一种基于机器视觉的数控车床加工辅助系统技术方案

本发明专利技术提供了一种基于机器视觉的数控车床加工辅助系统，包括：粗糙度检测部分、数据处理部分、工件加工数据显示部分。其中，粗糙度检测部分，采用相机拍摄工件的表面，使用卷积神圣网络模型进行粗糙度检测；数据处理部分，封装机器视觉算法用来识别工件粗糙度和工件的端面尺寸；工件加工数据显示部分，用于将获得的粗糙度数据显示出来，以便于加工师傅及时监测工件加工情况。本发明专利技术的有益效果在于：可以辅助车工师傅实时监测工件加工进程，发现异常可以及时做出补救措施，减少加工过程造成的损失。失。失。

【技术实现步骤摘要】
一种基于机器视觉的数控车床加工辅助系统


[0001]本专利技术涉及机器视觉的分类检测领域，具体涉及一种基于机器视觉的数控车床加工辅助系统，可实现对工件粗糙度实时检测。

技术介绍

[0002]随着科术的进步，我国的工业自动化发展势头迅猛，俨然成为新世纪的“世界工厂”。机加工是生产制造机械产品不可跨越的重要一步。受到生产环境，车床性能和工人技术水平的影响，很多时候加工出的产品无法满足使用要求，因此在加工时，需要对工件进行测量；针对一些高精度的工件，加工完成后还需要对其粗糙度进行检测，这个过程繁琐又复杂。
[0003]究其原因，数控车床系统中没有针对工件加工过程的实时监测的方案，为解决此问题，本专利技术结合机器视觉的方法提出一种数控车床加工辅助系统。该系统优势在于：能够在车床加工过程中采集工件加工表面的图片信息，并提取出粗糙度数据，判定工件的粗糙度等级，进而根据检测数据适当调整车床的进给量，以便达到图纸中的粗糙度要求。基于本专利技术的优势，在加工过程中工人可以在不停机的情况下实时检测工件加工状况，既节省了加工时间，又降低了报废率。

技术实现思路

[0004]本专利技术提出一种基于机器视觉的数控车床加工辅助系统，解决了在机床运行中无法得到工件的粗糙度问题。并且该系统使用CMOS工业相机通过机器视觉算法可以实现自动粗糙度识别，避免了使用粗糙度模板进行匹配，并且检测的粗糙度会更加精确。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一方面，本专利技术提供的一种基于机器视觉的数控车床加工辅助系统，包含以下几个装置：
[0007]CNC车床，加工工件的主体；
[0008]CMOS工业相机，安装在车床的刀台上，用于拍摄工件的加工表面。
[0009]另一方面，本专利技术提供的一种基于机器视觉的数控车床加工辅助系统，包括以下几个部分：
[0010]21、粗糙度检测部分，将CMOS工业相机安装在刀台上，拍摄加工完成部分工件的表面照片，使用卷积神经网络模型进行粗糙度检测。
[0011]22、运算及处理部分，封装机器视觉算法。
[0012]23、工件加工数据显示部分，使用显示器将相机检测到的图像在显示器中呈现出来，并将粗糙度显示出来；以便于工人实时监测。
[0013]再一方面，本专利技术公开的一种基于机器视觉的数控车床的辅助加工系统，其中粗糙度检测包含以下步骤：
[0014]首先，相机拍摄粗糙度模板图片制作训练数据集合测试数据集，用于构建卷积神
经网络模型。
[0015]进一步的，初始化网络结构与参数。
[0016]进一步的，训练模型：
[0017]采用数据前向传播，前向传播是按每层的计算方式一层一层进行前向计算，获取网络输出。
[0018]其中前向传播公式如下：
[0019][0020]式中表示第l层(输出层)的第j个特征图；符号代表卷积运算；f代表非线性变换函数；M
j
代表输入特征集；为第l
‑
1层第i个特征图与第l成的第j个特征图的连接权重；b
jl
为第l层的第j个特征图的偏置。
[0021]反向误差传播，反向传播的核心思想是梯度下降法。公式如下：
[0022][0023]式中表示第l层(输出层)的第j个特征图；符号代表卷积运算；f代表非线性变换函数；M
j
代表输入特征集；为第l
‑
1层第i个特征图与第l成的第j个特征图的连接权重；b
jl
为第l层的第j个特征图的偏置。
[0024]反向传播公式如下：
[0025][0026][0027]式中，η代表学习效率；m表示当前批次的图像数量，和分别表示误差对卷积和和偏置b
jl
的梯度，获取权重以及偏置等对损失函数的梯度，就能求出每次迭代后的权重和偏置的变化值。
[0028]进一步的，使用测试数据集检测模型的粗糙度等级辨识的准确率。
[0029]进一步的，当模型通过测试，保存模型，导入系统中用于粗糙度等级检测。
[0030]进一步的，检测工件粗糙度等级。
[0031]最后，当工件粗糙度被检测出后，工人可根据监测结果适当调整车床的进给量，以便达到图纸的设计要求。
[0032]有益之处
[0033]本专利技术的优势在于：
[0034]1.能够在车床加工过程中采集工件加工表面的图片信息，并提取出粗糙度数据，判定工件的粗糙度等级；
[0035]2.当工件粗糙度被检测出后，工人可根据监测结果适当调整车床的进给量以便达
到图纸的设计要求。
[0036]基于本专利技术的优势，在加工过程中工人可以在不停机的情况下实时检测工件加工状况，既节省了加工时间，又降低了报废率。
附图说明
[0037]图1为相机安装示意图。
[0038]图2为基于机器视觉的数控车床加工辅助系统框架图。
[0039]图3为基于机器视觉的粗糙度检测模型构建流程图。
[0040]具体实施
[0041]为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作描述。
[0042]一、针对机床运行中无法得到工件的粗糙度问题，本专利技术公开了一种基于机器视觉的数控车床的辅助加工系统，该系统使用CMOS工业相机采集工件加工数据，如图1所示。该系统的各组成如图2所示。
[0043]21、粗糙度检测部分，将相机12安装在CNC车床11的刀台上，拍摄加工完成部分工件的表面照片，使用卷积神经网络(Convolutional Neural Networks,CNN)模型进行粗糙度检测。
[0044]22、运算及处理部分，封装机器视觉算法。
[0045]23、工件加工数据显示部分，使用显示器将相机检测到的图像在显示器中呈现出来，并多加工过程中的尺寸按时间序列显示出来；以便于工人实时监测。
[0046]二、本专利技术公开的一种基于机器视觉的数控车床的辅助加工系统，其中粗糙度检测包含以下步骤，如图3所示。
[0047]步骤S31，相机12拍摄粗糙度模板图片制作训练数据集合测试数据集，用于构建卷积神经网络模型。
[0048]步骤S32，初始化网络结构与参数。
[0049]步骤S33，训练模型：
[0050]采用数据前向传播，前向传播是按每层的计算方式一层一层进行前向计算，获取网络输出。
[0051]其中前向传播公式如下：
[0052][0053]式中表示第l层(输出层)的第j个特征图；符号代表卷积运算；f代表非线性变换函数；M
j
代表输入特征集；为第l
‑
1层第i个特征图与第l成的第j个特征图的连接权重；b
jl
为第l层的第j个特征图的偏置。
[0054]反向误差传播，反向传播的核心思想是梯度下降法。公式如下：
[0055]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的数控车床加工辅助系统，其特征在于，包括粗糙度检测部分、数据处理部分、工件加工数据显示部分；所述系统通过粗糙度检测部分实现对加工过程中工件粗糙度实时监测，辅助数控车床加工。2.如权利要求1所述的一种基于机器视觉的数控车床加工辅助系统，其特征在于，所述粗糙度检测部分使用CMOS工业相机。3.如权利要求2所述的一种基于机器视觉的数控车床加工辅助系统，其特征在于，将相机(12)安装在车床(11)的刀台上，拍摄加工完成部分工件的表面照片，使用卷积神经网络模型进行粗糙度检测。4.如权利要求1所述的一种基于机器视觉的数控车床加工辅助系统，其特征在于，当工件粗糙度被检测出后，工人可根据监测结果适当调整车床的进给量，以便达到图纸的设计要求。5.如权利要求1所述的一种基于机器视觉的数控车床加工辅助系统，其特征在于，封装机器视觉算法，辨识粗糙度等级辨识使用卷积神将网络。6.如权利要求1所述的一种基于机器视觉的数...

【专利技术属性】
技术研发人员：刘善良，袁勇超，陈渊，王士华，姜鹏，史宝周，李振凯，亓昭敏，毛继哲，
申请(专利权)人：机械科学研究总院青岛分院有限公司，
类型：发明
国别省市：