CN110930405B - 一种基于图像区域划分的刀具损伤检测方法 - Google Patents
一种基于图像区域划分的刀具损伤检测方法 Download PDFInfo
- Publication number
- CN110930405B CN110930405B CN202010058164.5A CN202010058164A CN110930405B CN 110930405 B CN110930405 B CN 110930405B CN 202010058164 A CN202010058164 A CN 202010058164A CN 110930405 B CN110930405 B CN 110930405B
- Authority
- CN
- China
- Prior art keywords
- cutter
- area
- image
- damage
- pixel
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Machine Tool Sensing Apparatuses (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于图像区域划分的刀具损伤检测方法,通过将刀具损伤区域分为磨损区域与破损区域,对两块区域分别进行提取后,以两区域之和的几何特征作为刀具损伤程度及损伤类型的判别标准;其中,磨损区域是通过将图像均分成若干份像素块,通过对每个像素块进行图像分割获取局部阈值,进而以最大局部阈值为最佳阈值对整张图像进行扫描提取得到;破损区域是通过采集图像中完好切削刃像素点,基于数据拟合重建刀具切削刃上下边界,进而通过差分法提取得到。本发明提供了有效的刀具损伤视觉检测方法,可针对刀具后刀面磨损以及刀具崩刃等损伤类型进行高可靠度诊断。
Description
技术领域
本发明属刀具检测技术领域,特别是一种基于图像区域划分的刀具损伤检测方法。
背景技术
在切削加工过程中,刀具刀尖以及前后面与工件剧烈摩擦,接触区温度急剧增加,在切削力和切削热的共同侵蚀下,刀具势必发生损伤,进而影响加工精,严重情况下造成机床故障甚至人员伤亡,带来巨大经济损失。因此,亟需发展有效的刀具损伤检测技术。目前根据监测手段的不同,通常将刀具状态监测方法分为间接测量和直接测量。间接检测法是通过间接检测刀具磨破损时所产生的信号来判断刀具损伤状态,实时性强,可实现在线监测,主要有切削力监测法、振动监测法、声发射监测法以及功率/电流监测法等,然而通过信号映射的方法得到的刀具损伤量受加工工艺参数影响较大,易受干扰;机器视觉法是通过检测刀具表面状态来计算磨/破损量,属于直接检测法,具有直观无接触的优点。
中国专利公开号CN102501140A公开了一种球头铣刀定位集磨损监测方法,但该方法仅能测量刀具加工过程中磨损区域的宽度,未考虑刀具加工过程中微量破损部分的损伤量,所检测的刀具磨损量具有较大误差,易造成刀具失效误判,且不能无法适用于刀具破损检测;中国专利公开号CN108062072A公开了一种双摄像头图像采集装置及图像拼接的平底铣刀磨损在线检测方法,采用图像平均灰度作为阈值进行磨损特征提取,由于磨损区域像素所占整张图像比例较小,特征不明显,易被作为噪声处理,以灰度平均值作为阈值识别出磨损区域,具有较大误差,易把未磨损区域识别为磨损区域;中国专利公开号CN105203025A公开了一种基于机器视觉的圆锯片磨损量在线测量方法,但该方法只能检测刃口缺失,而无法检测刀刃磨损缺陷,检测精度还需进一步提高。综上可知,目前的刀具损伤视觉检测方法尚无法实现刀具损伤的高精检测,易造成刀具损伤误判,缺乏一套有效的刀具损伤视觉检测方法。
发明内容
本发明的目的在于提供一种基于图像区域划分的刀具损伤检测方法,通过同时测量磨损区域与破损区域作为刀具总损伤特征,提高刀具损伤监测精度,解决机械加工过程中基于机器视觉的刀具损伤高精检测难题。
实现本发明目的的技术解决方案为:
将刀具损伤区域分为磨损区域与破损区域,分别将两块区域作为目标,将其从图像背景以及刀具完好区域中提取出来,并以两区域之和的几何特征作为刀具损伤程度及损伤类型的判别标准;
所述刀具磨损区域为加工过程中刀具刀尖以及前后刀面与工件剧烈摩擦形成的磨伤区域;该区域基于刀具图像灰度值,选取最佳阈值后,通过图像像素扫描提取得到;
所述刀具破损区域为刀具加工过程中刀刃边缘及刀尖出现的细微崩刃及耗损缺失区域;该区域通过采集图像中完好的切削刃像素点,基于数据拟合重建刀具切削刃上下边界而提取得到。
方法包括以下步骤:
步骤1、视觉系统安装与标定:
安装调试视觉系统并对相机进行像素尺寸标定,获得像素当量值,进而控制视觉系统到达机床主轴位置附近,准备进行刀具图像采集;所述的像素尺寸标定采用的算法为:
式中,K1为长度像素当量;K2为面积像素当量;lN为标尺实际长度;aN为标尺实际面积;N1为图像中表示标尺长度所用的像素个数;N2为图像中表示标尺面积所用的像素个数;所述标尺为一个已知尺寸的标准物体;
步骤2、图像采集与预处理:调节刀具与相机之间的相对距离,使相机视野中呈现清晰的刀具侧刃与底刃图像,进而采集完整的刀具侧刃与底刃图像,并对采集的图像进行预处理;
步骤3、刀具损伤区域提取:
步骤3.1、刀具磨损区域提取:将刀具图像均分成像素块,通过最大类方法对每个像素块进行图像分割,获取分割阈值,即局部阈值,选取最大的局部阈值作为最佳阈值对整张图像进行像素扫描,将像素值大于最佳阈值的像素点提取出来,即为磨损区域;
步骤3.2、刀具破损区域提取:采集完整切削刃边界的数据点,进而基于采集的数据点坐标,对刀具切削刃上边界与下边界进行重建,重建切削刃交点为刀尖,以重建切削刃为边界将刀具区域像素置为255,得到新刀图像,进而运用差分法,将重建后的新刀具图像减去损伤的刀具图像,即得到刀具缺失区域,
步骤4、刀具损伤几何特征测量:将提取的磨损区域与破损区域作为刀具加工过程中的总损伤特征,分别计算刀具总损伤的长度、宽度、面积等几何特征;
步骤5、刀具损伤判定:根据是否存在刀具损伤与擦伤区域判断刀具损伤程度、损伤类型及是否需要更换刀具
本发明与现有技术相比,其显著优点是:
(1)本发明充分分析刀具损伤区域特征,将刀具损伤区域分为磨损区域与破损区域,分别将两块区域作为目标,将其从图像背景以及刀具完好区域中提取出来,并以两区域之和的几何特征作为刀具损伤程度及损伤类型的判别标准,有效提高了刀具损伤检测精度,
(2)本发明通过将刀具图像均分成 小图像,对每个小图像进行图像分割获取局部阈值,选取最大局部阈值作为最佳阈值,进而对整张图像进行像素扫描,将像素值大于最佳阈值的像素点提取出来,成功得到磨损区域,解决了因为磨损区域像素所占整张图像比例较小,特征不明显,易被作为噪声处理,难以识别,不易提取的难题;
(3)本发明通过采集完整切削刃边界的数据点,基于采集的数据点坐标,对刀具切削刃上边界与下边界进行重建,重建切削刃交点为刀尖,以重建切削刃为边界将刀具区域像素置为255,得到新刀图像,进而运用差分法,将重建后的新刀具图像减去损伤的刀具图像,成功提取得到刀具破损区域,解决了刀具破损区域提取困难的问题,无需采集新刀具图像,无需进行刀具形状匹配,且重建的刀具切削刃边界具有较好的精度。
附图说明
图1为损伤刀具图像示意图。
图2预处理后的刀具损伤图像示意图。
图3最佳阈值选取图像均分示意图。
图4为磨损区域提取示意图。
图5二值化后的刀具损伤图像示意图。
图6切削刃重建数据点采集示意图。
图7为切削刃重建后的刀具图像示意图。
图8为破损区域提取示意图。
图9为刀具总损伤区域提取示意图。
图10为本发明方法流程示意图。
具体实施方式
下面结合附图对本发明做进一步的介绍。
一种基于图像区域划分的刀具损伤检测方法,是将刀具损伤区域分为磨损区域与破损区域,分别将两块区域作为目标,将其从图像背景以及刀具完好区域中提取出来,并以两区域之和的几何特征作为刀具损伤程度及损伤类型的判别标准;
所述刀具磨损区域为加工过程中刀具刀尖以及前后刀面与工件剧烈摩擦形成的磨伤区域;该区域基于刀具图像灰度值,选取最佳阈值后,通过图像像素扫描提取得到;
所述刀具破损区域为刀具加工过程中刀刃边缘及刀尖出现的细微崩刃及耗损缺失区域;该区域通过采集图像中完好的切削刃像素点,基于数据拟合重建刀具切削刃上下边界而提取得到;
进一步的,所述刀具磨损区域与背景、刀具完好区域组成完好的刀具图像,其具有面积最小,特征不明显,易被作为噪声信号处理,存在难以识别的困难;所述刀具破损区域为崩刃缺失区域,被背景所覆盖。为保证刀具损伤特征提取的完整性以及诊断结果的准确性,分别提取刀具磨损区域与刀具破损区域作为刀具的总损伤特征;
进一步的,所述磨损区域提取包含图像划分、最佳阈值选取、像素扫描三步;
所述最佳阈值选取是指对均分后的小图像进行图像分割,通过最大类方法获取每一个像素块的分割阈值,即局部阈值,进而将最大的局部阈值作为对磨损区域进行提取的最佳阈值;
所述像素扫描是指对整张刀具损伤图像进行像素扫描,将图像像素值大于或等于最佳阈值的像素值置为255,将图像像素值小于最佳阈值的像素值置为0,对整张图像扫描完后,即完成磨损区域的提取,像素值为255的区域即为磨损区域,显示为白色,像素值为0的区域显示为黑色,原理如式(7)所示;
进一步的,所述破损区域提取包含数据点采集、边界拟合重建、区域提取三步;
所述数据点采集是指对刀具损伤图像进行canny边缘检测,截取canny图像中刀具未损伤的上边界区域与下边界区域,对截取的上边界、下边界区域进行像素点扫描,将像素值为255 像素点坐标进行保存;
所述边界拟合重建是指对刀具图像进行二值化,即将刀具区域像素置为255,背景区域像素置为0,并基于采集到的完整切削刃坐标数据,在二值化图像上对刀具切削刃上边界与下边界进行拟合重建,重建边界交点即为刀尖;
所述区域提取是指以重建切削刃为边界,将图像中刀具区域的像素置为255,显示为白色,至此基于损伤的刀具图像完成了刀具重建,得到新刀图像,进而基于差分法,利用重建后的新刀图像减去已损伤的二值化刀具图像即得到破损区域;
进一步的,为保证检测刀具损伤检测结果的准确性,在进行损伤区域提取前需对图像进行背景去除、灰度化、滤波降噪、图像增强等预处理;
进一步的,所述背景去除是利用差分法,将刀具图像与背景图像做差,以此去除背景中的非刀具区域;
进一步的,本发明检测方法可针对刀具后刀面磨损以及刀具崩刃等损伤类型进行高可靠度诊断;
进一步的,本发明方法包括以下步骤:
步骤1、视觉系统安装与标定:
安装调试视觉系统并对相机进行像素尺寸标定,获得像素当量值,进而控制视觉系统到达机床主轴位置附近,准备进行刀具图像采集;所述的像素尺寸标定采用的算法为:
式中,K1为长度像素当量;K2为面积像素当量;lN为标尺实际长度;aN为标尺实际面积;N1为图像中表示标尺长度所用的像素个数;N2为图像中表示标尺面积所用的像素个数;所述标尺为一个已知尺寸的标准物体;
步骤2、图像采集与预处理:调节刀具与相机之间的相对距离,使相机视野中呈现清晰的刀具侧刃与底刃图像,进而采集完整的刀具侧刃与底刃图像,并对采集的图像进行预处理;
步骤3、刀具损伤区域提取:
步骤3.1、刀具磨损区域提取:将刀具图像均分成 像素块,通过最大类方法对每个像素块进行图像分割,获取分割阈值,即局部阈值,选取最大的局部阈值作为最佳阈值对整张图像进行像素扫描,将像素值大于最佳阈值的像素点提取出来,即为磨损区域;
步骤3.2、刀具破损区域提取:采集完整切削刃边界的数据点,进而基于采集的数据点坐标,对刀具切削刃上边界与下边界进行重建,重建切削刃交点为刀尖,以重建切削刃为边界将刀具区域像素置为255,得到新刀图像,进而运用差分法,将重建后的新刀具图像减去损伤的刀具图像,即得到刀具缺失区域,
步骤4、刀具损伤几何特征测量:将提取的磨损区域与破损区域作为刀具加工过程中的总损伤特征,分别计算刀具总损伤的长度、宽度、面积等几何特征;
步骤5、刀具损伤判定:根据是否存在刀具损伤与擦伤区域判断刀具损伤程度、损伤类型及是否需要更换刀具
进一步的,所述刀具损伤几何特征按式(4)-(6)计算;方法为绘制刀具损伤区域最小外接矩形,计算最小外接矩形的长与宽,所得长、宽乘上像素长度当量即得到刀具损伤区域的实际长度与宽度,对刀具损伤区域进行像素扫描,统计刀具磨损区域像素个数,并乘上像素面积当量即得到刀具磨损区域实际面积;
式中,K1为长度像素当量;K2为面积像素当量;L为刀具损伤实际长度;W为刀具损伤实际面积;A为刀具损伤实际面积;NL为图像中表示刀具损伤长度所用的像素个数;NW为图像中表示刀具损伤宽度所用的像素个数;NA为图像中表示刀具损伤面积所用的像素个数。
进一步的,刀具损伤判定方法如下:若不存在磨损区域,仅存在破损区域,则判定刀具为崩刃破损;若仅存在磨损区域、不存在破损区域则判定刀具为轻微磨损损伤,若既存在磨损区域,又存在破损区域,则判定刀具为严重磨损损伤,若磨损区域与破损区域均不存在,则刀具未损伤;同时根据刀具损伤几何特征大小是否达到设定阈值,确定是否需要更换刀具。
Claims (8)
1.一种基于图像区域划分的刀具损伤检测方法,其特征在于,将刀具损伤区域分为刀具磨损区域与刀具破损区域,分别将两块区域作为目标,将其从图像背景以及刀具完好区域中提取出来,并以两区域之和的几何特征作为刀具损伤程度及损伤类型的判别标准;
所述刀具磨损区域为刀具刀尖以及前后刀面与工件剧烈摩擦形成的磨伤区域;该区域基于刀具图像灰度值,选取最佳阈值后,通过图像像素扫描提取得到;
所述刀具破损区域为刀刃边缘及刀尖出现的细微崩刃及耗损缺失区域;该区域通过采集图像中完好的切削刃像素点,基于数据拟合重建刀具切削刃上下边界而提取得到;
包括以下步骤:
步骤1.视觉系统安装与标定:
安装调试视觉系统并对相机进行像素尺寸标定,获得像素当量值,进而控制视觉系统到达机床主轴位置附近,准备进行刀具图像采集;所述的像素尺寸标定采用的算法为:
式中,K1为长度像素当量;K2为面积像素当量;l N 为标尺实际长度;a N 为标尺实际面积;N1为图像中表示标尺长度所用的像素个数;N2为图像中表示标尺面积所用的像素个数;所述标尺为一个已知尺寸的标准物体;
步骤2.图像采集与预处理:调节刀具与相机之间的相对距离,使相机视野中呈现清晰的刀具侧刃与底刃图像,进而采集完整的刀具侧刃与底刃图像,并对采集的图像进行预处理;
步骤3.刀具损伤区域提取:
步骤3.1.刀具磨损区域提取:将刀具图像均分成M*N个像素块,通过最大类方法对每个像素块进行图像分割,获取分割阈值,即局部阈值,选取最大的局部阈值作为最佳阈值对整张图像进行像素扫描,将像素值大于最佳阈值的像素点提取出来,即为磨损区域;
步骤3.2.刀具破损区域提取:采集完整切削刃边界的数据点,进而基于采集的数据点坐标,对刀具切削刃上边界与下边界进行重建,重建切削刃交点为刀尖,以重建切削刃为边界将刀具区域像素置为255,得到新刀图像,进而运用差分法,将重建后的新刀具图像减去损伤的刀具图像,即得到刀具缺失区域;
步骤4.刀具损伤几何特征测量:将提取的磨损区域与破损区域作为刀具加工过程中的总损伤特征,分别计算刀具总损伤的长度、宽度、面积几何特征;
步骤5.刀具损伤判定:根据是否存在刀具损伤与擦伤区域判断刀具损伤程度、损伤类型及是否需要更换刀具。
2.根据权利要求1所述的基于图像区域划分的刀具损伤检测方法,其特征在于,所述刀具磨损区域提取包含图像划分、最佳阈值选取、像素扫描三步;
所述图像划分是指将刀具损伤图像均分成M*N个像素块,保证均分后的每个像素块其长、宽均大于3-5个像素,不超过10-15个像素;
所述最佳阈值选取是指对均分后的像素块进行图像分割,通过最大类方法获取每一个像素块的分割阈值,即局部阈值,进而将最大的局部阈值作为对磨损区域进行提取的最佳阈值;
所述像素扫描是指对整张刀具损伤图像进行像素扫描,将图像像素值大于或等于最佳阈值的像素值置为255,将图像像素值小于最佳阈值的像素值置为0,对整张图像扫描完后,即完成磨损区域的提取,像素值为255的区域即为磨损区域,显示为白色,像素值为0的区域显示为黑色,原理如式(1)所示;
式中,T为图像分割阈值,i(x,y)为图像在(x,y)处的像素值,L(x,y)为分割后的二值图像在(x,y)处的像素值。
3.根据权利要求1所述的基于图像区域划分的刀具损伤检测方法,其特征在于,所述破损区域提取包含数据点采集、边界拟合重建、区域提取三步;
所述数据点采集是指对刀具损伤图像进行边缘检测,鼠标截取边缘检测图像中刀具未损伤的上边界区域与下边界区域,对截取的上边界、下边界区域进行像素点扫描,将像素值为255 像素点坐标进行保存;
所述边界拟合重建是指对刀具图像进行二值化,即将刀具区域像素置为255,背景区域像素置为0,并基于采集到的完整切削刃坐标数据,在二值化图像上对刀具切削刃上边界与下边界进行拟合重建,重建边界交点即为刀尖;
所述区域提取是指以重建切削刃为边界,将图像中刀具区域的像素置为255,显示为白色,至此基于损伤的刀具图像完成了刀具重建,得到新刀图像,进而基于差分法,利用重建后的新刀图像减去已损伤的二值化刀具图像即得到破损区域。
4.根据权利要求1所述的基于图像区域划分的刀具损伤检测方法,其特征在于,为保证检测刀具损伤检测结果的准确性,在进行损伤区域提取前需对图像进行背景去除、灰度化、滤波降噪、图像增强预处理。
5.根据权利要求4所述的基于图像区域划分的刀具损伤检测方法,其特征在于,所述背景去除是利用差分法,将刀具图像与背景图像做差,以此去除背景中的非刀具区域。
6.根据权利要求1所述的基于图像区域划分的刀具损伤检测方法,其特征在于,可针对刀具前、后刀面磨损以及刀具崩刃损伤类型进行高可靠度诊断。
7.根据权利要求1所述的基于图像区域划分的刀具损伤检测方法,其特征在于,所述刀具损伤几何特征按式(4)、(5)、(6)计算;方法为绘制刀具损伤区域最小外接矩形,计算最小外接矩形的长与宽,所得长、宽乘上像素长度当量即得到刀具损伤区域的实际长度与宽度,对刀具损伤区域进行像素扫描,统计刀具磨损区域像素个数,并乘上像素面积当量即得到刀具磨损区域实际面积;
式中,K1为长度像素当量;K2为面积像素当量;L为刀具损伤实际长度;W为刀具损伤实际面积;A为刀具损伤实际面积;NL为图像中表示刀具损伤长度所用的像素个数;NW为图像中表示刀具损伤宽度所用的像素个数;NA为图像中表示刀具损伤面积所用的像素个数。
8.根据权利要求1所述的基于图像区域划分的刀具损伤检测方法,其特征在于,刀具损伤判定方法如下:若不存在磨损区域,仅存在破损区域,则判定刀具为崩刃破损;若仅存在磨损区域、不存在破损区域则判定刀具为轻微磨损损伤,若既存在磨损区域,又存在破损区域,则判定刀具为严重磨损损伤,若磨损区域与破损区域均不存在,则刀具未损伤;同时根据刀具损伤几何特征大小是否达到设定阈值,确定是否需要更换刀具。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058164.5A CN110930405B (zh) | 2020-01-19 | 2020-01-19 | 一种基于图像区域划分的刀具损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058164.5A CN110930405B (zh) | 2020-01-19 | 2020-01-19 | 一种基于图像区域划分的刀具损伤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930405A CN110930405A (zh) | 2020-03-27 |
CN110930405B true CN110930405B (zh) | 2022-07-26 |
Family
ID=69854793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010058164.5A Active CN110930405B (zh) | 2020-01-19 | 2020-01-19 | 一种基于图像区域划分的刀具损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930405B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308823B (zh) * | 2020-10-14 | 2024-03-15 | 杭州三坛医疗科技有限公司 | 医学图像中感兴趣区域的定位方法及装置 |
CN111932543B (zh) * | 2020-10-16 | 2020-12-25 | 上海一嗨成山汽车租赁南京有限公司 | 确定像素化车伤数据的方法、电子设备和存储介质 |
CN112785547A (zh) * | 2020-11-11 | 2021-05-11 | 平高集团有限公司 | 一种电极触头表面损伤识别方法和系统 |
CN113427321A (zh) * | 2021-07-22 | 2021-09-24 | 南京理工大学 | 一种加工中心用刀具实时检测装置及其检测方法 |
CN113706556B (zh) * | 2021-08-20 | 2022-06-10 | 珠江水利委员会珠江水利科学研究院 | 一种影像切片边缘碎片快速探测与替换方法 |
CN114850967B (zh) * | 2022-04-18 | 2024-04-19 | 上海交通大学 | 一种基于人在回路的刀具磨损状态检测方法和系统 |
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 |
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 |
CN117124139B (zh) * | 2023-10-26 | 2024-01-09 | 合肥亚明汽车部件有限公司 | 一种智能机床刀具磨损视觉检测方法 |
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 |
CN118180991B (zh) * | 2024-05-17 | 2024-07-19 | 福建科烨数控科技有限公司 | 一种刀具回收管理方法、管理系统 |
CN118314125B (zh) * | 2024-06-05 | 2024-08-30 | 中铁七局集团第三工程有限公司 | 一种用于盾构刀盘的磨损影像检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102501140B (zh) * | 2011-11-22 | 2013-11-06 | 南京航空航天大学 | 一种球头铣刀定位及磨损监测方法 |
TWI605905B (zh) * | 2016-11-23 | 2017-11-21 | 財團法人工業技術研究院 | 刀具檢測系統與刀具檢測方法 |
-
2020
- 2020-01-19 CN CN202010058164.5A patent/CN110930405B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110930405A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930405B (zh) | 一种基于图像区域划分的刀具损伤检测方法 | |
CN111122587B (zh) | 一种基于视觉特征提取的刀具损伤检测方法 | |
CN110587377B (zh) | 一种在线监测铣削加工刀具缺损的方法 | |
CN114279357B (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
CN108931961B (zh) | 一种基于机器视觉的整体式立铣刀磨破损检测方法 | |
Kerr et al. | Assessment and visualisation of machine tool wear using computer vision | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
Bradley et al. | Surface texture indicators of tool wear-a machine vision approach | |
Shahabi et al. | In-cycle monitoring of tool nose wear and surface roughness of turned parts using machine vision | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
CN111353993A (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN110340805B (zh) | 一种砂轮/工件复杂圆弧廓形在位检测方法及装置 | |
CN112907556A (zh) | 一种基于机器视觉的旋转刀具磨损量自动测量方法 | |
CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
CN108335285B (zh) | 一种基于图像处理的金刚石磨粒磨损率测定方法 | |
Atli et al. | A computer vision-based fast approach to drilling tool condition monitoring | |
CN116152749A (zh) | 基于数字孪生的齿轮磨损智能监测方法 | |
CN110715886B (zh) | 基于光学低相干成像的滑油磨屑在线监测方法 | |
CN113607058A (zh) | 一种基于机器视觉的直刃刀尺寸检测方法及系统 | |
CN111062939B (zh) | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 | |
CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 | |
Zhang et al. | Novel auto-regressive measurement of diamond tool wear in ultra-precision raster milling | |
CN112388391B (zh) | 一种车削刀具置换方法 |
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 |