CN117036358B - 一种数控机床刀具磨损检测方法及*** - Google Patents
一种数控机床刀具磨损检测方法及*** Download PDFInfo
- Publication number
- CN117036358B CN117036358B CN202311301318.9A CN202311301318A CN117036358B CN 117036358 B CN117036358 B CN 117036358B CN 202311301318 A CN202311301318 A CN 202311301318A CN 117036358 B CN117036358 B CN 117036358B
- Authority
- CN
- China
- Prior art keywords
- target
- line segment
- target line
- edge
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 230000003447 ipsilateral effect Effects 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 237
- 238000005520 cutting process Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及阈值分割技术领域,具体涉及一种数控机床刀具磨损检测方法及***,该方法包括:获取目标数控机床刀具对应的目标刀刃图像,对目标刀刃图像进行直线检测;确定每两个目标线段之间的同侧刃线疑似指标;对每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理;确定每两个目标线段之间的目标同侧刀刃指标;从目标线段集合中筛选出目标刃线线段集合;将目标刀刃图像中的目标刃线线段集合去除;利用阈值分割,从待检测图像中分割出裂纹缺陷区域。本发明通过阈值分割,实现了裂纹缺陷的检测,提高了裂纹缺陷判断的准确度,从而提高了数控机床刀具磨损检测的准确度。
Description
技术领域
本发明涉及阈值分割技术领域,具体涉及一种数控机床刀具磨损检测方法及***。
背景技术
数控机床刀具,又称数控刀具,是指在数控机床上使用的刀具,用于进行各种加工操作。刀刃是数控刀具组成的关键部分,它直接参与到切削过程中。但在复杂的工作环境中,刀刃往往会产生磨损。其中,由于温度快速波动而形成的裂纹是比较常见的磨损缺陷,其通常表现为狭窄裂口,呈梳状裂纹,且大致垂直于刃线,通常是热裂纹。目前,对物体进行缺陷检测时,通常采用的方式为:利用阈值分割,从采集的物体图像中分割出缺陷区域。
然而,当直接利用阈值分割,从采集的数控刀具图像中分割出裂纹缺陷区域时,经常会存在如下技术问题:
由于刃线和裂纹缺陷对应的灰度值往往差别不大,因此分割裂纹缺陷区域时,若直接利用阈值分割,从包含刃线的数控刀具图像中进行裂纹缺陷分割,可能导致将部分刃线像素点误判为裂纹缺陷像素点,从而造成裂纹缺陷的误判,进而导致对数控机床刀具进行磨损检测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决由于裂纹缺陷的误判,而导致对数控机床刀具进行磨损检测的准确度低下的技术问题,本发明提出了一种数控机床刀具磨损检测方法及***。
第一方面,本发明提供了一种数控机床刀具磨损检测方法,该方法包括:
获取目标数控机床刀具对应的目标刀刃图像,并对所述目标刀刃图像进行直线检测,得到目标线段集合;
根据所述目标线段集合中的每两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标;
对所述目标线段集合中的每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到所述目标线段对应的刀刃边缘疑似指标;
根据所述目标线段集合中的每两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标;
根据目标同侧刀刃指标,从所述目标线段集合中筛选出目标刃线线段集合;
将所述目标刀刃图像中的目标刃线线段集合去除,得到待检测图像;
利用阈值分割,从所述待检测图像中分割出裂纹缺陷区域。
可选地,所述根据所述目标线段集合中的每两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标,包括:
将这两个目标线段之间的最短距离对应的线段,确定为这两个目标线段之间的参考线段;
将所述参考线段所在的直线与这两个目标线段中随机一个目标线段所在的直线之间的夹角,确定为这两个目标线段之间的参考夹角;
根据这两个目标线段对应的斜率和截距,以及这两个目标线段之间的最短距离、参考线段和参考夹角,确定这两个目标线段之间的同侧刃线疑似指标。
可选地,所述两个目标线段之间的同侧刃线疑似指标对应的公式为:
其中,是所述目标线段集合中第a个目标线段和第b个目标线段之间的同侧刃
线疑似指标;a和b是所述目标线段集合中目标线段的序号;;是归一化函数;是
取绝对值函数;是所述目标线段集合中第a个目标线段对应的斜率;是所述目标线段集
合中第b个目标线段对应的斜率;是所述目标线段集合中第a个目标线段对应的截距;是
所述目标线段集合中第b个目标线段对应的截距;是所述目标线段集合中第a个目标线
段和第b个目标线段之间的直角边距离;和是预先设置的权重;;是所述目
标线段集合中第a个目标线段和第b个目标线段之间的参考夹角;是的余弦值;是的正弦值;是所述目标线段集合中第a个目标线段和第b个目标线段之间的最
短距离。
可选地,所述对所述目标线段集合中的每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到所述目标线段对应的刀刃边缘疑似指标,包括:
记所述目标线段上任意一个像素点为目标点,将所述目标点确定为射线端点,并将所述目标点对应的梯度方向,确定为射线方向,得到所述目标点对应的目标射线;
从所述目标点对应的目标射线上筛选出离所述目标点最近的预设数量个像素点,作为参考点,得到所述目标点对应的参考点集合;
将所述目标点对应的参考点集合中所有参考点对应的灰度值的均值,确定为所述目标点对应的灰度代表值;
根据所述目标点对应的灰度值、灰度代表值和参考点集合中所有参考点对应的灰度值,确定所述目标点对应的第一疑似指标;
根据所述目标线段上所有像素点对应的第一疑似指标,确定所述目标线段对应的刀刃边缘疑似指标,其中,第一疑似指标与刀刃边缘疑似指标呈正相关。
可选地,所述根据所述目标点对应的灰度值、灰度代表值和参考点集合中所有参考点对应的灰度值,确定所述目标点对应的第一疑似指标,包括:
将所述目标点对应的灰度代表值与所述目标点对应的参考点集合中每个参考点对应的灰度值的差值的绝对值,确定为所述参考点对应的第一灰度差异;
将所述目标点对应的参考点集合中所有参考点对应的第一灰度差异的累加和,确定为所述目标点对应的目标灰度波动;
将所述目标点对应的灰度值与所述目标点对应的参考点集合中每个参考点对应的灰度值的差值,确定为所述参考点对应的第二灰度差异;
将所述目标点对应的参考点集合中所有参考点对应的第二灰度差异的累加和,确定为所述目标点对应的目标灰度差异;
根据所述目标点对应的目标灰度波动和目标灰度差异,确定所述目标点对应的第一疑似指标,其中,目标灰度波动与第一疑似指标呈负相关,目标灰度差异与第一疑似指标呈正相关。
可选地,所述根据所述目标线段集合中的每两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标,包括:
将每个目标线段上所有像素点对应的梯度幅值的均值,确定为所述目标线段对应的梯度代表幅值;
将每个目标线段上所有像素点对应的梯度方向对应的角度的均值,确定为所述目标线段对应的梯度代表角度;
对于所述目标线段集合中的每两个目标线段,根据这两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标、梯度代表幅值和梯度代表角度,确定这两个目标线段之间的第一同侧刀刃指标;
根据这两个目标线段之间的第一同侧刀刃指标,以及这两个目标线段的长度,确定这两个目标线段之间的目标同侧刀刃指标。
可选地,所述两个目标线段之间的第一同侧刀刃指标对应的公式为:
其中,是所述目标线段集合中第a个目标线段和第b个目标线段之间的第一同
侧刀刃指标;a和b是所述目标线段集合中目标线段的序号;;和是预先设置的大于0
的因子;是所述目标线段集合中第a个目标线段对应的刀刃边缘疑似指标;是所述目标
线段集合中第b个目标线段对应的刀刃边缘疑似指标;是取绝对值函数;是所述目标
线段集合中第a个目标线段和第b个目标线段之间的同侧刃线疑似指标;是所述目标线段
集合中第a个目标线段对应的梯度代表幅值;是所述目标线段集合中第b个目标线段对应
的梯度代表幅值;是所述目标线段集合中第a个目标线段对应的梯度代表角度;是所述
目标线段集合中第b个目标线段对应的梯度代表角度;是的余弦值;是的余弦
值;是所述目标线段集合中第a个目标线段和第b个目标线段之间的梯度不相似指标。
可选地,所述两个目标线段之间的目标同侧刀刃指标对应的公式为:
其中,是所述目标线段集合中第a个目标线段和第b个目标线段之间的目标
同侧刀刃指标;a和b是所述目标线段集合中目标线段的序号;;是预先设置的大于0的
因子;是归一化函数;是所述目标线段集合中所有目标线段的总长度;是所述目
标线段集合中第a个目标线段的长度;是所述目标线段集合中第b个目标线段的长度;
是所述目标线段集合中第a个目标线段和第b个目标线段之间的第一同侧刀刃指标。
可选地,所述根据目标同侧刀刃指标,从所述目标线段集合中筛选出目标刃线线段集合,包括:
若所述目标线段集合中任意两个目标线段之间的目标同侧刀刃指标大于预设刃线阈值,则将所述任意两个目标线段,分别确定为目标刃线线段;
将所有目标刃线线段,组合为目标刃线线段集合。
第二方面,本发明提供了一种数控机床刀具磨损检测***,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的一种数控机床刀具磨损检测方法。
本发明具有如下有益效果:
本发明的一种数控机床刀具磨损检测方法,通过阈值分割,实现了裂纹缺陷的检测,解决了由于裂纹缺陷的误判,而导致对数控机床刀具进行磨损检测的准确度低下的技术问题,提高了裂纹缺陷判断的准确度,从而提高了数控机床刀具磨损检测的准确度。首先,由于数控机床刀具磨损后产生的裂纹缺陷往往将数控机床刀具上的两个刃线分割为多个线段,因此对目标刀刃图像进行直线检测,可以便于后续区分刃线与裂纹缺陷。然后,由同一侧刃线分割出的线段往往比较相似,因此综合考虑每两个目标线段对应的斜率和截距,可以便于比较每两个目标线段的相似情况,从而可以量化同侧刃线疑似指标,进而可以便于判断每两个目标线段是否为组成同侧刃线的线段。接着,由于刃线上像素点对应的梯度方向的灰度变化规律往往与其他像素点对应的梯度方向的灰度变化规律不同,因此对目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,量化了刀刃边缘疑似指标,可以便于后续判断目标线段是否为组成刀刃边缘的线段。其中,刀刃边缘又称刃线。之后,综合考虑同侧刃线疑似指标和刀刃边缘疑似指标,可以提高目标刃线线段集合筛选的准确度。而后,将目标刀刃图像中的目标刃线线段集合去除,可以得到排除了刃线干扰的待检测图像。最后,相较于直接利用阈值分割,从目标刀刃图像中分割裂纹缺陷区域,本发明利用阈值分割,从排除了刃线干扰的待检测图像中分割裂纹缺陷区域,可以在一定程度上减少刃线干扰,从而在一定程度上减少了将刃线像素点误判为裂纹缺陷像素点的情况,进而减少了裂纹缺陷的误判,从而提高了对数控机床刀具进行磨损检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的一种数控机床刀具磨损检测方法的流程图;
图2为本发明的参考线段示意图;
图3为本发明的垂直分量和水平分量示意图。
其中,附图标记包括:第一目标线段201、参考线段202、第二目标线段203、第一虚线段301和第二虚线段302。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种数控机床刀具磨损检测方法及***实施例:
本发明提供了一种数控机床刀具磨损检测方法,该方法包括以下步骤:
获取目标数控机床刀具对应的目标刀刃图像,并对目标刀刃图像进行直线检测,得到目标线段集合;
根据目标线段集合中的每两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标;
对目标线段集合中的每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到目标线段对应的刀刃边缘疑似指标;
根据目标线段集合中的每两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标;
根据目标同侧刀刃指标,从目标线段集合中筛选出目标刃线线段集合;
将目标刀刃图像中的目标刃线线段集合去除,得到待检测图像;
利用阈值分割,从待检测图像中分割出裂纹缺陷区域。
下面对上述各个步骤进行详细展开:
参考图1,示出了本发明的一种数控机床刀具磨损检测方法的一些实施例的流程。该数控机床刀具磨损检测方法,包括以下步骤:
步骤S1,获取目标数控机床刀具对应的目标刀刃图像,并对目标刀刃图像进行直线检测,得到目标线段集合。
在一些实施例中,可以获取目标数控机床刀具对应的目标刀刃图像,并对上述目标刀刃图像进行直线检测,得到目标线段集合。
其中,目标数控机床刀具可以是安装在数控机床上被使用过的刀具,又称数控刀片或数控刀具。目标刀刃图像可以是目标数控机床刀具上的刀刃对应的图像。
需要说明的是,数控刀具在使用过程中往往会产生磨损,从而往往导致刀刃部分变宽,在刀刃检测过程中往往会出现两个边缘,为方便描述,本发明将这两个边缘称为刃线。由于数控机床刀具磨损后产生的裂纹缺陷往往将数控机床刀具上的两个刃线分割为多个线段,因此对目标刀刃图像进行直线检测,可以便于后续区分刃线与裂纹缺陷。
作为示例,本步骤可以包括以下步骤:
第一步,获取目标数控机床刀具对应的目标刀刃图像。
例如,获取目标数控机床刀具对应的目标刀刃图像可以包括以下子步骤:
第一子步骤,通过工业显微镜,采集目标数控机床刀具上的刀刃的图像,作为初始刀刃图像。
其中,采集初始刀刃图像时,目标数控机床刀具的放置方式可以为:刀刃向上放置。初始刀刃图像可以是目标数控机床刀具上刀刃的俯视图。目标数控机床刀具上刀刃的刃线方向可以与初始刀刃图像的宽所处的方向平行。
第二子步骤,对初始刀刃图像进行滤波去噪,并将进行滤波去噪后的初始刀刃图像,确定为目标去噪图像。
第三子步骤,对目标去噪图像进行灰度化,并将灰度化后的目标去噪图像,确定为目标刀刃图像。
第二步,对目标刀刃图像进行直线检测,得到目标线段集合。
例如,可以通过霍夫变换,对目标刀刃图像进行直线检测,并将检测出的线段,作为目标线段,得到目标线段集合。
步骤S2,根据目标线段集合中的每两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标。
在一些实施例中,对于上述目标线段集合中的每两个目标线段,可以根据这两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标。
需要说明的是,由同一侧刃线分割出的线段往往比较相似,其中,同一侧刃线又称同一个刃线。因此综合考虑每两个目标线段对应的斜率和截距,可以便于比较每两个目标线段的相似情况,从而可以量化同侧刃线疑似指标,进而可以便于判断每两个目标线段是否为组成同侧刃线的线段。
作为示例,本步骤可以包括以下步骤:
第一步,将这两个目标线段之间的最短距离对应的线段,确定为这两个目标线段之间的参考线段。
其中,两个目标线段之间的距离的计算方式可以为:在这两个目标线段上分别任取一个像素点,将任取的这两个像素点之间的距离,确定为这两个目标线段之间的一个距离。两个目标线段之间的最短距离可以是这两个目标线段之间的所有距离中的最小值。
例如,如图2所示,第一目标线段201与第二目标线段203之间的参考线段可以为参考线段202。第一目标线段201与第二目标线段203均为目标线段。第一目标线段201与第二目标线段203之间的一个距离可以为第一目标线段201上任意一个像素点与第二目标线段203上任意一个像素点之间的距离。
第二步,将上述参考线段所在的直线与这两个目标线段中随机一个目标线段所在的直线之间的夹角,确定为这两个目标线段之间的参考夹角。
其中,参考线段所在的直线可以是沿参考线段的端点向外延伸得到的直线。目标线段所在的直线可以是沿目标线段的端点向外延伸得到的直线。参考夹角的取值范围可以为[0°,90°]。
例如,如图2所示,第一目标线段201与第二目标线段203之间的参考夹角可以为:参考线段202所在的直线与第二目标线段203所在的直线之间的夹角。若参考线段202与第二目标线段203之间的夹角大于90°,将该夹角作为第一夹角,则参考线段202所在的直线与第二目标线段203所在的直线之间的夹角可以为180°与第一夹角的差值,即对应的参考夹角可以为第一夹角的补角。若参考线段202与第二目标线段203之间的夹角不大于90°,将该夹角作为第二夹角,则参考线段202所在的直线与第二目标线段203所在的直线之间的夹角可以为第二夹角,即可以直接将第二夹角作为对应的参考夹角。
第三步,根据这两个目标线段对应的斜率和截距,以及这两个目标线段之间的最短距离、参考线段和参考夹角,确定这两个目标线段之间的同侧刃线疑似指标。
例如,确定两个目标线段之间的同侧刃线疑似指标对应的公式可以为:
其中,是上述目标线段集合中第a个目标线段和第b个目标线段之间的同侧刃
线疑似指标。a和b是上述目标线段集合中目标线段的序号。是归一化函数。是
取绝对值函数。是上述目标线段集合中第a个目标线段对应的斜率。是上述目标线段集
合中第b个目标线段对应的斜率。是上述目标线段集合中第a个目标线段对应的截距。是
上述目标线段集合中第b个目标线段对应的截距。是上述目标线段集合中第a个目标线
段和第b个目标线段之间的直角边距离。和是预先设置的权重。。比如,,。即和可以依据实际情况进行设置。是上述目标线段集合中第a个目标线段和
第b个目标线段之间的参考夹角。是的余弦值。是的正弦值。是上述目标
线段集合中第a个目标线段和第b个目标线段之间的最短距离。
需要说明的是,当越小时,往往说明第a个目标线段和第b个目标
线段越可能共线,往往说明第a个目标线段和第b个目标线段越可能是由于磨损而从同一侧
刃线分割出的线段。当第a个目标线段和第b个目标线段越可能是由于磨损而从同一侧刃线
分割出的线段时,往往说明第a个目标线段和第b个目标线段之间的参考夹角越小,往往说
明第a个目标线段和第b个目标线段之间的垂直分量相对越小,并且第a个目标线段和第b个
目标线段之间的垂直分量往往比其水平分量重要,所以垂直分量对应的权重可以设置的略
高一些。往往可以表征垂直分量,往往可以表征水平分量,因此可以
设置。比如,如图3所示,第一虚线段301可以表征第一目标线段201与第二目标线段
203之间的垂直分量。第二虚线段302可以表征第一目标线段201与第二目标线段203之间的
水平分量。因此,当越大时,往往说明第a个目标线段和第b个目标线段越可能组成同一
侧刃线的线段。
步骤S3,对目标线段集合中的每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到目标线段对应的刀刃边缘疑似指标。
在一些实施例中,对于上述目标线段集合中的每个目标线段,可以对上述目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到上述目标线段对应的刀刃边缘疑似指标。
其中,预设数量可以是预先设置的数量。例如,预设数量可以是15。
需要说明的是,由于刃线上像素点对应的梯度方向的灰度变化规律往往与其他像素点对应的梯度方向的灰度变化规律不同,因此对目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,量化了刀刃边缘疑似指标,可以便于后续判断目标线段是否为组成刀刃边缘的线段。其中,刀刃边缘又称刃线。
作为示例,本步骤可以包括以下步骤:
第一步,记上述目标线段上任意一个像素点为目标点,将上述目标点确定为射线端点,并将上述目标点对应的梯度方向,确定为射线方向,得到上述目标点对应的目标射线。
其中,目标点对应的目标射线可以是以该目标点为端点,以该目标点对应的梯度方向为射线方向的射线。
第二步,从上述目标点对应的目标射线上筛选出离上述目标点最近的预设数量个像素点,作为参考点,得到上述目标点对应的参考点集合。
第三步,将上述目标点对应的参考点集合中所有参考点对应的灰度值的均值,确定为上述目标点对应的灰度代表值。
第四步,根据上述目标点对应的灰度值、灰度代表值和参考点集合中所有参考点对应的灰度值,确定上述目标点对应的第一疑似指标可以包括以下子步骤:
第一子步骤,将上述目标点对应的灰度代表值与上述目标点对应的参考点集合中每个参考点对应的灰度值的差值的绝对值,确定为上述参考点对应的第一灰度差异。
第二子步骤,将上述目标点对应的参考点集合中所有参考点对应的第一灰度差异的累加和,确定为上述目标点对应的目标灰度波动。
第三子步骤,将上述目标点对应的灰度值与上述目标点对应的参考点集合中每个参考点对应的灰度值的差值,确定为上述参考点对应的第二灰度差异。
第四子步骤,将上述目标点对应的参考点集合中所有参考点对应的第二灰度差异的累加和,确定为上述目标点对应的目标灰度差异。
第五子步骤,根据上述目标点对应的目标灰度波动和目标灰度差异,确定上述目标点对应的第一疑似指标。
其中,目标灰度波动可以与第一疑似指标呈负相关。目标灰度差异可以与第一疑似指标呈正相关。
第五步,根据上述目标线段上所有像素点对应的第一疑似指标,确定上述目标线段对应的刀刃边缘疑似指标。
其中,第一疑似指标可以与刀刃边缘疑似指标呈正相关。
例如,确定目标线段对应的刀刃边缘疑似指标对应的公式可以为:
其中,是上述目标线段集合中第a个目标线段对应的刀刃边缘疑似指标。a是目
标线段集合中目标线段的序号。是目标线段集合中第a个目标线段上第i个像素点对应的
第一疑似指标。i是第a个目标线段上像素点的序号。是第a个目标线段上像素点的数量。
是预先设置的大于0的因子,主要用于防止分母为0,其值可以为0.01。是第a个目标线段
上第i个像素点对应的参考点集合中参考点的数量。是第a个目标线段上第i个像素点对
应的参考点集合中第j个参考点对应的灰度值。j是第i个像素点对应的参考点集合中参考
点的序号。是第a个目标线段上第i个像素点对应的灰度代表值。是取绝对值函数。是
第a个目标线段上第i个像素点对应的灰度值。是第a个目标线段上第i个像素点对
应的参考点集合中第j个参考点对应的第一灰度差异。是第a个目标线段上第i
个像素点对应的目标灰度波动。是第a个目标线段上第i个像素点对应的参考点集合
中第j个参考点对应的第二灰度差异。是第a个目标线段上第i个像素点对应的
目标灰度差异。
需要说明的是,当越大时,往往说明第a个目标线段上第i个像素点对
应的参考点集合中所有参考点对应的灰度值波动越大。当越大时,往往说明第
a个目标线段上第i个像素点对应的参考点集合中的各个参考点对应的灰度值越可能小于
第i个像素点对应的灰度值,往往说明第a个目标线段上第i个像素点对应的参考点集合中
的各个参考点对应的灰度值越可能符合从亮变暗的规律,往往说明第a个目标线段上第i个
像素点对应的梯度方向的灰度变化规律越可能符合刃线上像素点对应的梯度方向上从亮
变暗的灰度变化规律,刃线上的像素点往往是灰度值相对较高的像素点。因此,当越大
时,往往说明第a个目标线段上第i个像素点对应的梯度方向的灰度值变化为从亮变暗的程
度越大,往往说明第a个目标线段越可能是组成刃线的线段。
步骤S4,根据目标线段集合中的每两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标。
在一些实施例中,对于上述目标线段集合中的每两个目标线段,可以根据这两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标。
需要说明的是,综合考虑同侧刃线疑似指标和刀刃边缘疑似指标,可以提高目标同侧刀刃指标确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,将每个目标线段上所有像素点对应的梯度幅值的均值,确定为上述目标线段对应的梯度代表幅值。
其中,梯度幅值又称梯度大小。
第二步,将每个目标线段上所有像素点对应的梯度方向对应的角度的均值,确定为上述目标线段对应的梯度代表角度。
其中,梯度方向对应的角度可以是该梯度方向与水平方向逆时针的夹角。
第三步,对于上述目标线段集合中的每两个目标线段,根据这两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标、梯度代表幅值和梯度代表角度,确定这两个目标线段之间的第一同侧刀刃指标。
例如,确定两个目标线段之间的第一同侧刀刃指标对应的公式可以为:
其中,是上述目标线段集合中第a个目标线段和第b个目标线段之间的第一同
侧刀刃指标。a和b是上述目标线段集合中目标线段的序号。。和是预先设置的大于0
的因子,主要用于防止分母为0。比如,。是上述目标线段集合中第a个目标线
段对应的刀刃边缘疑似指标。是上述目标线段集合中第b个目标线段对应的刀刃边缘疑
似指标。是取绝对值函数。是上述目标线段集合中第a个目标线段和第b个目标线段之
间的同侧刃线疑似指标。是上述目标线段集合中第a个目标线段对应的梯度代表幅值。
是上述目标线段集合中第b个目标线段对应的梯度代表幅值。是上述目标线段集合中第a
个目标线段对应的梯度代表角度。是上述目标线段集合中第b个目标线段对应的梯度代
表角度。是的余弦值。是的余弦值。是上述目标线段集合中第a个目标线段
和第b个目标线段之间的梯度不相似指标。
需要说明的是,当和越大时,往往说明第a个目标线段和第b个目标线段越可能
是组成刃线的线段。当越小时,往往说明第a个目标线段和第b个目标线段越相似。
当越大时,往往说明第a个目标线段和第b个目标线段越可能组成同一侧刃线的线段。当越大时,往往说明第a个目标线段和第b个目标线段对应的梯度越相似。因此当越大
时,往往说明第a个目标线段和第b个目标线段越可能是组成同一侧刃线的线段。
第四步,根据这两个目标线段之间的第一同侧刀刃指标,以及这两个目标线段的长度,确定这两个目标线段之间的目标同侧刀刃指标。
例如,确定两个目标线段之间的目标同侧刀刃指标对应的公式可以为:
其中,是上述目标线段集合中第a个目标线段和第b个目标线段之间的目标
同侧刀刃指标。a和b是上述目标线段集合中目标线段的序号。是预先设置的大于0
的因子,主要用于防止分母为0,其值可以为0.01。是归一化函数。是上述目标线段
集合中所有目标线段的总长度。是上述目标线段集合中第a个目标线段的长度。是上述
目标线段集合中第b个目标线段的长度。是上述目标线段集合中第a个目标线段和第b个
目标线段之间的第一同侧刀刃指标。
需要说明的是,当越大时,往往说明第a个目标线段和第b个目标线段越可能是
组成同一侧刃线的线段。当越大时,往往说明第a个目标线段和第b个目标线段相对越
长,往往说明第a个目标线段和第b个目标线段在线段总长度的占比越大。一般来说,由于磨
损产生的裂纹缺陷在磨损前刃线中的占比,往往小于磨损后分割出的组成刃线的线段在磨
损前刃线中的占比,因此组成刃线的线段的占比往往相对较大。因此当越大时,往往
说明第a个目标线段和第b个目标线段越可能是组成同一侧刃线的线段。
步骤S5,根据目标同侧刀刃指标,从目标线段集合中筛选出目标刃线线段集合。
在一些实施例中,可以根据目标同侧刀刃指标,从上述目标线段集合中筛选出目标刃线线段集合。
需要说明的是,由于目标同侧刀刃指标可以表征任意两个目标线段属于同一侧刃线的情况,因此基于目标同侧刀刃指标,可以提高目标刃线线段集合筛选的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,若上述目标线段集合中任意两个目标线段之间的目标同侧刀刃指标大于预设刃线阈值,则将上述任意两个目标线段,分别确定为目标刃线线段。
其中,预设刃线阈值可以是预先设置的阈值。比如,预设刃线阈值可以是0.7。
例如,若第一目标线段和第二目标线段之间的目标同侧刀刃指标大于预设刃线阈值,则可以分别将第一目标线段和第二目标线段,确定为目标刃线线段。
第二步,将所有目标刃线线段,组合为目标刃线线段集合。
可选地,可以将目标同侧刀刃指标大于预设刃线阈值的两个目标线段,作为基准刃线边缘,再令基准刃线与其他目标线段进行比较,直到识别出目标刀刃图像中所有刃线边缘,并将识别出的所有刃线边缘,作为目标刃线线段,得到目标刃线线段集合。
步骤S6,将目标刀刃图像中的目标刃线线段集合去除,得到待检测图像。
在一些实施例中,可以利用掩膜将上述目标刀刃图像中的目标刃线线段集合去除,得到待检测图像。
需要说明的是,利用掩膜将目标刀刃图像中的目标刃线线段集合去除,可以得到排除了刃线干扰的待检测图像。
作为示例,可以利用掩膜,将目标刀刃图像中的所有目标刃线线段去除,并将所有目标刃线线段去除后的目标刀刃图像,作为待检测图像。
步骤S7,利用阈值分割,从待检测图像中分割出裂纹缺陷区域。
在一些实施例中,可以利用阈值分割,从上述待检测图像中分割出裂纹缺陷区域。
其中,裂纹缺陷区域可以是裂纹缺陷所在的区域。
作为示例,可以利用阈值分割,从待检测图像中分割出裂纹缺陷区域,以实现裂纹缺陷检测。
基于与上述方法实施例相同的发明构思,本发明提供了一种数控机床刀具磨损检测***,该***包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现一种数控机床刀具磨损检测方法的步骤。
综上,相较于直接利用阈值分割,从目标刀刃图像中分割裂纹缺陷区域,本发明利用阈值分割,从排除了刃线干扰的待检测图像中分割裂纹缺陷区域,可以在一定程度上减少刃线干扰,从而在一定程度上减少了将刃线像素点误判为裂纹缺陷像素点的情况,进而减少了裂纹缺陷的误判,从而提高了对数控机床刀具进行磨损检测的准确度。
至此,本发明完成。
一种数控机床刀具刃线检测方法实施例:
数控机床刀具,又称数控刀具,是指在数控机床上使用的刀具,用于进行各种加工操作。刀刃是数控刀具组成的关键部分,它直接参与到切削过程中。但在复杂的工作环境中,刀刃往往会产生磨损。为了检测其磨损情况,往往需要对数控刀具进行刃线检测。目前,进行物体检测,通常采用的方式为:利用阈值分割,对采集的图像进行物体检测。
然而,当直接利用阈值分割,对采集的数控刀具图像进行刃线检测时,经常会存在如下技术问题:
由于刃线与数控刀具上的某些其他区域之间的灰度差别不大,比如刃线和裂纹缺陷对应的灰度值往往差别不大,因此对采集的数控刀具图像进行刃线检测时,若直接利用阈值分割,对采集的数控刀具图像进行刃线检测,可能造成刃线像素点的误判,从而导致数控刀具刃线检测的准确度低下。
为了解决数控刀具刃线检测的准确度低下的技术问题,本发明的目的在于提供一种数控机床刀具刃线检测方法,所采用的技术方案具体如下:
步骤S1,获取目标数控机床刀具对应的目标刀刃图像,并对目标刀刃图像进行直线检测,得到目标线段集合。
步骤S2,根据目标线段集合中的每两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标。
步骤S3,对目标线段集合中的每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到目标线段对应的刀刃边缘疑似指标。
步骤S4,根据目标线段集合中的每两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标。
步骤S5,根据目标同侧刀刃指标,从目标线段集合中筛选出目标刃线线段集合。
本发明实施例提供的一种数控机床刀具刃线检测方法具有如下技术效果:
本发明通过对目标刀刃图像进行图像数据处理,可以提高数控刀具刃线检测的准确度。首先,由于数控机床刀具磨损后产生的缺陷往往将数控机床刀具上的两个刃线分割为多个线段,因此对目标刀刃图像进行直线检测,可以便于后续区分刃线与缺陷。然后,由同一侧刃线分割出的线段往往比较相似,因此综合考虑每两个目标线段对应的斜率和截距,可以便于比较每两个目标线段的相似情况,从而可以量化同侧刃线疑似指标,进而可以便于判断每两个目标线段是否为组成同侧刃线的线段。接着,由于刃线上像素点对应的梯度方向的灰度变化规律往往与其他像素点对应的梯度方向的灰度变化规律不同,因此对目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,量化了刀刃边缘疑似指标,可以便于后续判断目标线段是否为组成刀刃边缘的线段。其中,刀刃边缘又称刃线。之后,综合考虑同侧刃线疑似指标和刀刃边缘疑似指标,可以提高目标刃线线段集合筛选的准确度,从而可以便于后续检测数控刀具的磨损情况。
其中,步骤S1-S5在上述一种数控机床刀具磨损检测方法及***实施例中已给出了详细说明,不再赘述。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种数控机床刀具磨损检测方法,其特征在于,包括以下步骤:
获取目标数控机床刀具对应的目标刀刃图像,并对所述目标刀刃图像进行直线检测,得到目标线段集合;
根据所述目标线段集合中的每两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标;
对所述目标线段集合中的每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到所述目标线段对应的刀刃边缘疑似指标;
根据所述目标线段集合中的每两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标;
根据目标同侧刀刃指标,从所述目标线段集合中筛选出目标刃线线段集合;
将所述目标刀刃图像中的目标刃线线段集合去除,得到待检测图像;
利用阈值分割,从所述待检测图像中分割出裂纹缺陷区域;
所述根据所述目标线段集合中的每两个目标线段对应的斜率和截距,确定这两个目标线段之间的同侧刃线疑似指标,包括:
将这两个目标线段之间的最短距离对应的线段,确定为这两个目标线段之间的参考线段;
将所述参考线段所在的直线与这两个目标线段中随机一个目标线段所在的直线之间的夹角,确定为这两个目标线段之间的参考夹角;
根据这两个目标线段对应的斜率和截距,以及这两个目标线段之间的最短距离、参考线段和参考夹角,确定这两个目标线段之间的同侧刃线疑似指标;
所述根据所述目标线段集合中的每两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标,确定这两个目标线段之间的目标同侧刀刃指标,包括:
将每个目标线段上所有像素点对应的梯度幅值的均值,确定为所述目标线段对应的梯度代表幅值;
将每个目标线段上所有像素点对应的梯度方向对应的角度的均值,确定为所述目标线段对应的梯度代表角度;
对于所述目标线段集合中的每两个目标线段,根据这两个目标线段之间的同侧刃线疑似指标,以及这两个目标线段对应的刀刃边缘疑似指标、梯度代表幅值和梯度代表角度,确定这两个目标线段之间的第一同侧刀刃指标;
根据这两个目标线段之间的第一同侧刀刃指标,以及这两个目标线段的长度,确定这两个目标线段之间的目标同侧刀刃指标。
2.根据权利要求1所述的一种数控机床刀具磨损检测方法,其特征在于,所述两个目标线段之间的同侧刃线疑似指标对应的公式为:
其中,是所述目标线段集合中第a个目标线段和第b个目标线段之间的同侧刃线疑似指标;a和b是所述目标线段集合中目标线段的序号;/>;/>是归一化函数;/>是取绝对值函数;/>是所述目标线段集合中第a个目标线段对应的斜率;/>是所述目标线段集合中第b个目标线段对应的斜率;/>是所述目标线段集合中第a个目标线段对应的截距;/>是所述目标线段集合中第b个目标线段对应的截距;/>是所述目标线段集合中第a个目标线段和第b个目标线段之间的直角边距离;/>和/>是预先设置的权重;/>;/>是所述目标线段集合中第a个目标线段和第b个目标线段之间的参考夹角;/>是/>的余弦值;/>是的正弦值;/>是所述目标线段集合中第a个目标线段和第b个目标线段之间的最短距离。
3.根据权利要求1所述的一种数控机床刀具磨损检测方法,其特征在于,所述对所述目标线段集合中的每个目标线段上所有像素点对应的梯度方向上的预设数量个像素点进行灰度变化规律分析处理,得到所述目标线段对应的刀刃边缘疑似指标,包括:
记所述目标线段上任意一个像素点为目标点,将所述目标点确定为射线端点,并将所述目标点对应的梯度方向,确定为射线方向,得到所述目标点对应的目标射线;
从所述目标点对应的目标射线上筛选出离所述目标点最近的预设数量个像素点,作为参考点,得到所述目标点对应的参考点集合;
将所述目标点对应的参考点集合中所有参考点对应的灰度值的均值,确定为所述目标点对应的灰度代表值;
根据所述目标点对应的灰度值、灰度代表值和参考点集合中所有参考点对应的灰度值,确定所述目标点对应的第一疑似指标;
根据所述目标线段上所有像素点对应的第一疑似指标,确定所述目标线段对应的刀刃边缘疑似指标,其中,第一疑似指标与刀刃边缘疑似指标呈正相关。
4.根据权利要求3所述的一种数控机床刀具磨损检测方法,其特征在于,所述根据所述目标点对应的灰度值、灰度代表值和参考点集合中所有参考点对应的灰度值,确定所述目标点对应的第一疑似指标,包括:
将所述目标点对应的灰度代表值与所述目标点对应的参考点集合中每个参考点对应的灰度值的差值的绝对值,确定为所述参考点对应的第一灰度差异;
将所述目标点对应的参考点集合中所有参考点对应的第一灰度差异的累加和,确定为所述目标点对应的目标灰度波动;
将所述目标点对应的灰度值与所述目标点对应的参考点集合中每个参考点对应的灰度值的差值,确定为所述参考点对应的第二灰度差异;
将所述目标点对应的参考点集合中所有参考点对应的第二灰度差异的累加和,确定为所述目标点对应的目标灰度差异;
根据所述目标点对应的目标灰度波动和目标灰度差异,确定所述目标点对应的第一疑似指标,其中,目标灰度波动与第一疑似指标呈负相关,目标灰度差异与第一疑似指标呈正相关。
5.根据权利要求1所述的一种数控机床刀具磨损检测方法,其特征在于,所述两个目标线段之间的第一同侧刀刃指标对应的公式为:
其中,是所述目标线段集合中第a个目标线段和第b个目标线段之间的第一同侧刀刃指标;a和b是所述目标线段集合中目标线段的序号;/>;/>和/>是预先设置的大于0的因子;/>是所述目标线段集合中第a个目标线段对应的刀刃边缘疑似指标;/>是所述目标线段集合中第b个目标线段对应的刀刃边缘疑似指标;/>是取绝对值函数;/>是所述目标线段集合中第a个目标线段和第b个目标线段之间的同侧刃线疑似指标;/>是所述目标线段集合中第a个目标线段对应的梯度代表幅值;/>是所述目标线段集合中第b个目标线段对应的梯度代表幅值;/>是所述目标线段集合中第a个目标线段对应的梯度代表角度;/>是所述目标线段集合中第b个目标线段对应的梯度代表角度;/>是/>的余弦值;/>是/>的余弦值;是所述目标线段集合中第a个目标线段和第b个目标线段之间的梯度不相似指标。
6.根据权利要求1所述的一种数控机床刀具磨损检测方法,其特征在于,所述两个目标线段之间的目标同侧刀刃指标对应的公式为:
其中,是所述目标线段集合中第a个目标线段和第b个目标线段之间的目标同侧刀刃指标;a和b是所述目标线段集合中目标线段的序号;/>;/>是预先设置的大于0的因子;/>是归一化函数;/>是所述目标线段集合中所有目标线段的总长度;/>是所述目标线段集合中第a个目标线段的长度;/>是所述目标线段集合中第b个目标线段的长度;/>是所述目标线段集合中第a个目标线段和第b个目标线段之间的第一同侧刀刃指标。
7.根据权利要求1所述的一种数控机床刀具磨损检测方法,其特征在于,所述根据目标同侧刀刃指标,从所述目标线段集合中筛选出目标刃线线段集合,包括:
若所述目标线段集合中任意两个目标线段之间的目标同侧刀刃指标大于预设刃线阈值,则将所述任意两个目标线段,分别确定为目标刃线线段;
将所有目标刃线线段,组合为目标刃线线段集合。
8.一种数控机床刀具磨损检测***,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-7中任一项所述的一种数控机床刀具磨损检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301318.9A CN117036358B (zh) | 2023-10-10 | 2023-10-10 | 一种数控机床刀具磨损检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311301318.9A CN117036358B (zh) | 2023-10-10 | 2023-10-10 | 一种数控机床刀具磨损检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036358A CN117036358A (zh) | 2023-11-10 |
CN117036358B true CN117036358B (zh) | 2024-01-30 |
Family
ID=88623097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311301318.9A Active CN117036358B (zh) | 2023-10-10 | 2023-10-10 | 一种数控机床刀具磨损检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036358B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117400066B (zh) * | 2023-12-15 | 2024-03-08 | 西安航飞精密工具有限公司 | 一种数控机床刀具磨损识别方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010266366A (ja) * | 2009-05-15 | 2010-11-25 | Tateyama Machine Kk | 画像の特徴抽出方法並びに工具欠陥検査方法と工具欠陥検査装置 |
CN105203025A (zh) * | 2015-09-09 | 2015-12-30 | 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 |
CN107717631A (zh) * | 2017-10-31 | 2018-02-23 | 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 |
CN108527004A (zh) * | 2018-03-29 | 2018-09-14 | 蚌埠市金洋机床有限责任公司 | 一种数控机床刀具破损检测*** |
EP3486737A1 (de) * | 2017-11-21 | 2019-05-22 | pro-micron GmbH | Prozessparameterinvariante verschleisserkennung an werkzeugen für die spanabhebende bearbeitung von werkstücken |
CN110728667A (zh) * | 2019-10-08 | 2020-01-24 | 南京航空航天大学 | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及*** |
CN115358983A (zh) * | 2022-08-16 | 2022-11-18 | 佛山市南海区广工大数控装备协同创新研究院 | 刀具缺陷检测方法、检测设备和计算机可读存储介质 |
JP2022176067A (ja) * | 2021-05-13 | 2022-11-25 | 芝浦機械株式会社 | 工具の形状検出装置および工具の形状検出方法 |
CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
CN116787224A (zh) * | 2022-12-21 | 2023-09-22 | 杭州电子科技大学 | 一种多角度多维度刀具磨损量快速检测装置及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8467606B2 (en) * | 2011-08-25 | 2013-06-18 | Eastman Kodak Company | Method for segmenting a composite image |
US10872406B2 (en) * | 2018-04-13 | 2020-12-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | Hot spot defect detecting method and hot spot defect detecting system |
TWI662278B (zh) * | 2018-09-18 | 2019-06-11 | 財團法人工業技術研究院 | 刀具磨耗監控方法 |
-
2023
- 2023-10-10 CN CN202311301318.9A patent/CN117036358B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010266366A (ja) * | 2009-05-15 | 2010-11-25 | Tateyama Machine Kk | 画像の特徴抽出方法並びに工具欠陥検査方法と工具欠陥検査装置 |
CN105203025A (zh) * | 2015-09-09 | 2015-12-30 | 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 |
CN107717631A (zh) * | 2017-10-31 | 2018-02-23 | 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 |
EP3486737A1 (de) * | 2017-11-21 | 2019-05-22 | pro-micron GmbH | Prozessparameterinvariante verschleisserkennung an werkzeugen für die spanabhebende bearbeitung von werkstücken |
CN108527004A (zh) * | 2018-03-29 | 2018-09-14 | 蚌埠市金洋机床有限责任公司 | 一种数控机床刀具破损检测*** |
CN110728667A (zh) * | 2019-10-08 | 2020-01-24 | 南京航空航天大学 | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 |
JP2022176067A (ja) * | 2021-05-13 | 2022-11-25 | 芝浦機械株式会社 | 工具の形状検出装置および工具の形状検出方法 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及*** |
CN115358983A (zh) * | 2022-08-16 | 2022-11-18 | 佛山市南海区广工大数控装备协同创新研究院 | 刀具缺陷检测方法、检测设备和计算机可读存储介质 |
CN116787224A (zh) * | 2022-12-21 | 2023-09-22 | 杭州电子科技大学 | 一种多角度多维度刀具磨损量快速检测装置及方法 |
CN116758057A (zh) * | 2023-08-10 | 2023-09-15 | 山东贺铭电气有限公司 | 基于人工智能的通信设备缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
基于Hough变换的刀具磨损监测加工表面纹理特征提取;郑建明;李鹏阳;李言;朱云飞;;机械科学与技术(06);17-21 * |
基于数字图像的刀具磨损状态检测技术;何翔;任小洪;;机床与液压(03);132-135 * |
基于机器视觉的立铣刀磨损检测方法研究;刘建春;江骏杰;邹朝圣;;制造技术与机床(01);141-145 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036358A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117036358B (zh) | 一种数控机床刀具磨损检测方法及*** | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN115100203B (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测*** | |
CN116580024B (zh) | 一种基于图像处理的焦炭质量检测方法 | |
CN115471503B (zh) | 用于数控剖锭机的设备异常检测方法 | |
CN113888446A (zh) | 一种钣金结构件折弯线智能检测方法 | |
CN113513991A (zh) | 一种电池极片毛刺高度检测方法及装置 | |
CN109829902B (zh) | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 | |
CN116883446B (zh) | 一种车载摄像头镜片碾磨程度实时监测*** | |
CN117475154A (zh) | 一种基于优化Canny边缘检测的仪表图像识别方法及*** | |
CN116258838B (zh) | 一种用于管片模具合模***的智能视觉引导方法 | |
CN1667351A (zh) | 强反射背景下粗糙纹理工件图像特征点自动提取方法 | |
CN117036278A (zh) | 一种基于机器视觉的切削工具凹槽检测方法 | |
CN106778515B (zh) | 一种法兰轴向漏磁阵列信号自动识别方法 | |
CN115741218A (zh) | 基于加工画像分析的机床故障预警方法及*** | |
CN113591734B (zh) | 一种基于改进nms算法的目标检测方法 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN112683902B (zh) | 一种基于模板的模切产品表面缺陷在线检测方法 | |
CN114850967A (zh) | 一种基于人在回路的刀具磨损状态检测方法和*** | |
CN117474910B (zh) | 一种用于电机质量的视觉检测方法 | |
CN116342614B (zh) | 基于图像识别的废硅片形状检测方法 |
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 |