CN118096760A - 刀具磨损检测方法、设备和可读存储介质 - Google Patents
刀具磨损检测方法、设备和可读存储介质 Download PDFInfo
- Publication number
- CN118096760A CN118096760A CN202410511064.1A CN202410511064A CN118096760A CN 118096760 A CN118096760 A CN 118096760A CN 202410511064 A CN202410511064 A CN 202410511064A CN 118096760 A CN118096760 A CN 118096760A
- Authority
- CN
- China
- Prior art keywords
- tool
- cutter
- determining
- image
- similarity data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000005299 abrasion Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000013459 approach Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 20
- 238000005520 cutting process Methods 0.000 description 15
- 238000003754 machining Methods 0.000 description 10
- 238000003708 edge detection Methods 0.000 description 9
- 238000003801 milling Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000036544 posture Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本申请公开了一种刀具磨损检测方法、设备和可读存储介质,涉及图像识别领域,该方法包括:当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图;基于所述全角度侧视图确定所述刀具的刀刃特征图;依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据;基于所述相似度数据确定所述刀具的磨损状态。所以,有效解决了相关技术中传感器检测容易受到加工中各种因素的影响从而导致传感器误判刀具损坏的技术问题,实现了准确判断刀具磨损情况的技术效果。
Description
技术领域
本申请涉及图像识别领域,尤其涉及一种刀具磨损检测方法、设备和可读存储介质。
背景技术
铣削加工作为一种典型加工方式,广泛应用于工业加工。铣削加工主要方式是依靠多刃刀具对被加工金属进行高速切割以去除多余材料达到加工目的。这个加工过程中,刀具是重要的加工工具,合适的加工工具使得加工过程顺利,产品完整合格。但刀具在使用时会出现磨损,而引起磨损的原因复杂多样。
在相关技术中,通常采用传感器,例如激光、声学等传感器来测量刀具的磨损程度,具体为使用传感器采集到原始数据,然后进行实时处理和分析,并通过实时监控和数据分析的算法来评估刀具磨损情况。最后通过训练模型对刀具磨损进行准确预测和监测,以及提供实时的刀具状态反馈。
但是刀具容易受到加工中各种因素的影响导致粘黏碎屑,采用传感器检测刀具磨损情况在此时容易输出错误特征值,进而导致磨损误判。
发明内容
本申请实施例通过提供一种刀具磨损检测方法、设备和可读存储介质,解决了相关技术中传感器检测容易受到加工中各种因素的影响从而导致传感器误判刀具损坏的技术问题,实现了准确判断刀具磨损情况的技术效果。
本申请实施例提供了一种刀具磨损检测方法,所述刀具磨损检测方法包括:
当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图;
基于所述全角度侧视图确定所述刀具的刀刃特征图;
依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据;
基于所述相似度数据确定所述刀具的磨损状态。
可选地,所述当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图的步骤之前,包括:
在所述刀具初次记录时,确定所述刀具的测量位姿为所述预设测量位姿;
采集所述刀具的全角度侧视图;
基于所述全角度侧视图确定所述刀具的刀刃标准特征。
可选地,所述基于所述全角度侧视图确定所述刀具的刀刃特征图的步骤包括:
基于所述全角度侧视图的采集顺序,将所述全角度侧视图逐帧分解为待分析图像;
对所述待分析图像对应的灰度图进行滤波处理,确定特征值图像;
基于预设算子处理每个所述特征值图像,确定所述刀具的所述刀刃特征图。
可选地,所述对所述待分析图像对应的灰度图进行滤波处理,确定特征值图像的步骤包括:
确定所述待分析图像对应的所述灰度图;
基于二维方向对所述灰度图进行卷积运算,确定滤波后的第一图像;
对所述第一图像进行非极大值抑制,确定细化特征值后的所述特征值图像。
可选地,所述依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据的步骤包括:
将所述刀刃特征图放缩至预设尺寸,确定单通道直方图;
基于差异值哈希算法处理所述单通道直方图,确定差异值;
基于所述差异值确定相邻帧的所述单通道直方图之间的哈希差值,确定所述相似度数据。
可选地,所述基于所述差异值确定相邻帧的所述单通道直方图之间的哈希差值,确定所述相似度数据的步骤包括:
基于相邻帧的所述单通道直方图对应的所述差异值,确定相邻帧的所述单通道直方图对应的所述哈希差值;
基于所述刀刃特征图对应的全部所述哈希差值的均值,确定所述刀具的所述相似度数据。
可选地,所述基于所述相似度数据确定所述刀具的磨损状态的步骤包括:
获取所述刀具在未使用状态下的第一相似度数据,以及磨损极限状态下的第二相似度数据;
基于所述相似度数据分别与所述第一相似度数据以及所述第二相似度数据的趋近程度,确定所述刀具的所述磨损状态。
可选地,所述基于所述相似度数据确定所述刀具的磨损状态的步骤之后,包括:
当所述磨损状态大于预设报废阈值时,输出刀具磨损严重的提示信息。
此外,本申请还提出一种刀具磨损检测设备,所述刀具磨损检测设备包括存储器、处理器及存储在存储器上并可在处理器上运行的刀具磨损检测程序,所述处理器执行所述刀具磨损检测程序时实现如上所述的刀具磨损检测方法的步骤。
此外,本申请还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有刀具磨损检测程序,所述刀具磨损检测程序被处理器执行时实现如上所述的刀具磨损检测方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图;基于所述全角度侧视图确定所述刀具的刀刃特征图;依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据;基于所述相似度数据确定所述刀具的磨损状态。所以,有效解决了相关技术中需传感器检测容易受到加工中各种因素的影响从而导致传感器误判刀具损坏的技术问题,实现了准确判断刀具磨损情况的技术效果。
附图说明
图1为本申请刀具磨损检测方法实施例一的流程示意图;
图2为本申请刀具磨损检测方法实施例三的流程示意图;
图3为本申请刀具磨损检测方法实施例四中步骤S410-S430的流程示意图;
图4为本申请刀具磨损检测设备实施例涉及的硬件结构示意图。
具体实施方式
在相关技术中,磨损会导致刀具表面出现刀痕和毛刺,使得加工表面光洁度下降。当用户操作不当导致进给量太大或刀具磨损严重时进行加工,刀具可能会崩裂,导致工件损坏报废甚至机床停机检修,且磨损量超出临界值后会导致加工精度严重下降,这无疑会导致巨大的经济损失。引起磨损的原因很多,比如颗粒磨损,也叫机械磨损,主要是因为硬粒与刀具的硬度不同导致的擦伤,使得刀具磨损;相变磨损:指切割时高引起的刀具材料金相材料的转变,导致硬度下降进而导致刀具磨损;黏结磨损:指切削时因高压力与合适的温度产生的分子间吸附作用,刀具表面一些强度较低的微粒会被碎屑或工件黏结带走所导致的刀具磨损;扩散磨损:指的是刀具在高温加工时的刀具与工件之间会互相扩散置换,改变了刀具材料原来的分子结构,使得刀具的物理特性下降,从而加剧刀具磨损。目前大多数的刀具检测方法是通过传感器检测刀具的某个特征是否变化来判断刀具磨损程度是否严重,但容易受到加工中各种因素的影响,比如加工时碎屑黏在刀具上导致传感器接收到的特征值改变,从而导致传感器误判刀具损坏,导致不必要的经济损失。本申请实施例采用的主要技术方案是:在刀具处于预设测量位姿时,基于刀具的全角度侧视图确定刀具的刀刃特征图,依次处理相邻帧的所述刀刃特征图,根据相似度数据对比刀具在初始情况以及极限磨损情况下的特征,进而确定刀具的磨损状态,从而实现了准确判断刀具磨损情况的技术效果。
为了更好地理解上述技术方案,下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,能够以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整地传达给本领域的技术人员。
实施例一
本申请实施例一公开了一种刀具磨损检测方法,参照图1,所述刀具磨损检测方法包括:
步骤S110,当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图。
在本实施例中,预设测量位姿,是该类刀具在未使用和极限磨损状态下建立刀具的特征库时,采用的位姿。全角度侧视图是刀具旋转一周,即360度,图像采集模块在固定位置采集的刀具的侧视图。
作为一种可选实施方式,基于刀具的类型标识确定刀具对应的特征库,根据特征库在建立时记录的刀具位姿,确定预设测量位姿,当检测到刀具和主轴处于预设测量位姿时,控制刀具按照预设速度旋转,并控制图像采集模块采集刀具的全角度侧视图,即全角度侧视图是视频数据。
作为另一种可选实施方式,在刀具使用前,将刀具与主轴放置在特定的位置和角度,确保刀具与主轴处于预设的测量位姿。通过摄像设备或传感器,从不同角度获取刀具的全角度侧视图。可以使用三维扫描仪、摄像机,或者是在已经建立的固定位置上拍摄多张照片(如0°、45°、90°、135°、180°、225°、270°、315°),以涵盖刀具的全部侧视图。
步骤S120,基于所述全角度侧视图确定所述刀具的刀刃特征图。
在本实施例中,刀刃特征图是全角度侧视图对应的每一帧图片进行边沿特征突出处理后的图像。对于全角度侧视图中的每一帧图片进行特征提取,确定每一帧图片对应的刀刃特征图。即刀刃特征图对应的数量,与图像采集模块的工作参数相关。
作为一种可选实施方式,将采集到的全角度侧视图进行处理,提取刀具的刀刃特征图。可以使用边缘检测算法,如Canny(Canny edge detection,卡尼边缘检测)算子对图像进行处理,突出刀刃的轮廓。
步骤S130,依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据。
在本实施例中,相似度数据是根据每一帧刀刃特征图对应的哈希值确定的刀具的平均相似度。
作为一种可选实施方式,依次处理相邻帧的刀刃特征图,使用图像处理和计算方法,计算刀具之间的相似度数据。使用差异值哈希算法,计算相邻帧之间的哈希差异值,并使用汉明距离或其他相似性指标衡量相似度。
步骤S140,基于所述相似度数据确定所述刀具的磨损状态。
在本实施例中,磨损状态是刀具对应于极限磨损状态下的百分比。例如磨损百分之七十。即当磨损百分之一百时,刀具处于极限磨损状态,当磨损为0时,刀具处于未使用状态。
作为一种可选实施方式,基于相似度数据,确定刀具的磨损状态。可以设定一个相似度阈值,判断相似度是否接近全新刀具或已达到磨损极限。如果相似度低于阈值,则表明刀具磨损严重,需要维修或更换。
示例性的,确定预设测量位姿,将铣刀与主轴放置在水平位置,确保铣刀的切削刃朝上,并与主轴对齐。使用一个固定摄像头,从不同角度拍摄铣刀的全角度侧视图,例如0°、45°、90°、135°、180°、225°、270°、315°。对采集到的每个角度的图像应用边缘检测算法,例如Canny算子,以提取铣刀的刀刃轮廓。依次处理相邻帧的刀刃特征图,使用差异值哈希算法计算每对相邻帧之间的哈希差异值,并计算相似度数据。使用汉明距离(HammingDistance)进行相似度衡量。设定一个相似度阈值,例如0.8。如果相邻帧之间的相似度低于阈值,表明铣刀正在磨损,需要进行维修或更换。
在本实施例中,在每次使用铣刀之前,通过将铣刀放置在预设测量位姿进行相似度确认,快速检测铣刀的磨损状态。一旦磨损达到或接近磨损极限,就可以及时进行维修或更换,以保证加工质量和刀具寿命。
可选地,步骤S140之后,当所述磨损状态大于预设报废阈值时,输出刀具磨损严重的提示信息。
在本实施例中,一旦判断该刀具已经不适合加工,则会产生一个报警信号通知维修人员更换刀具,也可以在该相似度接近报废刀具的预设报废阈值的时候产生一个警告信号,提示用户该刀具在接下来的加工过程中可能会损坏。
进一步地,考虑到会识别出错或者刀具粘连铁屑,使得机器判断出错,每次检测前对刀具进行吹气,将一些铁屑清除,或者将该刀具数据更改,将报警阈值加大,从而使得数据更贴合实际。
由于采用了当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图;基于所述全角度侧视图确定所述刀具的刀刃特征图;依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据;基于所述相似度数据确定所述刀具的磨损状态。所以,有效解决了相关技术中需传感器检测容易受到加工中各种因素的影响从而导致传感器误判刀具损坏的技术问题,实现了准确判断刀具磨损情况的技术效果。
基于实施例一,本申请实施例二提出一种刀具磨损检测方法,步骤S110之前,包括:
步骤S210,在所述刀具初次记录时,确定所述刀具的测量位姿为所述预设测量位姿。
在本实施例中,当该种类的刀具初次记录,即处于未使用状态或者极限磨损状态时,将刀具与主轴按照预设姿态固定,记录此时刀具与主轴的姿态为预设测量位姿。即刀具在未使用、极限磨损以及使用中三种情况下采集全角度侧视图时,刀具与主轴的姿态是一致的,保证拍摄得到的图像解析得到的图片与标准库图片的实际位置是一一对应的,降低差异检测时的误差,提升磨损检测的精度。
步骤S220,采集所述刀具的全角度侧视图。
步骤S230,基于所述全角度侧视图确定所述刀具的刀刃标准特征。
在本实施例中,分别在刀具处于未使用状态以及磨损极限时,建立未使用状态对应的第一特征库,以及磨损极限状态对应的第二特征库。
作为一种可选实施方式,在初次记录刀具之前,设定预设测量位姿,即设定刀具的期望测量位置和姿态。准备好用于采集刀具全角度侧视图的相机设备。将刀具放置在预设测量位姿下的测量设备中。使用相机设备围绕刀具进行全角度侧视图采集。可以通过旋转刀具或移动相机等方式来获取全角度的视图。每个角度下,采集刀具的侧视图图像并保存。使用图像处理算法对采集到的全角度侧视图进行处理和分析,以确定刀具的刀刃标准特征。然后基于刀刃标准特征,确定刀具在未使用状态下对应的第一相似度数据。
同理,确定刀具在极限磨损状态下的第二相似度数据。
示例性的,对采集到的图像进行预处理,例如去除噪声、增强对比度等。然后,利用边缘检测算法(例如Canny算子)来提取刀刃的边缘信息。根据刀刃的形状、长度、宽度等特征,对提取到的边缘信息进行分析和筛选,以得到刀刃的标准特征。在确定刀刃标准特征后,对每一帧刀刃标准特征基于差异值哈希算法进行处理,确定其对应的第一相似度数据。同理,确定刀具在极限磨损状态下的第二相似度数据。
作为本实施的一个示例,分别收集常用的各种新出厂和使用到磨损极限刀具的360°的侧视图,磨损情况包括后刀面磨损、月牙洼磨损、沟槽磨损,裂纹以及崩刃等所有常见刀具磨损的情况,多次测量每个磨损情况刀具完整侧视图。记录下刀刃区域和已磨损刀具与新刀具的相似度。刀具在第一次使用前,都要在主轴上以每秒20圈的速度转一圈,一旁的摄像头确保拍摄到完整的刀具360°侧视图,将采集到的视频数据上传到上位机,上位机可以直接对视频处理,将视频逐帧解析后分成一张张图片,将图片按顺序排列再逐张检测,将检测出来的特征值记录为标准值,以便后续可以进行对比。
在本实施例中,将确定的刀具测量位姿和刀刃标准特征记录下来,以备将来使用,通过设定预设测量位姿、采集全角度侧视图并使用图像处理算法来确定刀具的刀刃标准特征,可用于帮助后续刀具测量和分析,提升刀具磨损检测的速度和精度。
基于实施例一,本申请实施例三提出一种刀具磨损检测方法,参照图2,步骤S120包括:
步骤S310,基于所述全角度侧视图的采集顺序,将所述全角度侧视图逐帧分解为待分析图像。
在本实施例中,全角度侧视图是视频数据,因此基于视频帧,即全角度侧视图的采集顺序,逐帧分解为待分析图像,即相邻帧的待分析图像在时间上具有连续性。
作为一种可选实施方式,将相机设备安装在适当的位置,以获取刀具的全角度侧视图。确保相机设备能够提供高质量的图像,并能够捕捉到刀具的细节。设定采集顺序,从固定的起始角度开始逆时针或顺时针依次采集全角度侧视图。确保相机设备在每个角度下都能够准确捕捉到刀具的图像。将采集到的全角度侧视图逐帧分解为待分析图像。每个待分析图像代表刀具在特定角度下的侧视图。通过图像处理软件或编程语言来自动分解全角度侧视图并提取待分析图像。
步骤S320,对所述待分析图像对应的灰度图进行滤波处理,确定特征值图像。
在本实施例中,特征值图像是包含了刀刃特征的图像。
作为一种可选实施方式,对于每个待分析图像,将其转换为灰度图像。对灰度图像进行滤波处理,以减少噪声并突出刀刃的特征,其中,使用高斯滤波器或中值滤波器。在滤波处理后,获取特征值图像,其中每个像素代表刀具在对应角度下的特征值。
可选地,步骤S320包括:
步骤S321,确定所述待分析图像对应的所述灰度图。
在本实施例中,根据待分析图像,将其转换为灰度图像。可以使用灰度转换算法,如灰度平均算法或加权平均算法,将彩色图像转换为灰度图像。
步骤S322,基于二维方向对所述灰度图进行卷积运算,确定滤波后的第一图像。
在本实施例中,于二维方向选择适当的滤波核或滤波器,如Sobel滤波器、Laplacian滤波器或Gabor滤波器。将选择的滤波器应用于灰度图像,通过卷积运算得到滤波后的第一图像。卷积运算可以通过使用卷积操作函数来实现,如OpenCV中的filter2D()函数。
步骤S323,对所述第一图像进行非极大值抑制,确定细化特征值后的所述特征值图像。
在本实施例中,对滤波后的第一图像进行非极大值抑制。非极大值抑制是一种常用的边缘细化算法,用于提取边缘信息并抑制非极大值点。针对每个像素点,比较其周围邻域内的灰度值与当前像素点的灰度值。如果当前像素点的灰度值最大,则保留该像素点;如果不是,则将其灰度值置为0,以实现细化特征值的效果。经过非极大值抑制后,得到的图像即为特征值图像。特征值图像中的每个像素点代表了待分析图像中对应位置的特征值。特征值可以是边缘强度、角点强度等,根据具体需求进行选择。
步骤S330,基于预设算子处理每个所述特征值图像,确定所述刀具的所述刀刃特征图。
在本实施例中,预设算子为边缘检测算子,例如Canny算子。
作为一种可选实施方式,基于预设的算子处理每个特征值图像,以确定刀具的刀刃特征图。使用边缘检测算法(如Canny算子)来检测刀刃的边缘信息。通过设置适当的阈值和参数,筛选出具有连续性且符合刀刃形状的边缘线段。最终得到的刀刃特征图显示了刀具刀刃的位置和形状信息。将确定的刀刃特征图以及相应的角度信息进行记录和保存。将刀刃特征图保存为图像文件或将其与其他刀具数据一起存储在数据库中,以备将来使用。
作为本实施的一个示例,将拍摄到的视频逐帧分解为图片,再按顺序对每一张图片取灰度图,因为原本的图片格式是RGB格式无法进行特征值提取,需要转换为灰度图才能处理,再对图片进行滤波处理,具体原理为二维方向的卷积运算,即对水平方向向左边沿和垂直方向向上边沿进行卷积运算,计算出上一点与下一点变化最大的像素点。滤波得到后的图片可能噪声是很多,这里可以按需选择双阈值法进行二次滤波,可以将一些较小的噪点去除。再将得到的图像进行非极大值抑制,将得到图片中的特征值细化,最后用Canny算子处理得到的图片最后就可以得到边沿检测处理出来的图片,将该图片记录下来,再将其余的图片按顺序重复以上步骤检测,就可以的得到刀具一周的刀刃特征图。
在本实施例中,结合了图像处理和特征值分析的方法,实现了提取和显示刀具刀刃的重要特征信息的技术效果。
基于实施例一,本申请实施例四提出一种刀具磨损检测方法,参照图3,步骤S130包括:
步骤S410,将所述刀刃特征图放缩至预设尺寸,确定单通道直方图。
在本实施例中,使用差异值哈希算法计算相似度,差异值哈希积相比于均值哈希算法与感知哈希算法的识别精度更高,处理速度更快,加快处理时间和精度,减少加工准备时间。
差异值哈希算法需要处理单通道直方图,由于经过边沿检测得到的刀刃特征图已经是单通道直方图,只需要将图像缩小到图片几乎只包括刀具的大小即可,因为拍摄对象与摄像头在拍摄的时候都在固定位置,调整摄像头的拍摄位置使得主轴与刀具尽可能处于拍摄得到的图像中间,所以只需要将图片统一缩放处理即可。这样既减少了图片背景中可能会存在的切削铁屑影响相似度的概率,又加快了处理速度。
可选地,由于图像采集模块与刀具的距离固定,并且图像采集模块的采集视野相同,因此对于每个采集位置对应的刀刃特征图中,刀具部分所占的最小矩形是相同的。因此可以基于预设尺寸对每张刀刃特征图进行裁剪,得到每张刀刃特征图对应的单通道直方图。其中,每个采集位置对应的刀刃特征图,对应有一个预设尺寸。采集位置是指刀具在图片中的视角。
作为一种可选实施方式,将每个刀刃特征图调整为预设尺寸,可以使用图像缩放算法,如双线性插值或最近邻插值,将图像调整为相同的尺寸。将调整后的刀刃特征图转换为灰度图像,以便进行单通道直方图计算。计算灰度图像的单通道直方图,使用图像处理库,如OpenCV,调用calcHist()函数计算直方图。
步骤S420,基于差异值哈希算法处理所述单通道直方图,确定差异值。
在本实施例中,对于每个刀刃特征图的单通道直方图,将其转换为二进制哈希,使用差异值哈希算法对单通道直方图进行处理。差异值哈希算法是一种基于差异值计算哈希值的方法。通过计算相邻像素之间的灰度差异,并将其转换为二进制哈希,得到刀刃特征图的哈希值,即差异值。
作为一种可选实施方式,对单通道直方图中每个像素进行差异比较,比较相邻像素的灰度差值,得到一个差异数组。根据这个差异数组,生成一个特征向量。最后,将特征向量转化为二进制哈希码。
示例性的,将图像转换为灰度图像,并将其调整为固定的尺寸。对每个像素进行比较,比较相邻像素的灰度差值,得到一个差异数组。根据差异数组,生成一个特征向量,可以使用一些统计方法(如平均值、中值等)来提取特征。将特征向量的每个元素与平均值进行比较,如果大于平均值,则置为1;否则,置为0。这样就得到了一个二进制哈希码,即差异值。
步骤S430,基于所述差异值确定相邻帧的所述单通道直方图之间的哈希差值,确定所述相似度数据。
在本实施例中,对于相邻的刀刃特征图,比较它们的哈希值差异。计算两个哈希值之间的汉明距离,汉明距离是指两个二进制串之间对应位置上不同的位数。根据汉明距离的大小,判断两个刀刃特征图的相似度。然后根据每个相邻帧两张刀刃特征图对应的相似度,即哈希差值进行均值处理,得到刀具对应的相似度数据。
作为一种可选实施方式,步骤S430包括:
步骤S431,基于相邻帧的所述单通道直方图对应的所述差异值,确定相邻帧的所述单通道直方图对应的所述哈希差值;
步骤S432,基于所述刀刃特征图对应的全部所述哈希差值的均值,确定所述刀具的所述相似度数据。
在本实施例中,每帧刀刃特征图对应着一帧单通道直方图,确定每帧单通道直方图对应的差异值后,确定相邻帧的所述单通道直方图对应的所述哈希差值。即哈希差值的数量比刀刃特征图的帧数少一。基于全部的所述哈希差值以及哈希差值的数量进行均值计算,以平均值作为刀具的相似度数据。
在本实施例中,实际是分别对于未使用、使用中以及极限磨损三种状态下,分别计算其对应的相似度数据。即对于每一种状态,刀刃特征图具有多帧,在每两个相邻帧之间计算哈希差值,然后根据每个哈希差值计算一个均值,进而确定该种状态下的相似度数据。进而对比三种状态下的相似度数据来确定刀具当前的磨损情况,使得减少了计算的数据量,并且提升了计算的精度。
作为步骤S130的另一种可选实施方式,步骤S130包括步骤S410、S420以及步骤S440,其中,步骤S440包括:
在确定每张单通道直方图对应的差异值后,基于单通道直方图对应的采集位置,确定每个采集位置对应的刀刃标准特征,即从建立的第一特征库中获取刀具在每个采集位置对应的刀刃标准特征,对刀刃标准特征进行步骤S410以及S420的处理后,确定每张刀刃标准特征对应的差异值。然后基于汉明距离计算每个采集位置对应的刀刃特征图以及刀刃标准特征之间的哈希差值。在确定每个位置对应的哈希差值之后,基于所有哈希差值以及采集位置的数量进行均值计算,以哈希差值的均值作为相似度数据。
可选地,步骤S140包括:
步骤S450,获取所述刀具在未使用状态下的第一相似度数据,以及磨损极限状态下的第二相似度数据。
在本实施例中,获取刀具在未使用状态下的第一相似度数据和磨损极限状态下的第二相似度数据,在刀具未使用的初始状态下,获取刀具的第一相似度数据。这可以是刀具的特征图、特征向量或任何可以表示刀具状态的数值;也可以是前述实施例中计算的刀具在未使用状态下基于第一刀刃特征通过差异值哈希算法计算的第一相似度数据。获取刀具的第二相似度数据。同样,这可以是刀具的特征图、特征向量或任何可以表示刀具状态的数值,也可以是前述实施例中计算的刀具在极限磨损状态下基于第二刀刃特征通过差异值哈希算法计算的第二相似度数据。
步骤S460,基于所述相似度数据分别与所述第一相似度数据以及所述第二相似度数据的趋近程度,确定所述刀具的所述磨损状态。
在本实施例中,计算刀具的相似度数据与第一相似度数据之间的趋近程度或相似度度量。使用各种相似度度量,如欧氏距离、相关系数等,计算待识别刀具的相似度数据与第二相似度数据之间的趋近程度或相似度度量。根据待识别刀具的相似度数据与第一相似度数据的趋近程度和相似度数据与第二相似度数据的趋近程度,确定刀具的磨损状态。
作为一种可选实施方式,设定一个阈值,当相似度数据与第一相似度数据的趋近程度低于阈值时,判断刀具为磨损状态;当它高于阈值时,判断刀具为正常状态。
作为另一种可选实施方式,根据相似度数据与第一相似度数据和相似度数据与第二相似度数据的比例,或者通过构建一个分类模型(如支持向量机或深度学习模型)来进行分类,判断刀具的磨损状态。
作为本实施例的一个示例,用差异值哈希算法对图像处理,计算得到的差异值,最后用汉明距离计算两张图片的哈希差值,得到相似度数据。处理所有得到的相似度数据再去平均值,得到总的平均相似度,再有上位机判断当前刀具的相似度是否接近于全新刀具与达到磨损极限刀具的相似度,从而判断该刀具是否还能继续加工。
由于采用了将所述刀刃特征图放缩至预设尺寸,确定单通道直方图;基于差异值哈希算法处理所述单通道直方图,确定差异值;基于所述差异值确定相邻帧的所述单通道直方图之间的哈希差值,确定所述相似度数据。实现了准确判断刀具磨损情况的技术效果。
本申请还提出一种刀具磨损检测设备,参照图4,图4为本申请实施例方案涉及的硬件运行环境的刀具磨损检测设备结构示意图。
如图4所示,该刀具磨损检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图4中示出的结构并不构成对刀具磨损检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
可选地,存储器1005与处理器1001电性连接,处理器1001可用于控制存储器1005的运行,还可以读取存储器1005中的数据以实现刀具磨损检测。
可选地,如图4所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及刀具磨损检测程序。
可选地,在图4所示的刀具磨损检测设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请刀具磨损检测设备中的处理器1001、存储器1005可以设置在刀具磨损检测设备中。
如图4所示,所述刀具磨损检测设备通过处理器1001调用存储器1005中存储的刀具磨损检测程序,并执行本申请实施例提供的刀具磨损检测方法的相关步骤操作:
当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图;
基于所述全角度侧视图确定所述刀具的刀刃特征图;
依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据;
基于所述相似度数据确定所述刀具的磨损状态。
可选地,处理器1001可以调用存储器1005中存储的刀具磨损检测程序,还执行以下操作:
在所述刀具初次记录时,确定所述刀具的测量位姿为所述预设测量位姿;
采集所述刀具的全角度侧视图;
基于所述全角度侧视图确定所述刀具的刀刃标准特征。
可选地,处理器1001可以调用存储器1005中存储的刀具磨损检测程序,还执行以下操作:
基于所述全角度侧视图的采集顺序,将所述全角度侧视图逐帧分解为待分析图像;
对所述待分析图像对应的灰度图进行滤波处理,确定特征值图像;
基于预设算子处理每个所述特征值图像,确定所述刀具的所述刀刃特征图。
可选地,处理器1001可以调用存储器1005中存储的刀具磨损检测程序,还执行以下操作:
确定所述待分析图像对应的所述灰度图;
基于二维方向对所述灰度图进行卷积运算,确定滤波后的第一图像;
对所述第一图像进行非极大值抑制,确定细化特征值后的所述特征值图像。
可选地,处理器1001可以调用存储器1005中存储的刀具磨损检测程序,还执行以下操作:
将所述刀刃特征图放缩至预设尺寸,确定单通道直方图;
基于差异值哈希算法处理所述单通道直方图,确定差异值;
基于所述差异值确定相邻帧的所述单通道直方图之间的哈希差值,确定所述相似度数据。
可选地,处理器1001可以调用存储器1005中存储的刀具磨损检测程序,还执行以下操作:
基于相邻帧的所述单通道直方图对应的所述差异值,确定相邻帧的所述单通道直方图对应的所述哈希差值;
基于所述刀刃特征图对应的全部所述哈希差值的均值,确定所述刀具的所述相似度数据。
可选地,处理器1001可以调用存储器1005中存储的刀具磨损检测程序,还执行以下操作:
获取所述刀具在未使用状态下的第一相似度数据,以及磨损极限状态下的第二相似度数据;
基于所述相似度数据分别与所述第一相似度数据以及所述第二相似度数据的趋近程度,确定所述刀具的所述磨损状态。
可选地,处理器1001可以调用存储器1005中存储的刀具磨损检测程序,还执行以下操作:
当所述磨损状态大于预设报废阈值时,输出刀具磨损严重的提示信息。
此外,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有刀具磨损检测程序,所述刀具磨损检测程序被处理器执行时实现如上任一实施例所述的刀具磨损检测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二,以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种刀具磨损检测方法,其特征在于,所述刀具磨损检测方法包括:
当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图;
基于所述全角度侧视图确定所述刀具的刀刃特征图;
依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据;
基于所述相似度数据确定所述刀具的磨损状态。
2.如权利要求1所述的刀具磨损检测方法,其特征在于,所述当刀具与主轴处于预设测量位姿时,采集所述刀具的全角度侧视图的步骤之前,包括:
在所述刀具初次记录时,确定所述刀具的测量位姿为所述预设测量位姿;
采集所述刀具的全角度侧视图;
基于所述全角度侧视图确定所述刀具的刀刃标准特征。
3.如权利要求1所述的刀具磨损检测方法,其特征在于,所述基于所述全角度侧视图确定所述刀具的刀刃特征图的步骤包括:
基于所述全角度侧视图的采集顺序,将所述全角度侧视图逐帧分解为待分析图像;
对所述待分析图像对应的灰度图进行滤波处理,确定特征值图像;
基于预设算子处理每个所述特征值图像,确定所述刀具的所述刀刃特征图。
4.如权利要求3所述的刀具磨损检测方法,其特征在于,所述对所述待分析图像对应的灰度图进行滤波处理,确定特征值图像的步骤包括:
确定所述待分析图像对应的所述灰度图;
基于二维方向对所述灰度图进行卷积运算,确定滤波后的第一图像;
对所述第一图像进行非极大值抑制,确定细化特征值后的所述特征值图像。
5.如权利要求1所述的刀具磨损检测方法,其特征在于,所述依次处理相邻帧的所述刀刃特征图,确定所述刀具的相似度数据的步骤包括:
将所述刀刃特征图放缩至预设尺寸,确定单通道直方图;
基于差异值哈希算法处理所述单通道直方图,确定差异值;
基于所述差异值确定相邻帧的所述单通道直方图之间的哈希差值,确定所述相似度数据。
6.如权利要求5所述的刀具磨损检测方法,其特征在于,所述基于所述差异值确定相邻帧的所述单通道直方图之间的哈希差值,确定所述相似度数据的步骤包括:
基于相邻帧的所述单通道直方图对应的所述差异值,确定相邻帧的所述单通道直方图对应的所述哈希差值;
基于所述刀刃特征图对应的全部所述哈希差值的均值,确定所述刀具的所述相似度数据。
7.如权利要求1所述的刀具磨损检测方法,其特征在于,所述基于所述相似度数据确定所述刀具的磨损状态的步骤包括:
获取所述刀具在未使用状态下的第一相似度数据,以及磨损极限状态下的第二相似度数据;
基于所述相似度数据分别与所述第一相似度数据以及所述第二相似度数据的趋近程度,确定所述刀具的所述磨损状态。
8.如权利要求1所述的刀具磨损检测方法,其特征在于,所述基于所述相似度数据确定所述刀具的磨损状态的步骤之后,包括:
当所述磨损状态大于预设报废阈值时,输出刀具磨损严重的提示信息。
9.一种刀具磨损检测设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的刀具磨损检测程序,所述处理器执行所述刀具磨损检测程序时实现如权利要求1至8任一项所述的刀具磨损检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有刀具磨损检测程序,所述刀具磨损检测程序被处理器执行时实现如权利要求1至8任一项所述的刀具磨损检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410511064.1A CN118096760A (zh) | 2024-04-26 | 2024-04-26 | 刀具磨损检测方法、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410511064.1A CN118096760A (zh) | 2024-04-26 | 2024-04-26 | 刀具磨损检测方法、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118096760A true CN118096760A (zh) | 2024-05-28 |
Family
ID=91157809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410511064.1A Pending CN118096760A (zh) | 2024-04-26 | 2024-04-26 | 刀具磨损检测方法、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096760A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111230593A (zh) * | 2020-03-02 | 2020-06-05 | 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 |
JP2020146782A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社エスケー | 回転カッタ研削装置 |
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 |
CN116071298A (zh) * | 2022-11-30 | 2023-05-05 | 苏州诺而为工业技术服务有限公司 | 一种基于目标检测模型的刀具损耗识别方法、装置 |
CN116787224A (zh) * | 2022-12-21 | 2023-09-22 | 杭州电子科技大学 | 一种多角度多维度刀具磨损量快速检测装置及方法 |
-
2024
- 2024-04-26 CN CN202410511064.1A patent/CN118096760A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020146782A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社エスケー | 回転カッタ研削装置 |
CN111230593A (zh) * | 2020-03-02 | 2020-06-05 | 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 |
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 |
CN116071298A (zh) * | 2022-11-30 | 2023-05-05 | 苏州诺而为工业技术服务有限公司 | 一种基于目标检测模型的刀具损耗识别方法、装置 |
CN116787224A (zh) * | 2022-12-21 | 2023-09-22 | 杭州电子科技大学 | 一种多角度多维度刀具磨损量快速检测装置及方法 |
Non-Patent Citations (1)
Title |
---|
刘敏: "基于机器视觉的工业缝纫机上刀质量检测技术研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑), 15 January 2024 (2024-01-15), pages 024 - 689 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN111951237A (zh) | 外观视觉检测方法 | |
EP1675066A1 (en) | Face image candidate area search method, face image candidate area search system, and face image candidate area search program | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
JP2009529196A (ja) | デジタル画像において目を検出する方法および装置 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
AU2014360023A1 (en) | Automatic fault diagnosis method and device for sorting machine | |
WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN108364306B (zh) | 一种高速周期运动的视觉实时检测方法 | |
CN114078127B (zh) | 物件的缺陷检测及计数方法、装置、设备和存储介质 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 | |
CN112907521A (zh) | 基于ssd和glcm的焊接气孔目标检测方法 | |
CN118096760A (zh) | 刀具磨损检测方法、设备和可读存储介质 | |
CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
JP2006309714A (ja) | 顔判別方法および装置並びにプログラム | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |