基于分层图像采集和三维重建的刀具磨损检测方法

舒平生

(南京信息职业技术学院机电学院，江苏 南京 210023)

随着柔性制造单元、柔性制造系统和计算机集成制造系统的兴起，研究和开发这类高自动化加工设备的加工状况的监控技术已成为机械制造中的重要内容，而刀具的在线监控更为人们所关注［1－2］。

在大规模高度自动化生产过程中，对刀具磨损状态的实时监控是保证生产顺利进行之关键［3］。多年来，国内外学者在刀具磨损、破损的监测方面进行了大量的研究，开发出了许多不同种类的检测方法。但是，由于刀具的多样性及切削条件的多变性等原因，大多数监测方法存在环境适应能力差、监测对象单一等问题［4－5］。

对加工刀具磨损状态实时监测是现代加工技术提出的新要求，以往的研究中人们提出了许多间接和直接监测刀具磨损状态的方法。间接法主要是利用切削力、切削温度或声发射(AE)等与刀具磨损有关的特征参量的信号的变化作为依据进行检测，但是特征参量与刀具的磨损程度并没有很严格的对应关系。直接在线检测刀具磨损的方法是利用基于图像分析的计算机视觉方法，具有非接触、可得到磨损精确量、使用方便且速度快的优点［6］。近年来，随着计算机技术的高速发展，基于计算机视觉的刀具状态监测逐步进入机械自动化领域［7］，基于机器视觉的刀具磨损检测方法，其测量结果不易受实际切削方法和切削参数的影响，但磨损刀具的图像却往往受到各种干扰的影响，如切屑、污物及图像传感器噪声(如残像、弥散等)或信息传输误差等，使得刀具图像中充满了椒盐颗粒噪声，直接影响到模式识别，最终影响检测精度，所以要对刀具图像进行去除噪声、边界检测、阈值分割预处理［8－9］。

目前在刀具磨损检测上基于图像处理的检测方法还是运用较广的一种方法，其所需要的设备简单，测量效率高，且精度上也有一定的优势，但是其缺点也是显而易见的，即往往只能局限于二维内的检测，对磨损区域的三维形貌无从得知，且在去噪以及边缘提取上需要人为设定阈值，自动化程度不够高，因此本文提供一种基于分层图像采集和三维重建的刀具磨损检测方法，不需要人为设定阈值，而是通过各层图像相互比较的方式对图像的清晰部分自动进行判断和取舍操作，并对刀具磨损区域进行准确三维重建，从而对刀具磨损能有一个更加精确和具体的检测。

1 图像采集

被检测的刀具如图1所示，其为陶瓷车刀，经过长时间的切削加工后，其刀刃出现了一定的磨损，为了对其磨损程度有一个清楚的把握，必须对其磨损量进行测量。

首先对刀具的磨损区域分层进行图像采集，采集系统的装备为:SONY公司型号为SSC－DC498P的增强型彩色摄像机和进口型号为三丰AT112－220工具显微镜，光源采用德国进口型号为SCHOTT冷光源，组成图像采集系统，分别如图2、3所示。

该系统的主要有关技术参数:(1)像素:700(H)×600(V);(2)测量范围:200mm×100mm;(3)光栅精度:0.001mm/0.001mm/0.0005mm;(4)图像传感器尺寸:1/3英寸;(5)图像传感器水平分辨率:480电视线。

首先调整显微镜，使得其成像的最清晰的部位为刀具磨损区域的最底端，并进行图像采集。此时采集到的图像中同时含有清晰部分和模糊部分，其中最清晰的部分对应刀具磨损区域的最低端，紧接着将显微镜垂直往上移动Δh的距离并执行图像采集的操作，由于在移动显微镜的过程中显微镜的对焦距离始终保持不变，因此得到的图像的最清晰的部位所对应的实际刀具的磨损部位也相应地往上移动Δh的距离，刀具磨损区域在不同的图像中均有相应的对应点，不过有清晰和模糊的区别。其图像采集原理如图4所示。

重复以上操作，直到图像采集到的最清晰部分的区域对准刀具磨损区域的最上端，此时完成了图像采集的操作，最终采集得到的图像如图5所示。

为便于说明该方法的原理，本次只采集了4张图像，在实际实验中为提高精度可以减小显微镜每次移动的距离，增加采集图像的次数。根据所采集的图像可以明显看到各层图像的清晰部分在不断发生变化，这是由于在调整显微镜的高度时其对焦部位会产生相应变化而引起，不同的清晰部位分别对应着刀具磨损区域的不同高度。

2 对图像清晰部分的判断

为便于对采集到的图像的清晰部位进行三维重建的操作，必须对所采集的图像中的清晰部位进行准确提取。根据观察，可以发现，在清晰区域，像素点的亮度与周边像素的亮度差别较大，而模糊区域的像素的亮度与周边像素的亮度差别较小，因此这里可以选取亮度方差VAR作为判断图像清晰和模糊区域的依据变量。

像素亮度的方差算子，可以用下式进行定义:

式中:f(x，y)代表坐标为(x，y)的像素点的亮度值;u为所选区域中所有像素的亮度的平均值;M、N分别表示所选区域的行数和列数;V0所对应的位置即为判断为最清晰的点的位置。

以上计算该区域的亮度方差的过程中，所选的像素区域是一个M×N区域，为保证被判断像素为所选区域的最中间的位置，这里M和N的取值均为大于2的奇数。

最终计算得到的清晰部位的方差偏大，而模糊区域的方差偏小，为对清晰部位进行准确提取并且消除人为设定阈值所带来的误差，这里采用各层图像之间进行相互比较的方式对清晰部位进行自动判断和提取。即在各层图像的同一坐标(x，y)处分别计算出该对应区域内的所有像素的亮度的方差，并进行相互比较，若最大值在图层n，则判断平面坐标为(x，y)的最清晰的点位于图层n并在图层n内对该清晰点进行保留，将其他图层在坐标为(x，y)处的点判断为模糊点并进行去除，由此完成了平面坐标为(x，y)处像素点的清晰点保留和模糊点删除的操作。

对于图像的最边缘的像素点，往往无法将其置于某一区域的最中心的位置，因此可以将其置于所选区域的最边缘的部分，同样可以对其进行计算方差、比较判断和取舍的操作，而其计算的结果也是比较可靠的。

最终将所有图像的清晰部位进行组合，置于同一张图像中，可以发现该图像的所有部位都是呈现的清晰状态，如图6所示，由此可以说明前期通过各层图像之间比较方差的方法而对清晰部位进行判断和提取的操作是成功的。

以上判断到的各清晰像素所在图层的位置是由逐渐调节工具显微镜在Z轴上的位置而得到的，所得到的各层图像之间有固定的距离，因此存在一定的不连续性的问题，其得到的结果只是比较粗略的深度值，前期即使加大工作量，减小每次工具显微镜在Z轴上所调节的距离来获取更多的分层图像，尽管会在一定程度上提高计算精度，但是仍然无法消除不连续性的问题。因此为了得到刀具磨损表面更为精确的磨损信息，还需要对各层图像之间进行深度插值。目前已有的能够完成三维数据拟合插值的算法种类繁多，如最临近插值、高斯插值法、样条插值等。文献［10］指出改进的拉普拉斯算子聚焦测度在最大值附近近乎呈现正态分布，因此本文采取用高斯插值法对刀具磨损表面的聚焦位置进行精确分析和计算，最终得到物体表面高度信息。

采用高斯插值法的聚焦评价函数的公式为:

用相应的代换公式(5)将每个算子的聚焦测度Fm－1、Fm、Fm+1分别进行取代，可以计算出和 σF分别为:

搜索符合最高峰值 F(d)处的 Fm－1、Fm、Fm+1，并且依靠这些值进行评价，最终通过高斯插值方法计算插值后的高度d－。通过调整和记录图像采集系统的各项参数最终可以得到采集到的图像的较精确的表面高度信息，从而为后期三维重建的工作提供了大量可靠的数据。

3 对磨损区域进行三维重建

将清晰区域进行判断和取舍后的各层图像导入Matlab软件中并进行三维重建，最终得到的结果如图8所示。将不同的深度部分用不同的颜色表示，使得刀具磨损区域的三维形貌得到了形象和具体的展示。

为了研究在精加工时刀具磨损量与加工时间的关系，这里对不同加工时间的刀具的磨损量分别进行图像采集和三维重建的操作。实验所用车削刀具为株洲硬质合金厂生产的CN2000陶瓷刀具。

在型号为C630－2车床上对GH4169锻件进行相应的车削加工实验。所用切削参数为:切削速度v=130 m/min，进给量 f=0.19mm/r，切削深度 ap=0.5mm，在无任何润滑冷却液的条件下进行干切削加工。最终得到的刀具磨损量随时间的关系如图9、图10所示，可以看出由于本实验采用干切削，因此刀具的磨损得较快，在初始阶段，刀具磨损得比较缓慢，但是到了后期其模量速度逐渐加快，这样的结果比较符合常理。

4 结语

对刀具磨损区域进行分层图像采集的方法，得到了对应磨损区域不同高度的清晰部分的分层照片，通过采取亮度方差变量将各图层之间进行相互比较的方法对图像的清晰部位进行判断和提取，免去了人为设定阈值而导致的误差，准确提取了各图像层的清晰部位，采用高斯插值法对分层图像的不连续部分的高度进行插值，用Matlab对以上处理得到的数据进行三维重建的操作，最终得到了刀具磨损区域的三维形貌图。将不同切削时间的刀具磨损区域分别用上述步骤进行检测的操作，得到了刀具磨损量随时间变化的关系。由此可以得出结论:该基于分层图像采集和三维重建的刀具磨损检测方法，其方法简单，检测效率高，不仅能较精确计算出刀具的磨损量，而且能还原出刀具的磨损形貌图，为刀具磨损的精确有效检测提供了有力保障，从而为提高机械加工质量进一步提供了后备力量。

［1］梅安华，王菁蕙.机器视觉检测刀具磨损状态初探［J］.武测科技，1991(2):52－56.

［2］陈爱弟，王信义.基于模糊聚类的刀具磨损量在线监测方法［J］.北京理工大学学报，2000，20(3):276－280.

［3］周柏清.基于纹理分析的刀具磨损状态监测技术［J］.自动化技术与应用，2006，25(10):17－19.

［4］高鹏磊，库祥臣.数控机床刀具磨损状态特征参数提取［J］.组合机床与自动化加工技术，2013(6):65－67.

［5］Pfeifer T，Wiegers L.Reliable tool wear monitoring by optimized image and illumination control in machine vision［J］.Measurement，2000，28(3):209－218.

［6］姜宇，杨国辉.基于光栅投影技术的刀具磨损三维特征提取方法［J］. 光学精密工程，2007，15(3):390－395.

［7］Kassim A A，Mannan M A，Mian Z.Texture analysis methods for tool condition monitoring［J］.Image and Vision Computing，2007，25(7):1080－1090.

［8］冯冀宁，刘彬，任玉艳.基于细胞神经网络刀具磨损图像处理的研究［J］.微计算机信息，2003，19(6):92－93.

［9］迟辉，张伟，陈颖，等.图像处理技术在刀具磨损检测中的应用［J］. 工具技术，2008(8):100－102.

［10］董嵩松，梁宏斌.五轴铣削加工刀具磨损状态监测研究［J］.组合机床与自动化加工技术，2013(8):69－72.

［11］Shree K.Nayar，Shape from focus system［M］.Champaign IEEE，1992:302－308.