CN110774055B - 一种基于图像边缘检测的刀具断损监测方法及系统 - Google Patents
一种基于图像边缘检测的刀具断损监测方法及系统 Download PDFInfo
- Publication number
- CN110774055B CN110774055B CN201910957817.0A CN201910957817A CN110774055B CN 110774055 B CN110774055 B CN 110774055B CN 201910957817 A CN201910957817 A CN 201910957817A CN 110774055 B CN110774055 B CN 110774055B
- Authority
- CN
- China
- Prior art keywords
- cutter
- edge detection
- threshold
- gradient
- image
- 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.)
- Active
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- B23Q17/0904—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 before or after machining
- B23Q17/0909—Detection of broken tools
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明公开了一种基于图像边缘检测的刀具断损监测方法及系统,属于制造过程监测领域,包括:分别获得参照图和刀具图;并分别计算参照图中各像素点的梯度,以及刀具图中各像素点的梯度;根据所计算的梯度,剔除两幅图像中的离群点,由参照图中剩余像素点的梯度构成第一梯度集合,由刀具图中剩余像素点的梯度构成第二梯度集合;根据边缘检测算法的阈值数量、第一梯度集合和第二梯度集合确定边缘检测算法的各个阈值,并根据所确定的阈值,利用边缘检测算法对刀具图进行边缘检测,以获得刀具的实时轮廓;根据刀具的实时轮廓计算刀具当前的断损程度。本发明能够提高数控机床刀具实时轮廓的检测精度,准确监测刀具的断损程度,满足自动化加工需求。
Description
技术领域
本发明属于制造过程监测领域,更具体地,涉及一种基于图像边缘检测的刀具断损检测方法及系统。
背景技术
数控机床自上世纪五十年代问世以来,就在制造业方面发挥了巨大的作用,很大程度上减少了加工过程中的人力投入,降低了人力成本,提高了整体产出,并且加工效率也显著提高,推动了机械制造业的蓬勃发展。经过了半个多世纪的发展完善之后,数控机床的发展更是趋于智能化、自动化,因此如何保证数控机床高精度、高速度、高效率的自动化运行成为数控机床的主要研究方向之一。数控机床的刀具是加工过程消耗最大部件之一,因为需要高速运动的刀具需要频繁的与工件接触进行打孔、切削等操作,所以难免产生断损。数控机床刀具的断损会导致加工零件报废率骤升,并且会增加机床的功耗。在刀具发生断损时,及时更换可以减少后续零件的报废率和降低机床的损耗。
现有的针对数控机床刀具断损监测的方法,多采用人工监管或传感器监测的方式进行。人工方式耗费人力成本高;传感器方式如激光传感器,价格昂贵,且需要特定操作进行检测,会打断正常加工流程,降低生产效率;还有利用电流、功率传感器进行检测的方式,该种方式检测精度受限,尤其是对于小直径刀具的断裂,反应在电流和功率上的变化较小,难以检测。相比而言,视觉方式进行检测具有非人工、价格便宜、检测精度高等优势。
刀具断损可以由刀具的实时轮廓反映出来,高效准确的获取刀具的轮廓,即可以获取刀具断损状态。目前已有的一些边缘提取算法,在阈值选择合理的情况下,可以有效的获取刀具轮廓边缘。但是在边缘检测时通常需要人为设定一些阈值参数,而数控机床环境存在多变性,采用人为设定阈值的方法,检测精度得不到保证,也无法满足数控机床自动化加工的需求。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于图像边缘检测的刀具断损检测方法及系统,其目的在于,提高数控机床刀具实时轮廓的检测精度,以准确监测刀具的断损程度,满足自动化加工需求。
为实现上述目的,按照本发明的第一方面,提供了一种基于图像边缘检测的刀具断损监测方法,包括:
(1)分别获得参照图和刀具图;参照图仅包含背景,刀具图同时包含背景和待监测的刀具;
(2)分别计算两幅图像的梯度,从而得到参照图中各像素点的梯度,以及刀具图中各像素点的梯度;
(3)根据所计算的梯度,识别并剔除两幅图像中的离群点,由参照图中剩余像素点的梯度构成第一梯度集合S1,由刀具图中剩余像素点的梯度构成第二梯度集合S2;
(4)根据边缘检测算法的阈值数量、第一梯度集合S1和第二梯度集合S2确定边缘检测算法的各个阈值,并根据所确定的阈值,利用边缘检测算法对刀具图进行边缘检测,以获得刀具的实时轮廓;
(5)根据刀具的实时轮廓计算刀具当前的断损程度。
本发明所提供的基于图像边缘检测的刀具断损监测方法,充分利用参照图的梯度信息来设定边缘检测算法的阈值,能够自适应数控机床环境的多变性,提高刀具边缘检测的精度,进而提高刀具断损监测的精度;通过剔除离群点,能够防止离群点对梯度阈值的影响。总的来说,本发明能够提高数控机床刀具实时轮廓的检测精度,以准确监测刀具的断损程度,满足自动化加工需求。
进一步地,在获取参照图和刀具图时,通过背景虚化的方式增大参照图的梯度与刀具图中刀具边缘梯度之间的差异。
梯度信息可以反映一个图像的平滑程度,梯度幅值越大,图像越清晰,边缘越明显;本发明通过背景虚化的方式增大参照图的梯度与刀具图中刀具边缘梯度之间的差异,能够保证刀具图中刀具更清晰、背景更模糊,从而更有效地利用参照图的梯度信息,提高边缘检测的精度,进而提高刀具断损监测的精度。
进一步地,在分别计算两幅图像的梯度之前,还包括:分别对两幅图像进行预处理,以提高图像质量;
预处理包括:去噪、锐化和去抖操作。
本发明在计算图像梯度之前,通过预处理操作提高图像质量,能够保证所计算的梯度信息的准确性,从而后续能够根据梯度信息准确设定边缘检测算法的阈值。
进一步地,若边缘检测算法的阈值数量为1,则边缘检测算法的阈值为:Threshold=max(amp′∈S1)。
由于参照图中仅包含背景,因此,参照图中的梯度就是刀具图中的背景梯度,本发明通过上述阈值设定方式,将单阈值边缘检测算法的阈值设定为参照图中的梯度消失点,能够在刀具中过滤掉背景的边缘,从而准确取检测到刀具的轮廓边缘。
进一步地,若边缘检测算法的阈值数量为2,则边缘检测算法的低阈值为:
Thresholdlow=max(amp′∈S1);
边缘检测算法的高阈值为:
Thresholdhigh=PERCENTILE({amp″|amp″∈S2且amp″>Thresholdlow});
其中,PERCENTILE()表示分位数。
对于阈值数量为2的边缘检测算法,通过上述阈值设定方法,本发明将其中的低阈值设定为了参照图中的梯度消失点,将其中的高阈值设定为了刀具图中大于低阈值Thresholdlow的像素梯度的分位数,能够在刀具中过滤掉背景的边缘,准确检测出刀具的实时轮廓。
进一步地,PERCENTILE()表示第一个五分位数。
对于阈值数量为2的边缘检测算法,将其中的高阈值具体设定为大于低阈值Thresholdlow的像素梯度的第一个五分位数,能够获得最好的检测效果。
进一步地,本发明所提供的基于图像边缘检测的刀具断损监测方法,还包括:根据Thresholdlow′=Thresholdlow-δ对低阈值进行修正,根据Thresholdhigh′=Thresholdhigh+δ对高阈值进行修正;
其中,Thresholdlow′和Thresholdhigh′分别为修正后的低阈值和高阈值,δ为修正系数,Thresholdlow-δ>0且Thresholdhigh+δ<255。
本发明通过上述方法对阈值数量为2的边缘检测算法的低阈值和高阈值进行修正,具体地,降低低阈值,可以使得一些因为环境变化判定为非边缘的点,重新归入弱边缘点,升高高阈值,可以把判定为强边缘的噪点重新归入弱边缘点;因此,本发明能够使高、低阈值可以更加适应易变的背景环境和一些噪声的干扰。
进一步地,步骤(5)包括:
根据刀具的实时轮廓获得刀具的末端位置,以计算刀具当前的长度Lnow;
根据刀具当前的长度计算刀具当前的断损程度为:
其中,Lorigin表示刀具的初始长度。
按照本发明的第二方面,提供了一种基于图像边缘检测的刀具断损监测系统,包括:图像获取模块、梯度计算模块、离群点剔除模块、边缘检测模块以及断损监测模块;
图像获取模块,用于分别获得参照图和刀具图;参照图仅包含背景,刀具图同时包含背景和待监测的刀具;
梯度计算模块,用于分别计算由图像获取模块获取的两幅图像的梯度,从而得到参照图中各像素点的梯度,以及刀具图中各像素点的梯度;
离群点剔除模块,用于根据梯度计算模块所计算的梯度,识别并剔除两幅图像中的离群点,由参照图中剩余像素点的梯度构成第一梯度集合S1,由刀具图中剩余像素点的梯度构成第二梯度集合S2;
边缘检测模块,用于根据边缘检测算法的阈值数量、第一梯度集合S1和第二梯度集合S2确定边缘检测算法的各个阈值,并根据所确定的阈值,利用边缘检测算法对刀具图进行边缘检测,以获得刀具的实时轮廓;
断损监测模块,用于根据刀具的实时轮廓计算刀具当前的断损程度。
按照本发明的第三方面,提供了一种系统,包括:处理器和计算机可读存储介质,计算机可读存储介质用于存储可执行程序;
处理器用于读取计算机可读存储介质中存储的可执行程序,执行本发明第一方面提供的基于图像边缘检测的刀具断损监测方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明所提供的基于图像边缘检测的刀具断损监测方法及系统,充分利用参照图的梯度信息来设定边缘检测算法的阈值,能够自适应数控机床环境的多变性,提高刀具边缘检测的精度,进而提高刀具断损监测的精度;通过剔除离群点,能够防止离群点对梯度阈值的影响。总的来说,本发明能够提高数控机床刀具实时轮廓的检测精度,以准确监测刀具的断损程度,满足自动化加工需求。
(2)本发明所提供的基于图像边缘检测的刀具断损监测方法及系统,将单阈值边缘检测算法的阈值设定为参照图中的梯度消失点,能够在刀具中过滤掉背景的边缘,从而准确取检测到刀具的轮廓边缘。
(3)本发明所提供的基于图像边缘检测的刀具断损监测方法及系统,对于阈值数量为2的边缘检测算法,将其中的低阈值设定为了参照图中的梯度消失点,将其中的高阈值设定为了刀具图中大于低阈值的像素梯度的分位数,能够在刀具中过滤掉背景的边缘,准确检测出刀具的实时轮廓;在其优选方案中,将高阈值具体设定为了大于低阈值的像素梯度的第一个五分位数,能够获得最好的检测效果。
(4)本发明所提供的基于图像边缘检测的刀具断损监测方法及系统,在其优选方案中,通过背景虚化的方式增大参照图的梯度与刀具图中刀具边缘梯度之间的差异,能够保证刀具图中刀具更清晰、背景更模糊,从而更有效地利用参照图的梯度信息,提高边缘检测的精度,进而提高刀具断损监测的精度。
附图说明
图1为本发明实施例提供的基于边缘检测的刀具断损监测方法流程图;
图2为本发明实施例提供的参照图示意图;
图3为本发明实施例提供的刀具图示意图;
图4为本发明实施例提供的刀具的实时轮廓示意图;
图5为本发明实施例提供的应用实例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了提高数控机床刀具实时轮廓的检测精度,以准确监测刀具的断损程度,满足自动化加工需求,本发明提供了一种基于图像边缘检测的刀具断损监测方法及系统,其整体思路在于:获取仅包含背景的参照图,以及同时包含背景和刀具的刀具图,分别计算参照图和刀具图中的像素梯度信息后,根据像素梯度信息确定边缘检测算法的各个阈值,以使得边缘检测算法的阈值与背景相适应。
本发明所提供的基于图像边缘检测的刀具断损监测方法,如图1所示,包括:
(1)分别获得参照图和刀具图;
参照图仅包含背景,如图2所示;刀具图同时包含背景和待监测的刀具,如图3所示;
在一个可选的实施方式中,在获取参照图和刀具图时,通过背景虚化的方式增大参照图的梯度与刀具图中刀具边缘梯度之间的差异;
梯度信息可以反映一个图像的平滑程度,梯度幅值越大,图像越清晰,边缘越明显;通过背景虚化的方式增大参照图的梯度与刀具图中刀具边缘梯度之间的差异,能够保证刀具图中刀具更清晰、背景更模糊,从而更有效地利用参照图的梯度信息,提高边缘检测的精度,进而提高刀具断损监测的精度;背景虚化是一种常用的摄影技术,具体可以通过增大相机焦距、使镜头与刀具尽可能近等方式来使拍摄背景虚化;
(2)分别计算两幅图像的梯度,从而得到参照图中各像素点的梯度,以及刀具图中各像素点的梯度;
在一个可选的实施方式中,在分别计算两幅图像的梯度之前,还包括:分别对两幅图像进行预处理,以提高图像质量;预处理包括:去噪、锐化和去抖操作;在计算图像梯度之前,通过预处理操作提高图像质量,能够保证所计算的梯度信息的准确性,从而后续能够根据梯度信息准确设定边缘检测算法的阈值;
(3)根据所计算的梯度,识别并剔除两幅图像中的离群点,由参照图中剩余像素点的梯度构成第一梯度集合S1,由刀具图中剩余像素点的梯度构成第二梯度集合S2;
离群点是数据集中偏离大部分数据的数据,通过剔除离群点,能够防止离群点对梯度阈值的影响,提高边缘检测的精度;
(4)根据边缘检测算法的阈值数量、第一梯度集合S1和第二梯度集合S2确定边缘检测算法的各个阈值,并根据所确定的阈值,利用边缘检测算法对刀具图进行边缘检测,以获得刀具的实时轮廓;
在一个可选的实施方式中,若边缘检测算法的阈值数量为1,如Sobel算法、Laplace算法等单阈值边缘检测算法,则边缘检测算法的阈值为:Threshold=max(amp′∈S1);
由于参照图中仅包含背景,因此,参照图中的梯度就是刀具图中的背景梯度,通过上述阈值设定方式,将单阈值边缘检测算法的阈值设定为参照图中的梯度消失点,能够在刀具中过滤掉背景的边缘,从而准确取检测到刀具的轮廓边缘;
在一个可选的实施方式中,若边缘检测算法的阈值数量为2,如Canny算法等,则边缘检测算法的低阈值为:
Thresholdlow=max(amp′∈S1);
边缘检测算法的高阈值为:
Thresholdhigh=PERCENTILE({amp″|amp″∈S2且amp″>Thresholdlow});
其中,PERCENTILE()表示分位数;
对于阈值数量为2的边缘检测算法,通过上述阈值设定方法,将其中的低阈值设定为了参照图中的梯度消失点,将其中的高阈值设定为了刀具图中大于低阈值Thresholdlow的像素梯度的分位数,能够在刀具中过滤掉背景的边缘,准确检测出刀具的实时轮廓;
其中,分位数PERCENTILE()的具体设定,可根据实际的边缘检测精度要求、图像分辨率等情况确定;作为一种优选的实施方式,设定PERCENTILE()表示第一个五分位数,即将双阈值边缘检测算法的高阈值具体设定为大于低阈值Thresholdlow的像素梯度的第一个五分位数,能够获得最好的检测效果;
为了使双阈值边缘检测算法的高、低阈值可以更加适应易变的背景环境和一些噪声的干扰,在根据阈值确定高、低阈值后,还包括:根据Thresholdlow′=Thresholdlow-δ对低阈值进行修正,根据Thresholdhigh′=Thresholdhigh+δ对高阈值进行修正;
其中,Thresholdlow′和Thresholdhigh′分别为修正后的低阈值和高阈值,δ为修正系数,Thresholdlow-δ>0且Thresholdhigh+δ<255;实际应用中,修正系数δ的具体取值可根据具体需求设定,一般为1~10,根据经验,优选设定为5;
通过上述方法对双阈值边缘检测算法的低阈值和高阈值进行修正,具体地,降低低阈值,可以使得一些因为环境变化判定为非边缘的点,重新归入弱边缘点,升高高阈值,可以把判定为强边缘的噪点重新归入弱边缘点,从而能够使高、低阈值可以更加适应易变的背景环境和一些噪声的干扰;
与常规的边缘检测相比,本发明在检测刀具图中刀具的实时轮廓时,只是需要多处理一幅参照图来计算梯度并通过梯度来计算阈值;在本实施例中,采用的边缘检测算法具体为Canny算法,通过上述方法设定其高、低阈值并进行修正后,对刀具图进行边缘检测,获取到刀具的实时轮廓如图4所示;
(5)根据刀具的实时轮廓计算刀具当前的断损程度;
在一个可选的实施方式中,步骤(5)具体包括:
根据刀具的实时轮廓获得刀具的末端位置,以计算刀具当前的长度Lnow;
根据刀具当前的长度计算刀具当前的断损程度为:
其中,Lorigin表示刀具的初始长度;
当计算的刀具断损程度超过预设的阈值时,可发出相应的预警信息,提示需要对刀具进行更换。
上述基于图像边缘检测的刀具断损监测方法,充分利用参照图的梯度信息来设定边缘检测算法的阈值,能够自适应数控机床环境的多变性,提高刀具边缘检测的精度,进而提高刀具断损监测的精度;通过剔除离群点,能够防止离群点对梯度阈值的影响。总的来说,上述基于图像边缘检测的刀具断损监测方法,能够提高数控机床刀具实时轮廓的检测精度,以准确监测刀具的断损程度,满足自动化加工需求。
本发明还提供了一种基于图像边缘检测的刀具断损监测系统,包括:图像获取模块、梯度计算模块、离群点剔除模块、边缘检测模块以及断损监测模块;
图像获取模块,用于分别获得参照图和刀具图;参照图仅包含背景,刀具图同时包含背景和待监测的刀具;
梯度计算模块,用于分别计算由图像获取模块获取的两幅图像的梯度,从而得到参照图中各像素点的梯度,以及刀具图中各像素点的梯度;
离群点剔除模块,用于根据梯度计算模块所计算的梯度,识别并剔除两幅图像中的离群点,由参照图中剩余像素点的梯度构成第一梯度集合S1,由刀具图中剩余像素点的梯度构成第二梯度集合S2;
边缘检测模块,用于根据边缘检测算法的阈值数量、第一梯度集合S1和第二梯度集合S2确定边缘检测算法的各个阈值,并根据所确定的阈值,利用边缘检测算法对刀具图进行边缘检测,以获得刀具的实时轮廓;
断损监测模块,用于根据刀具的实时轮廓计算刀具当前的断损程度;
本实施例中,各模块的具体实施方式可参考上述方法实施例中的描述,在此将不再复述。
本发明还提供了一种系统,包括:处理器和计算机可读存储介质,计算机可读存储介质用于存储可执行程序;
处理器用于读取计算机可读存储介质中存储的可执行程序,执行上述基于图像边缘检测的刀具断损监测方法。
图5所示为上述基于图像边缘检测的刀具断损监测方法应用到数控机床一个应用实例,具体以机床应用的形式部署到机床上位机系统中,相机安装在刀库附近,用于获取参照图即刀具图;上位机通过数控机床的寄存器信号完成与机床加工的交互,并通过开源视觉库OpenCV完成对相机控制操作来实时获取刀具图和参照图。
为了保证刀具断损监测方法的高效执行以及和机床寄存器信号接口相互兼容,采用C++来实现,运行在机床的上位机系统上(Windows系统)。并且为了后期查看系统运行情况,对判断结果以日志形式加以记录。实际应用的整体流程如下:
步骤一 启动系统,连接机床寄存器信号接口和相机接口,任何部件连接失败则系统启动失败;
步骤二 通过机床寄存器信号准确捕获可以拍摄刀具图和参照图的时刻,并通过OpenCV接口调用相机,获取刀具图和参照图;
步骤三 利用上述基于图像边缘检测的刀具断损监测方法进行边缘检测并获取刀具断损状态;
步骤四 如果发现刀具断损则终止程序并发出报警信号,否则返回步骤二继续监测。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像边缘检测的刀具断损监测方法,其特征在于,包括:
(1)分别获得参照图和刀具图;所述参照图仅包含背景,所述刀具图同时包含背景和待监测的刀具;
(2)分别计算两幅图像的梯度,从而得到所述参照图中各像素点的梯度,以及所述刀具图中各像素点的梯度;
(3)根据所计算的梯度,识别并剔除两幅图像中的离群点,由所述参照图中剩余像素点的梯度构成第一梯度集合S1,由所述刀具图中剩余像素点的梯度构成第二梯度集合S2;
(4)根据边缘检测算法的阈值数量、所述第一梯度集合S1和所述第二梯度集合S2确定所述边缘检测算法的各个阈值,并根据所确定的阈值,利用所述边缘检测算法对所述刀具图进行边缘检测,以获得刀具的实时轮廓;
若所述边缘检测算法的阈值数量为1,则所述边缘检测算法的阈值为:Threshold=max(amp′∈S1);
若所述边缘检测算法的阈值数量为2,则所述边缘检测算法的低阈值为:
Thresholdlow=max(amp′∈S1);
所述边缘检测算法的高阈值为:
Thresholdhigh=PERCENTILE({amp″|amp″∈S2且amp″>Thresholdlow});
其中,PERCENTILE()表示分位数;
(5)根据刀具的实时轮廓计算刀具当前的断损程度;
所述步骤(5)包括:
根据刀具的实时轮廓获得刀具的末端位置,以计算刀具当前的长度Lnow;
根据刀具当前的长度计算刀具当前的断损程度为:
其中,Lorigin表示刀具的初始长度。
2.如权利要求1所述的基于图像边缘检测的刀具断损监测方法,其特征在于,在获取所述参照图和刀具图时,通过背景虚化的方式增大所述参照图的梯度与所述刀具图中刀具边缘梯度之间的差异。
3.如权利要求1所述的基于图像边缘检测的刀具断损监测方法,其特征在于,在分别计算两幅图像的梯度之前,还包括:分别对两幅图像进行预处理,以提高图像质量;
所述预处理包括:去噪、锐化和去抖操作。
4.如权利要求1所述的基于图像边缘检测的刀具断损监测方法,其特征在于,PERCENTILE()表示第一个五分位数。
5.如权利要求1或4所述的基于图像边缘检测的刀具断损监测方法,其特征在于,还包括:根据Thresholdlow′=Thresholdlow-δ对低阈值进行修正,根据Thresholdhigh′=Thresholdhigh+δ对高阈值进行修正;
其中,Thresholdlow′和Thresholdhigh′分别为修正后的低阈值和高阈值,δ为修正系数,Thresholdlow-δ>0且Thresholdhigh+δ<255。
6.一种基于图像边缘检测的刀具断损监测系统,其特征在于,包括:图像获取模块、梯度计算模块、离群点剔除模块、边缘检测模块以及断损监测模块;
所述图像获取模块,用于分别获得参照图和刀具图;所述参照图仅包含背景,所述刀具图同时包含背景和待监测的刀具;
所述梯度计算模块,用于分别计算由所述图像获取模块获取的两幅图像的梯度,从而得到所述参照图中各像素点的梯度,以及所述刀具图中各像素点的梯度;
所述离群点剔除模块,用于根据所述梯度计算模块所计算的梯度,识别并剔除两幅图像中的离群点,由所述参照图中剩余像素点的梯度构成第一梯度集合S1,由所述刀具图中剩余像素点的梯度构成第二梯度集合S2;
所述边缘检测模块,用于根据边缘检测算法的阈值数量、所述第一梯度集合S1和所述第二梯度集合S2确定所述边缘检测算法的各个阈值,并根据所确定的阈值,利用所述边缘检测算法对所述刀具图进行边缘检测,以获得刀具的实时轮廓;
所述断损监测模块,用于根据刀具的实时轮廓计算刀具当前的断损程度;
所述边缘检测模块根据边缘检测算法的阈值数量、所述第一梯度集合S1和所述第二梯度集合S2确定所述边缘检测算法的各个阈值,包括:
若所述边缘检测算法的阈值数量为1,则所述边缘检测算法的阈值为:Threshold=max(amp′∈S1);
若所述边缘检测算法的阈值数量为2,则所述边缘检测算法的低阈值为:
Thresholdlow=max(amp′∈S1);
所述边缘检测算法的高阈值为:
Thresholdhigh=PERCENTILE({amp″|amp″∈S2且amp″>Thresholdlow});
其中,PERCENTILE()表示分位数;
所述断损监测模块根据刀具的实时轮廓计算刀具当前的断损程度,包括:
根据刀具的实时轮廓获得刀具的末端位置,以计算刀具当前的长度Lnow;
根据刀具当前的长度计算刀具当前的断损程度为:
其中,Lorigin表示刀具的初始长度。
7.一种基于图像边缘检测的刀具断损监测系统,包括:处理器和计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储可执行程序;
所述处理器用于读取所述计算机可读存储介质中存储的可执行程序,执行权利要求1-5任一项所述的基于图像边缘检测的刀具断损监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957817.0A CN110774055B (zh) | 2019-10-10 | 2019-10-10 | 一种基于图像边缘检测的刀具断损监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957817.0A CN110774055B (zh) | 2019-10-10 | 2019-10-10 | 一种基于图像边缘检测的刀具断损监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110774055A CN110774055A (zh) | 2020-02-11 |
CN110774055B true CN110774055B (zh) | 2021-02-12 |
Family
ID=69384936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910957817.0A Active CN110774055B (zh) | 2019-10-10 | 2019-10-10 | 一种基于图像边缘检测的刀具断损监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110774055B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115008255B (zh) * | 2022-08-09 | 2023-03-17 | 南通吉帆精密科技有限公司 | 一种用于机床的刀具磨损识别方法及装置 |
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 |
CN117808811B (zh) * | 2024-03-01 | 2024-07-05 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7265873B1 (en) * | 1999-04-13 | 2007-09-04 | Conexant Systems, Inc. | Image processor that performs edge enhancement using a dynamic threshold |
CN106584209A (zh) * | 2016-11-10 | 2017-04-26 | 哈尔滨理工大学 | 基于云制造的刀具磨损实时在线监测方法 |
CN108986152B (zh) * | 2018-06-11 | 2021-05-11 | 全球能源互联网研究院有限公司 | 一种基于差分图像的异物检测方法及装置 |
CN108921857A (zh) * | 2018-06-21 | 2018-11-30 | 中国人民解放军61062部队科技装备处 | 一种面向监视场景的视频图像焦点区域分割方法 |
CN109117764A (zh) * | 2018-07-29 | 2019-01-01 | 国网上海市电力公司 | 在电力监控中采用颜色阈值法识别目标物体区域电气符号的方法 |
CN109544464A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种基于轮廓提取的火灾视频图像分析方法 |
-
2019
- 2019-10-10 CN CN201910957817.0A patent/CN110774055B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110774055A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110774055B (zh) | 一种基于图像边缘检测的刀具断损监测方法及系统 | |
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN106226325B (zh) | 一种基于机器视觉的座椅表面缺陷检测系统及其方法 | |
CN112837302B (zh) | 模具的状态监测方法、装置、工控机、存储介质及系统 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN102393397B (zh) | 一种磁瓦表面缺陷检测系统及其检测方法 | |
CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN111179233A (zh) | 基于激光切割二维零部件的自适应纠偏方法 | |
US20230096532A1 (en) | Machine learning system, learning data collection method and storage medium | |
CN108527004A (zh) | 一种数控机床刀具破损检测系统 | |
JPH11177964A (ja) | 画像処理方法およびその装置 | |
CN108318773A (zh) | 一种输电导线断股检测方法及系统 | |
CN108921132A (zh) | 无人机机载电缆探测系统 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN112673801A (zh) | 一种谷物联合收割机破碎含杂在线检测方法与系统 | |
CN113820333A (zh) | 电池极片异常检测方法、装置、上位机及检测系统 | |
CN116900449A (zh) | 基于信号融合的焊接质量监测方法和系统 | |
CN116930195B (zh) | 用于五金加工的智能cam系统及表面缺陷检测方法、设备 | |
CN116485795B (zh) | 一种卷料涂布生产线瑕疵检测方法及系统 | |
CN116843687A (zh) | 一种通信光缆表面瑕疵检测方法及装置 | |
CN117173107A (zh) | 产品缺陷检测方法、装置、设备、系统和可读存储介质 | |
CN111929328A (zh) | 拉链缺陷检测方法和装置 | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及系统 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 |
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 |