摘要：本文基于机器视觉技术，开发了一种非接触式砂型铸件表面粗糙度检测系统，通过卷积神经网络实现了快速、准确的粗糙度测量，为铸造行业提供了高效的质量检测手段。
导读
本文基于机器视觉技术，开发了一种非接触式砂型铸件表面粗糙度检测系统，通过卷积神经网络实现了快速、准确的粗糙度测量，为铸造行业提供了高效的质量检测手段。
研究背景介绍
在高端装备制造业中，铸造行业对铸件表面质量的要求越来越高。表面粗糙度是衡量铸件表面质量的重要指标，影响零件的耐磨性、疲劳强度和使用寿命。传统测量方法如标准样块对比法和接触式轮廓仪存在主观性强、测量范围有限等缺点，难以满足实际生产需求。因此，开发一种快速、准确、非接触式的表面粗糙度检测方法成为铸造行业的迫切需求。
文章来源及内容
贾栋贤等人撰写的《基于机器视觉的砂型铸件表面粗糙度检测研究》发表于《特种铸造及有色合金》2025年第45卷第1期。文章结合图像处理技术和卷积神经网络，开发了一种基于机器视觉的砂型铸件表面粗糙度检测系统。研究使用铸造表面粗糙度标准样块的图像对融入注意力机制的残差卷积神经网络进行训练，并开发了检测软件，实现了铸件表面粗糙度的非接触测量。实测铸件的准确率为87.5%，单次测量用时0.086秒，满足了实际生产中快速、便捷测量的需求。该研究由大连理工大学材料科学与工程学院和大连理工大学宁波研究院共同完成。
研究亮点
• 利用机器视觉技术实现砂型铸件表面粗糙度的非接触式测量。
• 开发了基于卷积神经网络的检测系统，测量准确率高、速度快。
• 提供了一种高效、便捷的铸件表面质量检测方法，适用于实际生产环境。
研究方法
本研究通过图像处理技术对铸造表面粗糙度标准样块的图像进行预处理，构建并训练了融入注意力机制的残差卷积神经网络（SE-ResNet-50）。基于训练好的神经网络开发了检测软件，配合图像采集模块，实现了对实体铸件表面粗糙度的快速、非接触测量。
内容解读
1.试验方法
• 技术路线：通过图像采集、预处理、神经网络训练和检测系统搭建，实现铸件表面粗糙度的非接触测量。
• 图像采集：使用微距相机模块采集铸造表面粗糙度标准样块的图像，设计辅助外壳以稳定光照条件。
• 图像预处理：包括图像裁剪、灰度化、直方图均衡化和中值滤波，优化图像质量以提升后续识别效果。
图1技术路线图
2.制备数据集
• 数据集来源：采集了钢铁砂型类和铝锌镁金型类标准样块的图像，覆盖Ra3.250 μm的5个粗糙度等级。
图2铸造表面粗糙度标准样块
图3图像采集模块
1.LED灯2.供电系统3.CMOS模块4.USB输出5.待测试样表面
图4标准样块表面采集图像
• 图像预处理：通过灰度化、CLAHE直方图均衡化和中值滤波处理图像，增强纹理特征并去除噪声。
图5HE和CLAHE的处理效果
图6预处理后的标准样块图像
• 数据增强：采用水平翻转方法扩充数据集，分为训练集、验证集和测试集，以提高模型的泛化能力。
3.搭建神经网络
• 注意力机制和残差卷积神经网络：在ResNet50基础上融入SE模块，增强网络对重要特征的学习能力。
图7加入Conv2d-SE的ResNet模块结构图
• 神经网络训练：使用Adam优化器和交叉熵损失函数进行训练，模型在验证集上的识别准确率分别为99.04%和99.23%。
图8训练过程中验证集的准确率变化
图9测试集识别结果
4.实际测试
• 检测软件开发：基于Python开发检测软件，实现图像采集、预处理和粗糙度检测的自动化。
• 实际铸件测试：对不锈钢泵壳和铝合金蜗壳铸件进行测试，与标准样块对比法结果对比，验证了方法的准确性和快速性。
图10表面粗糙度检测软件界面
图11铸件实物图
主要结论
• 通过CLAHE算法进行图像预处理，有效解决了图像亮度不均匀问题，提升了纹理特征的清晰度。
• 融入注意力机制的残差卷积神经网络在标准样块图像上的识别准确率高达99%，表现出良好的训练效果。
• 开发的检测系统在实际铸件测试中，识别准确率为87.5%，单次测量用时仅0.086秒，满足了快速、便捷测量的需求，为铸造行业提供了一种高效的质量检测手段。
中英文引用格式
• 中文引用格式：贾栋贤，李广宇，刘文文，等.基于机器视觉的砂型铸件表面粗糙度检测研究［J］.特种铸造及有色合金，2025，45（1）：23-28.
• 英文引用格式：JIA D X，LI G Y，LIU W W，et al.Surface Roughness Detection of Sand Casting Based on Machine Vision［J］.Special Casting&Nonferrous Alloys，2025，45（1）：23-28.
扩展阅读
编辑/排版：江姗
校对：刘晨辉
审核：张正贺
来源：特铸杂志
