一种刀具表面缺陷在机检测方法技术

本发明专利技术公开了一种刀具表面缺陷在机检测方法，包括如下步骤：通过在机检测装置获取刀具表面缺陷图像并对图像进行预处理；构建刀具图像数据库，进行图像增强以扩充数据库内图像数量；对数据库内的图像分别进行缺陷类型标注和缺陷区域标注后，将图像分为训练集及测试集；根据测试过程中的误差情况分别调整刀具图像分类模型和图像分割模型的参数；通过在机检测装置、刀具图像分类模型和图像分割模型三者的结合进行刀具缺陷的在机检测。本发明专利技术通过集成于机床刀塔的在机检测装置获得刀具图像，检测效率高，同时不影响工件加工精度。本发明专利技术通过图像增强技术扩增刀具表面缺陷图像，有效解决了图像数量不足以及缺陷样本数量不平衡问题。题。题。

【技术实现步骤摘要】
一种刀具表面缺陷在机检测方法


[0001]本专利技术涉及刀具表面缺陷检测
，具体涉及一种刀具表面缺陷在机检测方法。

技术介绍

[0002]随着制造业的不断发展，在通过数控机床进行切削加工的过程中越来越关注刀具表面缺陷对产品的加工成本、产品质量等方面的影响。切削加工过程中，由于刀具表面缺陷造成的停机时间占加工过程总停机时间的7％
‑
20％，刀具损坏和更换刀具的成本占加工总成本的3％
‑
12％。随着我国制造业水平的发展，传统检测刀具缺陷的方式已很难满足现代化生产与测量高度自动化的要求，刀具表面缺陷自动检测的重要性日益增加。
[0003]通过分析图像进行刀具表面缺陷检测的方法具有可直观地观察刀具表面缺陷形态变化，并且不易受环境噪声和机床固有噪声的影响等诸多优点，因而得到广泛应用。中国专利CN111383227A公开了基于神经网络的刀具磨损类型识别方法及磨损值测定方法，该方法通过卷积神经网络训练形成的刀具磨损类型识别模型对刀具磨损图像进行磨损类型分类，并根据分类结果判断是否达到换刀条件，以免出现刀具浪费或工件质量不合格问题。但该方法没有考虑到同一张图像中存在多种缺陷的情况，且提出的磨损值检测方法自动化程度低，对人的依赖程度较高，此外对图像的预处理方法容易降低磨损区域图像质量。中国专利CN111300144B公开了一种基于图像处理的刀具磨损状态自动检测方法，该方法通过在机检测设备获取刀具图像，图像经过预处理后通过卷积神经网络判断刀具类型。但该方法所能检测的类型单一，难以在实际加工场合应用，此外该方法仅能判断刀具磨损状态，无法获取具体磨损数值。
[0004]目前刀具表面缺陷检测方法主要存在以下不足：1)刀具表面缺陷图像的获取主要依靠拆卸刀具后通过视觉设备拍摄图像的方式，效率较低，反复拆卸也会影响机床的加工精度；2)目前的方法主要关注刀具磨损的检测，对于在切削加工过程中所出现的其他缺陷如破损、积屑瘤等检测的方法很少提及，严重影响了在工业实际加工场景中的应用；3)通过视觉设备直接获取的图像由于太大往往无法直接使用，现有的检测方法一般采用直接压缩的方式，既没有在图像中凸显出缺陷部分，又降低了缺陷区域的清晰程度；4)方法中大多涉及深度学习模型，但其训练过程所采用的数据库内图像数量较少，无法训练出高精确度和泛化能力强的模型。
[0005]为提高刀具表面缺陷检测效率，实现高效率检测，亟需一种具有较高实际应用性的检测方法。

技术实现思路

[0006]本专利技术的目的在于提供一种刀具表面缺陷在机检测方法，以解决上述的刀具表面缺陷检测技术问题。
[0007]为达此目的，本专利技术采用以下技术方案：一种刀具表面缺陷在机检测方法，包括如
下步骤：
[0008]步骤S1，通过在机检测装置获取刀具表面缺陷图像并对图像进行预处理；具体步骤如下：
[0009]步骤S11，将原始刀具表面缺陷图像灰度化，之后通过高斯滤波或双边滤波处理图像；
[0010]步骤S12，对滤波后的图像进行阈值分割处理为二值化图像，所述阈值分割方法包括大津法和自适应阈值分割方法；
[0011]步骤S13，根据二值化图像通过寻找图像最大轮廓获得刀具外轮廓边缘，再采用多边形对获得的最大轮廓进行轮廓近似；
[0012]步骤S14，对经过轮廓近似后的轮廓采用SHI
‑
TOMASI算法进行角点检测，对检测结果进行非极大值抑制；
[0013]步骤S15，获得各角点在原始刀具表面缺陷图像中的坐标，以获取的各角点坐标为中心确定出6
×
6大小的矩阵，再根据各矩阵元素在原始刀具表面缺陷图像中所对应位置的图像像素值大小计算出各矩阵32个像素对应的的总体像素值大小，根据计算结果，总体像素值最大的则为刀具刀尖点所对应的角点；
[0014]步骤S16，以获取的刀具刀尖点所对应的角点的坐标值为中心剪裁原始刀具表面缺陷图像得到预处理图像。
[0015]步骤S2，构建刀具图像数据库，进行图像增强以扩充数据库内图像数量；
[0016]步骤S3，对数据库内的图像分别进行缺陷类型标注和缺陷区域标注后，将图像分为训练集及测试集；
[0017]步骤S4，通过训练集分别对刀具图像分类模型和图像分割模型进行训练，通过测试集分别对刀具图像分类模型和图像分割模型进行测试，并根据测试过程中的误差情况分别调整刀具图像分类模型和图像分割模型的参数；
[0018]步骤S5，通过在机检测装置、刀具图像分类模型和图像分割模型三者的结合进行刀具缺陷的在机检测；具体步骤如下：
[0019]步骤S51，检测过程开始，机床接收到图像拍摄信号后暂停切削加工过程并将刀塔移动至预先设定位置，之后通过高压气体清除刀具表面污垢；
[0020]步骤S52，在机检测装置快速移动至图像拍摄位置并获取刀具后刀面缺陷图像；
[0021]步骤S53，对图像进行预处理操作；
[0022]步骤S54，通过训练好的图像分类模型对经过预处理的刀具表面缺陷图像进行处理并分类为破损缺陷或泛磨损缺陷图像，若图像被分类为破损缺陷图像则进行步骤S57，若图像被分类为泛磨损缺陷则移至步骤S55；
[0023]步骤S55，通过训练好的图像分割模型对泛磨损缺陷图像进行处理，得到多种类型泛磨损缺陷区域并标记其类型；
[0024]步骤S56，对获得的各泛磨损缺陷类型区域进行量化，获得各类型区域宽度及面积信息后判断是否超过设定阈值，若超过阈值则进行步骤S57，若没有超过则进行步骤S58；
[0025]步骤S57，机床报警以提醒机床操作人员进行换刀；
[0026]步骤S58，在机检测装置退回至初始位置；
[0027]步骤S59，由机床操作人员判断切削加工过程是否完成，若已完成则结束加工，若
未完成则进行下个周期的加工及检测过程。
[0028]优选的，所述步骤S1中刀具表面为数控车刀的后刀面。
[0029]优选的，所述步骤S1中的在机检测装置为一种将视觉检测设备集成于机床刀塔上的装置，该装置在刀具进行切削加工时处于初始位置以免干扰加工过程，在装置接收到拍摄信号后通过传动装置将视觉检测设备移动至拍摄位置，同时在拍摄时通过旋转台调整视觉检测设备的角度以便按照正确的角度拍摄刀具表面图像。
[0030]优选的，所述步骤S2中的图像增强方法为随机增强方法或对抗网络增强方法。所述随机增强方法包括随机旋转方法、平移变换方法、随机缩放方法和添加噪声方法；所述对抗网络增强方法为通过WGAN
‑
GP网络对原始图像进行增强的方法。
[0031]优选的，所述步骤S4中的图像分类模型为ResNet
‑
18模型，图像分割模型为U
‑
Net模型。
[0032]优选的，所述泛磨损缺陷包括积屑瘤、后刀面磨损、边界磨损、粘接磨损和涂层剥落。
[0033]本专利技术技术与现有技术相比较，具有如下实质本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种刀具表面缺陷在机检测方法，其特征在于：包括如下步骤：步骤S1，通过在机检测装置获取刀具表面缺陷图像并对图像进行预处理；具体步骤如下：步骤S11，将原始刀具表面缺陷图像灰度化，之后通过高斯滤波或双边滤波处理图像；步骤S12，对滤波后的图像进行阈值分割处理为二值化图像，所述阈值分割方法包括大津法和自适应阈值分割方法；步骤S13，根据二值化图像通过寻找图像最大轮廓获得刀具外轮廓边缘，再采用多边形对获得的最大轮廓进行轮廓近似；步骤S14，对经过轮廓近似后的轮廓采用SHI
‑
TOMASI算法进行角点检测，对检测结果进行非极大值抑制；步骤S15，获得各角点在原始刀具表面缺陷图像中的坐标，以获取的各角点坐标为中心确定出6
×
6大小的矩阵，再根据各矩阵元素在原始刀具表面缺陷图像中所对应位置的图像像素值大小计算出各矩阵32个像素对应的的总体像素值大小，根据计算结果，总体像素值最大的则为刀具刀尖点所对应的角点；步骤S16，以获取的刀具刀尖点所对应的角点的坐标值为中心剪裁原始刀具表面缺陷图像得到预处理图像；步骤S2，构建刀具图像数据库，进行图像增强以扩充数据库内图像数量；步骤S3，对数据库内的图像分别进行缺陷类型标注和缺陷区域标注后，将图像分为训练集及测试集；步骤S4，通过训练集分别对刀具图像分类模型和图像分割模型进行训练，通过测试集分别对刀具图像分类模型和图像分割模型进行测试，并根据测试过程中的误差情况分别调整刀具图像分类模型和图像分割模型的参数；步骤S5，通过在机检测装置、刀具图像分类模型和图像分割模型三者的结合进行刀具缺陷的在机检测；具体步骤如下：步骤S51，检测过程开始，机床接收到图像拍摄信号后暂停切削加工过程并将刀塔移动至预先设定位置，之后通过高压气体清除刀具表面污垢；步骤S52，在机检测装置快速移动至图像拍摄位置并获取刀具后刀面缺陷图像；步骤S53，对图像进行预处理操作；步骤S54，通过训练好的图像分类模型对经过预处理的刀具表...

【专利技术属性】
技术研发人员：郭江，朱旭，陈桂林，陈鑫龙，徐俏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：