CN110728667A - 一种基于灰度图像概率的刀具磨损量自动精确测量方法 - Google Patents
一种基于灰度图像概率的刀具磨损量自动精确测量方法 Download PDFInfo
- Publication number
- CN110728667A CN110728667A CN201910951668.7A CN201910951668A CN110728667A CN 110728667 A CN110728667 A CN 110728667A CN 201910951668 A CN201910951668 A CN 201910951668A CN 110728667 A CN110728667 A CN 110728667A
- Authority
- CN
- China
- Prior art keywords
- image
- cutter
- boundary
- probability
- gray
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
一种基于灰度图像概率的刀具磨损量自动精确测量方法,其特征是针对由于刃口原始边界缺失引起的刀具磨损量精确测量难题,提出基于贝叶斯推断求解缺失的刃口原始边界的方法。通过分析铣刀刃口灰度值变化规律,建立了刀具磨损边界的似然函数和原始边界的先验概率模型,通过最大化刀具原始边界的后验概率重建缺失的原始边界。利用区域生长法获取磨损区域面积,实现刀具磨损量的精确计算。本发明实现了刀具磨损量的自动精确测量,提高了测量精度和效率,也为刀具状态监测中大量数据的标注问题提供了有效的解决方式。
Description
技术领域
本发明涉及数控加工中刀具磨损测量领域,尤其是制造大数据下的刀具磨损量自动精确测量方法,具体地说是一种基于灰度图像概率的刀具磨损量自动精确测量方法。
背景技术
随着信息技术和制造技术的深度融合,数控加工也逐渐走向信息化和智能化。刀具作为数控加工系统的重要组成部分,其状态与加工成本和零件表面完整性密切相关。刀具磨损的测量对于保证零件的加工质量非常重要。刀具磨损的测量分为停机测量和实时监测两种方式。在企业的生产过程中,通过停机测量刀具磨损量来观测刀具状态,并以此作为是否换刀的依据。另一方面,随着生产自动化的发展,刀具状态的实时监测越来越重要。通过数据驱动的手段进行刀具磨损在线监测是目前最为常用的方法,但是该方法需要大量刀具磨损量标签作为支撑,而传统的刀具磨损量测量方法一般需要离线停机,借助显微镜等仪器划线测量,操作过程复杂,效率低,无法满足大量数据采集的要求,且整个过程增加了加工辅助时间,影响机床利用率,从而降低实际加工效率。因此,如何实现刀具磨损的自动精确测量非常重要,同时也是解决数控加工过程中刀具磨损监测问题的重要支撑。
目前,关于刀具磨损量测量的方法很多,如:放射性同位素法,刀具表面金属膜电阻法,微结构镀层法,光纤测量法,计算机图像处理与分析法等。放射元素,镀层,光纤等方法大多需要借助附加媒介,且操作流程复杂,可以适用的工况非常有限。
传统刀具磨损量手工测量方法通过显微镜采集刀具磨损图像,人工识别磨损区域进行手动划线测量,效率低,无法满足大量数据采集需求。基于计算机图像自动识别的方法可以快速获取数据,现有图像识别方法主要通过自动提取磨损边界曲线计刀具磨损量,但由于原始边界信息缺失,采用拍照比对或者简单直线近似的方式获取刀具原始边界,存在配准误差和近似误差,刀具磨损量测量误差大,不能真实反映刀具磨损情况。如何快速有效的重构缺失的刀具原始边界,进而实现刀具磨损量的自动精确测量仍需进一步研究。
发明内容
本发明的目的是针对现有的刀具磨损后原始边界缺失而采用近似方法拟合缺失的原始边界存在重构误差大的问题,发明一种基于灰度图像概率的刀具磨损量自动精确测量方法。
本发明的技术方案是:
一种基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:首先获取刀具磨损图像;其次,通过对图像的预处理获得图像感兴趣区域(ROI,Region ofInterest),即刀具磨损相关区域;第三,分析图像ROI中边界灰度值的变化规律,建立刀具磨损边界的似然函数和原始边界的先验概率模型,基于贝叶斯推断,通过最大化刀具原始边界的后验概率重建缺失的原始边界;最后,根据磨损后刀具边界和原始边界获取刀具磨损区域,进而计算刀具后刀面磨损量。
本发明在数控加工过程中采用在机自动拍摄装置获取刀具磨损图像,根据加工坐标系、机械臂坐标系和显微镜坐标系之间的相对位置关系,获取同一尺度的刀具磨损图像,并建立刀具磨损图像坐标系,以图像左上角为坐标系原点,像素的横坐标X与纵坐标Y分别对应图像数组中所在的列与行。
本发明针对获取的刀具磨损图像,采用非均匀局部高斯滤波进行图像去噪,以及局部直方图均衡化进行图像增强。
本发明针对铣刀结构特征,将刀具刃口小区域内相对位置关系不变的直线组及属性定义为刀具形状描述子(TSD,Tool Shape Descriptor);通过TSD中刀具的共性特征矫正图像位置,确定直线组元素之间的相互关系;所述的TSD的构造方法,步骤如下:
(1)检测图像中的直线;
(2)构建质心相交网络;
(3)根据关系属性聚类;
(4)选择关键形状描述子;
(5)构建刀具形状描述子。
本发明所述的检测图像中的直线,其过程如下:首先对预处理后的图像用Canny算子寻找图像梯度幅值的极值点来拟合图像边缘。接着对边缘检测后的图像进行Hough直线变换,即计算过每个像素点的直线,然后通过对直线的参数空间项投票,得到最可能的直线。接着计算出满足最小长度阈值的多根直线,大致确定图像中的直线位置,但两类直线群内直线元素的位置关系不同。
本发明所述的构建质心相交网络,其过程如下:假设直线上每个像素点的灰度值表示该点的直线密度,根据每条非均匀密度直线的直线密度确定其质心位置,获得的质心点承袭直线之间的位置关系属性,基于相交和平行两类位置关系构建质心相交网络。
本发明所述的根据关系属性聚类,其过程如下:针对平行和相交两类关系属性进行直线聚类,底刃可以分成两组带有平行属性的簇Group1和Group2,以及一组自游离(或者相交属性)的簇Group3,侧刃可以分成一组带有平行属性的簇Group1和一组带有相交属性的簇Group2。
本发明所述的选择关键形状描述子,其过程如下:根据每个簇的属性和簇间关系选择关键形状描述子。对于底刃,只需要选择簇内元素距离短的组和自游离(或者相交属性)的簇Group3作为关键形状描述子即可。对于侧刃,需要确定簇Group1的质心,计算相交属性簇Group2中每个元素与Group1质心的距离,选择距离较大的元素和Group1作为关键形状描述子。
本发明所述的构建刀具形状描述子,其过程如下:根据构建的铣刀底刃和侧刃的刃口关键形状描述子,分析得出,刀具刃口一定存在的一组平行直线A和可能存在的一组相交直线B包含了相对固定的位置关系,基本可以描述不同尺度下刀具的形状和角度,因此我们最终以一组A或者两组直线A和B作为最终的刀具形状描述子,结合形状描述子和图像边界的几何角度关系就可以准确判断出刀具的位置和角度。
根据刀具图像描述子本身以及它与图像边界的几何角度关系,对不同角度的图像进行矫正,获取图像ROI,保证刀刃平行于图像上下边界,以便灰度图像概率方法的输入处于同一尺度。
本发明所述的刀具磨损图像y向灰度变化规律如下:刀具磨损图像的每一列像素点灰度值符合相同的变化规律,可通过3条分界线划分出原始边界、磨损区域、磨损后边界,以及刃口面4个部分。
本发明所述的刀具灰度图像概率方法,基于贝叶斯推断求解刀具刃口原始边界的具体方法如下:
(1)获取Y向灰度值变化规律,用函数gray(y)描述其灰度值分布;
(3)根据似然函数二阶导数为零获得先验概率的均值μ,将分布的前两个峰值之间的距离作为先验概率的标准差σ;
(5)通过贝叶斯定理求解刀具原始边界的后验概率:
(6)最大化原始边界的后验概率,寻找最可能的候选目标点(x,y),作为下一个像素发展点;
y←arg max Porigin|y∝arg max Py|originPorigin
(7)用滑动窗口的思想沿X向依次重建缺失的刀具原始边界。
本发明所述的采用区域生长法(RG,Region Grow)获取磨损后刀具面方法,其过程如下:依据刀具刃口原始边界线位置,可以判断处于原始边界线上方的区域都不可能是磨损区域,因此对与这部分区域统一采用底色进行填充,接着从左至右依次遍历每一列像素的灰度值,在磨损边界线与刀具完整边界线之间选择部分点作为种子,基于区域生长的思想,通过八领域种子繁衍将整个磨损区域描绘出来,计算种子区域像素面积,面积与长度的比值即为平均磨损宽度,经过一定比例转换得到刀具磨损的平均VB值。
本发明的有益效果是:
(1)该测量方法可以准确重建缺失的原始边界,提高刀具磨损量的精度;
(2)基于连续的灰度图像概率分布,可以实现亚像素等级的边界拟合;
(3)采用在机自动拍摄系统获取刀具磨损图像,测量效率高,便于自动化加工和刀具状态监测过程数据的快速标注;
(4)不仅可以适用于整体铣刀测量,也适用于车刀的磨损量测量。
附图说明
图1为本发明基于灰度图像概率的刀具磨损量自动精确测量方法流程,其中在中,函数gray(y)是图像Y向灰度值分布;是截断高斯分布,其中b和a是y取值的上下边界,即a<y<b,均值μ=ys,ys由Py|origin(y)二阶导数为零获得,标准差σ是Py|origin(y)前两个峰值之间的距离,为标准正态分布,为标准正态分布的累积分布函数,其中ε和t为两个随机变量;
图2为本发明刀具磨损图像在机自动拍摄系统示意图;其中,c是加工坐标系的原点,x,y,z是对应的三个坐标轴;c1是机械臂坐标系的原点,i,j,k是对应的三个坐标轴,c2是显微镜坐标系的原点,a,n,o是对应的三个坐标轴;
图3为本发明图像预处理结果;图3(a);原图图3(b)非均匀局部高斯滤波;图3(c)局部直方图均衡化。
图4为本发明构建刀具形状描述子过程,其中,G1和G2是带有平行属性的簇Group1和Group2,G3是带有相交属性(或者自游离)的簇Group3。
图5为本发明刀具图像矫正和ROI的提取示意图和结果;图5(a)ROI提取示意图;图5(b)ROI提取结果。
图6为本发明刀具磨损图像y向灰度值变化规律示意图;图6(a)刀具磨损图像;图6(b)Y向灰度值分布。图6(c)局部放大。
图7为本发明灰度图像概率分布原理示意图;图7(a)刀具磨损图像;图7(b)一列像素灰度值变化规律。图7(c)坐标方向灰度值概率分布。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1-7所示。
一种基于灰度图像概率的刀具磨损量自动精确测量方法,其流程如图1所示,具体步骤如下:
步骤1、图像获取,主要通过一套在机自动拍摄系统在加工间隙获取刀具磨损图像,如图2所示;
步骤2、图像预处理,包括图像灰度化、图像去噪和图像增强,如图3所示;
步骤3、基于TSD的ROI提取,主要包括三部分:检测刀具图像描述子的构建、图像矫正和ROI提取;其中,刀具图像描述子的构建包括:图像中的直线、构建质心相交网络、根据关系属性聚类、选择关键形状描述子、构建刀具形状描述子,如图4和图5所示;
步骤4、基于GIP的原始边界重建,主要包括构建y向条件概率分布、构建先验概率分布、最大化联合概率分布、滑动窗口拟合缺失的原始边界,以及提取磨损后边界,如图6和图7所示;
步骤5、基于RG的磨损量计算,采用区域生长法分割磨损区域和未磨损区域,结合重建的原始边界计算VBmax和VBaver。
详述如下:
本发明所述的刀具磨损图像自动获取方法如下:首先,将夹持工业显微镜的六自由度机械臂固连到数控机床的工作台上。然后,建立加工坐标系、机械臂坐标系和显微镜坐标系之间的相对关系,通过坐标变换求解刀位点和显微镜的位姿关系并对位置和角度做标定。最后,在数控加工程序中插入断点和移刀代码控制刀具的移动,上位机发送控制信号驱动机械臂的运动,若工业显微镜与刀具的欧氏距离小于设定的阈值,即判定刀具已经移动到固定拍摄点,拍摄完成后自动回到抬刀点,从而实现刀具磨损图像在线自动拍摄。
本发明所述的基于灰度图像概率的刀具磨损量自动精确测量方法,针对获取的刀具磨损图像,采用非均匀局部高斯滤波进行图像去噪,以及局部直方图均衡化进行图像增强。
本发明所述的基于灰度图像概率的刀具磨损量自动精确测量方法,针对铣刀结构特征,将刀具刃口小区域内相对位置关系不变的直线组及属性定义为刀具形状描述子;通过形状描述子中刀具的共性特征矫正图像位置,确定直线组元素之间的相互关系;据此提取图像ROI;所述的刀具形状描述子的构造方法,步骤如下:
(1)检测图像中的直线;
(2)构建质心相交网络;
(3)根据关系属性聚类;
(4)选择关键形状描述子;
(5)构建刀具形状描述子。
本发明所述的检测图像中的直线,其过程如下:首先对预处理后的图像用Canny算子寻找图像梯度幅值的极值点来拟合图像边缘。接着对边缘检测后的图像进行Hough直线变换,即计算过每个像素点的直线,然后通过对直线的参数空间项投票,得到最可能的直线。接着计算出满足最小长度阈值的多根直线,大致确定图像中的直线位置,但两类直线群内直线元素的位置关系不同。
本发明所述的构建质心相交网络,其过程如下:假设直线上每个像素点的灰度值表示该点的直线密度,根据每条非均匀密度直线的直线密度确定其质心位置,获得的质心点承袭直线之间的位置关系属性,基于相交和平行两类位置关系构建质心相交网络。
本发明所述的根据关系属性聚类,其过程如下:针对平行和相交两类关系属性进行直线聚类,底刃可以分成两组带有平行属性的簇Group1和Group2,以及一组自游离(或者相交属性)的簇Group3,侧刃可以分成一组带有平行属性的簇Group1和一组带有相交属性的簇Group2。
本发明所述的选择关键形状描述子,其过程如下:根据每个簇的属性和簇间关系选择关键形状描述子。对于底刃,只需要选择簇内元素距离短的组和自游离(或者相交属性)的簇Group3作为关键形状描述子即可。对于侧刃,需要确定簇Group1的质心,计算相交属性簇Group2中每个元素与Group1质心的距离,选择距离较大的元素和Group1作为关键形状描述子。
本发明所述的构建刀具形状描述子,其过程如下:根据构建的铣刀底刃和侧刃的刃口关键形状描述子,分析得出,刀具刃口一定存在的一组平行直线A和可能存在的一组相交直线B包含了相对固定的位置关系,基本可以描述不同尺度下刀具的形状和角度,因此我们最终以一组A或者两组直线A和B作为最终的刀具形状描述子,结合形状描述子和图像边界的几何角度关系就可以准确判断出刀具的位置和角度。
根据刀具图像描述子本身以及它与图像边界的几何角度关系,对不同角度的图像进行矫正,获取图像ROI,保证刀刃平行于图像上下边界,以便灰度图像概率方法的输入处于同一尺度。
本发明所述的刀具磨损图像y向灰度变化规律如下:刀具磨损图像的每一列像素点灰度值符合相同的变化规律,可通过3条分界线划分出原始边界、磨损区域、磨损后边界,以及刃口面4个部分。
本发明所述的刀具灰度图像概率方法,基于贝叶斯推断求解刀具刃口原始边界的具体方法如下:
(1)获取Y向灰度值变化规律,用函数gray(y)描述其灰度值分布;
(3)根据似然函数二阶导数为零获得先验概率的均值μ,将分布的前两个峰值之间的距离作为先验概率的标准差σ;
(4)根据未磨损原始边界的灰度值分布规律,构建原始边界的先验概率分布,即截断高斯分布
(5)通过贝叶斯定理求解刀具原始边界的后验概率:
(6)最大化原始边界的后验概率,寻找最可能的候选目标点(x,y),作为下一个像素发展点;
y←arg max Porigin|y∝arg max Py|originPorigin
(7)用滑动窗口的思想沿X向依次重建缺失的刀具原始边界。
本发明所述的采用RG法获取磨损后刀具面方法,其过程如下:依据刀具刃口原始边界线位置,可以判断处于原始边界线上方的区域都不可能是磨损区域,因此对与这部分区域统一采用底色进行填充,接着从左至右依次遍历每一列像素的灰度值,在磨损边界线与刀具完整边界线之间选择部分点作为种子,基于区域生长的思想,通过八邻域种子繁衍将整个磨损区域描绘出来,计算种子区域像素面积,面积与长度的比值即为平均磨损宽度,经过一定比例转换得到刀具磨损的平均VB值。
本发明未涉及部分与现有技术相同或可采用现有技术加以实现。
Claims (8)
1.一种基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:首先获取刀具磨损图像;其次,通过对图像的预处理获得图像感兴趣区域(ROI,Region of Interest),即刀具磨损相关区域;第三,分析图像ROI中边界灰度值的变化规律,建立刀具磨损边界的似然函数和原始边界的先验概率模型,基于贝叶斯推断,通过最大化刀具原始边界的后验概率重建缺失的原始边界;最后,根据磨损后刀具边界和原始边界获取刀具磨损区域,进而计算刀具后刀面磨损量。
2.根据权利1所述的基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:所述的刀具磨损图像获取是指在数控加工过程中采用在机自动拍摄系统,根据加工坐标系、机械臂坐标系和显微镜坐标系之间的相对位置关系,获取同一尺度的刀具磨损图像,并建立刀具磨损图像坐标系,以图像左上角为坐标系原点,像素的横坐标X与纵坐标Y分别对应图像数组中所在的列与行。
3.根据权利1所述的基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:针对获取的刀具磨损图像,采用非均匀局部高斯滤波进行图像去噪,以及局部直方图均衡化进行图像增强。
4.根据权利1所述的基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:针对铣刀结构特征,将刀具刃口小区域内相对位置关系不变的直线组及属性定义为刀具形状描述子(TSD,Tool Shape Descriptor);通过TSD中刀具的共性特征矫正图像位置,确定直线组元素之间的相互关系;据此提取图像ROI;所述的TSD的构造方法,步骤如下:
(1)检测图像中的直线;
(2)构建质心相交网络;
(3)根据关系属性聚类;
(4)选择关键形状描述子;
(5)构建刀具形状描述子。
5.根据权利要求1所述的基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:ROI提取后的图像,利用刀具图像描述子本身以及它与图像边界的几何角度关系,矫正不同角度的图像,保证刀刃平行于图像上下边界,以便灰度图像概率方法的输入处于同一尺度。
6.根据权利要求1所述的基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:刀具磨损图像的每一列像素点灰度值符合相同的变化规律,通过3条分界线划分出原始边界、磨损区域、磨损后边界,以及刃口面4个部分。
7.根据权利1所述的基于灰度图像概率的刀具磨损量自动精确测量方法,特征在于:基于贝叶斯推断求解刀具刃口原始边界的具体方法如下:
(1)获取Y向灰度值变化规律,用函数gray(y)描述其灰度值分布;
(3)根据似然函数二阶导数为零获得先验概率的均值μ,将分布的前两个峰值之间的距离作为先验概率的标准差σ;
(4)根据未磨损原始边界的灰度值分布规律,构建原始边界的先验概率分布,即截断高斯分布
(5)通过贝叶斯定理求解刀具原始边界的后验概率:
(6)最大化原始边界的后验概率,寻找最可能的候选目标点(x,y),作为下一个像素发展点;
y←arg max Porigin|y∝arg max Py|originPorigin
(7)用滑动窗口的思想沿X向依次重建缺失的刀具原始边界。
8.根据权利要求1所述的基于灰度图像概率的刀具磨损量自动精确测量方法,其特征在于:采用区域生长法(RG,Region Grow)获取刀具磨损区域,具体方法如下:
(1)设图像像素矩阵I由一系列列元素C组成,I=(C1,C2,...,Cn),将图像第一行和第一列像素灰度值的均值作为图像背景灰度的参考值,并用该值替换边界上方灰度值;
(2)从磨损区域均匀选择10列像素,求出每列中磨损边界与原始边界的中点处坐标,将这十个中点作为区域生长的初始种子集合Sinit,对于当前种子Si,沿着±X,±Y,±45°,±135°八个方向进行领域生长,获取候选像素点集合Pi;
Sinit={S1,S2,...,S10}
Pi={p1,p2,...,p8}
(3)依次计算每个方向上像素pk的灰度值与当前种子灰度值之差,如果在生长阈值范围内,则认为该像素点处在带生长区域内,如果它也不在Sinit中,则将其纳入种子生长点集合S;
S=Sinit+{p1,p2,...,pk}
(4)重复以上种子点遍历步骤,直到获得完整的磨损区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951668.7A CN110728667B (zh) | 2019-10-08 | 2019-10-08 | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951668.7A CN110728667B (zh) | 2019-10-08 | 2019-10-08 | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728667A true CN110728667A (zh) | 2020-01-24 |
CN110728667B CN110728667B (zh) | 2023-05-02 |
Family
ID=69220808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951668.7A Active CN110728667B (zh) | 2019-10-08 | 2019-10-08 | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728667B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507177A (zh) * | 2020-02-19 | 2020-08-07 | 广西云涌科技有限公司 | 一种用于计量周转柜的识别方法及装置 |
CN111519506A (zh) * | 2020-04-28 | 2020-08-11 | 三一汽车制造有限公司 | 铣刨刀具磨损提示方法和铣刨机 |
CN113610727A (zh) * | 2021-08-05 | 2021-11-05 | 上海交通大学 | 针对两相体积份额图像的边界重构锐化方法 |
CN114193229A (zh) * | 2021-12-30 | 2022-03-18 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种基于因果推断的变工况刀具磨损预测方法 |
CN114463421A (zh) * | 2022-02-21 | 2022-05-10 | 天津大学 | 超精密切削加工刀具状态参数计算方法、系统及应用 |
CN114943495A (zh) * | 2022-07-26 | 2022-08-26 | 启东吕联越电动工具有限公司 | 一种基于负载识别的电刨刀具工作状态磨损分析方法 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115222744A (zh) * | 2022-09-21 | 2022-10-21 | 江苏艾格莱德智能技术有限公司 | 基于深度估计的刀具磨损程度判定方法 |
CN115431101A (zh) * | 2022-10-18 | 2022-12-06 | 南通钜德智能科技有限公司 | 一种数控机床状态检测方法及系统 |
CN115861313A (zh) * | 2023-02-24 | 2023-03-28 | 东莞市春草研磨科技有限公司 | 一种用于磨头的磨损检测方法 |
CN117036358A (zh) * | 2023-10-10 | 2023-11-10 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
CN117197036A (zh) * | 2023-07-25 | 2023-12-08 | 钛玛科(北京)工业科技有限公司 | 图像检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102501140A (zh) * | 2011-11-22 | 2012-06-20 | 南京航空航天大学 | 一种球头铣刀定位及磨损监测方法 |
CN107530868A (zh) * | 2015-04-14 | 2018-01-02 | 德瑞克斯有限公司 | 用于增强切割性能的具有微小沟道的切割边缘 |
CN109940461A (zh) * | 2019-04-10 | 2019-06-28 | 哈尔滨理工大学 | 一种高进给铣刀刀齿后刀面磨损特性的检测方法 |
US20190381624A1 (en) * | 2017-02-16 | 2019-12-19 | Element Six (Uk) Limited | Characterizing a cutting tool edge |
-
2019
- 2019-10-08 CN CN201910951668.7A patent/CN110728667B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102501140A (zh) * | 2011-11-22 | 2012-06-20 | 南京航空航天大学 | 一种球头铣刀定位及磨损监测方法 |
CN107530868A (zh) * | 2015-04-14 | 2018-01-02 | 德瑞克斯有限公司 | 用于增强切割性能的具有微小沟道的切割边缘 |
US20190381624A1 (en) * | 2017-02-16 | 2019-12-19 | Element Six (Uk) Limited | Characterizing a cutting tool edge |
CN109940461A (zh) * | 2019-04-10 | 2019-06-28 | 哈尔滨理工大学 | 一种高进给铣刀刀齿后刀面磨损特性的检测方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507177A (zh) * | 2020-02-19 | 2020-08-07 | 广西云涌科技有限公司 | 一种用于计量周转柜的识别方法及装置 |
CN111519506A (zh) * | 2020-04-28 | 2020-08-11 | 三一汽车制造有限公司 | 铣刨刀具磨损提示方法和铣刨机 |
CN111519506B (zh) * | 2020-04-28 | 2022-02-18 | 三一汽车制造有限公司 | 铣刨刀具磨损提示方法和铣刨机 |
CN113610727A (zh) * | 2021-08-05 | 2021-11-05 | 上海交通大学 | 针对两相体积份额图像的边界重构锐化方法 |
CN114193229B (zh) * | 2021-12-30 | 2023-12-12 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种基于因果推断的变工况刀具磨损预测方法 |
CN114193229A (zh) * | 2021-12-30 | 2022-03-18 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种基于因果推断的变工况刀具磨损预测方法 |
CN114463421A (zh) * | 2022-02-21 | 2022-05-10 | 天津大学 | 超精密切削加工刀具状态参数计算方法、系统及应用 |
CN114463421B (zh) * | 2022-02-21 | 2022-09-09 | 天津大学 | 超精密切削加工刀具状态参数计算方法、系统及应用 |
CN114943495A (zh) * | 2022-07-26 | 2022-08-26 | 启东吕联越电动工具有限公司 | 一种基于负载识别的电刨刀具工作状态磨损分析方法 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115035120B (zh) * | 2022-08-12 | 2022-11-04 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115222744B (zh) * | 2022-09-21 | 2022-11-25 | 江苏艾格莱德智能技术有限公司 | 基于深度估计的刀具磨损程度判定方法 |
CN115222744A (zh) * | 2022-09-21 | 2022-10-21 | 江苏艾格莱德智能技术有限公司 | 基于深度估计的刀具磨损程度判定方法 |
CN115431101A (zh) * | 2022-10-18 | 2022-12-06 | 南通钜德智能科技有限公司 | 一种数控机床状态检测方法及系统 |
CN115861313A (zh) * | 2023-02-24 | 2023-03-28 | 东莞市春草研磨科技有限公司 | 一种用于磨头的磨损检测方法 |
CN117197036A (zh) * | 2023-07-25 | 2023-12-08 | 钛玛科(北京)工业科技有限公司 | 图像检测方法及装置 |
CN117197036B (zh) * | 2023-07-25 | 2024-02-13 | 钛玛科(北京)工业科技有限公司 | 图像检测方法及装置 |
CN117036358A (zh) * | 2023-10-10 | 2023-11-10 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
CN117036358B (zh) * | 2023-10-10 | 2024-01-30 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110728667B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728667B (zh) | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 | |
CN111062915B (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
Bao et al. | Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN110866934B (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
Gibbs et al. | Active vision and surface reconstruction for 3D plant shoot modelling | |
CN112801977B (zh) | 一种基于深度学习的装配体零件相对位姿估计监测方法 | |
CN110189257B (zh) | 点云获取的方法、装置、系统及存储介质 | |
CN113112496A (zh) | 一种基于自适应阈值的亚像素轴类零件尺寸测量方法 | |
Zhang et al. | Research on tool wear detection based on machine vision in end milling process | |
CN113324478A (zh) | 一种线结构光的中心提取方法及锻件三维测量方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN114240845A (zh) | 一种应用于切削工件的光切法表面粗糙度测量方法 | |
CN116309275A (zh) | 一种电池片图像亚像素边缘检测方法、装置及存储介质 | |
CN109816682B (zh) | 一种基于凹凸性的腕臂系统分割与参数检测方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
Mohammed et al. | Automated 3D burr detection in cast manufacturing using sparse convolutional neural networks | |
CN116109633B (zh) | 一种轴承保持器的窗口检测方法及设备 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
Denker et al. | On-line reconstruction of CAD geometry |
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 |