1.本发明涉及粗糙度测量技术领域，特别是一种基于基准图像质量算法的粗糙度测量方法。
背景技术：2.粗糙度的测量方法可分为接触式测量和非接触式测量，接触式测量以触针式轮廓仪为主，非接触式测量以光学测量为主。触针法测量是线采样，线采样无法准确表征一个区域的表面粗糙度；另外触针法测量精度受限于触针半径大小，当表面粗糙度低于2.5μm时，触针测量存在着一定的系统误差，且接触式测量不能完全避免对工件表面的划伤；再者，触针式测量对环境要求高、操作不便，无法用于高标准的自动化在线测量。基于非接触式的光学测量方法则因设备昂贵、受生产现场环境影响大、操作不便和效率低等缺点限制了其在工程领域的应用。
3.由于基于机器视觉的测量技术具有获取信息量大、精度高、非接触式、效率高、柔性好、性价比高等优点，被很多学者应用到粗糙度测量中，并且取得了一系列良好的成果。基于机器视觉的粗糙度测量本质上是基于光学原理的测量方法，主要过程是利用工业相机采集工件的表面图像，然后提取图像中与表面粗糙度参数相关的特征指标，构建特征指标与粗糙度之间的关系模型，进而可以通过对待测样块进行图像采样预测其表面粗糙度。但现有技术中的所指指标均没有基准的指标，改变光源亮度后，指标的数值变化大，很难实现对光源的鲁棒。
技术实现要素：4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述和/或现有的粗糙度测量中存在的问题，提出了本发明。
6.因此，本发明的目的是提供一种基于基准图像质量算法的粗糙度测量方法，其能实现磨削样块粗糙度的检测，精度高。
7.为解决上述技术问题，本发明提供如下技术方案：一种基于基准图像质量算法的粗糙度测量方法，使用到的测量装置包括工作台、色块和图像采集器，工作台上侧设置有磨削样块，磨削样块的检测面朝上水平放置，光源经色块发射出的光线与磨削样块上表面的夹角为45
°
，图像采集器的光轴和磨削样块上表面的夹角为45
°
，图像采集器的光轴和光线照射在磨削样块上表面时的夹角为90
°
，包括以下步骤，
8.设置n个已经标定的样块，设定拍摄次数i的初始值为1；
9.使用相机对第i个样块进行拍摄；
10.将i+1后的值赋给新的i；
11.判断新的i是否超过n，若i不大于n，返回拍摄步骤，否则拍摄结束；
12.计算每个图像的特征值，构建粗糙度的预测模型。
13.作为本发明所述基于基准图像质量算法的粗糙度测量方法的一种优选方案，其中：所述光源具有m种不同等级。
14.为了进一步实现图像特征值的计算，第i个图像的特征值vsissim，其计算公式为，
[0015][0016][0017][0018][0019][0020][0021][0022][0023]
vsm(x)＝max(vs1(x),vs2(x))；
[0024][0025]
ω的范围是整个图片的空间域，vs1(x)为第一张图片的局部视觉显著性值，vs2(x)为第二张图片的局部视觉显著性值，g1(x)为第一张图片的局部梯度值，g2(x)为第二张图片的局部梯度值，g(x)为图像局部梯度，g
x
(x)为图像横向局部梯度，gy(x)为图像纵向局部梯度，sc(x)为两张图片的色度相似度，m1(x)为第一张图片的m通道，m2(x)为第二张图片的m通道，n1(x)为第一张图片的n通道，n2(x)为第二章图片的n通道，c1为避免分母中出现分母为0的情况而设置的常数，c2为避免分母中出现分母为0的情况而设置的常数，c3为避免分母中出现分母为0的情况而设置的常数，r、g、b分别为图片的红色、绿色、蓝色通道，vsm(x)为两张图片在局部的视觉显著性最大值，即局部权重，σ1(x)为第一张图片的标准差，σ2(x)为第
二张图片的标准差，σ
12
为两幅图片的协方差，c4是为了避免分母出现0而设置的常数。
[0026]
为了进一步实现粗糙度的检测，不同光源等级下每个样块粗糙度的值为，
[0027][0028][0029]
为m个光源亮度等级中，拟合系数最高的曲线，n＝1、2、3、4
…
n，n为样本总数量，n为n个样本的索引值，m为光源亮度等级的数量，f(x)是对应光源等级下粗糙度与vsissim特征值的相关曲线。
[0030]
本发明的有益效果：本发明为磨削表面粗糙度的非接触测量提供了简便、高效、科学的检测方法，将视觉显著性与结构信息结合进一步凸显图像特征，同时将局部结构信息作为区域权重对整个图像加权能更好的体现磨削样块表面不同区域粗糙度的不同，提高粗糙度的测量精度。
附图说明
[0031]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0032]
图1为本发明中测量装置的结构示意图。
[0033]
图2为本发明中光源等级为55时粗糙度和特征值vsissim的关系图。
[0034]
图3为本发明中光源等级为65时粗糙度和特征值vsissim的关系图。
[0035]
图4为本发明中光源等级为75时粗糙度和特征值vsissim的关系图。
[0036]
图5为本发明中光源等级为85时粗糙度和特征值vsissim的关系图。
[0037]
图6为本发明中光源等级为95时粗糙度和特征值vsissim的关系图。
[0038]
其中，1虚像，2色块，3光源，4图像采集器，5计算机，6磨削样块。
具体实施方式
[0039]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0040]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0041]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0042]
实施例1
[0043]
参照图1，为本发明的第一个实施例，该实施例提供了一种基于基准图像质量算法的粗糙度测量方法，使用该测量装置实现磨齿所有齿面的粗糙度测量，检测方便，效率高。
[0044]
一种基于基准图像质量算法的粗糙度测量方法，测量时使用到的测量装置包括工作台、色块和图像采集器，工作台上侧设置有磨削样块，磨削样块的检测面朝上水平放置，光源经色块发射出的光线与磨削样块上表面的夹角为45
°
，图像采集器的光轴和磨削样块上表面的夹角为45
°
，图像采集器的光轴和光线照射在磨削样块上表面时的夹角为90
°
，包括以下步骤，
[0045]
设置n个已经标定的样块，设定拍摄次数i的初始值为1；
[0046]
使用相机对第i个样块进行拍摄；
[0047]
将i+1后的值赋给新的i；
[0048]
判断新的i是否超过n，若i不大于n，返回拍摄步骤，否则拍摄结束；
[0049]
计算每个图像的特征值，构建粗糙度的预测模型；
[0050]
其中，光源具有m种不同等级。
[0051]
为了进一步实现图像特征值的计算，第i个图像的特征值vsissim，其计算公式为，
[0052][0053][0054][0055][0056][0057][0058][0059][0060]
vsm(x)＝max(vs1(x),vs2(x))；
[0061][0062]
ω的范围是整个图片的空间域，vs1(x)为第一张图片的局部视觉显著性值，vs2(x)为第二张图片的局部视觉显著性值，g1(x)为第一张图片的局部梯度值，g2(x)为第二张图片的局部梯度值，g(x)为图像局部梯度，g
x
(x)为图像横向局部梯度，gy(x)为图像纵向局部梯度，sc(x)为两张图片的色度相似度，m1(x)为第一张图片的m通道，m2(x)为第二张图片的m通道，n1(x)为第一张图片的n通道，n2(x)为第二章图片的n通道，c1为避免分母中出现分母为0的情况而设置的常数，c1取为1.27，c2为避免分母中出现分母为0的情况而设置的常数，c2取为386，c3为避免分母中出现分母为0的情况而设置的常数，c3取为130，r、g、b分别为图片的红色、绿色、蓝色通道，vsm(x)为两张图片在局部的视觉显著性最大值，即局部权重，σ1(x)为第一张图片的标准差，σ2(x)为第二张图片的标准差，σ
12
为两幅图片的协方差，c4是为了避免分母出现0而设置的常数，通常取c4＝(k1×
l)^2,一般地k1＝0.01,l＝255(l是像素值的动态范围，一般取为255)。
[0063]
假设有m种不同等级的光源以及n个已经标定的样块，每种光源等级下首先使用ccd相机对n个样块拍摄，得到n张图片(将其中粗糙度最小的图片设置为参考图片)，其次每张图片都会由vsissim指标得出一个特征值，最后将n个特征值与对应的n个样块的粗糙度使用最小二乘法拟合，得到该光源等级下样块粗糙度与vsissim特征值的相应曲线，有如下对应关系：
[0064][0065]
取其中相关系数最高(r
2max
)的拟合曲线作为基准曲线，那么其余光源等级拟合曲线相对于基准曲线的差值系数可以表示为：
[0066][0067]
不同光源等级下的拟合曲线可转化为由基准曲线表示：
[0068]
则不同光源等级下每个样块粗糙度的值为：
[0069][0070]
为m个光源亮度等级中，拟合系数最高的曲线对应的特征值，n＝1、2、3、4
…
n，n为样本总数量，n为n个样本的索引值，m为光源亮度等级的数量，为m光源亮度等级下n样本的特征值，n＝1、2、3、4
…
n，n为n个样本的索引值，m为光源亮度等级的数量，f(x)是对应光源等级下粗糙度与vsissim特征值的相关曲线。
[0071]
实施例2
[0072]
参照图2，为本发明的第二个实施例，该实施例采用科学实验验证测量方法的技术效果，具体为，色块由两个小块组成，一半是红色，另一半是绿色。色块尺寸为150mm
×
150mm，色块与试件表面的夹角为45
°
，led白光光源垂直放置。同时，led白光光源与色块夹
角为45
°
。摄像机光轴平行于该色块，垂直于该色块的虚拟图像。从led白色光源发出的光通过色块转化为红绿结构光源，红绿结构光源经过磨削样块表面反射，在其表面形成虚像，被ccd相机捕捉。ccd相机与计算机相连，可以在线观察和采集图像。色块、样品和ccd相机的相对位置由参数d1、d2、d3、h1和h2控制。在本文中，参数d1、d2、d3、h1和h2的值分别为100mm、220mm、245mm、60mm和100mm。考虑到日光灯有频闪现象，本实验采用led白色光源，通过光源控制器量化控制光源亮度等级为55、65、75、85、95，5个光源等级，分别对应603lux、733lux、863lux、991lux、1119lux。为避免环境光的影响，实验在暗箱中进行。
[0073]
图像采集器为500万像素basler彩色ccd相机，光源为opt-co100型led白色光源，使用光源控制器和计算机连接，计算机运行在64位windows 10系统上，计算机上安装了opt controllerdemo软件和plyon view软件(其为现有技术)，opt controllerdemo软件结合光源控制器量化控制光源等级(光源有256个亮度等级)，plyon view软件用于控制ccd相机抓拍并且保存样块图片。
[0074]
测量时，先进行图像采样，采样时尽量保证红色与绿色区域对等，且保证每一幅原始图像的采样区域一致；对样块表面粗糙度进行数值标定，其过程是采用触针式粗糙度测量装置对每个样块测量六次纹理参数(触针的运动方向垂直于样块纹理方向)，且为了客观表征样块表面真实粗糙度，采样区域均匀分布，取平均值作为样块粗糙度；根据采集的图像进行提出的特征指标数值计算；根据实施例1中的内容构建预测模型，首先选择预测函数，构建r＝f(x)函数(r表示粗糙度参数，x表示图像特征指标数值)；其次以误差最小的方式求解函数的参数，即求解min[f(xi)-yi]2以此确定方程，其中(xi,yi)为给定待拟合数据点；最后，对比不同预测函数，选择所有模型中误差最小、且粗糙度与特征指标关系单调的作为预测模型。
[0075]
取光源等级55为例，使用最小二乘法构建预测模型，如图2所示，改进后的vsissim指标与ra之间存在很强的关联性，其r2的值达到了0.98；
[0076]
取光源等级65为例，使用最小二乘法构建预测模型，如图3所示，改进后的vsissim指标与ra之间存在很强的关联性，其r2的值达到了0.94。
[0077]
取光源等级75为例，使用最小二乘法构建预测模型，如图4所示，改进后的vsissim指标与ra之间存在很强的关联性，其r2的值达到了0.96。
[0078]
取光源等级85为例，使用最小二乘法构建预测模型，如图4所示，改进后的vsissim指标与ra之间存在很强的关联性，其r2的值达到了0.95。
[0079]
取光源等级95为例，使用最小二乘法构建预测模型，如图4所示，改进后的vsissim指标与ra之间存在很强的关联性，其r2的值达到了0.96。
[0080]
从以上可以看出，本发明在不同光源下设计的指标与ra粗糙度之间具有强关联性且随着光源亮度等级的变化，不同光源之间的曲线趋势几乎不变，可以得知光源对指标的影响可以忽略不计，进而实现对光源的鲁棒。
[0081]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
技术特征：1.一种基于基准图像质量算法的粗糙度测量方法，其特征在于：使用到的测量装置包括工作台、色块和图像采集器，工作台上侧设置有磨削样块，磨削样块的检测面朝上水平放置，光源经色块发射出的光线与磨削样块上表面的夹角为45
°
，图像采集器的光轴和磨削样块上表面的夹角为45
°
，图像采集器的光轴和光线照射在磨削样块上表面时的夹角为90
°
，包括以下步骤，设置n个已经标定的样块，设定拍摄次数i的初始值为1；使用相机对第i个样块进行拍摄；将i+1后的值赋给新的i；判断新的i是否超过n，若i不大于n，返回拍摄步骤，否则拍摄结束；计算每个图像的特征值，构建粗糙度的预测模型。2.如权利要求1所述的基于基准图像质量算法的粗糙度测量方法，其特征在于：所述光源具有m种不同等级。3.如权利要求1或2所述的基于基准图像质量算法的粗糙度测量方法，其特征在于：第i个图像的特征值vsissim，其计算公式为，个图像的特征值vsissim，其计算公式为，个图像的特征值vsissim，其计算公式为，个图像的特征值vsissim，其计算公式为，个图像的特征值vsissim，其计算公式为，个图像的特征值vsissim，其计算公式为，个图像的特征值vsissim，其计算公式为，个图像的特征值vsissim，其计算公式为，vs
m
(x)＝max(vs1(x),vs2(x))；
ω的范围是整个图片的空间域，vs1(x)为第一张图片的局部视觉显著性值，vs2(x)为第二张图片的局部视觉显著性值，g1(x)为第一张图片的局部梯度值，g2(x)为第二张图片的局部梯度值，g(x)为图像局部梯度，g
x
(x)为图像横向局部梯度，g
y
(x)为图像纵向局部梯度，s
c
(x)为两张图片的色度相似度，m1(x)为第一张图片的m通道，m2(x)为第二张图片的m通道，n1(x)为第一张图片的n通道，n2(x)为第二章图片的n通道，c1为避免分母中出现分母为0的情况而设置的常数，c2为避免分母中出现分母为0的情况而设置的常数，c3为避免分母中出现分母为0的情况而设置的常数，r、g、b分别为图片的红色、绿色、蓝色通道，vs
m
(x)为两张图片在局部的视觉显著性最大值，即局部权重，σ1(x)为第一张图片的标准差，σ2(x)为第二张图片的标准差，σ
12
为两幅图片的协方差，c4是为了避免分母出现0而设置的常数。4.如权利要求1或2所述的基于基准图像质量算法的粗糙度测量方法，其特征在于：不同光源等级下每个样块粗糙度的值为，个样块粗糙度的值为，个样块粗糙度的值为，为m个光源亮度等级中，拟合系数最高的曲线，n＝1、2、3、4
…
n，n为样本总数量，n为n个样本的索引值，m为光源亮度等级的数量，f(x)是对应光源等级下粗糙度与vsissim特征值的相关曲线。
技术总结本发明公开了一种基于基准图像质量算法的粗糙度测量方法与方法，测量装置包括工作台、色块和图像采集器，工作台上侧设置有磨削样块，磨削样块的检测面朝上水平放置，光源经色块发射出的光线与磨削样块上表面的夹角为45
技术研发人员：路恩会 郭耀村 佟哲 孙进 朱兴龙 刘坚
受保护的技术使用者：扬州大学
技术研发日：2022.07.22
技术公布日：2022/11/1
