一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法技术

本发明专利技术公开了一种基于改进直方图均匀化方法针对工件表面粗糙度检测的优化方法，涉及机器视觉图像检测领域，为针对工件表面视觉检测的精度优化提升。具体实现步骤为：(1)利用工业相机采集粗糙度图片(2)对采集图片进行增广扩充并构建数据集(3)将处理好的数据集划分为训练集与测试集(4)构建卷积神经网络和数据增强算法(5)对神经网络模型进行训练(6)利用训练好的模型对原始测试集以及增强测试集进行预测(7)输出测试结果并对比精度提升效果。提供的改进直方图均匀化算法能够提高被测件表面特征增强纹理结构，从而使得模型检测精度提升。升。升。

【技术实现步骤摘要】
一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法

：
[0001]本专利技术属于机器视觉图像质量检测领域，具体涉及一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法。
技术背景：
[0002]工业的发展随着科技的进步在生产效率上的提升有着卓越的进展。而现代工业的生产过程中计算机技术的进步，对于一个生产领域的升级有着举足轻重的作用。其中在机器视觉领域的技术已经广泛应用于机械质量检测。如零件表面缺陷检测、螺杆尺寸分级检测、工件表面粗糙度检测等。工件表面粗糙度对于机械设备工作过程中、零件配合中、金属生产的抗腐蚀性能评估中、器械整体可靠性评定中有着非常关键的作用。所以，对于工件表面粗糙度的检测显得尤为重要。
[0003]现代粗糙度检测领域有接触式和非接触两大类，接触测量法主要是以表面粗糙度轮廓测量对工件表面直接测量，但是此方法存在效率慢，不能对产品进行批量化检测，以及可能会损伤被测工件的表面质量。所以，非接触的机器视觉检测在工业的应用中占有很大的比重。而随人工智能技术的发展，深度学习领域中的卷积神经网络对于非接触式测量技术提供了很大的技术提升。对比与传统的机器视觉算法的检测方法更加迅速且更加稳定，并在检测精度上也有一定的保证。
[0004]卷积神经网络在模型部署之前需要进行训练集的大量迭代训练进行权重分配学习，针对利用已经训练好的神经网络模型，在面对部署与实际检测中的精度往往不如训练时的精度，其中最直接的原因就是被检测过程的工件表面粗糙度样本特征不够明显导致。在生产检测过程中，各种环境因素的影响对于获取图像的表面质量造成了干扰，使得最后网络模型的检测精度下降。所以，如何设计一种能够优化工件表面粗糙度检测的方法，提高深度网络模型的检测的精度是现代机器视觉图像检测领域亟待解决的问题。

技术实现思路
：
[0005]本专利技术提供了一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法，目的是为了使机器视觉领域中利用深度模型对工件表面质量检测过程时能够提高检测精度，在模型部署时，对于实际检测过程中的检测结果精度能够优化提升，克服深度模型在预测过程中表现相对较差的效果。
[0006]本专利技术提供了一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法，包括以下步骤：
[0007]步骤一：采集立铣工件粗糙度金属样块表面图像；
[0008]步骤二：对数据进行增广构建粗糙度数据集；
[0009]步骤三：将步骤二中构建的粗糙度样块图片数据集进行划分，分成80％的训练集，和20％的测试集；
[0010]步骤四：构建卷积神经网络模型，模型结构主要包括输入层、卷积层、最大池化层、输出层。构建增强算法，算法是以改进的直方图均匀化方法实现数据增强，对划分好的粗糙度样块图像测试集进行处理；
[0011]步骤五：利用划分好的训练集对卷进神经网络模型进行训练直至模型达到收敛；
[0012]步骤六：用训练收敛的网络模型对原始测试集和增强后的测试集进行评估；
[0013]步骤七：待模型输出评估预测结果查看优化精度的效果；
[0014]构建改进直方图均匀化算法的步骤有：
[0015]S401：对图像像素进行分块；
[0016]将图片分成8*8的等分小块。将图像以数字矩阵进行描述即作为一个二维连续函数矩阵，每个像素点的连续函数有不同的参数值，对整体函数矩阵进行等分分块，即将矩阵等分划分为64个行列数相等的子方阵。
[0017]S402：计算每个等分子块的直方图；
[0018]等分子块的是以数字像素进行统计描述，而其图像的概貌和质量可以用统计直方图描述，直方图的统计方式即，每个位置的像素级数出现的频次不同，其中统计关系为即第k级像素出现的概率。其中L为灰度级数，n为像素总数，n
k
位第k级的像素值。统计概率标准化且满足8*8的小块分别输出64组直方图统计结果。
[0019]S403：计算每个小块的对比度值；
[0020]直方图统计结果反应的是形貌与质量的统计情况，对比度值则直接反应特征的显示强度。以对比度作为后续的像素剪切门槛，即通过如下算法计算：C＝∑
N
N(i，j)2P
N
(i，j)，其中N(i，j)＝|i
‑
j|为相邻之间像素的灰度差值，P
N
(i，j)为灰度差值为N的分布概率。
[0021]S404：设置双剪切对比度阈值对像素点重新分配；
[0022]通过设置阈值作为剪切像素的执行标准，该标准为区间形式。针对金属表面特征在对比度变化过程中的上下限值都会出现一定的特征丢失情况，故设置一个闭区间作为像素剪切豁免区域即:Z＝[C
i
，C
j
]其中C
i
、C
j
为剪切对比度的上限和下限；
[0023]S405：对不处于双阈值范围里面的子块进行直方图均匀化；
[0024]根据S503中所求得的每个子块的值于S504中的判定区域作对照进行判定，非双剪切阈区间之内的子块进行直方图均匀化，即根据S502所求子块输出的直方统计图的结果进行像素点再分配。即根据原始直方图：与累计直方图再利用灰度变换函数计算变换后的灰度值，并取整i＝INT[(L
‑
1)P
k
+0.5]；确定灰度变换关系k
→
i,再将原子块图像的灰度值f(m，n)＝k转换修变为h(m，n)＝i；统计各个灰度级的转换像素个数n
i
并计算得出变换后的图像直方图
[0025]S406：利用双线性差值对整体图像像素点进行灰度值重构；
[0026]在S501中对数字矩阵等分分块处理并进行双剪切阈值对像素点重新分配之后，得到的整体数字矩阵图像可能会出现灰度不连续的情况，所以要利用双线性内插法对数字矩
阵的灰度值进行重构，保证数字矩阵的整体完整性和灰度值的连续性不出现影响检测结果的噪点。即利用公式：对数字矩阵的横纵两个方向分别做一次线性差值处理；
[0027]与现有的技术相比，本专利技术具有突出的特点并发挥了实质性的作用。本专利技术基于深度学习中的神经网络检测系统进行检测优化，系统应用于工业检测中能够减少生产成本。而本专利技术通过改进增强算法改进了直方图均匀化方法，并应用于检测系统优化之中。在检测过程中能够有效的降低误测，提高检测精度以及检测系统的整体性能。
附图说明：
[0028]图1为一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法流程图。
[0029]图2为本专利技术实例提供的卷积神经网络训练模型过程中的精确度与损失效果图。
[0030]图3为本专利技术实例提供应用改进增强算法前与应用改进增强算法后的准确率对比图。
[0031]图4为本专利技术实例提供改进的增强算法对数据集中图片的增强效果展示。
[0032]具体实施步骤：
[0033]为了使本专利技术的目的能够展示清楚，技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法，其特征为，具体步骤如下：步骤一：采集立铣工件粗糙金属样块表面图像；步骤二：对数据进行增广构建粗糙度数据集；步骤三：将步骤二中构建的粗糙度样块图片数据集进行划分，分成80％的训练集，和20％的测试集；步骤四：构建卷积神经网络模型，模型结构主要包括输入层、卷积层、最大池化层、输出层。构建增强算法，算法是以改进的直方图均匀化方法实现数据增强，对划分好的粗糙度样块图像测试集进行处理；步骤五：利用划分好的测试集对卷积神经网络模型进行训练直至模型达到收敛；步骤六：用训练收敛的网络模型对原始测试集和增强后的测试集进行评估；步骤七：待模型输出评估预测结果查看优化精度的效果。2.如权利要求1中所提的一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法，其特征为，所述步骤一采集的立铣工件粗糙度金属样块表面图像是以Ra值评估的0.8、1.6、3.2和6.3这四类进行分类。3.如权利要求1中所提的一种基于改进直方图均匀化算法的工件表面粗糙度检测优化方法，其特征为，所述步骤二对数据进行增广构建粗糙度图像数据集包含以下几个方法：图像随机亮度、图像随机对比度、图像随机裁剪、图像随机翻转。以上述方法对数据进行增广达到训练需求的数据量，再进行整理构建数据集。4.如权利要求1...

【专利技术属性】
技术研发人员：周友行，杨沛，潘恒，翟明龙，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：