CN111230593B - 一种基于动态图像序列的铣刀磨损量视觉测量方法 - Google Patents
一种基于动态图像序列的铣刀磨损量视觉测量方法 Download PDFInfo
- Publication number
- CN111230593B CN111230593B CN202010135774.0A CN202010135774A CN111230593B CN 111230593 B CN111230593 B CN 111230593B CN 202010135774 A CN202010135774 A CN 202010135774A CN 111230593 B CN111230593 B CN 111230593B
- Authority
- CN
- China
- Prior art keywords
- image
- milling cutter
- cutter
- wear
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Milling Processes (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明提供一种基于动态图像序列的铣刀磨损量视觉测量方法,涉及刀具磨损状态智能检测领域,包括如下步骤:相机采集主轴旋转一周的铣刀动态图像序列;对采集的铣刀动态图像序列进行预处理后得到二值化图像;求取二值化图像中的灰度值为255区域A255的中心坐标,根据中心坐标从图像序列中找出最佳刀具磨损图像的二值化图像;从选出的最佳二值化图像中求取最大磨损宽度。利用本发明的方法,可以实现在机自动监测刀具状态,不需要人工调整刀具位置,大大缩短图像采集时间;可以避免因拍摄角度的不同而造成的测量误差,大大提高了测量精确度;可以推动刀具寿命预测和刀具磨损补偿的研究进展。
Description
技术领域
本发明涉及刀具磨损状态智能检测领域,具体涉及一种基于动态图像序列的铣刀磨损量视觉测量方法。
背景技术
随着制造业的飞速发展,数控加工技术不断进步并且广泛应用到现代化加工制造中,数控加工技术的应用大大提高了生产效率、产品加工质量并且减轻工人工作负担,大大推进了制造业的发展。刀具作为数控加工的直接执行件,其磨损状态会直接影响加工产品质量和机床运转性能,而且,在复杂的加工环境下,刀具的磨损是不可避免的。因此,在刀具切削过程中,对刀具的磨损状态进行实时监测是至关重要的。
对刀具状态监测的方法分为两类:直接法和间接法。间接法是通过测量会随着刀具磨损状态变化而变化的变量参数,例如切削力、温度、机床主轴功率、振动等参数,从而来监测刀具磨损状态。间接法能够实现在线实时监测刀具状态,但是该方法易受环境干扰,误差大;而且需要多传感器融合,设备昂贵,安装困难。直接法通过直接识别刀刃表面纹理和刀具几何尺寸变化来对刀具磨损状态进行监测,主要包括接触法、放射线法、光学图像法等。随着视觉技术和图像处理算法的不断的发展和完善,越来越多研究者开始研究基于机器视觉的刀具状态监测***。
铣刀作为机械加工的常用刀具,对其状态进行监测对工业生产尤为重要。现有的基于机器视觉的铣刀磨损量测量方法多是针对静止的铣刀图像进行图像处理,需要拆卸铣刀或者停机并人工调整铣刀位置进行铣刀图像采集和处理。该方法耗时、会产生加工误差且不适用于工业生产。基于动态图像序列进行铣刀磨损量测量的研究少之又少,仅有的研究也并不全面。申请号为201810873640.1,发明名称为一种基于机器视觉的机床刀具刀尖点位置计算方法的中国发明专利申请,利用与主轴转速相应的采样频率采集刀具旋转过程中的动态图像序列,再对图像序列进行处理。该方法只针对立铣刀这一类刀具,而对于可转位式面铣刀并不适用,面铣刀并不是安装在刀架的中心位置上,采集的主轴选装状态下的刀具图像序列中,刀具在图像上的位置和出现的面积是变化的,故不可对所有的图像序列进行处理并重叠构建刀具轮廓。实现对动态图像进行刀具磨损量测量有益于利用机器视觉在机自动监测刀具状态的技术的发展,可以大大缩短采集图像的停工时间和避免因二次装夹而产生的误差。所以,基于动态图像序列的铣刀磨损量测量方法的研究对于制造业的智能化发展十分重要。
发明内容
本发明的目的在于:针对现有的铣刀磨损量测量方法需要拆卸铣刀或者停机并人工调整铣刀位置进行铣刀图像采集的问题,本发明提出一种基于动态图像序列进行铣刀磨损量测量的方法,实现在机自动监测铣刀磨损状态,提升生产效率和产品质量。
本发明的技术方案如下:
本发明提供一种基于动态图像序列的铣刀磨损量视觉测量方法,包括如下步骤:
相机采集主轴旋转一周的铣刀动态图像序列;
对采集的铣刀动态图像序列进行预处理后得到二值化图像;
求取二值化图像中的灰度值为255区域A255的中心坐标,根据中心坐标从图像序列中找出最佳刀具磨损图像的二值化图像,具体步骤包括:
对所述铣刀动态图像序列依次进行降噪处理和阈值分割,根据二值化图像中灰度值为255的区域A255的中心坐标(Xc,Yc),对图像序列进行分类,类别包括:有磨损区域的图像和无磨损区域的图像;再从有磨损区域的图像中选择出区域A255的面积Si最大的二值化图像为最佳刀具磨损图像的二值化图像;
从选出的最佳二值化图像中求取最大磨损宽度。
具体地,相机采集主轴旋转一周的铣刀动态图像序列的具体步骤包括:
在机床刀具的一侧安装图像采集装置,包括光源和工业相机,调整光源强度和相机位置;
根据主轴的转速设置工业相机的采样频率,当铣刀工作固定时间后,以低转速移动到指定位置,相机采集主轴旋转一周的铣刀动态图像序列;
具体地,所述从选出的最佳二值化图像中求取最大磨损宽度具体步骤为:
对选择出的最佳刀具磨损图像的二值化图像进行磨损区域上边缘拟合和图像旋转,再寻找旋转后图像上的刀具磨损区域的最低点,最后计算刀具最低点到上边缘的距离,即为最大磨损宽度。
优选地,所述工业相机安装在机床内部,所述光源为亮度可调节的环形冷光源,工业相机的光轴垂直于机床的YZ平面且平行于X轴方向,刀尖处于工业相机视场竖直方向的1/3-2/3之间;
主轴的转速为60rpm,相机帧率为50fps,采集时长1s,共采集50幅图像。
进一步地,所述灰度值为255的区域A255包括磨损区域、铣刀固定螺钉区域、完整刀体区域;
磨损区域图像的判别方法为:对图像建立xoy坐标系,以水平方向为x方向,以竖直方向为y方向,图像的左上点为原点;磨损区域中心坐标(Xc,Yc)位于图像y方向的之间,H为图像的高度,x坐标位于图像x方向的之间,W为图像的宽度。
采用上述方案后,本发明的有益效果在于:
本发明利用工业相机获取主轴旋转状态下的刀具动态图像序列,根据图像序列特征选择出最佳刀具磨损图像,最后针对最佳刀具磨损图像进行刀具磨损量测量。利用该方法,可以实现在机自动监测刀具状态,不需要人工调整刀具位置,大大缩短图像采集时间;可以避免因拍摄角度的不同而造成的测量误差,大大提高了测量精确度;可以推动刀具寿命预测和刀具磨损补偿的研究进展。
附图说明
图1为本发明的实施例的整体流程图;
图2为本发明的实施例的最佳刀具磨损图像选择流程图;
图3为本发明的实施例中铣刀图像序列中典型的四种图像以及分割后的图像,图中白色三角形边框为区域A255的中心位置;
图4为本发明的实施例中的另一磨损图像;
图5为本发明的实施例中的最佳刀具磨损图像的磨损量测量图;
图6为本发明的实施例中所采用的装置示意图;
图6中的附图标记:1-工件;2-面铣刀;3-刀杆;4-加工中心;5-环形光源;6-定倍远心镜头;7-CMOS相机;8-相机支架。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”、“竖直”、“悬垂”等并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例
本实施例提供一种基于动态图像序列的铣刀磨损量视觉测量方法,所述方法基于铣刀磨损量测量装置,如图6所示,整个装置包括加工装置和图像采集装置,;加工装置包括架加工中心4、位于加工中心4下方的刀杆3,以及安装于刀杆3下端侧壁的面铣刀3,本实施例所采用的是单个面铣刀;所述图像采集装置包括CMOS相机7、安装在CMOS相机7上的定倍远心镜头6、安装在定倍远心镜头6一端的环形光源5,CMOS相机依靠相机支架8固定在工作台面上,加工工件1放置在工作台面上。本实施例的定倍远心镜头6的拍摄距离为61mm,其余参数如表1所示:
表1
倍率(mm) | 物距(mm) | 景深(mm) | 畸变(%) | 远心度(°) | 分辨率(1p/mm) |
1.333 | 61 | 0.5 | 0.04 | 0.04 | 85 |
图1所示为本实施例的整体流程图,具体地,本实施例的步骤如下:
S1:在工作台面上面铣刀2的一侧安装图像采集装置,调整光源强度和相机位置;所述工业相机安装在机床内部,工业相机的光轴垂直于机床的YZ平面且平行于X轴方向,刀尖处于工业相机视场竖直方向的1/3-2/3之间;
S2:根据主轴的转速设置工业相机的采样频率,主轴的转速为60rpm,相机帧率为50fps,采集时长1s,共采集50幅图像。其余加工参数具体如表2所示;当铣刀工作固定时间后,以低转速移动到指定位置,相机采集主轴旋转一周的铣刀动态图像序列;
表2
名称 | 参数 |
主轴转速 | 3000r/min |
进给速度 | 300mm/min |
切削深度 | 2mm |
工件材料 | 45钢 |
刀具类型 | APMT1135 PDER DP5320 |
工件尺寸 | 100mm×60mm×100mm |
S3:如图2所示,本步骤具体包括:
S31:输入铣刀动态图像,Smaz在第一次循环中置为0。
S32:对铣刀动态图像序列进行中值滤波和阈值分割,本实施例中,针对图像边缘的灰度直方图采用最大类间方差法(OTSU)得到最佳阈值,根据该阈值进行图像分割。
S33:判定二值化图像中灰度值为255的像素数量n255是否大于10,若是,进入步骤S34,若否,则舍弃这一张图像,返回S31判定下一张图像;例如,如图3所示,对于呈现纯刀杆的图像,其整体灰度值较低,得到的二值化图像中灰度值为255的像素数量n255很少(小于10),可以直接过滤掉。
S34:计算二值化图像中灰度值为255的区域A255的中心坐标(Xc,Yc)和A255的面积Si;该中心坐标是以水平方向为x方向,以竖直方向为y方向,图像的左上点为原点而建立的;如图3所示,根据二值化图像中灰度值为255的区域A255的中心坐标(Xc,Yc),对图像序列进行分类,类别包括:有磨损区域的图像和无磨损区域的图像;所述灰度值为255的区域A255包括磨损区域、铣刀固定螺钉区域、完整刀体区域,这些区域的中心点坐标有着明显的位置差异。
S36:判定Smax是否小于Si,若是,则进入S37,若否,将Smax置为Si,再返回S31判定下一张图像。
S37:判定已检测的图像数量是否大于50,若是,则输出最佳道具磨损图像的二值化图像,即区域A255的面积Si最大的二值化图像Smax。
图3中的有磨损区域的图像为此次磨损量最大的图像,图4为本实施例中的其他磨损图像示例。应当理解的是,本发明的数据定在1/3-1是根据本实施例的拍摄距离、铣刀型号而具体选择的,若对于不同的拍摄距离、铣刀型号和图片尺寸等数据,数据会不同,本发明的宗旨在于保护本发明的思想而非具体数据,强调图像采集方法上的创新,目前现有技术研究的只是针对分离式面铣刀这种类型的刀,本具体实施是双刃刀杆上安装了单个面铣刀。现有研究中,如果停机采集静止图像,需要人为调整刀具位置,图像处理的算法鲁棒性差。
S4:对选择出的最佳刀具磨损图像的二值化图像进行磨损区域上边缘拟合和图像旋转,再寻找旋转后图像上的刀具磨损区域的最低点,最后计算刀具最低点到上边缘的距离,即为最大磨损宽度。由于刀具磨损区域的不规则性和二维成像的平面性,磨损区域上边缘会呈不规则曲线状,且会高于铣刀切削刃,所以选择行扫描图像提取磨损区域上边缘点,根据上边缘点采用最小二乘法拟合一条上边缘直线,根据直线的斜率,将图像旋转至上边缘水平的状态,如图6所示,最后计算磨损量。应当理解的是,像素的寻找按照行方向和列方向均可,本实施例优选的是将图像旋转至上边缘水平的状态,若将图像旋转至上边缘垂直的状态也能够计算磨损量。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于动态图像序列的铣刀磨损量视觉测量方法,其特征在于,包括如下步骤:
相机采集主轴旋转一周的铣刀动态图像序列;
对采集的铣刀动态图像序列进行预处理后得到二值化图像;
求取二值化图像中的灰度值为255区域A255的中心坐标,根据中心坐标从图像序列中找出最佳刀具磨损图像的二值化图像,具体步骤包括:
对所述铣刀动态图像序列依次进行降噪处理和阈值分割,根据二值化图像中灰度值为255的区域A255的中心坐标(Xc,Yc),对图像序列进行分类,类别包括:有磨损区域的图像和无磨损区域的图像;再从有磨损区域的图像中选择出区域A255的面积Si最大的二值化图像为最佳刀具磨损图像的二值化图像,所述灰度值为255的区域A255包括磨损区域、铣刀固定螺钉区域、完整刀体区域;磨损区域图像的判别方法为:对图像建立xoy坐标系,以水平方向为x方向,以竖直方向为y方向,图像的左上点为原点;磨损区域中心坐标(Xc,Yc)位于图像y方向的之间,H为图像的高度,x坐标位于图像x方向的之间,W为图像的宽度;
从选出的最佳二值化图像中求取最大磨损宽度,对选择出的最佳刀具磨损图像的二值化图像进行磨损区域上边缘拟合和图像旋转,再寻找旋转后图像上的刀具磨损区域的最低点,最后计算刀具最低点到上边缘的距离,即为最大磨损宽度。
2.根据权利要求1所述的一种基于动态图像序列的铣刀磨损量视觉测量方法,其特征在于,所述相机采集主轴旋转一周的铣刀动态图像序列的具体步骤包括:
在工作台面上铣刀的一侧安装图像采集装置,图像采集装置包括光源和工业相机,调整光源强度和相机位置;
根据主轴的转速设置工业相机的采样频率,当铣刀工作固定时间后,以低转速移动到指定位置,相机采集主轴旋转一周的铣刀动态图像序列。
3.根据权利要求2所述的一种基于动态图像序列的铣刀磨损量视觉测量方法,其特征在于,所述工业相机安装在机床内部,所述光源为亮度可调节的环形冷光源,工业相机的光轴垂直于机床的YZ平面且平行于X轴方向,刀尖处于工业相机视场竖直方向的1/3-2/3之间;
主轴的转速为60rpm,相机帧率为50fps,采集时长1s,共采集50幅图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135774.0A CN111230593B (zh) | 2020-03-02 | 2020-03-02 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135774.0A CN111230593B (zh) | 2020-03-02 | 2020-03-02 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111230593A CN111230593A (zh) | 2020-06-05 |
CN111230593B true CN111230593B (zh) | 2021-09-14 |
Family
ID=70878829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135774.0A Active CN111230593B (zh) | 2020-03-02 | 2020-03-02 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111230593B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111692969B (zh) * | 2020-07-27 | 2021-11-16 | 上海威研精密科技有限公司 | 一种刀具跳动在机视觉检测仪及其检测方法 |
CN112558546B (zh) * | 2020-11-18 | 2022-01-14 | 大连理工大学 | 一种基于计算机视觉的在线刀具参数检测方法 |
CN112907556A (zh) * | 2021-03-11 | 2021-06-04 | 同济大学 | 一种基于机器视觉的旋转刀具磨损量自动测量方法 |
CN114670061A (zh) * | 2022-04-01 | 2022-06-28 | 西南交通大学 | 一种基于机器视觉的复材刀具服役寿命监测***及方法 |
CN114818799B (zh) * | 2022-04-15 | 2024-03-19 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
CN115319538B (zh) * | 2022-08-30 | 2023-11-17 | 上海诺倬力机电科技有限公司 | 五轴头刀具磨损智能检测方法及*** |
CN115541285B (zh) * | 2022-10-31 | 2023-12-01 | 扬州明都环境工程机械有限公司 | 破碎机反击板的智能检测调节***及方法 |
CN115937755B (zh) * | 2023-02-21 | 2023-05-12 | 山东双力现代农业装备有限公司 | 一种拖拉机变速箱立铣刀片视觉检测方法 |
CN116572078B (zh) * | 2023-07-14 | 2023-10-17 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种车削刀具磨损检测方法 |
CN116703892B (zh) * | 2023-08-01 | 2023-11-14 | 东莞市京品精密模具有限公司 | 一种基于图像数据的锂电池切刀磨损评估预警方法 |
CN117408963B (zh) * | 2023-10-17 | 2024-05-07 | 中科苏州智能计算技术研究院 | 一种管壳自动分选方法、***和可存储介质 |
CN118096760B (zh) * | 2024-04-26 | 2024-07-12 | 上海诺倬力机电科技有限公司 | 刀具磨损检测方法、设备和可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3688145B2 (ja) * | 1999-04-02 | 2005-08-24 | 株式会社ノリタケカンパニーリミテド | 超砥粒研削砥石の使用限界判定装置 |
JP4024832B1 (ja) * | 2007-05-28 | 2007-12-19 | 株式会社リミックスポイント | ドリル検査装置、ドリル検査方法、およびそのプログラム |
CN101758423A (zh) * | 2008-12-23 | 2010-06-30 | 上海诚测电子科技发展有限公司 | 基于图像识别的旋转刀具状态多参数综合评价方法 |
CN102436661A (zh) * | 2010-09-29 | 2012-05-02 | 新谊整合科技股份有限公司 | 移动光源侦测方法与应用的保全*** |
CN104570934A (zh) * | 2013-10-14 | 2015-04-29 | 鸿富锦精密工业(深圳)有限公司 | 产品加工部位检测方法及*** |
CN105203025B (zh) * | 2015-09-09 | 2017-10-31 | 江苏科技大学 | 基于机器视觉的圆锯片磨损量在线测量方法 |
CN105241389A (zh) * | 2015-10-12 | 2016-01-13 | 贵州大学 | 一种基于机器视觉的铣刀刃口钝圆半径检测*** |
CN107717631B (zh) * | 2017-10-31 | 2019-07-16 | 中国科学院合肥物质科学研究院 | 一种高速铣削刀具磨损自动监测方法 |
CN110465833B (zh) * | 2019-08-22 | 2020-06-09 | 湖南工学院 | 一种刀具断裂检测方法 |
-
2020
- 2020-03-02 CN CN202010135774.0A patent/CN111230593B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111230593A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111230593B (zh) | 一种基于动态图像序列的铣刀磨损量视觉测量方法 | |
CN108931961B (zh) | 一种基于机器视觉的整体式立铣刀磨破损检测方法 | |
CN110587377B (zh) | 一种在线监测铣削加工刀具缺损的方法 | |
Dai et al. | A machine vision system for micro-milling tool condition monitoring | |
Su et al. | An automated flank wear measurement of microdrills using machine vision | |
CN112683193B (zh) | 基于机器视觉的刀具类型判别及几何参数检测方法及*** | |
CN111347292A (zh) | 数控机床刀具状态监测及控制***与方法 | |
Hou et al. | A novel algorithm for tool wear online inspection based on machine vision | |
CN105674910B (zh) | 一种超大型剪板机板料剪切边缘曲线检测***及方法 | |
CN109727230B (zh) | 一种绒毛织物表面质量测量装置以及测量方法 | |
Xu et al. | Fast on-machine profile characterization for grinding wheels and error compensation of wheel dressing | |
CN111069976A (zh) | 一种车间或产线用刀具损伤智能化移动监测***及方法 | |
CN107717631A (zh) | 一种高速铣削刀具磨损自动监测方法 | |
Zhang et al. | Research on tool wear detection based on machine vision in end milling process | |
CN107633502B (zh) | 一种轴孔装配自动对中的靶心识别方法 | |
CN108081134A (zh) | 砂轮廓形原位检测***、方法以及砂轮廓形误差补偿方法 | |
CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及*** | |
CN108062072A (zh) | 一种双摄像头图像采集装置及图像拼接的平底铣刀磨损在线检测方法 | |
CN112907556A (zh) | 一种基于机器视觉的旋转刀具磨损量自动测量方法 | |
Xu et al. | Methodology for the immediate detection and treatment of wheel wear in contour grinding | |
CN109345500B (zh) | 一种基于机器视觉的机床刀具刀尖点位置计算方法 | |
CN115464669A (zh) | 基于智能焊接机器人的智能光学感知处理***及焊接方法 | |
CN114894808A (zh) | 基于机器视觉的热管管口缺陷检测装置及其方法 | |
CN113634915A (zh) | 基于视觉的切割装置及其切割方法 | |
CN115502892B (zh) | 一种钢材超精密磨削表面材料去除方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |