CN117400066B - 一种数控机床刀具磨损识别方法及系统 - Google Patents
一种数控机床刀具磨损识别方法及系统 Download PDFInfo
- Publication number
- CN117400066B CN117400066B CN202311727150.8A CN202311727150A CN117400066B CN 117400066 B CN117400066 B CN 117400066B CN 202311727150 A CN202311727150 A CN 202311727150A CN 117400066 B CN117400066 B CN 117400066B
- Authority
- CN
- China
- Prior art keywords
- segment
- straight line
- target
- surface area
- cutter
- 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 abstract description 38
- 238000005520 cutting process Methods 0.000 claims abstract description 28
- 238000005299 abrasion Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 11
- 239000013598 vector Substances 0.000 description 5
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
- B23Q17/2409—Arrangements for indirect observation of the working space using image recording means, e.g. a camera
-
- 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
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种数控机床刀具磨损识别方法及系统,包括:获取数控机床刀具灰度图像中的刀具表面区域内的若干条边缘线和直线段,再获取任意两个直线段的延伸相似性、每个直线段的灰度特征值和整体梯度值,结合直线段上的像素点数量,得到任意两个直线段的刀刃可能性,再结合所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度。本发明通过精准区分刀具表面上的刀刃边缘和缺陷边缘,提高了缺陷检测的准确性,从而提高了数控机床刀具磨损识别的可信度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种数控机床刀具磨损识别方法及系统。
背景技术
数控机床刀具磨损识别系统在制造业中具有重要作用,其通过实时监测和识别数控机床刀具的磨损程度,可以及时发现并替换磨损严重的刀具,避免因刀具失效而导致生产中断,减少因刀具寿命结束而引起的废品率,降低生产成本,并且及时更换磨损严重的刀具,还可以提高加工质量和生产设备的安全性。
现有的问题:对数控机床刀具表面的裂纹进行边缘检测时,由于裂纹形状和出现位置的不确定性,当刀刃出现崩裂时,会降低数控机床刀具表面中刀刃和裂纹的区分准确性,可能导致刀刃边缘被误认为裂纹边缘,从而减小了数控机床刀具磨损识别的可信度。
发明内容
本发明提供一种数控机床刀具磨损识别方法及系统,以解决现有的问题。
本发明的一种数控机床刀具磨损识别方法及系统采用如下技术方案:
本发明一个实施例提供了一种数控机床刀具磨损识别方法,该方法包括以下步骤:
采集数控机床刀具图像,进行灰度化处理,得到数控机床刀具灰度图像;对数控机床刀具灰度图像进行分割处理、边缘和直线检测,得到刀具表面区域和刀具表面区域内的若干条边缘线和直线段;
将刀具表面区域内任意两个直线段,分别记为目标段和参考段;根据目标段和参考段的斜率和截距、所处直线的夹角、之间的最短距离,得到目标段和参考段的延伸相似性;
在刀具表面区域内,根据每个直线段上所有像素点的梯度方向上的像素点灰度值差异,得到每个直线段的灰度特征值;根据每个直线段上所有像素点的梯度,得到每个直线段的整体梯度值;
根据目标段和参考段的延伸相似性、灰度特征值、整体梯度值,得到目标段和参考段的相似程度;
根据刀具表面区域内所有直线段的相似程度、直线段上的像素点数量,得到目标段和参考段的刀刃可能性;
根据刀具表面区域内所有直线段的刀刃可能性、所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度。
进一步地,所述对数控机床刀具灰度图像进行分割处理、边缘和直线检测,得到刀具表面区域和刀具表面区域内的若干条边缘线和直线段,包括的具体步骤如下:
使用深度神经网络,得到数控机床刀具灰度图像中的刀具表面区域;其中,深度神经网络指代的为DeepLabV3神经网络;
使用Canny边缘检测算法,得到刀具表面区域内的若干条边缘线;
在刀具表面区域内的所有边缘线上,使用霍夫直线检测算法,得到刀具表面区域内的若干条直线段。
进一步地,所述根据目标段和参考段的斜率和截距、所处直线的夹角、之间的最短距离,得到目标段和参考段的延伸相似性,包括的具体步骤如下:
使用直线的斜率和截距的计算公式,得到刀具表面区域内每条直线段的斜率和截距;
分别作经过目标段和参考段的两条直线,将所述两条直线的夹角值中的最小值,记为目标段和参考段的平行程度;
根据目标段和参考段的平行程度、斜率之间的差异、截距之间的差异、之间的最短距离,得到目标段和参考段的延伸相似性。
进一步地,所述根据目标段和参考段的平行程度、斜率之间的差异、截距之间的差异、之间的最短距离,得到目标段和参考段的延伸相似性对应的具体计算公式为:
其中E为目标段和参考段的延伸相似性,和/>分别为目标段和参考段的斜率,/>和/>分别为目标段和参考段的截距,/>为目标段和参考段的平行程度,D为目标段和参考段之间的最短距离,/>为线性归一化函数,| |为绝对值函数。
进一步地,所述在刀具表面区域内,根据每个直线段上所有像素点的梯度方向上的像素点灰度值差异,得到每个直线段的灰度特征值,包括的具体步骤如下:
使用Sobel算子对刀具表面区域进行处理,得到刀具表面区域内每个像素点的梯度;
将目标段上的任意一个像素点,记为目标点;
在刀具表面区域内,以目标点为中心,构建大小为的目标窗口;所述t为预设的窗口边长;
在目标窗口内,将沿着目标点的梯度方向,经过目标点的直线段,记为边缘垂线段;
在边缘垂线段上,计算任意相邻两个像素点灰度值的差值的绝对值,将所有相邻像素点灰度值的差值的绝对值的和值,记为目标点的灰度变化程度;
将目标段上所有像素点的灰度变化程度的方差,记为目标段的灰度特征值。
进一步地,所述根据每个直线段上所有像素点的梯度,得到每个直线段的整体梯度值,包括的具体步骤如下:
计算目标段上所有像素点的梯度的均值,将所述梯度的均值的模,记为目标段的整体梯度值。
进一步地,所述根据目标段和参考段的延伸相似性、灰度特征值、整体梯度值,得到目标段和参考段的相似程度对应的具体计算公式为:
其中G为目标段和参考段的相似程度,E为目标段和参考段的延伸相似性,和/>分别为目标段和参考段的灰度特征值,/>和/>分别为目标段和参考段的整体梯度值,| |为绝对值函数。
进一步地,所述根据刀具表面区域内所有直线段的相似程度、直线段上的像素点数量,得到目标段和参考段的刀刃可能性对应的具体计算公式为:
其中H为目标段和参考段的刀刃可能性,为目标段上的像素点数量,/>为参考段上的像素点数量,W为刀具表面区域内所有直线段上的像素点数量,G为目标段和参考段的相似程度,/>为刀具表面区域内所有直线段的相似程度的均值,/>为线性归一化函数。
进一步地,所述根据刀具表面区域内所有直线段的刀刃可能性、所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度,包括的具体步骤如下:
在刀具表面区域内所有直线段的刀刃可能性中,将大于预设的判断阈值的刀刃可能性对应的直线段,记为刀刃段;
在刀具表面区域内,计算所有边缘线上的像素点数量减去所有刀刃段上的像素点数量的差值,将所述差值的归一化值,记为刀具表面区域内的数控机床刀具磨损程度。
本发明还提出了一种数控机床刀具磨损识别系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述所述的一种数控机床刀具磨损识别方法的步骤。
本发明的技术方案的有益效果是:
本发明实施例中,获取数控机床刀具灰度图像中的刀具表面区域内的若干条边缘线和直线段,再获取任意两个直线段的延伸相似性,其通过分析刀刃边缘的直线形特征,对刀刃边缘进行初步检测,提高了刀刃边缘识别的准确性。获取每个直线段的灰度特征值和整体梯度值,结合直线段上的像素点数量,得到任意两个直线段的刀刃可能性,其通过分析直线段上像素点梯度方向上的灰度变化特征、直线段上的像素点数量,进一步区分刀刃和缺陷边缘,提高了缺陷检测的准确性。再结合所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度,其通过计算缺陷边缘上的像素点数量,具体的量化了刀具磨损的程度。至此本发明通过精准区分刀具表面上的刀刃边缘和缺陷边缘,提高了缺陷检测的准确性,从而提高了数控机床刀具磨损识别的可信度。
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为本发明一种数控机床刀具磨损识别方法的步骤流程图。
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数控机床刀具磨损识别方法及系统,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数控机床刀具磨损识别方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种数控机床刀具磨损识别方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集数控机床刀具图像,进行灰度化处理,得到数控机床刀具灰度图像;对数控机床刀具灰度图像进行分割处理、边缘和直线检测,得到刀具表面区域和刀具表面区域内的若干条边缘线和直线段。
采集数控机床刀具图像,进行灰度化处理,得到数控机床刀具灰度图像。其中,图像灰度化处理为公知技术,具体方法在此不做介绍。
所需说明的是:数控机床刀具检测时,一般是进行俯视拍摄,使刀刃朝上,这样可以更清晰地观察刀具的几何形状、刃口状况以及是否存在磨损或损坏等情况。因此本实施例,使用工业相机俯视拍摄刀刃朝上数控机床刀具。
由此数控机床刀具灰度图像中会存在不是刀具表面的背景区域。因此本发明实施例采用深度神经网络来识别分割数控机床刀具灰度图像中的刀具表面区域。
深度神经网络的相关内容如下:
本实施例使用的深度神经网络为DeepLabV3神经网络;使用的数据集为数控机床刀具灰度图像数据集。
需要分割的像素点,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素点属于背景类的标注为0,属于刀具表面区域的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
通过深度神经网络得到数控机床刀具灰度图像中的刀具表面区域,此过程是公知的,本实施例不进行具体赘述。
已知刀刃边缘会影响裂纹边缘的识别,而刀刃边缘为直线形,而裂纹边缘一般为不规则形状,但也存在部分直线段。因此本实施例先在刀具表面区域中筛选出边缘直线段,进一步区分出裂纹边缘和刀刃边缘。
使用Canny边缘检测算法,得到刀具表面区域内的若干条边缘线。
在刀具表面区域内的所有边缘线上,使用霍夫直线检测算法,得到刀具表面区域内的若干条直线段。
其中,Canny边缘检测算法和霍夫直线检测算法均为公知技术,具体方法在此不做介绍。
步骤S002:将刀具表面区域内任意两个直线段,分别记为目标段和参考段;根据目标段和参考段的斜率和截距、所处直线的夹角、之间的最短距离,得到目标段和参考段的延伸相似性。
使用直线的斜率和截距的计算公式,得到刀具表面区域内每条直线段的斜率和截距。
所需说明的是:直线的斜率和截距的计算公式为公知技术,具体方法在此不做介绍。而直线的斜率和截距的计算需要构建平面直角坐标系,本实施例以数控机床刀具灰度图像的左下角的顶点为原点,以水平向右为横轴,竖直向上为纵轴,构建平面直角坐标系,由此在该平面直角坐标系上,使用直线的斜率和截距的计算公式,得到每条直线段的斜率和截距。平面直角坐标系的构建,本实施例以此为例进行叙述,其它实施方式中可通过其它方式构建,本实施例不进行限定。
由此得到刀具表面区域内的边缘线上的若干条直线段后,已知刀刃边缘对应的直线段之间的斜率和截距相似。同时,位于线段上像素点在梯度方向上的灰度变化相似,根据这些特征判断任意两个直线段为刀刃边缘的可能性。并且对于可能表现为刀刃边缘的两个直线段,其长度在所有直线段的长度中占比越大,说明二者为刀刃边缘的可能性越大,所以可以根据刀刃边缘的一致性与延续性得到刀刃可能性。
已知正常的刀刃边缘经过霍夫直线检测后,应为一条完整直线段。但当刀刃上存在裂纹,时,会导致线段被裂纹缺陷或凸起分割开,出现多个刀刃边缘部分,从而使得刀刃出现多条直线段,这些表示刀刃边缘的直线段,虽然被分隔开了,但其斜率与截距不会产生较大的改变,故这些直线段之间的斜率与截距相似。
由此,将刀具表面区域内任意两个直线段,分别记为目标段和参考段。
分别作经过目标段和参考段的两条直线,将所述两条直线的夹角值中的最小值,记为目标段和参考段的平行程度。
所需说明的是:若所述两条直线平行,则所述两条直线的夹角值为0。
由此可知目标段和参考段的延伸相似性E的计算公式为:
其中E为目标段和参考段的延伸相似性,和/>分别为目标段和参考段的斜率,/>和/>分别为目标段和参考段的截距,/>为目标段和参考段的平行程度,D为目标段和参考段之间的最短距离。/>为线性归一化函数,将数据值归一化至[0,1]区间内。| |为绝对值函数。
所需说明的是:和/>越小,说明目标段和参考段的斜率和截距越相似,即目标段和参考段越相似。而当/>越小,说明目标段和参考段所处直线越接近于平行,并且在当/>越小时,说明目标段和参考段越可能为连续的直线段,由此用/>的归一化值的反比例值,表示目标段和参考段的延伸相似性,E越大,目标段和参考段越相似。其中/>为/>归一化值,这是因为两条直线的夹角中的锐角值最大为90度。
步骤S003:在刀具表面区域内,根据每个直线段上所有像素点的梯度方向上的像素点灰度值差异,得到每个直线段的灰度特征值;根据每个直线段上所有像素点的梯度,得到每个直线段的整体梯度值。
由此根据直线段上像素点的梯度变化方向上的灰度值变化程度,判断直线段之间的相似程度。在刀具表面区域内,可能还存在一些深色的生锈区域,其边缘也可能表现为斜率截距相同的多段直线段。但生锈区域相较于刀刃边缘,在各自的梯度方向上,由边缘点开始,因为刀刃长期切割摩擦表现为高灰度值,刀刃相接的一段区域为黑色的锈迹表现为低灰度值,后续部分为刀体原色表现为高灰度值,所以生锈的上下边缘连接区域的灰度值变化为由先大到小,再由小到大,而刀刃区域较细,即其垂直于边缘方向上灰度变化为由大到小。
使用Sobel算子对刀具表面区域进行处理,得到刀具表面区域内每个像素点的梯度。其中,Sobel算子为公知技术,具体方法在此不做介绍。
本实施例预设的窗口边长t为9,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
将目标段上的任意一个像素点,记为目标点。
在刀具表面区域内,以目标点为中心,构建大小为的目标窗口。
在目标窗口内,将沿着目标点的梯度方向,经过目标点的直线段,记为边缘垂线段。
所需说明的是:若目标窗口内存在刀具表面区域外的像素点,则不分析目标窗口内的刀具表面区域外的像素点。目标窗口的边长分别处于竖直和水平方向。
在边缘垂线段上,计算任意相邻两个像素点灰度值的差值的绝对值,将所有相邻像素点灰度值的差值的绝对值之和,记为目标点的灰度变化程度。
按照上述方式,得到目标段上每个像素点的灰度变化程度。根据刀刃的形状特征可知,刀刃边缘两侧的灰度变化应相似。即刀刃对应的直线段上各像素点的灰度变化程度相似。
在目标段上,将所有像素点的灰度变化程度的方差,记为目标段的灰度特征值。
所需说明的是:生锈区域边缘两侧灰度变化差异较大,直线段上各像素点的灰度变化程度差异较大,故所述方差的值越小,即目标段的灰度特征值越小,目标段越可能为刀刃边缘。
在目标段上,计算所有像素点的梯度的均值,将所述梯度的均值的模,记为目标段的整体梯度值。
所需说明的是:像素点的梯度为矢量,多个矢量的均值仍为矢量,而矢量的模,表示矢量的大小。刀刃边缘上像素点的梯度方向一致,因此其梯度的均值的模,仍为一个像素点的梯度的大小,而缺陷边缘上像素点的梯度方向不一致,由此会导致其梯度的均值的模,相较于所有梯度大小的均值较小。
按照上述方式,得到刀具表面区域内每个直线段的灰度特征值和整体梯度值。
步骤S004:根据目标段和参考段的延伸相似性、灰度特征值、整体梯度值,得到目标段和参考段的相似程度。
由此可知目标段和参考段的相似程度G的计算公式为:
其中G为目标段和参考段的相似程度,E为目标段和参考段的延伸相似性,和/>分别为目标段和参考段的灰度特征值,/>和/>分别为目标段和参考段的整体梯度值,| |为绝对值函数。
所需说明的是:E越大,目标段和参考段越相似,而和/>越小,目标段和参考段越可能为刀刃边缘,并且刀刃边缘对应的整体梯度值相似,缺陷边缘对应的整体梯度值差异较大,因此用/>表示目标段和参考段的相似程度,G越大,目标段和参考段越相似,越可能为被截断的刀刃边缘。
按照上述方式,得到刀具表面区域内所有任意两个直线段的相似程度。
步骤S005:根据刀具表面区域内所有直线段的相似程度、直线段上的像素点数量,得到目标段和参考段的刀刃可能性。
已知对于可能表现刀刃边缘的两个直线段,若其组合后的长度在检测出的所有直线段长度之和内占比越大,说明两直线段为刀刃边缘的可能性越大。所以根据这些特征判断两个直线段为刀刃边缘的可能性,并识别出刀具表面区域内所有的刀刃边缘。
因为刀刃边缘具有延续性,且在刀刃边缘的像素点具有较强的一致性,由此可知目标段和参考段的刀刃可能性H的计算公式为:
其中H为目标段和参考段的刀刃可能性,为目标段上的像素点数量,/>为参考段上的像素点数量,W为刀具表面区域内所有直线段上的像素点数量,G为目标段和参考段的相似程度,/>为刀具表面区域内所有直线段的相似程度的均值,/>为线性归一化函数,将数据值归一化至[0,1]区间内。
所需说明的是:当越大,说明目标段和参考段为被裂纹截断的刀刃边缘的可能性越大。/>越大,说明目标段和参考段的相似程度超过所有直线段的平均相似程度,即目标段和参考段越相似,越可能为刀刃边缘,由此用/>的归一化值,表示目标段和参考段的刀刃可能性。
按照上述方式,得到刀具表面区域内所有任意两个直线段的刀刃可能性。
步骤S006:根据刀具表面区域内所有直线段的刀刃可能性、所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度。
本实施例预设的判断阈值为0.8,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在刀具表面区域内所有直线段的刀刃可能性中,将大于预设的判断阈值的刀刃可能性对应的直线段,记为刀刃段。
由此可知刀具表面区域内的数控机床刀具磨损程度P的计算公式为:
其中P为刀具表面区域内的数控机床刀具磨损程度,S为刀具表面区域内的像素点数量,为刀具表面区域内所有边缘线上的像素点数量,/>为刀具表面区域内所有刀刃段上的像素点数量。
所需说明的是:若为负,则令/>为0,/>表示刀具表面区域内缺陷边缘上的像素点数量,其值越大,数控机床刀具磨损越严重,/>为/>的归一化值。并且可通过预设的磨损阈值,判断数控机床刀具是否需要更换,即当P大于预设的磨损阈值时,对所述数控机床刀具进行更换,否则不进行更换。本实施例预设的磨损阈值为0.3,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
至此,本发明完成。
综上所述,在本发明实施例中,获取数控机床刀具灰度图像中的刀具表面区域内的若干条边缘线和直线段。再获取任意两个直线段的延伸相似性、每个直线段的灰度特征值和整体梯度值,结合直线段上的像素点数量,得到任意两个直线段的刀刃可能性,再结合所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度。本发明通过精准区分刀具表面上的刀刃边缘和缺陷边缘,提高了缺陷检测的准确性,从而提高了数控机床刀具磨损识别的可信度。
本发明还提供了一种数控机床刀具磨损识别系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述所述的一种数控机床刀具磨损识别方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (8)
1.一种数控机床刀具磨损识别方法,其特征在于,该方法包括以下步骤:
采集数控机床刀具图像,进行灰度化处理,得到数控机床刀具灰度图像;对数控机床刀具灰度图像进行分割处理、边缘和直线检测,得到刀具表面区域和刀具表面区域内的若干条边缘线和直线段;
将刀具表面区域内任意两个直线段,分别记为目标段和参考段;根据目标段和参考段的斜率和截距、所处直线的夹角、之间的最短距离,得到目标段和参考段的延伸相似性;
在刀具表面区域内,根据每个直线段上所有像素点的梯度方向上的像素点灰度值差异,得到每个直线段的灰度特征值;根据每个直线段上所有像素点的梯度,得到每个直线段的整体梯度值;
根据目标段和参考段的延伸相似性、灰度特征值、整体梯度值,得到目标段和参考段的相似程度;
根据刀具表面区域内所有直线段的相似程度、直线段上的像素点数量,得到目标段和参考段的刀刃可能性;
根据刀具表面区域内所有直线段的刀刃可能性、所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度;
所述在刀具表面区域内,根据每个直线段上所有像素点的梯度方向上的像素点灰度值差异,得到每个直线段的灰度特征值,包括的具体步骤如下:
使用Sobel算子对刀具表面区域进行处理,得到刀具表面区域内每个像素点的梯度;
将目标段上的任意一个像素点,记为目标点;
在刀具表面区域内,以目标点为中心,构建大小为的目标窗口;所述t为预设的窗口边长;
在目标窗口内,将沿着目标点的梯度方向,经过目标点的直线段,记为边缘垂线段;
在边缘垂线段上,计算任意相邻两个像素点灰度值的差值的绝对值,将所有相邻像素点灰度值的差值的绝对值的和值,记为目标点的灰度变化程度;
将目标段上所有像素点的灰度变化程度的方差,记为目标段的灰度特征值;
所述根据每个直线段上所有像素点的梯度,得到每个直线段的整体梯度值,包括的具体步骤如下:
计算目标段上所有像素点的梯度的均值,将所述梯度的均值的模,记为目标段的整体梯度值。
2.根据权利要求1所述一种数控机床刀具磨损识别方法,其特征在于,所述对数控机床刀具灰度图像进行分割处理、边缘和直线检测,得到刀具表面区域和刀具表面区域内的若干条边缘线和直线段,包括的具体步骤如下:
使用深度神经网络,得到数控机床刀具灰度图像中的刀具表面区域;其中,深度神经网络指代的为DeepLabV3神经网络;
使用Canny边缘检测算法,得到刀具表面区域内的若干条边缘线;
在刀具表面区域内的所有边缘线上,使用霍夫直线检测算法,得到刀具表面区域内的若干条直线段。
3.根据权利要求1所述一种数控机床刀具磨损识别方法,其特征在于,所述根据目标段和参考段的斜率和截距、所处直线的夹角、之间的最短距离,得到目标段和参考段的延伸相似性,包括的具体步骤如下:
使用直线的斜率和截距的计算公式,得到刀具表面区域内每条直线段的斜率和截距;
分别作经过目标段和参考段的两条直线,将所述两条直线的夹角值中的最小值,记为目标段和参考段的平行程度;
根据目标段和参考段的平行程度、斜率之间的差异、截距之间的差异、之间的最短距离,得到目标段和参考段的延伸相似性。
4.根据权利要求3所述一种数控机床刀具磨损识别方法,其特征在于,所述根据目标段和参考段的平行程度、斜率之间的差异、截距之间的差异、之间的最短距离,得到目标段和参考段的延伸相似性对应的具体计算公式为:
其中E为目标段和参考段的延伸相似性,和/>分别为目标段和参考段的斜率,/>和/>分别为目标段和参考段的截距,/>为目标段和参考段的平行程度,D为目标段和参考段之间的最短距离,/>为线性归一化函数,| |为绝对值函数。
5.根据权利要求1所述一种数控机床刀具磨损识别方法,其特征在于,所述根据目标段和参考段的延伸相似性、灰度特征值、整体梯度值,得到目标段和参考段的相似程度对应的具体计算公式为:
其中G为目标段和参考段的相似程度,E为目标段和参考段的延伸相似性,和/>分别为目标段和参考段的灰度特征值,/>和/>分别为目标段和参考段的整体梯度值,| |为绝对值函数。
6.根据权利要求1所述一种数控机床刀具磨损识别方法,其特征在于,所述根据刀具表面区域内所有直线段的相似程度、直线段上的像素点数量,得到目标段和参考段的刀刃可能性对应的具体计算公式为:
其中H为目标段和参考段的刀刃可能性,为目标段上的像素点数量,/>为参考段上的像素点数量,W为刀具表面区域内所有直线段上的像素点数量,G为目标段和参考段的相似程度,/>为刀具表面区域内所有直线段的相似程度的均值,/>为线性归一化函数。
7.根据权利要求1所述一种数控机床刀具磨损识别方法,其特征在于,所述根据刀具表面区域内所有直线段的刀刃可能性、所有边缘线上的像素点数量,得到刀具表面区域内的数控机床刀具磨损程度,包括的具体步骤如下:
在刀具表面区域内所有直线段的刀刃可能性中,将大于预设的判断阈值的刀刃可能性对应的直线段,记为刀刃段;
在刀具表面区域内,计算所有边缘线上的像素点数量减去所有刀刃段上的像素点数量的差值,将所述差值的归一化值,记为刀具表面区域内的数控机床刀具磨损程度。
8.一种数控机床刀具磨损识别系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的一种数控机床刀具磨损识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727150.8A CN117400066B (zh) | 2023-12-15 | 2023-12-15 | 一种数控机床刀具磨损识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727150.8A CN117400066B (zh) | 2023-12-15 | 2023-12-15 | 一种数控机床刀具磨损识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117400066A CN117400066A (zh) | 2024-01-16 |
CN117400066B true CN117400066B (zh) | 2024-03-08 |
Family
ID=89487482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311727150.8A Active CN117400066B (zh) | 2023-12-15 | 2023-12-15 | 一种数控机床刀具磨损识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117400066B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808811A (zh) * | 2024-03-01 | 2024-04-02 | 陕西中盛天泽复合材料科技有限公司 | 一种数控机床刀具崩刃异常检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4845763A (en) * | 1987-11-06 | 1989-07-04 | General Motors Corporation | Tool wear measurement by machine vision |
WO2003060827A1 (en) * | 2002-01-18 | 2003-07-24 | Kent Ridge Digital Labs | Method and apparatus for determining symmetry in 2d and 3d images |
WO2015115499A1 (ja) * | 2014-02-03 | 2015-08-06 | 株式会社タカコ | 工具検査方法及び工具検査装置 |
CN107234488A (zh) * | 2017-06-14 | 2017-10-10 | 沈阳机床(东莞)智能装备有限公司 | 一种基于数控机床视觉检测的刀具破损度检测方法 |
CN109598729A (zh) * | 2018-11-28 | 2019-04-09 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
CN112465706A (zh) * | 2020-12-21 | 2021-03-09 | 天津工业大学 | 一种闸口集装箱自动验残方法 |
WO2022052443A1 (zh) * | 2020-09-09 | 2022-03-17 | 上海沈德医疗器械科技有限公司 | 一种组织消融的自动规划方法及装置 |
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 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115147416A (zh) * | 2022-09-02 | 2022-10-04 | 山东大山不锈钢制品有限公司 | 一种倒绳机乱绳检测方法、装置和计算机设备 |
CN117036358A (zh) * | 2023-10-10 | 2023-11-10 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
-
2023
- 2023-12-15 CN CN202311727150.8A patent/CN117400066B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4845763A (en) * | 1987-11-06 | 1989-07-04 | General Motors Corporation | Tool wear measurement by machine vision |
WO2003060827A1 (en) * | 2002-01-18 | 2003-07-24 | Kent Ridge Digital Labs | Method and apparatus for determining symmetry in 2d and 3d images |
WO2015115499A1 (ja) * | 2014-02-03 | 2015-08-06 | 株式会社タカコ | 工具検査方法及び工具検査装置 |
CN107234488A (zh) * | 2017-06-14 | 2017-10-10 | 沈阳机床(东莞)智能装备有限公司 | 一种基于数控机床视觉检测的刀具破损度检测方法 |
CN109598729A (zh) * | 2018-11-28 | 2019-04-09 | 江苏科技大学 | 一种基于srm分割和分层线段特征的船舶目标检测方法 |
WO2022052443A1 (zh) * | 2020-09-09 | 2022-03-17 | 上海沈德医疗器械科技有限公司 | 一种组织消融的自动规划方法及装置 |
CN112465706A (zh) * | 2020-12-21 | 2021-03-09 | 天津工业大学 | 一种闸口集装箱自动验残方法 |
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 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115147416A (zh) * | 2022-09-02 | 2022-10-04 | 山东大山不锈钢制品有限公司 | 一种倒绳机乱绳检测方法、装置和计算机设备 |
CN117036358A (zh) * | 2023-10-10 | 2023-11-10 | 济南章力机械有限公司 | 一种数控机床刀具磨损检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117400066A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117400066B (zh) | 一种数控机床刀具磨损识别方法及系统 | |
US9196044B2 (en) | False alarm rejection for boat detection candidates | |
CN115035120B (zh) | 基于物联网的机床控制方法及系统 | |
CN110175633B (zh) | 一种基于北斗卫星传输数据的渔船轨迹异常检测方法 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN115431101A (zh) | 一种数控机床状态检测方法及系统 | |
CN108596232B (zh) | 一种基于形状和颜色特征的鞋垫自动分类方法 | |
CN115018850A (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN106529550A (zh) | 基于连通域分析的多维特征量提取方法及装置 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN105069452A (zh) | 基于局部结构分析的直线移除方法 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN111639568A (zh) | 一种用于变电站智能机器人的导航巡视方法 | |
CN115880674A (zh) | 一种基于无人驾驶矿车的避障转向矫正方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及系统 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
CN117036358B (zh) | 一种数控机床刀具磨损检测方法及系统 | |
CN113298775A (zh) | 自吸泵双面金属叶轮外观缺陷检测方法、系统和介质 | |
CN113160220A (zh) | 一种基于深度学习的检测门把手归位和弯曲的方法 | |
CN113902939A (zh) | 基于孪生网络的工业产品大缺陷检测方法 | |
CN113034492A (zh) | 一种印刷质量缺陷检测方法、存储介质 | |
CN111275693B (zh) | 一种图像中物体的计数方法、计数装置及可读存储介质 | |
CN115631146A (zh) | 一种基于图像的受电弓碳滑条缺损缺陷检测方法 | |
CN117218116B (zh) | 一种基于机器视觉的液压油缸漏油检测方法 |
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 |