CN113920081A - 一种刀具磨损度检测方法 - Google Patents
一种刀具磨损度检测方法 Download PDFInfo
- Publication number
- CN113920081A CN113920081A CN202111159456.9A CN202111159456A CN113920081A CN 113920081 A CN113920081 A CN 113920081A CN 202111159456 A CN202111159456 A CN 202111159456A CN 113920081 A CN113920081 A CN 113920081A
- Authority
- CN
- China
- Prior art keywords
- cutter
- image
- tool
- point
- camera
- 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.)
- Pending
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Abstract
本发明提供一种刀具磨损度检测方法,其中硬件设备包括深度相机、镜头、光源、支架等,用于保证刀具图像序列的准确采集;软件处理部分分为完好刀具三维模型建立与实际刀具三维模型建立,其中通过图像处理提取刀具的基本参数完成对完好刀具的三维模型建立;通过三维重建的方法实现对实际刀具的三维模型建立;最后通过体积差实现磨损度的计算。本发明将传统的通过提取刀具磨损宽度、磨损面积来判断刀具磨损程度的方式上升到提取刀具的磨损体积,真正实现了刀具磨损程度的完全衡量,为刀具寿命的准确判断提供了强有力的依据。
Description
技术领域
本发明涉及图像处理、三维重建技术领域,具体而言,涉及一种基于图像序列对刀具进行三维重建并检测刀具磨损体积的方法。
背景技术
刀具的质量决定了加工精度,在刀具达到一定磨损程度时需及时换刀以保证工件加工质量;若不能及时换刀,不仅会导致工件加工质量下降,甚至对主轴、铣床产生危害;因此,如何合理、准确的预估刀具寿命是精密加工的关键步骤。
刀具的磨损程度作为最直接的刀具寿命预测的评价标准被广泛使用,但目前主流的基于图像的刀具磨损程度检测只包含刀具磨损宽度的检测以及磨损面积的提取;这些检测手段丢失了刀具磨损深度这一重要信息,无法作为可靠的刀具寿命预测评价标准。为了更加准确的对刀具磨损程度进行检测,如何获取磨损刀具的深度信息即如何提取刀具磨损体积的技术研究具有重要意义。
发明内容
为实现对刀具磨损体积的准确检测,本发明通过工业相机等硬件设备采集刀具序列图像输入到计算机,利用基于序列图像的三维重建技术实现对刀具磨损体积的计算。
本发明一方面对采集到的刀具底面、侧面图像进行图像处理,提取刀具相关参数,然后在已有刀具模型库中进行匹配,选取对应的完好刀具的三维模型;另一方面对采集到的刀具底面、侧面图像进行图像利用三维点云重建等一系列方法建立刀具实际三维模型。最后对两种三维模型的刀刃区域分别进行体积计算,获取两者的体积差,该体积差即为刀具磨损体积。
本发明解决技术问题所采取的技术手段为:
第一步:相机标定。
本发明中,刀具夹装在主轴上,相机固定在以刀具中心为中心的圆弧形导轨上,主轴转速可调且已知,相机运动速度已知,故相机的运动参数可认为已知。因而可采用基于主动视觉的相机标定方法,得到相机的内部参数矩阵E。
第二步:刀具图像采集
利用如图1的装置采集刀具图像,设采集到的图像序列为In。
该装置可以通过刀具的旋转以及相机在导轨上的滑动,使相机能够分布于一个半球面以拍摄图像。
通过建立以刀具中心为原点的世界坐标系,以相机为中心的相机坐标系,保证随着相机的滑动以及刀具旋转,采集到的每个图像上的点都有准确的空间坐标。
第三步:建立完好刀具三维模型库
导入各种切削、铣削、磨削用刀具的三维模型以及对应的特征参数(如刃径、刀径、刀长等),为后续完好刀具三维模型选型提供依据。该三维模型库中刀具模型的文件应支持三角形面片的表达方式。
第四步:获取刀具特征参数
4.1将采集到的刀具底面图像Idown及侧面图像Iside进行OTSU法阈值分割,得到二值化底面图像IB1及侧面图像IB2;
4.2对二值化底面图像IB1计算黑色连通域数量即为刀刃数量N;
4.3对二值化底面图像IB1剔除连通域,即可得到不规则的刀具外轮廓。对刀具外轮廓通过最小二乘法圆拟合即可得到刀径d1和刀具圆心(C,D);
4.4去除外轮廓边界,留下刀刃区域,即黑色连通域。在刀刃区域找到离刀具圆心最远的点,圆心与点的距离为刃径d2;
4.5将二值化的侧面图像IB2,通过一种垂直检索方法计算刀具的刃长l。
第五步:基于刀具特征参数的刀具完好模型选取
根据上述测得的刀具特征参数,在第三步建立的刀具三维模型库中选择刀具三维模型。记该三维模型为GPer。
第六步:刀具真实三维模型的初步建立
通过SFM稀疏点云重建完成对刀具真实三维模型的建立;
输入为:图像序列集In,以及在第一步得到的的相机内参矩阵E;
输出为:稀疏三维点云模型Gsfm,每一帧图像的位姿(旋转矩阵Kn、偏移向量Ln)。其中,旋转矩阵Kn描述了世界坐标系的坐标轴相对于摄像机坐标轴的方向,偏移向量Ln描述了在摄像机坐标系下空间原点的位置。
6.1图像序列特征点提取
对图像序列In利用Canny算子得到离散化的特征点,将该特征点的集合记为样本集Qn;对图像序列In利用Harris角点检测方法得到角点,将该角点的集合记为样本集Pn,最终的完备特征点样本集Un为Pn和Qn的并集。
6.2图像序列特征点匹配
对不同图像下得到的特征点样本集Ui与Uj进行特征匹配,此处选择基于暴力匹配方法(BFMatcher)结合灰度的特征匹配方法,通过计算Ui与Uj上特征点的欧式距离与灰度值相似度来确定匹配关系。
6.3选择初始化图像对。
采用RANSC算法四点法计算单应矩阵,找到相机基线最大的像对作为初始像对。
6.4初始化像对的相对定向。
根据RANSC八点法计算本征矩阵,进行SVD分解得到下一幅图像位姿,初始化像对的相对定向。
6.5光束法平差法。
通过调整位姿和三维点降低重建误差。
6.6稀疏点云模型建立。
加入采集到的图像序列In中不同于初始像对的一幅图像,根据加入图像与初始像对之间的匹配关系得到得到该图像的位姿;重复加入图像序列In中所有剩余,得到图像的位姿(旋转矩阵Kn、偏移向量Ln)以及三维点云Gsfm,完成稀疏点云模型建立。
第七步:刀具真实三维模型的精细建立
基于PMVS法稠密点云重建,建立刀具真实三维模型。
输入为:稀疏三维点云模型Gsfm,每一帧图像的位姿旋转矩阵Kn、偏移向量Ln;
输出为:稠密点云模型Gpmvs。
第八步:基于三维模型的刀刃信息提取和体积计算
8.1截取三维模型GPer的刀刃部分。由于刀具模型文件支持三角形面片的表达方式,可以得到模型中每一个三角形面片的顶点坐标、纹理坐标、法向量等信息。选取模型内部一点形成数个四面体,计算四面体体积和,可以直接得到刀刃体积VPer。
8.2截取三维点云模型Gpmvs的刀刃部分。基于生长法生成Delaunay三角网,构造出刀具外轮廓。选取模型内部一点形成数个四面体,计算四面体体积和,可以直接得到刀刃体积VRel。
第九步:磨损度计算。
磨损度,即刀具磨损体积占完好刀具体积的百分比。
本发明的有益效果:本发明通过图像处理以及三维重建的方法构建实际刀具模型以及实际刀具的完好状态模型,通过计算二者体积并取差值的方法直观地提取出刀具的磨损体积作为刀具磨损度的评判依据;本发明将传统的通过提取刀具磨损宽度、磨损面积来判断刀具磨损程度的方式上升到提取刀具的磨损体积,真正实现了刀具磨损程度的完全衡量,为刀具寿命的准确判断提供了强有力的依据。
附图说明
图1为图像序列硬件采集示意图;
图2a为垂直检测示意图;
图2b为通过图2a的连通区域计算得到刀刃数量示意图;
图3为刀具测量参数示意图;
图4为基于图像序列的刀具磨损体积检测方法流程图;
图5为磨损体积检测理论成果示意图;
图1中,1、主轴;2、刀具;3、环形光源;4、镜头放大倍数调节旋钮;5、镜头;6、深度相机;7、导轨。
具体实施方式
下面结合附图和案例对本发明做进一步详述:
如图4所示,本发明包括以下步骤:
S1:基于主动视觉的相机标定,由于已知刀具夹装在主轴上,相机固定在以刀具中心为中心的圆弧形导轨上,主轴转速可调且已知,相机运动速度已知,故相机的运动参数可认为已知。因而可采用基于主动视觉的相机标定方法,得到相机的内部参数焦距fx、fy,相对于成像平面的主点坐标u0、v0,坐标轴倾斜参数λ(理想情况下为0)形成的内参矩阵;即得到了相机坐标系投影到成像平面上后,成像平面到像素平面的转换关系。内参矩阵为E
S2:通过如图1的结构采集刀具图像序列,其中1为主轴部分,可以控制刀具的旋转;2为夹装在主轴上的刀具;3为环形LED光源;4为放大倍数调整旋钮用于调节放大倍数;5为镜头;6为深度相机,用于拍摄刀具图像;7为以刀具中心为中心的环形导轨;该装置可以通过刀具的旋转以及相机在导轨上的滑动,使相机能够分布于一个半球面上拍摄图像。
通过建立以刀具中心为原点的世界坐标系,以相机为中心的相机坐标系,保证采集的图像序列有准确的空间坐标,并随着相机沿导轨滑行及刀具旋转,每个图像上的点都能在不同视角一一对应。
设采集到的图像序列为In,刀具底面图像为Idown,侧面图像为Iside。
S3:建立完好刀具三维模型库
导入各种切削、铣削、磨削用刀具的三维模型以及对应的特征参数(如刃径、刀径、刀长等),为后续完好刀具三维模型选型提供依据。该三维模型库中刀具模型的文件应支持三角形面片的表达方式。
S4:获取刀具特征参数
S4.1:将采集到的刀具底面图像Idown及侧面图像Iside进行OTSU法阈值分割,得到二值化底面图像IB1及侧面图像IB2;
OTSU法具体为:
通过选择一个灰度级将图像分为目标和背景两部分,计算它们的类间方差,使目标和背景的类间方差最大的灰度级即为该图像的分割阈值,选择一个初始灰度级T0作为图像的初始分割阈值,令分割出的图像中的目标为A,图像背景为B;阈值确定公式
σB(T)=PAPB(MA-MB)2
其中,最终分割阈值Tmax为使得σB(T)最大的值;PA为像素点在A中出现的概率,PB为像素点在B中出现的概率,MA为A中像素灰度平均值,MB为B中像素灰度平均值。
S4.2计算图像中连通域数目,如图2a和图2b。对二值化底面图像IB1计算黑色连通域数量即为刀刃数量N。
S4.3对二值化底面图像IB1剔除连通域即可得到不规则的刀具外轮廓。对刀具外轮廓通过最小二乘法圆拟合即可得到刀径d1和刀具圆心(C,D),
具体为:设刀具不规则外轮廓即像素值为0的k个黑色点坐标为(Xi,Yi),其中i=1~k,(Xi,Yi)到拟合圆心的距离为di;设拟合出的圆心坐标(C,D),圆半径为R。
已知圆曲线表达式为:
R2=(x-C)2+(y-D)2=x2+y2-2Cx-2Dy+C2+D2
令
x2+y2+ax+by+c=0
其中
根据最小二乘法,限定误差点到圆心距离减去半径,得到目标函数,由于求解困难,转而采用近似目标函数Q(a,b,c)
求argminQ(a,b,c),得到的a,b,c可求得圆心(C,D)及半径R,所得的R即为刀径d1。
S4.4:针对S4.3得到的圆心(C,D)去除二值化底面图像IB1的外轮廓边界,留下刀刃区域,即黑色连通域。在刀刃区域找到离刀具圆心最远的点(xmax,ymax),圆心(C,D)与点(xmax,ymax)的距离为刃径d2;
S4.5:将二值化的侧面图像IB2,采用垂直检索方法计算刀具的刃长l。具体为:
设二值化图像IB2上各像素点的坐标为IB2(i,j),对每i列的二值化后的像素点由上至下检索像素值为0的点(即黑色轮廓点),通过取第i列检测到的第一个点IBe(i,j-)与最后一个点IBe(i,j+)之间的距离j+-j-,针对所有j+-j-,取maxj+-j-即为刀具的刃长l,如图3所示。
S5:基于刀具特征参数的刀具完好模型选取
根据上述测得的刀具特征参数,在第三步建立的刀具三维模型库中选择刀具三维模型。记该三维模型为GPer。
S6:基于SFM稀疏点云刀具三维模型建立
输入为:图像序列集In、在S1对相机标定得到的相机内参矩阵E。
输出为:稀疏三维点云模型Gsfm、每一帧图像的位姿(旋转矩阵Kn、偏移向量Ln)。
S6.1:特征点集的获取
对于图像In,二值化后的图像IBn;采用Canny边缘检测提取图像边缘并离散化为特征点。设得到的边缘检测后离散化的点的集合为Qn
对于图像In,灰度化后的图像为IGn;采用Harris角点检测提取图片中的角点作为特征点。设得到的角点的集合为Pn。
将Harris角点检测得到的特征点样本集Pn与Canny边缘检测后离散化的特征点样本集Qn,取并集得到完整的特征点样本集Un。
Un={Pn∪Qn}
S6.2:特征点匹配
对不同图像序列下得到的特征点Un进行特征匹配,此处选择基于暴力匹配方法(BFMatcher)结合灰度的特征匹配方法,具体为:
选取空间位置、时间序列上较为接近的两幅图片Ig与Ih,在待匹配图像Ih上寻找与目标图像Ig上某个特征点oe(xe,ye)欧式距离最近的三个点{oe1,oe2,oe3}。
通过该方法使图片Ig的特征点集Ug中的每个特征点都能在图片Ih的特征点集Uh中找到与其欧氏距离最近的三个特征点与之对应。
再通过灰度信息计算目标图像Ig上的特征点灰度值Gyg与待匹配图像Ih上像特征点灰度值Gyh之间的灰度相似性Gys。
对于图片Ig中特征点集Ug中的第e个特征点oe(xe,ye)基于暴力匹配方法匹配的特征点{oe1,oe2,oe3}计算灰度相似性,将灰度相似性最大的点o’作为最终匹配点。
Gysmax=max{Gys1,Gys2,Gys3}
取Gysmax对应的特征点o’作为最终匹配点;若Gyg=Gyh即匹配点与待匹配点灰度值相等,则直接将该点o’作为最终匹配点。
通过该方法使图片Ig的特征点集Ug中的每个特征点都能在图片Ih的特征点集Uh中找到唯一特征点与之对应匹配。
S6.3:选择初始化像对,采用RANSC算法四点法找到相机基线最大的像对作为初始像对。
其中:像对全称为立体像对,表示不同方位取得的两幅不同的图像。
基线(baseline)表示相机处于两个不同位置时连接相机光心的线。
S6.4:根据RANSC八点法计算本征矩阵,进行SVD分解得到下一幅图像位姿(旋转矩阵K、偏移向量L)。
其中:本征矩阵为在归一化图像坐标下的基本矩阵,具有基本矩阵的所有性质且可以估计相机处于不同方位下的位置关系。
基本矩阵用于将一个图像中的像素与另一个图像相关联。
S6.5:采用光束平差法调整位姿(旋转矩阵K、偏移向量L)和三维点降低重建误差。
S6.6:加入采集到的图像序列In中不同于初始像对的一幅图像,根据加入图像与初始像对之间的匹配关系得到该图像的位姿;重复加入图像序列In中所有剩余,得到图像的位姿(旋转矩阵Kn、偏移向量Ln)以及三维点云Gsfm,完成稀疏点云模型建立。
S7:PMVS法稠密点云重建,建立刀具实际三维模型。
输入为:SFM稀疏点云重建得到的结果,即稀疏三维点云模型Gsfm、每一帧图像的位姿(旋转矩阵Kn、偏移向量Ln)。
输出为:稠密点云模型Gpmvs。
S8:基于三维模型的刀刃信息提取和体积计算
截取刀刃部分区域计算体积,由于实际加工中刀具夹装在主轴上,刀柄部分受主轴遮挡无法获得刀具完整的三维模型。由于刀柄部分不受磨损,故只需截取刀刃部分作为磨损体积的计算即可。一方面减少计算量,另一方面提高准确度。
S8.1将S5得到的三维模型GPer截取刀刃部分,由于刀具库中刀具模型的文件支持OBJ文件格式输出,即mesh网格三角形面片的表达方式,可以得到模型中每一个三角形面片的顶点坐标、纹理坐标、法向量的完整信息,选取模型内部一点与面片形成数个四面体,计算所有四面体体积和,可以直接得到所求体积计为VPer。
S8.2将S7得到的三维点云模型Gpmvs截取刀刃部分,在点云模型基础上,基于生长法生成Delaunay三角网构造出刀具外轮廓,选取模型内部一点与面片形成数个四面体,计算所有四面体体积和,可以直接得到所求体积计为VRel。
S9:磨损度,即刀具磨损体积占完好刀具体积的百分比,图5展示了最终的磨损度判定。
Claims (5)
1.一种刀具磨损度检测方法,其特征在于该方法包括以下步骤:
第一步:相机标定;
将刀具夹装在主轴上,相机固定在以刀具中心为中心的圆弧形导轨上,主轴转速可调且已知,相机运动速度已知,故相机的运动参数可认为已知,采用基于主动视觉的相机标定方法,得到相机的内部参数矩阵E;
第二步:刀具图像采集;
利用图像采集装置采集刀具图像,设采集到的图像序列为In;
所述图像采集装置通过刀具的旋转以及相机在导轨上的滑动,使相机能够分布于一个半球面以拍摄图像;
第三步:建立完好刀具三维模型库;
导入各种切削、铣削、磨削用刀具的三维模型以及对应的特征参数,该三维模型库中刀具模型的文件支持三角形面片的表达方式;
第四步:获取刀具特征参数,包括刀径d1、刀具圆心(C,D)以及刃径d2;
第五步:基于刀具特征参数的刀具完好模型选取;
根据上一步测得的刀具特征参数,在第三步建立的刀具三维模型库中选择刀具三维模型;记该三维模型为GPer;
第六步:刀具真实三维模型的初步建立;
通过SFM稀疏点云重建完成对刀具真实三维模型的建立;
输入为:图像序列集In,以及在第一步得到的相机内参矩阵E;
输出为:稀疏三维点云模型Gsfm,每一帧图像的位姿,包含旋转矩阵Kn和偏移向量Ln;其中,旋转矩阵Kn描述了世界坐标系的坐标轴相对于摄像机坐标轴的方向,偏移向量Ln描述了在摄像机坐标系下空间原点的位置;
6.1图像序列特征点提取
对图像序列In利用Canny算子得到离散化的特征点,将该特征点的集合记为样本集Qn;
对图像序列In利用Harris角点检测方法得到角点,将该角点的集合记为样本集Pn;
最终的完备特征点样本集Un为Pn和Qn的并集;
6.2图像序列特征点匹配
对不同图像下得到的特征点样本集Ui与Uj进行特征匹配,通过计算Ui与Uj上特征点的欧式距离与灰度值相似度来确定匹配关系;
6.3选择初始化图像对;
采用RANSC算法四点法计算单应矩阵,找到相机基线最大的像对作为初始像对;
6.4初始化像对的相对定向;
根据RANSC八点法计算本征矩阵,进行SVD分解得到下一幅图像位姿,初始化像对的相对定向;
6.5光束法平差法;
采用光束法平差法调整位姿和三维点,降低重建误差;
6.6稀疏点云模型建立;
加入采集到的图像序列In中不同于初始像对的一幅图像,根据加入图像与初始像对之间的匹配关系得到该图像的位姿;重复加入图像序列In中所有剩余,得到图像的位姿以及三维点云Gsfm,完成稀疏点云模型建立;
第七步:刀具真实三维模型的精细建立;
基于PMVS法稠密点云重建,建立刀具真实三维模型;
输入为:稀疏三维点云模型Gsfm,每一帧图像的位姿旋转矩阵Kn、偏移向量Ln;
输出为:稠密点云模型Gpmvs;
第八步:基于三维模型的刀刃信息提取和体积计算;
8.1截取三维模型GPer的刀刃部分;得到模型中每一个三角形面片的顶点坐标、纹理坐标和法向量;选取模型内部一点形成数个四面体,计算四面体体积和,得到刀刃体积VPer;
8.2截取三维点云模型Gpmvs的刀刃部分;基于生长法生成Delaunay三角网,构造出刀具外轮廓;选取模型内部一点形成数个四面体,计算四面体体积和,得到刀刃体积VRel;
第九步:磨损度计算;
磨损度,即刀具磨损体积占完好刀具体积的百分比
2.根据权利要求1所述的一种刀具磨损度检测方法,其特征在于:第二步中通过建立以刀具中心为原点的世界坐标系,以相机为中心的相机坐标系,保证随着相机的滑动以及刀具旋转,采集到的每个图像上的点都有准确的空间坐标,并随着相机沿导轨滑行及刀具旋转,每个图像上的点都能在不同视角一一对应。
3.根据权利要求1所述的一种刀具磨损度检测方法,其特征在于:第三步中刀具的特征参数包括刃径、刀径和刀长。
4.根据权利要求1所述的一种刀具磨损度检测方法,其特征在于:第四步具体是:
4.1将采集到的刀具底面图像Idown及侧面图像Iside进行OTSU法阈值分割,得到二值化底面图像IB1及侧面图像IB2;
4.2对二值化底面图像IB1计算黑色连通域数量,得到刀刃数量N;
4.3对二值化底面图像IB1剔除连通域,得到不规则的刀具外轮廓;对刀具外轮廓通过最小二乘法圆拟合即可得到刀径d1和刀具圆心(C,D);
4.4去除刀具外轮廓边界,留下刀刃区域;在刀刃区域找到离刀具圆心最远的点,圆心与该点的距离为刃径d2;
4.5将二值化的侧面图像IB2,通过垂直检索方法计算刀具的刃长l。
5.根据权利要求1所述的一种刀具磨损度检测方法,其特征在于:在第六步中对不同图像下得到的特征点样本集Ui与Uj进行特征匹配,选择基于暴力匹配方法结合灰度的特征匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159456.9A CN113920081A (zh) | 2021-09-30 | 2021-09-30 | 一种刀具磨损度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159456.9A CN113920081A (zh) | 2021-09-30 | 2021-09-30 | 一种刀具磨损度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113920081A true CN113920081A (zh) | 2022-01-11 |
Family
ID=79237422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111159456.9A Pending CN113920081A (zh) | 2021-09-30 | 2021-09-30 | 一种刀具磨损度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920081A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332078A (zh) * | 2022-03-02 | 2022-04-12 | 山东华硕汽车配件科技有限公司 | 一种汽车发动机金属磨损智能修复控制方法 |
CN114742776A (zh) * | 2022-03-30 | 2022-07-12 | 西安交通大学 | 一种机床加工刀具三维磨破损在线监测方法 |
CN115008255A (zh) * | 2022-08-09 | 2022-09-06 | 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 |
CN115319538A (zh) * | 2022-08-30 | 2022-11-11 | 上海诺倬力机电科技有限公司 | 五轴头刀具磨损智能检测方法及系统 |
CN116244976A (zh) * | 2023-05-12 | 2023-06-09 | 北京世冠金洋科技发展有限公司 | 一种实现模型磨损效果的仿真方法及装置 |
CN117798748A (zh) * | 2024-02-29 | 2024-04-02 | 珠海市申科谱工业科技有限公司 | 一种用于cnc倾斜主轴的自动视觉标定测量系统及测量方法 |
CN117798748B (zh) * | 2024-02-29 | 2024-05-14 | 珠海市申科谱工业科技有限公司 | 一种用于cnc倾斜主轴的自动视觉标定测量系统及测量方法 |
-
2021
- 2021-09-30 CN CN202111159456.9A patent/CN113920081A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332078A (zh) * | 2022-03-02 | 2022-04-12 | 山东华硕汽车配件科技有限公司 | 一种汽车发动机金属磨损智能修复控制方法 |
CN114742776A (zh) * | 2022-03-30 | 2022-07-12 | 西安交通大学 | 一种机床加工刀具三维磨破损在线监测方法 |
CN114742776B (zh) * | 2022-03-30 | 2024-03-15 | 西安交通大学 | 一种机床加工刀具三维磨破损在线监测方法 |
CN115008255A (zh) * | 2022-08-09 | 2022-09-06 | 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 |
CN115319538A (zh) * | 2022-08-30 | 2022-11-11 | 上海诺倬力机电科技有限公司 | 五轴头刀具磨损智能检测方法及系统 |
CN115319538B (zh) * | 2022-08-30 | 2023-11-17 | 上海诺倬力机电科技有限公司 | 五轴头刀具磨损智能检测方法及系统 |
CN116244976A (zh) * | 2023-05-12 | 2023-06-09 | 北京世冠金洋科技发展有限公司 | 一种实现模型磨损效果的仿真方法及装置 |
CN117798748A (zh) * | 2024-02-29 | 2024-04-02 | 珠海市申科谱工业科技有限公司 | 一种用于cnc倾斜主轴的自动视觉标定测量系统及测量方法 |
CN117798748B (zh) * | 2024-02-29 | 2024-05-14 | 珠海市申科谱工业科技有限公司 | 一种用于cnc倾斜主轴的自动视觉标定测量系统及测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920081A (zh) | 一种刀具磨损度检测方法 | |
CN110335234B (zh) | 一种基于古文物LiDAR点云的三维变化检测方法 | |
CN108562250B (zh) | 基于结构光成像的键盘键帽平整度快速测量方法与装置 | |
CN115330958B (zh) | 基于激光雷达的实时三维重建方法及装置 | |
KR102073468B1 (ko) | 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법 | |
CN113177977B (zh) | 一种非接触式三维人体尺寸的测量方法 | |
EP2430588A1 (en) | Object recognition method, object recognition apparatus, and autonomous mobile robot | |
CN105574812B (zh) | 多角度三维数据配准方法及装置 | |
CN112419429B (zh) | 一种基于多视角的大型工件表面缺陷检测标定方法 | |
CN111721259A (zh) | 基于双目视觉的水下机器人回收定位方法 | |
CN109767431A (zh) | 零件外观缺陷检测方法、装置、设备及可读存储介质 | |
CN113884002A (zh) | 基于二三维信息融合的受电弓滑板上表面检测系统及方法 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN116909208B (zh) | 基于人工智能的壳体加工路径优化方法及系统 | |
CN116977341B (zh) | 一种尺寸测量方法及相关装置 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN110969650B (zh) | 一种基于中心投影的强度图像与纹理序列间的配准方法 | |
CN110751690B (zh) | 铣床刀头视觉定位方法 | |
CN110487254B (zh) | 一种用于rov的水下目标尺寸快速测量方法 | |
Cociaş et al. | Multiple-superquadrics based object surface estimation for grasping in service robotics | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN110542402A (zh) | 复杂结构体的rgb-d视觉定位系统及方法 | |
Ping et al. | Verification of turning insert specifications through three-dimensional vision system | |
CN116481460B (zh) | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 | |
CN210268617U (zh) | 一种复杂结构体的rgb-d视觉定位装置 |
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 |