156《激光杂志》2021年第42卷第2期LASER JOURNAL(Vol.42,No.2,2021)
基于人工智能技术的光学超精密检测技术
王琦，谭娟
潍坊科技学院计算机软件学院，山东寿光262700
摘要：机械零件的光学超精密检测可提升零件的经济效益，为提升机械零件的光学超精密检测精度，研究基于人工智能技术的光学超精密检测技术，在机械零件的光学超精密检测中赋予人工智能机械学习模式，将机械记录的每次人为移动机械零件的动作和位置信息、光照强度等信息作为输入量进行机械计算，并将输出信息和输入量保存在存储器中。采用光学白光干涉测量和共聚焦测量技术，检测一次机械零件微米级以上宏观运动或微米级以下微观运动，根据检测光路光电探测器接收的光强大小获取检测零件各点的高度数值，在此基础上通过执行机械学习模式，在存储器中检索获取机械零件宏观运动或微观运动的全部动作和位置信息、光照强度等信息，学习得到待检测机械零件各处相对焦平面距离，实现机械零件的全面光学超精密检测。实验结果表明，该种方法可无损进行机械零件光学超精密检测，且检测误差率和检测用时较短，可用于大范围机械零件光学超精密检测。
关键词：人工智能；光学；超精密；检测技术；机械学习；干涉测量；共聚焦；微米级
中图分类号:TN297文献标识码：A doi：10.14016/jki.jgzz.2021.02.156
Optical ultra-precision detection technology based on
artiflcial intelligence technology
WANG Qi,TAN Juan
School of Computer and Software,Weifang University of Science and Technology,Shouguang262700,China
Abstract:Optical ultra-precision detection of mechanical parts can enhance economic benefits of the parts,in order to promote the optical ultra-precision accuracy of mechanical parts,the optical ultra-precision detection technology based on the technology of artificial intelligence,measured in optical ultra-precision machine parts to give ai chine learning model,move the machine records every human action and position information of mechanical parts, light intensity and other information as mechanical input calculation,and the input and output information stored in memory.Optical white light interferometry and confocal measurement technology test a machine part micron level above m
acroscopic movement or micron level below the micro-movement.According to the detection of the light path,photodetector receives the light of the robust little access to each point of numerical test parts'height.Based on the this,by performing a machine learning model,in memory retrieval for all mechanical parts of macro or micro-motion movement and location information,the information such as light intensity,learned all mechanical parts to be detected in focus plane distance,achieve comprehensive optical ultra-precision detection of mechanical parts.The experimental results show that this method can be used for the optical ultra-precision detection of mechanical parts without damage,and the error rate and detection time are relatively short.
Key words:artificial intelligence；optical；ultra precision；detection technology；mechanical learning；interferometry；confocal；micron grade
收稿日期:2020-08-16
基金项目：山东省高等学校科技计划项目(No.JO9LG27)
作者简介：王琦(1981-)，女，硕士，助教，主要研究方向：计算机技术，人工智能技术；谭娟(1980-)，女，硕士，讲师，主要研究方向：计算机技术，网络技术。1引言
随着数字数控机床和加工平台的产生与发展，机械零件的加工方式也向着大批量、专一化方向发展。导致对机械零件的需求也逐渐加大，零件的尺寸和表面加工质量是否符合标准使用要求是影响机械零件正常工作的关键⑴，因此，对机械零件的光学超精密
王琦等：基于人工智能技术的光学超精密检测技术
《激光杂志》2021年第42卷第2期LASER JOURNAL（Vol.42,No.2,2021）157
检测成为主要研究任务。机械零件表面的加工质量和尺寸大小虽然对零件的正常使用影响较低，但直接影响零件的可靠性、质量和使用寿命，而机械零件使用时间决定零件经济效益m。随着光学超精密加工技术的不断发展，零件光学超精密加工检测技术已成为超精密加工迫在眉睫的关键难题。
人工智能技术（Artificial Intelligence）是一种新兴的用于模拟、延伸和扩展的智能理论、方法、技术及应用系统的一门新的技术科学。人工智能是研究使计算机模拟人的思维和行为的学科⑴，涵盖计算机实现智能的原理、制造相似于人脑智能的计算机，发挥出计算机的最大效用。人工智能技术涉及多个学科知识，是思维科学一个重要应用分支，人工智能技术发展不仅需要逻辑思维还需要敏锐的形象和思维，且人工智能发展必须借助数学知识，数学知识与人工智能融合会促进人工智能的广阔发展⑷。本文在人工智能技术的机械学习优势条件下深入研究光学超精密检测技术，准确检测出机械零件的尺寸大小和表面加工质量，提升机械零件的使用寿命。
2光学超精密检测技术
2.1人工智能技术
当前，人工智能技术应用在故障检测领域逐渐加深，在一些机械零件的光学超精密检测中应用也较广，人工智能技术包括多种方法，如机械学习法、模糊隶属度法、神经网络法、故障特征数搜寻法以及知识推理法等〔7]，由于机器学习法具有较强的并行处理和非线性特征，且容错能力和鲁棒性较强，已被广泛用于光学超精密检测。
机械学习法即将新知识有效保存，以便在需求时及时检索调用无需再进行推理和计算，人工智能技术中机械学习法获取知识较为稳定无需采取多余加工处理，而其它学习法需要对多种知识进行训练加工⑷。机械学习的执行部分可被视为函数问题，该函数在输入自变量后，机械计算得到多个函数输出值人工智能技术中机械学习法在存储器中保存自变量和函数输岀值，当机械学习方法需要代X\,X],…,XJ时，机械学习法的执行部分从存储器检索出（人，均，…，乙），该机械学习模式如式（1）所示：
（X”X2,…，丫2,…，匕）存儁
｛（纸，齐），（£>2）,…，（x”，y）r（1）未采用人工智能技术，对机械零件的光学超精密
检测模式如下：（1）打开照明系统，将待检测零件移动到检测平台⑼；（2）调节光照强度，获取最
佳零件成像，并对该位置机械零件的尺寸大小和表面加工质量进行光学超精密检测；（3）移动机械零件位置，继续进行光学超精密检测，直至完成机械零件的整体光学超精密检测。
采用人工智能技术后，在光学超精密检测过程赋予机械学习模式U-2]，通过机械学习记录每次人为
移动机械零件的动作和位置信息、光照强度等信息，记录完整保存在存储器便于后续同类型机械零件的光学超精密检测。人工智能技术的机械学习执行模式如图1所示，机械通过调用存储器中的相关检测信息将其载入内存，然后运行驱动电机控制三维运动平台，载入检测现场的执行测量函数，根据实测的CCD （电荷耦合器件）机械零件图像进行光学超精密检测。
采用人工智能技术中的机械学习模式使机械零件的光学超精密检测过程仅需人工分析操作一次，并将该次操作结果作为自变量输入进行机械计算，将输出的多个函数输出值和自变量保存在存储器中⑴〕，此后在多次执行光学超精密检测时，通过执行机械学习模式，在存储器中检索获取所需信息，提升了光学超精密检测的效率。
图1人工智能的机械学习执行模式
2.2检测技术整体实现
光学超精密检测技术是以机械零件超精密表面形貌和尺寸检测为目的，满足机械零件光学超精密表面
形貌的高精度测量要求的技术。现有的检测技术无法满足机械零件的超精度需求〔⑷，可采用光学白光干涉测量和共聚焦测量技术，通过旋转鼻轮的方式实现对机械零件两种测量技术的有效切换，起到机械零件光学超精密检测的目的。
超精密检测的运动结构包括微观运动和宏观运动两部分，机械零件微米级以上的宏观运动超精密检测根据步进电机带动的精密滚珠丝杠实现，微米级以下的微观运动根据三轴压电陶瓷带动的平行钱链实现。机械学习模式下机械零件光学超精密检测流程如图2所示，针对不同机械零件的材料、形貌和几何特点以及机械零件的实际应用领域，选择光学白光干涉测量或共聚焦测量技术进行光学超精密检测。机械学习模式下机械零件光学超精密检测时先将待检测零件放置于三维运动平台上，根据选择的检测技术切换对应的测头，采用三轴步进电机控制三维运动平台，将待检测机械零件转移到CCD可检测范围内，根据位置灯源状态信息调整照明W机械零件微米级
王琦等：基于人工智能技术的光学超精密检测技术
158《激光杂志》2021年第42卷第2期LASER JOURNAL(Vol.42,No.2,2021)
运动模式下采用三轴压电陶瓷超精密检测被检测区域，后通过检测光路对三轴压电陶瓷进行信息检测，采用三轴压电陶瓷超精密检测时获取的机械零件的动作和位置信息、光照强度等信息同步到数据采集卡，并对获取的数据采集卡检测数据结果进行机械学习，机械学习结果保存在存储器并在计算机端口显示检测数据。
图2机械学习模式下机械零件光学超精密检测流程谢娜张杰个人资料
当机械零件处于白光干涉测量时，将显微物镜与待检测机械零件样品间距设为r，参考镜处在焦平面「=『。处(％为显微物镜焦距)，将CCD图像中各个像素受到的干涉光强0(r)与被检测零件表面对应点高度为r的关系表示如下：
Qi(『)=QcJ l+sinc[n()(r-ro)(l-cos%]
•cos[n0(r-r0)(l+cos^o+^J\(2)其中:Q。为背景光强,W表示双光束相位差;％= sm'NA表示半孔径角，N4表示显微物镜的数值孔径,sin()表示辛格函数,n0-2Tr/A0表示激光中心谱线波数量，仏表示激光中心波长。
当机械零件处于共聚焦测量模式时，三轴压电陶瓷完成在Z轴的一单位移动后，对机械零件的XK面进行光学超精密检测，因为XV平面高度不一，所以平面中各点与焦平面间距不同，当检测点所在位置为显微物镜焦点z时，探测器接收的光强0表示如下:
Qi=
sin["oZ(1-COS00)]
n o z(l-cos%)
2
Q o(3)若检测点与物镜焦平面间偏离距离为山时，此时探测器接收的光强为:
2.3检测光路设计
机械零件的光学超精密检测的检测光路部分包括共聚焦测量光路和白光干涉测量光路，采用不同类型的传感测头可实现不同方式机械零件的超精密检测。采用部分共享光路的原理将共聚焦测量与白光干涉测量原理紧密结合，实现采用相同显微镜基体完成共聚焦和白光干涉的双重测量。基于机械零件的光学超精密检测要求，采用旋转鼻轮的方式，操控舵机移动光学组件达到共享光路分时切换目的，实
现共聚焦测量和白光干涉测量光路的实时转换。反射镜与直通孔构成光学组件，当出现直通孔在物镜上方的情况时，共焦测头开始运行，反之当出现反射镜在物镜上方时，白光干涉测头运行。光学超精密检测
()2(Z+A z)=Qo(4)
因此，可根据探测器接收的光强大小获取检测零件上各处相对焦平面的距离远近，检测光路得到检测零件各点的高度数值，此后通过执行机械学习模式，在存储器中检索获取机械零件在微米级以上宏观运动或微米级以下微观运动的全部动作和位置信息、光照强度等信息，学习得到待检测机械零件各处相对焦平面距离，计算得到机械零件各处相对焦平面距离，实现机械零件的全面光学超精密检测。
待检测机械零件
三维运动平台图3光学超精密检测光路图3实验分析
实验为验证本文检测方法的突出效用，对本文方法进行仿真测试，实验以某数控加工平台生产的某批次机械零件为研究对象，该批次机械零件中零件包括各种不同类型机械零件共12个，且各零件间均存在一定差异，采用本文方法对该批次机械零件进行光学超精密检测，包括机械零件的尺寸大小和表面加工质量，实验为突出本文方法的检测效果，将基于机床动态特性和小光斑覆盖的光学超精密检测技
术作为实验对比，实验将3种方法在检测过程中是否对机械零件造成损伤作为评判检测质量的指标，采用3种方法进行光学超精密检测后，机械零件损伤检测结果如表1所示，其中检测损伤分为4个等级，分别为高、中、低和无。
王琦等：基于人工智能技术的光学超精密检测技术
《激光杂志》2021年第42卷第2期LASER JOURNALS Vol.42,No.2,2021）159
表13种方法光学超精密检测后机械零件的损伤结果
机械零件本文机床动态小光斑
编码方法特性法覆盖法
1无中高
2无低高
3无低中
4无低高
5无中中
6无低髙
7无低中
8无中高
9无低低
10无低高
11无中高
12无低低
从表1结果可知，采用本文方法对不同机械零件
进行光学超精密检测后，各检测零件均未发生任何损
伤，而机床动态特性法中检测结果多数为低等损伤,
表明采用该方法进行光学超精密检测后，机械零件有
小程度损伤，而采用小光斑覆盖法后机械零件大多损
伤等级为高级，部分为中等或低级损伤，表明采用该
方法进行光学超精密检测对机械零件的损伤程度较
高，实际应用质量较低。
基于上述实验获取的无损检测结果，实验对本文
方法进行光学超精密检测结果的误差进行分析，机械
零件尺寸和表面加工质量是影响机械零件正常工作
的主要标准，准确检测出机械零件的尺寸和表面加工
质量有助于及时更换高质量的零件，降低由于零件故
障导致的经济损失。实验同样以上述两种方法作为
实验参照，将3种方法对机械零件尺寸大小和表面加
工质量检测结果的误差用表2描述：
表2三种方法光学超精密检测的尺寸和表面加工
质量检测误差（％）
本文方法机械
零件
编码
机床动态
特性法
尺寸表面加
大小工质量
小光斑
覆盖法
尺寸表面加
大小工质量
尺寸表面加
大小工质量
1 1.05 1.57 3.35 3.56 5.21 3.54
2 1.32 1.68 3.45 3.68 4.62 2.65
3 1.2
4 1.77 3.21 4.2
5 5.68 4.25
4 1.11 1.8
5 4.58 4.3
6 5.5
7 3.27
5 1.25 1.84 1.68 5.51 4.32 2.65
6 1.35 1.86 2.54 4.45 4.25 3.54
7 1.36 1.84 3.64 3.25 3.56 4.28
8 1.15 1.57 4.21 4.26 4.57 4.47
9 1.19 1.65 2.57 3.56 5.28 3.54
10 1.21 1.67 3.62 2.85 4.32 5.14
11 1.25 1.75 3.54 4.45 3.58 5.48
12 1.33 1.84 3.57 4.35 4.25 4.65
将表2中3种方法的光学超精密检测误差用图4和图5表示，获取精准的光学超精密检测误差。
*-小光斑覆盖法
图4光学超精密尺寸大小检测误差
本文方法
机床动态特征性法6
■本文方法
■机床动态特征性法
•小光斑覆盖法
图5光学超精密表面加工质量检测误差
从图4和图5曲线结果可知，采用本文方法进行的机械零件光学超精密检测误差结果中，检测出机械零件尺寸和表面加工质量误差均较低，误差分别最高不超过1.36%和1.86%，而机床动态特性法检测机械零件尺寸和表面加工质量误差最高分别为4.58%和5.51%，检测误差超出本文方法较大幅度，同样小光斑覆盖法的检测误差最高分别为5.68%和5.48%，检测误差最高，表明采用本文方法进行的光学超精密检测结果的尺寸误差和表面加工质量误差较小，检测结果精度高。
实验在获取本文方法检测精度高的结果上对本文方法的检测效率进行分析，实验同样以某数控加工平台生产的某批次机械零件为研究对象，分别采用三种方法对各零件进行全面检测，将三种方法的尺寸大小和表面加工质量检测用时用表3和表4描述：分析表3数据结果可知，采用本文方法进行机械零件尺寸大小的光学超精密检测用时始终稳定在5.65ms以内，检测方法的稳定性和效率较高；而机床动态特征法光学超精密检测机械零件尺寸大小用时变化较大且用时较长，说明该方法检测效率低；同样分析小光斑覆盖法的检测用时可知该方法的机械零件尺寸大小检测长，检测效率低。班名
同样从表4数据结果可知，本文方法检测机械零件的表面加工质量耗时在三种方法中最低，检测效率最高，因此可知本文基于人工智能技术的光学超精密检测技术检测效率最高，当检测机械零件数量较多时检测速度较快。
王琦等：基于人工智能技术的光学超精密检测技术
160《激光杂志》2021年第42卷第2期LASER JOURNAL(Vol.42,No.2,2021)
表3机械零件尺寸大小光学超精密检测用时(ms)
机械零件本文机床动态小光斑编码方法特性法覆盖法
1 5.6215.4617.26袁维娅
2 5.2314.2517.45
3 5.1213.2615.68
4 5.3214.2616.35
5 5.2112.5814.05
8023红包是什么意思啊6 5.2315.3615.55
7 5.2415.2413.56
8 5.5113.5614.25
9 5.3214.2615.68
10 5.6515.8719.54
11 5.4818.4618.54
12 5.1417.5616.54
表4机械零件表面加工质量光学超精密检测用时(ms)
机械零件本文机床动态小光斑编码方法特性法覆盖法
1&6525.3235.26
29.4721.3642.36
310.2418.5645.28
49.5620.3636.84
59.4522.5442.31
610.2522.3635.84
710.3622.4543.68
8&6525.8435.68
99.452&6537.52
1010.1524.5746.52
119.5526.5843.58
1210.2625.4842.65
综合上述实验分析结果可得，本方法在光学超精密检测过程中对机械材料未造成任何损伤，且在对机械零件尺寸大小和表面加工质量检测结果的误差低、用时短，是一种可用于海量机械零件快速高质量光学超精密检测的方法。
4结论
采用人工智能技术中的机械学习法，使机械零件的光学超精密检测过程大大简化，并将操作结果保存
在存储器中，便于后续光学超精密检测过程的快速执行，且采用的光学白光干涉测量和共聚焦测量技术可对微米级以上及以下的零件运动进行检测，并基于检测光路光电探测器接收的光强大小获取检测零件各点的高度数值，通过执行机械学习模式学习得到待检测机械零件各处相对焦平面距离，使机械零件的光学超精密检测精度大大提升。
2021年立秋准确时间几点几分参考文献
[1]邵杨锋，傅云霞，雷李华，等.超精密表面形貌光学测
量系统[J].微纳电子技术，2016,53(10):679-684. [2]范育奇，周晨，张金龙，等.采用反射叠栅信号的超精
密定位技术研究[J].光学学报，2015,35(12):110-
117.
[3]乔政，刘玉涛，吴言功，等.辐筒模具超精密机床系统
江雪古诗设计与工艺[J].光学精密工程，2018,V.26(07):106-
116.
[4]方斌，田伟，王汝冬，等.¢300mm平面标准镜高精度
支撑关键技术[J].激光与光电子学进展，2015,52
(9)：273-279.
[5]王飞，张健，彭利荣，等.气囊抛光过程的运动精度控
制[J].光学精密工程，2015,23(8):2220-2228.
[6]Crawford E D,Batuello J T,Snow P,et al.The use of arti
ficial intelligence technology to predict lymph node spread
in men with clinically localized prostate carcinoma[J].
Cancer,2015,88(9)：2105-2109.
[7]金滩，李平，肖航，等.大中型光学元件高效精密磨削
技术研究综述[J].机械工程学报，2016,52(9):165-
175.
[8]刘俭，谷康，李梦周，等.光学显微三维测量解耦合准
则[J]・红外与激光工程,2017,001(3)：1-7.
[9]鲁森，杨开明，朱煜，等.用于扫描干涉场曝光的超精
密微动台设计与控制[J].光学学报，2017,37(10)：
202-210.
[10]王子仪，张荣君，唐彬，等.唯一性检测在椭圆偏振光
谱薄膜拟合中的应用[J].红外与毫米波学报，2015,
34(6)：663-667.
[11]郭蒙，戴一帆，彭小强，等.长方体类光学元件形位误
差高精度测量方法〔J].国防科技大学学报，2015,37
(6)：21-25.
[12]彭星，孔令豹.基于室内可见光通信技术的新型两级光
学接收天线设计与分析[J].物理学报，2018,67(9)：
102-112.
[13]许乔，王健，马平，等.先进光学制造技术进展[J]・强
激光与粒子束，2016,25(12):3098-3105.
[14]Broda M,Frank A.Learning Beyond the Screen:Assessing
the Impact of Reflective Artificial Intelligence Technology on the Development of Emergent Literacy Skills[J].Plant
Physiology,2015,151(2)：681-690.
[15]钱佳立，袁巨龙，陆惠宗.适用于小光斑覆盖光学检测
的球体表面全展开方法研究[J].表面技术，2017,46
(10)：291-297.
[16]杨旭，安晨辉，孙郅佶，等.基于机床动态特性的超精
密飞切加工表面波纹机理解析[J].振动与冲击，2016,
35(18)：196-202.
[17]Ma Y,Lee E W M,Yuen R K K.An Artificial Intelligence
-Based Approach for Simulating Pedestrian Movement[J].
IEEE Transactions on Intelligent Transportation Systems,
2016,17(11)：3159-3170.
发布评论