论文部分内容阅读
零件表面粗糙度对零件的耐磨性、耐腐蚀性、接触刚度、抗疲劳能力以及使用寿命、可靠性等具有重要影响。随着产品对制造精度要求的不断提高,深孔内表面缺陷及粗糙的检测精度和效率也提出了越来越高的要求。接触式测量方法由于会在待测表面留下划痕且效率低,基于声、光、磁的非接触式测量方法原理复杂,操作环境要求高,近年来基于机器视觉和图像处理技术的表面粗糙度测量方法得到广泛的应用。本文提出一种基于内窥图像与深度学习的深孔内表面质量检测方法,解决深孔内表面缺陷以及粗糙度的快速检测与识别。本文在德国卡尔史托斯SP100-SI工业内窥镜的基础上,采用自行设计的定心装置获取了大量管板零件深孔内窥图像,根据深孔表面图像特征将深孔划分为螺旋孔、颤振孔、环形孔三种典型类型。对环形孔进行线切割后,采用莱卡DCM-3D激光共聚焦显微镜获取了试件表面三维形貌,为环形孔粗糙度识别提供了样本数据。对图像预处理进行了研究,设计了模板匹配圆心检测算法,该算法使用已知圆心和半径的灰度渐变圆作为匹配模板,通过将其与待检测边缘图像进行匹配运算来确定图像圆环纹理的中心和半径,并使用遗传优化算法来提高匹配算法的搜索效率,实现了深孔内窥图像圆心的快速准确检测。根据图像圆心对内窥图像进行了圆环截取,采用双线性插值方法对截取图像进行了插值与展开,获得了深孔内表面缺陷神经网络识别样本数据库。提出了采用卷积神经网络对深孔缺陷类型进行分类识别,研究了卷积神经网络结构与参数对分类识别性能的影响,建立了基于深孔内窥图像的孔表面缺陷类型分类的卷积神经网络,利用深孔内窥展开图像样本数据进行了卷积神经网络训练,测试样本分类结果表明所建立卷积神经网络可实现深孔内表面缺陷的准确分类识别,分类精度达93.48%。针对具有环形纹理的正常深孔内窥图像,采用灰度共生矩阵对不同粗糙度的深孔内表面展开图像进行了统计分析,研究了不同角度灰度共生矩阵特征参数与粗糙度的相关性,获得四个相关性强的特征参数,采用BP神经网络建立了孔表面粗糙度识别模型,完成了粗糙度参数识别BP神经网络的训练,试验测试结果表明所建立的BP神经网络粗糙度识模型可实现深孔内表面粗糙度参数的准确识别,识别精度可达84%。论文研究为深孔内表面缺陷分类与粗糙度检测提供了一种新的手段。