田?穎，楊利明

基于組合型閾值分割的在線立銑刀側(cè)刃磨損測量

田?穎，楊利明

(天津大學(xué)機械工程學(xué)院，天津 300072)

在實際生產(chǎn)中，現(xiàn)場測量立銑刀側(cè)刃磨損是一項艱巨的工作．光照條件、刀具空間幾何形狀和初始位置的標定等因素對刀具磨損參數(shù)的測量精度影響很大．針對上述問題，提出了一種基于組合型閾值分割方法的在線立銑刀側(cè)刃磨損測量方法，在保證測量精度的情況下最大限度地獲取刀具磨損參數(shù)的有效信息．首先，提出一種圖像剪切策略對捕捉到的磨損區(qū)域不同光強下的原始照片進行預(yù)處理，選取弱光下的刀尖區(qū)域和強光下的均勻磨損區(qū)域作為數(shù)據(jù)源；其次，對該數(shù)據(jù)源采用包含改進的直方圖法和局部閾值分割法的組合型閾值分割法進行磨損區(qū)域提??；然后，將兩種方法的結(jié)果進行疊加，去除磨損區(qū)域以外的多種噪聲，并根據(jù)第1步的剪切位置，將分割后的刀尖區(qū)域圖像與均勻磨損區(qū)域圖像拼接，得到完整的磨損區(qū)域；最后，利用最小二乘法求出原始切削刃位置，標定磨損區(qū)域圖像，計算刀具磨損參數(shù)．在立銑刀磨損實驗中，測得側(cè)刃的最大磨損量的精度大于98%，最大誤差不超過5mm．實驗結(jié)果表明，本文提出的方法能夠獲取全面的磨損區(qū)域信息，給出完整的磨損區(qū)域和精確的刀具磨損參數(shù)，有助于更加可靠地評估刀具磨損狀態(tài)．

立銑刀側(cè)刃磨損；組合型閾值分割；刀具磨損參數(shù)

在進行金屬切削加工的過程中，刀具的磨損程度直接影響著產(chǎn)品的成品率以及機床的穩(wěn)定運行．現(xiàn)代化的數(shù)控機床提高了切削加工效率以及加工的智能化，但是據(jù)統(tǒng)計仍約有23%的停工時間均是由刀具失效造成的[1]．同時，產(chǎn)品質(zhì)量主要取決于加工表面，表面質(zhì)量主要取決于切削刀具的磨損[2]．因此需要智能高效的檢測方法，能夠在線檢測刀具磨損從而避免因為刀具失效造成加工效率以及加工質(zhì)量下降，并且可以降低生產(chǎn)成本．

其中基于機器視覺的刀具磨損監(jiān)測方法因為不受切削條件和工件材料的影響，而且在測量切削過程中刀具磨損的實際幾何變化時，它具有更高的準確性和可靠性[3-4]．因此機器視覺監(jiān)測刀具磨損狀態(tài)得到了較為廣泛的應(yīng)用．

有的學(xué)者針對刀具磨損區(qū)域的邊緣檢測算法上進行了深入研究．例如：Guo等[5]采用了基于灰度直方圖的亞像素閾值分割算法對微型銑刀進行邊緣檢測．Wang等[6]提出了一種與閾值無關(guān)的以亞像素精度測量的圖像處理程序來檢測和測量刀具側(cè)面磨損區(qū)域．Su等[7]以二維邊緣檢測的方法來測量微鉆的側(cè)面磨損．Dai等[8]通過投影算法提取刀具磨損區(qū)域，從而有效地測量刀具漸進磨損量．Zhang等[9]提出了具有亞像素精度的磨損邊緣點的精確檢測算法，以提高檢測到的磨損邊緣點的精度．Yu等[10]和Zhu等[11]使用基于形態(tài)成分分析和不變特征的區(qū)域生長算法，克服了由于不同方向上刀具磨損邊緣檢測傳統(tǒng)邊緣檢測方法的影響．

還有一批學(xué)者針對不同工況下的機器視覺圖片提出了針對性的處理方法．例如：You等[12]提出了一種在寬視野攝像機中實現(xiàn)在線銑刀磨損監(jiān)控的方法．通過刀具磨損區(qū)域的“定位、分割和測量”進行刀具磨損監(jiān)控．Li等[13]提出通過分水嶺變換將刀具磨損區(qū)域分為多個區(qū)域，再進行自動聚焦和分割，以提高檢測精度和魯棒性．Wang等[14]利用刀片的連續(xù)圖像對之間的互相關(guān)技術(shù)來測量銑削中的側(cè)面磨損．Micha?等[15]提出了一種基于小波的原始擴展景深圖像重建方法，使得能夠獲得微型銑刀磨損參數(shù)的測量．Castejón等[16]借助低通濾波器分割出磨損區(qū)域，確定刀具的磨損形態(tài)和磨損程度．Fong等[17]使用了一種與Sobel邊緣檢測耦合的形態(tài)操作進行圖像分割的方法，實現(xiàn)對銑刀磨損的測量．García-Ordás等[18]基于機器學(xué)習(xí)和計算機視覺技術(shù)，提出了一種根據(jù)磨損區(qū)域圖像計算得出的新穎的基于形狀的描述符．Miko?ajczyk等[19]使用基于神經(jīng)網(wǎng)絡(luò)的單類別非監(jiān)督分類器的系統(tǒng)來進行刀具磨損的圖像分析，以實現(xiàn)自動檢測磨損．Zhang等[20]提出了一種基于視覺的融合方法使用了改進的Yolov3-tiny提取目標切削刃上的磨損區(qū)域．Pfeifer等[21]主要致力于刀具磨損測量時光源的布置，并建議以特定角度入射照明光來捕獲圖像，以增強磨損區(qū)域的圖像邊緣．

在常規(guī)的閾值分割方法中，多是對刀具磨損區(qū)域進行全局圖像分割．但是由于立銑刀側(cè)刃的螺旋形貌且光照復(fù)雜，全局圖像分割不能很好地兼顧到刀尖區(qū)域和均勻磨損帶區(qū)域的閾值不同，造成刀尖區(qū)域信息獲取不完整，很難實現(xiàn)對立銑刀磨損狀態(tài)的準確評價．因此本文提出了一種剪切策略對原始照片進行預(yù)處理．首先在同一位置獲得不同光強條件下的原始照片，然后將每張照片切成兩部分：刀尖區(qū)域和均勻磨損區(qū)域，最后選取弱光下的刀尖區(qū)域和強光下的均勻磨損區(qū)域．

在磨損區(qū)域提取中，為了突出磨損區(qū)域的所有細節(jié)，獲得完整的磨損區(qū)域，同時兼顧到高精度磨損值的測量．在對兩幅區(qū)域照片進行閾值分割部分時提出了一種組合分割方法．該方法包括改進的直方圖方法和局部閾值分割方法．其中改進的直方圖方法引入小波去噪的曲線擬合方法和最小方差決策條件，高效實現(xiàn)了全局閾值的確定，從整體上去除了背景中的條狀噪點．局部閾值分割方法實現(xiàn)了磨損區(qū)域輪廓附近細小噪聲的去除，將兩種方法的結(jié)果疊加，消除磨損區(qū)外的噪聲．

基于上述兩點，本文提出了一種基于機器視覺的在線立銑刀側(cè)刃磨損檢測方法．首先，提出一種圖像拼接策略對捕捉到的磨損區(qū)域不同光強下的原始照片進行預(yù)處理，選取弱光下的刀尖區(qū)域和強光下的均勻磨損區(qū)域作為數(shù)據(jù)源；其次，對該數(shù)據(jù)源采用包括改進的直方圖法和局部閾值分割法的組合型閾值分割法進行輪廓提取；然后，將兩種方法的結(jié)果進行疊加，去除磨損區(qū)域以外的多種噪聲，并根據(jù)第1步的切割位置，將分割后的刀尖區(qū)域圖像與均勻磨損區(qū)域圖像拼接，得到完整的磨損區(qū)域輪廓；最后，利用最小二乘法求出主切削刃，標定刀具磨損圖像，計算出刀具磨損參數(shù)．實驗證明這種方法簡單方便、抗干擾能力強、能夠有效地提取刀具的磨損區(qū)域，邊界完整、清晰，便于準確地計算磨損區(qū)域的幾何參數(shù)．

1?立銑刀側(cè)刃磨損檢測方法

1.1?刀具磨損圖像分析

四刃高速鋼立銑刀側(cè)刃的磨損圖像如圖1所示.通過觀察刀具磨損圖像，可以發(fā)現(xiàn)以下突出特征：

(1)磨損區(qū)域，與未磨損區(qū)域和背景相比，灰度等級明顯更高；

(2) 在刀具磨損區(qū)域附近的邊緣，灰度值的變化較大，但是越靠近刀尖區(qū)域磨損區(qū)域與未磨損區(qū)域之間的灰度值差別越小；

(3) 磨損區(qū)域中刀尖部位的輪廓不夠清晰，而且存在陰影區(qū)域．

1.2?檢測方法

針對上述立銑刀側(cè)刃磨損區(qū)域的特征，提出了利用組合型閾值分割方法來提取完整的磨損區(qū)域．整體流程如圖2所示，具體步驟如下．

圖1?四刃高速鋼立銑刀側(cè)刃的磨損圖像

圖2?立銑刀側(cè)刃磨損測量方法流程

步驟1數(shù)據(jù)源．捕捉刀具在同一位置磨損區(qū)域不同光強條件下的原始照片；然后將每張照片切成兩部分：刀尖區(qū)域和均勻磨損區(qū)域．選取弱光下的刀尖區(qū)域和強光下的均勻磨損區(qū)域作為數(shù)據(jù)源．二者同步進行后續(xù)的圖像處理．

步驟2預(yù)處理．對二者進行灰度化處理并采取合適的濾波方式進行去噪．目的是降低噪聲對后續(xù)處理的影響．

步驟3組合型閾值分割方法．該方法包括改進的直方圖方法和局部閾值分割方法．改進的直方圖方法能從整體上去除更多的條帶噪點．局部閾值分割方法實現(xiàn)了磨損區(qū)域輪廓附近細小噪點的去除．

步驟4提取輪廓．將兩種方法的結(jié)果疊加，消除磨損區(qū)域外的噪點；其次，對磨損區(qū)域進行輪廓提取；然后，利用輪廓提取磨損區(qū)域內(nèi)的灰度信息；最后，拼接獲得完整的帶有灰度信息的刀具磨損區(qū)域圖.

步驟5提取刀具磨損參數(shù)．測量立銑刀側(cè)刃磨損需考慮螺旋面因素，因此要尋找到主切削刃，標定刀具磨損圖像．最后基于磨損邊緣點提取刀具磨損參數(shù)．

1.2.1?數(shù)據(jù)源

針對立銑刀側(cè)刃磨損區(qū)域中刀尖部位的輪廓不清晰且存在陰影區(qū)域，整體區(qū)域進行閾值分割會損失更多刀尖信息．但是在實驗中發(fā)現(xiàn)，立銑刀側(cè)刃在弱光照射下，刀尖區(qū)域的光線反射較為強烈，如圖3所示．因此，初步認為利用弱光下的刀尖區(qū)域圖像可以分割出刀尖的磨損輪廓．

圖3?強弱光源條件下的刀具磨損圖像

對此，本文提出了一種剪切策略對捕捉到的磨損區(qū)域不同光強下的原始照片進行預(yù)處理．在實驗中捕獲立銑刀側(cè)刃在同一位置磨損區(qū)域不同光強條件下的原始照片．把磨損區(qū)域分為刀尖區(qū)域和均勻磨損區(qū)域．根據(jù)對刀具磨損圖像的分析，刀尖區(qū)域邊界的陰影較多，整體灰度值比均勻磨損區(qū)域都要低．因此，刀尖區(qū)域和均勻磨損區(qū)域的在閾值分割時的閾值判定結(jié)果不同，因此，兩者區(qū)域需要分開進行圖像處理．即裁取弱光下磨損圖像的刀尖區(qū)域圖像和強光下磨損圖像的均勻磨損區(qū)域圖像．兩者同步進行以下的圖像處理過程．

1.2.2?預(yù)處理

需要先對裁剪后的兩個部位的圖像進行預(yù)處理．首先，對二者做灰度化處理．然后，選擇自適應(yīng)中值濾波用作減少噪聲的預(yù)處理方法，在保留圖像邊緣細節(jié)的同時減少了椒鹽噪聲，有利于清晰地識別到刀具磨損圖像中的磨損邊緣．

1.2.3?改進的直方圖閾值分割法

在對圖像進行閾值分割中，一般物體和背景具有較大的對比度，反映在圖像上就是物體和背景的灰度差別較大，此時圖像直方圖將呈現(xiàn)較為明顯的雙峰型．因此本文采用直方圖法確定閾值的方法即可較好地實現(xiàn)圖像分割．本文根據(jù)刀具磨損圖像的直方圖特征以及刀具磨損區(qū)域的特征提出一種適合于此場景下直方圖閾值分割算法，流程如圖4所示．

首先獲取刀具磨損圖像預(yù)處理后的灰度直方圖．由圖5可看出該圖像的灰度分布在灰度值最小處和最大處分別呈現(xiàn)出一個尖峰，是一個較為明顯的雙峰型灰度直方圖．因此表現(xiàn)出較好的磨損區(qū)域與背景的對比度，方便后續(xù)的閾值分割．

圖4?改進的直方圖閾值分割法流程

圖5?灰度直方圖

由灰度直方圖可以看出，雖然灰度值曲線在整體趨勢上呈現(xiàn)兩個波峰和一個波谷，但是由于還保留有離散數(shù)據(jù)的一些特性，局部灰度值的波動幅度較大．因此如果在盡可能保留離散數(shù)據(jù)真值情況下擬合的曲線并不光滑，折線現(xiàn)象非常明顯，不利于在灰度值圖曲線上選取恰當(dāng)?shù)拈撝迭c．如圖6所示，在未去噪情況下對離散數(shù)據(jù)進行3次樣條擬合．尋找極值點的結(jié)果存在55個極小值點，干擾點較多，影響后續(xù)決策的準確性而且效率低．因此需要對灰度直方圖的離散數(shù)據(jù)進行去噪預(yù)處理，在保證灰度直方圖曲線的前提下，獲得更加光滑的曲線，為下一步的閾值判斷做準備．

圖6?未去噪時離散數(shù)據(jù)求極值的結(jié)果

本文通過采用低通濾波、中值濾波、小波去噪等多種去噪方式進行了實驗對比，發(fā)現(xiàn)使用小波去噪去除直方圖曲線上的噪點，在不影響曲線的整體變化趨勢的條件下，可以明顯改善灰度直方圖上的的平滑程度．因為小波去噪問題在數(shù)學(xué)上本質(zhì)是一個函數(shù)逼近問題．即如何在由小波基函數(shù)伸縮和平移版本所展成的函數(shù)空間中，根據(jù)提出的衡量準則，尋找對原信號的最佳逼近，以完成原信號和噪聲信號的區(qū)分．也就是尋找從實際信號空間到小波函數(shù)空間的最佳映射，以便得到原信號的最佳恢復(fù)．

其中小波閾值去噪采用了多分辨分析的方法，也稱為多尺度分析，是建立在函數(shù)空間概念上的理論．在不同的尺度和時間下，分別構(gòu)造了尺度系數(shù)向量組和小波系數(shù)向量組，即父小波和母小波．在一定層次下，信號在尺度空間做卷積所得到的是信號的近似、低頻信息；信號在小波空間做卷積所得到的是信號的細節(jié)、高頻信息．所以利用父小波進行變換可以非常好地刻畫數(shù)據(jù)中的近似特征，因此小波閾值去噪很適合應(yīng)用在灰度值曲線的去噪過程．

選取的小波閾值去噪原理是選用父小波，將待處理的信號進行離散小波變換，并根據(jù)選擇的閾值將變換得到的小波系數(shù)中絕對值較小的系數(shù)設(shè)置為0，從而實現(xiàn)去噪．該方法實現(xiàn)簡單且計算量最?。?/p>

一維含噪信號的模型可表示為

小波閾值去噪方法的基本步驟如下．

步驟1小波分解過程：對含噪信號進行小波分解，得到各層小波系數(shù)．

步驟2作用閾值過程：根據(jù)閾值確定方法為各層小波系數(shù)選擇適當(dāng)?shù)拈撝?，然后對小波系?shù)作用閾值處理．

步驟3小波重建過程：對小波系數(shù)作用閾值處理后的小波系數(shù)，進行小波重建，得到去噪后的信號.

從上述步驟可以看出，步驟2是去噪的關(guān)鍵．包括：①閾值的確定方法；②作用閾值的方法．

實驗測試結(jié)果顯示軟閾值估計得到的小波系數(shù)整體連續(xù)性較好，從而使估計信號不會產(chǎn)生附加震蕩．確定好閾值和作用閾值的方法以后小波去噪的結(jié)果如圖7所示．

對經(jīng)過小波閾值去噪以后的直方圖曲線尋找極小值，極小值點的結(jié)果由55個極小值點減小到了15個，大大提高了篩選的準確性和效率．此時就需要引入合適的決策條件來判斷哪一個極小值點是最合適的．

圖7?小波去噪后的直方圖曲線

立銑刀側(cè)刃磨損區(qū)域的圖像直方圖呈現(xiàn)出較為明顯的雙峰型，因此直方圖會出現(xiàn)一段上下波動很小甚至接近水平的曲線．為了找到曲線上合理的極小值，可引入最小方差作為限制條件．因為方差表示了局部離散數(shù)據(jù)中各個數(shù)之間的離散程度，從而表示數(shù)據(jù)之間的波動性的大與?。谛盘柼幚眍I(lǐng)域中，方差是信號平坦程度的反映，能較好體現(xiàn)信號局部特性. 因此尋找各個局部極小值點中的最小方差點即是最小波動點，此點作為改進的直方圖閾值分割方法中選取的閾值．方差公式為

實驗證明該閾值選取的方法很適合此場景的應(yīng)用．圖8展示了在直方圖曲線上找到的最優(yōu)閾值點．

圖8?直方圖上的最優(yōu)閾值點

采用改進的直方圖法分別對刀尖和均勻磨損區(qū)域進行全局閾值分割的效果如圖9所示．

圖9?改進的直方圖法的閾值分割效果

從圖9中可以看出，該方法對于磨損區(qū)域的分割效果良好，既有效去除刀尖區(qū)域劇烈的反光噪點，完整地分割出了刀尖區(qū)域的輪廓，也去除了均勻磨損區(qū)域邊界周圍的斑駁噪點．

1.2.4?局部閾值分割

當(dāng)一幅圖像中包含噪聲和非均勻光照時，通過對比多種閾值分割方法，發(fā)現(xiàn)常規(guī)全局閾值分割法不再高效．有一種解決辦法就是用與像素位置相關(guān)的一組閾值來對圖像各部分分別進行分割．這種方法就是局部閾值分割法，它的思想不是計算全局圖像的閾值，而是根據(jù)圖像不同區(qū)域亮度分布，計算其局部閾值，所以對于圖像不同區(qū)域，能夠自適應(yīng)計算不同的閾值．這類算法抗噪能力強，對一些用全局閾值不易分割的圖像有較好的效果．

1.2.5?輪廓提取

觀察改進的直方圖閾值分割方法和局部閾值分割效果，如圖10所示．可以看出，改進的直方圖方法可以整體去除帶狀噪聲，但不能去除磨損區(qū)域輪廓附近的細噪聲；而局部閾值分割方法對這種細小噪聲的去除有很好的效果．

圖10?刀具磨損圖像閾值分割結(jié)果

因此，本文提出將兩種方法得到的圖像疊加，實現(xiàn)基本消除磨損區(qū)域以外的所有噪聲．但是疊加去噪以后獲取到的的磨損區(qū)域圖像是沒有灰度信息的二值圖像．為了直觀地觀察到該方法達到完全提取磨損區(qū)域的效果，需要獲得具有足夠灰度信息的區(qū)域圖像．對此，先是提取疊加去噪后的磨損區(qū)域輪廓，再利用該輪廓提取原始磨損灰度圖中帶有完整灰度信息的磨損區(qū)域圖像．具體過程如圖11所示．首先，將圖10(c)中二值圖取反疊加到圖10(b)中，去除磨損區(qū)域輪廓附近的細小噪聲后得到圖10(d)．然后，利用圖10(d)中圖像的輪廓提取圖10(a)中帶有灰度信息的磨損區(qū)域．同時，對刀尖區(qū)域圖像也進行上述處理．結(jié)果如圖12(a)所示．

圖11?完整磨損區(qū)域提取流程

最后，利用上述方法提取完整的刀尖區(qū)域和均勻磨損區(qū)域，根據(jù)切割刀尖時的基準線位置重新拼接得到完整的磨損區(qū)域．拼接效果如圖12(b)所示．

圖12?拼接示意

1.2.6?邊緣檢測

通過上述方法得到了完整的磨損區(qū)域圖像，該圖像是一幅包含灰度信息的復(fù)合圖像．但是，后續(xù)要對磨損輪廓進行定量分析，以確定磨損參數(shù)值．因此，需要對磨損區(qū)域圖像進行邊緣檢測，獲取磨損區(qū)域像素級邊緣，提取可測量值．邊緣檢測中常用的梯度算子有Sobel、Roberts、Prewitt、Log和Canny算子．本文采用Sobel梯度算子對圖像進行單像素邊緣檢測．邊緣提取結(jié)果如圖13(b)所示．

1.3?刀具磨損參數(shù)的提取

1.3.1?標定

根據(jù)ISO 8688國際標準介紹的立銑刀側(cè)刃的磨損情況，在正常磨損條件下，刀具磨損區(qū)域主要存在于切削刃的后端面，在空間上呈螺旋狀．沿螺旋面垂直面展開的形狀如圖14所示．因此應(yīng)先進行標定，確保VB值為磨損區(qū)輪廓線垂直于原始切削刃方向測量的值．

圖13?邊緣檢測結(jié)果

圖14?立銑刀側(cè)刃磨損面展開圖

(1)尋找原始切削刃．

利用圖15(a)中藍色方框中未磨損區(qū)域的像素，采用最小二乘法擬合原始切削刃所在的直線．原始切削刃的直線定義為

(3) 旋轉(zhuǎn)角度．

1.3.2?計算刀具磨損參數(shù)

2?在線立銑刀側(cè)刃磨損檢測系統(tǒng)

設(shè)計的基于機器視覺的在線立銑刀側(cè)刃磨損檢測系統(tǒng)主要由CCD工業(yè)像機、高頻變焦鏡頭、可調(diào)式環(huán)形光源和磁吸底座組成．如圖16所示．該檢測系統(tǒng)可以同時采集高低光強下的兩張圖像數(shù)據(jù)．其中相機內(nèi)部軟件完善，允許實時傳輸?shù)膱D像顯示在計算機屏幕上．環(huán)形光源的亮度是可控的．因此，環(huán)形光源可以提供不同強度光源的拍攝條件．該檢測系統(tǒng)可實現(xiàn)在線監(jiān)測，即在銑削操作之間直接從工作臺捕獲刀具磨損圖像，監(jiān)測和檢查刀具狀態(tài)，無需拆卸立銑刀．CCD相機的安裝位置垂直于立銑刀軸線的方向．該系統(tǒng)旨在為實際刀具磨損狀態(tài)評估提供一種簡單有效的方法，無需顯著的加工能力．

實現(xiàn)高精度測量很大程度上取決于捕獲的圖像的分辨率．但是更高的分辨率也會帶來更高的價格成本以及圖像處理的時間成本．因此，考慮到經(jīng)濟性和檢測的準確性，可以根據(jù)式(17)[10]確定相機合適的分辨率．

圖16?在線立銑刀側(cè)刃磨損檢測系統(tǒng)

3?實驗驗證

3.1?實驗條件

本文進行了立銑刀磨損實驗．獲得了立銑刀側(cè)刃磨損的多組照片．表1為立銑刀磨損實驗的加工參數(shù)．

表1?加工參數(shù)

Tab.1?Processing parameters

選擇直徑為16mm的高速鋼立銑刀在整個磨損壽命周期內(nèi)進行磨損實驗．在加工完工件的平面之后，使用第2節(jié)中所示的設(shè)備在線捕捉刀具圖像．首先，機床主軸停放在CCD相機軸心線的右側(cè)．然后，通過輕微旋轉(zhuǎn)刀架確保刀具磨損區(qū)域的邊緣清晰．其次，拍攝同一位置強光和弱光下的刀具磨損圖像．最后，由于是四刃的立銑刀，重復(fù)上述步驟獲取4個切削刃的刀具磨損圖像．

3.2?實驗結(jié)果

立銑刀每次加工后，對加工后4個刃的磨損圖像進行捕獲和編號．然后，將本文提出的方法用于圖像處理，此處選取了4個典型刀具磨損狀態(tài)實驗樣本，對提出的方法進行驗證和展示．同時，為了驗證該方法的分割效果，與其他圖像分割方法的效果進行了比較，包括OTSU自適應(yīng)閾值法[25]和迭代法分割，如圖17所示．

利用本文的方法對采集的圖像進行處理，不僅可以得到完整的磨損區(qū)域，而且可以得到精確的刀具磨損參數(shù)．計算出4個刃在整個磨損壽命周期內(nèi)的平均磨損量、最大磨損量和磨損面積．測量結(jié)果如圖18所示．

為了檢驗提出的檢測方法和檢測系統(tǒng)的準確性，采用顯微鏡直接手動測量方式做對比．為了降低手動測量的誤差，對一幅刀具磨損圖像測量3次最大磨損量，選取平均值作為手動測量的最終結(jié)果．表2顯示了針對16mm立銑刀的其中一個切削刃壽命周期內(nèi)的磨損，使用本文方法進行的刀具磨損測量與直接進行的手工測量之間的結(jié)果對比．

從表2的對比結(jié)果中可以看出，直接手動測量的最大磨損量與本文的測量方法結(jié)果接近，并且這兩種方法的測量結(jié)果之間的差異很?。@兩種方法的測量結(jié)果之間的平均誤差為0.57mm，絕對平均誤差為2.40mm，最大誤差為4.10mm．同時，通過使用本文的刀具磨損參數(shù)測量方法，測量出的刀具最大磨損量的精度為98.73%．因此，有理由相信所提出的方法是可靠的．

通過圖17對比分割效果發(fā)現(xiàn)，OTSU方法和迭代法去除復(fù)雜噪點的能力明顯不如本文提出的方法. 例如，在刀具磨損圖像1-1與其OTSU閾值分割結(jié)果1-3中，綠色線框中的均勻磨損帶區(qū)域．其周圍的條狀反光也被識別為磨損區(qū)域．在刀具磨損圖像3-1與其迭代法閾值分割結(jié)果3-4中，藍色線框中的刀尖區(qū)域中的陰影部分直接被當(dāng)做了背景刪除，而且未磨損區(qū)域的大片強反光點根本不能有效分割出去．在刀具磨損圖像4-1與其迭代法閾值分割結(jié)果4-3中，綠色線框中的均勻磨損帶的分割效果較好，但是對于磨損輪廓邊界周圍的細小噪點還是不能去除．因此，本文的方法凸顯出以下幾點優(yōu)勢：

(1) 有效地去除均勻磨損帶周圍的未磨損區(qū)域的強烈反光噪點；

(2) 可以完整地獲取到存在陰影以及磨損更為復(fù)雜的刀尖區(qū)域；

(3) 全局閾值和局部閾值分割結(jié)果的疊加，實現(xiàn)了磨損輪廓邊界周圍的細小噪點的有效去除．

表2?一組最大磨損量測量結(jié)果的對比

Tab.2　　Comparison of a set of maximum wear value measurement results

因此，本文的方法不僅可以完整地獲取立銑刀四刃的磨損區(qū)域，還可以準確地獲取立銑刀不同時期的磨損參數(shù)以及磨損區(qū)域的幾何形狀變化，說明該方法適用于整個立銑刀壽命周期內(nèi)的磨損檢測，有助于更加可靠地評估刀具磨損狀態(tài)．也體現(xiàn)出本文所提立銑刀側(cè)刃磨損檢測方法及系統(tǒng)的先進性和全面性．

4?結(jié)?語

本文提出了一種新的基于機器視覺的在線立銑刀側(cè)刃磨損檢測方法．該方法是一種組合型閾值分割的方法．在新的剪切策略的基礎(chǔ)上疊加了改進的直方圖法和局部閾值分割方法的結(jié)果，實現(xiàn)了磨損區(qū)域獲取的完整性．經(jīng)過標定計算出準確的刀具磨損參數(shù)．有效地提升了對磨損區(qū)域信息獲取的全面性．搭建了一套在線立銑刀側(cè)刃磨損檢測設(shè)備，驗證本文方法獲取到了更加完整的磨損區(qū)域和磨損參數(shù)，實現(xiàn)側(cè)刃最大磨損量的測量精度高于98%，最大誤差不超過5.00mm．完整的磨損區(qū)域和高精度的刀具磨損參數(shù)結(jié)果有助于進一步分析立銑刀側(cè)刃的磨損機理和評估立銑刀的磨損狀態(tài).同時，該立銑刀側(cè)刃磨損檢測方法和系統(tǒng)在自動化車間立銑刀智能化自動檢測領(lǐng)域中有很高的應(yīng)用價值.

本論文在立銑刀輪廓識別方面的研究工作，是“基于全局能量流動監(jiān)測數(shù)據(jù)的裝備制造周期自適應(yīng)高效運行維護一體化系統(tǒng)研究”項目的一部分，受到國家自然科學(xué)基金(No.51975407)的資助，特此感謝．

［1］ Kurada S，Bradley C. A review of machine vision sensors for tool condition monitoring[J]. Computers in Industry，1997，34(1)：55-72.

［2］ Dutta S，Pal S K，Mukhopadhyay S，et al. Application of digital image processing in tool condition monitoring：A review[J]. CIRP Journal of Manufacturing Science and Technology，2013，6(3)：212-232.

［3］ Pfeifer T，Elzer J. Measuring drill wear with digital image processing[J]. Measurement，1990，8(3)：132-136.

［4］ Jeon J U，Kim S W. Optical flank wear monitoring of cutting tools by image processing[J]. Wear，1988，127(2)：207-217.

［5］ Guo S，Zhang J，Jiang X，et al. Mini milling cutter measurement based on machine vision[J]. Procedia En-gineering，2011，15：1807-1811.

［6］ Wang W H，Hong G S，Wong Y S. Flank wear meas-urement by a threshold independent method with sub-pixel accuracy[J]. International Journal of Machine Tools and Manufacture，2005，46(2)：199-207.

［7］ Su J C，Huang C K，Tarng Y S. An automated flank wear measurement of microdrills using machine vision [J]. Journal of Materials Processing Technology，2006，180(1)：328-335.

［8］ Dai Y，Zhu K. A machine vision system for micro-milling tool condition monitoring[J]. Precision Engineer-ing，2018，52：183-191.

［9］ Zhang C，Zhang J. On-line tool wear measurement for ball-end milling cutter based on machine vision[J]. Computers in Industry，2013，64(6)：708-719.

［10］ Yu X，Lin X，Dai Y，et al. Image edge detection based tool condition monitoring with morphological component analysis[J]. ISA Transactions，2017，69：315-322.

［11］ Zhu K，Yu X. The monitoring of micro milling tool wear conditions by wear area estimation[J]. Mechanical Systems and Signal Processing，2017，93：80-91.

［12］ You Z，Gao H，Guo L，et al. On-line milling cutter wear monitoring in a wide field-of-view camera[J]. Wear，2020，460-461.

［13］ Li L，An Q. An in-depth study of tool wear monitoring technique based on image segmentation and texture analysis[J]. Measurement，2016，79：44-52.

［14］ Wang W，Wong Y S，Hong G S. Flank wear measurement by successive image analysis[J]. Computers and Industrial，2005，56：816-830.

［15］ Micha? S，Bartosz P，Marcin M，et al. Machine vision micro-milling tool wear inspection by image reconstruction and light reflectance[J]. Precision Engineering，2016，44：236-244.

［16］ Castejón M，Alegre E，Barreiro J，et al. On-line tool wear monitoring using geometric descriptors from digital images[J]. International Journal of Machine Tools & Manufacture，2007，47：1847-1853.

［17］ Fong K M，Wang X，Kamaruddin S，et al. Investigation on universal tool wear measurement technique using image-based cross-correlation analysis[J]. Measure-ment，2021，169：108489.

［18］ García-Ordás M T，Alegre E，González-Castro V，et al. A computer vision approach to analyze and classify tool wear level in milling processes using shape descriptors and machine learning techniques[J]. The International Journal of Advanced Manufacturing Technol-ogy，2016，90：1947-1961.

［19］ Miko?ajczyk T，Nowicki K，K?odowski A，et al. Neural network approach for automatic image analysis of cutting edge wear[J]. Mechanical Systems and Signal Processing，2017，88：100-110.

［20］ Zhang T，Zhang C，Wang Y，et al. A vision-based fusion method for defect detection of milling cutter spiral cutting edge[J]. Measurement，2021，177：109248-1-109248-14.

［21］ Pfeifer T，Reliable L. Tool wear monitoring by optimized image and illumination control in machine vision [J]. Measurement，2000，28：209-218.

［22］ Mallat S G. A theory for multiresolution signal decomposition：The wavelet representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11(7)：674-693.

［23］ David L D，Iain M J，Gerard K，et al. Density estimation by wavelet thresholding[J]. The Annals of Statis-tics，1996，24(2)：508-539.

［24］ Sauvola J，Pietik?inen M. Adaptive document image binarization[J]. Pattern Recognition，2000，33(2)：225-236.

［25］ Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man，and Cybernetics，1979，9(1)：62-66.

Online Side Edge Wear Measurement of Milling Based on Combined Threshold Segmentation

Tian Ying，Yang Liming

(School of Mechanical Engineering，Tianjin University，Tianjin 300072，China)

Inactual production，it is an arduous task to measure the side edge wear of milling on site. The measurement accuracy of tool wear parameters is greatly influenced by lighting conditions，tool space geometry，and initial position calibration. To solve the above mentioned problems，an online side edge wear measurement method of milling based on a combined threshold segmentation method was proposed to obtain the most effective information about tool wear parameters while ensuring measurement accuracy. An image-clipping strategy was proposed to preprocess the captured original photos of the worn area under different light intensities and select tooltip and uniform wear areas under low and strong light，respectively，as the data source. The data source used a combined threshold segmentation method that included improved histogram and local threshold segmentation methods to extract the wear area. Thereafter，the results of the two methods were superimposed to remove various noises outside the wear area. According to the cutting position of the first step，the segmented tooltip and uniform wear area images were spliced together to obtain the complete wear area. Finally，the original cutting edge position was calculated using the least square method，the wear area image was calibrated，and the tool wear parameters were calculated. In the milling wear experiment，the accuracy of measuring the maximum wear value of the side edge was greater than 98%，and the maximum error did not exceed 5μm. The experimental results showed that the proposedmethod in this paper could obtain comprehensive wear area information and provide a complete wear area and accurate tool wear parameters，allowing for a more reliable evaluation of tool wear status.

side edge wear of milling；combined threshold segmentation；tool wear parameter

TG714；TH69

A

0493-2137(2023)01-0081-12

10.11784/tdxbz202108018

2021-08-07；

2022-01-08.

田?穎（1977—??），女，博士，副教授，tianying@tju.edu.cn.

楊利明，ylm@tju.edu.cn.

國家自然科學(xué)基金資助項目(51975407).

Supported by the National Natural Science Foundation of China(No. 51975407).

(責(zé)任編輯：王曉燕)