面向刀具磨损在机检测的机器视觉系统

贾冰慧，全燕鸣，朱正伟

（华南理工大学机械与汽车工程学院，广东 广州 510640）

面向刀具磨损在机检测的机器视觉系统

贾冰慧，全燕鸣，朱正伟

（华南理工大学机械与汽车工程学院，广东 广州 510640）

针对数控机床加工环境，就如何快速定量检测刀具磨损状况的问题，开发在机环境下的机器视觉检测装置。根据图像灰度分布区域差异性特点，提出基于8连通邻域搜索的交互式刀具磨损提取算法。实验结果表明：该检测方案误差可控制在5%范围内，能够满足机械加工的要求。

精密工程测量；在机检测；邻域搜索；刀具磨损；机器视觉

0 引 言

刀具作为金属切削过程的主要执行者，不可避免会出现磨损现象，定量检测刀具磨损状况，是保证加工质量和效率的前提。传统的刀具磨损检测有间接检测法和直接检测法。间接检测法是利用刀具磨损状态对不同工作参数的影响，测量反映刀具磨损程度的相关参量，其中常用方法有切削力检测法、声发射检测法、振动信号检测法、电流信号测量法等[1-4]。间接法能在线检测刀具状态，不影响加工过程，但干扰检测的干扰因素太多，检测结果精度无法保证。直接检测法能够识别刀刃外观、表面品质或几何形状变化，目前主要方法有射线检测法、光学测量法、计算机图像处理法等[5-7]。直接检测法检测结果真实、准确，但是只能停机离线检测，占用工时，影响机械加工的效率和经济效益。针对现有刀具磨损检测方法的不足，本文设计了一种刀具磨损在机检测的机器视觉系统，可以安装在机床上获取在机刀具图像，并现场快速分析刀具图像信息而得到刀具磨损的定量测量。

1 视觉检测装置的设计

面向刀具磨损在机检测的视觉检测装置，包括多自由度机械臂、图像获取机构和微型计算机。考虑到机床环境，视觉检测装置必须满足占用空间小、可跨尺度、自动精密检测的需求。

1.1 多自由度机械臂设计

文中设计的机械臂，能够直接在机床有限空间内对装在主轴上的刀具自动进行宏观形状尺寸和微观磨损图像获取，摄取的图像质量高，检测结果准确。

该机械臂包括纵移机构、旋转机构、横移机构和翻转机构4个部分。纵移机构的末端通过旋转机构与横移机构连接，翻转机构安装于横移机构上，CCD工业相机安装于翻转机构内；纵移机构、旋转机构、横移机构、翻转机构中的电机都通过集成驱动板与计算机连接。CCD工业相机通过USB2.0数据线与计算机连接。机器视觉检测装置结构如图1所示。

图1 机器视觉检测装置结构示意图

机械臂采用TB6560电机驱动集成模块对各个电机进行控制，实现图像获取机构在各维的自动运动，满足刀具在机检测的拍摄要求。拍摄刀具图像时，首先利用计算机对图像获取机构进行初始化；然后在计算机中输入对各个步进电机的控制指令，机械臂携带CCD工业相机走到相应的拍摄位置：当镜头与刀具之间的距离较远时，相机拍摄刀具侧面图像，从而可以检测刀具侧面形状尺寸；而当镜头与刀具之间的距离较近时，相机拍摄刀头局部侧面图像，从而检测刀头侧面的微观状态，如刀具磨损程度。在此基础上，再借助机床主轴带动刀具旋转，则可以检测刀具整个圆周表面。

在设计制造机械臂时，必须对各部分传动装置、部件进行优化，尽量减小机器运行所带来的震动,保证衔接部件平滑度和机身稳定度。过大的震动将会导致获取的图像不清晰，不能满足刀具磨损检测的需求。

1.2 图像获取机构设计

图像获取机构包括相机和光源，相机固定安装于翻转架内，光源安装于相机镜头的前方。镜头前端安装有平光保护罩，从而防止油雾及切屑污染镜头，影响图像的质量和检测结果。机床主轴外壳体的下端设置背光源，在对刀具进行侧面摄像时，使用背光源可去除背景的干扰并增强照明。

基于实用性考虑，检测相机采用百万像素级数字式黑白工业相机。相机与镜头之间有接圈以调节视场与物距关系，在125mm物距内拍摄显微磨损视场不小于20mm×20mm，在300mm物距内拍摄宏观尺寸视场不小于65mm×65mm。

2 图像处理分析

在所获图片中可以观察到刀具磨损区域的灰度与背景灰度、刀具其他部位的灰度有明显差异，然而在磨损区域内部，灰度也是有递变的。针对刀具磨损区域的灰度分布特点，提出了基于8连通邻域搜索的交互式缺陷提取算法。图2是刀具缺陷提取算法的基本流程。

图2 刀具缺陷提取算法基本流程图

2.1 图像预处理

对于相机获取的刀具图像，背景除了噪声外，大部分都为缓慢变化的低频部分，而刀具磨损与背景灰度有明显差异，属于图像中的高频部分，采用高通滤波器能很好地抑制低频分量，让高频分量顺利通过，同时在灰度过渡边缘，有明显的锐化效果，这样处理使得刀具磨损区轮廓更为清晰，利于后续对刀具缺陷的提取[8]。然而普通的高通滤波器偏离了直流项，从而把图像的平均值降低到零，一种补偿的方法就是采用高频加强滤波。

对于所获取的图像，采用频域高频加强滤波予以处理，能获得理想的效果，如图3所示。所谓高频加强滤波，即是在高斯滤波器函数前乘以一个常数，再增加一个偏移[9]，如下式所示：

式中：Hhfe（u，ν）——高频加强滤波函数；

Hhp（u，ν）——高斯滤波函数；

a，b——大于零的常数。

图3 高频加强滤波处理效果

在所获图片中可以观察到刀具磨损区域的灰度与背景灰度、刀具其他部位的灰度有明显差异，然而在磨损区域内部，灰度亦是不均匀的（如图4所示）。针对刀具磨损区域的灰度分布特点，提出了基于8连通邻域搜索的交互式缺陷提取算法。

图4 刀刃缺陷区域灰度分布说明

2.2 基于8连通邻域搜索的交互式缺陷提取算法

经高频加强滤波处理后的图像，刀具磨损区域整体灰度值较高，其他区域灰度值较低，据此用户可识别出磨损区域（如图3（b）所示）。在此区域内单击鼠标，鼠标位置对应的图像点为原始点a（x0，y0），f（x0，y0）是原始点的灰度值，t为阈值门限。以（x0，y0）为起始点，采用8连通邻域搜索方法查找周围各像素点b（xi，yi），各点灰度值为f（xi，yi），定义两点相似性度量如下：

若R（a，b）≤t，则说明当前点（xi，yi）为满足阈值门限标准和连接标准的感兴趣点。以该方法遍历搜索区域中的各像素点，由此可分离感兴趣点和背景点，感兴趣点的集合即为所要提取的刀具磨损区域。阈值门限t的取值是影响检测精度的重要因素，在检测环境（主要是光照条件）有差异的情况下，t的最优值不同。因此，在不同环境下检测时，需要做准备实验确定t的最优值，对于本文实验环境，总结前期实验测试结果，t推荐参考值为20灰度级。

2.3 形态学区域填充

采用上述交互式缺陷提取算法初步提取的缺陷区域，内部会有些微孔洞，影响缺陷定量检测的精度。因此，需要对初步提取的缺陷区域进行形态学区域填充。

将图像f（x，y）用集合A表示，A为一个包含子集的集合，其子集的元素均是区域的8连通边界点，令X0为边界内一点，将其灰度值赋为1，B是用来填充8连通边界的十字结构元素，使用如下过程将整个边界内区域用1填充：

当Xk=Xk-1，则算法在迭代的第k步结束。Xk和A的并集，即是填充后的结果[10]。

将被测刀具端面各刃依次顺时针编号为A刃、B刃、C刃，图像经形态学填充后结果如图5所示。

2.4 像素当量的标定

像素当量是图像测量系统中最重要的参数，该参数对最终标定精度与测量精度有着决定性的影响[11]。目前，图像测量系统的标定多采用标准件法，即把尺寸为L的标准件的精确尺寸与图像处理出的像素数N进行比值，那么该物距下的像素当量M可以通过下式计算得出：

图5 图像处理结果

像素当量单位为mm/pix、μm/pix。

本文中设计的刀具在机检测视觉系统能够跨尺度完成对刀具宏观尺寸的测量及微观缺陷的检测。因此在系统工作过程中，拍摄物距是在一定范围内的变化值。若在各个拍摄物距都使用标准件法逐一标定，将严重影响系统的工作效率。本文采用多项式拟合的方法求取各个物距下的像素当量。

实验已知50～80 mm的物距范围能满足所有的检测需求，因此50～80mm的物距范围内，以1mm为变化量，得到标准件尺寸在不同物距图像中的像素值，利用式（4）计算每个物距下对应的像素当量Mi，（i=50，51，…，80）。以物距x为自变量，像素当量Y为因变量，通过Matlab数学工具箱对所得到的31组数据进行处理，最优拟合结果为6次多项式。

其中x∈[50，80]（mm）；p1，p2，…，p7取值如下：

利用多项式（5）可以方便计算出各个物距x下的像素当量Y，单位为mm/pix。

3 实验结果分析

在国家标准中，通常以后刀面最大磨损宽度VBmax为标准衡量刀具的磨损情况[12]，对于不同加工要求的刀具，允许的最大磨损范围介于0.2～2mm之间。

用上述检测装置拍摄的三刃立铣刀端面图像，经加强滤波预处理后，通过基于8连通邻域搜索的交互式缺陷提取算法，提取刀具磨损区域，利用Matlab软件拟合出缺陷区域最小外接矩形，计算短边像素数即可获得刀具磨损量VBmax。实验测量结果和显微镜测量结果对比见表1，可见文中机器视觉系统的检测误差在5%范围内，能够满足机械加工的要求。

表1 实验检测结果和显微镜测量结果对比

4 结束语

本文根据在机检测刀具磨损的环境条件和所获取图像的灰度分布特点，设计了能够在机获取清晰图像的视觉检测装置，提出基于8连通邻域搜索的交互式缺陷提取算法，使用形态学区域填充对图像做后续处理，利用多项式拟合求取各个物距下的像素当量。实验结果表明，本文设计的系统能够满足机械加工的要求。该方案克服了传统检测方法精度差、不能在机检测的缺点，在保证精度的前提下，实现刀具直接在机检测。

[1]黄遂，傅攀，朱丽琴.刀具磨损检测系统的实用化研究[J].中国测试，2009，35（1）：107-110.

[2]Gómez M P，Hey A M，Ruzzante J E，et al.Tool wear evaluation in drilling by acoustic emission[C]∥Physics Procedia，2010（3）：819-825.

[3]Chen X Q，Li H Z.Development of a tool wear observer model for online tool condition monitoring and control in machining nickel-based alloys[J].Int J Adv Manuf Technol，2009（45）：786-800.

[4]Patra K，Pal S K，Bhattacharyya K.Artificial neural network based prediction of drill flank wear from motor current signals[J].Applied Soft Computing，2007（7）：929-935.

[5]Sortino M.Application of statistical filtering for optical detection of tool wear[J].International Journal of Machine Tools&Manufacture，2003（43）：493-496.

[6]Fadare D A，Oni A O.Development and application of machine vision system for measurement of tool wear[J]. RPN JournalofEngineering and Applied Sciences，2009，4（1）：42-49.

[7]张悦.基于计算机视觉的刀具磨损检测技术的研究[J].机械工程与自动化，2008，27（4）：107-109.

[8]张辉，王耀文，周博文.基于机器视觉的液体药品异物检测系统研究[J].仪器仪表学报，2009，30（3）：548-553.

[9]Gonzalez R C，Woods R E.Digital image processing second edition[M].Publish House of Electronics Industry，2007：75-80.

[10]Jiang H Y，Zhang Y H，Zhang B.PCA-based region growing method and its application on spleen segmentation[J].Advances in Information Technology and Industry Applications，2012（136）：697-707.

[11]付鹏，高晓蓉.基于矩的亚像素边缘检测算法的对比研究[J].微计算机信息，2007，23（6）：264-266.

[12]GB/T 16460—1996立铣刀寿命试验[S].北京：中国标准出版社，1996.

Machine vision system for on-machine tool wear detection

JIA Bing-hui，QUAN Yan-ming，ZHU Zheng-wei
（School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，China）

Considering the environment of CNC machining，the authors proposed a method for detecting tool wear condition rapidly and quantitatively in this paper.Firstly，considering the CNC machine tools processing environment，they designed an intelligent visual detection device in the machine environment.Then，according to the characteristics of the image gray distribution of regional differences，an interactive algorithm based on 8 connectivity neighborhood search of tool wears was proposed.Experimental results show the program error is in the range of 5%.The result indicates this method is able to meet the requirements of the machining.

precise engineering surveying；on-machine detection；neighborhood search；tools wear；machine vision

TG71；TH165+.2；TP75；TG115.5+8

：A

：1674-5124（2014)06-0060-04

10.11857/j.issn.1674-5124.2014.06.016

2014-01-16；

：2014-03-23

广东省科技攻关计划项目（2009A010200002）

贾冰慧（1988-），女，陕西宝鸡市人，硕士研究生，专业方向为机器视觉应用与检测技术研究。