CN115008255A - 一种用于机床的刀具磨损识别方法及装置 - Google Patents

一种用于机床的刀具磨损识别方法及装置 Download PDF

Info

Publication number
CN115008255A
CN115008255A CN202210949366.8A CN202210949366A CN115008255A CN 115008255 A CN115008255 A CN 115008255A CN 202210949366 A CN202210949366 A CN 202210949366A CN 115008255 A CN115008255 A CN 115008255A
Authority
CN
China
Prior art keywords
image
tool
layer
image plane
obtaining
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
CN202210949366.8A
Other languages
English (en)
Other versions
CN115008255B (zh
Inventor
仲怀林
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.)
Nantong Jifan Precision Technology Co ltd
Original Assignee
Nantong Jifan Precision Technology Co ltd
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 Nantong Jifan Precision Technology Co ltd filed Critical Nantong Jifan Precision Technology Co ltd
Priority to CN202210949366.8A priority Critical patent/CN115008255B/zh
Publication of CN115008255A publication Critical patent/CN115008255A/zh
Application granted granted Critical
Publication of CN115008255B publication Critical patent/CN115008255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B23Q17/0952—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 during machining
    • B23Q17/0957—Detection of tool breakage
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及机床零件状态检测领域，具体涉及一种用于机床的刀具磨损识别方法及装置。该方法将不同曝光度的刀具图像分别进行比特平面分层并挑选出对应的参考图像平面层。根据角点匹配结果选取贡献层的组合，获得多个参考组合。对参考组合中的图像平面层进行融合，获得多个重构图像。通过互信息量挑选出最优重构图像用于磨损识别。本发明通过自适应图像融合方法，提高了最优重构图像中的图像特征，便于快速准确的识别出磨损区域，提高了磨损检测的效率及精度。

Description

一种用于机床的刀具磨损识别方法及装置
技术领域
本发明涉及机床零件状态检测技术领域，具体涉及一种用于机床的刀具磨损识别方法及装置。
背景技术
对于模具生产企业，模具的加工的速度和精度，减少反复修模是加快生产效率的重要途径，而在模具的加工过程中，由于数控机床中的刀具磨损等原因会导致加工尺寸偏差，尤其时某些模具易变形、不能二次修复。因此需要对刀具磨损进行检测识别。
现有技术中可利用计算机视觉方法提取图像特征，进而识别刀具磨损。对于刀具磨损的检测过程中，图像的精度影响着刀具的磨损的检测效果，而刀具的磨损形态复杂，要获取刀具端面图像，对照明系统以及采集图像信号的电子设备要求很高，而在图像信号采集过程中，不同物距对应的图像会产生较大的差异，会产生过曝欠曝现象，从而影响刀具磨损的检测结果。传统的是通过小波变换的方法进行图像融合，而融合的精度往往收到小波基函数以及分解层数的影响，需要人工自设定参数，不具有鲁棒性。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于机床的刀具磨损识别方法及装置，所采用的技术方案具体如下：
本发明提出了一种用于机床的刀具磨损识别方法，所述方法包括：
采集不同曝光度的第一刀具图像和第二刀具图像；
对第一刀具图像进行比特平面分层，获得多个不同图像平面层的二值图像；选取内容信息度最大的K个图像平面层作为第一参考图像平面层，K为正整数；获得第二刀具图像的第二参考图像平面层；
对第一刀具图像和第二刀具图像进行角点匹配，获得角点对矩阵；根据角点的灰度值与参考图像平面层的对应关系，获得每个角点的贡献层，获得贡献层矩阵；贡献层矩阵中每个元素为一个贡献层的组合；获得每个组合的概率，将大于预设概率阈值的组合作为参考组合；
将所有参考组合融合，获得多个重构图像，根据重构图像与第一刀具图像和第二刀具图像之间的相似度获得互信息量；选择最大互信息量的重构图像作为最优重构图像；
根据最优重构图像中像素点之间的像素值差异获得磨损区域。
进一步地，获取内容信息度的方法包括：
根据二值图像中像素值为1的区域在第一刀具图像中对应区域的信息熵获得每个图像平面层的内容信息度。
进一步地，所述根据角点的灰度值与参考图像平面层的对应关系，获得每个角点的贡献层包括：
获得每个参考图像平面层中像素值为1的灰度范围；若角点的像素值在对应的参考图像平面层的灰度范围内，则认为该参考图像平面层为该角点的贡献层。
进一步地，所述将所有参考组合融合，获得多个重构图像包括：
在每个参考组合的每个图像平面分层数据中统计每个像素点的局部区域的均值方差；每个参考组合的两个图像平面层数据中，选择最大图像平面层数据的像素值作为该组合融合后的图像平面层，并对所有融合后的图像平面层作为一层图像平面层再进行比特平面分层图像重构，得到所有可能的图像重构后的图像矩阵，获得重构图像。
进一步地，所述根据重构图像与第一刀具图像和第二刀具图像之间的相似度获得互信息量包括：
Figure 607055DEST_PATH_IMAGE001
其中，
Figure 124755DEST_PATH_IMAGE002
为互信息量，
Figure 117461DEST_PATH_IMAGE003
为第一刀具图像
Figure 164046DEST_PATH_IMAGE004
的灰度级数；
Figure 837342DEST_PATH_IMAGE005
为第二刀具图像
Figure 689891DEST_PATH_IMAGE006
的灰度级数；
Figure 666331DEST_PATH_IMAGE007
为重构图像
Figure 539609DEST_PATH_IMAGE008
的灰度级数；
Figure 965780DEST_PATH_IMAGE009
为第一刀具图像
Figure 684337DEST_PATH_IMAGE004
、第二刀具图像
Figure 748239DEST_PATH_IMAGE006
和重构图像
Figure 293883DEST_PATH_IMAGE008
的归一化联合灰度直方图；
Figure 36712DEST_PATH_IMAGE010
为第一刀具图像
Figure 434326DEST_PATH_IMAGE004
和第二刀具图像
Figure 507062DEST_PATH_IMAGE006
的归一化联合灰度直方图；
Figure 66350DEST_PATH_IMAGE011
为重构图像
Figure 827633DEST_PATH_IMAGE008
的归一化直方图。
进一步地，所述根据最优重构图像中像素点之间的像素值差异获得磨损区域包括：
利用大津阈值分割算法分割出最优重构图像中的磨损像素点，磨损像素点构成磨损区域。
本发明还提出了一种用于机床的刀具磨损识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项一种用于机床的刀具磨损识别方法的步骤。
本发明具有如下有益效果：
本发明实施例采集不同曝光度的基础图像，采用比特平面分层进行图像融合的方法，一方面消除了过度曝光区域，也增加了较暗区域的对比度，并且提高了图像质量。根据图像的角点数据特征，自适应选取进行图像重构的图像平面层的组合，相较于传统的小波变换图像融合方法，避免了小波基函数以及分解层数等算法参数的设置。通过互信息量表征优选度。互信息量越大，表明重构后的图像包含的原图像信息越多，从而得到最优的重构后的图像。本发明实施例计算简单，对于数控机床的刀具磨损检测精度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于机床的刀具磨损识别方法流程图；
图2为本发明一个实施例所提供的一种图像采集系统示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于机床的刀具磨损识别方法及装置，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于机床的刀具磨损识别方法及装置的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于机床的刀具磨损识别方法流程图，该方法包括：
步骤S1：采集不同曝光度的第一刀具图像和第二刀具图像。
本发明实施例需要在机床工作台上不止图像采集系统，以实现方便快速采集到刀具的图像信息。请参阅图2，其示出了本发明一个实施例所提供的一种图像采集系统示意图，图像采集系统包括机床工作台、支架、光源、工业相机、数据传输系统、刀具和机床主轴、通过改变工业相机的参数即可获得不同曝光度的第一刀具图像和第二刀具图像。在本发明实施例中，第一刀具图像为曝光不足的图像，第二刀具图像为局部曝光过度的图像。将两张图像融合可得到一幅暗亮区域细节明显的图像，在之后提取刀具表面磨损区域信息时，保证检测效率及精度。
步骤S2：对第一刀具图像进行比特平面分层，获得多个不同图像平面层的二值图像；选取内容信息度最大的K个图像平面层作为第一参考图像平面层，K为正整数；获得第二刀具图像的第二参考图像平面层。
为了方便两张图像的融合，根据比特平面分层的思想进行图像融合，而在图像融合之前，为了减少计算量，需要对两幅图像每一平面层进行内容信息度计算，选取包含较多信息的图像平面层进行下一步计算。
在本发明实施例中，为了提高图像的质量对采集的两幅图像进行灰度化处理，并进行高斯滤波去噪，并对预处理之后的图像进行比特平面分层，从而得到两幅图像的各8个图像平面层的图像矩阵，每个图像矩阵为一个二值图像。其中比特平面分层为公知技术，在此不再赘述。
常见的内容信息度的获取方法是通过图像的信息熵进行计算，但是每个图像平面层都为二值图像，因此若采用传统的信息熵计算内容信息度的方法明显不适用，由于机床刀具的磨损区域在图像中表现为较亮的区域，对应到相应图像的每一层平面层中属于像素值为1的区域，因此通过第一刀具图像的第
Figure 530403DEST_PATH_IMAGE012
层二值图像中像素值为1的区域
Figure 693531DEST_PATH_IMAGE013
，得到像素点为1区域
Figure 453415DEST_PATH_IMAGE013
对应图像
Figure 967573DEST_PATH_IMAGE004
中的区域
Figure 34886DEST_PATH_IMAGE014
，计算
Figure 417633DEST_PATH_IMAGE015
的信息熵来表征图像
Figure 974516DEST_PATH_IMAGE004
的第
Figure 585757DEST_PATH_IMAGE012
层图像平面层的内容信息度
Figure 752034DEST_PATH_IMAGE016
。信息熵获取为本领域技术人员熟知的技术手段，在此仅简述其公式：
Figure 765120DEST_PATH_IMAGE017
式中，
Figure 492905DEST_PATH_IMAGE018
表示第一刀具图像的第
Figure 827328DEST_PATH_IMAGE012
层图像平面层中像素值为1的区域
Figure 298760DEST_PATH_IMAGE013
对应的图像
Figure 664888DEST_PATH_IMAGE004
中的区域
Figure 297995DEST_PATH_IMAGE014
的灰度值中第
Figure 883828DEST_PATH_IMAGE019
个灰度值；
Figure 394837DEST_PATH_IMAGE020
表示灰度值为
Figure 116937DEST_PATH_IMAGE018
在图像区域
Figure 920945DEST_PATH_IMAGE014
出现的概率，即
Figure 430292DEST_PATH_IMAGE021
，其中
Figure 604047DEST_PATH_IMAGE022
表示灰度值在图像区域
Figure 100361DEST_PATH_IMAGE014
出现的频数，
Figure 75271DEST_PATH_IMAGE023
表示图像区域
Figure 868652DEST_PATH_IMAGE014
像素点的个数。
根据机床的刀具图像特征图像较亮的区域包含的有用信息较多，选择每个图像平面层中像素点为1的区域对应到原始灰度图像中的区域，计算该区域的信息熵来表征图像平面层的内容信息度，内容信息度越大，则表明该图像平面层包含的信息量越多。因此可选择内容信息度最大的K个图像平面层作为第一参考图像平面层。同理可获得第二刀具图像的第二参考图像平面层。
在本发明实施例中，K取3，即选择每幅刀具图像中内容信息度较大的3个图像平面层作为参考图像平面层，记作
Figure 219999DEST_PATH_IMAGE024
和
Figure 559101DEST_PATH_IMAGE025
。利用这些图像平面层矩阵中的图像数据重构后的图像包含有图像的大部分的内容信息，因此，根据参考图像平面层的特点进行下一步融合计算，减小了后续融合过程的计算量。
步骤S3：对第一刀具图像和第二刀具图像进行角点匹配，获得角点对矩阵；根据角点的灰度值与参考图像平面层的对应关系，获得每个角点的贡献层，获得贡献层矩阵；贡献层矩阵中每个元素为一个贡献层的组合；获得每个组合的概率，将大于预设概率阈值的组合作为参考组合。
在图像平面层矩阵中进行图像平面层数据融合过程之前，需要对图像平面层数据中进行匹配，即将第一刀具图像
Figure 704911DEST_PATH_IMAGE004
的参考图像平面层矩阵中的第几个参考图像平面层数据与第二刀具图像
Figure 860955DEST_PATH_IMAGE006
的参考图像平面层矩阵中的第几个参考图像平面层数据进行融合，从而进行重构生成明暗区域细节明显的图像。
分别对第一刀具图像和第二刀具图像进行角点检测和角点匹配，获得角点对矩阵，在角点对矩阵中记作第
Figure 15993DEST_PATH_IMAGE026
对角点对数据为
Figure 68656DEST_PATH_IMAGE027
，其中
Figure 650947DEST_PATH_IMAGE028
表示图像
Figure 418921DEST_PATH_IMAGE004
的角点矩阵中的角点数据，
Figure 112070DEST_PATH_IMAGE029
表示图像
Figure 783354DEST_PATH_IMAGE006
角点矩阵中的角点数据。
根据比特分层原理，若原图像的像素点在某一层图像平面层数据像素值为1，则表示该层对于此原图像的像素点是贡献层；若原图像的像素点在某一层图像平面层像素值为0，则表示该层对于此原图像的像素点不是贡献层。因此可根据角点的灰度值与参考图像平面层的对应关系获得每个角点的贡献层，具体包括：
获得每个参考图像平面层中像素值为1的灰度范围；若角点的像素值在对应的参考图像平面层的灰度范围内，则认为该参考图像平面层为该角点的贡献层。记第
Figure 772432DEST_PATH_IMAGE030
层参考图像比特平面层数据的像素值为0的灰度值范围为
Figure 263587DEST_PATH_IMAGE031
，像素值为1的灰度值范围为
Figure 931067DEST_PATH_IMAGE032
，第
Figure 581491DEST_PATH_IMAGE026
对角点对数据
Figure 380951DEST_PATH_IMAGE027
的灰度值分别为
Figure 239361DEST_PATH_IMAGE033
和
Figure 149680DEST_PATH_IMAGE034
。若
Figure 654610DEST_PATH_IMAGE035
，则表明第
Figure 123507DEST_PATH_IMAGE030
层参考图像比特平面层数据不是
Figure 713888DEST_PATH_IMAGE036
角点数据的贡献层；若
Figure 663783DEST_PATH_IMAGE037
，表明第
Figure 288799DEST_PATH_IMAGE030
层参考图像比特平面层是
Figure 430062DEST_PATH_IMAGE036
角点数据的贡献层，得到
Figure 6274DEST_PATH_IMAGE036
角点数据的贡献层。同样类似此操作，计算与角点数据
Figure 55133DEST_PATH_IMAGE036
相匹配的角点对数据中另一角点数据
Figure 911487DEST_PATH_IMAGE038
进行贡献层判定，得到角点数据
Figure 348284DEST_PATH_IMAGE038
（图像
Figure 523045DEST_PATH_IMAGE006
中）的贡献层。同样类似此操作，可以得到所有角点对数据的贡献层矩阵。需要说明的是，根据比特分层的原理，每个图像平面层中的二值图均对应一个灰度范围，根据参考图像平面层所属的层数即可获得对应的灰度范围。
由于角点数据的特性，在两幅图像中是一一对应的，并且存在多对角点对数据，因此将上述得到的所有角点对数据的贡献层矩阵进行组合并进行概率分析。即获得贡献层矩阵，贡献层矩阵中每个元素为一个贡献层的组合，获得每个组合的概率，将大于预设概率阈值的组合作为参考组合。下面举例进行说明：
统计第一刀具图像
Figure 202026DEST_PATH_IMAGE004
中的角点数据的贡献层
Figure 536055DEST_PATH_IMAGE039
为贡献层矩阵的先验贡献层,获得图像
Figure 612595DEST_PATH_IMAGE006
中匹配的角点数据的图像平面层数据
Figure 71390DEST_PATH_IMAGE040
为贡献层矩阵的概率，记为
Figure 25833DEST_PATH_IMAGE041
。类似此操作，得到所有组合的概率。设置阈值
Figure 948789DEST_PATH_IMAGE042
，对所有组合的概率大于阈值
Figure 196231DEST_PATH_IMAGE042
的作为参考组合。在所有待选择图像平面层组合分别以
Figure 939059DEST_PATH_IMAGE043
为先验图像平面层（图像
Figure 428684DEST_PATH_IMAGE004
中），在满足阈值条件的组合中得到图像
Figure 2885DEST_PATH_IMAGE006
中图像平面层，两个图像平面层就为一种图像平面层组合。例如：以图像
Figure 624490DEST_PATH_IMAGE004
中
Figure 120194DEST_PATH_IMAGE043
为先验的图像平面层，满足阈值条件的图像
Figure 162579DEST_PATH_IMAGE006
的图像平面层数据为
Figure 60127DEST_PATH_IMAGE044
和
Figure 914951DEST_PATH_IMAGE045
,则
Figure 366792DEST_PATH_IMAGE043
和
Figure 198220DEST_PATH_IMAGE044
为一种参考组合，
Figure 950275DEST_PATH_IMAGE043
和
Figure 976000DEST_PATH_IMAGE045
为一种参考组合。至此，可以得到所有的图像平面层组合。
步骤S4：将所有参考组合融合，获得多个重构图像，根据重构图像与第一刀具图像和第二刀具图像之间的相似度获得互信息量；选择最大互信息量的重构图像作为最优重构图像。
将所有参考组合融合即可获得多个重构图像，具体融合过程包括：
在每个参考组合的每个图像平面分层数据中统计每个像素点的局部区域的均值方差；每个参考组合的两个图像平面层数据中，选择最大图像平面层数据的像素值作为该组合融合后的图像平面层，并对所有融合后的图像平面层作为一层图像平面层再进行比特平面分层图像重构，得到所有可能的图像重构后的图像矩阵，获得重构图像。
根据重构图像与第一刀具图像和第二刀具图像之间的相似度可获得互信息量，具体包括：
Figure 180716DEST_PATH_IMAGE046
其中，
Figure 553185DEST_PATH_IMAGE002
为互信息量，
Figure 159747DEST_PATH_IMAGE003
为第一刀具图像
Figure 356373DEST_PATH_IMAGE004
的灰度级数；
Figure 782806DEST_PATH_IMAGE005
为第二刀具图像
Figure 221616DEST_PATH_IMAGE006
的灰度级数；
Figure 479422DEST_PATH_IMAGE007
为重构图像
Figure 581370DEST_PATH_IMAGE008
的灰度级数；
Figure 760678DEST_PATH_IMAGE009
为第一刀具图像
Figure 474950DEST_PATH_IMAGE004
、第二刀具图像
Figure 790525DEST_PATH_IMAGE006
和重构图像
Figure 1057DEST_PATH_IMAGE008
的归一化联合灰度直方图；
Figure 431776DEST_PATH_IMAGE010
为第一刀具图像
Figure 917115DEST_PATH_IMAGE004
和第二刀具图像
Figure 87197DEST_PATH_IMAGE006
的归一化联合灰度直方图；
Figure 62106DEST_PATH_IMAGE011
为重构图像
Figure 278324DEST_PATH_IMAGE008
的归一化直方图。
互信息量用于衡量图像
Figure 599977DEST_PATH_IMAGE004
、图像
Figure 890144DEST_PATH_IMAGE006
和重构图像
Figure 35955DEST_PATH_IMAGE008
之间的相似度，通过联合熵进行表示，其中图像的相关性越大，联合熵越小，对应的互信息量越大，表明重构后的图像包含图像
Figure 614835DEST_PATH_IMAGE004
和图像
Figure 737249DEST_PATH_IMAGE006
的信息就越多，表明重构的效果越好，则对应的优选程度就越大。因此选择最大互信息量的重构图像作为最优重构图像。
采用比特平面分层进行图像融合的方法，一方面消除了过度曝光区域，也增加了较暗区域的对比度，并且提高了图像质量。相较于传统的小波变换图像融合方法，避免了小波基函数以及分解层数等算法参数的设置。
步骤S5:根据最优重构图像中像素点之间的像素值差异获得磨损区域。
最优重构图像的暗亮区域的细节都较为明显。因此可根据像素值之间的差异获得磨损区域。优选的，利用大津阈值分割算法分割出最优重构图像中的磨损像素点，将大于分割阈值的像素点的像素值设置为1，小于分割阈值
Figure 147502DEST_PATH_IMAGE047
的像素点的像素值设置为0。像素值为1的像素点即为磨损像素点，磨损像素点构成磨损区域。工作人员可根据磨损区域的大小及时对刀具进行更换或者打磨，避免风险事故发生。
本发明还提出了一种用于机床的刀具磨损识别装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现任意一项一种用于机床的刀具磨损识别方法的步骤。
综上所述，本发明实施例将不同曝光度的刀具图像分别进行比特平面分层并挑选出对应的参考图像平面层。根据角点匹配结果选取贡献层的组合，获得多个参考组合。对参考组合中的图像平面层进行融合，获得多个重构图像。通过互信息量挑选出最优重构图像用于磨损识别。本发明实施例通过自适应图像融合方法，提高了最优重构图像中的图像特征，便于快速准确的识别出磨损区域，提高了磨损检测的效率及精度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于机床的刀具磨损识别方法，其特征在于，所述方法包括：
采集不同曝光度的第一刀具图像和第二刀具图像；
对第一刀具图像进行比特平面分层，获得多个不同图像平面层的二值图像；选取内容信息度最大的K个图像平面层作为第一参考图像平面层，K为正整数；获得第二刀具图像的第二参考图像平面层；
对第一刀具图像和第二刀具图像进行角点匹配，获得角点对矩阵；根据角点的灰度值与参考图像平面层的对应关系，获得每个角点的贡献层，获得贡献层矩阵；贡献层矩阵中每个元素为一个贡献层的组合；获得每个组合的概率，将大于预设概率阈值的组合作为参考组合；
将所有参考组合融合，获得多个重构图像，根据重构图像与第一刀具图像和第二刀具图像之间的相似度获得互信息量；选择最大互信息量的重构图像作为最优重构图像；
根据最优重构图像中像素点之间的像素值差异获得磨损区域。
2.根据权利要求1所述的一种用于机床的刀具磨损识别方法，其特征在于，获取内容信息度的方法包括：
根据二值图像中像素值为1的区域在第一刀具图像中对应区域的信息熵获得每个图像平面层的内容信息度。
3.根据权利要求1所述的一种用于机床的刀具磨损识别方法，其特征在于，所述根据角点的灰度值与参考图像平面层的对应关系，获得每个角点的贡献层包括：
获得每个参考图像平面层中像素值为1的灰度范围；若角点的像素值在对应的参考图像平面层的灰度范围内，则认为该参考图像平面层为该角点的贡献层。
4.根据权利要求1所述的一种用于机床的刀具磨损识别方法，其特征在于，所述将所有参考组合融合，获得多个重构图像包括：
在每个参考组合的每个图像平面分层数据中统计每个像素点的局部区域的均值方差；每个参考组合的两个图像平面层数据中，选择最大图像平面层数据的像素值作为该组合融合后的图像平面层，并对所有融合后的图像平面层作为一层图像平面层再进行比特平面分层图像重构，得到所有可能的图像重构后的图像矩阵，获得重构图像。
5.根据权利要求1所述的一种用于机床的刀具磨损识别方法，其特征在于，所述根据重构图像与第一刀具图像和第二刀具图像之间的相似度获得互信息量包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 322893DEST_PATH_IMAGE002
为互信息量，
Figure 631384DEST_PATH_IMAGE003
为第一刀具图像
Figure 938868DEST_PATH_IMAGE004
的灰度级数；
Figure 281994DEST_PATH_IMAGE005
为第二刀具图像
Figure 16732DEST_PATH_IMAGE006
的灰度级数；
Figure 812518DEST_PATH_IMAGE007
为重构图像
Figure 658114DEST_PATH_IMAGE008
的灰度级数；
Figure 858676DEST_PATH_IMAGE009
为第一刀具图像
Figure 764315DEST_PATH_IMAGE004
、第二刀具图像
Figure 312977DEST_PATH_IMAGE006
和重构图像
Figure 962264DEST_PATH_IMAGE008
的归一化联合灰度直方图；
Figure 358611DEST_PATH_IMAGE010
为第一刀具图像
Figure 356522DEST_PATH_IMAGE004
和第二刀具图像
Figure 939951DEST_PATH_IMAGE006
的归一化联合灰度直方图；
Figure 642196DEST_PATH_IMAGE011
为重构图像
Figure 830732DEST_PATH_IMAGE008
的归一化直方图。
6.根据权利要求1所述的一种用于机床的刀具磨损识别方法，其特征在于，所述根据最优重构图像中像素点之间的像素值差异获得磨损区域包括：
利用大津阈值分割算法分割出最优重构图像中的磨损像素点，磨损像素点构成磨损区域。
7.一种用于机床的刀具磨损识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
CN202210949366.8A 2022-08-09 2022-08-09 一种用于机床的刀具磨损识别方法及装置 Active CN115008255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210949366.8A CN115008255B (zh) 2022-08-09 2022-08-09 一种用于机床的刀具磨损识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210949366.8A CN115008255B (zh) 2022-08-09 2022-08-09 一种用于机床的刀具磨损识别方法及装置

Publications (2)

Publication Number Publication Date
CN115008255A true CN115008255A (zh) 2022-09-06
CN115008255B CN115008255B (zh) 2023-03-17

Family

ID=83065251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210949366.8A Active CN115008255B (zh) 2022-08-09 2022-08-09 一种用于机床的刀具磨损识别方法及装置

Country Status (1)

Country Link
CN (1) CN115008255B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117400066A (zh) * 2023-12-15 2024-01-16 西安航飞精密工具有限公司 一种数控机床刀具磨损识别方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4700224A (en) * 1985-06-20 1987-10-13 Agency Of Industrial Science & Technology Method of image processing for the measurement of tool wear
CN104463887A (zh) * 2014-12-19 2015-03-25 盐城工学院 基于分层聚焦采集图像和三维重建的刀具磨损检测方法
TW201534424A (zh) * 2014-02-03 2015-09-16 Takako Ind Inc 工具檢查方法及工具檢查裝置
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
CN107378641A (zh) * 2017-08-23 2017-11-24 东北电力大学 一种基于图像特征和lltsa算法的刀具磨损状态监测方法
CN110774055A (zh) * 2019-10-10 2020-02-11 华中科技大学 一种基于图像边缘检测的刀具断损监测方法及系统
CN110930405A (zh) * 2020-01-19 2020-03-27 南京理工大学 一种基于图像区域划分的刀具损伤检测方法
CN112907556A (zh) * 2021-03-11 2021-06-04 同济大学 一种基于机器视觉的旋转刀具磨损量自动测量方法
CN113478295A (zh) * 2020-03-17 2021-10-08 佛雷萨股份公司 用于确定工具磨损状态的方法
CN113752086A (zh) * 2021-08-19 2021-12-07 黄朋飞 一种用于数控机床刀具状态检测的方法和装置
CN113920081A (zh) * 2021-09-30 2022-01-11 杭州电子科技大学 一种刀具磨损度检测方法
CN114207663A (zh) * 2019-08-02 2022-03-18 西门子股份公司 工具的磨损程度的确定

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4700224A (en) * 1985-06-20 1987-10-13 Agency Of Industrial Science & Technology Method of image processing for the measurement of tool wear
TW201534424A (zh) * 2014-02-03 2015-09-16 Takako Ind Inc 工具檢查方法及工具檢查裝置
CN104463887A (zh) * 2014-12-19 2015-03-25 盐城工学院 基于分层聚焦采集图像和三维重建的刀具磨损检测方法
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
CN107378641A (zh) * 2017-08-23 2017-11-24 东北电力大学 一种基于图像特征和lltsa算法的刀具磨损状态监测方法
CN114207663A (zh) * 2019-08-02 2022-03-18 西门子股份公司 工具的磨损程度的确定
CN110774055A (zh) * 2019-10-10 2020-02-11 华中科技大学 一种基于图像边缘检测的刀具断损监测方法及系统
CN110930405A (zh) * 2020-01-19 2020-03-27 南京理工大学 一种基于图像区域划分的刀具损伤检测方法
CN113478295A (zh) * 2020-03-17 2021-10-08 佛雷萨股份公司 用于确定工具磨损状态的方法
CN112907556A (zh) * 2021-03-11 2021-06-04 同济大学 一种基于机器视觉的旋转刀具磨损量自动测量方法
CN113752086A (zh) * 2021-08-19 2021-12-07 黄朋飞 一种用于数控机床刀具状态检测的方法和装置
CN113920081A (zh) * 2021-09-30 2022-01-11 杭州电子科技大学 一种刀具磨损度检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117400066A (zh) * 2023-12-15 2024-01-16 西安航飞精密工具有限公司 一种数控机床刀具磨损识别方法及系统
CN117400066B (zh) * 2023-12-15 2024-03-08 西安航飞精密工具有限公司 一种数控机床刀具磨损识别方法及系统

Also Published As

Publication number Publication date
CN115008255B (zh) 2023-03-17

Similar Documents

Publication Publication Date Title
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
JP5941674B2 (ja) 細胞輪郭線形成装置及びその方法、細胞輪郭線形成プログラム
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN111833306B (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
CN116777941B (zh) 一种基于机器视觉的型材轮廓检测方法及系统
CN113034474A (zh) 一种oled显示器晶圆图的测试方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN115008255B (zh) 一种用于机床的刀具磨损识别方法及装置
CN116993731B (zh) 基于图像的盾构机刀头缺陷检测方法
CN115063331A (zh) 基于多尺度块lbp算子无鬼影多曝光图像融合算法
CN117152182B (zh) 一种超低照度网络相机图像处理方法、装置及电子设备
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN113763404B (zh) 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法
CN112532938B (zh) 一种基于大数据技术的视频监控系统
CN114283081A (zh) 基于金字塔加速的深度恢复方法、电子设备及存储介质
CN111985535A (zh) 一种通过神经网络优化人体深度图的方法及其装置
CN112070765A (zh) 一种基于双边滤波结合改进的otsu的布匹检测方法
CN116311262B (zh) 一种仪器仪表信息的识别方法、系统、设备和存储介质
CN116843581B (zh) 一种多场景图的图像增强方法、系统、设备和存储介质
CN114757892B (zh) 基于人工智能的透视材料缺陷检测方法与系统
CN112541913B (zh) 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法
CN114581448B (zh) 图像检测方法、装置、终端设备以及存储介质
CN117058143B (zh) 一种电路板引脚智能检测方法及系统

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