CN112683193A - 基于机器视觉的刀具类型判别及几何参数检测方法及系统 - Google Patents
基于机器视觉的刀具类型判别及几何参数检测方法及系统 Download PDFInfo
- Publication number
- CN112683193A CN112683193A CN202011233500.1A CN202011233500A CN112683193A CN 112683193 A CN112683193 A CN 112683193A CN 202011233500 A CN202011233500 A CN 202011233500A CN 112683193 A CN112683193 A CN 112683193A
- Authority
- CN
- China
- Prior art keywords
- cutter
- tool
- camera
- image
- type
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明公开了基于机器视觉的刀具类型判别及几何参数检测方法及系统,方法具体为:检测初始化;将刀具安装在机床主轴上,记录刀具在机床坐标系下的坐标;获取刀具动态图像;采用卷积神经网络训练的刀具识别模型对所获取的刀具动态图像识别,判别当前刀具的类型;对所识别的刀具的几何尺寸进行测量;测量刀具几何尺寸时,主要对常用刀具的几何参数测量,对所得刀具类型以及所得刀具的几何尺寸与当前加工文件中刀具类型以及刀具几何尺寸进行比对,当刀具类型或刀具几何尺寸不一致时发出相应预警信息;有效提升机床加工过程的自动化程度,测量高效且准确,解决更换刀具失误问题,避免造成较大损失,并且考虑多种常用刀具参数测量,适用范围广。
Description
技术领域
本发明涉及数控机床刀具状态监测领域,具体为基于机器视觉的刀具类型判别及几何参数检测方法及系统。
背景技术
随着数控技术(CNC)的高速发展和柔性制造系统(FMS)的快速兴起,市场对高效低成本的自动化加工需求不断提升。为保证加工过程稳定自动进行,对于数控机床各部分性能指标的监测就显得尤为重要,而刀具状态检测技术的研究即为其中重要一环。刀具作为直接影响机床加工质量的专业工具,其自身的物理状态直接影响精密零件的加工精度。
在航空结构件数控加工过程中,材料切除率非常高,而且由于航空结构件形状复杂,加工过程要求严格,同时又为了提高加工效率,导致刀具用量大、品种多、消耗严重。据现场调查,现在大型航空制造企业基本都是产线制,一个工人师傅负责一整条产线,因此不可避免的出现由于人为错误导致的加工故障,其中,约80%的故障出现在装刀以及换刀过程中,如果刀具安装错误或者刀具几何参数偏差过大,都会导致刀具损坏、工件报废等问题。研究表明,通过在加工过程中添加刀具类型检测及刀具几何参数检测工序,可以防止因刀具装刀错误引起工件报废及机床故障。
目前针对刀具参数的检测主要还是人工检测,人工检测刀具参数相对于当前自动化较高的加工模式,大大降低了加工效率,并且经现场调查,人工检查由于粗心的出错率高达5%,如果不能及时发现,极易造成工件的报废,尤其对于大型航空结构件来说,一旦报废,不仅给企业带来很大的经济损失,而且还会影响航空器的生产周期。当前也有学者研究基于机器视觉的刀具参数检测方法,但仅针对整体式立铣刀的参数测量,并未考虑刀尖的圆角测量以及加工过程中常用的其他类型刀具的参数测量,如常用机夹刀、T型刀、快进给刀具等。
进一步的,采用不同物距的镜头采集刀具动态图像,同时,对第一相机,采用长条形光源为相机补光,采用第二光源并为第二相机配用物距为50mm的镜头来获取刀尖处局部尺寸图像信息,既可以保证悬长测量的范围足够大,又可以获得质量较高的刀尖圆角局部图像。
发明内容
为了解决现有技术中存在的问题,本发明提供基于机器视觉的刀具类型判别及几何参数检测方法及系统,综合考虑各种常用刀具的几何参数测量,除刀具悬长、直径和刀尖圆角,还针对不同刀具进行检测,方法简单,测量迅速,直观准确的降低实际加工过程中由于刀具参数偏差或者安装错误类型的刀具导致的工件报废以及机床损坏的风险。
为了实现上述目的,本发明采用的技术方案是:一种基于机器视觉的刀具类型判别及几何参数检测方法,包括如下步骤,
步骤1,检测初始化;将刀具安装在机床主轴上,记录刀具在机床坐标系下的坐标;
步骤2,获取刀具动态图像;
步骤3,采用基于卷积神经网络训练的刀具识别模型对步骤2所获取的刀具动态图像进行识别,判别当前刀具的类型;
步骤4,对步骤3所识别的刀具的几何参数进行测量;测量刀具几何参数时,对常用刀具的几何参数进行测量,至少包括刀具悬长、直径和刀尖圆角;对于T型刀,进行刀盘厚度的测量,对于笔型刀,进行锥度的测量,对于螺纹刀要进行内外径的测量以及牙距的测量;
对于刀具直径的测量,通过外包络法测量刀具直径;
对于刀具悬长的测量,分别计算刀柄底端的坐标和刀尖点的坐标,利用两个坐标位置做差,得到刀具悬长的大小;
对于刀尖圆角的测量,提取刀尖圆角部分,利用最小二乘法对所提取的刀尖圆弧轮廓坐标点进行拟合运算,从而得到刀尖圆角半径的大小;
步骤5,对步骤3所得刀具类型以及步骤4所得刀具的几何尺寸与当前加工文件中刀具类型以及刀具几何尺寸进行比对,当刀具类型或刀具几何尺寸不一致时发出相应预警信息。
步骤2中采用第一相机和第二相机获取刀具动态图像,对第一相机,采用第一光源补光,第一光源为长条形光源,为第一相机配用物距为200mm-300mm的镜头获取刀具悬长整体图像信息;对于第二相机,采用第二光源补光,第二光源为盘状背光源,为第二相机配用物距为15-50mm的镜头,获取刀尖处局部尺寸图像信息。
步骤3刀具类型识别,包括如下步骤:
步骤3.1,构建刀具数据集,所述数据集包括训练集和验证集,基于步骤2获取的动态刀具图像,识别对象至少包括整体式立铣刀、波纹刀、T型刀、圆刀片机夹刀、笔型刀、反R角刀、U钻和螺纹铣刀8种常用刀具;
步骤3.2,训练模型,通过将训练集输入到卷积神经网络模型中,通过误差反向传播算法,训练好模型之后,验证集用来验证模型的准确性,训练完成后将模型保存;
步骤3.3,将刀具图像数据输入训练好的模型对当前刀具的类型进行判别。
步骤4中,测量刀具悬长时,确定刀柄底端的坐标和刀尖点的坐标,利用两个坐标位置做差,得到刀具悬长;采用结合弧段提取与霍夫变换的椭圆检测方法:首先对获取的动态图像的每一帧进行去噪和二值化处理,之后对预处理后的图像进行边缘提取并叠加,然后自上而下逐列扫描图像获取拟合候选曲线,使用一系列直线段对曲线进行逼近,得到一组直线段l1,l2……li,θi表示相邻直线之间的夹角,也就是直线段方向的变化角度,如果θi的变化值小于设定值,表示这个点处于一条近似直线上,将该点剔除,如果θi大于设定值,则说明第i点附近曲率变化大,则认为第i点是一个拐点,那么将其邻域内点剔除,剩下θi平缓变化的点即为椭圆上的点,然后通过霍夫变换拟合椭圆并求出椭圆中心点坐标;
对刀尖点位置的计算,根据刀具外部轮廓坐标,提取到刀具底端轮廓的坐标值,统计出所选序列的10%,然后统计所选序列的众数将其视为刀具的刀尖点坐标。
当测量的刀具悬长值较大时,由于相机视野过大会导致视觉偏差,故对上述刀尖点的位置坐标进行修正,具体如下:
先求出悬长L、半径为r的标定刀具刀尖点偏差量α1,然后测量机床刀具时通过下式求得要测量的机床刀具的刀尖点偏差量α2。
L1—标定刀具悬长测量初始值;L2—待测量刀具悬长测量初始值;a—相机中心距刀具的距离;R2—刀具圆角测量值;r1—标定刀具半径;r2—待测量刀具半径;h—相机中心距刀柄底端距离;
最后将刀具悬长测量值减去刀尖点偏差量α2即为修正后刀具的悬长测量值。
步骤4中,测量刀尖圆角时,对获取的动态图像的每一帧进行去噪和二值化处理,之后对预处理后的图像进行边缘提取并叠加首先自上而下、从左到右对整张图像进行扫描,提取刀具的左侧轮廓点,然后进一步提取刀尖圆弧,获得刀尖圆弧部分后,通过最小二乘拟合算法求出圆的半径即为刀具圆角的大小;同样的方法对刀具右侧圆角部分进行提取,左右两侧圆角测量结果的均值即为刀具圆角的大小。
步骤4测量刀具直径时,采用外包络法,具体如下:对获取的每一帧动态图像进行去噪、对比度增强、边缘锐化以及二值化处理,接着对提取在刀具旋转过程中的外形轮廓二值图,得到刀具图像矩阵的像素值,根据所述像素值提取出刀具刀体部分,然后遍历扫描图像提取刀具左侧及右侧边界坐标值,选出刀具两侧边界坐标值序列的10%,将所选坐标值序列的众数作为刀具的两侧边界点,然后将两侧的边界点分别进行霍夫直线拟合,最后将直线用连接成矩形将整个刀体部分包络起来,此矩形的宽即为刀具直径大小。
一种基于机器视觉的刀具类型判别及几何参数在机检测系统,包括初始位置标定装置、刀具动态图像获取装置、图像处理、预警装置及系统控制单元,初始位置标定装置用于记录刀具在机床坐标系下的坐标;刀具动态图像获取装置用于获取刀具动态图像,图像处理及预警装置用于从刀具动态图像识别当前刀具的类型,同时对所识别类型的刀具进行尺寸测量,将获取的刀具类型与当前加工文件中记载的刀具类型和刀具几何尺寸进行比对,当刀具类型或刀具几何尺寸出现不一致时,发出预警信息。
刀具动态图像获取装置包括第一相机、第二相机、第一光源以及第二光源,第一相机安装在刀具的长度方向,并用于获取刀具悬长整体图像信息;第二相机安装在刀具的轴向,并用于获取刀尖处局部尺寸图像信息,第一光源和第二光源分别用于向第一相机和第二相机补光,第一光源位于第一相机物镜的正前方,第二光源位于第二相机物镜的正前方,第一相机和第二相机连接图像处理模块的输入端。
图像处理及预警装置包括至少一个处理器和至少一个存储器,所述存储器用于存储计算机程序以及刀具动态图像,所述计算机程序能够在所述处理器中运行,计算机程序运行时执行本发明所述步骤3-步骤5。
与现有技术相比,本发明至少具有以下有益效果:
本发明所述基于机器视觉的刀具类型判别及几何参数检测方法,相比于人工测量,有效提升机床加工过程的自动化程度,测量高效且准确,相较于其他的视觉测量方法只针对单一的整体式立铣刀,本发明能够对换刀过程中刀具类型以及刀具几何参数的检测,对照加工文件,以对换刀过程中刀具类型错误以及刀具几何参数与实际加工要求不符时做出预警,解决更换刀具失误问题,避免造成较大的损失,并且考虑了多种常用铣刀的参数测量,适用范围广,改善了以往测量算法的局限性,具有较好的工程应用价值。
进一步的,采用第一光源配合第一相机,用第二光源配合第二相机既可以保证悬长测量的范围足够大,又可以获得质量较高的刀尖圆角局部图像。
进一步的,对获取的每一帧动态图像进行去噪、对比度增强、边缘锐化以及二值化处理,调节图像中各个像素灰度值的数量及分布,突出灰度的过渡部分,进而准确的提取图像中刀体的边界。
附图说明
图1a本发明实例中所述的对立式五轴数控铣床中刀具参数检测的相机、光源以及刀具安装位置正面示意图。
图1b是本发明实例中所述的对立式五轴数控铣床中刀具参数检测的相机、光源以及刀具安装位置侧面示意图。
图2a为整体式立铣刀刀具参数检测示意图;
图2b为U钻刀具参数检测示意图;
图2c为整体式T型刀刀具参数检测示意图;
图2d为反R角刀具参数检测示意图;
图3a为方肩机夹刀边缘提取示意图;
图3b为方肩机夹刀圆角检测示意图;
图3c为圆刀片机夹刀边缘提取示意图;
图3d为圆刀片机夹刀圆角检测示意图;
图中:1-主轴,2-刀具,3-第一相机,4-第二相机,5-第一光源,6-第二光源。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明一种基于机器视觉的刀具类型判别及几何参数检测方法,主要是针对数控机床加工换刀过程中刀具类型以及刀具几何参数的检测,并对照加工文件,对换刀过程中刀具类型错误以及刀具几何参数与实际加工要求不符时做出预警,避免造成较大的损失。主要通过相机、光源和计算机完成;刀具安装在主轴上,相机通过支架固定安装在数控机床工作台旁边,每次测量时,将刀具移动到指定位置,通过相机采集刀具图像,并且传输至计算机进行处理、存储和显示;本发明通过相机采集换刀后刀具的图像,基于开发的相应软件识别刀具的类型以及测量刀具的几何参数。利用该方法可以直观、准确的获得刀具的类型和几何参数信息,在采集图像自动化的前提下,可以实现刀具参数的自动测量与分析,具有较高的工程应用价值。
如图1a和图1b,本发明所述基于机器视觉的多类型铣刀的参数在机检测方法,由主轴1,刀具2,第一相机3,第二相机4,第一光源5,第二光源6和计算机共同完成,刀具2通过刀柄安装于机床主轴1上,第一相机3、第二相机4通过支架固定安装装置底板上,而且实现光源与相机的位置匹配;将相机采集得到的刀具图像通过网线传输至计算机,用相应开发的软件完成图像的处理和显示;第一光源5为长条形光源,第二光源6为盘状背光源。
采用背光源获取刀具外部复杂轮廓的方法如下,铣刀刀具结构复杂且表面光滑,故采用平面平行背光源,将刀具置于相机与背光源之间,在背光源的照射下,刀具的实体部分显示为黑色,背光源显示为白色,可以清晰的获取刀具的外形轮廓。
参考图2a,图2b,图2c,图2d,一种基于机器视觉的刀具类型判别及几何参数检测方法,包括如下步骤,
步骤1,检测初始化;将刀具安装在机床主轴上,记录刀具在机床坐标系下的坐标;
步骤2,获取刀具动态图像;
步骤3,采用基于卷积神经网络训练的刀具识别模型对步骤2所获取的刀具动态图像进行识别,判别当前刀具的类型;
步骤4,对步骤3所识别的刀具的几何参数进行测量;测量刀具几何参数时,对常用刀具的几何参数进行测量,至少包括刀具悬长、直径和刀尖圆角;对于T型刀,进行刀盘厚度的测量,对于笔型刀,进行锥度的测量,对于螺纹刀要进行内外径的测量以及牙距的测量;
对于刀具直径的测量,通过外包络法测量刀具直径;
对于刀具悬长的测量,分别计算刀柄底端的坐标和刀尖点的坐标,利用两个坐标位置做差,得到刀具悬长的大小;
对于刀尖圆角的测量,提取刀尖圆角部分,利用最小二乘法对所提取的刀尖圆弧轮廓坐标点进行拟合运算,从而得到刀尖圆角半径的大小;
步骤5,对步骤3所得刀具类型以及步骤4所得刀具的几何尺寸与当前加工文件中刀具类型以及刀具几何尺寸进行比对,当刀具类型或刀具几何尺寸不一致时发出相应预警信息。
步骤2中采用第一相机和第二相机获取刀具动态图像,对第一相机,采用第一光源补光,第一光源为长条形光源,为第一相机配用物距为200mm-300mm的镜头获取刀具悬长整体图像信息;对于第二相机,采用第二光源补光,第二光源为盘状背光源,为第二相机配用物距为15-50mm的镜头,获取刀尖处局部尺寸图像信息。
步骤3刀具类型识别,包括如下步骤:
步骤3.1,构建刀具数据集,所述数据集包括训练集和验证集,基于步骤2获取的动态刀具图像,识别对象至少包括整体式立铣刀、波纹刀、T型刀、圆刀片机夹刀、笔型刀、反R角刀、U钻和螺纹铣刀8种常用刀具;
步骤3.2,训练模型,通过将训练集输入到卷积神经网络模型中,通过误差反向传播算法,训练好模型之后,验证集用来验证模型的准确性,训练完成后将模型保存;
步骤3.3,将刀具图像数据输入训练好的模型对当前刀具的类型进行判别。
步骤4中,测量刀具悬长时,确定刀柄底端的坐标和刀尖点的坐标,利用两个坐标位置做差,得到刀具悬长;采用结合弧段提取与霍夫变换的椭圆检测方法:首先对获取的动态图像的每一帧进行去噪和二值化处理,之后对预处理后的图像进行边缘提取并叠加,然后自上而下逐列扫描图像获取拟合候选曲线,使用一系列直线段对曲线进行逼近,得到一组直线段l1,l2……li,θi表示相邻直线之间的夹角,也就是直线段方向的变化角度,如果θi的变化值小于设定值,表示这个点处于一条近似直线上,将该点剔除,如果θi大于设定值,则说明第i点附近曲率变化大,则认为第i点是一个拐点,那么将其邻域内点剔除,剩下θi平缓变化的点即为椭圆上的点,然后通过霍夫变换拟合椭圆并求出椭圆中心点坐标;
对刀尖点位置的计算,根据刀具外部轮廓坐标,提取到刀具底端轮廓的坐标值,统计出所选序列的10%,然后统计所选序列的众数将其视为刀具的刀尖点坐标。
参考图3a,图3b,图3c,图3d:
(1)刀具类型识别
机床加工过程中,根据要求更换刀具,待机床刀具更换完成后,机床主轴运动到提前设定好的坐标位置上,主轴静止,此时光源和相机自动打开,对当前刀具进行图像拍摄,拍摄完成后将图像传输到计算机上,首先对图像进行预处理,然后运用提前训练好的基于卷积神经网络的刀具识别模型,对当前刀具进行识别,以识别为T型刀为例。与加工文件进行对照,如果实际刀具与加工文件要求不符,则立即发出预警。如果相符,则进一步对刀具的几何参数进行测量。
(2)刀具几何参数测量(以T型刀为例)
完成刀具识别后,机床主轴开始按设定转速开始转动,第一相机和第一光源开始工作,获取当前刀具的动态图像,然后对每一帧图像进行去噪、二值化,之后对预处理后的图像进行边缘提取并叠加。
对叠加后的图像进行特征提取,根据刀具在旋转过程中的外形轮廓二值图,得到图像矩阵的像素值,根据像素值提取出图像中刀具所在的位置,并求取刀具边缘坐标值得到刀具最外部坐标。通过外接包络法测量刀具的直径,然后通过对刀柄底端和刀尖点的定位,通过弧段提取和霍夫椭圆拟合来确定刀柄底端坐标,因为相机的透镜成像原理,刀柄底端的成像为椭圆,故拟合后椭圆的长径的水平位置为刀柄底端所在位置。
刀具刀尖点位置的计算:根据刀具外部轮廓坐标,可以提取到刀具底端轮廓的坐标值,统计出所选序列的10%,然后统计所选序列的众数将其视为刀具的刀尖点坐标。当测量悬长值较大时,由于相机成像的视野误差,导致刀具底端轮廓的成像偏大,因此需要对上述刀尖点的位置坐标进行修正,从而使得刀具悬长的测量值更加精确。
本发明以黑色平底铣刀为标定刀具,先求出悬长L、半径为r的标定刀具刀尖点偏差量α1,然后测量机床刀具时通过下式求得待测量的机床刀具的刀尖点偏差量α2。
L1—标定刀具悬长测量初始值;L2—待测量刀具悬长测量初始值;a—相机中心距刀具的距离;R2-刀具圆角测量值;r1—标定刀具半径;r2—待测量刀具半径;h—相机中心距刀柄底端距离;最后将刀具悬长测量值减去刀尖点偏差量α2即为修正后刀具的悬长测量值。
刀盘厚度的测量:首先在刀具整体轮廓图上提取刀盘部分,找到刀盘上端的位置坐标以及刀盘下端的位置坐标,然后所述两位置坐标做差即得到刀盘的厚度。
刀具圆角的测量:主要在于刀具圆角部分像素点的提取,对获取的动态图像的每一帧进行去噪、二值化,之后对预处理后的图像进行边缘提取并叠加。根据刀具在旋转过程中的外形轮廓二值图,得到图像矩阵的像素值,根据像素值提取出刀具圆角部分,然后进一步提取刀尖圆弧,如图3b所示。获得刀尖圆弧部分后,通过最小二乘拟合算法求出圆的半径即为刀具圆角的大小。
(x-a)2+(y-b)2=r2
刀具连续加工,每当刀具换刀时,将刀具移动到指定位置,根据上述采集过程,通过相机采集刀具图像并传送至计算机,通过上述的图像处理,自动得到刀具的类型和刀具几何参数大小,并与加工文件比对,从而判定更换的刀具类型和刀具几何尺寸与加工文件是否相符。如果相符,则继续加工,否则立即停止加工,并发出预警。
本发明还提供一种基于机器视觉的刀具类型判别及几何参数在机检测系统,包括初始位置标定装置、刀具动态图像获取装置、图像处理及预警装置,其中,初始位置标定装置用于记录刀具在机床坐标系下的坐标;刀具动态图像获取装置用于获取刀具动态图像,图像处理及预警装置用于从刀具动态图像识别当前刀具的类型,同时对所识别类型的刀具进行尺寸测量,将获取的刀具类型与当前加工文件中记载的刀具类型和刀具几何尺寸进行比对,当刀具类型或刀具几何尺寸出现不一致时,发出预警信息。
本发明提供的刀具动态图像获取装置,包括第一相机3、第二相机4、第一光源5以及第二光源6,第一相机3安装在刀具的长度方向,并用于获取刀具悬长整体图像信息;第二相机4安装在刀具的轴向,并用于获取刀尖处局部尺寸图像信息,第一光源5和第二光源6分别用于向第一相机3和第二相机4补光,第一光源5位于第一相机3物镜的正前方,第二光源6位于第二相机4物镜的正前方,第一相机3和第二相机4连接图像处理模块的输入端。
图像处理及预警装置包括至少一个处理器和至少一个存储器,所述存储器用于存储计算机程序以及刀具动态图像,所述计算机程序能够在所述处理器中运行,计算机程序运行时执行本发明所述步骤3-步骤5。
Claims (10)
1.一种基于机器视觉的刀具类型判别及几何参数检测方法,其特征在于,包括如下步骤,
步骤1,检测初始化;将刀具安装在机床主轴上,记录刀具在机床坐标系下的坐标;
步骤2,获取刀具动态图像;
步骤3,采用基于卷积神经网络训练的刀具识别模型对步骤2所获取的刀具动态图像进行识别,判别当前刀具的类型;
步骤4,对步骤3所识别的刀具的几何参数进行测量;测量刀具几何参数时,对常用刀具的几何参数进行测量,至少包括刀具悬长、直径和刀尖圆角;对于T型刀,进行刀盘厚度的测量,对于笔型刀,进行锥度的测量,对于螺纹刀要进行内外径的测量以及牙距的测量;
对于刀具直径的测量,通过外包络法测量刀具直径;
对于刀具悬长的测量,分别计算刀柄底端的坐标和刀尖点的坐标,利用两个坐标位置做差,得到刀具悬长的大小;
对于刀尖圆角的测量,提取刀尖圆角部分,利用最小二乘法对所提取的刀尖圆弧轮廓坐标点进行拟合运算,从而得到刀尖圆角半径的大小;
步骤5,对步骤3所得刀具类型以及步骤4所得刀具的几何尺寸与当前加工文件中刀具类型以及刀具几何尺寸进行比对,当刀具类型或刀具几何尺寸不一致时发出相应预警信息。
2.根据权利要求1所述的基于机器视觉的刀具类型判别及几何参数在机检测方法,其特征在于,步骤2中采用第一相机(3)和第二相机(4)获取刀具动态图像,对第一相机(3),采用第一光源(5)补光,第一光源(5)为长条形光源,为第一相机配用物距为200-300mm的镜头获取刀具悬长整体图像信息;对于第二相机(4),采用第二光源(6)补光,第二光源(6)为盘状背光源,为第二相机(4)配用物距为15-50mm的镜头,获取刀尖处局部尺寸图像信息。
3.根据权利要求1所述的基于机器视觉的刀具类型判别及几何参数检测方法,其特征在于,步骤3刀具类型识别,包括如下步骤:
步骤3.1,构建刀具数据集,所述数据集包括训练集和验证集,基于步骤2获取的动态刀具图像,识别对象包括整体式立铣刀、波纹刀、T型刀、圆刀片机夹刀、笔型刀、反R角刀、U钻和螺纹铣刀8种常用刀具;
步骤3.2,训练模型,通过将训练集输入到卷积神经网络模型中,通过误差反向传播算法,训练好模型之后,验证集用来验证模型的准确性,训练完成后将模型保存;
步骤3.3,将刀具图像数据输入训练好的模型对当前刀具的类型进行判别。
4.根据权利要求1所述的基于机器视觉的刀具类型判别及几何参数检测方法,其特征在于,步骤4中,测量刀具悬长时,确定刀柄底端的坐标和刀尖点的坐标,利用两个坐标位置做差,得到刀具悬长;采用结合弧段提取与霍夫变换的椭圆检测方法:首先对获取的动态图像的每一帧进行去噪和二值化处理,之后对预处理后的图像进行边缘提取并叠加,然后自上而下逐列扫描图像获取拟合候选曲线,使用一系列直线段对曲线进行逼近,得到一组直线段l1,l2……li,θi表示相邻直线之间的夹角,也就是直线段方向的变化角度,如果θi的变化值小于设定值,表示这个点处于一条近似直线上,将该点剔除,如果θi大于设定值,则说明第i点附近曲率变化大,则认为第i点是一个拐点,那么将其邻域内点剔除,剩下θi平缓变化的点即为椭圆上的点,然后通过霍夫变换拟合椭圆并求出椭圆中心点坐标;
对刀尖点位置的计算,根据刀具外部轮廓坐标,提取到刀具底端轮廓的坐标值,统计出所选序列的10%,然后统计所选序列的众数将其视为刀具的刀尖点坐标。
6.根据权利要求1所述的基于机器视觉的刀具类型判别及几何参数检测方法,其特征在于,步骤4中,测量刀尖圆角时,对获取的动态图像的每一帧进行去噪和二值化处理,之后对预处理后的图像进行边缘提取并叠加首先自上而下、从左到右对整张图像进行扫描,提取刀具的左侧轮廓点,然后进一步提取刀尖圆弧,获得刀尖圆弧部分后,通过最小二乘拟合算法求出圆的半径即为刀具圆角的大小;同样的方法对刀具右侧圆角部分进行提取,左右两侧圆角测量结果的均值即为刀具圆角的大小。
7.根据权利要求1所述的基于机器视觉的刀具类型判别及几何参数检测方法,其特征在于,步骤4测量刀具直径时,采用外包络法,具体如下:对获取的每一帧动态图像进行去噪、对比度增强、边缘锐化以及二值化处理,接着对提取在刀具旋转过程中的外形轮廓二值图,得到刀具图像矩阵的像素值,根据所述像素值提取出刀具刀体部分,然后遍历扫描图像提取刀具左侧及右侧边界坐标值,选出刀具两侧边界坐标值序列的10%,将所选坐标值序列的众数作为刀具的两侧边界点,然后将两侧的边界点分别进行霍夫直线拟合,最后将直线用连接成矩形将整个刀体部分包络起来,此矩形的宽即为刀具直径大小。
8.一种基于机器视觉的刀具类型判别及几何参数在机检测系统,其特征在于,包括初始位置标定装置、刀具动态图像获取装置、图像处理、预警装置及系统控制单元,初始位置标定装置用于记录刀具在机床坐标系下的坐标;刀具动态图像获取装置用于获取刀具动态图像,图像处理及预警装置用于从刀具动态图像识别当前刀具的类型,同时对所识别类型的刀具进行尺寸测量,将获取的刀具类型与当前加工文件中记载的刀具类型和刀具几何尺寸进行比对,当刀具类型或刀具几何尺寸出现不一致时,发出预警信息。
9.根据权利要求8所述的基于机器视觉的刀具类型判别及几何参数在机检测系统,其特征在于,刀具动态图像获取装置包括第一相机(3)、第二相机(4)、第一光源(5)以及第二光源(6),第一相机(3)安装在刀具的长度方向,并用于获取刀具悬长整体图像信息;第二相机(4)安装在刀具的轴向,并用于获取刀尖处局部尺寸图像信息,第一光源(5)和第二光源(6)分别用于向第一相机(3)和第二相机(4)补光,第一光源(5)位于第一相机(3)物镜的正前方,第二光源(6)位于第二相机(4)物镜的正前方,第一相机(3)和第二相机(4)连接图像处理模块的输入端。
10.根据权利要求8所述的基于机器视觉的刀具类型判别及几何参数在机检测系统,其特征在于,图像处理及预警装置包括至少一个处理器和至少一个存储器,所述存储器用于存储计算机程序以及刀具动态图像,所述计算机程序能够在所述处理器中运行,计算机程序运行时执行权利要求1-6中任意一项所述步骤3-步骤5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011233500.1A CN112683193B (zh) | 2020-11-06 | 2020-11-06 | 基于机器视觉的刀具类型判别及几何参数检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011233500.1A CN112683193B (zh) | 2020-11-06 | 2020-11-06 | 基于机器视觉的刀具类型判别及几何参数检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112683193A true CN112683193A (zh) | 2021-04-20 |
CN112683193B CN112683193B (zh) | 2022-04-22 |
Family
ID=75445989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011233500.1A Active CN112683193B (zh) | 2020-11-06 | 2020-11-06 | 基于机器视觉的刀具类型判别及几何参数检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112683193B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113437690A (zh) * | 2021-06-25 | 2021-09-24 | 贵州长通电气有限公司 | 高压配电柜智能化装配系统及方法 |
CN113510618A (zh) * | 2021-08-11 | 2021-10-19 | 北京博鲁斯潘精密机床有限公司 | 一种砂轮冷却装置及其刀具冷却系统和冷却控制方法 |
CN113701595A (zh) * | 2021-09-03 | 2021-11-26 | 常州迈腾工具有限公司 | 一种高效能机床刀具接口的多尺寸测量装置 |
CN113977354A (zh) * | 2021-12-03 | 2022-01-28 | 北京新风航天装备有限公司 | 一种基于视觉定位的智能刀柄打孔系统及方法 |
CN114147541A (zh) * | 2021-12-22 | 2022-03-08 | 深圳职业技术学院 | 数控机床内刀具底面的图像采集系统及方法 |
CN114234802A (zh) * | 2021-12-02 | 2022-03-25 | 南京工业大学 | 一种基于机器视觉的可转位刀片几何参数测量系统和方法 |
CN114749974A (zh) * | 2022-05-17 | 2022-07-15 | 东莞市炜度创新精密设备有限公司 | 数控机床刀具容量快速更换方法 |
CN115070509A (zh) * | 2022-06-30 | 2022-09-20 | 歌尔股份有限公司 | 刀具装夹状态检测方法、装置、电子设备及可读存储介质 |
US20230060092A1 (en) * | 2021-08-20 | 2023-02-23 | Republic of Korea (National Forensic Service Director Ministry of the Interior and Safety) | Apparatus and method of analyzing developed impact marks, and computer program for executing the method |
CN116475815A (zh) * | 2023-05-17 | 2023-07-25 | 广州里工实业有限公司 | 一种数控机床的自动换刀方法、系统、装置及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05272925A (ja) * | 1992-03-25 | 1993-10-22 | Toyoda Mach Works Ltd | バイト端縁検出装置 |
WO1993023820A1 (en) * | 1992-05-18 | 1993-11-25 | Sensor Adaptive Machines, Inc. | Further methods and apparatus for control of lathes and other machine tools |
US6069700A (en) * | 1997-07-31 | 2000-05-30 | The Boeing Company | Portable laser digitizing system for large parts |
JP2010090526A (ja) * | 2008-09-12 | 2010-04-22 | Toray Ind Inc | 微細繊維およびそれを含む熱可塑性樹脂組成物 |
CN102581699A (zh) * | 2012-02-28 | 2012-07-18 | 上海大学 | 回转体刀具磨损状态在线自动检测装置 |
CN102581700A (zh) * | 2012-02-28 | 2012-07-18 | 上海大学 | 视频与激光融合的旋转刀具在线自动检测装置 |
EP2634526A1 (en) * | 2010-10-27 | 2013-09-04 | Makino Milling Machine Co., Ltd. | Method for measuring tool dimension, measurement device, and machine tool |
CN105666246A (zh) * | 2016-04-12 | 2016-06-15 | 山东大学 | 基于ccd的刀具参数测量装置及其测量方法 |
CN105934310A (zh) * | 2014-01-24 | 2016-09-07 | 三菱电机株式会社 | 刀具形状测定装置以及刀具形状测定方法 |
CN106338965A (zh) * | 2016-10-25 | 2017-01-18 | 哈尔滨理工大学 | 一种基于误差补偿的拐角加工精度控制方法 |
CN106840028A (zh) * | 2016-12-23 | 2017-06-13 | 湖北文理学院 | 刀具磨损的在位测量方法和装置 |
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 |
CN109822398A (zh) * | 2019-03-25 | 2019-05-31 | 华中科技大学 | 一种基于深度学习的数控机床断刀检测系统及方法 |
CN110245689A (zh) * | 2019-05-23 | 2019-09-17 | 杭州有容智控科技有限公司 | 基于机器视觉的盾构刀具识别与定位检测方法 |
CN110554054A (zh) * | 2019-09-05 | 2019-12-10 | 西安多维机器视觉检测技术有限公司 | 一种机夹式可转位车刀的三维刃口崩缺检测系统 |
CN111062937A (zh) * | 2019-12-27 | 2020-04-24 | 南京航空航天大学 | 一种基于rgb-d相机的数控nc代码虚实验证方法 |
CN111383227A (zh) * | 2020-04-01 | 2020-07-07 | 杭州皓京云信息技术有限公司 | 基于神经网络的刀具磨损类型识别方法及磨损值测定方法 |
CN111604598A (zh) * | 2020-05-06 | 2020-09-01 | 大连理工大学 | 一种机械臂进给式激光刻蚀系统的对刀方法 |
-
2020
- 2020-11-06 CN CN202011233500.1A patent/CN112683193B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05272925A (ja) * | 1992-03-25 | 1993-10-22 | Toyoda Mach Works Ltd | バイト端縁検出装置 |
WO1993023820A1 (en) * | 1992-05-18 | 1993-11-25 | Sensor Adaptive Machines, Inc. | Further methods and apparatus for control of lathes and other machine tools |
US6069700A (en) * | 1997-07-31 | 2000-05-30 | The Boeing Company | Portable laser digitizing system for large parts |
JP2010090526A (ja) * | 2008-09-12 | 2010-04-22 | Toray Ind Inc | 微細繊維およびそれを含む熱可塑性樹脂組成物 |
EP2634526A1 (en) * | 2010-10-27 | 2013-09-04 | Makino Milling Machine Co., Ltd. | Method for measuring tool dimension, measurement device, and machine tool |
CN102581699A (zh) * | 2012-02-28 | 2012-07-18 | 上海大学 | 回转体刀具磨损状态在线自动检测装置 |
CN102581700A (zh) * | 2012-02-28 | 2012-07-18 | 上海大学 | 视频与激光融合的旋转刀具在线自动检测装置 |
CN105934310A (zh) * | 2014-01-24 | 2016-09-07 | 三菱电机株式会社 | 刀具形状测定装置以及刀具形状测定方法 |
CN105666246A (zh) * | 2016-04-12 | 2016-06-15 | 山东大学 | 基于ccd的刀具参数测量装置及其测量方法 |
CN106338965A (zh) * | 2016-10-25 | 2017-01-18 | 哈尔滨理工大学 | 一种基于误差补偿的拐角加工精度控制方法 |
CN106840028A (zh) * | 2016-12-23 | 2017-06-13 | 湖北文理学院 | 刀具磨损的在位测量方法和装置 |
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 |
CN109822398A (zh) * | 2019-03-25 | 2019-05-31 | 华中科技大学 | 一种基于深度学习的数控机床断刀检测系统及方法 |
CN110245689A (zh) * | 2019-05-23 | 2019-09-17 | 杭州有容智控科技有限公司 | 基于机器视觉的盾构刀具识别与定位检测方法 |
CN110554054A (zh) * | 2019-09-05 | 2019-12-10 | 西安多维机器视觉检测技术有限公司 | 一种机夹式可转位车刀的三维刃口崩缺检测系统 |
CN111062937A (zh) * | 2019-12-27 | 2020-04-24 | 南京航空航天大学 | 一种基于rgb-d相机的数控nc代码虚实验证方法 |
CN111383227A (zh) * | 2020-04-01 | 2020-07-07 | 杭州皓京云信息技术有限公司 | 基于神经网络的刀具磨损类型识别方法及磨损值测定方法 |
CN111604598A (zh) * | 2020-05-06 | 2020-09-01 | 大连理工大学 | 一种机械臂进给式激光刻蚀系统的对刀方法 |
Non-Patent Citations (3)
Title |
---|
ZHICHAO YOU: "On-line milling cutter wear monitoring in a wide field-of-view camera", 《WEAR》 * |
王宁等: "CNC加工动态基准视觉检测新工艺研究", 《制造技术与机床》 * |
赵玉: "基于CCD视觉系统的刀具磨损测量方法", 《山东农业大学学报(自然科学版)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113437690A (zh) * | 2021-06-25 | 2021-09-24 | 贵州长通电气有限公司 | 高压配电柜智能化装配系统及方法 |
CN113510618A (zh) * | 2021-08-11 | 2021-10-19 | 北京博鲁斯潘精密机床有限公司 | 一种砂轮冷却装置及其刀具冷却系统和冷却控制方法 |
US11995887B2 (en) * | 2021-08-20 | 2024-05-28 | Republic of Korea (National Forensic Service Director Ministry of the Interior and Safety) | Apparatus and method of analyzing developed impact marks, and computer program for executing the method |
US20230060092A1 (en) * | 2021-08-20 | 2023-02-23 | Republic of Korea (National Forensic Service Director Ministry of the Interior and Safety) | Apparatus and method of analyzing developed impact marks, and computer program for executing the method |
CN113701595A (zh) * | 2021-09-03 | 2021-11-26 | 常州迈腾工具有限公司 | 一种高效能机床刀具接口的多尺寸测量装置 |
CN114234802A (zh) * | 2021-12-02 | 2022-03-25 | 南京工业大学 | 一种基于机器视觉的可转位刀片几何参数测量系统和方法 |
CN113977354B (zh) * | 2021-12-03 | 2023-10-13 | 北京新风航天装备有限公司 | 一种基于视觉定位的智能刀柄打孔系统及方法 |
CN113977354A (zh) * | 2021-12-03 | 2022-01-28 | 北京新风航天装备有限公司 | 一种基于视觉定位的智能刀柄打孔系统及方法 |
CN114147541A (zh) * | 2021-12-22 | 2022-03-08 | 深圳职业技术学院 | 数控机床内刀具底面的图像采集系统及方法 |
CN114749974A (zh) * | 2022-05-17 | 2022-07-15 | 东莞市炜度创新精密设备有限公司 | 数控机床刀具容量快速更换方法 |
CN115070509B (zh) * | 2022-06-30 | 2023-11-07 | 歌尔股份有限公司 | 刀具装夹状态检测方法、装置、电子设备及可读存储介质 |
CN115070509A (zh) * | 2022-06-30 | 2022-09-20 | 歌尔股份有限公司 | 刀具装夹状态检测方法、装置、电子设备及可读存储介质 |
CN116475815A (zh) * | 2023-05-17 | 2023-07-25 | 广州里工实业有限公司 | 一种数控机床的自动换刀方法、系统、装置及存储介质 |
CN116475815B (zh) * | 2023-05-17 | 2023-12-15 | 广州里工实业有限公司 | 一种数控机床的自动换刀方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112683193B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112683193B (zh) | 基于机器视觉的刀具类型判别及几何参数检测方法及系统 | |
CN110434671B (zh) | 一种基于特征测量的铸造件表面机加工轨迹校准方法 | |
CN111230593B (zh) | 一种基于动态图像序列的铣刀磨损量视觉测量方法 | |
CN108931961B (zh) | 一种基于机器视觉的整体式立铣刀磨破损检测方法 | |
CN106382886B (zh) | 一种用于可转位刀片加工在线检测装置及方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN111062940B (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN111738985B (zh) | 一种焊缝轮廓视觉检测方法及系统 | |
CN206113866U (zh) | 电感六面自动化检测设备 | |
WO1996029177A1 (en) | Computer vision inspection station | |
CN111047588A (zh) | 一种轴型小零件尺寸的图像化测量方法 | |
CN109489581B (zh) | 一种大螺距锥形外螺纹检测装置及方法 | |
CN113340909B (zh) | 一种基于机器视觉的胶线缺陷检测方法 | |
CN108062072A (zh) | 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 | |
KR20230092470A (ko) | 사상 자동화 시스템 및 그 방법 | |
CN110728655A (zh) | 基于机器视觉的数控机床工件异常检测方法及装置 | |
CN212539090U (zh) | 一种用于轮胎成型机的胎胚不圆度在线检测装置 | |
CN101696876B (zh) | 一种vcm磁钢的视觉检测方法 | |
CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
CN110969357A (zh) | 一种铝合金机加工零件孔洞视觉检测方法 | |
CN116499359A (zh) | 一种运载火箭舱段智能化检测方法 | |
CN111998792B (zh) | 轮胎成型机的胎胚不圆度在线检测方法及在线检测装置 | |
CN205317157U (zh) | 一种检测铝车轮铸坯轮心深度的装置 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN114147584A (zh) | 船体零件自由边智能打磨应用设备及打磨方法 |
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 |