蔡林衡 沈杰 康轩尧
上海市质量监督检验技术研究院
摘要：在科技飞速发展中，以机器视觉为核心的非接触性测量技术，在工业领域范围中得到了广泛应用。这种方法具有高效率、高时效性、以及非接触性等优势，所以在测量机械零件尺寸，提升工业生产效率和质量等工作中具有积极作用。因此，本文在了解当前行业发展背景的基础上，根据这一技术工作原理分析实际非接触性粗糙度测量技术内容。
关键词：机器视觉；非接触式；粗糙度；测量；图像处理
0引言：在工业生产中，机器零件的尺寸，测量及其结果直接决定了最终生产产品的效果和实践工作效率。了解以往工业领域中所运用的测量技术可知，其并不能满足实际生产对产品规格的要求，而选用基于机器视觉的非接触式粗糙度测量技术，不仅能满足产品标准测量要求，而且可以快速得到产品规格信息。
1.背景介绍
在社会经济不断进步中，机器产品研究与生产在行业创新中得到了重视。由于机器设计与制造和零件的数值、质量等有直接关系，所以针对机器零件的检测逐渐成为一项基础且重要的工作内容。国内大部分参与机器加工的企业在产品规格测量中还是运用千分尺、百分表等常规技术形式，不仅需要消耗大量的人力成本和工作时间，而且还会降低测量速度，影响最终可信度。因此，大力开发低成本、高回报、高精确度的产品规格测量技术成为我国机械产品制造领域持续发展关注的焦点。在这一背景下，国内外大部分科研学者加大了零件测量的理论分析与实践探索，期望从中寻找到测量机解零件尺寸的最优方法。在大数据时代下，以机械视觉技术为核心的全新理念被引用到多个领域中，既用机械设备取代了传统意义上的人工，又增强了实践应用的效率和质量。尤其是对机械生产加工行业来说，这一技术形式的优势更加明显。
2.工作原理
从本质上讲，以机器视觉为核心的产品规格测定方法，就是将被检测产品放在载物台面上，在图形处理的影响下，以均匀恒定的速度移动到图形传导的下方。经过光数照射，被测产品将会在图形传导仪中显示图形，图形传导仪会让显示出来的模拟图形传递到收集设备当中，而后变成数字图形数据，接下来就可以利用这些数据进行计算和显形。
3.基于机器视觉的非接触式粗糙度测量技术分析
3.1图像处理
在利用机器视觉为核心的产品规格测量工作中，最为关键的就是图像处理工作。在这一过程中，因为收集设备或传导媒介等区域存在问题，所以很容易出现不同程度上的噪音，导致部分图形丢失重要信息，这样必然会影响图形的显现效果。由此，要在实践工作中不断优化产品图像的收集，这也是保障产品规格检测质量的重要工作。具体分为：
第一，灰度变换。这项工作就是将初始图片当中的像素灰度值，按照特定的转换原理，变成不同程度的灰度值，并将其传送到规定区域内。结合实践操作分析，灰度转化就是利用三维条件下的图形显化处理，将其最初的图形灰度值变成不同程度但彼此相对的图形灰度值，这对后期图形显现而言具有积极作用。常见内容包含直方图及其规定化等；
第二，噪声处理。
在收集、转化以及运输图形的过程中噪音无处不在，此时产品图形很容易受噪音影响降低最终显现效果，且难以保证产品测定数据的精准性。因此，为了提升以机器视觉为核心的测量质量，必须要严控噪音对图形的影响。结合实践案例分析，出现噪音的原因主要有两方面，一方面为外界因素，另一方面为内部因素。前者因为没有征兆所以难以防范；而后者作为本文探讨的核心内容，出现原因有像素分辨率、组成构建的质地、内部电路等。在以往工作中降低或清除噪音的主要方式为常规滤波算法，但在以机器视觉为核心的产品规格测量中，要想得到初始图像，要根据某种特定噪音选择适宜的滤波算法。常见的有领域平均法、掩膜去噪法等。而在现如今的测量工作中，工作人员还提出了以小波变换为核心的模极去值去噪法，其不仅在时域和频率中都具有极强的局部化特征和多分辨率分析性，而且构建了非线性过程的噪音清除的方式，在实践应用中可以最大化的削减噪音；
第三，图像二值化。在分析图像中，部分检测需要提取关心图像，这就需要工作人员将目标图像从某个特定区域或部分分离出来并进行提取，这也被叫做图像分割。图像的二值化作为图像预处理的基本工作，从本质上讲，就是利用合理的阈值扫描整体图像的像素，并对比分析像素的灰度值与阈值。如果前者超过后者，那么这一像素就可以标记为1，反之则标记为0，这样在结束扫描工作后，就能得到一幅只具有0和1的图像；
第四，边缘检测。因为图像边缘包含非常丰富的信息，也属于图像的基本特征，所以利用边缘检测技术进行处理，也是以机器视觉为核心测量工作的重要环节，其直接决定测量数据的精准度。本文所选用的方法为以小波变换为核心的多尺度边缘检测算法。
3.2零件图像的几何测量
在机器视觉测量中，根据产品图像的边缘点集来明确测量零件的几何特征，需要利用Hough转化方法进行操作。这种方法是进行明确、寻找直线以及剖析曲线的过程，在实践应用中可以从图像概念向规格概念而转化。通过将被测图像中的曲线和直线转化看作规格概念中的某个点，也可以将上面的所有点转变成规格背景下的峰值，这样不仅能对全局的定性过程转化进行了解，而且可以得到部分定性过程。这种方法并不会受外界因素的影响，不管是在图形加工还是模型确定等工作中都具有积极作用。本文在研究中，还需要利用圆件测算法进行分析，其本质原理就是结合多数边界点普遍符合的规格特征来明确图形当中的曲线，而后利用累加仪进行处理，得到峰值所代表的点也就是目标的讯息。这一项检测技术的可信度极高，虽然随着范围的扩大，实际操作难度也会提高，但只要结合实验操作要求进行技术优化，依旧可以在测量中展现积极作用。
结语
综上所述，在新时代背景下，为了更好满足行业发展需求，提升实际测量效率和质量，大力推广与机器视觉为核心的非接触测量技术，是行业发展的必然选择。
参考文献
[1] H.H.Shahabi, M.M.Ratnam, 麻彦轩. 基于机器视觉的车削零件非接触式粗糙度测量技术[C]// 中国航空学会. 中国航空学会, 2014.
[2] 臧俊涛. 基于机器视觉与机器学习的磨削齿面粗糙度测量研究[D]. 湖南大学, 2018.
[3] 张卿. 基于机器视觉的齿轮齿面粗糙度检测方法研究[D]. 湖南大学, 2018.
[4] 安倩楠. 基于加工表面显微图像的卷积神经网络粗糙度识别技术研究[D]. 西安理工大学, 2019.