CN117124139A - 一种智能机床刀具磨损视觉检测方法 - Google Patents

Abstract

本发明涉及切削刀具状态的检测技术领域，具体涉及一种智能机床刀具磨损视觉检测方法，包括：获取待检测刀具的刀面灰度图像，基于刀面灰度图像，对刀刃磨损特征和刀面磨损特征进行分析，确定刀具刀刃磨损系数和刀具刀面磨损系数，进而确定待检测刀具的磨损程度；根据待检测刀具的磨损程度判断待检测刀具是否需要进行检修。本发明通过分析更完整刀具的磨损特征，改善了刀具磨损的评估效果，提高了刀具磨损视觉检测结果准确性，为后续机床维护提供了便利，主要应用于刀具磨损检测领域。

Description

一种智能机床刀具磨损视觉检测方法

技术领域

本发明涉及切削刀具状态的检测技术领域，具体涉及一种智能机床刀具磨损视觉检测方法。

背景技术

在机床中，刀具是不可缺少的元件之一。陶瓷刀具由于高硬度、耐高温、稳定性高以及摩擦系数低等特点，被广泛应用于切削和硬材料加工的领域。随着智能机床的使用，智能机床上的刀具会随着使用时长的增加产生磨损，刀具的磨损将直接影响到机床在零件加工时的质量和效率。因此，准确地检测出智能机床中陶瓷刀具的磨损程度，对保障产品加工质量、保证加工效率以及延长刀具寿命有着至关重要的意义。

现有的磨损视觉检测方法，包括：获取刀具图像，对图像进行灰度化处理获得灰度图像，对灰度图像进行边缘检测，获得各个边缘闭合区域；根据历史磨损区域的灰度值，从各个边缘闭合区域中筛选出磨损区域，量化刀具磨损区域在整体区域中的占比，以检测刀具的磨损程度，实现对刀具磨损的检测。该方法在进行边缘检测时受光照和背景的影响较大，泛化能力较弱，导致检测准确性较低，容易出现磨损边缘多检或漏检的情况，造成选取磨损区域与实际磨损区域存在偏差；并且，陶瓷刀具表面的单个磨损区域较小，磨损情况包括不同类型、多方向的磨损，较为复杂，例如：刀刃前沿的磨损、切屑的产生、颗粒的冲击以及产生的高温和化学反应导致的磨损等，仅分析磨损区域计算的磨损程度的精准性较差，进而导致刀具磨损视觉检测结果准确性低下。

发明内容

为了解决上述刀具磨损视觉检测结果准确性低下的技术问题，本发明的目的在于提供一种智能机床刀具磨损视觉检测方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种智能机床刀具磨损视觉检测方法，该方法包括以下步骤：

获取待检测刀具的刀面灰度图像；所述刀面灰度图像包括前刀面灰度图像和后刀面灰度图像；

根据刀面灰度图像中各个边缘线上的各边缘像素点对应的预设尺寸窗口内每个像素点的灰度值，确定各个边缘线对应的两侧区分度；根据各个边缘线对应的两侧区分度确定刀刃边缘线；

确定刀刃边缘线对应的拟合直线和各个角点；根据刀刃边缘线对应的拟合直线的决定系数和所有角点个数，获得刀具刀刃磨损系数；

获取各个初始磨损区域的边缘多边形，根据各个边缘多边形的边数筛选出各个初始磨损区域中的所有磨损区域；所述初始磨损区域为刀面灰度图像中灰度值小于最佳分割阈值的像素点组成的区域；

根据待检测线段集合中每个待检测线段的灰度值均值、每个待检测线段与水平方向的夹角以及所有磨损区域个数，确定刀具刀面磨损系数；所述待检测线段集合为使用线集检测对刀面灰度图像进行处理获得的线段集合；

根据刀具刀刃磨损系数和刀具刀面磨损系数确定待检测刀具的磨损程度；根据待检测刀具的磨损程度判断待检测刀具是否需要进行检修。

进一步地，所述根据刀面灰度图像中各个边缘线上的各边缘像素点对应的预设尺寸窗口内每个像素点的灰度值，确定各个边缘线对应的两侧区分度，包括：

将刀面灰度图像中任一边缘线上的任一边缘像素点确定为待分析边缘像素点，构建待分析边缘像素点对应的预设尺寸窗口；待分析边缘像素点所属边缘线将预设尺寸窗口划分为第一窗口区域和第二窗口区域；根据第一窗口区域和第二窗口区域内每个像素点的灰度值，对第一窗口区域和第二窗口区域分别进行Tamura纹理特征分析，获得待分析边缘像素点的第一窗口区域和第二窗口区域的对比度、粗糙度和主导方向；根据待分析边缘像素点的第一窗口区域和第二窗口区域的对比度、粗糙度和主导方向，确定待分析边缘像素点对应的窗口两侧区分度；将边缘线上的各边缘像素点对应的窗口两侧区分度的平均值作为边缘线对应的两侧区分度。

进一步地，所述待分析边缘像素点对应的窗口两侧区分度的计算公式为：

式中，为待分析边缘像素点对应的窗口两侧区分度，为以自然常数为底的 指数函数，为两个对比度中较大的对比度，为两个对比度中较小的对比度，为两个粗糙度中较大的粗糙度，为两个粗糙度中较小的粗糙度，为两个主导 方向中较大的主要方向，为两个主导方向中较小的主导方向，为取绝对值函数；

其中，所述两个对比度为待分析边缘像素点的第一窗口区域的对比度和第二窗口区域的对比度，所述两个粗糙度为待分析边缘像素点的第一窗口区域的粗糙度和第二窗口区域的粗糙度，所述两个主导方向为待分析边缘像素点的第一窗口区域的主导方向和第二窗口区域的主导方向。

进一步地，所述根据各个边缘线对应的两侧区分度确定刀刃边缘线，包括：

根据各个边缘线对应的两侧区分度，选取出两侧区分度最大的各个初始刀刃边缘线；统计各个初始刀刃边缘线的拟合直线上边缘像素点个数和拟合直线与水平方向的夹角；将除各个初始刀刃边缘线以外的边缘线确定为选定边缘线，确定各个选定边缘线上边缘像素点个数和与水平方向的夹角；

对于各个初始刀刃边缘线，计算初始刀刃边缘线的拟合直线上边缘像素点个数与各个选定边缘线上边缘像素点个数的差值绝对值，获得各个边缘像素差异指数；计算初始刀刃边缘线的拟合直线与水平方向的夹角，和各个选定边缘线与水平方向的夹角之间的差值绝对值，获得各个夹角差异指数；

若某个初始刀刃边缘线满足预设的长度和角度要求，则判定对应的初始刀刃边缘线为刀刃边缘线；所述预设的长度和角度要求是指初始刀刃边缘线对应的边缘像素差异指数小于长度阈值、夹角差异指数小于度数阈值且边缘像素差异指数和夹角差异指数属于同一选定边缘线。

进一步地，所述根据刀刃边缘线对应的拟合直线的决定系数和所有角点个数，获得刀具刀刃磨损系数，包括：

将拟合直线的决定系数与预设调参因子的和值作为第一比值的分母，将所有角点个数作为第一比值的分子；对第一比值进行归一化处理，将归一化处理后的第一比值确定为刀具刀刃磨损系数；其中，所述预设调参因子为正数。

进一步地，所述初始磨损区域的边缘多边形的获取步骤包括：利用ramer多边形逼近算法对初始磨损区域的边缘进行逼近，获得边缘多边形。

进一步地，所述根据各个边缘多边形的边数筛选出各个初始磨损区域中的所有磨损区域，包括：

统计各个边缘多边形的边数，将边数大于预设边数的边缘多边形对应的初始磨损区域确定为磨损区域。

进一步地，所述刀具刀面磨损系数的计算公式为：

式中，为刀具刀面磨损系数，为反正切函数，为所有磨损区域个数，为待检测线段集合中所有待检测线段个数，为待检测线段集合中待检测线段的序号，为待检测线段集合中第个待检测线段的灰度均值，为待检测线段集合中第 个待检测线段的灰度均值，为待检测线段集合中每个待检测线段与水平方向的夹角的 方差，为取绝对值函数。

进一步地，所述根据刀具刀刃磨损系数和刀具刀面磨损系数确定待检测刀具的磨损程度，包括：

将刀具刀刃磨损系数和刀具刀面磨损系数的乘积确定为刀面灰度图像对应的初始磨损程度；获取前刀面灰度图像对应的初始磨损程度和后刀面灰度图像对应的初始磨损程度，将两个初始磨损程度的平均值确定为待检测刀具的磨损程度。

进一步地，所述根据待检测刀具的磨损程度判断待检测刀具是否需要进行检修，包括：

比较待检测刀具的磨损程度与预设磨损阈值，当待检测刀具的磨损程度大于预设磨损阈值时，判定待检测刀具需要进行检修；当待检测刀具的磨损程度不大于预设磨损阈值时，判定待检测刀具不需要进行检修。

本发明具有如下有益效果：

本发明提供了一种智能机床刀具磨损视觉检测方法，该视觉检测方法基于待检测刀具的刀面灰度图像，结合刀具的刀刃磨损特征和刀面磨损特征，获得可以衡量待检测刀具磨损状态的磨损程度，利用待检测刀具的磨损程度实现机床刀具磨损视觉检测，其可以全面综合地量化刀具的磨损情况，提高了计算的磨损程度的评估精准性，进一步提升了机床刀具磨损视觉检测结果的准确性，主要应用于刀具磨损检测领域。获取刀具灰度图像时，分别获取前刀面灰度图像和后刀面灰度图像，其有利于后续对刀具的正反两面区域进行磨损分析，一定程度上提高了刀具磨损程度评估的参考价值；基于刀具刀刃在刀面灰度图像中的特征，计算刀面灰度图像中各个边缘线对应的两侧区分度，通过两侧区分度筛选出刀刃边缘线，有利于后续确定待检测刀具的刀刃磨损情况评估，即刀具刀刃磨损系数；在计算刀具刀刃磨损系数时，基于刀具刀刃磨损的特征，从两个不同的角度量化刀刃磨损程度，可以有效提高刀具刀刃磨损系数的可靠性，避免了仅从一个角度分析导致对待检测刀具刀刃的评估出现偏差；从刀面灰度图像中选取磨损区域，在计算刀具刀面磨损系数时，不仅顾虑到了刀面磨损时划痕的特征，还结合了磨损区域的分布特征，其有助于提高刀具刀面磨损评估的精准度；基于刀具刀刃磨损系数和刀具刀面磨损系数确定待检测刀具的磨损程度，进而判断待检测刀具是否需要进行检修，有利于及时分析待检测刀具的磨损状态，为智能机床后续的维护提供了便利。

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为本发明一种智能机床刀具磨损视觉检测方法的流程图。

图2为本发明实施例中的待分析边缘像素点对应的窗口的示意图。

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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。

本发明针对的应用场景：为了保障智能机床所加工产品的质量、保证加工效率以及延长机床中陶瓷刀具的使用寿命，需要对智能机床中可以实现高速切削的陶瓷刀具进行刀具磨损检测。具体，本实施例提供了一种智能机床刀具磨损视觉检测方法，如图1所示，包括以下步骤。

S1，获取待检测刀具的刀面灰度图像。

第一步，获取待检测刀具表面的前刀面图像和后刀面图像。

在本实施例中，待检测刀具可以为陶瓷刀具，陶瓷刀具在对零件产品进行切削加工的过程中，始终存在两个摩擦副，即为前刀面和切屑间的摩擦副、后刀面与工件间的摩擦副。因此，为了检测陶瓷刀具表面的磨损情况，需要利用CCD（Charge coupled Device，电荷耦合元件）相机，可以采集待检测刀具表面的RGB（RedGreenBlue，三原色）空间的刀面图像，刀面图像包括前刀面图像和后刀面图像。其中，拍摄的刀面图像中不仅包括刀具刀面区域，还包括背景区域，背景区域是指刀面灰度图像中除去刀面区域以外的其他区域。

第二步，对前刀面图像和后刀面图像进行图像预处理，获得前刀面灰度图像和后刀面灰度图像。

在本实施例中，对图像进行预处理来消除图像噪声和提升图像质量。首先，为了保留刀面图像中刀具边缘信息和细节信息，便于后续更好的分析刀具表面的磨损情况，选用双边滤波对前刀面图像和后刀面图像进行去噪处理。当然，实施者也可以选择其他去噪方式，双边滤波去噪的实现过程为现有技术，此处不再进行详细阐述。然后，为了便于后续对刀面图像中图像特征进行分析，对去噪处理后的前刀面图像和后刀面图像进行灰度化处理，可以获得前刀面灰度图像和后刀面灰度图像。灰度化处理的实现方法包括但不限于：加权平均值法、平均值法、最大值法以及最小值法等，灰度化处理的实现过程为现有技术，此处不再进行详细阐述。其中，将前刀面灰度图像记为图像BF，将后刀面灰度图像记为图像LF。

需要说明的是，图像BF和图像LF在后续所实现的步骤一致，为了便于描述，在后续的磨损检测实现过程中将图像BF和图像LF统称为刀面灰度图像。

S2，根据刀面灰度图像中各个边缘线上的各边缘像素点对应的预设尺寸窗口内每个像素点的灰度值，确定各个边缘线对应的两侧区分度；根据各个边缘线对应的两侧区分度确定刀刃边缘线。

需要说明的是，陶瓷刀具通常被用于高速切削场合，切削温度高达一千摄氏度左右，因此陶瓷刀具表面的磨损通常为高速磨损。针对陶瓷刀具的表面的高速磨损特征进行分析：高速磨损是由机械磨损和化学磨损综合作用的结果，机械磨损为物理摩擦和冲击力导致的磨损，机械磨损主要表现为陶瓷刀具刀刃前沿的磨损、切屑的产生和颗粒的冲击；化学磨损是在切削过程中产生的高温和化学反应导致的磨损，化学磨损主要表现为陶瓷刀具表面发生氧化导致刀面表层发生剥落的特征。因此，在分析陶瓷刀具的高速磨损特征时，需要同时对刀具刀刃和刀具刀面的磨损进行分析。可以先对陶瓷刀具的刀刃磨损情况进行分析，基于刀面灰度图像的边缘特征，提取出刀刃边缘线，具体实现步骤可以包括。

第一步，根据刀面灰度图像中各个边缘线上的各边缘像素点对应的预设尺寸窗口内每个像素点的灰度值，确定各个边缘线对应的两侧区分度。

第一子步骤，构建刀面灰度图像中各个边缘线上的各边缘像素点对应的预设尺寸窗口。

在本实施例中，首先，使用Canny边缘算子检测刀面灰度图像中各个边缘线，Canny边缘算子的实现过程为现有技术，此处不再进行详细阐述；其次，以各个边缘线上的各个边缘像素点为中心，构建各边缘像素点对应的预设尺寸窗口，窗口的预设尺寸可以取经验值为5，实施者可以根据具体实际情况设置窗口的预设尺寸，不做具体限定。

值得说明的是，对于边缘上端点区域的边缘像素点，若边缘像素点周围的像素点个数不足构建预设尺寸的窗口，则舍弃对应的边缘像素点，其不会对最终的计算结果造成影响。

第二子步骤，根据各边缘像素点对应的预设尺寸窗口内每个像素点的灰度值，确定各边缘像素点对应的第一窗口区域和第二窗口区域对应的对比度、粗糙度和主导方向。

将刀面灰度图像中任一边缘线上的任一边缘像素点确定为待分析边缘像素点，构建待分析边缘像素点对应的预设尺寸窗口；待分析边缘像素点所属边缘线将预设尺寸窗口划分为第一窗口区域和第二窗口区域；根据第一窗口区域和第二窗口区域内每个像素点的灰度值，对第一窗口区域和第二窗口区域分别进行Tamura纹理特征分析，获得待分析边缘像素点的第一窗口区域和第二窗口区域对应的对比度、粗糙度和主导方向。

在本实施例中，对待分析边缘像素点对应的预设尺寸窗口中属于边缘线上的像素 点进行标记，由于预设尺寸窗口是以边缘线上的边缘像素点为中心构建的窗口，待分析边 缘像素点所属边缘线可以将其对应的预设尺寸窗口划分为两个区域。其中，可以将两个区 域的其中一个区域作为第一窗口区域，另外一个区域作为第二窗口区域，窗口中心处的边 缘像素点即为待分析边缘像素点。待分析边缘像素点对应的窗口的示意图如图2所 示，在图2中，将左斜线填充的区域标记为第二窗口区域，将点填充的区域标记为第二窗口 区域，将横线填充的区域标记为边缘线。

Tamura纹理特征分析主要包括：对比度、粗糙度和方向性三个方面，对比度、粗糙度和方向性中主导方向性的确定过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。第一窗口区域和第二窗口区域分别有其对应的对比度、粗糙度和主导方向，也就是第一窗口区域对应3个纹理特征，第二窗口区域对应3个纹理特征。

第三子步骤，根据待分析边缘像素点的第一窗口区域和第二窗口区域对应的对比度、粗糙度和主导方向，确定待分析边缘像素点对应的窗口两侧区分度。

需要说明的是，若待分析边缘像素点所属边缘线为刀刃边缘线，则两个窗口区域分别为刀具灰度图像中的前景区域和背景区域，前景区域为刀具刀面区域，背景区域为刀面区域以外的其他区域；若待分析边缘像素点所属边缘线为磨损划痕线，则两个窗口区域均为刀具刀面区域。

在本实施例中，窗口两侧区分度可以表征待分析边缘像素点的第一窗口区域和第二窗口区域之间的纹理差异程度，待分析边缘像素点两侧区分度越大，说明两个窗口区域的纹理差异越大，两个窗口区域越不可能是同一类型区域，待分析边缘像素点所属边缘线越有可能是陶瓷刀具的刀刃边缘线。

作为示例，窗口两侧区分度的计算公式可以为：

式中，为待分析边缘像素点对应的窗口两侧区分度，为以自然常数为底的 指数函数，为两个对比度中较大的对比度，为两个对比度中较小的对比度，为两个粗糙度中较大的粗糙度，为两个粗糙度中较小的粗糙度，为两个主导 方向中较大的主要方向，为两个主导方向中较小的主导方向，为取绝对值函数；

其中，两个对比度为待分析边缘像素点的第一窗口区域对应的对比度和第二窗口区域对应的对比度，两个粗糙度为待分析边缘像素点的第一窗口区域对应的粗糙度和第二窗口区域对应的粗糙度，两个主导方向为待分析边缘像素点的第一窗口区域对应的主导方向和第二窗口区域对应的主导方向。

在待分析边缘像素点两侧区分度的计算公式中，若第一窗口区域和第二窗口区域 为同一类型的区域，则说明两个窗口区域的纹理较为接近，两个窗口区域进行Tamura纹理 特征分析时获得的对比度、粗糙度以及主导方向较为接近，即、和均较为接近1， 待分析边缘像素点两侧区分度较为接近0；若第一窗口区域和第二窗口区域不为同一 类型的区域，则说明两个窗口区域的纹理相差较大，两个窗口区域进行Tamura纹理特征分 析时获得的对比度、粗糙度以及主导方向的相似度较小，由于将纹理特征值中较大的值放 在分子中，故纹理特征值相似度较小时，、和均偏离且大于1，待分析边缘像素点 两侧区分度较大。

第四子步骤，将边缘线上的各边缘像素点对应的窗口两侧区分度的平均值作为边缘线对应的两侧区分度。

在本实施例中，参考上述待分析边缘像素点对应的窗口两侧区域度的计算过程，以此类推，可以获得边缘线上所有边缘像素点对应的窗口两侧区域度，以便于后续获得刀面灰度图像中各个边缘线对应的两侧区分度。

第二步，根据各个边缘线对应的两侧区分度确定刀刃边缘线。

需要说明的是，两侧区分度越大，对应的边缘线为刀刃边缘线的可能性越大，但是刀面灰度图像中可能存在3个两侧区分度相等且最大的边缘线，该三个边缘线均为刀具区域与背景区域的分界线，其包含刀刃边缘线。但是，刀具刀刃区域为存在一定宽度和斜度的区域，所以在刀面灰度图像中存在与刀刃边缘线长度相似且与水平方向夹角相似的边缘线，由于整个刀面灰度图像中仅存在一条刀刃边缘线，故可以将最满足条件长度和角度的初始刀刃边缘线确定为刀刃边缘线。具体实现步骤可以包括。

第一子步骤，根据各个边缘线对应的两侧区分度，选取出两侧区分度最大的各个初始刀刃边缘线；统计各个初始刀刃边缘线的拟合直线上边缘像素点个数和拟合直线与水平方向的夹角；将除各个初始刀刃边缘线以外的边缘线确定为选定边缘线，确定各个选定边缘线上边缘像素点个数和与水平方向的夹角。

在本实施例中，两侧区分度最大的各个初始刀刃边缘线是指存在多个两侧区分度最大的刀刃边缘线，为了从多个初始刀刃边缘线中选出刀刃边缘线，需要结合刀刃区域的特征，确定初始刀刃边缘线的拟合直线上边缘像素点个数和拟合直线与水平方向的夹角、各个选定边缘线上边缘像素点个数和与水平方向的夹角。

第二子步骤，对于各个初始刀刃边缘线，计算初始刀刃边缘线的拟合直线上边缘像素点个数与各个选定边缘线上边缘像素点个数的差值绝对值，获得各个边缘像素差异指数；计算初始刀刃边缘线的拟合直线与水平方向的夹角，和各个选定边缘线与水平方向的夹角之间的差值绝对值，获得各个夹角差异指数。

在本实施例中，每个初始刀刃边缘线均有其对应的多个边缘像素差异指数和多个夹角差异指数，边缘像素差异指数、夹角差异指数的个数与选定边缘线的个数一致。

第三子步骤，若某个初始刀刃边缘线满足预设的长度和角度要求，则判定对应的初始刀刃边缘线为刀刃边缘线。预设的长度和角度要求是指初始刀刃边缘线对应的边缘像素差异指数小于长度阈值、夹角差异指数小于度数阈值且边缘像素差异指数和夹角差异指数属于同一选定边缘线。

在本实施例中，长度阈值可以取经验值为5，即5个像素点，角度阈值可以取经验值为3.16，即3.16度，实施者可以根据具体实际情况设置长度阈值和角度阈值。通常情况下，多个初始刀刃边缘线仅有一个初始刀刃边缘线满足长度和角度要求，若存在特殊情况，满足长度和角度要求的初始刀刃边缘线个数大于1，则将最满足条件的初始刀刃边缘线确定为刀刃边缘线，也就是将边缘像素差异指数和夹角差异指数较小的初始刀刃边缘线作为刀刃边缘线。

S3，确定刀刃边缘线对应的拟合直线和各个角点；根据刀刃边缘线对应的拟合直线的决定系数和所有角点个数，获得刀具刀刃磨损系数。

需要说明的是，机床在高速切削运作过程中，高速磨损通常会对刀具的刀刃前沿造成磨损，导致原本平滑的刀刃边缘线变得参差不齐。因此，需要对刀具的刀刃边缘线进行特征分析，量化高速磨损对刀刃造成的损伤。

第一步，确定刀刃边缘线对应的拟合直线和各个角点。

在本实施例中，首先，使用RANSAC算法对刀刃边缘线上的像素点进行直线拟合，可以获得刀刃边缘线对应的拟合直线。为了便于分析拟合直线的拟合程度，计算拟合直线的决定系数，决定系数又称拟合优度指标。RANSAC算法和决定系数的具体计算过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

然后，使用Harris角点检测技术对刀刃边缘线进行角点检测，获得刀刃边缘线对应的各个角点，即刀刃边缘线上的各个角点，为了便于后续分析刀刃磨损程度，可以统计刀刃边缘对应的所有角点个数。Harris角点检测技术的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

第二步，根据刀刃边缘线对应的拟合直线的决定系数和所有角点个数，获得刀具刀刃磨损系数。

在本实施例中，刀具刀刃磨损系数可用于评估待检测刀具的刀刃磨损程度，刀具刀刃磨损系数越大，说明待检测刀具的刀刃磨损程度越严重，否则，说明待检测刀具的刀刃磨损状态较好。从两个角度分析刀具刀刃磨损系数，可以有效提高刀具刀刃磨损系数的数据精准性。

将拟合直线的决定系数与预设调参因子的和值作为第一比值的分母，将所有角点个数作为第一比值的分子；对第一比值进行归一化处理，将归一化处理后的第一比值确定为刀具刀刃磨损系数。

作为示例，刀具刀刃磨损系数的计算公式可以为：

式中，为刀具刀刃磨损系数，为归一化函数，为刀刃边缘线对应 的所有角点个数，为刀刃边缘线对应的拟合直线的决定系数，为预设调参因子，为第一比值。

在刀具刀刃磨损系数的计算公式中，归一化函数可以将自变量的值映 射到0到1之间；预设调参因子可以被用于防止分母为零，取值范围为大于0的正数，可以 将其设置为1；决定系数可以被用于表征刀刃边缘线上像素点的拟合效果，越接 近1，拟合直线对刀刃边缘上像素点的拟合效果越好，越接近0，拟合直线对刀刃边缘 上像素点的拟合效果越差；因此，决定系数与刀具刀刃磨损系数为负相关，越大， 拟合直线的拟合效果越好，刀刃磨损程度越小，刀具刀刃磨损系数越小，否则，则相反。

在机床中陶瓷刀具加工的零件均为细微零件，也就是在陶瓷刀具刀刃上的磨损通常为较为细小的磨损，若只通过拟合直线的拟合效果判定刀刃磨损程度，则会因为刀刃磨损较小，刀刃边缘线与其对应的拟合直线的偏差较小，导致计算的刀刃磨损程度存在误差。为了提高刀具刀刃磨损系数的精准性，需要另外考虑其他刀刃磨损因素，刀刃边缘线上角点个数可以反映刀具刀刃上较小磨损的个数，角点个数与刀具刀刃磨损系数为正相关；若产生的较小磨损较多时，则刀刃边缘上所有角点个数越多，刀刃磨损程度越严重，刀具刀刃磨损系数越大；若产生的较小磨损较少，则刀刃边缘上所有角点个数越小，刀具刀刃磨损系数越小。

S4，获取各个初始磨损区域的边缘多边形，根据各个边缘多边形的边数筛选出各个初始磨损区域中的所有磨损区域。

需要说明的是，高速磨损特征主要为物理摩擦和冲击力导致的磨损，因此，陶瓷刀面的磨损在刀面灰度图像中通常呈现出线型和点状的磨损特征。其中，线型的磨损通常为刀面划痕，点状磨损通常为块状区域。

在本实施例中，首先，利用大津阈值算法对刀面灰度图像进行阈值分割处理，可以获得最佳分割阈值，将图像分割过程中灰度值小于最佳分割阈值的像素点组成的区域作为初始磨损区域，这里的最佳分割阈值是指大津阈值算法中的自适应最佳阈值。其次，利用ramer多边形逼近算法对各个初始磨损区域的边缘进行逼近，可以获得各个边缘多边形，边缘多边形的边数越多，说明初始磨损区域越接近块状区域；边缘多边形的边数越少，说明初始磨损区域越偏离块状区域。最后，统计各个边缘多边形的边数，将边数大于预设边数的边缘多边形对应的初始磨损区域确定为磨损区域，预设边缘取经验值可以为5。大津阈值算法和ramer多边形逼近算法的实现过程为现有技术，不在本发明保护范围内，从此不再进行详细阐述。

S5，根据待检测线段集合中每个待检测线段的灰度值均值、每个线段与水平方向的夹角以及所有磨损区域个数，确定刀具刀面磨损系数。

第一步，根据刀面灰度图像确定待检测线段集合。

在本实施例中，使用线集检测对刀面灰度图像进行处理，可以获得线段集合，将线段集合确定为待检测线段集合，待检测线段集合中包括划痕线段和相邻两个划痕线段之间的间隙，也就是刀面磨损的划痕以及相邻划痕之间的间隙均被识别并拟合成线段。为了便于后续计算刀具刀面磨损系数，衡量两个相邻线段之间的灰度差异，基于待检测线段集合中每个待检测线段上像素点的灰度值，计算每个待检测线段对应的灰度均值；同时，为了量化刀具刀面划痕的杂乱程度，可以获取待检测线段集合中每个待检测线段与水平方向的夹角。线集检测的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。

第二步，根据待检测线段集合中每个待检测线段的灰度值均值、每个待检测线段与水平方向的夹角以及所有磨损区域个数，确定刀具刀面磨损系数。

在本实施例中，从三个角度分析刀具表面的磨损程度，即确定刀具刀面磨损系数，可以有效提高刀具刀面磨损系数的数值可靠性，便于提高刀具磨损视觉检测结果准确性。刀具刀面磨损系数可以被用于评估待检测刀具的刀面磨损程度，刀具刀面磨损系数越大，说明待检测刀具的刀面磨损越严重。作为示例，刀具刀面磨损系数的计算公式可以为：

式中，为刀具刀面磨损系数，为反正切函数，为所有磨损区域个数，为待检测线段集合中所有待检测线段个数，为待检测线段集合中待检测线段的序号，为待检测线段集合中第个待检测线段的灰度均值，为待检测线段集合中第 个待检测线段的灰度均值，为待检测线段集合中每个待检测线段与水平方向的夹角的 方差，为取绝对值函数。

在刀具刀面磨损系数的计算公式中，由于陶瓷刀高速磨损通常伴随着块状的脱落 以及颗粒的冲击，故所有磨损区域个数可以被用于表征刀面块状磨损的严重程度，磨损 区域即为灰度值较小的块状区域，越大，说明刀面块状磨损越严重；磨损划痕在刀面灰度 图像中的灰度值较大，而划痕间隙的灰度值较小，在待检测线段集合中相邻两个待检测线 段对应的是划痕线段和划痕间隙线段，由于划痕间隙线段的灰度值通常是不发生改变的， 故整体每两个相邻待检测线段之间的灰度差异越大，即越大，说明磨损划痕 线段的灰度值越大，磨损划痕越严重；陶瓷刀具存在的纹理通常是较为平行的纹理线条，若 磨损较为严重时，则刀具刀面的划痕较为杂乱，即越大；、以及均与 刀具刀面磨损系数为正相关；反正切函数可以用于实现归一化处理，可以将刀具 刀面磨损系数的取值范围限定在0到1之间。

S6，根据刀具刀刃磨损系数和刀具刀面磨损系数确定待检测刀具的磨损程度；根据待检测刀具的磨损程度判断待检测刀具是否需要进行检修。

第一步，根据刀具刀刃磨损系数和刀具刀面磨损系数确定待检测刀具的磨损程度。

在本实施例中，将刀具刀刃磨损系数和刀具刀面磨损系数的乘积确定为刀面灰度图像对应的初始磨损程度；获取前刀面灰度图像对应的初始磨损程度和后刀面灰度图像对应的初始磨损程度，将两个初始磨损程度的平均值确定为待检测刀具的磨损程度。其中，磨损程度可以表征待检测刀具整体的磨损程度。

需要说明的是，在计算待检测刀具的磨损程度时，不仅考虑到待检测刀具的前刀具面磨损，还要考虑后刀具面磨损，由此计算得到的待检测刀具的磨损程度的参考价值更高，刀具磨损评估效果更好。

第二步，根据待检测刀具的磨损程度判断待检测刀具是否需要进行检修。

在本实施例中，比较待检测刀具的磨损程度与预设磨损阈值，当待检测刀具的磨损程度大于预设磨损阈值时，说明待检测刀具磨损较为严重，判定待检测刀具需要进行检修或更换；当待检测刀具的磨损程度不大于预设磨损阈值时，说明待检测刀具状态较好，判定待检测刀具不需要进行检修或更换。预设磨损阈值取经验值可以为0.94，实施者可以根据具体实际情况设置，不做具体限定。

本发明提供了一种智能机床刀具磨损视觉检测方法，该检测方法通过分析刀具刀刃的磨损特征、刀面上颗粒冲击以及表面层脱落造成的磨损特征，确定待检测刀具的磨损程度，其有助于更精准地检测刀具磨损状态，其为智能机床后续的维护提供了便利。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能机床刀具磨损视觉检测方法，其特征在于，包括以下步骤：

获取待检测刀具的刀面灰度图像；所述刀面灰度图像包括前刀面灰度图像和后刀面灰度图像；

根据刀面灰度图像中各个边缘线上的各边缘像素点对应的预设尺寸窗口内每个像素点的灰度值，确定各个边缘线对应的两侧区分度；根据各个边缘线对应的两侧区分度确定刀刃边缘线；

确定刀刃边缘线对应的拟合直线和各个角点；根据刀刃边缘线对应的拟合直线的决定系数和所有角点个数，获得刀具刀刃磨损系数；

获取各个初始磨损区域的边缘多边形，根据各个边缘多边形的边数筛选出各个初始磨损区域中的所有磨损区域；所述初始磨损区域为刀面灰度图像中灰度值小于最佳分割阈值的像素点组成的区域；

根据待检测线段集合中每个待检测线段的灰度值均值、每个待检测线段与水平方向的夹角以及所有磨损区域个数，确定刀具刀面磨损系数；所述待检测线段集合为使用线集检测对刀面灰度图像进行处理获得的线段集合；

根据刀具刀刃磨损系数和刀具刀面磨损系数确定待检测刀具的磨损程度；根据待检测刀具的磨损程度判断待检测刀具是否需要进行检修。

2.根据权利要求1所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述根据刀面灰度图像中各个边缘线上的各边缘像素点对应的预设尺寸窗口内每个像素点的灰度值，确定各个边缘线对应的两侧区分度，包括：

将刀面灰度图像中任一边缘线上的任一边缘像素点确定为待分析边缘像素点，构建待分析边缘像素点对应的预设尺寸窗口；待分析边缘像素点所属边缘线将预设尺寸窗口划分为第一窗口区域和第二窗口区域；根据第一窗口区域和第二窗口区域内每个像素点的灰度值，对第一窗口区域和第二窗口区域分别进行Tamura纹理特征分析，获得待分析边缘像素点的第一窗口区域和第二窗口区域的对比度、粗糙度和主导方向；根据待分析边缘像素点的第一窗口区域和第二窗口区域的对比度、粗糙度和主导方向，确定待分析边缘像素点对应的窗口两侧区分度；将边缘线上的各边缘像素点对应的窗口两侧区分度的平均值作为边缘线对应的两侧区分度。

3.根据权利要求2所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述待分析边缘像素点对应的窗口两侧区分度的计算公式为：

式中，为待分析边缘像素点对应的窗口两侧区分度，/>为以自然常数为底的指数函数，/>为两个对比度中较大的对比度，/>为两个对比度中较小的对比度，/>为两个粗糙度中较大的粗糙度，/>为两个粗糙度中较小的粗糙度，/>为两个主导方向中较大的主要方向，/>为两个主导方向中较小的主导方向，/>为取绝对值函数；

其中，所述两个对比度为待分析边缘像素点的第一窗口区域的对比度和第二窗口区域的对比度，所述两个粗糙度为待分析边缘像素点的第一窗口区域的粗糙度和第二窗口区域的粗糙度，所述两个主导方向为待分析边缘像素点的第一窗口区域的主导方向和第二窗口区域的主导方向。

4.根据权利要求1所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述根据各个边缘线对应的两侧区分度确定刀刃边缘线，包括：

根据各个边缘线对应的两侧区分度，选取出两侧区分度最大的各个初始刀刃边缘线；统计各个初始刀刃边缘线的拟合直线上边缘像素点个数和拟合直线与水平方向的夹角；将除各个初始刀刃边缘线以外的边缘线确定为选定边缘线，确定各个选定边缘线上边缘像素点个数和与水平方向的夹角；

对于各个初始刀刃边缘线，计算初始刀刃边缘线的拟合直线上边缘像素点个数与各个选定边缘线上边缘像素点个数的差值绝对值，获得各个边缘像素差异指数；计算初始刀刃边缘线的拟合直线与水平方向的夹角，和各个选定边缘线与水平方向的夹角之间的差值绝对值，获得各个夹角差异指数；

若某个初始刀刃边缘线满足预设的长度和角度要求，则判定对应的初始刀刃边缘线为刀刃边缘线；所述预设的长度和角度要求是指初始刀刃边缘线对应的边缘像素差异指数小于长度阈值、夹角差异指数小于度数阈值且边缘像素差异指数和夹角差异指数属于同一选定边缘线。

5.根据权利要求1所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述根据刀刃边缘线对应的拟合直线的决定系数和所有角点个数，获得刀具刀刃磨损系数，包括：

将拟合直线的决定系数与预设调参因子的和值作为第一比值的分母，将所有角点个数作为第一比值的分子；对第一比值进行归一化处理，将归一化处理后的第一比值确定为刀具刀刃磨损系数；其中，所述预设调参因子为正数。

6.根据权利要求1所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述初始磨损区域的边缘多边形的获取步骤包括：利用ramer多边形逼近算法对初始磨损区域的边缘进行逼近，获得边缘多边形。

7.根据权利要求6所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述根据各个边缘多边形的边数筛选出各个初始磨损区域中的所有磨损区域，包括：

统计各个边缘多边形的边数，将边数大于预设边数的边缘多边形对应的初始磨损区域确定为磨损区域。

8.根据权利要求1所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述刀具刀面磨损系数的计算公式为：

式中，为刀具刀面磨损系数，/>为反正切函数，/>为所有磨损区域个数，/>为待检测线段集合中所有待检测线段个数，/>为待检测线段集合中待检测线段的序号，/>为待检测线段集合中第/>个待检测线段的灰度均值，/>为待检测线段集合中第/>个待检测线段的灰度均值，/>为待检测线段集合中每个待检测线段与水平方向的夹角的方差，为取绝对值函数。

9.根据权利要求1所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述根据刀具刀刃磨损系数和刀具刀面磨损系数确定待检测刀具的磨损程度，包括：

将刀具刀刃磨损系数和刀具刀面磨损系数的乘积确定为刀面灰度图像对应的初始磨损程度；获取前刀面灰度图像对应的初始磨损程度和后刀面灰度图像对应的初始磨损程度，将两个初始磨损程度的平均值确定为待检测刀具的磨损程度。

10.根据权利要求1所述的一种智能机床刀具磨损视觉检测方法，其特征在于，所述根据待检测刀具的磨损程度判断待检测刀具是否需要进行检修，包括：

比较待检测刀具的磨损程度与预设磨损阈值，当待检测刀具的磨损程度大于预设磨损阈值时，判定待检测刀具需要进行检修；当待检测刀具的磨损程度不大于预设磨损阈值时，判定待检测刀具不需要进行检修。