基于圖像識別的刀具磨損量在線測量方法

周 欣

（1.吉林水利電力職業學院，長春 130000；2.長春工程學院，長春 130000）

0 引言

制造業屬于中國社會經濟的核心構成部分，數控加工則屬于制造領域的重要分支[1]。數據加工過程中，刀具磨損和加工質量存在十分密切的關系，按照人工評價的形式分析刀具磨損量時，分析耗時多且分析精度低。因此，數控加工時若可以完成刀具磨損量自動測量，將節省勞動力成本，優化加工質量與生產速度[2]。

刀具磨損的智能測量包括非間接測量與非直接測量。非間接測量需要非間接測量刀具磨損面的尺度，非直接測量需測量和刀具磨損情況有關的物理信息。針對不固定的加工環境與差異工件而言，非直接測量法需要計算全部過程里的閾值，非直接測量的弊端為不能獲取刀具磨損的實際幾何尺寸，對測量結果存在不良干擾的因素較多[3]。非間接測量方法屬于通過計算機視覺方法實現測量，該方法不存在接觸性，能夠獲取高精度的磨損測量值，且測量效果快。為此，本文提出一種基于圖像識別的刀具磨損量自動化在線測量方法，對刀具磨損量實施高精度測量。

1 方法設計

1.1 基于光柵三維形貌測量方法獲取刀具激光圖像

光柵投影輪廓測量系統能夠分成相交軸系統與平行軸系統，區分規則是按照攝像機光軸與投影配置光軸的空間方位差異實現的。本文圍繞相交軸實施研究，詳情如圖1所示。

圖1 光柵投影及圖像采集系統示意圖

圖1中，坐標軸為x和z；參考平面與攝像機頭光心依次設成S、A；投影系統鏡頭光心與被測工件依次射程Q、B；相機光軸與參考面相交于o點；平面J本質中屬于投影光柵的共軛像面，等同于形貌檢測里的光柵虛擬像面，此像面中光柵間距相同，利于計算。此外，圍繞o點構建坐標系o-x''y''z''，讓x''oy''平面和J平面重疊，同時J面中條紋方向和x''垂直，投影系統的光軸方向和z''軸平行。設定坐標系o-xyz能夠分別順x軸、y軸、z軸旋轉a、b、c角度和坐標系o-x''y''z''重疊，A、C點依次為兩個光心連線與參考面的交接處。

假定Q與A點基于o-x''y''z''坐標系里的坐標依次是Q（x''Q，y''Q，z''Q）、A（x''A，y''A，z''A）。由于坐標系o-xyz和坐標系o-x''y''z''的旋轉性，A點基于兩個坐標系中坐標存在下述轉換關系：

已知Q、A兩點在坐標系o-x''y''z''里的坐標，則通過空間解析幾何能夠獲取o-x''y''z''中此空間直線方程是：

通過平面J和直線QA的方程能夠獲取直線QA和平面J的交點E坐標是：

由于A點和J平面中E點的相位存在一致性，則：

1.2 刀具磨損量敏感特征提取

使用1.1小節提出的光柵三維形貌測量方法獲取刀具的激光圖像后，若圖像中刀具特征敏感度較低，則刀具磨損量的測量精度存在不利影響，所以必須先將刀具激光圖像中的特征實施敏感度分析，獲取對磨損量變動最為敏感的特征[4]。

散布矩陣由類內散布矩陣與類間散布矩陣構成，使用此兩類矩陣能夠獲取特征的類內散布與類間散布值。

假定存在N種刀具磨損程度，將各種程度存在樣本數設成Mj。刀具原始特征向量Y={y1，y2，…，yN}。

類內散布矩陣Rv：刀具特征的類內散布值較小，那么特征的內類聚類性能佳[5]。則：

其中，刀具第i種的第j個數據特征值與第j種特征值均值依次設成、vj。

類間散布矩陣RB：特征的類間散布值較大，那么特征的類間分類型較好，則：

其中，V0描述全部刀具特征樣本的整體均值向量。

按照散布矩陣特征的類內聚類特征水平與類間分散水平的此類特征，提出運算特征敏感水平的方法。設定刀具特征敏感水平δ：

其中，Rv的跡設成hs{Rs}，此值描述刀具全部類的特征方差測度均值；hs{Ws}描述Ws的跡，描述各類的均值和整體均值間距離測度均值。δ較大，表示此特征和刀具磨損量的測量性能存在較高關聯性，否則表示測量性能差。

運算原始特征向量中各維刀具特征的特征敏感水平δ，把刀具特征敏感水平的均值τj設成閾值，獲取 φ ≥τj的特征，建立刀具敏感特征向量，獲取8個敏感水平不低于閾值的特征，建立刀具敏感特征向量H'：

把刀具敏感特征根據敏感水平值自大至小再次排序，在此建立刀具敏感特征向量H''：

其中，對比度、逆差距依次設成h1、h4；能量設成h3；熵設成h5。

1.3 基于離散馬爾科夫模型自動測量刀具磨損

本文使用基于離散隱馬爾科夫模型實現對刀具磨損量的在線測量。

根據上述設定，基于離散馬爾科夫模型的刀具磨損量在線測量方法的流程如圖2所示。

圖2 測量流程示意圖

首先將刀具特征樣本分為訓練樣本與測試樣本序列，然后分別將訓練樣本與測量樣本輸入離散馬爾科夫模型中。該模型依次從初始階段、中間階段、后續階段三個階段測量刀具磨損量后，獲取刀具目前磨損量。

2 實驗與結果分析

為驗證上述設計的基于圖像識別的刀具磨損量自動化在線測量方法的可行性，設計如下實驗。

2.1 實驗設置

實驗對象為某機械生產企業的超精密數控車床SPHERE361，在常規切削環境中，使用切削刀具對某85mm的金屬工件進行切削加工，并利用體視顯微鏡對完成切削后的刀具的磨損量進行測量。實驗設置詳情如表1所示。

表1 實驗設置詳情

2.2 實驗結果

2.2.1 常規車削環境中的測量結果

以常規車削環境中刀具走過差異的切削路徑為例，使用本文方法測量刀具磨損量。結果如表2所示。

表2 常規車削環境中的本文方法的測量結果

分析表2可知，在常規車削環境中，刀具走過差異的切削路徑下，本文方法對刀具磨損量的測量結果和實際值高度吻合。本文方法的測量誤差盡在切削路徑是601m時，出現0.01mm的誤差，但測量精度還是符合刀具磨損測量工作要求的。

2.2.2 激光超聲復合超精密車削環境中的測量結果

將刀具磨損的詳細情況分成磨損范圍的寬度、面積、周長、深度四個部分，則隨機提取切削路徑依次是151m、451m、376m、601m、76m、526m，本文方法的測量結果如表3所示。

表3 激光超聲復合超精密車削環境中的測量結果

將表3結果與實際值對比，測試本文方法的測量精度，結果如圖3所示。

由圖3可知，激光超聲復合超精密車削環境中本文方法對刀具磨損量的測量精度均為0.99，充分證明了本文方法的有效性。

圖3 激光超聲復合超精密車削環境中本文方法的測量精度

2.2.3 漏檢率測量結果

測試并對比本文方法、基于小波變換的檢測方法、基于激光傳感器的檢測方法的漏檢率，結果如圖4所示。

圖4 不同方法漏檢率對比結果

分析圖4所示結果可知，本文方法對刀具磨損量的漏檢率始終低于1%。而另外兩種對比方法方法對刀具磨損量的漏檢率均大于5%。由此可知，本文方法的測量精度高、測圍充分。

綜上所述，經試驗驗證可知，不管是在常規車削環境中，還是在激光超聲復合超精密車削環境中，本文設計的基于圖像識別的刀具磨損量自動化在線測量方法均可實現精準測量，且漏檢率較低，說明其具有較高的實用性。

3 結語

本文將激光圖像特征識別過程應用于刀具磨損量在線測量工作中，提出了基于圖像識別的刀具磨損量自動化在線測量方法，經實驗測試獲取下述幾點結論：

1）在常規車削環境中，刀具走過差異的切削路徑下，本文方法對刀具磨損量的測量結果和實際值高度吻合，本文方法的測量誤差盡在切削路徑是601m時，出現0.01mm的誤差；

2）激光超聲復合超精密車削環境中本文方法對刀具磨損量的測量精度均為0.99；

3）本文方法對刀具磨損量的漏檢率始終低于1%。