基于多視覺特征融合技術的高速機床刀具狀態視診方法研究

劉曉杰+范洪輝+朱洪錦+張旻

2摘 要： 傳統多傳感器融合的刀具磨損檢測方法，通過依據特征變換的特征降維方法，完成多傳感器融合的刀具特征降維處理，其對特征的描述性差，檢測效率低。因此，設計基于多視覺特征融合技術的高速機床刀具狀態視診系統，該系統通過固定攝像機A采集整體刀具圖像，可控攝像機B采集刀頭圖像。兩個攝像機的視頻圖像都輸入到圖像采集卡中的數據采集電路進行處理。系統通過數據采集電路獲取刀具圖像數據后，將數據傳遞給數據處理模塊進行存儲和模/數轉換等處理。采用STC89C52單片機設計顯示報警模塊，用于顯示刀具磨損狀態。系統實現部分給出了系統軟件流程圖，并通過BP神經網絡方法融合多視覺特征信息，檢測高速機床刀具的磨損情況。實驗結果表明，所設計系統可準確檢測出刀具的磨損狀態，具有較高的檢測精度和魯棒性。

關鍵詞： 多視覺特征融合； STC89C52； 高速機床； 刀具狀態

中圖分類號： TN911?34； TP39 文獻標識碼： A 文章編號： 1004?373X（2017）04?0167?05

Research on high?speed machine cutter condition diagnosis method based on

multi?vision feature fusion technology

LIU Xiaojie1， FAN Honghui2， ZHU Hongjin2， ZHANG Min2

（1. School of Electrical & Information Engineering， Jiangsu University of Technology， Changzhou 213001， China；

2. School of Computer Engineering， Jiangsu University of Technology， Changzhou 213001， China）

Abstract： The cutter wear detection method of the traditional multi?sensor fusion is used to perform the cutter feature dimension reduction according to the feature dimension reduction method of the feature transform， which has poor feature description and low detection efficiency. Therefore， a high?speed machine cutter condition diagnosis system based on multi?vision feature fusion technology was designed， in which the images of the whole cutter are collected by the fixed camera A， and the images of the cutter bit are collected by the controllable camera B. The video images of the two cameras are input into the data acquisition circuit in the image acquisition card for processing. After acquiring the cutter image data through the system′s data acquisition circuit， the data is transmitted to the data processing module for storage， A/D conversion， etc. The single chip STC89C52 is adopted to design the display alarm module to display the cutter wear condition. The system software flow chart is given in System Implementation paragraph in this paper. The multi?vision feature information is fused with the BP neural network method to detect the wear conditions of the high?speed machine cutter. The experimental results indicate that the system can detect the cutter wear condition accurately， and has high detection accuracy and robustness.

Keywords： multi?vision feature fusion； STC89C52； high?speed machine cutter； cutter condition

0 引 言

當前的高速機床在工業生成中具有廣泛的應用價值，在機床加工過程中，刀具磨損問題成為刀具失效的關鍵因素。刀具失效導致工件加工質量低，使得機床出現故障，大大降低企業生成效率[1?3]。因此，尋求可靠方法對高速機床刀具狀態進行準確檢測，具有重要應用價值。傳統多傳感器融合的刀具磨損檢測方法，通過依據特征變換的特征降維方法，完成多傳感器融合的特征降維處理，其對特征的描述性差，檢測效率低[4?6]。

文獻[7]采用CCD照相機采集刀頭圖像，明確刀頭區域同刀具磨損區域，進而準確檢測出刀具磨損邊緣點，運算出刀具的磨損量，但是該方法的抗噪性能較差，檢測精度較低。文獻[8]分析了依據傳感器檢測的刀具磨損狀態檢測方法，對傳感器信號進行分析和采集，可運算出刀具狀態變量，但是該方法的準確率低，主要應用于小范圍的機械加工，具有較大局限性。文獻[9]分析了基于多傳感器融合的刀具狀態檢測方法，其通過依據特征變換的特征降維方法，完成多傳感器融合的特征降維處理，但是該方法對特征的描述性差，檢測效率低。文獻[10]采用對濾式的特征選擇算法完成刀具檢測，該方法先塑造刀具的特征評估函數，并運算刀具特征間的冗余度，采用學習算法分析選擇后的刀具特征準確率，完成刀具磨損狀態的識別。但是該方法的檢測精度較低，存在較高的偏差

為了解決上述問題，設計基于多視覺特征融合技術的高速機床刀具狀態視診系統。實驗結果表明，所設計系統可準確檢測出刀具的磨損狀態，具有較高的檢測精度和魯棒性。

1 高速機床刀具狀態視診系統設計

1.1 系統結構

所設計的基于多視覺特征的高速機床刀具狀態視診系統硬件結構如圖1所示。該系統通過雙攝像機聯合定位跟蹤機床刀具，增強刀具信息采集的精度，通過一系列刀具特征采集和跟蹤算法，采集同刀具磨損相關的視覺特征信息，通過BP神經網絡方法融合多視覺特征信息，檢測高速機床刀具的磨損情況。

系統通過雙攝像機同時采集高速機床刀具圖像。其中固定攝像機A采集整體刀具圖像，可控攝像機B采集刀頭圖像。兩個攝像機的視頻圖像都輸入到圖像采集卡中的數據采集電路接口，采用數據處理模塊將模擬信號變換成數字信號。PC機采集刀具的數字視頻圖像后，采用基于BP神經網絡的圖像分析算法，獲取刀具磨損信息，并通過顯示報警模塊呈現刀具磨損信息。采用UV60M一體化高速球型攝像機作為可控攝像機，該攝像機具有較高的轉速和采集精度，滿足高速機床刀具圖像信息采集實時性的要求。

多視覺特征融合是對人腦綜合復雜問題的功能模擬，多視覺特征融合系統中，不同攝像機采集不同的刀具信息特征，這些特征間存在一定的關系。信息融合可充分利用不同的攝像機資源，通過對不同攝像機及其觀測信息的合理分配，可全面描述刀具的特征，為刀具狀態檢測提供了可靠的分析依據。

1.2 數據采集電路設計

高速機床刀具狀態視診系統要求實時準確采集和處理刀具圖像信息，并且要求硬件系統盡可能小，安裝到高速機床刀具中。

采用MEMS加速度傳感器和無線射頻芯片CC2430作為系統采集卡的核心，CC2430是嵌入式ZigBee應用的片上系統，其支持2.4 GHz 802.15/ZigBee協議，集成了高性能2.4 GHz射頻收發器和工業級的控制器。CC2430是數據采集卡中的關鍵部分，其用于接收攝像機A和攝像機B采集的刀具視頻圖像數據，其硬件電路設計主要包括傳感器電路、無線發射/接收電路、串口電路以及紐扣電源。將傳感器電路、無線發射電路以及紐扣電源集成在一塊數據采集和發射電板上，將串口電路和無線接收電路集成在另一塊數據接收電路板上。數據采集和發射電路原理如圖2所示，其采用串口將接收到的刀具視頻圖像數據傳送到數據處理模塊中進行處理。

系統將ADXL321當成機床刀具振動信號的加速度傳感器，其可檢測刀具的動態加速度和靜態加速度。其電路原理圖如圖3所示。

加速度傳感器的輸出引腳分別接入到CC2430的P0.0和P0.1引腳。通過設定一組SFR寄存器的位和字符，能夠確保P0.0和P0.1引腳作為連接ADC 的外圍設備I/O口使用。

在機床刀具切割過程中，刀具同工件間相關作用形成振動。數據采集同發射電路部署在刀具上，通過加速度傳感器檢測x，y平面中的相互垂直方向上的加速度，將數據反饋給處理器CC2430中進行操作。

1.3 數據處理模塊設計

系統數據采集電路獲取攝像機采集到的刀具視頻圖像數據后，將數據傳遞給數據處理模塊進行存儲和模/數轉換等處理。信號采集處理模塊是刀具狀態檢測系統的關鍵部分，由中央處理器模塊、FPGA 模塊、模/數轉換模塊、存儲器模塊組成，如圖4所示。

采用來自于TI公司的32位高速浮點數字信號處理器（DSP）TMS320C6713當成中央處理器，設置其運行的最大頻率為280 MHz。該處理器具備超長指令字功能，程序運行256 位指令，能夠在同一時刻被分配到6個并行的功能單元，具有高達2 200 MB/s的處理能力。

FPGA（Field Programmable Gate Array）為現場可編程門陣列，是一種半定制電路，含有大量的觸發器和 I/O引腳，具有效率高、功耗低的優勢。選擇EP2C8F256C8的FPGA芯片，對攝像機采集的刀具圖像信息進行模/數轉換，并將轉換后的數據存儲到存儲器中，同時可對數據的存儲和傳輸進行控制。

1.4 顯示報警模塊設計

采用STC89C52單片機設計顯示報警模塊，通過RS 232接口同數據采集處理模塊相連，采用顯示屏呈現刀具磨損狀態。如果刀具磨損量高于閾值，則單片機驅動蜂鳴器產生報警，促使監測器件中的指示燈亮，提示操作者調換刀具。

2 系統實現

2.1 軟件流程

高速機床刀具狀態視診系統的原理結構圖如圖5所示。先對攝像機A采集到的圖像進行刀具定位操作，按照定位到的刀具位置信息以及攝像機的參數信息，向攝像機 B傳遞出控制指令，確保其可對刀頭進行準確拍攝。系統對攝像機B采集到的刀頭圖像進行分析操作，采集磨損信息。最終PC機通過BP神經網絡方法對刀具磨損特征進行融合和檢測。

攝像機A采集刀具信息并控制云臺轉動，處理攝像機A采集到的視頻圖像算法有Camshift刀具定位、串口通信和刀頭信息采集。攝像機B采集刀頭的磨損信息，處理攝像機B采集到的視頻算法為刀波檢測、刀紋信息采集、刀裂信息采集。

2.2 基于BP神經網絡的刀具磨損狀態檢測實現

2.2.1 特征層融合

特征層融合的結構示意圖如圖6所示。

特征層融合將每個攝像機獲得的刀具圖像數據進行特征提取，再將這特征值輸入融合中心完成特征的融合，并按照融合后的特征對高速機床刀具磨損狀態進行分析。采用關聯操作將特征向量劃分成不同的集合，再通過BP神經網絡完成特征信號的融合分析。

2.2.2 網絡結構參數的確定

神經網絡的塑造特征同刀具磨損量間的映射關系模型，依據該模型的映射關系運算出刀具的實際磨損量。神經網絡的參數以及樣本分布決定了刀具狀態檢測精度的高低。神經網絡參數的確定包括確定輸入特征、隱含層單元以及樣本訓練算法。

（1） 網絡輸入特征選擇。分析攝像機A和攝像機B采集到的刀具特征融合結果，從中采集同刀具磨損狀態最相關的3個視覺特征值，分別是刀頭特征值，刀身特征值和刀柄特征值，將這些刀具視覺特征值當成神經網絡的輸入值。

（2） 網絡結構選擇。因為是3個特征值的輸入，因此設置神經網絡的輸入層節點數是3。輸出為刀具的實際磨損量，輸出層節點數是1。依據Kolmogorov理論，隱含層神經元是具有2×網絡輸入層數N+1的三層神經網絡，能夠完成非線性映射。因此用三層網絡塑造網絡輸入特征同刀具磨損間的映射關系，網絡結構初步確定為3?7?1（輸入節點3個、隱含層神經元7個、輸出層節點1個）。選擇Levenberg?Marquardt算法對神經網絡權系數進行調整和運算。

（3） 樣本的選擇和歸一化處理。按照實際狀態選擇訓練樣本數量，設置訓練樣本數為10個，分別表示不同的刀具磨損量，任意采集5個檢驗樣本檢測神經網絡性能。因為輸入網絡的各特征值的屬性不同，需要過濾其中的干擾因素。因此，對不同的樣本輸入特征向量進行歸一化處理，采用式（1）確保各輸入的特征向量處于[0.1，0.8]區間中。

（1）

式中：表示歸一化后的刀具特征值；表示輸入刀具特征值；表示最大輸入刀具特征值；表示最小輸入刀具特征值。

2.2.3 神經網絡檢測刀具磨損結果

按照上述塑造的神經網絡，其含有3個神經元的輸入層、3個輸入特征數以及7個神經元的隱含層，對高速機床刀具狀態進行視覺診斷，將神經網絡的激活函數設置成雙曲正切函數，對不同輸入刀具樣本特征空間進行劃分；輸出層為 1 個神經元，設置激活函數為線性函數，最終可輸出刀具磨損狀態的檢測結果。

3 實驗分析

通過實驗檢測本文設計的基于多視覺特征融合技術的高速機床刀具狀態視診方法的有效性，實驗對象為某工廠的高速機床刀具。實驗過程中，將 CCD 攝像機及可控云臺固定在被檢測刀具前0.3 m，分別實時采集刀頭、刀身和刀柄圖像，并通過視頻采集卡將模擬視頻信號轉化成數字信號輸入到 PC機進行磨損分析。實驗結果如表1所示。其中，各項指標計算公式如下： （2）

（3）

分析表1可得，當刀頭處于小幅度運動情況下，本文方法和多傳感器融合方法的磨損檢測率和磨損警率都較高，并且較為接近。當刀頭處于大幅度運動情況下，并且方法的磨損檢測率和誤檢率都優于多傳感器融合方法。

實驗以機床刀具的初期磨損階段、正常磨損階段以及急劇磨損階段為例，分別分析本文方法在不同刀具磨損階段的檢測精度。設置檢測精度的閾值為2%。

本文方法對于刀具初期磨損階段的磨損量檢測結果如表2所示。

從表2中可得，在機床刀具初期磨損過程中，其磨損量變化較為平穩，本文方法檢測值與實際值間的平均誤差為1.62%，低于閾值2%。

當機床刀具處于正常磨損階段時，本文方法檢測到的磨損量結果如表3所示。可以看出，該階段的刀具磨損量波動較高，并且隨著走刀數的增加，本文方法的檢測誤差也不斷增加。本文方法的檢測值同實際值間的平均誤差為1.86%，低于閾值2%。

表3 正常磨損階段的刀具磨損量檢測值

急劇磨損階段的刀具磨損量檢測結果如表4所示。

從表4可以看出，在急劇磨損階段下，本文方法的刀具磨損量檢測值同實際值間的平均誤差為1.93%，低于閾值2%。說明本文方法能夠較高精度地檢測到磨損階段的刀具磨損量，對噪聲的適應性較強且具有較高的魯棒性。

4 結 論

本文設計基于多視覺特征融合技術的高速機床刀具狀態視診系統，系統通過固定攝像機A采集整體刀具圖像，可控攝像機B采集刀頭圖像。兩個攝像機的視頻圖像都輸入到圖像采集卡中的數據采集電路進行處理。系統通過數據采集電路獲取刀具圖像數據后，將數據傳遞給數據處理模塊進行存儲和模/數轉換等處理。采用STC89C52單片機設計顯示報警模塊，用于顯示刀具磨損狀態。系統實現部分給出了系統軟件流程圖，并通過BP神經網絡方法融合多視覺特征信息，檢測高速機床刀具的磨損情況。實驗結果表明，所設計系統可準確檢測出刀具的磨損狀態，具有較高的檢測精度和魯棒性。

參考文獻

[1] 劉繼承，孫慧琳，趙洪濤.基于多特征融合的Camshift結合Kalman預測的實時性視覺跟蹤算法研究[J].自動化技術與應用，2014，33（5）：54?57.

[2] 鄭均輝，宮蕾.基于皮溝特征的無語言能力病人多種狀態視覺識別[J].科學技術與工程，2014，14（16）：102?106.

[3] 王曉文，趙宗貴，龐秀梅，等.基于視覺顯著圖的圖像融合方法[J].吉林大學學報（工學版），2014，44（4）：1203?1208.

[4] 肖華軍，侯力，游云霞.一種基于圖像融合的多線結構光立體視覺測量方法[J].四川大學學報（工程科學版），2015，47（3）：154?159.

[5] 應玉龍，項明.局部相位量化特征的織物瑕疵檢測算法[J].西安工程大學學報，2015，29（5）：541?545.

[6] 張石平，王智明，楊建國.機床刀具可靠性及壽命評估[J].計算機集成制造系統，2015，21（6）：1579?1584.

[7] 劉然，傅攀.基于粗糙集和BP神經網絡的刀具狀態監測[J].機床與液壓，2015，43（5）：49?52.

[8] 羅忠良，盧萬強.基于電流信號和振動信號的刀具失效監測研究[J].機床與液壓，2015，43（15）：139?141.

[9] 郭新，葛英飛，付細群，等.鋁合金薄壁中空結構件重負荷銑削刀具壽命及刀具磨損研究[J].工具技術，2014，48（8）：43?47.

[10] 耿欣，顧紅光.基于多通道位移傳感器的刀具斷裂檢測[J].機床與液壓，2015，43（22）：161?163.