刀具磨损图像的拼接方法及刀具的寿命预测方法技术

刀具磨损图像的拼接方法及刀具的寿命预测方法，涉及刀具寿命的预测领域。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。本发明专利技术以刀具的各刃面和底面为对象，采集刀具的底面磨损图像，并将去噪处理的图像转变为RGB彩色空间，进一步转化为HSV色彩空间；取空间矢量模为特征值，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，形成拼接图像。然后基于拼接图像利用深度学习引擎对拼接好的图像信号进行训练学习，通过光滑求解过程并进行误差减小率分析生成最优的深度学习模型并；然后通过数据库中的数据预测磨损趋势达到预测刀具寿命的作用。本发明专利技术用于刀具的寿命预测。

Mosaic Method of Tool Wear Image and Tool Life Prediction Method

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。进一步地，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。进一步地，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。刀具寿命的预测模型建立方法，包括以下步骤：a、利用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)，取点集P＝(p1，p2，p3，...，pm-1)，pl＝x(2i+1)/2，l＝1,2,...,m-1，计算出G1(pl)；根据xi、xi+1分别对应的y(xi)、y(xi+1)计算出相邻两点xi、xi+1的斜率并计算总误差值为步骤b2.1、将m+1个特征值作为训练样本，将m+1个特征值分成前M2个特征值和后m+1-M2个特征值两部分，即将特征值按照顺序对应的分成[1,M2]和[M2+1,m+1]；[1,M2]对应的特征值作为训练集，[M2+1,m+1]的特征值作为测试集；然后按照步骤b1.1得到第一层训练模型Mode2；步骤b2.2、对第二层训练模型Model2求一阶导数得G2(x)，并按照步骤b1.2计算得到总误差值为E2；步骤b2.3、比较总误差值E2和总误差值E1大小，计算出误差减小率δ1＝(2-E1)/E1；步骤b3.1、将m+2个特征值作为训练样本，将m+2个特征值分成前M3个特征值和后m+1-M3个特征值两部分，即将特征值按照顺序对应的分成[1,M3]和[M3+1,m+2]；[1,M3]对应的特征值作为训练集，[M3+1,m+2]的特征值作为测试集；然后按照步骤b2.1至步骤b2.2得到误差值为E3；步骤b3.2、比较总误差值E3和总误差值E2大小，计算出误差减小率δ2＝(3-E2)/E2；步骤b4、判断误差减小率δ2和δ1的大小，若δ2<δ1，则停止训练输出Model3作为最优训练模型；否则，返回步骤b1.1继续进行学习；直至第k次训练后找到后一个误差减小率小于前一个误差减小率，并对应输出ModelF作为最优训练模型。进一步地，步骤b1.1所述的建立过程如下：针对每个刃面，另设yj(x)＝span{1，x，x2，...，xn}；j＝0,1,2,...,n，span{1，x，x2，...，xn}表示以1，x，x2，...，xn为基的向量空间；训练第一层深度学习模型y(x)＝a0y0(x)+a1y1(x)+a2y2(x)+...+anyn(x)，同时另i＝1,2,…,m，m＞n；a0,a1,a2,...an均为光滑参数；其中，x对应刀具的加工长度或加工时间；y(x)对应表示刀具的最大最大磨损值；构造泛函数：F(a0,a1,a2,...an)＝F1(a0,a1,a2,...an)+αF2(a0,a1,a2,...an)其中，表示近似精度；表示光滑程度；a、b分别为积分的上下界；α为光滑因子；求泛函数驻点得j＝0，1,2...，n；整理得得到模型其中，ρi为权因子；k＝0,1,2,...,n，k≠j，且yj(x)与yk(x)正交；分别为yj(x)、yk(x)的二阶导数。刀具寿命的预测方法，包括以下步骤：将最优训练模型ModelF记为函数fh(x)＝y(x)；针对已经完成的加工长度或加工时间对应的走刀次序记为mt，获取当前走刀后的刀具磨损图像作为待检测图像，将待检测的刀具磨损图像输入最优训练模型，假设最优训练模型为ModelF，以最优训本文档来自技高网...

【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