劉奇元+于德介+王翠亭+李星

摘要：為了解決磨削工件在線粗糙度等級識別速度慢和準確性不高的問題，開發(fā)了基于DSP的工件表面粗糙度在線檢測系統(tǒng).該系統(tǒng)基于光散射原理，通過工業(yè)相機采集光散射圖像，運用DSP芯片對采集到的圖像進行圖像預處理以及特征參數(shù)的提?。蛔詈罄媒⒌亩喾诸愔С窒蛄繖C模型，對不同表面粗糙度等級的圖像進行分類.實驗結果表明，在該硬件平臺上整個識別過程耗時約0.5 s，識別率可達96%以上，說明該系統(tǒng)可有效識別工件表面粗糙度等級，有效實現(xiàn)工件表面粗糙度的在線檢測.

關鍵詞：DSP；表面粗糙度；在線檢測；支持向量機；多分類

中圖分類號：TG84， TP274.5 文獻標識碼：A

Development of the Online Measuring System

of Grinding Surface Roughness Based on DSP

LIU Qiyuan1，2， YU Dejie1， WANG Cuiting1， LI Xing1

（1. State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body， Hunan Univ，Changsha， Hunan410082， China；

2. College of Mechanical Engineering， Hunan Univ of Arts and Science， Changde， Hunan415000， China）

Abstract：In order to solve the problems about slow speed and low accuracy on the online roughness recognition of the grinding workpiece， an online measurement system for surface roughness was developed based on DSP. In this system， the surface scattered images based on the light scattering principle were captured by an industrial camera， then these images were preprocessed and their feature parameters were extracted by the DSP chip. Finally， these images with different surface roughness were classified by the multiclass support vector machine model. Experimental results show that it takes about 0.5 s for the entire identification process and the recognition rate can be up to 96% or more on this hardware platform， so this designed system can effectively identify the level of the surface roughness and realize the online testing of surface roughness.

Key words：DSP； surface roughness；online measurement；support vector machine multiclass classification

表面粗糙度是評定工件表面質量的一個重要指標，影響工件的壽命和使用性能.隨著機械加工自動化程度的提高，很多零件由抽檢改為必檢，對表面粗糙度在線測量提出了越來越高的要求，因此生產過程中實時檢測表面粗糙度越來越受到重視.傳統(tǒng)觸針法要保證測量力大小的控制，既要保證測頭與表面始終接觸，又不能因此劃傷工件表面和磨損測頭[1].光學法因其具有高靈敏度、非接觸測量等優(yōu)點，近年來得到了迅速的發(fā)展，其中使用最為廣泛的是基于光散射原理的測量方法[2].機器視覺技術的飛速發(fā)展，為粗糙度檢測提供了一個新思路.在表面粗糙度檢測的應用領域里，機器視覺技術得到了廣泛的應用[3，4，5].

基于光學散射原理測量表面粗糙度的研究方法較多.Brodmann等提出了光學散射特征值來表征被測物體表面上反射光和散射光的離散程度[6].Wang等使用該參數(shù)，采用遠心光路，研制了表面粗糙度測量儀器[7].馮利等利用散射特征值，設計了光盤表面粗糙度在線檢測系統(tǒng)[8].但這種方法的測量裝置比較復雜，必須保證光電二極管陣列位于同一平面，而且計算時僅使用了一條線上的光電信息.郭瑞鵬[9]、王海濤[10]、孫林[11]等針對磨削加工表面分別建立了不同的神經網絡模型和最小二乘支持向量機模型來預測表面粗糙度.然而，他們所建立的系統(tǒng)是基于PC開發(fā)的，不利于車間現(xiàn)場使用，且難以滿足實時性要求

DSP（Digital Signal Processor，數(shù)字信號處理器）是一種專門進行數(shù)字信號處理運算的微處理器，它內部采用程序和數(shù)據分開的哈佛結構，具有通用計算機沒有的硬件乘法器，廣泛采用流水線操作，可以用來快速實現(xiàn)各種數(shù)字信號處理算法，其處理速度比最快的CPU還快10～50倍.DSP的運算速度和運算精度都在不斷提高，片內的存儲容量在不斷增大，數(shù)據處理能力以及與外部設備的通信功能在不斷增強，目前已可以開發(fā)出完全獨立于PC的基于DSP的處理系統(tǒng)[12，13].本文將光散射原理與機器視覺相結合，以DSP系統(tǒng)為平臺，開發(fā)了一套表面粗糙度在線檢測系統(tǒng).

1測量原理

以光散射為原理的表面粗糙度測量方法是以一定大小直徑的光斑投射到試件表面，由于試件表面的微觀形貌不同，使得對光衍射和干涉因子進行調制，從而使反射光在空間半平面上形成中心反射光斑和兩翼散射光帶，如圖1所示.若試件表面比較光滑，反射光斑的光能比較強，散射光帶比較窄；反之，若試件表面比較粗糙，反射光斑的光能比較弱，散射光帶則比較寬.光帶光能的變化與物體表面粗糙度的關系如圖2所示.因此，根據光帶光能的分布可檢測試件表面粗糙度.

表面粗糙度等級分類是將表面粗糙度劃分為多個區(qū)間，每個區(qū)間為一個等級，利用表面粗糙度樣塊對支持向量機模型進行訓練，得到支持向量機分類模型，以預測出未知表面粗糙樣塊的等級.這種方法雖不能給出具體的粗糙度值，但能給出粗糙度所在的等級區(qū)間.在實際加工過程中，往往要求工件的表面粗糙度處于某個等級區(qū)間，因此，對于工程應用，這種方法具有很大意義.為此，最終選擇基于支持向量機的分類方法實現(xiàn)粗糙度的測量.

2系統(tǒng)原理與架構

2.1系統(tǒng)總體框架

基于DSP的工件表面粗糙度在線檢測系統(tǒng)總體框圖如圖3所示，該系統(tǒng)由光學測量模塊，圖像采集模塊，數(shù)據處理模塊以及數(shù)據顯示模塊組成.光學測量系統(tǒng)得到的光散射圖像由工業(yè)相機采集，輸入到數(shù)據處理模塊即DSP系統(tǒng)，在DSP系統(tǒng)中實現(xiàn)相關算法.最后通過串口通信將得到的粗糙度等級發(fā)送到液晶顯示屏.

2.2測量光路

測量光路如圖4所示，選擇波長632.8 nm，輸出功率為3mW的氦氖激光器作為光源，發(fā)出直徑為0.6 mm的準直高斯光束，光束通過45°分光鏡垂直入射到工件表面，產生的反射和散射光束再通過分光鏡在毛玻璃屏上成像.工業(yè)相機將毛玻璃屏上的圖像實時拍攝下來，從工件表面反射出來的散射光會因工件表面形貌不同而呈現(xiàn)出不同的亮度和分布.

2.3DSP嵌入式處理系統(tǒng)設計

2.3.1DSP系統(tǒng)硬件模塊設計

DSP具有高速的數(shù)據運算能力，在實時磨削加工過程中，數(shù)據處理量大.為滿足實時處理需要，采用DSP系統(tǒng)進行數(shù)據處理，DSP系統(tǒng)的硬件原理框圖如圖5所示.攝像機選用100萬像素工業(yè)相機，F(xiàn)IFO（FirstIn FirstOut，先進先出）存儲器的作用是完成圖像的緩存，避免低速的攝像機和高速的DSP進行直接數(shù)據交換，SDRAM（Synchronous Dynamic Random Access Memory， 同步動態(tài)隨機存儲器）是一種速度較快的外存，容量是64 M字節(jié)，DSP計算時使用到的空間就分配在SDRAM上，F(xiàn)lash用于燒錄程序，容量為1 M字節(jié)，用戶將程序固化在Flash中，系統(tǒng)上電后從Flash中加載程序并啟動，USB芯片使DSP可以與PC通訊，并且實現(xiàn)圖像的高速傳輸.

2.3.2DSP系統(tǒng)的軟件模塊設計

為了搭建一個能實現(xiàn)功能的獨立完整的系統(tǒng)，首先要在此硬件平臺上設計一個主程序框架，以便實現(xiàn)各種算法.系統(tǒng)的程序主要包括以下幾個部分：系統(tǒng)引導部分，DSP初始化程序，F(xiàn)lash讀寫程序，EDMA（Enhanced Direct Memory Access，增強型直接內存存?。?shù)據傳輸設置，中斷設置，串口通信模塊設置等.

系統(tǒng)斷電時，程序和數(shù)據都存在片外的Flash里.上電復位后，將程序從Flash加載至片內存儲器，運行程序，完成系統(tǒng)初始化，包括芯片初始化、外圍硬件配置，為圖像輸入和處理做準備.初始化完成后，圖像采集開始，在DSP的時序控制下，圖像數(shù)據從攝像機進入FIFO，由DSP的控制器EDMA搬運到SDRAM，DSP可通過各種處理算法對在SDRAM的圖像進行處理.每幅圖像處理完成后，提取的結果可由串口通信模塊輸出到顯示屏，PC機還可以通過USB獲得SDRAM中的原始圖像和處理后的圖像.

3基于多分類支持向量機的粗糙度分類

由于系統(tǒng)需要實現(xiàn)在線檢測，算法應該簡單.本文首先對工業(yè)相機采集到的光散射圖像進行預處理，然后對圖像進行特征提取，獲得圖像的關鍵特征參數(shù)后，將其輸入訓練好的多分類支持向量機模型，從而實現(xiàn)粗糙度等級分類.

3.1圖像預處理

由于輸入轉換器件以及周圍環(huán)境的影響，采集到的圖像中常常存在各種噪聲和失真，去噪通常是由濾波來完成的，本文選擇中值濾波來實現(xiàn).另外，由于工件位置的變化，散射光帶的主方向會存在一定的傾斜，本文通過旋轉將主方向調整到水平位置.

3.2特征參數(shù)提取

為了方便描述，引用數(shù)學中對橢圓長短軸的定義來定義狹長散射光帶的長短軸，散射光帶主方向為長軸，與其垂直的方向為短軸，根據圖像灰度分布的方差、均方根等統(tǒng)計參數(shù)，得到如下與表面粗糙度相關的特征參數(shù)

1） 光學散射特征值Sn及標準差Std

光學散射特征值Sn及標準差Std描述被測表面反射散射光的離散程度.光學散射特征值Sn的計算公式如式（1）：

3.3多分類器的建立

最初的支持向量機算法是針對二分類問題提出的，實際應用中，分類問題通常會多于兩種樣本.解多分類問題的思路通常是將其轉化為二分類問題.常用的方法有兩種：“一對一”和“一對多”.“一對多”方法是依次用一個SVM二分類器將每一類與剩下所有類別區(qū)分開來，得到1個分類函數(shù).分類時將未知樣本劃分為具有最大分類函數(shù)值的那一類.對于n類問題要建n個二分類器.“一對一”方法是對n類中的每兩類構造一個子分類器，需要構造n（n-1）/2個分類器，每個分類器都對其類別進行判斷，并對所屬的類別投上一票，得票最多的類別即為所屬的類別.本文選擇“一對一”的方法建立分類器對粗糙度等級進行識別.

3.4粗糙度等級分類

在本文設計的系統(tǒng)中，首先對采集到的光散射圖像進行預處理以及特征值提取，并以此作為支持向量機的輸入，利用建立好的多分類器對其進行分類，得到粗糙度等級.整個系統(tǒng)的軟件設計流程如圖6所示.

4應用實例

本文將支持向量機的軟件實現(xiàn)和硬件實現(xiàn)兩種方式結合起來.采用離線訓練的方式，在Matlab平臺中對模型進行訓練得到分類機模型，最終得到的模型是一個包含了支持向量和相應系數(shù)的結構體數(shù)據；最終的決策函數(shù)可由支持向量和相應的系數(shù)唯一確定；然后將所得的模型移植入DSP系統(tǒng)中，通過最終獲得的決策函數(shù)實現(xiàn)表面粗糙度的等級分類.

4.1樣本集建立

實驗平臺如圖7所示.

實驗中，分別選取研磨階段粗糙度數(shù)值Ra（表面輪廓算術平均偏差）為0.012 μm，0.025 μm，0.05 μm，0.1 μm和平磨階段粗糙度數(shù)值Ra為0.1 μm，0.2 μm，0.4 μm，0.8 μm的磨削粗糙度標準樣塊作為研究對象，采集到的圖像如圖8所示.從圖中可以看出，表面散射光呈現(xiàn)以反射光斑為中心的散射光帶分布，狹長散射光帶的幾何中心最為明亮，并在狹長延伸及其垂直方向上呈現(xiàn)軸對稱.

構造支持向量分類模型訓練樣本集{Xi，Yi}，輸入Xi為多維向量，由我們最終選取的特征參數(shù)構成，輸出Yi為對應的粗糙度等級.在實驗條件允許的范圍內，盡量增加輸入樣本的個數(shù)，可以提高模型的穩(wěn)定性.由于粗糙度樣塊數(shù)量有限，我們采用每組樣塊多次采樣的方法，將得到的多組圖像數(shù)據作為樣本集合.本次實驗共測得800幅圖像，每一等級取樣本50幅，其中400幅用于模型訓練，其余400幅作為測試樣本，測試算法的準確性.經過圖像預處理以及特征參數(shù)提取后，得到特征參數(shù)隨粗糙度變化的情況如表2和表3所示.

在14個參數(shù)中，除了Sc在研磨階段不呈現(xiàn)單調性外，其余參數(shù)在不同的加工方式下均隨著粗糙度呈現(xiàn)單調性變化.而參數(shù)SSTD的分辨率不高，也不適合作為輸入參數(shù).因此，我們可以選取除Sc，SSTD外的12個參數(shù)作為支持向量機的輸入特征參數(shù).考慮到輸入參數(shù)之間有不同的物理意義及不同的量綱，為了使這些輸入參數(shù)在訓練時有著同樣的重要性，需要對數(shù)據做歸一化處理.實驗中，訓練數(shù)據被歸一化到[-1， +1]區(qū)間內.

4.2模型訓練

模型的訓練是在Matlab平臺中實現(xiàn)的，對上面所建立的樣本進行訓練，最終建立粗糙度的多分類模型.訓練過程中核函數(shù)選擇徑向基核函數(shù).

4.3粗糙度等級分類

粗糙度的預測是在DSP系統(tǒng)中進行的，將Matlab平臺中得到的與分類模型相關的支持向量和相關系數(shù)作為常量保存在DSP中，在DSP中只需寫出分類的預測程序即可.在DSP系統(tǒng)中，對輸入圖像進行預處理及特征提取，并將數(shù)據做歸一化處理，最后得到特征向量，將其輸入多分類模型，得到工件表面粗糙度所屬的等級.實驗過程中，每種標準樣塊采集50幅圖像作為預測，再對預測的粗糙度等級與標準樣塊粗糙度值進行比較，作為錯判依據.在該硬件平臺上，整個識別過程耗時約0.5 s，得到的表面粗糙度等級分類結果如表4所示.

從表4可以看出，建立的多分類支持向量機模型識別準確率能達到96%以上，并且也能將不同加工階段的同一種粗糙度等級給區(qū)分出來.這是因為不同加工方式得到的工件表面紋理不同，所以最終得到的輸入特征參數(shù)也有所不同.

5結論

1） 利用DSP的高速數(shù)據運算能力，設計開發(fā)了一套基于DSP的磨削工件表面粗糙度在線檢測系統(tǒng).與以往基于PC平臺開發(fā)的檢測系統(tǒng)相比，該系統(tǒng)提高了識別速度，降低了開發(fā)成本，且便于現(xiàn)場使用.

2） 針對磨削工件表面的粗糙度等級識別，提出了多分類支持向量機識別模型，并對不同磨削表面不同粗糙度等級的樣塊進行了分類識別，識別準確度高，為解決在線工件粗糙度等級識別準確性不高的問題提供了一種有效的方法.

參考文獻

劉穎，郎治國，唐文彥. 表面粗糙度光切顯微鏡測量系統(tǒng)的研制[J]. 紅外與激光工程，2012， 41（3）：775-779.

LIU Ying， LANG Zhiguo， TANG Wenyan. Development of measurement system about lightsection microscope for surface roughness[J]. Infrared and Laser Engineering， 2012， 41（3）：775-779. （In Chinese）

[2]曹健渭，盧榮勝，雷麗巧，等. 基于散斑紋理變差函數(shù)的平磨表面粗糙度測量技術[J]. 儀器儀表學報，2010， 31（10）：2302-2306.

CAO Jianwei， LU Rongsheng， LEI Liqiao， et al. Grinding surface roughness measurement based on the variogram of speckle pattern texture[J]. Chinese Journal of Scientific Instrument， 2010， 31（10）：2302-2306. （In Chinese）

[3]KUMAR R， KULASHEKAR P， DHANASEKAR B， et al. Application of digital image magnification for surface roughness evaluation using machine vision[J]. International Journal of Machine Tools and Manufacture， 2005， 45（2）：228-234.

[4]GADELMAWLA E S. A vision system for surface roughness characterization using the gray level cooccurrence matrix[J]. NDT & E International， 2004， 37（7）：577-588.

[5]曾誼暉，左青松，李翼德，等. 基于RBF神經網絡的難加工金屬材料數(shù)控加工控制方法研究[J]. 湖南大學學報：自然科學版，2011，38（4）：31-35.

ZENG Yihui， ZUO Qingsong， LI Yide， et al. Study on control method of numerical control machining processes for difficult processed metal materials based on RBF neural network[J]. Journal of Hunan University： Natural Sciences， 2011，38（4）：31-35. （In Chinese）

[6]BRODMANN R， GAST T， THURN G， et al. An optical instrument for measuring the surface roughness in production control[J]. CIRP AnnalsManufacturing Technology， 1984， 33（1）：403-406.

[7]WANG S， TIAN Y， TAY C J， et al. Development of a laserscatteringbased probe for online measurement of surface roughness[J]. Applied Optics， 2003， 42（7）：1318-1324.

[8]馮利. 光盤檢測技術研究[D]. 長春：長春理工大學， 2008.

FENG Li. Research on the technique of optical disk detection [D]. Changchun： Changchun University of Technology， 2008. （In Chinese）

[9]郭瑞鵬，陶正蘇.基于神經網絡的磨削工件表面質量的在線檢測[J].電子設計工程，2010， 18（10）：5-8， 12.

GUO Ruipeng， TAO Zhengsu. Inprocess measurement of grinding workpiece surface quality based on neural network[J]. Electronic Design Engineering， 2010， 18（10）：5-8， 12. （In Chinese）

[10]王海濤，劉偉強，楊建國. 基于RBF神經網絡的磨削表面粗糙度預測模型[J]. 機床與液壓，2014，42（3）：107-111.

WANG Haitao， LIU Weiqiang， YANG Jianguo. Grinding surface roughness prediction model based on RBF neural network[J]. Machine Tool & Hydraulics， 2014，42（3）：107-111. （In Chinese）

[11]孫林，楊世元. 基于最小二乘支持矢量機的成形磨削表面粗糙度預測及磨削用量優(yōu)化設計[J]. 機械工程學報，2009， 45（10）：254-260.

SUN Lin， YANG Shiyuan. Prediction for surface roughness of profile grinding and optimization of grinding parameters based on least squares support vector machine[J]. Journal of Mechanical Engineering， 2009， 45（10）：254-260.（In Chinese）

[12]周華安，王海鷗，孟志強，等. 基于TMS320F2812和BUCK電路的光伏陣列模擬器[J]. 湖南大學學報：自然科學版，2013， 40（9）：42-47.

ZHOU Huaan， WANG Haiou， MENG Zhiqiang， et al. A new kind of photovoltaic array simulator based on TMS320F2812 DSP and BUCK circuit [J]. Journal of Hunan University： Natural Sciences， 2013， 40（9）：42-47. （In Chinese）

[13]彭宇，姜紅蘭，楊智明，等. 基于DSP和FPGA的通用數(shù)字信號處理系統(tǒng)設計[J]. 國外電子測量技術，2013，32（1）：17-21.PENG Yu， JIANG Honglan， YANG Zhiming， et al. Design of general digital signal processing system based on DSP and FPGA[J].Foreign Electronic Measurement Technology， 2013，32（1）：17-21. （In Chinese）