CN111122587A - 一种基于视觉特征提取的刀具损伤检测方法 - Google Patents

一种基于视觉特征提取的刀具损伤检测方法 Download PDF

Info

Publication number
CN111122587A
CN111122587A CN202010061083.0A CN202010061083A CN111122587A CN 111122587 A CN111122587 A CN 111122587A CN 202010061083 A CN202010061083 A CN 202010061083A CN 111122587 A CN111122587 A CN 111122587A
Authority
CN
China
Prior art keywords
cutter
area
tool
image
damage
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
Application number
CN202010061083.0A
Other languages
English (en)
Other versions
CN111122587B (zh
Inventor
王禹林
叶祖坤
刘峰
查文彬
蔡志娟
李霏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Yuqiyuan Intelligent Equipment Technology Co Ltd
Nanjing University of Science and Technology
Beijing Institute of Electronic System Engineering
Original Assignee
Nanjing Yuqiyuan Intelligent Equipment Technology Co Ltd
Nanjing University of Science and Technology
Beijing Institute of Electronic System Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Yuqiyuan Intelligent Equipment Technology Co Ltd, Nanjing University of Science and Technology, Beijing Institute of Electronic System Engineering filed Critical Nanjing Yuqiyuan Intelligent Equipment Technology Co Ltd
Priority to CN202010061083.0A priority Critical patent/CN111122587B/zh
Publication of CN111122587A publication Critical patent/CN111122587A/zh
Application granted granted Critical
Publication of CN111122587B publication Critical patent/CN111122587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本发明公开了一种基于视觉特征提取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，磨损区域是通过目标融合，将图像中磨损区域与刀具完好区域融合为一个区域，再通过目标转移将刀具磨损区域转移到背景区域，与背景融合为一块区域，而基于图像差分提取得到；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，可针对刀具前、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

一种基于视觉特征提取的刀具损伤检测方法
技术领域
本发明属刀具检测技术领域，特别是一种基于视觉特征提取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视觉特征提取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；该区域基于刀具损伤图像的目标融合及目标转移后，通过图像差分提取得到；
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：
长度像素当量：
Figure 15916DEST_PATH_IMAGE001
(1)
面积像素当量：
Figure 291039DEST_PATH_IMAGE002
(2)
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：通过目标融合，将刀具损伤图像中刀具磨损区域与刀具完好区域融合为一个区域，背景为一个区域；其次，通过目标转移将刀具损伤图像中刀具磨损区域转移到背景区域，与背景融合为一块区域；最后通过图像差分提取出刀具磨损区域；
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）本发明通过目标融合，将刀具损伤图像中刀具磨损区域与刀具完好区域融合为一个区域，背景为一个区域；其次，通过目标转移将刀具损伤图像中刀具磨损区域转移到背景区域，与背景融合为一块区域；最后通过图像差分成功提取得到磨损区域，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为预处理后的刀具损伤图像示意图。
图3为目标融合后的图象示意图。
图4为目标转移后的图象示意图。
图5为磨损区域提取示意图。
图6为二值化后的刀具损伤图像示意图。
图7为切削刃重建数据点采集示意图。
图8为切削刃重建后的刀具图像示意图。
图9为破损区域提取示意图。
图10为刀具总损伤区域提取示意图。
图11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。
一种基于视觉特征提取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；该区域基于刀具损伤图像的目标融合及目标转移后，通过图像差分提取得到；
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目标融合、目标转移、图像差分三步。
所述目标融合是指将刀具损伤图像中刀具磨损区域与刀具完好区域融合为一个区域，背景为一个区域，即将刀具完好区域与刀具磨损区域像素置为255，背景区域像素置为0，该操作可通过最大类方法，均值迭代法等进行图像二值化操作实现；
所述目标转移是指将刀具损伤图像中刀具磨损区域转移到背景区域，与背景融合为一块区域，刀具完整部分为一块区域；可通过将刀具图像背景置为255，显示为白色，进而，将原始刀具图像乘以一个权重值，再与背景为白色的图像相加实现。所述权重值的确定可通过像素扫描获取原始图像中像素最大的值记为a,则权重值为255/a-1。
所述图像差分是目标转移后的图像融合后的背景像素值置为0，刀具完整部分像素置为255，进而减去目标融合后的刀具图像，提取出刀具磨损区域。
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，鼠标截取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正二值化，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：
长度像素当量：
Figure 872194DEST_PATH_IMAGE003
(1)
面积像素当量：
Figure 207360DEST_PATH_IMAGE002
(2)
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：通过目标融合，将刀具损伤图像中刀具磨损区域与刀具完好区域融合为一个区域，背景为一个区域；其次，通过目标转移将刀具损伤图像中刀具磨损区域转移到背景区域，与背景融合为一块区域；最后通过图像差分提取出刀具磨损区域。
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；
损伤长度：
Figure 873965DEST_PATH_IMAGE004
(3)
损伤宽度：
Figure 952779DEST_PATH_IMAGE005
(4)
损伤面积：
Figure 450756DEST_PATH_IMAGE006
(5)
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，若即存在磨损区域，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)

1.一种基于视觉特征提取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；该区域基于刀具损伤图像的目标融合及目标转移后，通过图像差分提取得到；
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。
2.根据权利要求1所述的基于视觉特征提取的刀具损伤检测方法，其特征在于，所述刀具磨损区域的提取包含目标融合、目标转移、图像差分三步；
所述目标融合是指将刀具损伤图像中刀具磨损区域与刀具完好区域融合为一个区域，背景为一个区域，即将刀具完好区域与刀具磨损区域像素置为255，背景区域像素置为0，该步骤通过最大类方法或/和均值迭代法进行图像二值化操作实现；
所述目标转移是指将刀具损伤图像中刀具磨损区域转移到背景区域，与背景融合为一块区域，刀具完好部分为一块区域；可通过将刀具图像背景置为255，显示为白色，进而，将原始刀具图像乘以一个权重值，再与背景为白色的图像相加实现；所述权重值的确定可通过像素扫描获取原始图像中像素最大的值记为a,则权重值为255/a-1；
所述图像差分是目标转移后的背景像素值置为0，刀具完整部分像素置为255，进而减去目标融合后的刀具图像，提取出刀具磨损区域。
3.根据权利要求1所述的基于视觉特征提取的刀具损伤检测方法，其特征在于，所述刀具破损区域的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损伤图像进行二值化，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所述的基于视觉特征提取的刀具损伤检测方法，其特征在于，在进行刀具损伤区域提取前对图像进行背景去除、灰度化、滤波降噪及图像增强等预处理。
5.根据权利要求4所述的基于视觉特征提取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所述的基于视觉特征提取的刀具损伤检测方法，其特征在于，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：
长度像素当量：
Figure 650021DEST_PATH_IMAGE001
(1)
面积像素当量：
Figure 973686DEST_PATH_IMAGE002
(2)
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：通过目标融合，将刀具损伤图像中刀具磨损区域与刀具完好区域融合为一个区域，背景为一个区域；其次，通过目标转移将刀具损伤图像中刀具磨损区域转移到背景区域，与背景融合为一块区域；最后通过图像差分提取出刀具磨损区域；
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。
7.根据权利要求6所述的基于视觉特征提取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（3）、（4）、（5）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；
损伤长度：
Figure 222265DEST_PATH_IMAGE003
(3)
损伤宽度：
Figure 1
(4)
损伤面积：
Figure 2
(5)
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6所述的基于视觉特征提取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。
CN202010061083.0A 2020-01-19 2020-01-19 一种基于视觉特征提取的刀具损伤检测方法 Active CN111122587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061083.0A CN111122587B (zh) 2020-01-19 2020-01-19 一种基于视觉特征提取的刀具损伤检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061083.0A CN111122587B (zh) 2020-01-19 2020-01-19 一种基于视觉特征提取的刀具损伤检测方法

Publications (2)

Publication Number Publication Date
CN111122587A true CN111122587A (zh) 2020-05-08
CN111122587B CN111122587B (zh) 2022-06-28

Family

ID=70491705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061083.0A Active CN111122587B (zh) 2020-01-19 2020-01-19 一种基于视觉特征提取的刀具损伤检测方法

Country Status (1)

Country Link
CN (1) CN111122587B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562273A (zh) * 2020-06-05 2020-08-21 大连工业大学 基于高光谱的鱼水射流除鳞轻微损伤可视化方法
CN112388391A (zh) * 2020-11-09 2021-02-23 上海圣之尧智能科技有限公司 一种车削刀具置换方法
CN112756925A (zh) * 2021-01-26 2021-05-07 福州大学 基于粘结效应的adc12铝合金高速铣削刀具表面粘结磨损程度评价方法
CN112785525A (zh) * 2021-01-26 2021-05-11 桂林电子科技大学 基于深度学习去除刀具刃口图像中的附着物的方法和系统
CN113752088A (zh) * 2021-09-22 2021-12-07 南京理工大学 一种基于机器视觉的刀库集成式刀具损伤检测系统及方法
CN114633321A (zh) * 2022-03-17 2022-06-17 江阴市澄东锻造有限公司 法兰防锈检测平台
CN114742834A (zh) * 2022-06-13 2022-07-12 中科航迈数控软件(深圳)有限公司 一种复杂结构件加工刀具磨损判定方法
CN117808810A (zh) * 2024-03-01 2024-04-02 陕西长空齿轮有限责任公司 一种滚刀磨损图像识别测量方法及系统
CN117808810B (zh) * 2024-03-01 2024-05-28 陕西长空齿轮有限责任公司 一种滚刀磨损图像识别测量方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4845763A (en) * 1987-11-06 1989-07-04 General Motors Corporation Tool wear measurement by machine vision
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
CN105203025A (zh) * 2015-09-09 2015-12-30 江苏科技大学 基于机器视觉的圆锯片磨损量在线测量方法
CN106312692A (zh) * 2016-11-02 2017-01-11 哈尔滨理工大学 基于最小外接矩形的刀具磨损检测方法
CN206855141U (zh) * 2017-04-01 2018-01-09 深圳市蓝海永兴实业有限公司 一种铣削刀具磨损在线检测装置
CN108931961A (zh) * 2018-07-05 2018-12-04 西安交通大学 一种基于机器视觉的整体式立铣刀磨破损检测方法
CN109571141A (zh) * 2018-11-01 2019-04-05 北京理工大学 一种基于机器学习的刀具磨损状态监测方法
CN110340733A (zh) * 2019-07-19 2019-10-18 南京理工大学 一种清洁切削环境下刀具损伤在线与在位检测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4845763A (en) * 1987-11-06 1989-07-04 General Motors Corporation Tool wear measurement by machine vision
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
CN105203025A (zh) * 2015-09-09 2015-12-30 江苏科技大学 基于机器视觉的圆锯片磨损量在线测量方法
CN106312692A (zh) * 2016-11-02 2017-01-11 哈尔滨理工大学 基于最小外接矩形的刀具磨损检测方法
CN206855141U (zh) * 2017-04-01 2018-01-09 深圳市蓝海永兴实业有限公司 一种铣削刀具磨损在线检测装置
CN108931961A (zh) * 2018-07-05 2018-12-04 西安交通大学 一种基于机器视觉的整体式立铣刀磨破损检测方法
CN109571141A (zh) * 2018-11-01 2019-04-05 北京理工大学 一种基于机器学习的刀具磨损状态监测方法
CN110340733A (zh) * 2019-07-19 2019-10-18 南京理工大学 一种清洁切削环境下刀具损伤在线与在位检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭锐涛等: ""刀具磨损的机器视觉监测研究"", 《机械科学与技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562273A (zh) * 2020-06-05 2020-08-21 大连工业大学 基于高光谱的鱼水射流除鳞轻微损伤可视化方法
CN112388391A (zh) * 2020-11-09 2021-02-23 上海圣之尧智能科技有限公司 一种车削刀具置换方法
CN112756925A (zh) * 2021-01-26 2021-05-07 福州大学 基于粘结效应的adc12铝合金高速铣削刀具表面粘结磨损程度评价方法
CN112785525A (zh) * 2021-01-26 2021-05-11 桂林电子科技大学 基于深度学习去除刀具刃口图像中的附着物的方法和系统
CN112756925B (zh) * 2021-01-26 2022-05-27 福州大学 基于粘结效应的adc12铝合金高速铣削刀具表面粘结磨损程度评价方法
CN113752088A (zh) * 2021-09-22 2021-12-07 南京理工大学 一种基于机器视觉的刀库集成式刀具损伤检测系统及方法
CN113752088B (zh) * 2021-09-22 2024-04-19 南京理工大学 一种基于机器视觉的刀库集成式刀具损伤检测系统及方法
CN114633321A (zh) * 2022-03-17 2022-06-17 江阴市澄东锻造有限公司 法兰防锈检测平台
CN114742834A (zh) * 2022-06-13 2022-07-12 中科航迈数控软件(深圳)有限公司 一种复杂结构件加工刀具磨损判定方法
CN117808810A (zh) * 2024-03-01 2024-04-02 陕西长空齿轮有限责任公司 一种滚刀磨损图像识别测量方法及系统
CN117808810B (zh) * 2024-03-01 2024-05-28 陕西长空齿轮有限责任公司 一种滚刀磨损图像识别测量方法及系统

Also Published As

Publication number Publication date
CN111122587B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN111122587B (zh) 一种基于视觉特征提取的刀具损伤检测方法
CN110930405B (zh) 一种基于图像区域划分的刀具损伤检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN111069976B (zh) 一种车间或产线用刀具损伤智能化移动监测系统及方法
CN108931961B (zh) 一种基于机器视觉的整体式立铣刀磨破损检测方法
Bradley et al. Surface texture indicators of tool wear-a machine vision approach
CN111369516B (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
Peng et al. Study of tool wear monitoring using machine vision
Shahabi et al. In-cycle monitoring of tool nose wear and surface roughness of turned parts using machine vision
CN104608799A (zh) 基于信息融合技术列车轮对踏面损伤在线检测与识别方法
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
CN101758423A (zh) 基于图像识别的旋转刀具状态多参数综合评价方法
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
Peng et al. Application of machine vision method in tool wear monitoring
CN111353993A (zh) 一种基于机器视觉的螺纹角度测量方法
Li et al. An automatic and accurate method for tool wear inspection using grayscale image probability algorithm based on bayesian inference
CN113196040A (zh) 表面缺陷检测方法、表面缺陷检测装置、钢材的制造方法、钢材的品质管理方法、钢材的制造设备、表面缺陷判定模型的生成方法及表面缺陷判定模型
CN112907556A (zh) 一种基于机器视觉的旋转刀具磨损量自动测量方法
CN105184792B (zh) 一种圆锯片磨损量在线测量方法
Atli et al. A computer vision-based fast approach to drilling tool condition monitoring
CN116612119B (zh) 基于机器视觉的机床用钻头工作状态图像检测方法
CN110715886A (zh) 基于光学低相干成像的滑油磨屑在线监测方法
CN218504096U (zh) 一种具备智能识别、检测焊缝功能的恒力控制打磨器具
Dou et al. An adaptive method of measuring the rake face wear of end mills based on image feature point set registration
CN114897921A (zh) 基于机器视觉的受电弓磨耗值和受电弓异常实时检测方法

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