难点问题。
发明内容
本发明的目的是提供一种基于单幅显微图像重建的加工表面质量在线检测方法，能够快速准确地实现加工表面形貌的三维重建，并通过有效提取表面形貌的特征，完成对加工表面质量的检测。
本发明所采用的技术方案是，一种基于单幅显微图像重建的加工表面质量在线检测方法，具体按照如下步骤实施：
步骤1，获取显微图像：利用显微镜对被测加工表面进行放大，通过CCD相机获取加工表面形貌的灰度图像；
步骤2，图像预处理：对步骤1中获取的灰度图像进行消噪和平滑处理，提取图像的灰度值；
步骤3，根据加工表面形貌的对数正态分布光照模型构建加工表面形貌的解析梯度模型，通过步骤2中提取图像的灰度值计算图像中x向、y向的灰度梯度值，根据图像的灰度梯度值，利用加工表面形貌的解析梯度模型计算形貌梯度值；
步骤4，通过形貌凹凸识别和梯度正负修正法对步骤3中计算的形貌梯度值进行处理，获取表面形貌梯度的修正值，利用三点辛普生求积公式计算加工表面形貌的高度，以计算的高度作为加工表面形貌的高度实现加工表面形貌的重建；
步骤5，提取步骤4重建的加工表面形貌，提取最大高度参数Rz、均方根高度参数Rq、轮廓单元的平均宽度参数Rsm和偏斜度参数Rsk参数，将提取的参数和加工要求对应的参数比较，进行加工表面质量评价。
本发明的特征还在于，
步骤1中利用显微镜对被测加工表面进行放大的具体过程为：被测加工表面位于显微镜物镜的焦平面上，点光源发出的光束经过聚光镜扩束准直成为平行光，分光镜使平行光的入射方向与光轴方向平行，光束通过物镜照射到加工表面上，加工表面的反射光透过物镜、分光镜和成像透镜到达光阑附近，光阑使物镜焦平面上反射光进入图像传感器，形成显微图像。
步骤2中采用小波包变换方法对获取的灰度图像进行消噪和平滑处理。
步骤3中的根据加工表面形貌的对数正态分布光照模型构建加工表面形貌的解析梯度模型具体为：
加工表面形貌的对数正态分布光照模型I如下公式(1)所示，
式中，Kd为漫反射比例系数；Ks为镜面反射比例系数；Ii为光源的入射光亮度；I为观察方向的有效光亮度；θ为表面形貌的微平面法向偏角，a、b为待定参数，与表面微观表面的几何特征有关；
其中，
式中，p为表面形貌高度在x方向的梯度值；q为表面形貌高度在y方向的梯度值；
切削加工表面微观形貌的反射图方程表示为：
cosθ≈1，则对式(3)进行化简，得：
即：
对等式两边同时取自然对数，则：
令：
根据对数运算法则，式(6)整理为：
因此：
则：
假定表面梯度值与其图像灰度梯度值成比例，即梯度一致性约束，对应表达式为：
式中，Ex表示图像灰度沿x方向的灰度梯度，Ey表示图像灰度沿y方向的灰度梯度；
将式(11)代入式(10)中，则：
由式(12)计算重建形貌的梯度比例转换系数k(x,y)，即：
将式(13)代入式(11)，则切削加工表面重建形貌梯度的解析模型为：
步骤3中依据图像像素点的灰度值，采用求导方法计算x向和y向的图像灰度梯度值。
步骤3中根据图像的灰度梯度值，利用加工表面形貌的解析梯度模型的公式(14)计算形貌梯度值。
步骤4具体为：
步骤4.1，提取经步骤2灰度处理的加工表面显微图像中间行的灰度变化曲线，识别各个灰度极大值的位置，以各个灰度极大值为中心，在原始图像中提取相同尺寸的子图像，计算各子图像对应的信息熵，并计算所有信息熵的平均熵，将信息熵低于平均熵的子图像区域定义为波谷；
步骤4.2，以图像中微观形貌各个波谷的位置为依据，定义波谷中心两侧灰度极小值之间的像素点为待定区域，将待定区域的形貌解析梯度修正为负值，保持其余区域的解析梯度值不变；
步骤4.3，假设图像上参考点A0在对应表面形貌坐标系的坐标为(x0，y0，z0)，则图像任一点在表面坐标系的坐标(xi，yj)，i＝1,2,3,…M；j＝1,2,3,…N，表述为：
同时，对应z轴的坐标zij表示为：
采用三点辛普生求积公式计算表面微观形貌的高度，具体流程如下：
第一步：从参考点A0坐标(x0，y0，z0)开始，计算图像水平方向上间隔一个像素点的高度值，计算表达式为：
则，该点的高度表达式为：
第二步：从参考点A0坐标(x0，y0，z0)开始，计算图像垂直方向上间隔一个像素点的高度值，计算表达式为：
则，该点的高度表达式为：
根据公式(19)和(21)计算与参考点A0同行列上间隔一个像素点的高度值，然后再以计算的高度值为参考点，计算其余像素点的高度值，实现切削加工表面微观形貌高度的计算，以计算的高度作为加工表面形貌的高度实现加工表面形貌的重建。
本发明的有益效果是：
(1)本发明提出一种基于单幅显微图像重建的加工表面质量在线检测方法，能够快速准确地实现加工表面形貌的三维重建，通过有效提取表面形貌的特征，完成对加工表面质量的检测；
(2)本发明提出的解析重建算法，能够更加准确地实现切削加工表面显微图像的重建，重建时间少，重建误差小，具有较高的重建效率和重建精度。
(3)本发明提出的加工表面对数正态分布光照模型，该模型的合成图像与原始图像更加接近，图像质量更高，灰度误差更小，能更准确地计算其微观表面的反射光亮度大小，具有更高的计算精度。
附图说明
图1是本发明一种基于单幅显微图像重建的加工表面质量在线检测方法的流程图；
图2是实施例1Ra3.2车削表面灰度图像；
图3是实施例1Ra3.2车削表面测量形貌与重建形貌的对比图；
图4是实施例1Ra3.2车削表面测量形貌与重建形貌的粗糙度对比图；
图5是对比例1三种重建算法对Ra3.2车削表面的重建结果图；
图6是实施例2Ra3.2镗削表面灰度图像；
图7是实施例2Ra3.2镗削表面测量形貌与重建形貌的对比图；
图8是实施例2Ra3.2镗削表面测量形貌与重建形貌的粗糙度对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于单幅显微图像重建的加工表面质量在线检测方法，其流程如图1所示，具体按照如下步骤实施：
步骤1，获取显微图像：利用显微镜对被测加工表面进行放大，通过CCD相机获取加工表面形貌的灰度图像；其中，利用显微镜对被测加工表面进行放大的具体过程为：被测加工表面位于显微镜物镜的焦平面上，点光源发出的光束经过聚光镜扩束准直成为平行光，分光镜使平行光的入射方向与光轴方向平行，光束通过物镜照射到加工表面上，加工表面的反射光透过物镜、分光镜和成像透镜到达光阑附近，光阑使物镜焦平面上反射光进入图像传感器，形成显微图像；
步骤2，图像预处理：对步骤1中获取的灰度图像采用小波包变换方法进行消噪和平滑处理，提取图像的灰度值；
步骤3，根据加工表面形貌的对数正态分布光照模型构建加工表面形貌的解析梯度模型，通过步骤2中提取图像的灰度值计算图像中x向、y向的灰度梯度值，根据图像的灰度梯度值，利用加工表面形貌的解析梯度模型计算形貌梯度值；
其中，根据加工表面形貌的对数正态分布光照模型构建加工表面形貌的解析梯度模型具体为：
加工表面形貌的对数正态分布光照模型I如下公式(1)所示，
式中，Kd为漫反射比例系数；Ks为镜面反射比例系数；Ii为光源的入射光亮度；I为观察方向的有效光亮度；θ为表面形貌的微平面法向偏角，a、b为待定参数，与表面微观表面的几何特征有关；
其中，
式中，p为表面形貌高度在x方向的梯度值；q为表面形貌高度在y方向的梯度值；
切削加工表面微观形貌的反射图方程表示为：
cosθ≈1，则对式(3)进行化简，得：
即：
对等式两边同时取自然对数，则：
令：
根据对数运算法则，式(6)整理为：
因此：
则：
假定表面梯度值与其图像灰度梯度值成比例，即梯度一致性约束，对应表达式为：
式中，Ex表示图像灰度沿x方向的灰度梯度，Ey表示图像灰度沿y方向的灰度梯度；
将式(11)代入式(10)中，则：
由式(12)计算重建形貌的梯度比例转换系数k(x,y)，即：
将式(13)代入式(11)，则切削加工表面重建形貌梯度的解析模型为：
其中，依据图像像素点的灰度值，采用求导方法计算x向和y向的图像灰度梯度值；
其中，根据图像的灰度梯度值，利用加工表面形貌的解析梯度模型的公式(14)计算形貌梯度值；
步骤4，通过形貌凹凸识别和梯度正负修正法对步骤3中计算的形貌梯度值进行处理，获取表面形貌梯度的修正值，利用三点辛普生求积公式计算加工表面形貌的高度，以计算的高度作为加工表面形貌的高度实现加工表面形貌的重建；
具体为：
步骤4.1，提取经步骤2灰度处理的加工表面显微图像中间行的灰度变化曲线，识别各个灰度极大值的位置，以各个灰度极大值为中心，在原始图像中提取相同尺寸的子图像，计算各子图像对应的信息熵，并计算所有信息熵的平均熵，将信息熵低于平均熵的子图像区域定义为波谷；
步骤4.2，以图像中微观形貌各个波谷的位置为依据，定义波谷中心两侧灰度极小值之间的像素点为待定区域，将待定区域的形貌解析梯度修正为负值，保持其余区域的解析梯度值不变；
步骤4.3，假设图像上参考点A0在对应表面形貌坐标系的坐标为(x0，y0，z0)，则图像任一点在表面坐标系的坐标(xi，yj)，i＝1,2,3,…M；j＝1,2,3,…N，表述为：
同时，对应z轴的坐标zij表示为：
采用三点辛普生求积公式计算表面微观形貌的高度，具体流程如下：
第一步：从参考点A0坐标(x0，y0，z0)开始，计算图像水平方向上间隔一个像素点的高度值，计算表达式为：
则，该点的高度表达式为：
第二步：从参考点A0坐标(x0，y0，z0)开始，计算图像垂直方向上间隔一个像素点的高度值，计算表达式为：
则，该点的高度表达式为：
根据公式(19)和(21)计算与参考点A0同行列上间隔一个像素点的高度值，然后再以计算的高度值为参考点，计算其余像素点的高度值，实现切削加工表面微观形貌高度的计算，以计算的高度作为加工表面形貌的高度实现加工表面形貌的重建；
步骤5，提取步骤4重建的加工表面形貌，提取最大高度参数Rz、均方根高度参数Rq、轮廓单元的平均宽度参数Rsm和偏斜度参数Rsk参数，将提取的参数和加工要求对应的参数比较，进行加工表面质量评价。
实施例1
一种基于单幅显微图像重建的加工表面质量在线检测方法，包括下述步骤
(1)获取显微图像：利用同轴光显微镜的10倍放大倍数镜头获取Ra3.2车削表面形貌的灰度图像，图像的像素为768×576，结果如图2所示。
(2)图像预处理：利用小波包变换方法对步骤(1)中获取的Ra3.2车削表面形貌的灰度图像进行消噪和平滑处理，提取图像的灰度值E。
(3)表面形貌梯度解析：a.根据加工表面形貌的对数正态分布光照模型构建其形貌的解析梯度模型；b.通过步骤(2)中图像灰度值E，采用求导方法计算对应的x向灰度梯度Ex和y向灰度梯度Ey；c.根据Ra3.2车削表面形貌显微图像的灰度梯度值，采用基于对数正态分布光照模型的解析梯度表达式计算车削表面的重建形貌梯度。
(4)表面形貌高度计算：通过清晰度识别Ra3.2车削表面显微图像中微观形貌凹凸性，以图像中微观形貌各个波谷的位置为依据，定义波谷中心两侧灰度极小值之间的像素点为待定区域，将待定区域的形貌解析梯度修正为负值，保持其余区域的解析梯度值不变；根据灰度图像中像素点的尺寸为1.66μm×1.66μm，将重建形貌相对高度计算表达式中间隔像素点的距离设为3.32μm，利用三点辛普生求积公式计算与参考点同行列上间隔一个像素点的高度值，以计算的高度值为参考点，计算其余像素点的高度值，以计算的高度作为加工表面形貌的高度实现Ra3.2车削表面形貌的重建，结果如图3所示。
(5)加工表面质量评价：根据Ra3.2车削表面形貌解析重建结果，提取重建结果的中间行轮廓，如图4所示，其中Rz、Rq、Rsm和Rsk分别为13.986、3.463、0.158和0.221。与测量结果相比，Rsk相对误差最大，仅为9.95％，具有较高的重建精度，重建时间为8.24秒，能够满足在线检测要求。
对比例1(与实施例1的区别在于，分别采用基于Lambert光照模型的最小化重建算法、基于Lambert光照模型的解析重建算法和基于对数正态分布光照模型的最小化重建算法进行检测)。
一种基于单幅显微图像重建的加工表面质量在线检测方法，结合实施例分析本发明提出的重建方法相比于其他重建方法的优势与有效益处。为排除其它因素干扰，对比例1所用数据集和实施例1中相同，对比例1中步骤(1)、步骤(2)、步骤(4)、步骤(5)、和实施例1中一致，步骤(3)中光照模型分别用现有的对数正态分布光照模型和传统Lambert光照模型，并分别用最小化方法和解析方法计算表面形貌梯度，重建结果如图5所示。通过与图4对比发现：Lambert最小化重建算法、Lambert解析重建算法、对数正态分布最小化重建算法和对数正态分布解析重建算法的重建时间分别为67.94秒、6.34秒、82.15秒，本发明为8.24秒；上述算法的重建误差分别为48.4％，37.2％和31.6％，本发明为17.8％。
实施例2
一种基于单幅显微图像重建的加工表面质量在线检测方法，包括下述步骤
(1)获取显微图像：利用同轴光显微镜的10倍放大倍数镜头获取Ra3.2镗削表面形貌的灰度图像，图像的像素为768×576，结果如图6所示
(2)图像预处理：利用小波包变换方法对步骤(1)中获取的Ra3.2镗削表面形貌的灰度图像进行消噪和平滑处理，提取图像的灰度值E；
(3)表面形貌梯度解析：a.根据加工表面形貌的对数正态分布光照模型构建其形貌的解析梯度模型；b.通过步骤(2)中图像灰度值E，采用求导方法计算对应的x向灰度梯度Ex和y向灰度梯度Ey；c.根据Ra3.2镗削表面形貌显微图像的灰度梯度值，采用基于对数正态分布光照模型的解析梯度表达式计算镗削表面的重建形貌梯度。
(4)表面形貌高度计算：通过清晰度识别Ra3.2镗削表面显微图像中微观形貌凹凸性，以图像中微观形貌各个波谷的位置为依据，定义波谷中心两侧灰度极小值之间的像素点为待定区域，将待定区域的形貌解析梯度修正为负值，保持其余区域的解析梯度值不变；根据灰度图像中像素点的尺寸为1.66μm×1.66μm，将重建形貌相对高度计算表达式中间隔像素点的距离设为3.32μm，利用三点辛普生求积公式计算与参考点同行列上间隔一个像素点的高度值，以计算的高度值为参考点，计算其余像素点的高度值，以计算的高度作为加工表面形貌的高度实现Ra3.2镗削表面形貌的重建，结果如图7所示。
(5)加工表面质量评价：根据Ra3.2镗削表面形貌解析重建结果，提取重建结果中间行轮廓，如图8所示，其中Rz、Rq、Rsm和Rsk分别为8.873、3.412、0.167和0.234。与测量结果相比，Rsk相对误差最大，仅为10.377％，具有较高的重建精度，重建时间为8.11秒，能够满足在线检测要求。
Claims (5)
1.一种基于单幅显微图像重建的加工表面质量在线检测方法，其特征在于，具体按照如下步骤实施：
步骤1，获取显微图像：利用显微镜对被测加工表面进行放大，通过CCD相机获取加工表面形貌的灰度图像；
步骤2，图像预处理：对步骤1中获取的灰度图像进行消噪和平滑处理，提取图像的灰度值；
步骤3，根据加工表面形貌的对数正态分布光照模型构建加工表面形貌的解析梯度模型，通过步骤2中提取图像的灰度值计算图像中x向、y向的灰度梯度值，根据图像的灰度梯度值，利用加工表面形貌的解析梯度模型计算形貌梯度值；
所述步骤3中的根据加工表面形貌的对数正态分布光照模型构建加工表面形貌的解析梯度模型具体为：
所述加工表面形貌的对数正态分布光照模型I如下公式(1)所示，
式中，Kd为漫反射比例系数；Ks为镜面反射比例系数；Ii为光源的入射光亮度；I为观察方向的有效光亮度；θ为表面形貌的微平面法向偏角，a、b为待定参数，与表面微观表面的几何特征有关；
其中，
式中，p为表面形貌高度在x方向的梯度值；q为表面形貌高度在y方向的梯度值；
切削加工表面微观形貌的反射图方程表示为：
cosθ≈1，则对式(3)进行化简，得：
即：
对等式两边同时取自然对数，则：
令：
根据对数运算法则，式(6)整理为：
因此：
则：
假定表面梯度值与其图像灰度梯度值成比例，即梯度一致性约束，对应表达式为：
式中，Ex表示图像灰度沿x方向的灰度梯度，Ey表示图像灰度沿y方向的灰度梯度；
将式(11)代入式(10)中，则：
由式(12)计算重建形貌的梯度比例转换系数k(x,y)，即：
将式(13)代入式(11)，则切削加工表面重建形貌梯度的解析模型为：
步骤4，通过形貌凹凸识别和梯度正负修正法对步骤3中计算的形貌梯度值进行处理，获取表面形貌梯度的修正值，利用三点辛普生求积公式计算加工表面形貌的高度，以计算的高度作为加工表面形貌的高度实现加工表面形貌的重建；
所述步骤4具体为：
步骤4.1，提取经步骤2灰度处理的加工表面显微图像中间行的灰度变化曲线，识别各个灰度极大值的位置，以各个灰度极大值为中心，在原始图像中提取相同尺寸的子图像，计算各子图像对应的信息熵，并计算所有信息熵的平均熵，将信息熵低于平均熵的子图像区域定义为波谷；
步骤4.2，以图像中微观形貌各个波谷的位置为依据，定义波谷中心两侧灰度极小值之间的像素点为待定区域，将待定区域的形貌解析梯度修正为负值，保持其余区域的解析梯度值不变；
步骤4.3，假设图像上参考点A0在对应表面形貌坐标系的坐标为(x0，y0，z0)，则图像任一点在表面坐标系的坐标(xi，yj)，i＝1,2,3,…M；j＝1,2,3,…N，表述为：
同时，对应z轴的坐标zij表示为：
采用三点辛普生求积公式计算表面微观形貌的高度，具体流程如下：
第一步：从参考点A0坐标(x0，y0，z0)开始，计算图像水平方向上间隔一个像素点的高度值，计算表达式为：
则，该点的高度表达式为：
第二步：从参考点A0坐标(x0，y0，z0)开始，计算图像垂直方向上间隔一个像素点的高度值，计算表达式为：
则，该点的高度表达式为：
根据公式(19)和(21)计算与参考点A0同行列上间隔一个像素点的高度值，然后再以计算的高度值为参考点，计算其余像素点的高度值，实现切削加工表面微观形貌高度的计算，以计算的高度作为加工表面形貌的高度实现加工表面形貌的重建；
步骤5，提取步骤4重建的加工表面形貌，提取最大高度参数Rz、均方根高度参数Rq、轮廓单元的平均宽度参数Rsm和偏斜度参数Rsk参数，将提取的参数和加工要求对应的参数比较，进行加工表面质量评价。
2.根据权利要求1所述的一种基于单幅显微图像重建的加工表面质量在线检测方法，其特征在于，所述步骤1中利用显微镜对被测加工表面进行放大的具体过程为：被测加工表面位于显微镜物镜的焦平面上，点光源发出的光束经过聚光镜扩束准直成为平行光，分光镜使平行光的入射方向与光轴方向平行，光束通过物镜照射到加工表面上，加工表面的反射光透过物镜、分光镜和成像透镜到达光阑附近，光阑使物镜焦平面上反射光进入图像传感器，形成显微图像。
3.根据权利要求1所述的一种基于单幅显微图像重建的加工表面质量在线检测方法，其特征在于，所述步骤2中采用小波包变换方法对获取的灰度图像进行消噪和平滑处理。
4.根据权利要求1所述的一种基于单幅显微图像重建的加工表面质量在线检测方法，其特征在于，所述步骤3中依据图像像素点的灰度值，采用求导方法计算x向和y向的图像灰度梯度值。
5.根据权利要求1所述的一种基于单幅显微图像重建的加工表面质量在线检测方法，其特征在于，步骤3中根据图像的灰度梯度值，利用加工表面形貌的解析梯度模型的公式(14)计算形貌梯度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110813337.4A CN113658102B (zh) | 2021-07-19 | 2021-07-19 | 一种基于单幅显微图像重建的加工表面质量在线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110813337.4A CN113658102B (zh) | 2021-07-19 | 2021-07-19 | 一种基于单幅显微图像重建的加工表面质量在线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658102A CN113658102A (zh) | 2021-11-16 |
| CN113658102B true CN113658102B (zh) | 2024-02-06 |
Family
ID=78477447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110813337.4A Active CN113658102B (zh) | 2021-07-19 | 2021-07-19 | 一种基于单幅显微图像重建的加工表面质量在线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658102B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5125746A (en) * | 1990-06-07 | 1992-06-30 | Harold Lipshitz | Surface topography measurement apparatus and method |
| DE102016106535A1 (de) * | 2016-04-08 | 2017-10-12 | Carl Zeiss Ag | Vorrichtung und Verfahren zum Vermessen einer Flächentopografie |
| CN107514984A (zh) * | 2017-07-07 | 2017-12-26 | 南京航空航天大学 | 一种基于光学显微的三维表面形貌测量方法和*** |
| CN108171742A (zh) * | 2017-12-26 | 2018-06-15 | 太原理工大学 | 一种基于灰度梯度特征实现碳纤维复合材料表面形貌三维评定的方法 |
| CN109900704A (zh) * | 2019-03-12 | 2019-06-18 | 西安交通大学 | 在用齿轮磨损表面微观形貌原位三维重构方法 |
-
2021
- 2021-07-19 CN CN202110813337.4A patent/CN113658102B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5125746A (en) * | 1990-06-07 | 1992-06-30 | Harold Lipshitz | Surface topography measurement apparatus and method |
| DE102016106535A1 (de) * | 2016-04-08 | 2017-10-12 | Carl Zeiss Ag | Vorrichtung und Verfahren zum Vermessen einer Flächentopografie |
| CN107514984A (zh) * | 2017-07-07 | 2017-12-26 | 南京航空航天大学 | 一种基于光学显微的三维表面形貌测量方法和*** |
| CN108171742A (zh) * | 2017-12-26 | 2018-06-15 | 太原理工大学 | 一种基于灰度梯度特征实现碳纤维复合材料表面形貌三维评定的方法 |
| CN109900704A (zh) * | 2019-03-12 | 2019-06-18 | 西安交通大学 | 在用齿轮磨损表面微观形貌原位三维重构方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙林丽 ; 李言 ; 郑建明 ; .基于微观图像的加工表面3维形貌重建算法研究.中国图象图形学报.2010,(第06期),全文. * |
| 郭便 ; .基于计算机视觉的端铣表面粗糙度检测.新技术新工艺.2011,(第07期),全文. * |
| 郭便 ; 魏宏波 ; .基于明暗恢复形状的加工表面形貌重构与粗糙度检测.工具技术.2011,(第06期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658102A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dutta et al. | Application of digital image processing in tool condition monitoring: A review | |
| CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
| Peng et al. | Study of tool wear monitoring using machine vision | |
| Bradley et al. | Surface texture indicators of tool wear-a machine vision approach | |
| Ali et al. | Surface roughness evaluation of electrical discharge machined surfaces using wavelet transform of speckle line images | |
| US11636584B2 (en) | Real-time traceability method of width of defect based on divide-and-conquer | |
| Li et al. | An automatic and accurate method for tool wear inspection using grayscale image probability algorithm based on bayesian inference | |
| Wang et al. | 3-D particle surface reconstruction from multiview 2-D images with structure from motion and shape from shading (January 2020) | |
| Molleda et al. | Shape measurement of steel strips using a laser-based three-dimensional reconstruction technique | |
| CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
| Balasundaram et al. | In-process measurement of surface roughness using machine vision with sub-pixel edge detection in finish turning | |
| Suhail et al. | Vision based system for surface roughness characterisation of milled surfaces using speckle line images | |
| Mahashar Ali et al. | Surface roughness evaluation of milled surfaces by image processing of speckle and white-light images | |
| Dutta et al. | Digital image processing in machining | |
| Ali et al. | Surface roughness characterisation of turned surfaces using image processing | |
| Hashmi et al. | Surface Characteristics Measurement Using Computer Vision: A Review. | |
| Póka et al. | A robust digital image processing method for measuring the planar burr length at milling | |
| CN113658102B (zh) | 一种基于单幅显微图像重建的加工表面质量在线检测方法 | |
| Yu et al. | Visual texture-based 3-D roughness measurement for additive manufacturing surfaces | |
| Sun et al. | A two-stage vision-based method for measuring the key parameters of ball screws | |
| Alegre et al. | A new improved Laws-based descriptor for surface roughness evaluation | |
| Molleda et al. | A profile measurement system for rail manufacturing using multiple laser range finders | |
| Ali et al. | In-situ surface roughness evaluation of surfaces machined with EDM by image processing | |
| Leon | Model-based inspection of shot-peened surfaces using fusion techniques | |
| Sun et al. | Precision work-piece detection and measurement combining top-down and bottom-up saliency |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |