摘要:表面粗糙度是指加工表面上的小峰和不均匀峰谷的不均匀度,与机械零件的性能密切相关,对机械产品的寿命和可靠性有重大影响。粗糙度的可靠测量对制造业具有重要意义。目视检查加工表面粗糙度的方法已进一步自动化。它主要比较不同粗糙度的表面功率谱,然后提取相关的纹理特征,然后将此信息输入到神经网络中进行校准和测试。因此,分析了这种用于加工粗糙表面的视觉检查方法。
关键字:机械处理;表面粗糙度;测试
表面粗糙度是机械零件加工质量的主要指标之一,它对机械零件的寿命和性能有很大的影响。过去,传统的检测方法是找到加工纹理的主要方向,然后触摸探针以检测工件的轮廓,然后计算平均差,但是此误差非常大。但是,这种新的检测方法具有识别速度快,识别误差小等优点,被广泛使用。
1.中国粗糙表面加工视觉检查方法的现状分析
由于在加工零件时刀具残留在工件表面上的加工痕迹,堆积边缘的产生和分离,金属的塑性变形以及加工过程中机床的振动等导致的峰高和谷低以及表面之间的距离很小。由这种表面微观几何误差引起的峰和谷称为表面粗糙度或表面粗糙度,也称为微观不均匀性。即使经过精密加工,在显微镜下观察零件表面仍然很粗糙。整个表面层结构的特征是一系列具有不同幅度和间距的峰和谷。取决于处理方法的特性,表面上的细微不规则的分布可以是取向的或各向异性的。粗糙度主要是由残留面积,加工规模,结节,振动波纹和工具不均匀性以及材料本身的特性引起的。当前的粗糙度检测方法主要包括接触检测和非接触检测。一种常见的检测方法是首先找到已处理纹理的主方向,使用接触探针记录垂直于主方向的轮廓,然后测量轮廓的轮廓。算术平均偏差,精细不规则,轮廓的最大高度,轮廓的平均单峰间隔,精细不规则的平均间隔等表面粗糙度的研究分三个阶段进行。定性综合评估阶段; 2.量化和标准化的参数评估步骤; 3.定量高水平检测步骤。
随着表面测量精度的提高,表面形态变得越来越复杂,并且具有局部和整体自相似或统计自相似结构。 s。塞尔斯和其他人发现表面形态是一个不稳定且随机的过程。因此,传统的地面地形识别与表征理论和表征方法面临着严峻的挑战。为此,使用与标尺无关的“固有”参数来表征工程表面,获得对表面形态的科学解释,为进一步的功能研究奠定坚实的理论基础,并进一步控制和监控表面处理质量。需要寻找。提供可靠的依据。
2.探析机器人视觉来检测机械加工粗糙度的新方法
2.1取机械加工表面粗糙的纹理信息是研究该方法的首要工作
粗糙度是质量指标。从智能制造和质量控制的角度来看,我们希望可以在自动化制造过程中在线测量该指数,以形成一个闭环控制,以确保成品工件不达到设计的粗糙度指数。提出的粗糙度检测方法应在检测效率,抗干扰能力和检测精度方面具有优异的性能。首先是确定加工表面图像的纹理和表面粗糙度之间的关系。当加工表面轮廓上轮廓的最大高度较大时,轮廓的单个峰间距也会变大。换句话说,轮廓线的水平和近似指数具有一定的相关性,并且这些关系已成为视觉检查的基础。当加工的表面纹理是定向的时,其能量分布在频域中也是定向的(例如,计划,铣削和磨削)。在提取加工表面的特征之后,考虑到加工表面频谱的能量分布,本文从功率谱的能量分布中提取特征。
当轮廓线在加工表面轮廓上的最大高度较大时,轮廓线的单个峰间距也将较大。即,轮廓线的水平方向上的粗糙度指数和垂直方向上的指示符相互关联。性别。这种相关性可以通过图像反映出来。这是本文目视检查的基础。
在纹理分析中,图像傅立叶变换的功率谱可以在一定程度上反映某种纹理特征。如果图像的纹理粗糙,即图像的灰度几乎没有变化或缓慢变化为较小的值,则P应该具有较大的值,并且能量集中在低频段。否则,图像的纹理更加细腻,即,图像的灰度频繁或快速变化,具有较大的值P应该具有较大的值,并且能量集中在高频频带中。
2.2探析BP神经网络对粗糙度预测结果
人工神经网络是非数字,非算术,并行信息处理系统。它与典型的数字电子计算机不同,因此无需运行特殊程序即可完成某些任务。它由称为神经元的非常简单的微处理器组成,并且神经元以某种方式彼此连接,通过该方式,信号在元素之间传输,从而使元素彼此交互。利用这些相互作用,人工神经网络以独特的方式处理该问题,以模拟生物学上先进的神经活动。神经网络用于近似粗糙度函数神经网络采用BP网络首先,建立网络的结构模型输出层是使用线性激活函数的神经元神经元的输出值是加工表面的粗糙度和表面输入层的输入是上面提取的特征向量,包括输入层,中间层(隐藏层)和输出层。上层和下层完全连接,每层神经元之间没有连接。当一对训练样本提供给网络时,神经元的激活值通过每个中间层从每个输入层传播到输出层,并且输出层中的每个神经元都获得网络的输入响应。接下来,根据减少目标输出的方向和实际误差,从输出层到中间层对连接权重进行分层修改,最后改变回到输入层,该算法是“误差反向传播算法”,即。这是一种BP算法。本实验中使用的网络模型为:在输入节点的情况下,在输入节点的情况下,在每个单元的特征的激活功能之后,在操作之后,它首先传播到隐藏层的节点。
隐藏节点的输出信息被传播到输出节点,最后提供输出结果。网络的学习过程包括正向和反向传播。在正向传播过程中,每个神经元层仅影响下一个神经元。层神经元网络。如果输出层无法获得预期的输出,即实际输出与预期的输出之间存在错误,请转到反向传播步骤。误差信号沿原始连接通道返回并进行校正,以使每一层的神经元权重一一传播到输入层进行计算。基于BP神经网络的磨削表面粗糙度检测必须经历三个过程:神经网络样本的收集,神经网络模型的建立以及基于神经网络的检查。首先,训练神经网络需要一定数量的训练样本;训练样本太少不足以反映变量之间的确切关系;训练样本太多会增加神经元的数量,因此学习时间太长并且会影响学习。可能有效。在本文中,有9个具有不同粗糙度级别的磨削样本,并且收集了8个图像,每个样本总共9×8=72个样本,以获得足够数量的样本以更好地训练网络。采取54个训练样本和18个预测样本进行神经网络学习。通过比较不同隐藏层神经网络的预测结果来确定神经网络的最终模型。
其次,本主题的目的是建立一种磨削表面粗糙度检测系统,其目的是实现从图像的表面特征到表面粗糙度的非线性映射,并建立和输入图像特征与表面粗糙度之间的关系。层和输出层的含义非常清楚。最后,您需要测试您训练有素的网络,以查看它是否可以应用于您的实际应用程序。通过比较和验证,确保预测值和实际值具有良好的近似效果,平均精度可以达到93.8%。通过机器视觉技术和神经网络模型提取特征参数以实现磨削表面粗糙度检测的目的得以实现,从而证明了使用机器视觉方法测量表面粗糙度的可能性。
3.结论
这种识别加工表面粗糙度的方法主要是分析功率谱以提取各种类型的加工表面的特征,然后将它们输入到神经网络中进行训练和预测。测试结果准确,误差小。大大提高工作效率。
参考文献:
[1]唐君萍,张丽艳,刘胜兰,等.飞机复杂零件上大量小尺寸导孔的快速视觉检测[J].中国机械工程,2015,26(18):2456-2465.
[2]郝永鹏,于大国,李少敏,等.基于光视觉技术的深孔直线度检测系统[J].组合机床与自动化加工技术,2016(2):51-53.