The splicing method of tool wear image and the method of tool life prediction involve the field of tool life prediction. In order to solve the problem that the existing tool wear detection technology can only carry out manual disassembly detection after tool-moving, and does not have life prediction, which can easily lead to workpiece scrap. The method takes each edge and bottom of the cutter as the object, collects the wear image of the bottom of the cutter, transforms the denoised image into RGB color space, and further transforms it into HSV color space; takes the space vector module as the characteristic value, and fuses the image through the translation equation of the image to be fused and the rigid matrix model to form the mosaic image. Then, based on stitched images, the stitched image signals are trained and learned by depth learning engine, and the optimal depth learning model is generated by smoothing the solution process and analyzing the error reduction rate. Then, the wear trend is predicted by the data in the database to predict the tool life. The invention is used for life prediction of cutting tools.
【技术实现步骤摘要】
刀具磨损图像的拼接方法及刀具的寿命预测方法
本专利技术涉及刀具寿命的预测领域,具体涉及刀具寿命的预测方法。
技术介绍
在工业4.0和智能制造2025的大环境下,刀具的智能制造行业发展日新月异,数控机床加工过程中刀具磨损的程度直接决定着加工工件的质量。由于加工过程中的时变性、不稳定性和环境因素等影响刀具的持续磨损,所以刀具磨损过程具有实时性、不确定性等特点,因此刀具磨损状态的实效监测已经成为刀具磨损检测领域的发展趋势。传统的刀具磨损检测技术仅限于对刀具磨损状态的监测,即通过刀具磨损检测技术可以监测处此时刀具磨损程度,而在刀具寿命的预测上缺乏研究,从而造成在刀具已损坏的情况下继续进行铣削加工的现象,严重影响加工工件的质量甚至导致工件报废。
技术实现思路
本专利技术为了解决现有刀具磨损检测技术只能在走刀之后进行人工拆卸检测、不具备寿命预测而容易导致工件报废的问题。刀具磨损图像的拼接方法,包括以下步骤:步骤1、采集图像:以刀具的各刃面和底面为对象,采集刀具的底面磨损图像A0,并分别沿着各刃面连续采集刃面的磨损图像保证相邻两个图像具有重叠区域;q为各个刃面的序号,q=1,2,...,Q;Q为刃面的总数;下角标“w”为沿着刃面采集图像的顺序序号;步骤2、将连续采集的各刃面的磨损图像和底面磨损图像进行去噪处理;将去噪处理的图像转变为RGB彩色空间,将RGB色彩空间的R、G、B值转化为HSV色彩空间的H、S、V值;步骤3、将每个刃面的两张连续拍摄图像作为待融合图像,取HSV色彩空间的空间矢量模为特征值识别每个刃面两张连续拍摄图像待融合区域的方形区域,以方形区域的顶点和对角线对 ...
【技术保护点】
1.刀具磨损图像的拼接方法,其特征在于,包括以下步骤:步骤1、采集图像:以刀具的各刃面和底面为对象,采集刀具的底面磨损图像A0,并分别沿着各刃面连续采集刃面的磨损图像
【技术特征摘要】
1.刀具磨损图像的拼接方法,其特征在于,包括以下步骤:步骤1、采集图像:以刀具的各刃面和底面为对象,采集刀具的底面磨损图像A0,并分别沿着各刃面连续采集刃面的磨损图像保证相邻两个图像具有重叠区域;q为各个刃面的序号,q=1,2,...,Q;Q为刃面的总数;下角标“w”为沿着刃面采集图像的顺序序号;步骤2、将连续采集的各刃面的磨损图像和底面磨损图像进行去噪处理;将去噪处理的图像转变为RGB彩色空间,将RGB色彩空间的R、G、B值转化为HSV色彩空间的H、S、V值;步骤3、将每个刃面的两张连续拍摄图像作为待融合图像,取HSV色彩空间的空间矢量模为特征值识别每个刃面两张连续拍摄图像待融合区域的方形区域,以方形区域的顶点和对角线对应的向量建立待融合图像的平移方程和刚性矩阵;通过待融合图像的平移方程和刚性矩阵模型进行图像融合,形成每个刃面的二维平面对角融合图像picq。2.根据权利要求1所述的刀具磨损图像的拼接方法,其特征在于,所述步骤3的具体过程如下:据HSV色彩空间的H、S、V值建立笛卡尔坐标系,取空间矢量模为特征值,选取相邻的两个需要拼接的图像,分别针对每个像素点,计算空间矢量模P,将两幅图像中P值相同的区域作为待融合区域,待融合区域的四个顶点在两幅图像中分别记为A、B、C、D和A’、B’、C’、D’,并在笛卡尔坐标系中确定八个顶点的坐标,并分别确定AB、A’B’的矢量表示,记为AB(m,n)和A’B’(e,f),以A点为基准点,建立A与A’之间的平移变换方程g(x,y)=g1(x+xA-xA’,y+yA-yA’);其中,x、y分别表示平移变换方程中对应像素点的横坐标、纵坐标,xA、yA分别表示A点的横坐标、纵坐标,xA’、yA’分别表示A’点的横坐标、纵坐标;将AB作为目标,A作为刚性中心确定AB与A’B’的刚性矩阵即为待拼接图像和目标图像的刚性变换值;其中,为旋转量;通过待融合图像的平移方程和刚性矩阵模型进行图像融合,形成每个刃面的二维平面对角融合图像。3.根据权利要求1或2所述的刀具磨损图像的拼接方法,其特征在于,所述步骤2所述将RGB色彩空间的R、G、B值转化为HSV色彩空间的H、S、V值的具体过程如下:其中,H、S、V分别为HSV色彩空间的H、S、V值。4.刀具寿命的预测模型建立方法,其特征在于,包括以下步骤:a、利用权利要求1、2或3所述的刀具磨损图像的拼接方法采集并拼接图像;针对每个刃面的拼接图像,通过图像处理技术描绘磨损的刃面边界曲线,提取每个刃面边界曲线对应的最大磨损值VB作为特征值,记为q为各个刃面的序号;下角标“1”表示第一次各刃面完整的图像采集对应的拼接图像;根据刀具走刀过程,本别按照上述过程进行图像采集并拼接图像,得到每个刃面的每个拼接图像的最大磨损值VB作为特征值,记为i=1,2,…,mt,mt为每个刃面各自对应的总的拼接图像数量;b、针对每个刃面,将每个刃面的特征值作为训练样本进行机器学习:步骤b1.1、将m个特征值作为训练样本,将m个特征值分成前M个特征值和后m-M个特征值两部分,即将特征值按照顺序对应的分成[1,M]和[M+1,m];[1,M]对应的特征值作为训练集,[M+1,m]的特征值作为测试集;m<mt-k;针对训练集,分配不同的光滑参数a0,a1,a2,...an的权值,通过得到光滑因子α,并利用测试集进行验证,得到第一层训练模型Model1;步骤b1.2、对第一层训练模型Model1求一阶导数得G1(x)...
【专利技术属性】
技术研发人员:吴雪峰,牟澳磊,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。