CN106584209A - 基于云制造的刀具磨损实时在线监测方法 - Google Patents

Abstract

基于云制造的刀具磨损实时在线监测方法。传统的检测方法受到机床振动的影响比较大，采集的图像容易失真，采集图像时CCD摄像机受光照的影响的比较大，容易出现模糊图像。本发明包括以下步骤：步骤一、固定好光源、高速近红外工业相机、镜头，使光源、近红外工业相机以及镜头在加工时能够与刀具保持相对静止；步骤二、调节好近红外工业相机的焦距、镜头的放大倍率，调节光源的光照强度，在被测刀具表面形成均匀柔和的光照强度，近红外工业相机捕捉被测刀具表面图像；步骤三、通过近红外工业相机的传感器将步骤二检测到的刀具表面图像传输到计算机。本发明应用于基于云制造的刀具磨损实时在线监测方法。

Description

基于云制造的刀具磨损实时在线监测方法

技术领域：

本发明涉及一种基于云制造的刀具磨损实时在线监测方法。

背景技术：

刀具磨损在机械加工中是一种普遍存在的现象，刀具的磨损与磨损状态直接影响着机械加工的精度、效率及经济效益，研究刀具磨损可以大大提高机械加工效率，降低加工成本，具有较大的经济效应。工人根据观察工件表面、振动以及噪声等方法来判断刀具磨损的传统方法来考虑是否换刀，但是由于刀具寿命具有随机性，传统的方法不能够将刀具寿命利用最大化。随着机床的自动化和智能化水平的提高，工件材料多样化以及难加工材料的增加，零件的形状的复杂化增加，如何能够及时的掌控刀具磨损状态，对于延长机床的设备及刀具的使用寿命，对于提高产品质量具有重要意义。

对现有技术专利检索发现，中国专利200910035356.8，发明名称为：基于工件加工表面图像分析的刀具磨损状态评价方法。该发明是提供一种基于图像识别以及根据多特征融合分类方法来实现刀具破损、破损状态的定时定量检测；但是这种方法受到机床振动的影响比较大，采集的图像容易失真，采集图像时CCD摄像机受光照的影响的比较大，容易出现模糊图像。采集的图像的没有经过图像处理直接识别容易出现差错。

发明内容：

本发明的目的是提供一种基于云制造的刀具磨损实时在线监测方法。

上述的目的通过以下的技术方案实现：

一种基于云制造的刀具磨损实时在线监测方法，该方法包括以下步骤：

步骤一、固定好光源、高速近红外工业相机、镜头，使光源、近红外工业相机以及镜头在加工时能够与刀具保持相对静止；

步骤二、调节好近红外工业相机的焦距、镜头的放大倍率，调节光源的光照强度，在被测刀具表面形成均匀柔和的光照强度，近红外工业相机捕捉被测刀具表面图像；

步骤三、通过近红外工业相机的传感器将步骤二检测到的刀具表面图像传输到计算机；

步骤四、对步骤三采集图像进行图像处理，包括利用Daubechies小波进行图像分解与重构，以及图像去噪、图像增强和图像边缘检测；

步骤五、对步骤四处理的图像进行特征提取，提取的图像的多个特征点及特征向量；

步骤六、将步骤五处理后的图像与计算机内的数据库内的图像进行图像识别；

步骤七、若步骤六识别的图像中刀具出现磨损，机床报警停车并且传输到移动端提醒工人停车换刀。

所述的基于云制造的刀具磨损实时在线监测方法，所述的对采集图像进行小波变换中利用Daubechies小波进行图像分解与重构，具体公式为：

令，式中为二项式的系数，P（y）是二项式函数，有，w是变量，m₀（w）是重构的二项式函数，h_k、j是常数项，式中：。

所述的基于云制造的刀具磨损实时在线监测方法，对采集图像进行图像处理步骤中，图像去噪具体步骤如下所述：

首先，显示原始图像及它的含噪声图像；

其次，用sym5小波对图像信号进行二层的小波分解；

最后，使用ddencmp函数来计算去噪的默认阙值和熵标准以及使用wdencmp函数来实现图像的压缩。

所述的基于云制造的刀具磨损实时在线监测方法，对采集图像进行图像处理步骤中，其中的图像增强是利用中值滤波来实现；

其中图像边缘检测步骤是采取Canny边缘检测，首先用高斯滤波器平滑图像，其次用一阶偏导的有限差分计算梯度的幅值和方向，然后对梯度幅值进行非极大值抑制，最后用双阙值算法检测和连接边缘。

所述的基于云制造的刀具磨损实时在线监测方法，提取图像的多个特征点是利用SIFT算法来提取图像的特征点，其中包括构建尺度空间、建立图像金字塔、LoG近似DoG找到关键点、去除不好的特征点、给特征点赋值一个128维方向参数以及生成关键点描述子；

提取图像的多个特征向量是利用SIFT算法来提取图像的特征向量，主要是对步骤五所述特征点使用4×4共16个种子点描述，对于每个特征点就可以生成128个数据，最终生成了128维的SIFT特征向量；

所述的基于云制造的刀具磨损实时在线监测方法，图像识别的步骤中的数据库，数据库内的图像都经过步骤四与步骤五的处理，并且经过最小距离分类器处理；

图像识别的步骤中的图像识别，取步骤五处理的图像中的某个特征点，并找出其与数据库的图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。

有益效果：

1.本发明利用高速近红外工业相机拍摄刀具加工时的图像并且通过传感器将图像实时的传输到计算机内；对采集好的刀具表面图像进行图像处理，包括用Daubechies小波进行图像分解与重构、图像去噪、图像增强和图像边缘检测；对处理好的图像与原有刀具磨损图像数据库中的图像进行图像识别。

本发明的高速近红外工业相机易于安装结构紧凑结实可长时间工作，快门时间非常短，可以抓拍高速运动的物体，并且防震效果好。近红外工业相机的图像传感器采用逐行扫描，所以其图像显示画面闪烁小，显示效果好，并且其光谱范围宽广。

本发明利用高速近红外工业相机来采集刀具表面灰度图像，其可以抓取高速运动的物体，且受光照的影响小，采用逐行扫描的图像传感器能够传输出高质量的清晰切削加工时的刀具表面图像。用计算机来对图像进行处理及识别，这种方法能够实现实时的在线监测，并且将刀具的磨损情况实时的反映给操作者及机床，能够对机床及加工工件实现最大的保护，并且将刀具使用寿命实现最大化。

本发明能够克服对刀具无法实时在线监测，将刀具磨损的实时状态传输到机床及操作者，并且能够实时的保护机床及加工工件，能够有效的防止工件因刀具磨损而造成的加工精度不足的损失，并且将刀具的使用寿命达到最大利用率，避免浪费，可以将其应用到数控机床加工当中的刀具在线监测实现在线换刀，降低人力消耗。

附图说明：

附图1是本发明的结构示意图。

附图2是本发明的刀具磨损在线实时监测整体流程图。

附图3是本发明的刀具磨损图像采集流程图。

附图4是本发明的刀具磨损图像处理及图像识别流程图。

具体实施方式：

实施例1：

一种基于云制造的刀具磨损实时在线监测方法，该方法包括以下步骤：

步骤一、固定好光源、高速近红外工业相机、镜头，使光源、近红外工业相机以及镜头在加工时能够与刀具保持相对静止；

步骤二、调节好近红外工业相机的焦距、镜头的放大倍率，调节光源的光照强度，在被测刀具表面形成均匀柔和的光照强度，近红外工业相机捕捉被测刀具表面图像；

步骤三、通过近红外工业相机的传感器将步骤二检测到的刀具表面图像传输到计算机；

步骤四、对步骤三采集图像进行图像处理，包括利用Daubechies小波进行图像分解与重构，以及图像去噪、图像增强和图像边缘检测；

步骤五、对步骤四处理的图像进行特征提取，提取的图像的多个特征点及特征向量；

步骤六、将步骤五处理后的图像与计算机内的数据库内的图像进行图像识别；

步骤七、若步骤六识别的图像中刀具出现磨损，机床报警停车并且传输到移动端提醒工人停车换刀。

实施例2：

根据实施例1所述的基于云制造的刀具磨损实时在线监测方法，所述的对采集图像进行小波变换中利用Daubechies小波进行图像分解与重构，具体公式为：

令，式中为二项式的系数，P（y）是二项式函数，有，w是变量，m₀（w）是重构的二项式函数，h_k、j是常数项，式中：

实施例3

根据实施例1或2所述的基于云制造的刀具磨损实时在线监测方法，对采集图像进行图像处理步骤中，图像去噪具体步骤如下所述：

首先，显示原始图像及它的含噪声图像；

其次，用sym5小波对图像信号进行二层的小波分解；

最后，使用ddencmp函数来计算去噪的默认阙值和熵标准以及使用wdencmp函数来实现图像的压缩。

实施例4

根据实施例1或2或3所述的基于云制造的刀具磨损实时在线监测方法，对采集图像进行图像处理步骤中，其中的图像增强是利用中值滤波来实现；

其中图像边缘检测步骤是采取Canny边缘检测，首先用高斯滤波器平滑图像，其次用一阶偏导的有限差分计算梯度的幅值和方向，然后对梯度幅值进行非极大值抑制，最后用双阙值算法检测和连接边缘。

实施例5

根据实施例1或2或3或4所述的基于云制造的刀具磨损实时在线监测方法，提取图像的多个特征点是利用SIFT算法来提取图像的特征点，其中包括构建尺度空间、建立图像金字塔、LoG近似DoG找到关键点、去除不好的特征点、给特征点赋值一个128维方向参数以及生成关键点描述子；

提取图像的多个特征向量是利用SIFT算法来提取图像的特征向量，主要是对步骤五所述特征点使用4×4共16个种子点描述，对于每个特征点就可以生成128个数据，最终生成了128维的SIFT特征向量；

实施例6

根据实施例1或2或3或4或5所述的基于云制造的刀具磨损实时在线监测方法，图像识别的步骤中的数据库，数据库内的图像都经过步骤四与步骤五的处理，并且经过最小距离分类器处理；

图像识别的步骤中的图像识别，取步骤五处理的图像中的某个特征点，并找出其与数据库的图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。

实施例7：

上述基于云制造的刀具磨损实时在线监测方法，下面结合附图对本发明进一步说明：

如图1所示，本发明的实施例采用普通的车床，将光源、高速近红外工业相机以及镜头采用特殊装置与刀具的夹具固定在一起。利用图像传感器将刀具磨损表面会图像传输的计算机；对采集到的图像进行图像处理；将处理好的图像与原有数据库内的图像进行图像匹配识别；若识别出图像内的刀具图像出现严重的刀具磨损现象，经过计算机传输到机床进行停机防止机床损坏并且发出警报，同时传输到移动端提醒操作者刀具磨损严重，进行换刀操作。

如图2所示，本发明的刀具磨损在线实时监测整体流程图。

本发明经过图像采集、图像处理、图像识别步骤，当图像识别的图像与数据库图像不匹配时，继续与数据库的图像进行匹配。识别出的图像可以判断出刀具磨损程度，若磨损不严重继续本流程，若磨损严重进行停机、换刀操作。

如图3所示，本发明的刀具磨损图像采集流程图

固定好光源、高速近红外工业相机以及镜头，使光源、近红外工业相机以及镜头在加工时能够与刀具保持相对静止；调节好高速近红外工业相机的焦距、放大倍率，调节光源的光照强度，在被测刀具表面形成均匀柔和的光照强度，近红外工业相机捕捉被测刀具表面图像；通过近红外工业相机的传感器将步骤二检测到的刀具表面图像传输到计算机；

如图4所示，本发明的刀具磨损图像的图像处理与图像识别流程图。

其中利用Daubechies小波进行图像分解与重构，主要是

令，式中为二项式的系数，P（y）是二项式函数，有，w是变量，m₀（w）是重构的二项式函数，h_k、j是常数项，式中：。

图像去噪的具体操作步骤，首先，显示原始图像及它的含噪声图像；其次，用sym5小波对图像信号进行二层的小波分解；最后，使用ddencmp函数来计算去噪的默认阙值和熵标准以及使用wdencmp函数来实现图像的压缩。

利用中值滤波来实现图像的增强，其本质上是一种统计排序滤波器，对于原图像中的某点（i，j），中值滤波以该点为中心的领域内的所有像素的统计排序中值作为（i，j）点的响应。

边缘检测采取Canny边缘检测，其基本思想：首先用高斯滤波器平滑图像，其次用一阶偏导的有限差分计算梯度的幅值和方向，然后对梯度幅值进行非极大值抑制，最后用双阙值算法检测和连接边缘。

利用SIFT算法来提取图像的特征点，其中包括构建尺度空间、建立图像金字塔、LoG近似DoG找到关键点、去除不好的特征点、给特征点赋值一个128维方向参数以及生成关键点描述子。用SIFT算法来提取图像的特征向量，主要是对特征点使用4×4共16个种子点描述，对于每个特征点就可以生成128个数据，最终生成了128维的SIFT特征向量。

图像识别的主要实施步骤为将处理好的图像某一个特征点或者特征向量，并找出其与数据库的图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。若不能匹配则再选取数据库里的另一张图，选取匹配点最多的图像。

Claims (6)

1.一种基于云制造的刀具磨损实时在线监测方法，其特征是：该方法包括以下步骤：

步骤一、固定好光源、高速近红外工业相机、镜头，使光源、近红外工业相机以及镜头在加工时能够与刀具保持相对静止；

步骤二、调节好近红外工业相机的焦距、镜头的放大倍率，调节光源的光照强度，在被测刀具表面形成均匀柔和的光照强度，近红外工业相机捕捉被测刀具表面图像；

步骤三、通过近红外工业相机的传感器将步骤二检测到的刀具表面图像传输到计算机；

步骤四、对步骤三采集图像进行图像处理，包括利用Daubechies小波进行图像分解与重构，以及图像去噪、图像增强和图像边缘检测；

步骤五、对步骤四处理的图像进行特征提取，提取的图像的多个特征点及特征向量；

步骤六、将步骤五处理后的图像与计算机内的数据库内的图像进行图像识别；

步骤七、若步骤六识别的图像中刀具出现磨损，机床报警停车并且传输到移动端提醒工人停车换刀。

2.根据权利要求1所述的基于云制造的刀具磨损实时在线监测方法，其特征是：所述的对采集图像进行小波变换中利用Daubechies小波进行图像分解与重构，具体公式为：

令 ，式中 为二项式的系数，P（y）是二项式函数，有 ，w是变量，m₀（w）是重构的二项式函数，h_k、j是常数项，式中： 。

3.根据权利要求1或2所述的基于云制造的刀具磨损实时在线监测方法，其特征是：对采集图像进行图像处理步骤中，图像去噪具体步骤如下所述：

首先，显示原始图像及它的含噪声图像；

其次，用sym5小波对图像信号进行二层的小波分解；

最后，使用ddencmp函数来计算去噪的默认阙值和熵标准以及使用wdencmp函数来实现图像的压缩。

4.根据权利要求1或2或3所述的基于云制造的刀具磨损实时在线监测方法，其特征是：对采集图像进行图像处理步骤中，其中的图像增强是利用中值滤波来实现；

其中图像边缘检测步骤是采取Canny边缘检测，首先用高斯滤波器平滑图像，其次用一阶偏导的有限差分计算梯度的幅值和方向，然后对梯度幅值进行非极大值抑制，最后用双阙值算法检测和连接边缘。

5.根据权利要求1或2或3或4所述的基于云制造的刀具磨损实时在线监测方法，其特征是：提取图像的多个特征点是利用SIFT算法来提取图像的特征点，其中包括构建尺度空间、建立图像金字塔、LoG近似DoG找到关键点、去除不好的特征点、给特征点赋值一个128维方向参数以及生成关键点描述子；

提取图像的多个特征向量是利用SIFT算法来提取图像的特征向量，主要是对步骤五所述特征点使用4×4共16个种子点描述，对于每个特征点就可以生成128个数据，最终生成了128维的SIFT特征向量。

6.根据权利要求1或2或3或4或5所述的基于云制造的刀具磨损实时在线监测方法，其特征是：图像识别的步骤中的数据库，数据库内的图像都经过步骤四与步骤五的处理，并且经过最小距离分类器处理；

图像识别的步骤中的图像识别，取步骤五处理的图像中的某个特征点，并找出其与数据库的图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离少于设定的比例阈值，则接受这一对匹配点。