[发明专利]基于支持向量回归机的表面粗糙度测量方法

说明书

技术领域:

本发明涉及一种基于支持向量回归机的表面粗糙度测量方法，尤其适用于磨削加工过程中金属表面质量检测。

背景技术:

表面粗糙度是评定工件表面质量的重要参数，影响着工件的使用性能和寿命。目前工业中用于测量表面粗糙度的方法大概可以分为接触式和非接触式两种。接触式的测量方法一般是使用测头接触表面进行测量，容易造成划痕等表面损伤和测头的磨损；非接触式的测量方法又可以分为超声波、声发射和光学方法等，不会对表面造成损伤，目前得到了广泛的应用。其中，基于光散射原理的测量方法具有灵敏度高、结构简单、对环境要求不高等特点，适用于工业环境下的在线测量。近些年来，机器视觉技术也被应用于表面粗糙度的测量中。

吴春亚等利用机器视觉系统采集工件表面经过显微镜所成的图像，并利用BP神经网络获得了磨削表面的表面粗糙度。该方法需要使用显微镜，且对光源的要求比较高，不太适用于工业现场的测量。于德介等利用不同粗糙度的散射图像，建立多分类支持向量机模型，实现了磨削表面粗糙度等级的识别。然而，这种方法只能识别出粗糙度的等级信息，不能获得具体的粗糙度数值。

发明内容:

发明目的：为了克服上述现有技术的不足，本发明目的在于提供一种基于支持向量回归机的表面粗糙度测量方法，以获得工件表面粗糙度的具体数值。

技术方案：本发明为实现上述目的，所采用的技术方案为：

基于支持向量回归机的表面粗糙度测量方法，包括如下步骤：

(1)通过准直激光束斜射到工件表面，使用相机拍摄携带有表面粗糙度信息的反射和散射光空间分布图像，获取不同粗糙度标准样块的散射图像；

(2)从步骤(1)中获取的每幅散射图像中提取特征参数作为样本集；所述特征参数包括散射特征参数、亮点比和亮点灰度比，所述散射特征参数包括长轴方向平均方差和短轴方向平均标准差，其中长轴方向为散射图像中狭长光带的主方向，短轴方向为与长轴垂直的方向；

(3)将样本集分为测试样本集和训练样本集，并选择支持向量机的算法和核函数；

(4)选取对应于训练样本集的支持向量回归机模型参数；

(5)建立支持向量回归机模型，并用测试样本测试该模型的精确度，若没有达到符合要求的精确度，则重复(3)、(4)、(5)步骤，直到精度达到要求，得到最优模型；

(6)实际测量时，获取散射图像并提取特征参数，根据最优模型即可得到被测工件的表面粗糙度数值。

作为优选，步骤(1)中准直激光束以设定角度的入射角斜射到工件表面，在设定角度的反射方向上放置高度与激光器高度一致的毛玻璃屏，使用相机拍摄毛玻璃屏上的散射图像。

作为优选，所述长轴方向平均方差为首先对平行于短轴方向上各条线的灰度值求平均，得到沿长轴方向的一系列平均值求方差；短轴方向平均标准差为首先对平行于长轴方向上各条线的灰度值求平均，得到沿短轴方向的一系列平均值求标准差。

作为优选，所述亮点比是指高于阈值的亮点数与采样点总数的比值；所述亮点灰度比是指高于阈值的亮点灰度值与整个图像灰度值之和的比值。

作为优选，从散射图像中提取特征参数使用Matlab语言实现，并转换成Jar包以供Java程序使用，支持向量回归机模型的训练和测试使用Java语言实现。

作为优选，步骤(3)中选择epsilon-SVR算法和RBF函数分别为支持向量机的算法和核函数。

作为优选，步骤(4)中参数包括RBF核函数中的γ参数，惩罚系数C和epsilon-SVR的损失函数中的epsilon值p。

有益效果：与现有技术相比，本发明的有益效果体现在：

1)基于激光散射的原理构建了相对简单的测量系统，适用于各种测量环境和测量对象，并且能够实现在线检测；2)从散射图像中提取出长轴方向平均方差、短轴方向平均标准差、亮点比和亮点灰度比等有效的特征参数，并采用支持向量回归机建立模型，能够准确的得到工件表面粗糙度的具体数值而不是一个范围，提高了测量的精度，同时代码运行速度较快，提高了测量的速度；3)采用Java和Matlab混合编程的方式，整合了Java跨平台、可移植、高性能的优势以及Matlab图像处理方便、功能齐全等优点。这种方式可以将程序移植到各个平台上使用，方便用于现场以及测量仪器的开发，降低成本。

附图说明:

图1基于支持向量回归机的表面粗糙度测量方法流程图。

图2不同粗糙度对应的光散射分布图。

具体实施方式：