一种金属表面粗糙度的测量方法与流程

1.本发明涉及一种机械工程与机器视觉交叉技术，特别是一种采用激光结构光视觉进行金属表面粗糙度的测量方法。


背景技术：

2.在船舶、核工业、重型机械、车辆等大型设备的生产过程中，金属材料是一种常用的结构材料，其中黑色金属，尤其是钢铁的使用量十分庞大，在这些构件服役的过程中，难免会产生腐蚀等问题，进而造成了构件使用寿命的降低、使用可靠性的降低以及外在美观度的降低。对表面进行喷涂是解决黑色金属表面腐蚀问题的常用办法，为了提高喷涂材料与金属表面的结合性，经常要对金属表面进行喷丸和喷砂处理，以提高金属表面的粗糙度，同时去除表面氧化物等杂质。
3.金属表面喷丸和喷砂后，表面粗糙度的度量是决定喷涂质量的重要因素，因此，对表面粗糙度的测量是对喷丸、喷砂处理质量的重要衡量环节。目前，用于表面粗糙度测量的主要方法有比较样块目测法、显微镜调焦法、触针法以及复制带法，这些测量方法主要操作都依赖于人工，主要评价也依赖于工作人员的经验，存在测量效率低、测量客观性差、测量准确度低等问题。
4.另外，喷丸、喷砂环境都是比较恶劣的环境，操作工人在检测过程中也存在各种不健康和危险因素。因此，实现粗糙度测量的自动化是亟需解决的问题。近年来，机器视觉技术有了很大的进步，将机器视觉技术应用于粗糙度自动化测量将有助于该作业自动化程度的提高和精度的提高。


技术实现要素：

5.本发明所要解决的技术问题是针对现有技术的上述缺陷，提供一种采用激光结构光视觉进行金属表面粗糙度的测量方法。
6.为了实现上述目的，本发明提供了一种金属表面粗糙度测量的方法，其中，包括如下步骤：
7.s100、采用激光结构光3d视觉系统扫描被测金属的表面；
8.s200、当所述3d视觉系统的扫描平面与所述被测金属的表面不平行时，所述3d视觉系统对所述被测金属的表面进行调平并得到调平图像；
9.s300、所述3d视觉系统对所述被测金属表面进行扫描成像，获取所述被测金属的表面3d形貌；以及
10.s400、利用多种图像处理算法，对所述被测金属的表面粗糙度进行测量。
11.上述的金属表面粗糙度测量的方法，其中，步骤s200中，所述调平图像采用调平算法获得，所述调平算法包括如下步骤：
12.s201、对所述3d视觉系统扫描所述被测金属表面得到的原始图像i
sr
进行平滑，得到平滑图像i
sm
；
13.s202、用所述原始图像i
sr
与所述平滑图像i
sm
相减得到相减图像i
su
；以及
14.s203、将所述相减图像i
su
与所述原始图像i
sr
的平均值相加得到所述调平图像i
sl
。
15.上述的金属表面粗糙度测量的方法，其中，步骤s400中的多种图像处理算法包括：
16.s410、深度图像缺失信息补回算法；
17.s420、深度图像噪声去除算法；
18.s430、指定线段与区域粗糙度测量算法；
19.s440、改进抗干扰分水岭分割算法；以及
20.s450、抛砂抛丸沙坑参数统计算法。
21.上述的金属表面粗糙度测量的方法，其中，所述深度图像缺失信息补回算法，包括如下步骤：
22.s411、用形态学算子对调平图像i
sl
进行闭运算，得到闭运算图像i
sc
；
23.s412、查找所述被测金属的原始图像i
sr
的缺失点，所述缺失点的值为零，得到缺失区二值图像i
zb
；
24.s413、用所述缺失区二值图像i
zb
与所述闭运算图像i
sc
进行点乘，得到缺失区补回图像i
zr
；以及
25.s414、将所述缺失区补回图像i
zr
与原始图像i
sr
相加得到补回图像i
re
。
26.上述的金属表面粗糙度测量的方法，其中，所述深度图像噪声去除算法包括如下步骤：
27.s421、对所述补回图像i
re
进行拉普拉斯滤波，得到高频图像i
lp
；
28.s422、对所述高频图像i
lp
求绝对值，得到绝对高频图像i
al
；
29.s423、对所述绝对高频图像i
al
进行阈值分割，得到高频二值图像i
hb
和所述高频二值图像i
hb
的补集低频二值图像i
lb
；
30.s424、对所述补回图像i
re
进行中值滤波，得到中值图像i
me
；
31.s425、用所述高频二值图像i
hb
与中值图像i
me
进行点乘，得到高频平滑图像i
hs
；
32.s426、用所述低频二值图像i
lb
与所述补回图像i
re
点乘，得到低频补回图像i
ls
；以及
33.s427、将所述高频平滑图像i
hs
与低频补回图像i
ls
相加，得到去噪图像i
dn
。
34.上述的金属表面粗糙度测量的方法，其中，所述指定线段与区域粗糙度测量算法包括：
35.s431、区域粗糙的测量算法；以及
36.s432、线粗糙的测量算法。
37.上述的金属表面粗糙度测量的方法，其中，所述区域粗糙的测量算法包括：
38.s4311、设置粗糙度测量的测量区，以进行区域粗糙的测量；以及
39.s4312、在所述测量区的区域内找到最高点与最低点，并求所述最高点与最低点二值的差值。
40.上述的金属表面粗糙度测量的方法，其中，所述线粗糙的测量算法包括：
41.s4321、设置粗糙度测量的测量线，以进行线粗糙的测量；
42.s4322、获取所述测量线的每个像素点上的高度值；
43.s4323、将线段按照粗糙度测量要求分为n段；
44.s4324、求所述n段每段内的最高值与最低值，并求取最高值与最低值之间的差值；以及
45.s4325、求n段差值的平均值，得到线粗糙度。
46.上述的金属表面粗糙度测量的方法，其中，所述改进抗干扰分水岭分割算法用于实现所述被测金属的表面凹坑的分割，包括如下步骤：
47.s441、对去噪后的所述去噪图像i
dn
进行平滑，得到平滑图像i
sm
；
48.s442、用所述去噪图像i
dn
与所述平滑图像i
sm
相减得到边界图像i
ed
；
49.s443、用所述去噪图像i
dn
与所述边界图像i
ed
相加得到增强图像i
eh
；
50.s444、对所述增强图像i
eh
进行闭运算，得到闭合图像i
cl
；以及
51.s445、对所述闭合图像i
cl
进行分水岭算法，得到凹坑分割图像。
52.上述的金属表面粗糙度测量的方法，其中，所述抛砂抛丸沙坑参数统计算法包括如下步骤：
53.s451、求取每个凹坑的像素标记图，在所述像素标记图上统计凹坑的像素点数，根据比例关系求取凹坑面积；以及
54.s452、在所述像素标记图上求取凹坑的边界，并求所述凹坑的边界高度平均值、凹坑最深值及所述凹坑最深值与所述边界高度平均值的差值。
55.本发明的技术效果在于：
56.本发明采用激光结构光3d视觉系统，对金属表面进行扫描成像，获取金属表面的3d形貌，然后利用图像处理算法，对金属表面的粗糙度进行自动测量，至少具有如下优点：
57.1)采用激光机构光3d视觉来获取金属表面的粗糙度信息，可以为后续的粗糙度评价与分析提供可靠信息，同时为信息的长时间保存提供可能，该3d视觉机构配合移动机器人，可进一步实现大型构建表面粗糙度检测的全自动化；
58.2)采用在数字图像基础上的调平算法，解决了现有技术在激光结构光3d视觉的过程中，很难保证扫描机构扫描运动的轨迹与被扫描平面之间平行关系，严重影响后续的粗糙度评价的问题；
59.3)缺失信号补回算法具有较宽的尺度和形状适应性，解决了现有技术在激光结构光视觉中，由于金属表面的反光、凸起部分的遮挡等，造成激光结构光深度图像的局部信号缺失，且信号缺失区域大小不定、形状不定，缺失信号给后续的处理带来严重干扰的问题，同时解决了信号补回的可信度问题；
60.4)基于拉普拉斯算子和中值滤波相结合的噪声去除算法，对于噪声尺度和形状不敏感，且可以合理地估计噪声部位的原始信息；同时该算法全部采用卷积并行运算，具有良好的可操作性，配合并行运算的硬件，具有较高的实时性；
61.5)在深度图像基础上进行粗糙度测量，可以避开比较样块目测法、显微镜调焦法、触针法以及复制带法等方法中人为操作的偶然因素干扰，可以方便地确定粗糙度测量算法和统计算法的目标区域；同时可以有效地增加统计点，进而增加统计的可靠性；
62.6)采用改进的分水岭算法，有效避免了现有技术中微小下凹带来的过度分割问题，可准确地分割出每一个沙坑；
63.7)在数字图像技术上进行沙坑的统计分析，可以获取喷丸、喷砂凹坑的面积、面积的分布、凹坑的深度及深度的分布、凹坑的形状等信息，为喷丸、喷砂的工艺性提供了评价
依据，也为表面处理质量和喷涂质量的相关性研究提供了更丰富的信息。
64.以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
65.图1为本发明一实施例的方法流程图；
66.图2a-2d为本发明一实施例的金属标粗糙度图像处理效果图；
67.图3a-3b为本发明一实施例的改进的分水岭算法过度分割图像效果图；
68.图4为本发明一实施例的抛砂、抛丸沙坑参数统计的凹坑面积直方图；
69.图5为本发明一实施例的粗糙度测量算法结果图。
具体实施方式
70.下面结合附图对本发明的结构原理和工作原理作具体的描述：
71.现有技术的机器视觉技术中，3d视觉有多种方式，但相对而言，激光结构光视觉是一种精度高，且可靠性好的3d视觉方式，基于此背景，本发明采用激光结构光视觉进行金属表面扫描，并通过由深度信号到粗糙度测量许多关键环节的算法实现金属表面粗糙度的测量。
72.本发明的金属表面粗糙度的测量方法，采用激光结构光3d视觉系统，首先将视觉系统对被测平面按照调平算法进行调平，然后再对金属表面进行扫描成像，获取金属表面的3d形貌，然后利用多种图像处理算法，对金属表面的粗糙度进行自动测量。
73.参见图1，图1为本发明一实施例的方法流程图。本实施例的金属表面粗糙度测量的方法，包括如下步骤：
74.步骤s100、采用激光结构光3d视觉系统扫描被测金属的表面；
75.步骤s200、当所述3d视觉系统的扫描平面与所述被测金属的表面不平行时，所述3d视觉系统对所述被测金属的表面进行调平并得到调平图像；
76.步骤s300、所述3d视觉系统对所述被测金属表面进行扫描成像，获取所述被测金属的表面3d形貌；以及
77.步骤s400、利用多种图像处理算法，对所述被测金属的表面粗糙度进行测量。
78.步骤s200中，所述调平图像采用调平算法获得，该方法在扫描平面与被测平面不平行的情况下，具有调平功能，所述调平算法包括如下步骤：
79.步骤s201、对所述3d视觉系统扫描所述被测金属表面得到的原始图像i
sr
进行平滑，得到平滑图像i
sm
；
80.步骤s202、用所述原始图像i
sr
与所述平滑图像i
sm
相减得到相减图像i
su
；以及
81.步骤s203、将所述相减图像i
su
与所述原始图像i
sr
的平均值相加得到所述调平图像i
sl
。
82.本实施例的步骤s400中的多种图像处理算法包括五种图像处理算法，具体包括：
83.步骤s410、深度图像缺失信息补回算法；
84.步骤s420、深度图像噪声去除算法；
85.步骤s430、指定线段与区域粗糙度测量算法；
86.步骤s440、改进抗干扰分水岭分割算法；以及
87.步骤s450、抛砂抛丸沙坑参数统计算法。
88.其中，步骤s410中，所述深度图像缺失信息补回算法，是针对激光结构光视觉的缺失信息补回算法，包括如下步骤：
89.步骤s411、用形态学算子对调平图像i
sl
进行闭运算，得到闭运算图像i
sc
；
90.步骤s412、查找所述被测金属的原始图像i
sr
的缺失点，所述缺失点的值为零，得到缺失区二值图像i
zb
；
91.步骤s413、用所述缺失区二值图像i
zb
与所述闭运算图像i
sc
进行点乘，得到缺失区补回图像i
zr
；以及
92.步骤s414、将所述缺失区补回图像i
zr
与原始图像i
sr
相加得到补回图像i
re
。
93.步骤s420中，所述深度图像噪声去除算法包括如下步骤：
94.步骤s421、对所述补回图像i
re
进行拉普拉斯滤波，得到高频图像i
lp
；
95.步骤s422、对所述高频图像i
lp
求绝对值，得到绝对高频图像i
al
；
96.步骤s423、对所述绝对高频图像i
al
进行阈值分割，得到高频二值图像i
hb
和所述高频二值图像i
hb
的补集低频二值图像i
lb
；
97.步骤s424、对所述补回图像i
re
进行中值滤波，得到中值图像i
me
；
98.步骤s425、用所述高频二值图像i
hb
与中值图像i
me
进行点乘，得到高频平滑图像i
hs
；
99.步骤s426、用所述低频二值图像i
lb
与所述补回图像i
re
点乘，得到低频补回图像i
ls
；以及
100.步骤s427、将所述高频平滑图像i
hs
与低频补回图像i
ls
相加，得到去噪图像i
dn
。
101.步骤s430中，所述指定线段与区域粗糙度测量算法，包括两种粗糙的测量算法，其分别是区域粗糙的测量算法和线粗糙的测量算法，即：
102.步骤s431、区域粗糙的测量算法；以及
103.步骤s432、线粗糙的测量算法。
104.步骤s431的所述区域粗糙的测量算法包括：
105.步骤s4311、可自行设置粗糙度测量的测量区，以进行区域粗糙的测量；以及
106.步骤s4312、在所述测量区的区域内找到最高点与最低点，并求所述最高点与最低点二值的差值。
107.步骤s432的所述线粗糙的测量算法包括：
108.步骤s4321、可自行设置粗糙度测量的测量线，以进行线粗糙的测量；
109.步骤s4322、获取所述测量线上的每个像素点上的高度值；
110.步骤s4323、将线段按照粗糙度测量要求分为n段；
111.步骤s4324、求所述n段每段内的最高值与最低值，并求取最高值与最低值之间的差值；以及
112.步骤s4325、求n段差值的平均值，得到线粗糙度。
113.步骤s440中，所述改进抗干扰分水岭分割算法用于实现所述被测金属的表面凹坑的分割，包括如下步骤：
114.步骤s441、对去噪后的所述去噪图像i
dn
进行平滑，得到平滑图像i
sm
；
115.步骤s442、用所述去噪图像i
dn
与所述平滑图像i
sm
相减得到边界图像i
ed
；
116.步骤s443、用所述去噪图像i
dn
与所述边界图像i
ed
相加得到增强图像i
eh
；
117.步骤s444、对所述增强图像i
eh
进行闭运算，得到闭合图像i
cl
；以及
118.步骤s445、对所述闭合图像i
cl
进行分水岭算法，得到凹坑分割图像。
119.步骤s450中，所述抛砂抛丸沙坑参数统计算法，在凹坑分割的基础上，可以实现凹坑参数的统计分析，统计参数包括凹坑的面积、凹坑的深度等，包括如下步骤：
120.步骤s451、求取每个凹坑的像素标记图，在所述像素标记图上统计凹坑的像素点数，根据比例关系求取凹坑面积；以及
121.步骤s452、在所述像素标记图上求取凹坑的边界，并求所述凹坑的边界高度平均值、凹坑最深值及所述凹坑最深值与所述边界高度平均值的差值。
122.本发明采用激光结构光3d视觉系统，首先将视觉系统对被测平面按照调平算法进行调平，然后再对金属表面进行扫描成像，获取金属表面的3d形貌，然后利用多种图像处理算法，对金属表面的粗糙度进行自动测量。其工作原理为：
123.如图2a-2d所示，图2a为原始图像，可以看到原始图像的上半部亮度较暗，而下半部亮度较高，图2b为原始图像经过数字调平后的图像，可以看出该图像的上半部和下半部亮度已经较为均衡，表明其表面已无大范围的倾斜；图2c为通过缺失信号补回算法恢复的金属表面深度图，图2b中的信号缺失区域(黑色区域)，在图2c中已经完全补回，剩余部分黑色区域为噪声点；图2d为经过去噪算法得到的图像，黑色噪声区已经全部去除。
124.图3a-3b为通过分水岭算法分割后的凹坑图像，其中图3a为通用分水岭算法分割的凹坑图像，图3b为改进的分水岭算法分割的凹坑图像，可以看出，图3a产生了过度分割，而图3b分割的效果要远好于图3a分割的效果。
125.图4为在凹坑提取的基础上，进行直方图分析后的结果，本发明可以方便地得到其统计分布。图中，横轴为凹坑的面积，此处面积的单位为单个凹坑所占像素点的个数，每隔2000为一个区间，纵轴为该面积区间内出现的凹坑的个数。
126.图5为根据标准得到的粗糙度测量结果。图中横轴为测量线段上像素序列，该序列分为5段，每段对应的实际长度为2.5mm，用竖的虚线隔开，纵轴为线段上每个测量点的高度，代表金属表面的高度，单位为μm，在每段中求出一个最高点和最低点，最高点用*号表示，最低点用o表示。最后粗糙度的计算方式为先求每段最高点与最低点之间的差值，然后再求5个差值的平均值。
127.本发明采用激光结构光视觉进行金属表面粗糙度的测量，采用激光结构光3d视觉系统，对金属表面进行扫描成像，获取金属表面的3d形貌，然后利用图像处理算法，对金属表面的粗糙度进行测量。在扫描平面与被测平面不平行的情况下，还具有调平功能。图像处理算法包括在设定区域或设定线段情况下的粗糙度测量算法；针对激光结构光深度信号的缺失信号的补回算法；针对激光结构光深度信号的去噪算法；改进的分水岭算法，可实现复杂干扰情况下表面凹坑的分割；以及在凹坑分割的基础上，凹坑参数的统计算法。现有技术的表面检测主要关注粗糙度，本发明在粗糙度检测的基础上，增加了喷丸、喷砂表面凹坑的分析及相应的图像处理算法，为后续表面质量评价和工艺相关性分析提供了更为丰富的信息。
128.当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变
形都应属于本发明所附的权利要求的保护范围。