賈冰慧，全燕鳴，朱正偉

（華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東 廣州 510640）

面向刀具磨損在機(jī)檢測的機(jī)器視覺系統(tǒng)

賈冰慧，全燕鳴，朱正偉

（華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東 廣州 510640）

針對數(shù)控機(jī)床加工環(huán)境，就如何快速定量檢測刀具磨損狀況的問題，開發(fā)在機(jī)環(huán)境下的機(jī)器視覺檢測裝置。根據(jù)圖像灰度分布區(qū)域差異性特點(diǎn)，提出基于8連通鄰域搜索的交互式刀具磨損提取算法。實(shí)驗(yàn)結(jié)果表明：該檢測方案誤差可控制在5%范圍內(nèi)，能夠滿足機(jī)械加工的要求。

精密工程測量；在機(jī)檢測；鄰域搜索；刀具磨損；機(jī)器視覺

0 引 言

刀具作為金屬切削過程的主要執(zhí)行者，不可避免會出現(xiàn)磨損現(xiàn)象，定量檢測刀具磨損狀況，是保證加工質(zhì)量和效率的前提。傳統(tǒng)的刀具磨損檢測有間接檢測法和直接檢測法。間接檢測法是利用刀具磨損狀態(tài)對不同工作參數(shù)的影響，測量反映刀具磨損程度的相關(guān)參量，其中常用方法有切削力檢測法、聲發(fā)射檢測法、振動信號檢測法、電流信號測量法等[1-4]。間接法能在線檢測刀具狀態(tài)，不影響加工過程，但干擾檢測的干擾因素太多，檢測結(jié)果精度無法保證。直接檢測法能夠識別刀刃外觀、表面品質(zhì)或幾何形狀變化，目前主要方法有射線檢測法、光學(xué)測量法、計算機(jī)圖像處理法等[5-7]。直接檢測法檢測結(jié)果真實(shí)、準(zhǔn)確，但是只能停機(jī)離線檢測，占用工時，影響機(jī)械加工的效率和經(jīng)濟(jì)效益。針對現(xiàn)有刀具磨損檢測方法的不足，本文設(shè)計了一種刀具磨損在機(jī)檢測的機(jī)器視覺系統(tǒng)，可以安裝在機(jī)床上獲取在機(jī)刀具圖像，并現(xiàn)場快速分析刀具圖像信息而得到刀具磨損的定量測量。

1 視覺檢測裝置的設(shè)計

面向刀具磨損在機(jī)檢測的視覺檢測裝置，包括多自由度機(jī)械臂、圖像獲取機(jī)構(gòu)和微型計算機(jī)?？紤]到機(jī)床環(huán)境，視覺檢測裝置必須滿足占用空間小、可跨尺度、自動精密檢測的需求。

1.1 多自由度機(jī)械臂設(shè)計

文中設(shè)計的機(jī)械臂，能夠直接在機(jī)床有限空間內(nèi)對裝在主軸上的刀具自動進(jìn)行宏觀形狀尺寸和微觀磨損圖像獲取，攝取的圖像質(zhì)量高，檢測結(jié)果準(zhǔn)確。

該機(jī)械臂包括縱移機(jī)構(gòu)、旋轉(zhuǎn)機(jī)構(gòu)、橫移機(jī)構(gòu)和翻轉(zhuǎn)機(jī)構(gòu)4個部分?？v移機(jī)構(gòu)的末端通過旋轉(zhuǎn)機(jī)構(gòu)與橫移機(jī)構(gòu)連接，翻轉(zhuǎn)機(jī)構(gòu)安裝于橫移機(jī)構(gòu)上，CCD工業(yè)相機(jī)安裝于翻轉(zhuǎn)機(jī)構(gòu)內(nèi)；縱移機(jī)構(gòu)、旋轉(zhuǎn)機(jī)構(gòu)、橫移機(jī)構(gòu)、翻轉(zhuǎn)機(jī)構(gòu)中的電機(jī)都通過集成驅(qū)動板與計算機(jī)連接。CCD工業(yè)相機(jī)通過USB2.0數(shù)據(jù)線與計算機(jī)連接。機(jī)器視覺檢測裝置結(jié)構(gòu)如圖1所示。

圖1 機(jī)器視覺檢測裝置結(jié)構(gòu)示意圖

機(jī)械臂采用TB6560電機(jī)驅(qū)動集成模塊對各個電機(jī)進(jìn)行控制，實(shí)現(xiàn)圖像獲取機(jī)構(gòu)在各維的自動運(yùn)動，滿足刀具在機(jī)檢測的拍攝要求。拍攝刀具圖像時，首先利用計算機(jī)對圖像獲取機(jī)構(gòu)進(jìn)行初始化；然后在計算機(jī)中輸入對各個步進(jìn)電機(jī)的控制指令，機(jī)械臂攜帶CCD工業(yè)相機(jī)走到相應(yīng)的拍攝位置：當(dāng)鏡頭與刀具之間的距離較遠(yuǎn)時，相機(jī)拍攝刀具側(cè)面圖像，從而可以檢測刀具側(cè)面形狀尺寸；而當(dāng)鏡頭與刀具之間的距離較近時，相機(jī)拍攝刀頭局部側(cè)面圖像，從而檢測刀頭側(cè)面的微觀狀態(tài)，如刀具磨損程度。在此基礎(chǔ)上，再借助機(jī)床主軸帶動刀具旋轉(zhuǎn)，則可以檢測刀具整個圓周表面。

在設(shè)計制造機(jī)械臂時，必須對各部分傳動裝置、部件進(jìn)行優(yōu)化，盡量減小機(jī)器運(yùn)行所帶來的震動,保證銜接部件平滑度和機(jī)身穩(wěn)定度。過大的震動將會導(dǎo)致獲取的圖像不清晰，不能滿足刀具磨損檢測的需求。

1.2 圖像獲取機(jī)構(gòu)設(shè)計

圖像獲取機(jī)構(gòu)包括相機(jī)和光源，相機(jī)固定安裝于翻轉(zhuǎn)架內(nèi)，光源安裝于相機(jī)鏡頭的前方。鏡頭前端安裝有平光保護(hù)罩，從而防止油霧及切屑污染鏡頭，影響圖像的質(zhì)量和檢測結(jié)果。機(jī)床主軸外殼體的下端設(shè)置背光源，在對刀具進(jìn)行側(cè)面攝像時，使用背光源可去除背景的干擾并增強(qiáng)照明。

基于實(shí)用性考慮，檢測相機(jī)采用百萬像素級數(shù)字式黑白工業(yè)相機(jī)。相機(jī)與鏡頭之間有接圈以調(diào)節(jié)視場與物距關(guān)系，在125mm物距內(nèi)拍攝顯微磨損視場不小于20mm×20mm，在300mm物距內(nèi)拍攝宏觀尺寸視場不小于65mm×65mm。

2 圖像處理分析

在所獲圖片中可以觀察到刀具磨損區(qū)域的灰度與背景灰度、刀具其他部位的灰度有明顯差異，然而在磨損區(qū)域內(nèi)部，灰度也是有遞變的。針對刀具磨損區(qū)域的灰度分布特點(diǎn)，提出了基于8連通鄰域搜索的交互式缺陷提取算法。圖2是刀具缺陷提取算法的基本流程。

圖2 刀具缺陷提取算法基本流程圖

2.1 圖像預(yù)處理

對于相機(jī)獲取的刀具圖像，背景除了噪聲外，大部分都為緩慢變化的低頻部分，而刀具磨損與背景灰度有明顯差異，屬于圖像中的高頻部分，采用高通濾波器能很好地抑制低頻分量，讓高頻分量順利通過，同時在灰度過渡邊緣，有明顯的銳化效果，這樣處理使得刀具磨損區(qū)輪廓更為清晰，利于后續(xù)對刀具缺陷的提取[8]。然而普通的高通濾波器偏離了直流項(xiàng)，從而把圖像的平均值降低到零，一種補(bǔ)償?shù)姆椒ň褪遣捎酶哳l加強(qiáng)濾波。

對于所獲取的圖像，采用頻域高頻加強(qiáng)濾波予以處理，能獲得理想的效果，如圖3所示。所謂高頻加強(qiáng)濾波，即是在高斯濾波器函數(shù)前乘以一個常數(shù)，再增加一個偏移[9]，如下式所示：

式中：Hhfe（u，ν）——高頻加強(qiáng)濾波函數(shù)；

Hhp（u，ν）——高斯濾波函數(shù)；

a，b——大于零的常數(shù)。

圖3 高頻加強(qiáng)濾波處理效果

在所獲圖片中可以觀察到刀具磨損區(qū)域的灰度與背景灰度、刀具其他部位的灰度有明顯差異，然而在磨損區(qū)域內(nèi)部，灰度亦是不均勻的（如圖4所示）。針對刀具磨損區(qū)域的灰度分布特點(diǎn)，提出了基于8連通鄰域搜索的交互式缺陷提取算法。

圖4 刀刃缺陷區(qū)域灰度分布說明

2.2 基于8連通鄰域搜索的交互式缺陷提取算法

經(jīng)高頻加強(qiáng)濾波處理后的圖像，刀具磨損區(qū)域整體灰度值較高，其他區(qū)域灰度值較低，據(jù)此用戶可識別出磨損區(qū)域（如圖3（b）所示）。在此區(qū)域內(nèi)單擊鼠標(biāo)，鼠標(biāo)位置對應(yīng)的圖像點(diǎn)為原始點(diǎn)a（x0，y0），f（x0，y0）是原始點(diǎn)的灰度值，t為閾值門限。以（x0，y0）為起始點(diǎn)，采用8連通鄰域搜索方法查找周圍各像素點(diǎn)b（xi，yi），各點(diǎn)灰度值為f（xi，yi），定義兩點(diǎn)相似性度量如下：

若R（a，b）≤t，則說明當(dāng)前點(diǎn)（xi，yi）為滿足閾值門限標(biāo)準(zhǔn)和連接標(biāo)準(zhǔn)的感興趣點(diǎn)。以該方法遍歷搜索區(qū)域中的各像素點(diǎn)，由此可分離感興趣點(diǎn)和背景點(diǎn)，感興趣點(diǎn)的集合即為所要提取的刀具磨損區(qū)域。閾值門限t的取值是影響檢測精度的重要因素，在檢測環(huán)境（主要是光照條件）有差異的情況下，t的最優(yōu)值不同。因此，在不同環(huán)境下檢測時，需要做準(zhǔn)備實(shí)驗(yàn)確定t的最優(yōu)值，對于本文實(shí)驗(yàn)環(huán)境，總結(jié)前期實(shí)驗(yàn)測試結(jié)果，t推薦參考值為20灰度級。

2.3 形態(tài)學(xué)區(qū)域填充

采用上述交互式缺陷提取算法初步提取的缺陷區(qū)域，內(nèi)部會有些微孔洞，影響缺陷定量檢測的精度。因此，需要對初步提取的缺陷區(qū)域進(jìn)行形態(tài)學(xué)區(qū)域填充。

將圖像f（x，y）用集合A表示，A為一個包含子集的集合，其子集的元素均是區(qū)域的8連通邊界點(diǎn)，令X0為邊界內(nèi)一點(diǎn)，將其灰度值賦為1，B是用來填充8連通邊界的十字結(jié)構(gòu)元素，使用如下過程將整個邊界內(nèi)區(qū)域用1填充：

當(dāng)Xk=Xk-1，則算法在迭代的第k步結(jié)束。Xk和A的并集，即是填充后的結(jié)果[10]。

將被測刀具端面各刃依次順時針編號為A刃、B刃、C刃，圖像經(jīng)形態(tài)學(xué)填充后結(jié)果如圖5所示。

2.4 像素當(dāng)量的標(biāo)定

像素當(dāng)量是圖像測量系統(tǒng)中最重要的參數(shù)，該參數(shù)對最終標(biāo)定精度與測量精度有著決定性的影響[11]。目前，圖像測量系統(tǒng)的標(biāo)定多采用標(biāo)準(zhǔn)件法，即把尺寸為L的標(biāo)準(zhǔn)件的精確尺寸與圖像處理出的像素數(shù)N進(jìn)行比值，那么該物距下的像素當(dāng)量M可以通過下式計算得出：

圖5 圖像處理結(jié)果

像素當(dāng)量單位為mm/pix、μm/pix。

本文中設(shè)計的刀具在機(jī)檢測視覺系統(tǒng)能夠跨尺度完成對刀具宏觀尺寸的測量及微觀缺陷的檢測。因此在系統(tǒng)工作過程中，拍攝物距是在一定范圍內(nèi)的變化值。若在各個拍攝物距都使用標(biāo)準(zhǔn)件法逐一標(biāo)定，將嚴(yán)重影響系統(tǒng)的工作效率。本文采用多項(xiàng)式擬合的方法求取各個物距下的像素當(dāng)量。

實(shí)驗(yàn)已知50～80 mm的物距范圍能滿足所有的檢測需求，因此50～80mm的物距范圍內(nèi)，以1mm為變化量，得到標(biāo)準(zhǔn)件尺寸在不同物距圖像中的像素值，利用式（4）計算每個物距下對應(yīng)的像素當(dāng)量Mi，（i=50，51，…，80）。以物距x為自變量，像素當(dāng)量Y為因變量，通過Matlab數(shù)學(xué)工具箱對所得到的31組數(shù)據(jù)進(jìn)行處理，最優(yōu)擬合結(jié)果為6次多項(xiàng)式。

其中x∈[50，80]（mm）；p1，p2，…，p7取值如下：

利用多項(xiàng)式（5）可以方便計算出各個物距x下的像素當(dāng)量Y，單位為mm/pix。

3 實(shí)驗(yàn)結(jié)果分析

在國家標(biāo)準(zhǔn)中，通常以后刀面最大磨損寬度VBmax為標(biāo)準(zhǔn)衡量刀具的磨損情況[12]，對于不同加工要求的刀具，允許的最大磨損范圍介于0.2～2mm之間。

用上述檢測裝置拍攝的三刃立銑刀端面圖像，經(jīng)加強(qiáng)濾波預(yù)處理后，通過基于8連通鄰域搜索的交互式缺陷提取算法，提取刀具磨損區(qū)域，利用Matlab軟件擬合出缺陷區(qū)域最小外接矩形，計算短邊像素數(shù)即可獲得刀具磨損量VBmax。實(shí)驗(yàn)測量結(jié)果和顯微鏡測量結(jié)果對比見表1，可見文中機(jī)器視覺系統(tǒng)的檢測誤差在5%范圍內(nèi)，能夠滿足機(jī)械加工的要求。

表1 實(shí)驗(yàn)檢測結(jié)果和顯微鏡測量結(jié)果對比

4 結(jié)束語

本文根據(jù)在機(jī)檢測刀具磨損的環(huán)境條件和所獲取圖像的灰度分布特點(diǎn)，設(shè)計了能夠在機(jī)獲取清晰圖像的視覺檢測裝置，提出基于8連通鄰域搜索的交互式缺陷提取算法，使用形態(tài)學(xué)區(qū)域填充對圖像做后續(xù)處理，利用多項(xiàng)式擬合求取各個物距下的像素當(dāng)量。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計的系統(tǒng)能夠滿足機(jī)械加工的要求。該方案克服了傳統(tǒng)檢測方法精度差、不能在機(jī)檢測的缺點(diǎn)，在保證精度的前提下，實(shí)現(xiàn)刀具直接在機(jī)檢測。

[1]黃遂，傅攀，朱麗琴.刀具磨損檢測系統(tǒng)的實(shí)用化研究[J].中國測試，2009，35（1）：107-110.

[2]Gómez M P，Hey A M，Ruzzante J E，et al.Tool wear evaluation in drilling by acoustic emission[C]∥Physics Procedia，2010（3）：819-825.

[3]Chen X Q，Li H Z.Development of a tool wear observer model for online tool condition monitoring and control in machining nickel-based alloys[J].Int J Adv Manuf Technol，2009（45）：786-800.

[4]Patra K，Pal S K，Bhattacharyya K.Artificial neural network based prediction of drill flank wear from motor current signals[J].Applied Soft Computing，2007（7）：929-935.

[5]Sortino M.Application of statistical filtering for optical detection of tool wear[J].International Journal of Machine Tools&Manufacture，2003（43）：493-496.

[6]Fadare D A，Oni A O.Development and application of machine vision system for measurement of tool wear[J]. RPN JournalofEngineering and Applied Sciences，2009，4（1）：42-49.

[7]張悅.基于計算機(jī)視覺的刀具磨損檢測技術(shù)的研究[J].機(jī)械工程與自動化，2008，27（4）：107-109.

[8]張輝，王耀文，周博文.基于機(jī)器視覺的液體藥品異物檢測系統(tǒng)研究[J].儀器儀表學(xué)報，2009，30（3）：548-553.

[9]Gonzalez R C，Woods R E.Digital image processing second edition[M].Publish House of Electronics Industry，2007：75-80.

[10]Jiang H Y，Zhang Y H，Zhang B.PCA-based region growing method and its application on spleen segmentation[J].Advances in Information Technology and Industry Applications，2012（136）：697-707.

[11]付鵬，高曉蓉.基于矩的亞像素邊緣檢測算法的對比研究[J].微計算機(jī)信息，2007，23（6）：264-266.

[12]GB/T 16460—1996立銑刀壽命試驗(yàn)[S].北京：中國標(biāo)準(zhǔn)出版社，1996.

Machine vision system for on-machine tool wear detection

JIA Bing-hui，QUAN Yan-ming，ZHU Zheng-wei
（School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，China）

Considering the environment of CNC machining，the authors proposed a method for detecting tool wear condition rapidly and quantitatively in this paper.Firstly，considering the CNC machine tools processing environment，they designed an intelligent visual detection device in the machine environment.Then，according to the characteristics of the image gray distribution of regional differences，an interactive algorithm based on 8 connectivity neighborhood search of tool wears was proposed.Experimental results show the program error is in the range of 5%.The result indicates this method is able to meet the requirements of the machining.

precise engineering surveying；on-machine detection；neighborhood search；tools wear；machine vision

TG71；TH165+.2；TP75；TG115.5+8

：A

：1674-5124（2014)06-0060-04

10.11857/j.issn.1674-5124.2014.06.016

2014-01-16；

：2014-03-23

廣東省科技攻關(guān)計劃項(xiàng)目（2009A010200002）

賈冰慧（1988-），女，陜西寶雞市人，碩士研究生，專業(yè)方向?yàn)闄C(jī)器視覺應(yīng)用與檢測技術(shù)研究。