【技术实现步骤摘要】
本专利技术涉及磨齿加工质量检测，具体是一种基于机器视觉的磨齿齿面粗糙度测量方法。
技术介绍
1、在磨齿加工过程中，齿面粗糙度是衡量齿轮加工质量的重要指标之一。齿面粗糙度不仅影响齿轮的传动精度、噪声和振动水平，还对齿轮的使用寿命和可靠性有着重要影响。传统的齿面粗糙度测量方法，如触针法，需要与齿面进行接触测量，测量过程耗时较长，且可能会对齿面造成损伤；光学干涉法虽然精度较高，但设备昂贵，操作复杂，对测量环境要求苛刻。因此，开发一种非接触、快速、准确且成本较低的磨齿齿面粗糙度测量方法具有重要的现实意义。
技术实现思路
1、为了解决上述技术问题，本专利技术的目的在于提供一种基于机器视觉的磨齿齿面粗糙度测量方法，包括以下步骤：
2、步骤s1：将待测磨齿固定在旋转平台上，设置相机、镜头与光源位置，确保在初始角度能清晰拍摄齿面，启动旋转平台，按预设角度依次旋转，每次旋转到位后，触发相机采集图像，获取待测磨齿的多角度齿面图像，对多角度齿面图像进行灰度化处理，将多角度齿面图像转换为多角度齿面灰度图像，对多角度齿面图像进行像素点能量分析，将多角度齿面灰度图像中每个像素点划分为第一特征点和无特征点；
3、步骤s2：对各个无特征点进行区域聚类，获取若干局部区域，根据各个局部区域的平均局部方差以及各个无特征点和第一特征点的局部方差，进行多角度齿面灰度图像的自适应高斯滤波操作，获取去除噪声后的多角度齿面灰度图像；
4、步骤s3：对去除噪声后的多角度齿面灰度图像中各个角度齿面
5、步骤s4：构建齿面粗糙度测量模型，对完整齿面灰度图像进行纹理特征提取，获取完整齿面灰度图像的齿面粗糙值。
6、进一步地，对多角度齿面图像进行像素点能量分析，将多角度齿面灰度图像中每个像素点划分为第一特征点和无特征点的过程包括：
7、获取多角度齿面灰度图像中每个像素点的局部方差；
8、其中，获取多角度齿面灰度图像中每个像素点的局部方差的计算公式为：
9、；
10、；
11、其中，表示局部方差，d表示灰度值，表示像素点处的灰度值，w表示邻域范围内所有像素点的集合，n1表示邻域范围内像素点总数；
12、利用灰度共生矩阵技术构建每个像素点的灰度共生矩阵，具体的细节如，将表面图像数据的灰度级别量化为离散的灰度级别，将灰度值范围分成若干等级，例如8位图像可分成16、32、64等级，以及定义灰度共生矩阵所需的参数，包括距离（d）和方向（θ），根据实际应用需求来确定，具体步骤不再赘述，随后对每个像素点的灰度共生矩阵进行特征提取，获取每个像素点的能量（用于描述图像中像素灰度分布的均匀程度，度量了图像包含的随机性，表现了图像的复杂程度），预设能量上限阈值，将每个像素点的能量与能量上限阈值进行比较，将能量大于能量上限阈值的像素点标记为第一特征点，将能量小于等于能量上限阈值的像素点标记为无特征点；
13、能量越低表示纹理比较简单、规则，区域越光滑，即区域内的像素值变化主要是由噪声引起的，因此后续通过无特征点合并的局部区域内的平均局部方差反映局部噪声水平，从而提升噪声去噪结果的精确性。
14、进一步地，对各个无特征点进行区域聚类，获取若干局部区域的过程包括：
15、选择一无特征点，将无特征点的局部方差与其他无特征点的局部方差进行比较，获取无特征点与其他无特征点之间的局部方差差值，将局部方差差值与预设局部方差差值阈值进行比较，将局部方差差值小于等于局部方差差值阈值的其他无特征点与无特征点合并成一个局部区域，重复上述步骤，直至所有无特征点均被合并至局部区域内；
16、根据各个局部区域包括的各个无特征点的局部方差，获取各个局部区域的平均局部方差。
17、进一步地，根据各个局部区域的平均局部方差以及各个无特征点和第一特征点的局部方差，进行多角度齿面灰度图像的自适应高斯滤波操作的过程包括：
18、构建滤波参数匹配模型，获取各个无特征点所属局部区域的平均局部方差，获取各个无特征点的局部方差与各个无特征点所属局部区域的平均局部方差之间的差值，将所述差值标记为噪声波动；
19、获取各个第一特征点相邻局部区域的平均局部方差，获取各个第一特征点的局部方差与相邻局部区域的平均局部方差之间的差值，将所述差值标记为噪声波动；
20、根据各个第一特征点的噪声波动和各个无特征点的噪声波动输入滤波参数匹配模型，获取各个第一特征点以及各个无特征点的滤波参数，根据各个第一特征点以及各个无特征点的滤波参数利用高斯滤波方法对多角度齿面灰度图像各个第一特征点以及各个无特征点进行高斯滤波处理，获取去除噪声后的多角度齿面灰度图像，所述滤波参数包括高斯核大小和标准差，当局部方差接近平均局部方差时，说明此区域主要由噪声构成，则滤波参数匹配模型增大标准差以增强平滑效果；反之，若局部方差远大于平均局部方差，则表明此处可能存在重要的图像特征如边缘等，则滤波参数匹配模型减小标准差，减少对这些特征的影响。
21、进一步地，对去除噪声后的多角度齿面灰度图像中各个角度齿面灰度图像进行特征点提取的过程包括：
22、构建各个角度齿面灰度图像中每个像素点的hessian矩阵，获取每个像素点的hessian矩阵行列式值，将每个像素点的hessian矩阵行列式值与每个像素点的八个邻域像素点的hessian矩阵行列式值进行比较；
23、其中，对于一个像素点，hessian矩阵定义为：
24、；
25、其中，其中、和分别是高斯二阶导数与i(x,y)的卷积，i(x,y)是角度齿面灰度图像在像素点(x,y)处的灰度值，是高斯核的尺度参数；
26、hessian矩阵行列式值的计算公式为：
27、；
28、其中，表示hessian矩阵行列式值；
29、若像素点的hessian矩阵行列式值均大于八个邻域像素点的hessian矩阵行列式值，则将像素点标记为第二特征点；
30、为了使特征点具有旋转不变性，预先为每个特征点计算其主方向，获取第二特征点邻域内的haar小波响应，具体过程为：以每个特征点为中心，在其邻域内计算水平方向和垂直方向的haar小波响应；水平方向的haar小波响应和垂直方向的haar小波响应的计算公式分别为：
31、；
32、；
33、其中，w是一个以特征点为中心的矩形窗口，s是窗口的大小；
34、统计第二特征点邻域内的haar小波响应的方向直方图，具体过程为，对于每个像素点，计算其haar小波响应的幅值m和方向：
35、；
36、；
37、然后将方向量化到0到360度的范围内，并将幅值m分配到对应的方向区间中，统计方向直方图本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，对多角度齿面图像进行像素点能量分析，将多角度齿面灰度图像中每个像素点划分为第一特征点和无特征点的过程包括：
3.根据权利要求2所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，对各个无特征点进行区域聚类，获取若干局部区域的过程包括：
4.根据权利要求3所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，根据各个局部区域的平均局部方差以及各个无特征点和第一特征点的局部方差，进行多角度齿面灰度图像的自适应高斯滤波操作的过程包括：
5.根据权利要求4所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，对去除噪声后的多角度齿面灰度图像中各个角度齿面灰度图像进行特征点提取的过程包括：
6.根据权利要求5所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，对各个角度齿面灰度图像进行特征点匹配，将各个角度齿面灰度图像进行拼接，生成完整齿面灰度图像的过程
7.根据权利要求6所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，对完整齿面灰度图像进行纹理特征提取，获取完整齿面灰度图像的齿面粗糙值的过程包括：
8.根据权利要求7所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，构建齿面粗糙度测量模型的过程包括：
...【技术特征摘要】
1.一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，对多角度齿面图像进行像素点能量分析，将多角度齿面灰度图像中每个像素点划分为第一特征点和无特征点的过程包括：
3.根据权利要求2所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，对各个无特征点进行区域聚类，获取若干局部区域的过程包括：
4.根据权利要求3所述的一种基于机器视觉的磨齿齿面粗糙度测量方法，其特征在于，根据各个局部区域的平均局部方差以及各个无特征点和第一特征点的局部方差，进行多角度齿面灰度图像的自适应高斯滤波操作的过程包括：
5...
【专利技术属性】
技术研发人员：王轲，柳金星，张培国，张瑞华，马丽霞，洪朋月，
申请(专利权)人：西安威而信精密仪器有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。