一种基于机器视觉的切削工具凹槽检测方法技术

本发明专利技术提供了一种基于机器视觉的切削工具凹槽检测方法。包括：刀具边缘附件去除模块、刀具亚像素边缘提取模块及刀具凹槽检测模块。本发明专利技术首先引入了刀具边缘附件去除模块用于完全分离附件和工具区域，实现更准确的工具边缘修复。随后，本发明专利技术提出了刀具亚像素边缘提取模块优化了模板计算和Zernike矩的亚像素定位指标，从而实现更快的亚像素边缘提取。最后，本发明专利技术提出了一种刀具凹槽检测模块解决了工具初始边缘推断过程中的欠射问题，从而提高切口检测的准确性，防止漏检。防止漏检。防止漏检。

【技术实现步骤摘要】
一种基于机器视觉的切削工具凹槽检测方法


[0001]本专利技术涉及图像处理
，具体的说，涉及了一种基于机器视觉的切削工具凹槽检测方法。

技术介绍

[0002]切削工具凹槽检测是制造业中一个重要的任务，它用于检测切削工具表面的凹槽，以评估工具的质量和性能。凹槽检测对于确保切削工具的正常运行和加工质量至关重要。然而，受切削工具磨损程度和光照变化影响，切削工具检测经常效果不佳。磨损程度会使凹槽的形状和边缘特征发生变化，导致难以准确地检测和分割凹槽；光照变化会导致凹槽的边缘信息不明显或模糊，影响检测效果。其中磨损程度是切削工具凹槽图像识别主要面临的问题。
[0003]当前，基于机器学习的切削工具磨损预测方法、自适应磨损补偿算法、磨损形状校正方法逐渐应用在切削工具凹槽磨损校正工作中，并取得了有效性。
[0004]基于机器学习的切削工具磨损预测方法依靠预测模型对切削参数进行预测，但需要大量的数据和合适的特征选择。自适应磨损补偿算法和磨损形状校正方法在检测中易出现误差和过校正问题。总的来说尽管这些方法在切削工具凹槽检测中取得了有效性，但这些方法仍然有一些限制。
[0005]如申请号为：CN202310206684.X、专利技术名称为：基于退化模型的铣削刀具剩余寿命预测方法的专利技术专利中提出，通过收集包含加工过程信号数据和刀具磨损值的样本数据。对加工过程信号数据进行时域、频域和时频域特征提取，并生成特征池矩阵。通过三轮信号筛选，包括单调性排序、相关性优选和冗余性剔除，对特征池矩阵进行特征选择。将筛选后的特征组合成多维特征矩阵，并进行主成分分析得到主成分作为健康因子。基于健康因子构建退化模型，并使用样本数据集对退化模型进行训练。最后，利用训练好的退化模型进行刀具剩余寿命预测。该专利技术主要通过对信号特征的提取、筛选和分析，以及建立退化模型进行预测的方式来解决问题。然而，该解决方案相对单一，不具备广泛的适用性。
[0006]总的来说，现有的大多数切削工具凹槽检测模型通常利用了切削工具表面的纹理、形状和边缘等特征。不幸的是，这些特征存在视角依赖性、环境变化敏感性、多样性处理困难、数据不平衡等缺点。这些限制将阻碍机器学习的特征表达能力。
[0007]为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

技术实现思路

[0008]本专利技术的目的是针对现有技术的不足，从而提供一种具有广泛适用性、准确性更高的基于机器视觉的切削工具凹槽检测方法。
[0009]为了实现上述目的，本专利技术所采用的技术方案是：一种基于机器视觉的切削工具凹槽检测方法，包括以下步骤：
[0010]步骤1)：引入刀具边缘附件去除模块用于完全分离附件和工具区域，实现更准确
的工具边缘修复；
[0011]具体的，首先通过检测切割工具边缘图像上凹陷区域的凹点。设w(x,y)为刀具边缘图像位置(x,y)处的窗口函数，表示检测窗口中每个像素的权重。同时，本专利技术设计了一个以窗口中心像素为原点的双变量正态分布。刀具边缘图像位置(x,y)处的灰度值为I(x,y)，检测窗口移动导致的灰度值变化E(u,v)如下所示：
[0012][0013]凹点处的E(u,v)值要远大于图像中其他像素的值。为了加快计算速度，设I
x
和分别为I
x
的偏导数I，可以推导如下：
[0014][0015]窗口的相应分数R是通过矩阵的特征值计算得出的。如果分数超过阈值，则表示该点是凹点。计分函数如下所示：
[0016]R＝Det(M)
‑
k(Trace(M))2,0.04＜k＜0.06
[0017]其中，k是一个常数，然后，根据凹点检测结果，迭代计算凹点之间的欧氏距离，并匹配最短距离的凹点对。为了避免过分分割的问题，设置了一个距离阈值D
min
，排除超过阈值的凹点对。通过凹点匹配信息建立附着在刀具边缘上的连接域，并实现附着的识别和去除。
[0018]步骤S02：提出一个刀具亚像素边缘提取模块优化了模板计算和Zernike矩的亚像素定位指标，从而实现更快的亚像素边缘提取；
[0019]具体的，Zernike矩公式如下：
[0020][0021]其中，代表积分核函数，m代表子阶次，n代表阶次，满足条件并且n
‑
|m|是一个常数。
[0022]在Zernike矩的理论边缘模型中，假设理想边缘为图中的线段D
n
，则完整的区域被该线段分为上下两部分。线段的左下部分是图像的背景区域，记其灰度值为h。线段的右上部分是目标区域，记其灰度值为h+k。假设模型中各阶次的实际边缘分别为ab和cd，原点到实际边缘的距离分别为l1和l2，原点到理论边缘的距离为l
D
，理论边缘的负角度的余角为
[0023]由于角度是理论边缘D和横坐标轴负角度之间的剩余角度，可以顺时针旋转理论边缘度使其与横坐标轴垂直。根据积分定理，可以得到以下结果：
[0024][0025]设A'
mm
为旋转后图像的Zernike矩，上述方程是A'
11
的虚部，因此可以得到顺时针旋转角度的计算方法如下：
[0026][0027]利用Zernike矩的旋转不变性，在原始图像顺时针旋转度之后，旋转后图像的Zernike矩A'
mm
与原始图像的Zernike矩A
mm
之间的关系如下所示：
[0028][0029]我们可以推导出l、k、h的值：
[0030][0031][0032][0033]因此，假设任意边缘像素级坐标点为(x,y)，那么相应的亚像素边缘坐标为(x
S
,y
S
)，亚像素边缘坐标的转换公式如下所示：
[0034][0035]步骤S03：提出一种刀具凹槽检测模块解决了工具初始边缘推断过程中的欠射问题，从而提高切口检测的准确性，防止漏检；
[0036]具体的，引入的一个带参数的四次Hermite插值算法，具体而言：定义工具边缘包含n+1个极大点，并将该极值点将工具边缘划分为n个组合，即[(x0,x1),(x1,x2),...,(x
n
‑1,x
n
)]。令x0＜x1＜...＜x
n
，h
i
＝x
i+1
‑
x
i
，则称之为：
[0037][0038]其中，λ
i
是一个常数，为了满足插值条件。t是一个介于0和1之间的数，用来表示待插值点的横坐标在该区间内相对于两个极大点的位置。
[0039]四次Hermite插值基函数RH(x,λ)结合优化的包络形状参数如下所示：
[0040]RH(x,λ)＝y
i
RF
i
(t)+y
i+1
RF
i+1
(t)+h
i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切削工具凹槽检测方法，其特征在于：包括以下步骤：步骤1)：引入刀具边缘附件去除模块用于完全分离附件和工具区域，实现更准确的工具边缘修复；具体的，首先通过检测切割工具边缘图像上凹陷区域的凹点，设w(x,y)为刀具边缘图像位置(x,y)处的窗口函数，表示检测窗口中每个像素的权重；同时，设计一个以窗口中心像素为原点的双变量正态分布，刀具边缘图像位置(x,y)处的灰度值为I(x,y)，检测窗口移动导致的灰度值变化E(u,v)如下所示：凹点处的E(u,v)值要远大于图像中其他像素的值；根据凹点检测结果，迭代计算凹点之间的欧氏距离，并匹配最短距离的凹点对，通过凹点匹配信息建立附着在刀具边缘上的连接域，并实现附着的识别和去除；步骤2)：提出一个刀具亚像素边缘提取模块优化了模板计算和Zernike矩的亚像素定位指标，从而实现更快的亚像素边缘提取；假设任意边缘像素级坐标点为(x,y)，那么相应的亚像素边缘坐标为(x
S
,y
S
)，角度是理论边缘D和横坐标轴负角度之间的剩余角度，l为原点到理论边缘的距离，亚像素边缘坐标的转换公式如下所示：步骤3)：提出一种刀具凹槽检测模块解决了工具初始边缘推断过程中的欠射问题，从而提高切口检测的准确性，防止漏检；数学模型如下所示：设形状参数为λ，y
i
为切削工具边缘峰值点x
i
的函数值；利用粒子群优化算法计算和确认最优形状参数A，生成切割刀具边缘的上包络，这个包络作为切割刀具的预处理边缘，通过计算预处理边缘与实际边缘之间的距离，并进行阈值筛选，我们可以实现不同切口的主要区域检测，接下来，设计了一个生长算子，在切口主要区域附近进行二分搜索，最终计算出完整切口区域的位置；根据切口区域的识别结果，可以得到切口的最大深度和长度，根据梯形法则，切割刀具切口面积的计算可以转化为预处理边缘和实际边缘之间的梯形积分差异的计算，而n个连续小梯形的黎曼和可以近似为切口面积，假设切口面积在[a,b]范围内，边缘曲线函数为f
(x)，则梯形积分的计算如下所示：2.根据权利要求1所述的基于机器视觉的切削工具凹槽检测方法，其特征在于：步骤1)中，为加快凹点检测的计算速度，设I
x
和分别为I
x
的偏导数I，可以推导如下：窗口的相应分数R是通过矩阵的特征值计算得出的，如果分数超过阈值，则表示该点是凹点，计分函数如下所示：R＝Det(M)
‑
k(Trace(M))2,0.04＜k＜0.06。3.根据权利要求2所述的基于机器视觉的切削工具凹槽检测方法，其特征在于：步骤1)中，为了避免过分分割的问题，设置了一个距离阈值D
min
，排除超过阈值的凹点对。4.根据权利要求3所述的基于机器视觉的切削工具凹槽检测方法，其特征在于：步骤2)中，Zernike矩公式如下：其中，代表积分核函数，m代表子阶次，n代表阶次，满足条件n，n≥0，n≥m，并且n
‑<...

【专利技术属性】
技术研发人员：张卫东，王斌，金松林，刘庆敏，李国厚，赵高丽，曲培新，王建平，
申请(专利权)人：河南科技学院，
类型：发明
国别省市：