基于機器視覺的數控盤銑刀磨損狀態檢測方法

戚國偉，張敏，柳國棟，張建強，吳松林

（1.西京學院 機械工程學院，陜西西安，710123；2.白水縣保障性住房中心，陜西渭南，715699）

0 引言

制造業的生產實踐中，刀具使用費用大約占機加工成本的3%～12%。其中，大約20%是由于刀具的磨損或破損造成的。作為銑削加工的主要刀具，組合式盤銑刀利用鑲嵌在刀具頭部的刀片實現切削，易更換、使用方便且價格適中，是目前高速數控銑床使用較為廣泛的刀具之一。但刀片易磨損，對高速銑削加工的質量影響較大，實際生產中往往頻繁定時更換。因此，實現數控盤銑刀片磨損狀態的自動化檢測，對優化刀片更換策略、降低企業生產成本及提高生產效率有重要的應用價值和現實意義。

通常，刀片磨損狀態信息的獲取主要依據技術人員觀察或按照實際加工時間確定。人工判讀容易受到各種主客觀因素的影響，費時、費力且沒有統一的標準，無法準確地獲取刀片磨損狀態參數。

設計圖像采集裝置，應用數字圖像處理技術，研究刀具磨損狀態檢測方法并準確獲取相關信息及其特征識別是目前應用研究的熱點[1]，在工業生產實踐中有廣泛的應用前景。如，Marla T.等應用機器學習及形態學處理方法實現了刀具磨損區域的分割及特征識別，并成功地應用于一體式盤銑刀磨損狀態的在線監測[2]。Laura F.等應用多樣條插值法及機器視覺技術開展銑刀磨損區域的邊緣檢測，并運用于銑刀切刃面破損程度的識別[3]。同樣，劉亞輝等基于改進的Zernike矩方法及Lanser算子獲取了刀片圖像像素級邊緣，并獲取了亞像素精度的磨損區域輪廓信息，實現了較為準確的磨損區域特征識別[4]。程訓及余建波提出了基于積分圖加速和Turky bi-weight 核函數的非局部均值法用于銑刀圖像噪音的去除，并應用于麻花鉆頭磨損狀態的過程監測[5]。秦奧蘋以面銑刀為研究對象，設計了面銑刀圖像采集系統，提出了一種在主軸旋轉狀態下采集連續圖像序列的圖像采集方案[6]。目前，所提出的各種檢測方法成本較高，應用困難，難以適用于高速銑刀磨損狀態的在線檢測需求。

應用數字形態學原理，結合最小外接矩形變換算法，本文提出了一新的銑刀刀片磨損區域的識別方法。步驟包括圖像預處理、圖像形態計算、利用Canny 算子進行的磨損邊緣檢測、去除干擾連通區域、主連通區域填充及磨損區域的統計計算等，主要參數有磨損面積及最大磨損寬度。最后，利用19JPC 萬能工具顯微鏡及GUI 平臺進行了對比實驗研究，給提出了盤銑刀刃磨損面積及寬度的統計計算方法，并進行了誤差分析。實驗結果表明，磨損區域特征參數檢測的精度高，檢測效率高，成本相對較低，可以正確地實現數控盤銑刀磨損狀態的在線監測，符合企業生產實際的需求。

1 圖像預處理及磨損區域框定

本文以機械加工企業生產實際中使用較為普遍的組合式盤銑刀為對象，研究自動化的識別切刃面磨損區域的方法。如圖1 所示是采集到的銑刀圖像預處理流程，包括圖像灰度變換、圖像濾波處理及圖像檢測區域的框定，圖2為特征提取流程，包括邊緣特征提取、圖像形態計算及磨損區域特征參數的統計計算等。

圖1 圖像預處理流

圖2 圖像特征提取流程

首先，采用高斯濾波方法去除圖像采集時附加的噪聲，即使用3×3 的高斯模板和二維的高斯函數，逐點處理。以距離中心點（x,y）位置的不同設置相應的加權值，中心點的權值最大，隨距離的增加權值逐漸減小。變換后中心點的灰度值如公式(1)所示，其中為標準差，其取值默認為0.5，視濾波效果調整。

圖3 所示為高斯濾波的效果，其中圖3(a)為原始圖像，圖3(b)為灰度變換后的圖像，圖3(c)為經過高斯濾波后的結果圖像。

圖3 圖像灰度變換及噪音去除過程

銑刀磨損區域特征提取之前，需要對圖像進行適當剪裁，即實現檢測區域的框定，以減少圖像背景對處理結果的影響。

首先，應用迭代全域值OTSU 分割法進行圖像區域閾值分割處理，相較于其他分割算法該方法在很大程度上保留了圖像主要特征的細節，同時，一定程度上抑制了圖像中的雜質點，其效果如圖3(d)所示。計算方法如公式(2)所示。

采用圖像形態學的方法，進行開閉合運算，即通過圖像的膨脹與腐蝕將圖像中枝節部分去掉。圖像膨脹使原本分離開的部分融合為一個整體，相反，圖像的腐蝕可有效斷開圖像間細微的連接部。閉運算體流程是先膨脹再腐蝕，如公式(3)所示，開運算的流程與閉運算相反，如公式(4)所示，其中，A 是原始圖像，S 是結構元素圖像，則公式表示集合A 被結構元素S 做開運算，記為A?S，閉運算記為A·В。

處理過程及結果如圖4 所示，其中圖4(a)為經過全域值OTUS 分割法后得到的逆二值化圖像，圖4(b)是進行閉運算后得到的圖像，可以看出，閉合運算后圖像外部輪廓明確。

圖4 圖像形態學處理結果

全域搜索圖像（圖4(b)所示）外輪廓最高點、最低點及最左側點、最右側點，獲取最小外接矩形。應用最小矩形框定出刀片輪廓區域，如圖4(c)所示，圖4(d)則是該矩形區域內的原始圖像。

實際切削加工的磨損區域是銑刀刀片的刀刃部分，中部用于固定刀片的螺絲孔部分是不需要進行圖像處理的。以最小外接矩形的幾何中心向外做邊長為В 的正方形區域，В的取值比被檢測刀具內方略大，如圖5(a)和圖5(b)所示。將正方形區域內像素改為255 級使之與背景像素一致，形成如圖5(b)所示的圖像，這樣可減少后續圖像處理過程中中部雜質點對結果的影響。

圖5 框定出的原始圖像及去除中心區域后的圖像

2 磨損區域特征提取及統計分析

如圖2 所示，磨損區域特征提取的步驟是首先進行像素尺寸標定計算，再通過圖像形態計算獲取磨損面積的計算，最后，利用磨損區域邊界檢測及其特征提取實現磨損最大寬度的計算。

如表1 所示，實驗統計了10 組刀片（未磨損）的最小外接矩形高度值（即表中刀片邊長像素數），實際測量刀片的高度值（刀片邊長），統計各邊長像素數與實際測量值的關系值f 的平均值為2.3867μm。表1 給出了利用平均值作為像素尺寸轉換值，各尺寸換算值的相對誤差值，可以看出誤差控制在1%以內。

表1 盤銑刀片尺寸實驗數據統計

表1 中的誤差率（%）可由式(5)計算得：

式中：D為盤銑刀片像素長度（單位：像素）；f為關系值（單位）；d為實際測量長度（單位：mm）。

邊緣檢測中，選擇Two-pass 標記法進行連通域處理，即圖像逐行以某像素為中心逆時針掃描，逐步實現連通域的標記。而后，去除將細小連通域，保留區域主要的連通域。

如圖6 所示，圖6(a)為去除連通域后的圖像，圖6(b)為去除主連通域周圍的細小連通域（干擾）后的二值圖像。隨后進行邊緣檢測，選用有一定抗干擾能力，且邊緣定位較精確的Canny 算子，其表達式如公式(6)所示，其中，模

圖6 邊緣檢測結果

應用Canny 算子獲得盤銑刀片磨損區域邊緣后，再對邊緣內部區域填充，如圖6(c)所示為邊緣檢測的結果，圖6(d)為區域填充的結果。利用填充圖像實現磨損面積的統計計算，如公式(7)所示。

式中：S為磨損區域面積；m為磨損區域像素點個數；f為像素尺度變換參數。

數控加工中，銑刀徑向磨損區域的寬度NВ 是其磨損程度的重要指標之一。如圖7(a)所示為磨損區域的上半部分截圖，去掉尖角部分，沿圖7(b)所示最大寬度方向，利用公式(8)來計算，并取四個方向統計計算出的最大磨損寬度NВmax。

圖7 磨損區域最大寬度的檢測方法

其中，磨損區域內徑向最大寬度；f 為像素尺寸轉換值。

利用萬能工具顯微鏡人工測量刀片磨損區域的實際參數，并與上述方法的測試數據對比，來檢驗其有效性。盤銑刀片磨損區域面積誤差計算如公式(9)所示。

如圖8(a)所示，實際磨損區域面積與機器視覺檢測的磨損面積之間的誤差率統計結果顯示，檢測刀刃磨損面積的誤差率控制在10%以內。圖8(b)所示為最大寬度的對比統計結果，其誤差控制在5%以內。

圖8 磨損區域面積及最大寬度的對比結果

3 總結

本文以生產實際中應用較為廣泛的組合式盤銑刀為研究對象，為獲取其磨損區域的特征參數，進行了一系列的圖像處理實驗，包括圖像預處理、形態學運算、邊緣檢測、區域分割及特征提取等。在大量圖像處理實驗的基礎上，進行了對比統計分析及計算。其中，利用迭代全域值OTSU 分割法及圖像形態學方法框定了檢測區域，運用Canny 算子進行邊緣檢測，同時，通過Two-pass 標記法實現了連通域的剪切處理，最終實現了磨損區域面積及最大磨損區域寬度的計算。

實驗結果表明：應用所提出的盤銑刀刀片磨損區域分割方法及相關的參數計算，能夠較為準確地識別銑刀磨損區域面積及磨損寬度，與顯微鏡實際測量的結果相比較，誤差率分別控制在10%及5%的范圍內。