CN112907556A - 一种基于机器视觉的旋转刀具磨损量自动测量方法 - Google Patents
一种基于机器视觉的旋转刀具磨损量自动测量方法 Download PDFInfo
- Publication number
- CN112907556A CN112907556A CN202110266161.5A CN202110266161A CN112907556A CN 112907556 A CN112907556 A CN 112907556A CN 202110266161 A CN202110266161 A CN 202110266161A CN 112907556 A CN112907556 A CN 112907556A
- Authority
- CN
- China
- Prior art keywords
- image
- wear
- edge
- tool
- pixel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005299 abrasion Methods 0.000 title abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000691 measurement method Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- FASDKYOPVNHBLU-ZETCQYMHSA-N pramipexole Chemical compound C1[C@@H](NCCC)CCC2=C1SC(N)=N2 FASDKYOPVNHBLU-ZETCQYMHSA-N 0.000 claims 1
- 229960003089 pramipexole Drugs 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000003708 edge detection Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于机器视觉的旋转刀具磨损量自动测量方法，属于机器视觉测量技术领域，用于对旋转的旋转刀具的磨损量进行测量，其特征在于，包括如下步骤：步骤S1，使用图像采集装置采集旋转的旋转刀具的图像；步骤S2，对图像进行预处理，去除运动模糊以及其他噪声得到预处理图像；步骤S3，对预处理图像进行定位，提取旋转刀具的磨损边缘图像；步骤S4，对磨损边缘图像通过主曲线法拟合亚像素边缘点，得到具有光滑的边缘曲线的光滑边缘图像；步骤S5，利用标定板标定像素当量，并计算得到旋转刀具的实际最大磨损长度。
Description
技术领域
本发明属于机器视觉测量技术领域，具体涉及一种基于机器视觉的旋转刀具磨损量自动测量方法。
背景技术
切削加工是目前机械加工的主要方式之一，绝大多数零件都由刀具切削加工得到，尤其在航空制造业，一架飞机需要数百万个零件，每年要消耗数十万刀具。刀具状态监测是零件微加工质量控制的关键问题，刀具的过度磨损和刀具状态异常会显著降低零件的尺寸精度，缩短刀具的使用寿命。研究表明，刀具磨损监测技术可以减少75％的因工艺因素和人为因素造成的停机时间，提高10-50％的生产效率。刀具磨损量通常是刀具性能检测的最相关参数，直接影响到最终产品质量、机床性能和刀具寿命。刀具磨损在线监测可以有效地避免工件报废并提升产品加工质量。
监控和测量刀具磨损量的方法主要有直接测量法和间接测量法。刀具磨损量的变化直接影响切削力、刀具/工件振动、声发射信号、工件表面纹理等参量。间接法通过监控这些参量的变化判断刀具的磨损状态，但检测到的信号含有大量干扰因素会影响到结果的检测。直接法是指直接监测刀具的磨损状态，目前生产中主要利用光学仪器来测量刀具磨损值，必须停机检测，增加了检测成本，并且难以预测刀具磨损情况。
而机器视觉测量作为一种直接法，可以避免测量装置对微小刀具的接触干扰，可以直接测量刀具的渐进磨损进行分析。但现有的刀具磨损视觉测量方法只能适用于特定刀具的磨损量测量，大多采用近似方法将缺失的原始边界拟合为规则曲线(直线，圆形或椭圆形)，不能真实反映刀具磨损情况，不能广泛应用于磨损形状复杂的刀具。由于机床运行工况的复杂性，现有的刀具磨损视觉测量方法为获取清晰的刀具图像在刀具静止状态下进行拍摄，必须停机检测。即现有的刀具磨损视觉测量方法难以在机床运行时准确测量旋转刀具磨损量且采用近似方法重构缺失原始边界误差较大。
发明内容
为解决上述问题，提供一种基于机器视觉的旋转刀具磨损量自动测量方法，本发明采用了如下技术方案：
本发明提供了一种基于机器视觉的旋转刀具磨损量自动测量方法，用于对旋转的旋转刀具的磨损量进行测量，其特征在于，包括如下步骤：步骤S1，使用图像采集装置采集旋转的旋转刀具的图像；步骤S2，对图像进行预处理，去除运动模糊以及其他噪声得到预处理图像；步骤S3，对预处理图像进行定位，提取旋转刀具的磨损边缘图像；步骤S4，对磨损边缘图像通过主曲线法拟合亚像素边缘点，得到具有光滑的边缘曲线的光滑边缘图像；步骤S5，利用标定板标定像素当量，并计算得到旋转刀具的实际最大磨损长度。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，步骤S3包括如下步骤：步骤S3-1，对预处理图像进行阈值分割得到阈值分割图像；步骤S3-2，对阈值分割图像通过形态学操作进行处理得到细化图像；步骤S3-3，使用Canny算子对细化图像进行边缘粗定位得到粗定位边缘图像；步骤S3-4，将旋转刀具的粗定位边缘图像以及参考刀具的边缘图像进行图像配准，提取磨损区域；步骤S3-5，对磨损区域使用基于Zernike矩的亚像素边缘法精定位旋转刀具的磨损边缘得到磨损边缘图像。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，步骤S3-4中，将参考刀具的边缘图像以及旋转刀具的粗定位边缘图像通过投影法得到图像特征点，再融合旋转刀具的粗定位边缘图像以及参考刀具的边缘图像，提取磨损区域。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，投影法包括如下步骤：步骤T1，读取粗定位边缘图像并进行灰度化得到灰度值、像素行数以及像素列数；步骤T2，根据粗定位边缘图像的灰度值、像素行数以及像素列数绘制粗定位边缘图像的垂直投影以及水平投影；步骤T3，通过粗定位边缘图像的垂直投影以及水平投影确定图像特征点位置。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，步骤S3-5中，基于Zernike矩的亚像素边缘法具有自适应的阶跃灰度阈值。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，步骤S3-1中，采用普拉斯算子边缘信息改进的最大类间方差法进行阈值分割。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，步骤S1中，旋转刀具在固定低转速下进行旋转，图像采集装置包括相机，三色球形光源，相机支架及计算机。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，步骤S2中，预处理包括使用维纳滤波去除运动模糊、分段线性变换增强旋转刀具的磨损区域以及使用自适应中值滤波方法去除噪声。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，标定板为棋盘式标定板。
本发明提供的基于机器视觉的旋转刀具磨损量自动测量方法，还可以具有这样的特征，其中，步骤S5中，通过对标定板对焦拍照，得到标定板的每一小格所占的像素数n，标定板的每一小格的实际尺寸为l，则像素当量为k＝l/n。
发明作用与效果
根据本发明的一种基于机器视觉的旋转刀具磨损量自动测量方法，用于对旋转的旋转刀具的磨损量进行测量，包括以下步骤：使用图像采集装置采集旋转的旋转刀具的图像；对图像进行预处理，去除运动模糊得到预处理图像；对预处理图像进行定位，提取旋转刀具的磨损边缘图像；对磨损边缘图像通过主曲线法拟合亚像素边缘点，得到具有光滑的边缘曲线的光滑边缘图像；利用标定板标定像素当量并得到旋转刀具的实际最大磨损长度。本实施例的旋转刀具磨损量自动测量方法能够对形状复杂的刀具进行磨损量的测量并能够得到较为准确的结果，并且可以做到对旋转刀具的实时监测，有效地避免工件报废并提升产品加工质量。本实施例使用了基于主曲线拟合方法的亚像素坐标点的非线性拟合方法，可进一步适用于磨损形状复杂的刀具磨损计算。
附图说明
图1是本发明实施例的旋转刀具磨损量自动测量方法的流程图；
图2是本发明实施例的图像采集装置的结构示意图；
图3是本发明实施例的参考刀具的图像预处理和图像分割结果图；
图4是本发明实施例的旋转刀具的图像预处理和图像分割结果图；
图5为本发明的实施例中的刀具图像边缘检测粗定位及磨损区域提取结果；
图6为本发明的实施例中的刀具图像亚像素边缘检测及主曲线拟合结果。
具体实施方式
以下结合附图以及实施例来说明本发明的具体实施方式。
<实施例>
本实施例提供一种基于机器视觉的旋转刀具磨损量自动测量方法，用于对旋转的旋转刀具的磨损量进行测量并实时监控。
图1是本发明实施例的旋转刀具磨损量自动测量方法的流程图。
以下结合图1对本实施例的基于机器视觉的旋转刀具磨损量自动测量方法进行说明。
步骤S1，使用图像采集装置采集旋转的旋转刀具的图像。
图2是本发明实施例的图像采集装置的结构示意图。
如图2所示，本实施例中，图像采集装置100包括相机1，三色环形光源2，相机支架(未在图中示出)及计算机4。本实施例中，相机1为CMOS工业面阵相机。
旋转刀具200被数控机床的夹具300固定，且由数控机床控制旋转刀具200以固定低转速进行旋转。本实施例中，固定低转速的范围为10n/mim～20n/min。
本实施例中，图像采集装置100设置在旋转刀具200的下方，具体地，三色环形光源2沿水平方向设置在旋转刀具200的下方，且光源的光路穿过旋转刀具200的旋转轴，CMOS工业面阵相机1设置在三色环形光源2的下方，并通过相机支架固定在工作台3上。
图3是本发明实施例的参考刀具的图像预处理和图像分割结果图，图4是本发明实施例的旋转刀具(磨损刀具)的图像预处理和图像分割结果图。
通过图像采集装置100获取参考刀具，即标准新刀具的图像以及旋转刀具200，即磨损刀具的各个磨损阶段的刀具图像，如图3以及图4所示，由于刀具表面纹理和光照的影响，直接进行图像分割不能得到刀具清晰的轮廓，分割图像存在刀具轮廓缺失、有许多孔洞等问题，对图像进行预处理再进行图像的分割的操作可以获得完整的刀具轮廓，且去除了图像中的孔洞，且磨损刀具的图像的中心有明显的黑色阴影，即磨损部位，而参考刀具则没有。
步骤S2，对步骤S1中采集的图像进行预处理，去除图像中的运动模糊以及噪声减少干扰，得到预处理图像。
本实施例中，如图3所示，图像预处理包括维纳滤波去除运动模糊、分段线性灰度变换增强刀具磨损区域以及自适应中值滤波方法去除噪声平滑图像。
步骤S3，对预处理图像进行定位，提取旋转刀具的磨损边缘图像。
本实施例中，步骤S3中，对图像进行阈值分割、形态学操作、Canny算子边缘检测粗定位、图像配准、Zernike矩法亚像素边缘精定位提取刀具磨损边缘，再通过主曲线法拟合亚像素边缘点得到具有光滑的边缘曲线的光滑边缘图像。
具体地，步骤S3包括如下步骤：
步骤S3-1，对预处理图像进行阈值分割得到阈值分割图像。
具体地，如图3所示，采用边缘信息改进的最大类间方差法进行阈值分割。
步骤S3-2，对阈值分割图像通过形态学操作进行处理得到细化图像。
步骤S3-3，使用Canny算子对细化图像进行边缘粗定位得到粗定位边缘图像。
具体地，通过形态学操作腐蚀和膨胀去除毛刺和细化后使用Canny算子进行边缘粗定位。
步骤S3-4，将旋转刀具的粗定位边缘图像以及参考刀具的边缘图像进行图像配准，如图4所示，提取磨损区域。
具体地，将参考刀具和磨损刀具的边缘图像通过投影法快速寻找图像特征点，再进行图像配准，融合磨损刀具的边缘图像和标准刀具的边缘图像，提取出磨损区域。
图5为本发明的实施例中的刀具图像边缘检测粗定位及磨损区域提取结果。
如图5所示，分别对钻孔前的未磨损刀具图像和磨损刀具图像的分割图像进行Canny算子边缘检测，以获取单像素级边缘。最后，通过投影法获取图像特征点对两个边缘图像进行配准，经过旋转、平移等操作提取磨损区域。
投影法具体步骤如下：
步骤T1，读取图像f(x,y)，即粗定位边缘图像，并进行灰度化得到灰度图像，即得到灰度值，并得到像素行数m及像素列数n；
步骤T2，计算图像f(x,y)每一列像素的灰度值之和保存到数组A，绘制出灰度值之和关于像素列数n的图像，即垂直投影；同理，计算图像f(x,y)每一行像素的灰度值之和保存到数组B，绘制出灰度值之和关于像素行数m的图像，即水平投影；
步骤T3，通过图像f(x,y)的垂直投影和水平投影确定图像特征点位置。
步骤S3-5，对磨损区域使用基于Zernike矩的亚像素边缘法精定位旋转刀具的磨损边缘得到磨损边缘图像。
基于Zernike矩的亚像素边缘法具有自适应的阶跃灰度阈值，即以旋转刀具图像目标区域和背景区域的像素阶跃灰度值的类间方差为目标函数，各个像素点的阶跃灰度值取该像素点与其八邻域像素点灰度值之差的最大值，利用Otsu阈值法的原理，使类间方差达到最大的阶跃灰度值为自适应选取的阶跃灰度阈值。
步骤S4，对磨损边缘图像通过主曲线法拟合亚像素边缘点，如图5所示，得到具有光滑的边缘曲线的光滑边缘图像。
图6为本发明的实施例中的刀具图像亚像素边缘检测及主曲线拟合结果。
为了把测量精度提升至亚像素级，采用Zernike矩亚像素边缘检测方法检测边缘点及主曲线方法拟合亚像素边缘点。Zernike矩亚像素边缘检测方法保留了有效的信息，能得到清晰的磨损轮廓，计算量较小、对噪声不敏感、具有较高的准确度。基于Zernike矩的亚像素边缘检测算法在保证精度的同时花费较少的计算时间，更适合应用于刀具磨损的在线测量。如图6所示，最后，采用主曲线方法对亚像素边缘检测步骤获得的亚像素坐标点进行曲线拟合，通过主曲线方法来拟合离散点能够完成复杂形状的磨损边界的拟合，适用的刀具种类更多，应用范围更广。
步骤S5，保持相机1的物距不变，利用标定板标定得到该相机1在该物距下的像素当量，即相机在该物距下拍摄得到的图像上每一个像素代表的实际物理长度，将像素当量以及旋转刀具的最大磨损宽度所占的像素数相乘，得到旋转刀具的实际最大磨损长度。
本实施例中，标定板为棋盘式标定板，像素当量的标定的具体过程如下：通过让相机1对标定板对焦拍照，得到标定板每一小格所占的像素数n，标定板每一小格的实际尺寸为l，则像素当量为k＝l/n。
实施例作用与效果
本实施例提供了一种基于机器视觉的旋转刀具磨损量自动测量方法，用于对旋转的旋转刀具的磨损量进行测量，包括以下步骤：使用图像采集装置采集旋转的旋转刀具的图像；对图像进行预处理，去除运动模糊得到预处理图像；对预处理图像进行定位，提取旋转刀具的磨损边缘图像；对磨损边缘图像通过主曲线法拟合亚像素边缘点，得到具有光滑的边缘曲线的光滑边缘图像；利用标定板标定像素当量并得到旋转刀具的实际最大磨损长度。本实施例的旋转刀具磨损量自动测量方法能够对形状复杂的刀具进行磨损量的测量并能够得到较为准确的结果，并且可以做到对旋转刀具的实时监测，有效地避免工件报废并提升产品加工质量。本实施例使用了基于主曲线拟合方法的亚像素坐标点的非线性拟合方法，可进一步适用于磨损形状复杂的刀具磨损计算。
本实施例提供的基于机器视觉的旋转刀具磨损量自动测量方法使用了维纳滤波器去除运动模糊的方法，可以有效去除旋转刀具图像的运动模糊效果，为动态视觉测量提供新思路。
本实施例提供的基于机器视觉的旋转刀具磨损量自动测量方法通过投影法获取特征点进行图像配准实现了刀具原始边界的重建，得到更真实的磨损区域，提高测量精度。
本实施例提供的基于机器视觉的旋转刀具磨损量自动测量方法通过投影法能够找到准确的特征点的同时，提高了检测特征点的速度，适用于对运行速度要求高的在线测量。
本实施例提供的基于机器视觉的旋转刀具磨损量自动测量方法使用了自适应确定阶跃灰度阈值条件的Zernike矩亚像素检测方法，避免了人工选取阶跃灰度的阈值，实现了刀具磨损边缘的精确定位。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。
Claims (10)
1.一种基于机器视觉的旋转刀具磨损量自动测量方法，用于对旋转的旋转刀具的磨损量进行测量，其特征在于，包括如下步骤：
步骤S1，使用图像采集装置采集旋转的所述旋转刀具的图像；
步骤S2，对所述图像进行预处理，去除运动模糊以及其他噪声得到预处理图像；
步骤S3，对所述预处理图像进行处理，提取所述旋转刀具的磨损边缘图像；
步骤S4，对所述磨损边缘图像通过主曲线法拟合亚像素边缘点，得到具有光滑的边缘曲线的光滑边缘图像；
步骤S5，利用标定板标定像素当量，并计算得到所述旋转刀具的实际最大磨损长度。
2.根据权利要求1所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于，所述步骤S3包括如下步骤：
步骤S3-1，对所述预处理图像进行阈值分割得到阈值分割图像；
步骤S3-2，对所述阈值分割图像通过形态学操作进行处理所述得到细化图像；
步骤S3-3，使用Canny算子对所述细化图像进行边缘粗定位得到粗定位边缘图像；
步骤S3-4，将所述旋转刀具的所述粗定位边缘图像以及所述参考刀具的边缘图像进行图像配准，提取磨损区域；
步骤S3-5，对所述磨损区域使用基于Zernike矩的亚像素边缘法精定位所述旋转刀具的所述磨损边缘得到磨损边缘图像。
3.根据权利要求2所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，步骤S3-4中，将所述参考刀具的所述边缘图像以及所述旋转刀具的所述粗定位边缘图像通过投影法得到图像特征点，再融合所述旋转刀具的所述粗定位边缘图像以及所述参考刀具的所述边缘图像，提取所述磨损区域。
4.根据权利要求3所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，所述投影法包括如下步骤：
步骤T1，读取所述粗定位边缘图像并进行灰度化得到灰度值、像素行数以及像素列数；
步骤T2，根据所述粗定位边缘图像的所述灰度值、所述像素行数以及所述像素列数绘制所述粗定位边缘图像的垂直投影以及水平投影；
步骤T3，通过所述粗定位边缘图像的所述垂直投影以及所述水平投影确定图像特征点位置。
5.根据权利要求2所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，步骤S3-5中，所述基于Zernike矩的亚像素边缘法具有自适应的阶跃灰度阈值。
6.根据权利要求2所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，所述步骤S3-1中，采用普拉斯算子边缘信息改进的最大类间方差法进行阈值分割。
7.根据权利要求1所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，所述步骤S1中，所述旋转刀具在固定低转速下进行旋转，
所述固定低转速的范围为10n/min～20n/min，
所述图像采集装置包括相机，三色球形光源，相机支架及计算机。
8.根据权利要求1所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，所述步骤S2中，所述预处理包括使用维纳滤波去除所述运动模糊、分段线性变换增强所述旋转刀具的磨损区域以及使用自适应中值滤波方法去除噪声。
9.根据权利要求1所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，所述标定板为棋盘式标定板。
10.根据权利要求1所述的基于机器视觉的旋转刀具磨损量自动测量方法，其特征在于：
其中，所述步骤S5中，通过对所述标定板对焦拍照，得到所述标定板的每一小格所占的像素数n，所述标定板的每一小格的实际尺寸为l，则所述像素当量为k＝l/n。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110266161.5A CN112907556A (zh) | 2021-03-11 | 2021-03-11 | 一种基于机器视觉的旋转刀具磨损量自动测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110266161.5A CN112907556A (zh) | 2021-03-11 | 2021-03-11 | 一种基于机器视觉的旋转刀具磨损量自动测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112907556A true CN112907556A (zh) | 2021-06-04 |
Family
ID=76105653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110266161.5A Pending CN112907556A (zh) | 2021-03-11 | 2021-03-11 | 一种基于机器视觉的旋转刀具磨损量自动测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907556A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221058A (zh) * | 2021-06-08 | 2021-08-06 | 中国科学院软件研究所 | 一种针对圆形配件外边缘磨损量的检测及损伤评估方法 |
| CN113269766A (zh) * | 2021-06-07 | 2021-08-17 | 中铁工程装备集团有限公司 | 滚刀磨损检测方法、装置、设备及可读存储介质 |
| CN114850967A (zh) * | 2022-04-18 | 2022-08-05 | 上海交通大学 | 一种基于人在回路的刀具磨损状态检测方法和*** |
| CN115008255A (zh) * | 2022-08-09 | 2022-09-06 | 南通吉帆精密科技有限公司 | 一种用于机床的刀具磨损识别方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105758862A (zh) * | 2016-01-26 | 2016-07-13 | 西安交通大学 | 一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法 |
| CN111230593A (zh) * | 2020-03-02 | 2020-06-05 | 西南交通大学 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
| CN111692969A (zh) * | 2020-07-27 | 2020-09-22 | 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 |
-
2021
- 2021-03-11 CN CN202110266161.5A patent/CN112907556A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105758862A (zh) * | 2016-01-26 | 2016-07-13 | 西安交通大学 | 一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法 |
| CN111230593A (zh) * | 2020-03-02 | 2020-06-05 | 西南交通大学 | 一种基于动态图像序列的铣刀磨损量视觉测量方法 |
| CN111692969A (zh) * | 2020-07-27 | 2020-09-22 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 周俊杰等: "基于机器视觉的加工刀具磨损量在线测量", 《上海交通大学学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269766A (zh) * | 2021-06-07 | 2021-08-17 | 中铁工程装备集团有限公司 | 滚刀磨损检测方法、装置、设备及可读存储介质 |
| CN113221058A (zh) * | 2021-06-08 | 2021-08-06 | 中国科学院软件研究所 | 一种针对圆形配件外边缘磨损量的检测及损伤评估方法 |
| CN113221058B (zh) * | 2021-06-08 | 2022-05-10 | 中国科学院软件研究所 | 一种针对圆形配件外边缘磨损量的检测及损伤评估方法 |
| CN114850967A (zh) * | 2022-04-18 | 2022-08-05 | 上海交通大学 | 一种基于人在回路的刀具磨损状态检测方法和*** |
| CN114850967B (zh) * | 2022-04-18 | 2024-04-19 | 上海交通大学 | 一种基于人在回路的刀具磨损状态检测方法和*** |
| CN115008255A (zh) * | 2022-08-09 | 2022-09-06 | 南通吉帆精密科技有限公司 | 一种用于机床的刀具磨损识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112907556A (zh) | 一种基于机器视觉的旋转刀具磨损量自动测量方法 | |
| 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 | |
| Peng et al. | Study of tool wear monitoring using machine vision | |
| Kumar et al. | Machine vision method for non-contact measurement of surface roughness of a rotating workpiece | |
| CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
| CN110146019B (zh) | 一种基于工业相机的工件尺寸在线检测与自动补偿方法 | |
| CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及*** | |
| Shahabi et al. | In-cycle monitoring of tool nose wear and surface roughness of turned parts using machine vision | |
| Zhang et al. | Research on tool wear detection based on machine vision in end milling process | |
| Peng et al. | Application of machine vision method in tool wear monitoring | |
| CN111230593A (zh) | 一种基于动态图像序列的铣刀磨损量视觉测量方法 | |
| CN113592955B (zh) | 一种基于机器视觉的圆形工件平面坐标高精度定位方法 | |
| CN110091217B (zh) | 一种基于机器视觉的车削颤振加速度采集***及方法 | |
| Zhou et al. | Chisel edge wear measurement of high-speed steel twist drills based on machine vision | |
| CN113870217A (zh) | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 | |
| Bagga et al. | A novel approach of combined edge detection and segmentation for tool wear measurement in machining | |
| CN113222955A (zh) | 一种基于机器视觉的齿轮尺寸参数自动测量方法 | |
| CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
| CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
| CN116539620A (zh) | 一种刀具表面缺陷在机检测方法 | |
| Póka et al. | A robust digital image processing method for measuring the planar burr length at milling | |
| Shahabi et al. | On-line monitoring of tool wear in turning operation in the presence of tool misalignment | |
| CN111815575A (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
| Zhu | Machine vision based smart machining system monitoring |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210604 |
|
| WD01 | Invention patent application deemed withdrawn after publication |