CN115937755B - 一种拖拉机变速箱立铣刀片视觉检测方法 - Google Patents
一种拖拉机变速箱立铣刀片视觉检测方法 Download PDFInfo
- Publication number
- CN115937755B CN115937755B CN202310138910.5A CN202310138910A CN115937755B CN 115937755 B CN115937755 B CN 115937755B CN 202310138910 A CN202310138910 A CN 202310138910A CN 115937755 B CN115937755 B CN 115937755B
- Authority
- CN
- China
- Prior art keywords
- abrasion
- classified
- edge
- wear
- stability
- 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
- 238000000034 method Methods 0.000 title claims description 29
- 238000011179 visual inspection Methods 0.000 title claims description 11
- 238000005299 abrasion Methods 0.000 claims abstract description 199
- 238000012512 characterization method Methods 0.000 claims abstract description 42
- 238000003801 milling Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000000007 visual effect Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000003754 machining Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及机器视觉技术领域,具体涉及一种拖拉机变速箱立铣刀片视觉检测方法,包括:采集待检测立铣刀片的连续多帧表面图像,获得每个待分类磨损的磨损区域序列;根据边缘分割点获取磨损区域的两个特征边缘段,计算磨损区域的内部灰度特征值,根据磨损区域的两个特征边缘段计算磨损区域的边缘稳定特征值,根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,根据待分类磨损的四个分类表征值确定待分类磨损所属的磨损种类。本发明结合不同磨损种类的形成原因,通过视觉检测方法对立铣刀片表面的磨损种类进行有效的区分,对后续的刀具维护、刀具更换提供数据依据,进一步的提高生产效率以及生产质量。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种拖拉机变速箱立铣刀片视觉检测方法。
背景技术
随着我国制造业的飞速发展,智能化制造成为了行业内的新要求。而数控加工作为制造业中智能化程度最高的生产模式,对其高效、高精的需求也来越大。在数控加工行业中,机床很大程度上的停机原因是由刀具的状态异常引起的,因此实现刀具磨损检测的智能化是数控加工行业进行智能化升级过程中急需解决的难题。
数控铣削加工作为拖拉机变速箱体的主要生产加工方式,在立铣刀片未得到妥善监测的情况下,铣刀容易出现磨损超出临界值引起报废的情况,严重影响生产产品的质量以及生产效率,造成原料的浪费。因此,对立铣刀片进行磨损的视觉检测就成为铣削加工智能化升级的重要手段之一。
现有技术中,常常利用阈值分割的方式直接找出立铣刀片表面的磨损区域,通过磨损区域的面积来进行磨损程度的判断,但由于立铣刀片表面的存在不同的磨损种类,现有利用阈值分割技术进行磨损检测的方法并不能有效进行不同磨损种类的判断,而不同磨损种类对立铣刀片的使用有着不同的影响。因此,就需要一种可对立铣刀片表面的磨损种类进行有效的区分的立铣刀片视觉检测方法来提高刀具维护效率并间接提高加工质量和生产效率。
发明内容
本发明提供一种拖拉机变速箱立铣刀片视觉检测方法,以解决现有的问题。
本发明的一种拖拉机变速箱立铣刀片视觉检测方法采用如下技术方案:
本发明一个实施例提供了一种拖拉机变速箱立铣刀片视觉检测方法,该方法包括以下步骤:
采集待检测立铣刀片的连续多帧表面图像,获得表面图像中每个待分类磨损的磨损区域序列,所述磨损区域序列由多个磨损区域组成;
利用角点检测算法获取磨损区域的边缘上的两个边缘分割点,根据两个边缘分割点将磨损区域的边缘划分为两个边缘段,记为磨损区域的两个特征边缘段;
计算磨损区域的内部灰度特征值,将每个待分类磨损的磨损区域序列中所有磨损区域的内部灰度特征值组成的序列记为每个待分类磨损的内部灰度特征值序列;
根据磨损区域的两个特征边缘段计算磨损区域的边缘稳定特征值,将每个待分类磨损的磨损区域序列中所有磨损区域的边缘稳定特征值组成的序列记为每个待分类磨损的边缘稳定特征值序列;
计算待分类磨损的内部灰度特征值序列的方差,将方差进行归一化后的结果作为待分类磨损的灰度稳定性;计算待分类磨损的边缘稳定特征值序列的方差,将方差进行归一化后的结果作为待分类磨损的边缘稳定性;
设置四种参数对,根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,根据待分类磨损的四个分类表征值确定待分类磨损所属的磨损种类。
进一步地,所述获得表面图像中每个待分类磨损的磨损区域序列,包括的具体步骤如下:
通过训练后的SORT多目标跟踪算法对待检测立铣刀片的连续多帧表面图像进行目标跟踪,将获得的跟踪对象记为待分类磨损;获得每个跟踪对象从第一次出现到最后一次出现在表面图像上对应的区域图像,将获得的所有区域图像按照时间顺序排列组成的序列记为待分类磨损的磨损区域序列,将磨损区域序列中的每个区域图像记为磨损区域,获得每个待分类磨损的磨损区域序列。
进一步地,所述计算磨损区域的内部灰度特征值,包括的具体步骤如下:
对于磨损区域中的任意一个像素点,将该像素点与其八邻域内所有像素点的灰度值的差值的绝对值的平均值作为该像素点的邻域灰度差异,获得磨损区域中所有像素点的邻域灰度差异的平均值,将该平均值进行归一化后的结果作为磨损区域的内部灰度特征值。
进一步地,所述根据磨损区域的两个特征边缘段计算磨损区域的边缘稳定特征值,包括的具体步骤如下:
对于磨损区域的任意一个特征边缘段,将组成该特征边缘段的所有边缘像素点的梯度方向按照顺序组成的序列记为该特征边缘段的梯度方向序列,根据动态时间规整算法计算磨损区域的两个特征边缘段的梯度方向序列的相似性,将相似性进行归一化后的结果作为磨损区域的边缘稳定特征值。
进一步地,所述设置四种参数对,包括的具体步骤如下:
设置四种参数对,每种参数对包含一个灰度参数和一个边缘参数,四种参数对分别为第一参数对(1,1)、第二参数对(0,0)、第三参数对(0,1)和第四参数对(1,0),每种参数对中的第一个参数为灰度参数,第二个参数为边缘参数。
进一步地,所述根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,包括的具体步骤如下:
根据待分类磨损的灰度稳定性和边缘稳定性以及第k参数对,计算待分类磨损的第k分类表征值,具体计算公式为:
其中,表示待分类磨损的第k分类表征值,表示待分类磨损的灰度稳定性,表示待分类磨损的边缘稳定性,表示第k参数对中的灰度参数,表示第k参数对中的边缘参数;
根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的第一分类表征值、第二分类表征值、第三分类表征值和第四分类表征值。
进一步地,所述根据待分类磨损的四个分类表征值确定待分类磨损所属的磨损种类,包括的具体步骤如下:
获取待分类磨损的四个分类表征值中的最大值,如果最大值为第一分类表征值,则待分类磨损所属的磨损种类为前刃面月牙洼磨损;如果最大值为第二分类表征值,则待分类磨损所属的磨损种类为刃面梯形磨损;如果最大值为第三分类表征值,则待分类磨损所属的磨损种类为刃面磨损;如果最大值为第四分类表征值,则待分类磨损所属的磨损种类为崩刃磨损。
本发明的技术方案的有益效果是:本发明结合不同磨损种类的形成原因,根据不同磨损种类对应的磨损区域的内部灰度特征和边缘的形状规则程度,计算磨损区域的内部灰度特征值和边缘稳定特征值;结合不同磨损种类对应的磨损区域的灰度稳定特征和边缘稳定特征,计算待分类磨损的灰度稳定性和边缘稳定性;根据不同的磨损种类对应的内部灰度特征值序列和边缘稳定特征值序列的特征,设置四种参数对,根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,进而确定待分类磨损所属的磨损种类。通过视觉检测方法对立铣刀片表面的磨损种类进行有效的区分,对后续的刀具维护、刀具更换提供数据依据,进一步的提高生产效率以及生产质量,实现对数控加工行业的智能化升级。
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,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地介绍,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他的附图。
图1为本发明的一种拖拉机变速箱立铣刀片视觉检测方法的步骤流程图。
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拖拉机变速箱立铣刀片视觉检测方法,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拖拉机变速箱立铣刀片视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种拖拉机变速箱立铣刀片视觉检测方法的步骤流程图,该方法包括以下步骤:
S001.采集待检测立铣刀片的连续多帧表面图像,获得每个待分类磨损的磨损区域序列。
在立铣刀片进行工件加工的间隙,利用工业相机获取立铣刀片缓慢转动过程中一个周期的表面视频,截取表面视频的连续多帧表面图像,获取多个表面视频,截取每个表面视频的连续多帧表面图像;对连续多帧表面图像中的磨损区域进行人工标注,将人工标注后的多个连续多帧表面图像作为训练集,训练SORT多目标跟踪算法,实现对连续多帧表面图像中先后出现的磨损区域进行目标跟踪,SORT多目标跟踪算法为现有技术,此处不再做进一步说明。
对于待检测立铣刀片,在待检测立铣刀片进行工件加工的间隙,利用工业相机获取待检测立铣刀片缓慢转动过程中一个周期的表面视频,截取表面视频的连续多帧表面图像。
通过训练后的SORT多目标跟踪算法对待检测立铣刀片的连续多帧表面图像进行目标跟踪,获得的跟踪对象的实质是磨损区域,将跟踪对象记为待分类磨损;获得每个跟踪对象从第一次出现到最后一次出现在表面图像上对应的区域图像,将获得的所有区域图像按照时间顺序排列组成的序列记为待分类磨损(即跟踪对象)的磨损区域序列,将磨损区域序列中的每个区域图像记为磨损区域,获得每个待分类磨损(即跟踪对象)的磨损区域序列。
S002.获得磨损区域的边缘分割点,根据边缘分割点获取磨损区域的两个特征边缘段,计算磨损区域的内部灰度特征值,获得每个待分类磨损的内部灰度特征值序列,根据磨损区域的两个特征边缘段计算磨损区域的边缘稳定特征值,获得每个待分类磨损的边缘稳定特征值序列。
1.获得磨损区域的边缘分割点,根据边缘分割点获取磨损区域的两个特征边缘段。
需要说明的是,由于立铣刀片的磨损种类主要有四种,分别为前刃面月牙洼磨损、刀刃梯形磨损、后刃面磨损、崩刃磨损,且磨损区域一般为一个狭长的区域,不同的磨损种类对应的磨损区域的边缘特征不同,因此,需要获取磨损区域的特征边缘段。
利用Shi-Tomasi角点检测算法获取磨损区域的边缘上的两个角点,需要说明的是,为了获取磨损区域的边缘上的两个角点,需要将Shi-Tomasi角点检测算法中的最大角点数量参数设置为2,将检测区域参数设置为磨损区域,其他参数为默认值,Shi-Tomasi角点检测算法为现有技术,此处不再做进一步说明。
将磨损区域的边缘上的两个角点作为磨损区域的边缘分割点,根据两个边缘分割点将磨损区域的边缘划分为两个边缘段,记为磨损区域的两个特征边缘段,组成磨损区域的边缘的像素点记为边缘像素点,每个特征边缘段都是由磨损区域的多个边缘像素点组成的。
2.计算磨损区域的内部灰度特征值,获得每个待分类磨损的内部灰度特征值序列。
需要说明的是,不同的磨损种类对应的磨损区域的内部灰度特征不相同,具体为:前刃面月牙洼磨损是由材料碎屑对刀具前刃面发生摩擦导致的,因此会在刀具的前刃面形成深浅不一的凹坑,崩刃磨损本质上是刀刃处的崩碎,会导致刀刃内部金属结构不规则外露,因此,前刃面月牙洼磨损和崩刃磨损这两种磨损种类对应的磨损区域内的内部灰度特征为灰度分布不均匀,具体表现为磨损区域内各像素点的灰度值各不相同,相邻像素点的灰度值差异较大;后刃面磨损是刀具后刃面与已加工面发生摩擦导致的,已加工面较为光滑,因此后刃面磨损对应的磨损区域内也较为光滑,刀刃梯形磨损是刀刃切割材料时发生的自然磨损,因此刀刃梯形磨损对应的磨损区域内也较为光滑,因此,后刃面磨损与刀刃梯形磨损对应的磨损区域内的内部灰度特征为灰度分布均匀,具体表现为磨损区域内各像素点的灰度值趋于一致,相邻像素点的灰度值差异较小。因此,判断一个待分类磨损所属的磨损种类时,可以结合四种磨损种类的内部灰度特征,计算磨损区域的内部灰度特征值。
计算磨损区域的内部灰度特征值,具体方法为:对于磨损区域中的任意一个像素点,将该像素点与其八邻域内所有像素点的灰度值的差值的绝对值的平均值作为该像素点的邻域灰度差异,获得磨损区域中所有像素点的邻域灰度差异的平均值,将该平均值进行归一化后的结果作为磨损区域的内部灰度特征值。
将每个待分类磨损的磨损区域序列中所有磨损区域的内部灰度特征值组成的序列记为每个待分类磨损的内部灰度特征值序列。
3.根据磨损区域的两个特征边缘段计算磨损区域的边缘稳定特征值,获得每个待分类磨损的边缘稳定特征值序列。
需要说明的是,仅仅根据一个磨损区域的内部灰度特征值,不能完全准确地判断一个磨损区域所属的磨损种类,还需要根据磨损区域的边缘的形状规则程度和稳定特征进行进一步判断。不同的磨损种类对应的磨损区域的边缘稳定特征不相同,具体为:前刃面月牙洼磨损是由材料碎屑对刀具前刃面发生摩擦导致的,因此会在刀具的前刃面形成不规则的凹陷,具体表现为磨损区域的两个特征边缘段的相似程度较小,不规则的凹陷在不同的角度下呈现的边缘形状并不稳定,具体表现为在不同帧图像中该磨损区域的两个特征边缘段的相似程度不规则变化;由于后刃面磨损是由已加工面与立铣刀后刃摩擦形成的,因此后刃面磨损对应的磨损区域的形状呈现不规则,具体表现为磨损区域的两个特征边缘段的相似程度较小,且磨损区域的大小与工件表面与后刃面的接触面大小有关,磨损区域的不规则形状在不同的角度下呈现的边缘形状并不稳定,具体表现为在不同帧图像中该磨损区域的两个特征边缘段的相似程度不规则变化;而崩刃磨损和刀刃梯形磨损是刃尖处被磨掉或崩断形成,因此,崩刃磨损和刀刃梯形磨损对应的磨损区域的形状规则且稳定,具体表现为磨损区域的两个特征边缘段的相似程度较小,在不同帧图像中该磨损区域的两个特征边缘段的相似程度不规则变化。因此,判断一个磨损区域所属的磨损种类时,可以结合四种磨损种类的边缘形状规则程度和稳定特征,计算磨损区域的边缘稳定特征值。
计算磨损区域的边缘稳定特征值,具体方法为:对于磨损区域的任意一个特征边缘段,将组成该特征边缘段的所有边缘像素点的梯度方向按照顺序组成的序列记为该特征边缘段的梯度方向序列,根据动态时间规整算法(DTW)计算磨损区域的两个特征边缘段的梯度方向序列的相似性,将相似性进行归一化后的结果作为磨损区域的边缘稳定特征值,动态时间规整算法(DTW)为现有技术,此处不再做进一步说明。
将每个待分类磨损的磨损区域序列中所有磨损区域的边缘稳定特征值组成的序列记为每个待分类磨损的边缘稳定特征值序列。
S003.计算待分类磨损的灰度稳定性和边缘稳定性,设置四种参数对,根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,根据待分类磨损的四个分类表征值确定待分类磨损所属的磨损种类。
需要说明的是,根据不同的磨损种类对应的磨损区域的内部灰度特征、形状规则程度和稳定特征,获得不同的磨损种类对应的内部灰度特征值序列和边缘稳定特征值序列的特征,具体为:如果待分类磨损属于前刃面月牙洼磨损,则待分类磨损的内部灰度特征值序列中内部灰度特征值的差异越大,即内部灰度特征值序列越不稳定,待分类磨损的边缘稳定特征值序列中边缘稳定特征值的差异越大,即边缘稳定特征值序列越不稳定;如果待分类磨损属于刃面梯形磨损,则待分类磨损的内部灰度特征值序列中内部灰度特征值的差异越小,即内部灰度特征值序列越稳定,待分类磨损的边缘稳定特征值序列中边缘稳定特征值的差异越小,即边缘稳定特征值序列越稳定;如果待分类磨损属于后刃面磨损,则待分类磨损的内部灰度特征值序列中内部灰度特征值的差异越小,即内部灰度特征值序列越稳定,待分类磨损的边缘稳定特征值序列中边缘稳定特征值的差异越大,即边缘稳定特征值序列越不稳定;如果待分类磨损属于崩刃磨损,则待分类磨损的内部灰度特征值序列中内部灰度特征值的差异越大,即内部灰度特征值序列越不稳定,待分类磨损的边缘稳定特征值序列中边缘稳定特征值的差异越小,即边缘稳定特征值序列越稳定。因此,判断一个待分类磨损所属的磨损种类时,结合待分类磨损的内部灰度特征值序列和边缘稳定特征值序列,根据四种参数对,获得四个分类表征值,进而确定待分类磨损所属的磨损种类。
1、计算待分类磨损的灰度稳定性和边缘稳定性。
根据待分类磨损的内部灰度特征值序列获得待分类磨损的灰度稳定性,具体方法为:计算待分类磨损的内部灰度特征值序列的方差,将方差进行归一化后的结果作为待分类磨损的灰度稳定性。
根据待分类磨损的边缘稳定特征值序列获得待分类磨损的边缘稳定性,具体方法为:计算待分类磨损的边缘稳定特征值序列的方差,将方差进行归一化后的结果作为待分类磨损的边缘稳定性。
2、设置四种参数对。
根据不同的磨损种类对应的内部灰度特征值序列和边缘稳定特征值序列的特征,设置四种参数对,每种参数对包含一个灰度参数和一个边缘参数,四种参数对分别为第一参数对(1,1)、第二参数对(0,0)、第三参数对(0,1)和第四参数对(1,0),每种参数对中的第一个参数为灰度参数,第二个参数为边缘参数。
需要说明的是,第一参数对是根据前刃面月牙洼磨损对应的待分类磨损的内部灰度特征值序列和边缘稳定特征值序列的稳定性特征设置的,第二参数对是根据刃面梯形磨损对应的待分类磨损的内部灰度特征值序列和边缘稳定特征值序列的稳定性特征设置的,第三参数对是根据后刃面磨损对应的待分类磨损的内部灰度特征值序列和边缘稳定特征值序列的稳定性特征设置的,第四参数对是根据崩刃磨损对应的待分类磨损的内部灰度特征值序列和边缘稳定特征值序列的稳定性特征设置的。
3、根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值。
根据待分类磨损的灰度稳定性和边缘稳定性计算待分类磨损的分类表征值,具体计算公式为:
其中,表示待分类磨损的第k分类表征值,表示待分类磨损的灰度稳定性,表示待分类磨损的边缘稳定性,表示第k参数对中的灰度参数,表示第k参数对中的边缘参数。
根据公式计算待分类磨损的第一分类表征值、第二分类表征值、第三分类表征值和第四分类表征值。
需要说明的是,由于第一参数对是针对前刃面月牙洼磨损设置的,因此第一分类表征值越大,待分类磨损所属的磨损种类为前刃面月牙洼磨损的可能性越大;由于第二参数对是针对刃面梯形磨损设置的,因此第二分类表征值越大,待分类磨损所属的磨损种类为刃面梯形磨损的可能性越大;由于第三参数对是针对刃面磨损设置的,因此第三分类表征值越大,待分类磨损所属的磨损种类为刃面磨损的可能性越大;由于第四参数对是针对崩刃磨损设置的,因此第四分类表征值越大,待分类磨损所属的磨损种类为崩刃磨损的可能性越大。
4、根据待分类磨损的四个分类表征值确定待分类磨损所属的磨损种类。
获取待分类磨损的四个分类表征值中的最大值,如果最大值为第一分类表征值,则待分类磨损所属的磨损种类为前刃面月牙洼磨损;如果最大值为第二分类表征值,则待分类磨损所属的磨损种类为刃面梯形磨损;如果最大值为第三分类表征值,则待分类磨损所属的磨损种类为刃面磨损;如果最大值为第四分类表征值,则待分类磨损所属的磨损种类为崩刃磨损。
本发明结合不同磨损种类的形成原因,根据不同磨损种类对应的磨损区域的内部灰度特征和边缘的形状规则程度,计算磨损区域的内部灰度特征值和边缘稳定特征值;结合不同磨损种类对应的磨损区域的灰度稳定特征和边缘稳定特征,计算待分类磨损的灰度稳定性和边缘稳定性;根据不同的磨损种类对应的内部灰度特征值序列和边缘稳定特征值序列的特征,设置四种参数对,根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,进而确定待分类磨损所属的磨损种类。通过视觉检测方法对立铣刀片表面的磨损种类进行有效的区分,对后续的刀具维护、刀具更换提供数据依据,进一步的提高生产效率以及生产质量,实现对数控加工行业的智能化升级。
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。
Claims (2)
1.一种拖拉机变速箱立铣刀片视觉检测方法,其特征在于,该方法包括以下步骤:
采集待检测立铣刀片的连续多帧表面图像,获得表面图像中每个待分类磨损的磨损区域序列,所述磨损区域序列由多个磨损区域组成;
利用角点检测算法获取磨损区域的边缘上的两个边缘分割点,根据两个边缘分割点将磨损区域的边缘划分为两个边缘段,记为磨损区域的两个特征边缘段;
计算磨损区域的内部灰度特征值,将每个待分类磨损的磨损区域序列中所有磨损区域的内部灰度特征值组成的序列记为每个待分类磨损的内部灰度特征值序列;
根据磨损区域的两个特征边缘段计算磨损区域的边缘稳定特征值,将每个待分类磨损的磨损区域序列中所有磨损区域的边缘稳定特征值组成的序列记为每个待分类磨损的边缘稳定特征值序列;
计算待分类磨损的内部灰度特征值序列的方差,将方差进行归一化后的结果作为待分类磨损的灰度稳定性;计算待分类磨损的边缘稳定特征值序列的方差,将方差进行归一化后的结果作为待分类磨损的边缘稳定性;
设置四种参数对,根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,根据待分类磨损的四个分类表征值确定待分类磨损所属的磨损种类;
所述计算磨损区域的内部灰度特征值,包括的具体步骤如下:
对于磨损区域中的任意一个像素点,将该像素点与其八邻域内所有像素点的灰度值的差值的绝对值的平均值作为该像素点的邻域灰度差异,获得磨损区域中所有像素点的邻域灰度差异的平均值,将该平均值进行归一化后的结果作为磨损区域的内部灰度特征值;
所述根据磨损区域的两个特征边缘段计算磨损区域的边缘稳定特征值,包括的具体步骤如下:
对于磨损区域的任意一个特征边缘段,将组成该特征边缘段的所有边缘像素点的梯度方向按照顺序组成的序列记为该特征边缘段的梯度方向序列,根据动态时间规整算法计算磨损区域的两个特征边缘段的梯度方向序列的相似性,将相似性进行归一化后的结果作为磨损区域的边缘稳定特征值;
所述设置四种参数对,包括的具体步骤如下:
设置四种参数对,每种参数对包含一个灰度参数和一个边缘参数,四种参数对分别为第一参数对(1,1)、第二参数对(0,0)、第三参数对(0,1)和第四参数对(1,0),每种参数对中的第一个参数为灰度参数,第二个参数为边缘参数;
所述根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的四个分类表征值,包括的具体步骤如下:
根据待分类磨损的灰度稳定性和边缘稳定性以及第k参数对,计算待分类磨损的第k分类表征值,具体计算公式为:
其中,表示待分类磨损的第k分类表征值,表示待分类磨损的灰度稳定性,表示待分类磨损的边缘稳定性,表示第k参数对中的灰度参数,表示第k参数对中的边缘参数;
根据待分类磨损的灰度稳定性和边缘稳定性以及四种参数对计算待分类磨损的第一分类表征值、第二分类表征值、第三分类表征值和第四分类表征值;
所述根据待分类磨损的四个分类表征值确定待分类磨损所属的磨损种类,包括的具体步骤如下:
获取待分类磨损的四个分类表征值中的最大值,如果最大值为第一分类表征值,则待分类磨损所属的磨损种类为前刃面月牙洼磨损;如果最大值为第二分类表征值,则待分类磨损所属的磨损种类为刃面梯形磨损;如果最大值为第三分类表征值,则待分类磨损所属的磨损种类为刃面磨损;如果最大值为第四分类表征值,则待分类磨损所属的磨损种类为崩刃磨损。
2.根据权利要求1所述的一种拖拉机变速箱立铣刀片视觉检测方法,其特征在于,所述获得表面图像中每个待分类磨损的磨损区域序列,包括的具体步骤如下:
通过训练后的SORT多目标跟踪算法对待检测立铣刀片的连续多帧表面图像进行目标跟踪,将获得的跟踪对象记为待分类磨损;获得每个跟踪对象从第一次出现到最后一次出现在表面图像上对应的区域图像,将获得的所有区域图像按照时间顺序排列组成的序列记为待分类磨损的磨损区域序列,将磨损区域序列中的每个区域图像记为磨损区域,获得每个待分类磨损的磨损区域序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138910.5A CN115937755B (zh) | 2023-02-21 | 2023-02-21 | 一种拖拉机变速箱立铣刀片视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138910.5A CN115937755B (zh) | 2023-02-21 | 2023-02-21 | 一种拖拉机变速箱立铣刀片视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937755A CN115937755A (zh) | 2023-04-07 |
CN115937755B true CN115937755B (zh) | 2023-05-12 |
Family
ID=85827243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310138910.5A Active CN115937755B (zh) | 2023-02-21 | 2023-02-21 | 一种拖拉机变速箱立铣刀片视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937755B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6933154B2 (en) * | 2002-07-09 | 2005-08-23 | Medispectra, Inc. | Optimal windows for obtaining optical data for characterization of tissue samples |
CN107398778A (zh) * | 2017-07-31 | 2017-11-28 | 詹白勺 | 高速铣削刀具磨损视觉在位监测系统和方法 |
CN108305259B (zh) * | 2018-02-06 | 2020-03-24 | 西安交通大学 | 一种多纹理特征融合的磨粒类型自动识别方法 |
CN109269474B (zh) * | 2018-08-29 | 2021-03-30 | 广西大学 | 一种列车车载受电弓运行状态在线图像检测装置及方法 |
CN110009653A (zh) * | 2019-03-12 | 2019-07-12 | 江苏理工学院 | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 |
CN111230593B (zh) * | 2020-03-02 | 2021-09-14 | 西南交通大学 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
CN111881860B (zh) * | 2020-07-31 | 2022-05-03 | 重庆理工大学 | 滚刀磨损在位识别模型建模方法及滚刀磨损在位识别方法 |
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 |
CN115431101A (zh) * | 2022-10-18 | 2022-12-06 | 南通钜德智能科技有限公司 | 一种数控机床状态检测方法及系统 |
CN115526890B (zh) * | 2022-11-25 | 2023-03-24 | 深圳市腾泰博科技有限公司 | 一种电唱机唱头故障因素识别方法 |
-
2023
- 2023-02-21 CN CN202310138910.5A patent/CN115937755B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115937755A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111230593B (zh) | 一种基于动态图像序列的铣刀磨损量视觉测量方法 | |
Fernández-Robles et al. | Machine-vision-based identification of broken inserts in edge profile milling heads | |
CN115937755B (zh) | 一种拖拉机变速箱立铣刀片视觉检测方法 | |
Kerr et al. | Assessment and visualisation of machine tool wear using computer vision | |
CN111539935A (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
CN103824304A (zh) | 传送带上矿石传送过程中故障诊断方法 | |
CN116823826A (zh) | 一种数控机床刀具崩刃异常检测方法 | |
Bommi | Surface Roughness Prediction in Turning of Monel K 500 using DWT Technique | |
CN115431101A (zh) | 一种数控机床状态检测方法及系统 | |
CN115861313B (zh) | 一种用于磨头的磨损检测方法 | |
CN107220946B (zh) | 一种岩石运输带上不良块度图像的实时剔除方法 | |
CN115131356B (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN115255048A (zh) | 一种折弯机智能控制方法及系统 | |
CN117745724A (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
CN115272376A (zh) | 基于机器视觉的浮动打磨头控制方法 | |
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 | |
CN117124139B (zh) | 一种智能机床刀具磨损视觉检测方法 | |
CN113298775B (zh) | 自吸泵双面金属叶轮外观缺陷检测方法、系统和介质 | |
Chen et al. | Design of burr detection based on image processing | |
Wan et al. | A U-net-based intelligent approach for belt morphology quantification and wear monitoring | |
CN115249301B (zh) | 一种用于提取工件表面研磨褶皱的方法 | |
Kannan et al. | Grinding wheel redress life estimation using force and surface texture analysis | |
CN111141753A (zh) | 基于机器视觉的陶瓷瓦表面裂纹检测方法 | |
Arunachalam et al. | Assessment of grinding wheel conditioning process using machine vision |
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 |