CN110465833A - 一种刀具断裂检测方法 - Google Patents
一种刀具断裂检测方法 Download PDFInfo
- Publication number
- CN110465833A CN110465833A CN201910778530.1A CN201910778530A CN110465833A CN 110465833 A CN110465833 A CN 110465833A CN 201910778530 A CN201910778530 A CN 201910778530A CN 110465833 A CN110465833 A CN 110465833A
- Authority
- CN
- China
- Prior art keywords
- cutter
- image
- cracking
- detection method
- predetermined value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000005336 cracking Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 15
- 239000002699 waste material Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000000691 measurement method Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
一种刀具断裂检测方法，涉及自动检测技术领域，其包括对参考轮廓面积与标定的刀具轮廓面积的比值进行判定，并综合迭代计算的方式进一步推算，将刀具轮廓面积在FIFO数据栈进行入栈和出栈操作，利用刀具初步断裂情况发生后，其断裂部位形成的尖角会急剧崩缺和磨损的特性，从而快速检测出二次断裂的情况，进而更快速地确定断刀情况的发生。本发明能够提高刀具断刀检测的时效性。
Description
技术领域
本发明涉及自动检测技术领域，尤其指一种刀具断裂检测方法。
背景技术
工业化生产中，为保证生产线能可靠地运行，各子模块在出现异常情况时，应该及时向监控系统发出异常信号，使得异常情况能得到快速地处理。在实际的数控加工过程中，由于各种各样的原因，不可避免地会出现刀具断裂的情况，若不能及时检测并作出相应的机床反馈调节，将严重影响生产线的正常运行，因此智能化的断刀检测系统是当下数控加工领域所亟需具备的，但现有的刀具检测系统的检测方法中对于断刀的判断始终缺乏良好的准确性。
中国专利CN109500657中公开了一种基于视觉的断刀检测方法，其通过实时地提取图像ROI区域（感兴趣区域）的参考轮廓并计算当前的轮廓面积，进而与标定的刀具轮廓面积相比，将得到的比值与预设阈值比大小来判断断刀与否。然而在实际操作中，由于其第一预定值为0.7~0.8，该方法的关键步骤（5）在将参考轮廓的面积除以标定好的刀具轮廓面积得到的比值与第一预定值相比较时，若该比值远远小于0.7~0.8（可能已发生断刀）时，并没有判断已经断刀，反而是让计数C加1，当C大于等于10的时候才判定断刀，小于10则继续下一轮检测，那么也就是说要再进行至少十次检测对比，可见该检测方法的时效性很低。
发明内容
本发明所要解决的问题是，提供一种刀具断裂检测方法，在利用合理的判定逻辑对参考轮廓面积与标定的刀具轮廓面积的比值进行判定的基础上，还可综合迭代计算的方式进一步推算，从而更快速地判断出机床的刀具是否出现断刀，提高断刀检测的时效性。
为了解决上述技术问题，本发明采用如下技术方案：一种刀具断裂检测方法，包括以下步骤：
S1、测出使用前的标定刀具轮廓面积S（bd）。
S2、采用高速摄像头以第一预定频率采集刀具图像，对刀具图像进行处理，得到刀具轮廓图像。
S3、根据刀具轮廓图像计算刀具轮廓面积值S（n），其中n为正整数，S（n）为第n次采集的刀具图像的刀具轮廓面积值。
S4、利用公式k= S（n）/ S（bd）计算出余量系数k值的大小，将k值与第一预定值m进行比较；
若m≤k＜1，则将计数C加1，然后将此时的计数C与第二预定值n进行比较，若C=n，则判断为刀具异常，并输出断刀检测结果，若C＜n，则转至步骤S2，其中C的初始化计数为0，n为正整数；
若k≥1，则转至步骤S2；
若k＜m，则转至步骤S5。
S5、将刀具轮廓面积值S（n）在FIFO数据栈进行入栈操作，以第二预设频率对FIFO数据栈进行出栈操作，并根据K（n）=S（n+1）⁄S（n）计算出磨损系数，其中K（n）为第n+1次计算出的磨损系数。
S6、将步骤S5得到的K（n）与第三预定值s进行比较；
若K（n）＜s，则判断为刀具异常，并输出断刀检测结果；
若K（n）≥s，则根据K（n+1）=S（n+2）⁄S（n+1）计算第n+2次的磨损系数，然后将K（n+1）与第三预定值s进行比较，重复该步骤直到第n+p次的磨损系数K（n+p）＜s，则判断为刀具异常，其中p为大于1的正整数。
优选地，所述S2中的图像处理方法包括以下步骤：
（1）先对采集的刀具图像进行灰度化处理，使其由四通道图像生成为一通道的灰度图像；
（2）采用霍夫变换图像处理，根据刀具的形状在所述灰度图像中对刀具进行定位，得到定位矩阵；
（3）利用所述定位矩阵裁剪上述最先得到的刀具图像，裁掉该刀具图像中位于所述定位矩阵之外的区域，该定位矩阵范围内的图像记为刀具定位图像；
（4）对所述刀具定位图像进行边缘化处理，使得该刀具定位图像仅剩下线条；
（5）连接任意线条的端点，得到具有外轮廓的多边形，删除外轮廓内部的线条；
（6）以所有外轮廓线的端点进行插值处理，得到平滑的外轮廓曲线，即刀具轮廓图像。
更优选地，所述第一预定值m为0.9。
更优选地，所述第二预定值n为10。
更优选地，所述第三预定值s为0.9。
更优选地，所述第二预设频率高于第一预设频率或与第一预设频率相同。
本发明的有益效果在于：该刀具断裂检测方法在利用了合理的判定逻辑对参考轮廓面积与标定的刀具轮廓面积的比值进行判定（步骤S1-S4）的基础上，还综合了迭代计算的方式进一步推算，具体地，若在步骤S4中得出k＜m的结果时，通常情况有两种：①产生误测数据，②已发生刀具初步断裂的情况。那么为了进一步确认是否出现断刀，本方法通过步骤S5和S6对刀具轮廓面积进一步判定，使下一次测得的刀具轮廓面积与上述初次测得k＜m时的刀具轮廓面积进行快速对比，进而得出磨损系数K（n），若K（n）的值小于s则能够立刻判定为断刀，这是由于初步断裂后的刀具断裂部位形成的尖角会急剧崩缺和磨损，从而快速形成二次断裂，该方法利用了这个特性，从而能够更快速地确定刀具断刀情况的发生，由于该特性下的二次断裂发生的时间与初步断裂的时间间隔极短，因此步骤S6可能仅需一次或循环两到三次便能测出断刀了，这相比于前述现有技术中需要通过十次测出刀具轮廓面积来对比判定断刀的方法而言，极大程度地提高断刀检测的时效性，从而使得该方法具备更好的通用性，能够满足一些对刀具断刀检测时效性要求较高的场合。
附图说明
图1为本发明实施例中刀具断裂检测方法的流程示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
如图1所示，一种刀具断裂检测方法，包括以下步骤：
S1、测出使用前的标定刀具轮廓面积S（bd）。
S2、采用高速摄像头以第一预定频率采集刀具图像，对刀具图像进行处理，得到刀具轮廓图像。
S3、根据刀具轮廓图像计算刀具轮廓面积值S（n），其中n为正整数，S（n）为第n次采集的刀具图像的刀具轮廓面积值。
S4、利用公式k= S（n）/ S（bd）计算出余量系数k值的大小，将k值与第一预定值m进行比较；
若m≤k＜1，则将计数C加1，然后将此时的计数C与第二预定值n进行比较，若C=n，则判断为刀具异常，并输出断刀检测结果，若C＜n，则转至步骤S2，其中C的初始化计数为0，n为正整数；
若k≥1，则转至步骤S2；
若k＜m，则转至步骤S5。
S5、将刀具轮廓面积值S（n）在FIFO数据栈进行入栈操作，以第二预设频率对FIFO数据栈进行出栈操作，并根据K（n）=S（n+1）⁄S（n）计算出磨损系数，其中K（n）为第n+1次计算出的磨损系数。
S6、将步骤S5得到的K（n）与第三预定值s进行比较；
若K（n）＜s，则判断为刀具异常，并输出断刀检测结果；
若K（n）≥s，则根据K（n+1）=S（n+2）⁄S（n+1）计算第n+2次的磨损系数，然后将K（n+1）与第三预定值s进行比较，重复该步骤直到第n+p次的磨损系数K（n+p）＜s，则判断为刀具异常，其中p为大于1的正整数。
上述实施方式提供的刀具断裂检测方法在利用了合理的判定逻辑对参考轮廓面积与标定的刀具轮廓面积的比值进行判定（步骤S1-S4）的基础上，还综合了迭代计算的方式进一步推算，具体地，若在步骤S4中得出k＜m的结果时，通常情况有两种：①产生误测数据，②已发生刀具初步断裂的情况。那么为了进一步确认是否出现断刀，本方法通过步骤S5和S6对刀具轮廓面积进一步判定，使下一次测得的刀具轮廓面积与上述初次测得k＜m时的刀具轮廓面积进行快速对比，进而得出磨损系数K（n），若K（n）的值小于s则能够立刻判定为断刀，这是由于初步断裂后的刀具断裂部位形成的尖角会急剧崩缺和磨损，从而快速形成二次断裂，该方法利用了这个特性，从而能够更快速地确定刀具断刀情况的发生，由于该特性下的二次断裂发生的时间与初步断裂的时间间隔极短，因此步骤S6可能仅需一次或循环两到三次便能测出断刀了，这相比于前述现有技术中需要通过十次测出刀具轮廓面积来对比判定断刀的方法而言，极大程度地提高断刀检测的时效性，从而使得该方法具备更好的通用性，能够满足一些对刀具断刀检测时效性要求较高的场合。
优选地，S2中的图像处理方法具体包括：
（1）先对采集的刀具图像进行灰度化处理，使其由四通道图像生成为一通道的灰度图像；
（2）采用霍夫变换图像处理，根据刀具的形状在灰度图像中对刀具进行定位，得到定位矩阵；
（3）利用定位矩阵裁剪上述最先得到的刀具图像，裁掉该刀具图像中位于定位矩阵之外的区域，该定位矩阵范围内的图像记为刀具定位图像；
（4）对刀具定位图像进行边缘化处理，使得该刀具定位图像仅剩下线条；
（5）连接任意线条的端点，得到具有外轮廓的多边形，删除外轮廓内部的线条（即与外轮廓线不相交的线条均删除）；
（6）以所有外轮廓线的端点进行插值处理，得到平滑的外轮廓曲线，即刀具轮廓图像。
上述图像处理方法不同于二值化处理方式，其得到的刀具轮廓图像相对更精确。
其中，在图像处理过程中，若是当前图像未处理完毕，则略过发送过来的刀具图像，直到当前图像处理完毕再进行下一幅刀具图像的处理。由于很多情况下，程序设定发送过来的图像必须进行处理，但是实际上，由于处理图像的硬件单元的能力、发热的情况，往往采集刀具图像的速率过快时，一副图像未处理完毕，就开始新的图像处理。而未处理完毕的图像以半成品的样式发送到下一个步骤，导致刀具的轮廓图像普遍大于实际的图像（采集的图片中有很多线条噪音，未处理完的情况，线条噪音会被误认为轮廓而被计算，导致刀具本来已经磨损很大，但是计算结果往往显示刀具完好）。
作为优选地，第一预定值m为0.9；第二预定值n为10；第三预定值s为0.9。
另外，在本实施例中，可设定第二预设频率高于第一预设频率或与第一预设频率相同，由于步骤S4中得出k＜m时，可能存在刀具断刀的情况，因此在进入步骤S5时，可加快检测频率，从而快速确定刀具是否出现断刀。
上述实施例为本发明较佳的实现方案，除此之外，本发明还可以其它方式实现，在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处，本发明的一些附图和描述已经被简化，并且为了清楚起见，本申请文件还省略了一些其它元素，本领域普通技术人员应该意识到这些省略的元素也可构成本发明的内容。
Claims (6)
1.一种刀具断裂检测方法，其特征在于，包括以下步骤：
S1、测出使用前的标定刀具轮廓面积S（bd）；
S2、采用高速摄像头以第一预定频率采集刀具图像，对刀具图像进行处理，得到刀具轮廓图像；
S3、根据刀具轮廓图像计算刀具轮廓面积值S（n），其中n为正整数，S（n）为第n次采集的刀具图像的刀具轮廓面积值；
S4、利用公式k= S（n）/ S（bd）计算出余量系数k值的大小，将k值与第一预定值m进行比较；
若m≤k＜1，则将计数C加1，然后将此时的计数C与第二预定值n进行比较，若C=n，则判断为刀具异常，并输出断刀检测结果，若C＜n，则转至步骤S2，其中C的初始化计数为0，n为正整数；
若k≥1，则转至步骤S2；
若k＜m，则转至步骤S5；
S5、将刀具轮廓面积值S（n）在FIFO数据栈进行入栈操作，以第二预设频率对FIFO数据栈进行出栈操作，并根据K（n）=S（n+1）⁄S（n）计算出磨损系数，其中K（n）为第n+1次计算出的磨损系数；
S6、将K（n）与第三预定值s进行比较；
若K（n）＜s，则判断为刀具异常，并输出断刀检测结果；
若K（n）≥s，则根据K（n+1）=S（n+2）⁄S（n+1）计算第n+2次的磨损系数，然后将K（n+1）与第三预定值s进行比较，重复该步骤直到第n+p次的磨损系数K（n+p）＜s，则判断为刀具异常，其中p为大于1的正整数。
2.根据权利要求1所述的刀具断裂检测方法，其特征在于，所述S2中的图像处理方法包括以下步骤：
（1）先对采集的刀具图像进行灰度化处理，使其由四通道图像生成为一通道的灰度图像；
（2）采用霍夫变换图像处理，根据刀具的形状在所述灰度图像中对刀具进行定位，得到定位矩阵；
（3）利用所述定位矩阵裁剪上述最先得到的刀具图像，裁掉该刀具图像中位于所述定位矩阵之外的区域，该定位矩阵范围内的图像记为刀具定位图像；
（4）对所述刀具定位图像进行边缘化处理，使得该刀具定位图像仅剩下线条；
（5）连接任意线条的端点，得到具有外轮廓的多边形，删除外轮廓内部的线条；
（6）以所有外轮廓线的端点进行插值处理，得到平滑的外轮廓曲线，即刀具轮廓图像。
3.根据权利要求1所述的刀具断裂检测方法，其特征在于：所述第一预定值m为0.9。
4.根据权利要求1所述的刀具断裂检测方法，其特征在于：所述第二预定值n为10。
5.根据权利要求1所述的刀具断裂检测方法，其特征在于：所述第三预定值s为0.9。
6.根据权利要求1所述的刀具断裂检测方法，其特征在于：所述第二预设频率高于第一预设频率或与第一预设频率相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778530.1A CN110465833B (zh) | 2019-08-22 | 2019-08-22 | 一种刀具断裂检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778530.1A CN110465833B (zh) | 2019-08-22 | 2019-08-22 | 一种刀具断裂检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110465833A true CN110465833A (zh) | 2019-11-19 |
| CN110465833B CN110465833B (zh) | 2020-06-09 |
Family
ID=68513363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910778530.1A Active CN110465833B (zh) | 2019-08-22 | 2019-08-22 | 一种刀具断裂检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110465833B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111230593A (zh) * | 2020-03-02 | 2020-06-05 | 西南交通大学 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
| CN112598645A (zh) * | 2020-12-23 | 2021-04-02 | 深兰人工智能芯片研究院（江苏）有限公司 | 轮廓检测方法、装置、设备及存储介质 |
-
2019
- 2019-08-22 CN CN201910778530.1A patent/CN110465833B/zh active Active
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111230593A (zh) * | 2020-03-02 | 2020-06-05 | 西南交通大学 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
| CN112598645A (zh) * | 2020-12-23 | 2021-04-02 | 深兰人工智能芯片研究院（江苏）有限公司 | 轮廓检测方法、装置、设备及存储介质 |
| CN112598645B (zh) * | 2020-12-23 | 2022-07-01 | 深兰智能科技(上海)有限公司 | 轮廓检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110465833B (zh) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
| CN110465833A (zh) | 一种刀具断裂检测方法 | |
| CN109500657B (zh) | 一种基于视觉的断刀检测方法及系统 | |
| US10413984B2 (en) | Method for predicting precision of electrical discharge machine | |
| CN108089938A (zh) | 异常数据处理方法及装置 | |
| CN117889945B (zh) | 一种公路桥梁施工振动测试方法 | |
| CN114490156A (zh) | 一种时间序列数据异常标记方法 | |
| CN115240146B (zh) | 基于计算机视觉的机床装配智能验收方法 | |
| TWI628021B (zh) | 用於放電加工機之精度預測的特徵萃取方法及預測方法 | |
| CN114757927A (zh) | 一种基于机器视觉的零部件表面毛刺检测方法 | |
| CN115797361A (zh) | 一种铝模板表面缺陷检测方法 | |
| CN104199417A (zh) | 一种半导体镀膜工艺的统计过程监控方法 | |
| EP3623888A1 (en) | Workpiece surface quality issues detection | |
| CN117334605A (zh) | 一种批量化生产良率稳定性反馈机制 | |
| CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
| CN115713247A (zh) | 生产过程质量控制方法、电子设备和计算机可读存储介质 | |
| CN113920547A (zh) | 一种基于神经网络的手套检测方法及其系统 | |
| TWI745912B (zh) | 高爐之異常判定裝置、高爐之異常判定方法及高爐之操作方法 | |
| CN104078381A (zh) | 一种量测机台监测图规格界限设定的方法 | |
| CN103018327A (zh) | 航空发动机整流器超声波探伤钎着率测量方法 | |
| CN113487126A (zh) | 一种不合格品动态检测方法 | |
| CN108459948B (zh) | 系统可靠性评估中失效数据分布类型的确定方法 | |
| CN105930870A (zh) | 一种工程安全监测数据离群值检测方法 | |
| CN112388391B (zh) | 一种车削刀具置换方法 | |
| CN112116014A (zh) | 一种配电自动化设备测试数据离群值检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared |