□ 奚昌澤 □ 梁 丹 □ 紹千鈞 □ 趙永杰 □ 梁冬泰

寧波大學(xué) 機(jī)械工程與力學(xué)學(xué)院 浙江寧波 315211

1 研究背景

車刀是切削加工中應(yīng)用最為廣泛的刀具之一,應(yīng)用于各類車床,可進(jìn)行外圓、內(nèi)孔、端面、螺紋、槽等不同種類的加工。由于車刀在切削加工中常出現(xiàn)切削溫度過高、刀具涂層脫落、加工材料硬度過高等問題,車刀的切削面極易磨損。磨損的車刀使工件加工表面粗糙度和尺寸精度無法保證,降低了生產(chǎn)效率與工件質(zhì)量,甚至可能引發(fā)生產(chǎn)安全問題[1]。由此可見,對車刀切削面進(jìn)行磨損檢測有重要意義。

現(xiàn)階段,隨著圖像處理技術(shù)的成熟,已經(jīng)發(fā)展出多種刀具磨損區(qū)域檢測方法。這些方法大多基于圖像分割技術(shù),主要分為三大類:① 基于閾值分割的方法,如秦國華等[2]根據(jù)刀具磨損圖像像素分布的特點(diǎn),提出了局部方差閾值分割算法,避免了原始圖像中的冗雜信息對分割過程的干擾;② 基于邊緣分割的方法,如林家寶[3]采用坎尼邊緣檢測算法對刀具位置進(jìn)行定位,通過自定義插值亞像素的方法對刀具進(jìn)行邊緣檢測,并應(yīng)用最小二乘法對刀具的輪廓進(jìn)行擬合;③ 基于神經(jīng)網(wǎng)絡(luò)的分割方法,如桑宏強(qiáng)等[4]采用視覺傳感器獲取刀具加工后的表面紋理圖像,通過卷積神經(jīng)網(wǎng)絡(luò),結(jié)合磨損特點(diǎn),直接提取特征信息,得到刀具的磨損等級。

由于刀具磨損區(qū)域表面粗糙度值往往比較大,磨損區(qū)域難以精確分割,因此現(xiàn)有的磨損區(qū)域分割與檢測方法在噪聲干擾和復(fù)雜紋理?xiàng)l件下難以實(shí)現(xiàn)刀具磨損圖像的精確檢測。對此,筆者提出一種基于均值漂移與自適應(yīng)閾值分割的刀具磨損檢測方法。采用這一方法,在頻率域上進(jìn)行預(yù)處理,減小高頻噪聲對后續(xù)分割的影響;應(yīng)用均值漂移聚類對磨損區(qū)域進(jìn)行初分割,簡化圖像紋理信息;在此基礎(chǔ)上,通過自適應(yīng)閾值算法進(jìn)行二次分割,實(shí)現(xiàn)車刀磨損區(qū)域的準(zhǔn)確分割與提取。

2 檢測平臺搭建

對刀具磨損類型與位置進(jìn)行分析,針對車刀主后刀面磨損,搭建了刀具磨損檢測平臺[5],如圖1所示。搭建的檢測平臺主要由彩色工業(yè)相機(jī)、光學(xué)變焦鏡頭、發(fā)光二極管環(huán)形光源、光學(xué)試驗(yàn)支架、光學(xué)穩(wěn)定平臺、計(jì)算機(jī)等組成。筆者使用這一檢測平臺完成車刀主后刀面磨損圖像的采集。

▲圖1 刀具磨損檢測平臺

3 車刀磨損主要形式

車刀磨損是車刀在高溫下與工件表面、切屑產(chǎn)生劇烈摩擦而產(chǎn)生的,車刀磨損的形式主要分為三種:前刀面磨損、后刀面磨損、邊界磨損。其中,車刀后刀面磨損又細(xì)分為主后刀面磨損與副后刀面磨損。車刀各種磨損形式如圖2所示。主后刀面磨損對刀具切削性能的影響最大,是導(dǎo)致加工工件精度問題和刀具自身崩刃斷裂的主要因素[6],所以筆者針對車刀主后刀面磨損區(qū)域進(jìn)行檢測。

▲圖2 車刀磨損形式

4 磨損檢測步驟

為準(zhǔn)確分割出車刀主后刀面磨損區(qū)域,筆者提出了基于均值漂移與自適應(yīng)閾值分割的刀具磨損檢測方法,主要包括四個(gè)步驟,如圖3所示。

▲圖3 磨損檢測步驟

步驟一,通過基于傅里葉變換的頻率域?yàn)V波進(jìn)行圖像預(yù)處理,過濾高頻噪聲,減小圖像的干擾。

步驟二,通過均值漂移對刀具圖像表面紋理特征進(jìn)行聚類分析。

步驟三,應(yīng)用自適應(yīng)閾值分割算法準(zhǔn)確分割出刀具磨損區(qū)域。

步驟四,相機(jī)標(biāo)定并計(jì)算磨損區(qū)域相關(guān)尺寸,實(shí)現(xiàn)磨損狀態(tài)的識別。

5 圖像預(yù)處理

為減小高頻噪聲對磨損區(qū)域分割的影響,保留主體有效信息,筆者對刀具原始圖像進(jìn)行頻率域變換,選擇高斯低通濾波器對圖像進(jìn)行降噪。在頻率域中使用高斯低通濾波器不會(huì)產(chǎn)生較大的振鈴現(xiàn)象和模糊干擾。高斯低通濾波器由函數(shù)H(u,v)確定:

H(u,v)=e-D2(u,v)/2σ2

(1)

式中:(u,v)為頻率域圖像坐標(biāo);D(u,v)為距頻率域矩形中心的距離;σ為關(guān)于像素中心的擴(kuò)展度。

對σ選取合適大小,代入式(1),得到高斯低通濾波器的函數(shù)表達(dá)式。對頻譜圖進(jìn)行卷積計(jì)算,得到圖像降噪結(jié)果。圖像降噪過程如圖4所示。

▲圖4 圖像降噪過程

對于中心化的傅里葉頻譜圖,中間最亮點(diǎn)為圖像的最低頻率。頻譜圖顯示,頻率隨與中心距離的增大而提高[7]。濾波后頻譜圖四周的高頻信息遠(yuǎn)遠(yuǎn)少于原始圖像頻譜圖,可見過濾了大量可見與不可見的高頻無效噪聲信息。

6 均值漂移聚類算法

車刀磨損圖像紋理復(fù)雜,嚴(yán)重干擾了車刀磨損區(qū)域分割的準(zhǔn)確性。因?yàn)檐嚨赌p局部特征大多呈現(xiàn)聚集狀態(tài),所以在對車刀圖像完成無效噪聲過濾后,應(yīng)用均值漂移聚類提取磨損區(qū)域的特征,在此基礎(chǔ)上應(yīng)用自適應(yīng)閾值方法對優(yōu)化后的圖像進(jìn)行處理,分割出刀具圖像中的磨損區(qū)域,完成完整的檢測步驟。筆者所使用的融合算法彌補(bǔ)了常規(guī)閾值分割算法容易受干擾、分割精度不足的缺點(diǎn),算法流程如圖5所示。

▲圖5 融合算法流程

均值漂移是一種非監(jiān)督的分類思想,通過圖像信息向量化的方式來表達(dá)圖像像素點(diǎn)及像素點(diǎn)區(qū)域的分類方向性[8]。給定取樣點(diǎn)集X={x1,x2,…,xn},M(x)向量的基本形式為:

(2)

式中:Sh為以x為中心點(diǎn)、以h為半徑的高維球型區(qū)域;k為點(diǎn)集X中樣本點(diǎn)落入Sh區(qū)域內(nèi)的數(shù)量;xi為包含在Sh區(qū)域內(nèi)的第i個(gè)樣本點(diǎn);(xi-x)為第i個(gè)樣本點(diǎn)與中心點(diǎn)x的相對偏移量;M(x)為落入Sh區(qū)域內(nèi)的k個(gè)樣本點(diǎn)的漂移向量和的平均值。

由于樣本點(diǎn)與采樣點(diǎn)之間的距離大小影響了向量強(qiáng)度的有效性與重要性,因此需要在式(2)的基礎(chǔ)上增加核函數(shù)與權(quán)重因數(shù)的概念。

對式(2)進(jìn)行擴(kuò)展[9],得:

(3)

式中:F(x)為核函數(shù);m為帶寬矩陣;ω(xi)為樣本權(quán)重。

定義均值漂移向量后,還需要進(jìn)行迭代運(yùn)算來完成聚類,進(jìn)而進(jìn)行圖像特征的分類。迭代思想為給定初始點(diǎn)x,計(jì)算這一點(diǎn)的均值漂移向量,并將該初始點(diǎn)沿所得均值漂移向量方向移動(dòng),得到新的迭代初始點(diǎn),不斷循環(huán),直至收斂到該點(diǎn)附近的最大值。

7 自適應(yīng)閾值分割算法

筆者選用改進(jìn)的最大類間方差法來獲取刀具磨損圖像的全局最優(yōu)分割閾值[10]。算法原理為設(shè)B×N圖像中每個(gè)像素的灰度值為f(p,q),(p,q)為像素坐標(biāo),L為最大灰度級,假定灰度值位于區(qū)間[0,L-1]內(nèi),像素j在圖像中所占的比例P(j)為:

(4)

隨機(jī)選定初始閾值t,通過迭代將圖像分為前景與后景,前景表示為{f(p,q)≤t},后景表示為{t

(5)

(6)

(7)

(8)

圖像的總均值μ為:

μ=u0(t)v0(t)+u1(t)v1(t)

(9)

當(dāng)類間方差最大時(shí),獲取自適應(yīng)最優(yōu)閾值Th為:

Th=arg max{u0(t)[v0(t)-μ]2+

u1(t)[v1(t)-μ]2}

(10)

由式(10)分析可知,類間方差越大,所得最優(yōu)閾值越遠(yuǎn)離圖像中心?？梢?需要盡量增大前景灰度均值v0(t)與后景灰度均值v1(t)之間的差值。設(shè)前景后景插值距離為d(t),有:

d2(t)=[v0(t)-v1(t)]2

(11)

(12)

(13)

考慮距離d(t)與改進(jìn)均值方差兩個(gè)參數(shù)對閾值獲取的影響,可得改進(jìn)閾值標(biāo)準(zhǔn)函數(shù)G(t)為:

(14)

當(dāng)改進(jìn)閾值標(biāo)準(zhǔn)函數(shù)G(t)取最大值時(shí),得到自適應(yīng)最優(yōu)閾值Th為arg max[G(t)]。

8 檢測結(jié)果分析

為了充分驗(yàn)證筆者所提出算法的可行性與有效性,選取三幅具有不同磨損程度的車刀主后刀面磨損圖像作為樣本進(jìn)行檢測,同時(shí)以磨損區(qū)域面積的分割準(zhǔn)確率Ar作為分割效果指標(biāo),Ar為:

(15)

式中:a為應(yīng)用算法分割得到的磨損區(qū)域像素面積大小;at為手動(dòng)標(biāo)注的磨損區(qū)域像素面積大小。

對降噪后刀具圖像應(yīng)用均值漂移預(yù)分割,突出磨損區(qū)域特征,聚類結(jié)果如圖6所示。

由圖6可以看出,均值漂移簡化了原始刀具圖像的紋理信息,弱化了無效區(qū)域的影響,突出了主后刀面的磨損區(qū)域,為后續(xù)自適應(yīng)閾值分割打下良好的基礎(chǔ)。

▲圖6 均值漂移聚類結(jié)果

針對三幅具有不同磨損程度的車刀主后刀面磨損圖像,應(yīng)用均值漂移與自適應(yīng)閾值分割融合算法,與傳統(tǒng)檢測算法進(jìn)行對比,如圖7所示。由圖7可以發(fā)現(xiàn),傳統(tǒng)的分水嶺分割算法、形態(tài)學(xué)分割算法與自適應(yīng)閾值算法產(chǎn)生了過度分割的現(xiàn)象,將車刀正常區(qū)域劃分為磨損區(qū)域,容易導(dǎo)致嚴(yán)重的誤檢測。筆者提出的融合算法在磨損區(qū)域分割準(zhǔn)確率上有明顯優(yōu)勢,雖然仍然存在過分割與分割不完整的現(xiàn)象,但是對于整體的分割檢測影響較小。由此可見,筆者提出的融合算法有較高的分割準(zhǔn)確率,能有效實(shí)現(xiàn)檢測目標(biāo)。

▲圖7 檢測結(jié)果對比

為定量評價(jià)筆者提出的融合算法的有效性,采用分割準(zhǔn)確率作為評價(jià)指標(biāo),并與二維Renyi交叉熵閾值分割算法[11]、區(qū)域種子分割算法[12]、傳統(tǒng)自適應(yīng)閾值分割算法進(jìn)行比較。不同分割算法準(zhǔn)確率比較見表1。與傳統(tǒng)分割算法相比,融合算法在車刀圖像磨損區(qū)域的分割準(zhǔn)確率方面有較大的優(yōu)勢。

表1 分割算法分割準(zhǔn)確率比較

9 刀具磨損檢測系統(tǒng)應(yīng)用

通過上述分析,對刀具磨損區(qū)域使用融合算法進(jìn)行分割,效果良好。將該算法集成,應(yīng)用微軟基礎(chǔ)類庫與OpenCV視覺軟件開源庫進(jìn)行視覺軟件界面與檢測系統(tǒng)的開發(fā)。這一系統(tǒng)可以顯示待檢測刀具原始圖像與分割磨損結(jié)果圖像,在框選出磨損區(qū)域的同時(shí)可以輸出車刀的磨損寬度均值、最大磨損寬度等幾何參數(shù),如圖8所示。通過與硬質(zhì)合金車刀的磨鈍標(biāo)準(zhǔn)磨損寬度值[13]比對,筆者選取0.6 mm作為磨鈍標(biāo)準(zhǔn)磨損寬度值,來判斷刀具能否繼續(xù)使用。

▲圖8 刀具磨損區(qū)域檢測系統(tǒng)界面

10 結(jié)束語

筆者針對車刀磨損圖像存在噪聲干擾且紋理復(fù)雜的特點(diǎn),提出了一種基于均值漂移和自適應(yīng)閾值分割的刀具磨損檢測方法。這一方法采用頻率域?yàn)V波對原始圖像的高頻噪聲部分進(jìn)行過濾,對刀具磨損圖像采用均值漂移與自適應(yīng)閾值融合算法進(jìn)行分割,得到準(zhǔn)確的磨損區(qū)域。同時(shí)搭建了基于機(jī)器視覺的刀具磨損檢測平臺進(jìn)行檢測,結(jié)果表明,筆者提出的融合算法對刀具磨損區(qū)域的分割準(zhǔn)確率優(yōu)于傳統(tǒng)分割算法,平均分割準(zhǔn)確率高于90%,適用于常見車刀的磨損區(qū)域檢測。