摘 要 表面粗糙度是最常用來衡量工件加工表面質(zhì)量的指標，與工件的各種性能密切相關(guān)，并且直接影響著儀器的使用壽命，因此表面粗糙度檢測在工業(yè)生產(chǎn)領(lǐng)域有著非常廣泛的應(yīng)用，尤其是在精密儀器的加工中。對表面粗糙度檢測的發(fā)展歷史和研究現(xiàn)狀進行了分析，根據(jù)其檢測原理，總結(jié)了幾種主要的檢測方法，并對這幾種方法的基本原理、適用范圍及優(yōu)缺點等進行了總結(jié)，為表面粗糙度檢測的研究提供有益的借鑒，其中基于機器視覺的粗糙度檢測方法具有比較明顯的優(yōu)勢，值得進行更為深入的研究。

關(guān)鍵詞 表面粗糙度 機器視覺 接觸式檢測 非接觸式檢測 精密儀器

中圖分類號 TH82 " 文獻標志碼 A " 文章編號 1000-3932（2024）04-0565-06

在工件的加工過程中，由于刀具和工件表面產(chǎn)生了物理接觸，故工件表面會留下一些微小的谷峰，其表面具體形狀通常用表面形狀誤差、波紋度和粗糙度來表示，三者常用波距進行區(qū)分，波距是指相鄰兩個波峰或者兩個波谷之間的距離，波距大于10 mm即為表面形狀誤差，波距在1～10 mm之間為表面波紋度，而波距小于1 mm則屬于表面粗糙度［1］。在制造業(yè)中，表面粗糙度對產(chǎn)品的高質(zhì)量制造起著至關(guān)重要的作用［2］，它影響著產(chǎn)品的密封性、耐磨性、抗疲勞性、抗腐蝕性，甚至影響到整個儀器中機械結(jié)構(gòu)的使用壽命和質(zhì)量［3］。

目前表面粗糙度的檢測方法可分為兩大類，即接觸式檢測和非接觸式檢測［4］。其中接觸式檢測方法需要直接與待測工件表面進行接觸，可能會損壞工件表面，而且接觸式檢測的精度很難提高，測量速度較慢，無法滿足日益增高的表面粗糙度測量要求。現(xiàn)如今，隨著工業(yè)相機［5］和計算機軟硬件系統(tǒng)［6］的高速和持續(xù)發(fā)展，機器視覺檢測技術(shù)也不斷提高，基于機器視覺進行非接觸式檢測成為了一種新興的粗糙度檢測方法，得到了廣泛的關(guān)注。下文分別介紹接觸式和非接觸式檢測方法中的一些代表性檢測方法及其優(yōu)缺點，并進行對比。

1 接觸式檢測方法

接觸式檢測方法有比較法、印模法及觸針法等。

1.1 比較法

比較法常用于車間現(xiàn)場里工件表面粗糙度的檢測，該方法通過比較待測工件表面和標準粗糙度樣板［7］之間的差異來確定工件表面粗糙度值。使用該方法進行檢測時，可以用手觸摸被測工件和標準樣板表面，或者使用顯微鏡觀察兩個表面是否相同。比較法有很多限制，比如標準樣塊和待測工件必須是同一種材料，而且兩者的加工方法和紋理也必須相同。這種方法操作簡單，但是只適用于物體表面較為粗糙且允許測量誤差范圍較大的情況。

1.2 印模法

印模法的基本原理是把一些塑性材料做成塊狀印模，然后把印模和被測物體表面緊緊貼合在一起，之后印模上便會留下被測物體的表面形狀，再用雙管顯微鏡等工具對印模表面進行粗糙度檢測，就能得到被測物體的表面粗糙度值。有一些需要進行粗糙度檢測的零件，因為機體體型大等問題，不方便用儀器直接進行測量時，就可以用印模法進行檢測，例如儀器的內(nèi)表面、凹槽、內(nèi)螺紋及深孔等［8］。這種方法操作比較麻煩，步驟繁瑣，而且精度很難提高。

1.3 觸針法

觸針法原理如圖1所示，該方法使用觸針等工具直接接觸被測物體表面，然后使其沿著物體表面進行移動，被測表面是凹凸不平的，所以觸針的移動軌跡有微小的上下起伏，最后使用傳感器將微小的移動軌跡信號轉(zhuǎn)換為電信號，并同時進行處理和放大，可由此計算得出評定參數(shù)值，傳送給顯示器，也可以直接輸出物體表面微觀輪廓曲線。一般來說，僅顯示表面粗糙度參數(shù)值而不顯示物體表面輪廓的測量儀器屬于表面粗糙度測量儀，既顯示粗糙度參數(shù)值又能輸出物體表面微觀輪廓圖形的測量儀器屬于表面粗糙度輪廓儀［9］。觸針法檢測所使用的設(shè)備通常都是表面粗糙度輪廓儀，該方法也是目前制造業(yè)中應(yīng)用最為廣泛的表面粗糙度測量方法之一［10］。

目前觸針法依然是較為常用的粗糙度檢測方法，因為該方法操作非常簡單，而且所獲取的信息直觀可靠、通用性很強［11］。檢測鋼粗糙度最常用的方法還是接觸式檢測，常用儀器為觸針式粗糙度檢測器［12］。不過這種方法也有一些限制條件，它只適用于觸針方便直接接觸被測物體的情況，不適合用于檢測精密零件，因為觸針很可能會對被測零件表面造成損壞，從而影響零件性能［13］。TIAN Y等提出了一種考慮赫茲接觸剛度和阻尼效應(yīng)的觸筆測量方法的振動模型，用以提高表面測量信號的保真度［14］。

2 非接觸式檢測方法

非接觸檢測方法主要有光切法、光散射法、散斑法及機器視覺等。

2.1 光切法

光切法適合用于檢測物體表面輪廓的最大高度在0.5～50 μm范圍內(nèi)的物體［15］，其測量原理如圖2所示。首先光源向被測物體表面照射出一束平行光帶，這束光帶和被測物體表面相交之后會形成一條與被測物體表面微觀幾何形狀相關(guān)的曲線，根據(jù)這條曲線，可以得出物體表面粗糙度參數(shù)值。這種方法是一種非接觸式檢測方法，避免了直接與被測物體表面接觸，同時還可以實現(xiàn)對物體表面微小谷峰深度的測量。該方法常使用光切顯微鏡進行測量，使用成本相對較低、操作比較簡單，檢測精度會受到物鏡的限制，適合用于檢測車削和銑削工件等平面，不適用于檢測磨削工件。

2.2 光散射法

在粗糙度檢測方法中，光散射法抗環(huán)境干擾能力強，在粗糙度檢測領(lǐng)域也有不少應(yīng)用案

例［16］。這種方法的原理是用一束平行光入射到被測物體表面，然后通過對散射光束的特征進行測量，進而計算出其表面粗糙度參數(shù)。該方法需要統(tǒng)計散射場的特征，包括散射光角度分布、反射光光強等，根據(jù)這些信息得到表面粗糙度。

光散射法應(yīng)用于粗糙度測量時，對于檢測精細表面具有更好的效果，其檢測速度較快，抗干擾能力強，測量范圍一般在0.2～2.2 μm。YOSHITARO S等提出了應(yīng)力誘導(dǎo)光散射方法［17］，成功地讓一些潛在缺陷可視化，也使得來自其他光散射體的光散射效果變得明顯。

2.3 散斑法

如果物體表面粗糙度數(shù)值等于或是大于激光波長值，使用激光對該物體進行照射時，物體表面上每一處均會產(chǎn)生散射光，而且這些散射光頻率相同，但相位和振幅各不相同，是相干光，它們經(jīng)疊加以后，經(jīng)物體表面反射會在觀察屏上形成明暗相間顆粒狀結(jié)構(gòu)，這些顆粒狀結(jié)構(gòu)就是散斑［18］。

散斑產(chǎn)生原理如圖3所示，散斑法就是使用CCD傳感器來接收散斑信號，根據(jù)散斑圖像的不同得到對應(yīng)的粗糙度值。使用散斑法時，被測物體表面粗糙度值應(yīng)該比激光波長值大，這樣才能得到均勻的散射光，并形成散斑，而且光源需要具有較好的相干性［19］。由于激光具有良好的相干性，因此幾乎所有的散斑應(yīng)用都用激光作為光源。LI C等將一種新設(shè)計的時間散斑方法引入到非接觸式雙目三維測量系統(tǒng)中，整個系統(tǒng)可以在1 s內(nèi)完成單次測量，標準偏差小于73.44 μm［20］。

2.4 機器視覺

制造業(yè)需要新的檢測技術(shù)和方法，機器視覺是以合理的精度檢測粗糙度的最佳替代方法之一［21］。近幾十年來，機電一體化和機器人技術(shù)的進步提高了控制系統(tǒng)的智能性，為系統(tǒng)提供了視覺能力，即機器視覺［22］。機器視覺是一種較新的技術(shù)，它用于在工業(yè)相機和圖像處理技術(shù)的幫助下測量產(chǎn)品，如圖像采集、濾波去噪、真實圖像和實際圖像的比較、圖像映射和圖像處理算法。

很多工業(yè)生產(chǎn)過程都是重復(fù)性的工作，這時使用機器視覺檢測就能很大程度上提高效率。該方法測量表面粗糙度是通過圖像采集設(shè)備獲取不同水平粗糙度試樣的表面圖像，然后對圖像進行預(yù)處理，之后應(yīng)用算法進行檢測，進而輸出與粗糙度參數(shù)相關(guān)性強的圖像特征，構(gòu)建相應(yīng)的粗糙度評價指標，然后建立粗糙度預(yù)測模型，并用其預(yù)測未知試樣表面粗糙度。目前主要的算法有以下幾種。

邊緣擬合。邊緣擬合是使用邊緣像素的坐標來擬合圖像坐標系中的參考線。先確定輪廓基線、最小二乘中線和算術(shù)平均中線，其中最小二乘中線是指采樣范圍內(nèi)輪廓線上各點輪廓偏移量平方和最小的直線，是最理想的。采用最小二乘法建立單變量線性回歸方程y=kx+b，其輪廓偏移量可表示為：

分形維數(shù)。分形是一種幾何或分解模式，為了保持自相似性，其單個分解部分與原始部分相似。分形維數(shù)一般用D表示，常用的算法有箱計數(shù)維數(shù)（BC）、差箱計數(shù)法（DBC）及改進的差箱計數(shù)法等。所有算法都基于盒子維度，使用減少因子為r的盒子來覆蓋對象。覆蓋被測體所需的盒子總數(shù)為N，通過盒子數(shù)量與各減少因子之間的回歸圖得到分形維數(shù)D。分形維數(shù)的計算公式為：

機器學習。在對圖像進行機器學習分類或回歸預(yù)測之前，需要提取與待測曲面相關(guān)的特征參數(shù)。常用的特征提取方法有灰度共生矩陣（GLCM）法和Gabor小波法。

灰度共生矩陣是一個二維矩陣，其中每個元素均為灰度i和灰度j在特定距離d和特定角度θ共同出現(xiàn)的概率P（i，j|d，θ），其表達為：

其中，l為向量H的維數(shù)。KNN算法簡單、高效、實用，對實際圖像中的噪聲有很好的魯棒性。當需要分類的數(shù)據(jù)類別較少時，檢測效果更為理想。

BP神經(jīng)網(wǎng)絡(luò)是最有利的基于誤差反向傳播的前向人工神經(jīng)網(wǎng)絡(luò)，前向傳播過程是將特征參數(shù)輸入到輸入層，隱藏層通過權(quán)重和閾值計算得到真實輸出值。如果真實輸出值與期望值之間的差距在一定范圍內(nèi)，則學習結(jié)束，獲得預(yù)期結(jié)果；如果超出了誤差范圍，則繼續(xù)學習。

目前，使用機器視覺檢測粗糙度的方法具有很多優(yōu)點，例如性價比高、信息采集量大、檢測效率高、測量精度高等，許多學者都在圍繞這一技術(shù)進行研究。YANG J Z等提出了一種基于圖像修復(fù)和卷積神經(jīng)網(wǎng)絡(luò)模型的抗干擾粗糙度檢測方法，建立了一個CNN分類模型來檢測工件表面的圖像，檢測成功率可達90.0%，檢測相對誤差可控制在6.8%以內(nèi)，單個圖像的平均檢測時間為0.79 s，具有較高的檢測精度和效率［23］。

2.5 現(xiàn)存問題與展望

雖然當前粗糙度的機器視覺測量方法發(fā)展迅速，且相關(guān)的研究文獻也較多，但仍面臨一些問題待解決。首先，根據(jù)采用的光源類型，粗糙度檢測方法大多使用激光當作光源，但激光類測量儀器成本相對較高，其光路的設(shè)計和調(diào)整也較為困難，因而選擇普通光源作為照明設(shè)備是機器視覺測量方法實現(xiàn)低成本和自動化測量的有效途徑。其次，目前表面粗糙度檢測在加工過程中對物體進行實時檢測的方法僅局限于實驗室內(nèi)，市場上的粗糙度檢測儀器基本都是用于離線測量，所以需要設(shè)計可用于加工現(xiàn)場的在線測量系統(tǒng)。

對于當前科技的飛速發(fā)展，接觸式檢測方法很難滿足現(xiàn)在的生產(chǎn)實踐要求，非接觸式粗糙度檢測方法有較大的研究前景，其中機器視覺檢測方法速度較快，獲取信息量大，而且便于信息集成和處理。所以使用機器視覺檢測粗糙度也成為了一個研究熱點，而且機器視覺可以實現(xiàn)粗糙度的在線檢測。隨著機器視覺技術(shù)不斷的發(fā)展和完善，它將是未來制造業(yè)和生產(chǎn)過程中不可或缺的一部分。

3 結(jié)束語

綜合國內(nèi)外的研究現(xiàn)狀來說，表面粗糙度檢測方法在不斷發(fā)展和進步，從接觸式檢測到非接觸式檢測，從比較法到機器視覺，從離線測量不斷向在線測量發(fā)展，總的來說目前這些方法已經(jīng)可以滿足大多數(shù)應(yīng)用領(lǐng)域的表面粗糙度檢測需求。在目前的這些檢測方法中，機器視覺檢測方法憑借成本低、自動化程度高及檢測精度高等優(yōu)勢脫穎而出，機器視覺檢測是實現(xiàn)表面粗糙度無損在線檢測的最優(yōu)方法，只是現(xiàn)在機器視覺在粗糙度檢測方面的應(yīng)用還應(yīng)針對上文所述缺點進行改進。

參 考 文 獻

［1］ 劉子建，易廣威.基于全局優(yōu)裝法的共軸光學系統(tǒng)裝調(diào)研究［J］.湖南大學學報（自然科學版），2018，45（2）：42-52.

［2］ CHOCKALINGAM A，JYOTHULA S K，ELANGO V.Optical Coherent Based Metal Surface Roughness Detection Using Radial Basis Function［J］.Indian Journal of Science and Technology，2016，9（S1）.DOI：10.17485/ijst/2016/v9is1/108483.

［3］ 閔莉，王哲，高龍飛，等.基于BP神經(jīng)網(wǎng)絡(luò)的車削表面粗糙度檢測［J］.沈陽建筑大學學報（自然科學版），2015，31（5）：906-915.

［4］ 蔡智超，孫翼虎，趙振勇，等.基于時頻分析和深度學習的表面粗糙度超聲模式識別方法［J］.電工技術(shù)學報，2022，37（15）：3743-3752.

［5］ " HAN D X，YUAN R，JIANG X K，et al.Nanosecond resolution photography system for laser-induced cavitation based on PIV dual-head laser and industrial camera［J］. Ultrasonics Sonochemistry，2021，78（pre-

publish）：105733.

［6］ " MALIK S C，ANAND J.Reliability and economic analysis of a computer system with independent hard-

ware and software failures［J］.Bulletin of Pure amp; App-

lied Sciences-Mathematics and Statistics，2013，29e（1）：141-154.

［7］ 王娟.項目教學法在模具制造工藝綜合訓(xùn)練課程教學中的應(yīng)用——自制表面粗糙度樣板實例［J］.甘肅科技，2012，28（11）：67-68；122.

［8］ 劉艷玲，王洪忠，趙庶嫻，等.印模法在零件檢測中的應(yīng)用［J］.上海計量測試，2019，46（6）：40-43.

［9］ 高天國.便攜式表面粗糙度輪廓儀傳感器及測量系統(tǒng)設(shè)計［J］.工具技術(shù)，2009，43（5）：117-120.

［10］ ZHANG B Y，SHEN Q P，ZHAO Y，et al.Review of research progression roughness qualification methods for joint surface of precast concrete components［J］.Buildingscience，2019，35（11）：39-45.

［11］ " 范一保，趙東標，丁亮亮.觸針式輪廓儀彈性測量桿的設(shè)計［J］.工業(yè)控制計算機，2011，24（5）：108-109.

［12］ " ZHU K，CHEN X，DING G Q，et al.Research on the Roughness Detection of Hot-Rolled Steel［J］.IOP Conference Series：Materials Science and Engineeri-

ng， 2018，382（2）. DOI：10.1088/1757-899X/382/2/

022003.

［13］ " 鄭太雄，黃帥，李永福，等.基于視覺的三維重建關(guān)鍵技術(shù)研究綜述［J］.自動化學報，2020，46（4）：631-652.

［14］ " TIAN Y，LIU X，CHETWYND D G，et al.Vibration analysis of stylus instrument for random surface measurement［J］.Precision Engineering，2010，34（3）：586-591.

［15］ " 朱祥山.表面粗糙度測量技術(shù)與方法研究［J］.中國設(shè)備工程，2019（23）：216-217.

［16］ " 瞿雪元，顧廷權(quán)，方百友.帶鋼表面粗糙度在線檢測技術(shù)最新進展［J］.電子測量與儀器學報，2017，31（4）：493-500.

［17］ " YOSHITARO S， NAO T，KAZUFUMI S， et al.Origin of light scattering variations of a latent flaw through light scattering measurement with applied stress effect［J］.Japanese Journal of Applied Physics，2016，55（11）.DOI： 10.7567/JJAP.55.118002.

［18］ " 陳蘇婷，胡海鋒，張闖.基于激光散斑成像的零件表面粗糙度建模［J］.物理學報，2015，64（23）：113-121.

［19］ " 朱達波.光源空間相干性對透過散射層成像的影響［J］.西安文理學院學報（自然科學版），2022，25（1）：1-6.

［20］ " LI C，ZHOU C H，WANG S Q，et al.Temporal speckle method for measuring three-dimensional surface of large-sized rough glass［C］//SPIE/COS Photonics Asia.2016.DOI：10.1117/12.2246077.

［21］ " KARTHIKEYAN S，SUBBARAYAN M R，MATHAN K P， et al. Computer vision-based surface roughness measurement using artificial neural network［J］.Materials Today：Proceedings，2022，60：1325-1328.

［22］ " OLEG S，VERA T，WENDY F-F，et al.Machine Visi-

on Sensors［J］.Journal of Sensors，2018.DOI：10.1155/2018/3202761.

［23］ " YANG J Z，ZOU B，GUO G Q，et al.A study on the

Development and Application of Machine Vision Technologies

in Roughness Inspection

HE Teng-feia， KONG Fan-xingb， SHAO Yi-feia， CHEN Chenga， LI Sheng-nana

（a. College of Information and Control Engineering； b. College of Mechanical and

Electrical Engineering， Jilin Institute of Chemical Technology）

Abstract"" Surface roughness is the most commonly used to measure surface quality of the workpiece， and it’s closely related to properties of the workpiece and it influences" service life of the instrument. The surface roughness detection has wide application in the industrial production， especially in the processing of precision instruments. In this paper， both development history and research status of the surface roughness detection were analyzed， including having the detection principle based to summarize main detection methods and their basic principles， application scopes， advantages and disadvantages so as to provide reference for the research of surface roughness detection. This roughness detection method based on machine vision has obvious advantages and it’s worthy of further study.

Key words"" surface roughness， machine vision， contact detection， non-contact detection， precision instrument

作者簡介：何騰飛（1998-），碩士研究生，從事過程檢測技術(shù)及自動化裝置的研究。

通訊作者：孔繁星（1975-），副教授，從事智能制造技術(shù)、超精密加工及檢測技術(shù)等的研究，fanxingks_2@163.com。

引用本文：何騰飛，孔繁星，邵逸飛，等.機器視覺技術(shù)在粗糙度檢測中的應(yīng)用及發(fā)展［J］.化工自動化及儀表，2024，51（4）：565-570.