铸造表面粗糙度严重影响铸件的外观质量和使用性能,表面粗糙度还影响机械设备配合性质的稳定性和动力的消耗,而且表面越粗糙,越容易产生噪声、振动等[1-2]。所以,控制和提高铸件表面粗糙度,不仅能够有效提高铸件的外观质量、使用性能及其使用寿命[3],而且还可以降低生产成本,从而提高铸造产品的经济效益。表面粗糙度作为应用较为广泛的零件表面特性参数[4],其测量方法目前主要分为两类:第一类包括触针法,光切法、样块对比法等需要对试件表面进行实际测量;第二类是建立理想的理论模型,比如计算机视觉法。近几年利用神经网络作为辨识模型的方法层出不穷,着重研究提取图像特征值,利用特征参数与粗糙度系数之间建立辨识模型[5-6],有效避免了像直接测量法的触针法触针易磨损,操作繁琐,还有可能损伤铸件表面等缺点。本研究采用了计算机视觉分析方法,提出了基于MATLAB辨识神经网络的模拟训练方法。1?图像识别表面粗糙辨识方法建立1.1?试样样本测量利用XD30M高级倒置金相显微镜对图1所示的铸铁样块表面进行显微拍摄,获取的图像如图2所示。采用TR200型粗糙度测量仪,分别对9件铸铁样块表面进行粗糙度测量。测量时,随机选取表面三个位置进行Ra测量,测量数据如表1所示。1.2?表面粗糙度图像预处理对于图像的预处理采用的最常用的方式是Gauss-Laplace变换[7]。图像在产生和传输过程,不可避免地会产生噪声,所以要对图像进行滤波处理。本文采用的滤波方式是高斯滤波,因为在计算机视觉分析中,高斯滤波较为常用[8-9]。高斯滤波是一种平滑滤波,用于得到信噪比SNR较高的图像(反应真实信号),适用于消除图像信号在接收过程中产生的噪声,其主要思想是对整幅图像进行加权平均,对于图像上的每一点像素值都由周围的像素值加权平均得到。运用的高斯公式是采用公式(1):

域;高频区指灰度变化较剧烈的像素区,如边缘和噪G(x,y)=(1)声等。中心灰度变化更加剧烈,相应的频谱中高频分Gauss滤波后,接下来进行的就是Laplace变换。量较强,但整体还是低频区域更多,毕竟背景无变化由于图像在边缘部位不清晰,为后续的特征采集带来的黑色区都属于低频。不便,所以需要进行Laplace锐化处理。拉普拉斯锐从频率谱图中可以看出,白点从中心向四周扩化主要思想是求二阶导矢,用二阶导的过零点确定边散,因为图像粗糙度变化越快,灰度变化越剧烈,高缘[10]。如果在图像中一个比较暗的区域中出现了一个亮频部分占的比重越大,那么频率谱中白点的像素值就点,那么用拉普拉斯锐化就会使这个亮点变得更亮。对越大。因为整张图亮度值过于庞大,不利于计算,设于数字图像,采用的拉普拉斯算子可以简化为:置亮度比公式y=c/z,式中y为亮度比,c为频率谱中白点g(i,j)=4f(i,j)-f(i+1,j)-f(i-1,j)亮度的总数,z为整张频率谱的亮度总数。-f(i,j+1)-f(i,j-1)(2)卷积的形式为:1.4?BP神经网络训练BP神经网络是通过大量的神经元或节点互连组g(i,j)=f(i-r,j-s)H(r,s)(3)经过Gauss-Laplace变换的图像如图3所示。1.3?特征参数提取1.3.1占空比特征提取为了获得图像的特征参数,需要对锐化后图像进行二值化处理[11]。二值化的原理是将图像上的点的灰度值置为0和255,使图像呈现明显的黑白效果。二值化处理需要设置一个阈值,阈值的选取采用图1铸铁样块Otsu算法Fig. 1 Cast iron testing piece(大律法)[12-13],基本思想是用某一假想T将图像的灰度分为两组