切割刀具图像边缘破损检测方法仿真

姜 智，樊军庆

(海南大学机电工程学院，海南 海口 570228)

1 引言

在机械加工领域中天然橡胶刀具运用广泛，在高速铣削过程中天然橡胶刀具的磨损较为严重[1]。产品的加工效率和加工质量直接受到天然橡胶刀具磨损程度的影响，而且在一定程度上刀具的磨损程度也会对机床寿命产生影响。在机械制造领域中随着科学技术的发展与普及，人们对产品加工精度的关注度不断提高。提高产品质量和生产效率的重要手段之一就是及时掌握天然橡胶刀具的磨损状态[2]。因此，需要对切割刀具边缘破损检测方法进行分析和研究。

吕东喜[3]等人提出基于概率统计的切割刀具边缘破损检测方法，该方法在压痕断裂力学理论的基础上对压痕深度与裂纹扩展长度之间存在的关系进行分析，并统计刀具边缘的磨粒数量，建立切割刀具边缘破损检测模型，该方法没有对刀具图像进行增强处理，存在图像对比度低的问题。李德华[4]等人提出基于深度卷积神经网络的刀具边缘破损检测方法，该方法利用电子显微镜获取切割刀具的边缘图像，并对边缘图像进行小波滤波降噪处理，在卷积神经网络中输入降噪处理后的图像，获取刀具磨损量，实现切割刀具边缘破损检测，该方法对图像进行降噪处理时，降低了图像的对比度，导致方法存在检测精度低的问题。除了上述方法之外，还有研究人员通过滤波器获取刀具图像特征，采用GLCM方法统计获取的特征，构建特征集，并在SVM训练分类模型中输入特征集，实现切割刀具边缘的破损检测，该方法在特征提取过程中无法保留原始图像的灰度均值，存在适应性能差的问题。

为了解决上述方法中存在的问题，提出基于直方图均衡化的切割刀具边缘破损检测方法。

2 天然橡胶刀具图像增强处理

采用直方图均衡化方法对图像进行增强处理时，需要分别处理所有的分量[5，6]。基于直方图均衡化的切割刀具边缘破损检测方法对天然橡胶刀具图像进行增强处理时，首先分割图像，之后再采用直方图对分割后的图像进行均衡化处理，实现图像增强。

设R={R(i，j)}代表的是天然橡胶切割刀具图像，存在L级灰度级，用{R0，R1，…Rm，…RL-1}表示，橡胶切割刀具图像的灰度中值记为第m个灰度级Rm，在图像灰度中值Rm的基础上分割处理R分量子图灰度直方图，即R=RL∪RU，其中参数RL、RU可通过下式计算得到

(1)

(2)

通过上述分析可知，在一定程度上利用灰度中值Rm对天然橡胶刀具图像进行分割处理后，再对天然橡胶刀具图像做直方图均衡化处理，可以保持天然橡胶刀具图像的亮度信息。橡胶刀具图像的视觉效果只通过一次分割处理难以得到增强，因此，需要根据灰度中值继续对分割后获得的图像子块进行二次分割[7]，处理后天然橡胶刀具图像的灰度均值与分割次数n之间存在的关系可通过下式进行描述

(3)

综上所述，图像的亮度信息保持度与分割次数之间呈正比例关系。但分割次数n是有限制的，不能一直增加，如果一直增加分割次数，不断地对天然橡胶刀具图像进行分割处理，不会使图像得到增强，反而会降低图像的增强效果[8]。

因此，利用Rm进行一次图像分割处理后，在等面积分割原则的基础上利用第ue个灰度级Rue和第le个灰度级Rle结合最大信息熵理论对RL、RU子块的弧度直方图进行二次分割，并在分割过程中保证面积相同[9]。

(4)

(5)

(6)

(7)

对上式分析可知，天然橡胶刀具图像经过处理后获得的灰度均值，保留了基于最大熵理论的Rle、Rue参数和原始天然橡胶刀具图像的灰度中值Rm。因此，利用上述方法对天然橡胶刀具图像进行增强处理后，不仅保证了图像增强的效果，而且提高了天然橡胶刀具图像的视觉效果。

3 切割刀具边缘破损检测

1)天然橡胶刀具端面图像处理

所提方法通过轮廓提取算法获取刀具的外部轮廓，并利用轮廓分割算法和Canny算子分离轮廓的部分线段，由这部分线段构成轮廓数据组Xld。

合并轮廓数据组Xld中的相邻轮廓，并将其输入数据组中重新进行遍历，获取天然橡胶刀具的角度参数[10]。

2)天然橡胶刀具轮廓几何模型

设X轴为天然橡胶刀具轮廓对应的直线，Z轴为切割刀具中轴线对应的直线，用O点描述天然橡胶刀具端面的中心点，则切割刀具轮廓对应的极坐标方程可通过下述公式进行描述：

(8)

式中，a代表的是天然橡胶刀具的半径；θ代表的是螺旋角；b代表的是螺距。

投影曲线在XOZ平面中可通过下述公式描述

(9)

设(x0，z0)代表的是O点对应的坐标，用(x1，z1)描述轮廓点坐标，此时获得拟合的待检测的天然橡胶刀具轮廓的方程

(10)

求解上式右边的参数，拟合处理刀具的轮廓曲线[11]。

3)边缘破损检测

①通过Canny算子获取天然橡胶刀具图像轮廓，并在全局轮廓属性的基础上分割天然橡胶刀具轮廓，获得不间断的刀具轮廓曲线，可用圆弧线段或标准直线段进行表示[12]。

②设T1～Tn描述的是天然橡胶刀具轮廓线，获取其对应的弧度值，构成集合Ar。在集合Ar中挑选符合π/2

③设T1～Ti代表的是挑选的满足条件的轮廓片段，获取轮廓端点对应的坐标(Tibr，Tibc)、(Tier，Tiec)，计算轮廓端点之间存在的距离d，当距离d符合下述约束时属于相邻轮廓，对其进行合并处理：

d≤MaxDistAbs，MaxDistAbs代表的是轮廓端点在回归方向中的最大距离值；

d≤|Ti|*MaxDistRel，MaxDistRel代表的是设定的阈值；|Ti|代表的是轮廓段对应的长度。

重复上述过程，直到距离d不符合约束时停止。

④统计合并处理后轮廓中存在的轮廓点数量和端点坐标，根据端点坐标获得天然橡胶刀具轮廓的表达式。

⑤设(r0-r，c0)代表的是拟合天然橡胶刀具轮廓起点；(r0，c0)代表的是天然橡胶刀具端面对应的理论中心点，根据单次拟合坐标差值Δc=1在轮廓表达式的基础上对轮廓片段进行拟合处理，获得天然橡胶刀具完整的轮廓。

⑥连接理论中心点(r0，c0)与拟合天然橡胶刀具轮廓首位坐标点，获得一个闭合图形，对该区间进行填充处理，提高区域的完整度。对该区域和刀具实际区域进行对比求差处理，获得天然橡胶刀具边缘的破损区域，实现破损检测。

4 实验与分析

为了验证基于直方图均衡化的切割刀具边缘破损检测方法的整体有效性，需要对其进行测试。对切割刀具边缘破损进行检测之前需要对图像进行预处理，图像预处理的效果直接影响了检测结果。分别采用基于直方图均衡化的刀具边缘破损检测方法(方法1)、基于概率统计的切割刀具边缘破损检测方法(方法2)和基于深度卷积神经网络的刀具边缘破损检测方法(方法3)进行图像对比度测试，测试结果如图1所示。

图1 不同方法的图像对比度测试结果

图像对比度在40%-50%时图像的视觉效果最好，根据图1中的数据可知，在多次迭代中方法1获得的图像对比度均在40%-50%内波动，方法2和方法3获得的图像对比度较低，天然橡胶刀具图像经过处理后的视觉效果较差。由于方法1检测切割刀具边缘破损之前对天然橡胶刀具图像进行了增强处理，首先对天然橡胶刀具图像进行分割，其次进行均衡化处理，不仅保证了图像增强的效果，而且提高了天然橡胶刀具图像的视觉效果，进而提高了天然橡胶刀具图像的对比度。

将检测时间和检测到的角点数作为指标，对方法1、方法2和方法3的适用性能进行测试，测试结果如表1、表2、表3所示。

表1 方法1的适用性能测试结果

表2 方法2的适用性能测试结果

表3 方法3的适用性能测试结果

分析表1、表2和表3中的数据可知，随着刀具数量的增加，三种方法检测所用的时间均有所增长，方法1检测所用的时间虽然有所增加，但波动较小，而方法2和方法3的检测时间增长趋势较大，且方法1可准确地检测到刀尖点数目，方法2在测试过程中的检测结果数值均偏低，方法3在测试过程中的检测结果数值偏高。根据上述分析可知，方法1可在较短的时间内准确地检测到刀尖点的数量，表明方法1的适用性能较好，因为方法1采用直方图均衡化方法对天然橡胶刀具图像进行增强处理时，保留了基于最大熵理论的参数，使其高效地检测出刀尖点数量，提高了方法的适用性能。

分别对方法1、方法2和方法3进行切割刀具边缘破损检测测试，测试结果如图2所示。

图2 不同方法的检测结果

分析实际磨损曲线可知，该刀具的区域2、区域4和区域5处的磨损量较高，表明上述区域存在边缘破损现象。采用方法1进行测试时，磨损曲线与实际磨损曲线波动基本相符，可准确地检测到区域2、区域4和区域5处存在的边缘破损，采用方法2进行测试时，检测到区域3和区域5处存在边缘破损，采用方法3进行测试时，检测到区域1和区域3存在边缘破损。通过上述分析可知，只有方法1可准确地检测出刀具中存在的边缘破损，因为方法1通过增强处理天然橡胶刀具图像，增强了图像的对比度，方便后续的边缘破损检测，进而提高了方法1的检测精度。

5 结束语

检测天然橡胶刀具的磨损状态，可以避免机械加工过程中由于天然橡胶刀具破损导致的停机问题，提高了机械加工的效率。目前切割刀具边缘磨损检测方法存在图像对比度低、适用性能差和检测精度低的问题。提出基于直方图均衡化的切割刀具边缘破损检测方法，采用直方图均衡化方法对天然橡胶刀具图像进行增强处理，提高了图像的对比度，建立投影几何模型，实现切割刀具边缘的破损检测，解决了目前方法中存在的问题，为天然橡胶刀具的广泛应用奠定了基础。