基于多視覺特征融合技術(shù)的高速機床刀具狀態(tài)視診方法研究

劉曉杰+范洪輝+朱洪錦+張旻

2摘 要： 傳統(tǒng)多傳感器融合的刀具磨損檢測方法，通過依據(jù)特征變換的特征降維方法，完成多傳感器融合的刀具特征降維處理，其對特征的描述性差，檢測效率低。因此，設(shè)計基于多視覺特征融合技術(shù)的高速機床刀具狀態(tài)視診系統(tǒng)，該系統(tǒng)通過固定攝像機A采集整體刀具圖像，可控攝像機B采集刀頭圖像。兩個攝像機的視頻圖像都輸入到圖像采集卡中的數(shù)據(jù)采集電路進行處理。系統(tǒng)通過數(shù)據(jù)采集電路獲取刀具圖像數(shù)據(jù)后，將數(shù)據(jù)傳遞給數(shù)據(jù)處理模塊進行存儲和模/數(shù)轉(zhuǎn)換等處理。采用STC89C52單片機設(shè)計顯示報警模塊，用于顯示刀具磨損狀態(tài)。系統(tǒng)實現(xiàn)部分給出了系統(tǒng)軟件流程圖，并通過BP神經(jīng)網(wǎng)絡(luò)方法融合多視覺特征信息，檢測高速機床刀具的磨損情況。實驗結(jié)果表明，所設(shè)計系統(tǒng)可準確檢測出刀具的磨損狀態(tài)，具有較高的檢測精度和魯棒性。

關(guān)鍵詞： 多視覺特征融合； STC89C52； 高速機床； 刀具狀態(tài)

中圖分類號： TN911?34； TP39 文獻標識碼： A 文章編號： 1004?373X（2017）04?0167?05

Research on high?speed machine cutter condition diagnosis method based on

multi?vision feature fusion technology

LIU Xiaojie1， FAN Honghui2， ZHU Hongjin2， ZHANG Min2

（1. School of Electrical & Information Engineering， Jiangsu University of Technology， Changzhou 213001， China；

2. School of Computer Engineering， Jiangsu University of Technology， Changzhou 213001， China）

Abstract： The cutter wear detection method of the traditional multi?sensor fusion is used to perform the cutter feature dimension reduction according to the feature dimension reduction method of the feature transform， which has poor feature description and low detection efficiency. Therefore， a high?speed machine cutter condition diagnosis system based on multi?vision feature fusion technology was designed， in which the images of the whole cutter are collected by the fixed camera A， and the images of the cutter bit are collected by the controllable camera B. The video images of the two cameras are input into the data acquisition circuit in the image acquisition card for processing. After acquiring the cutter image data through the system′s data acquisition circuit， the data is transmitted to the data processing module for storage， A/D conversion， etc. The single chip STC89C52 is adopted to design the display alarm module to display the cutter wear condition. The system software flow chart is given in System Implementation paragraph in this paper. The multi?vision feature information is fused with the BP neural network method to detect the wear conditions of the high?speed machine cutter. The experimental results indicate that the system can detect the cutter wear condition accurately， and has high detection accuracy and robustness.

Keywords： multi?vision feature fusion； STC89C52； high?speed machine cutter； cutter condition

0 引 言

當前的高速機床在工業(yè)生成中具有廣泛的應(yīng)用價值，在機床加工過程中，刀具磨損問題成為刀具失效的關(guān)鍵因素。刀具失效導(dǎo)致工件加工質(zhì)量低，使得機床出現(xiàn)故障，大大降低企業(yè)生成效率[1?3]。因此，尋求可靠方法對高速機床刀具狀態(tài)進行準確檢測，具有重要應(yīng)用價值。傳統(tǒng)多傳感器融合的刀具磨損檢測方法，通過依據(jù)特征變換的特征降維方法，完成多傳感器融合的特征降維處理，其對特征的描述性差，檢測效率低[4?6]。

文獻[7]采用CCD照相機采集刀頭圖像，明確刀頭區(qū)域同刀具磨損區(qū)域，進而準確檢測出刀具磨損邊緣點，運算出刀具的磨損量，但是該方法的抗噪性能較差，檢測精度較低。文獻[8]分析了依據(jù)傳感器檢測的刀具磨損狀態(tài)檢測方法，對傳感器信號進行分析和采集，可運算出刀具狀態(tài)變量，但是該方法的準確率低，主要應(yīng)用于小范圍的機械加工，具有較大局限性。文獻[9]分析了基于多傳感器融合的刀具狀態(tài)檢測方法，其通過依據(jù)特征變換的特征降維方法，完成多傳感器融合的特征降維處理，但是該方法對特征的描述性差，檢測效率低。文獻[10]采用對濾式的特征選擇算法完成刀具檢測，該方法先塑造刀具的特征評估函數(shù)，并運算刀具特征間的冗余度，采用學(xué)習(xí)算法分析選擇后的刀具特征準確率，完成刀具磨損狀態(tài)的識別。但是該方法的檢測精度較低，存在較高的偏差

為了解決上述問題，設(shè)計基于多視覺特征融合技術(shù)的高速機床刀具狀態(tài)視診系統(tǒng)。實驗結(jié)果表明，所設(shè)計系統(tǒng)可準確檢測出刀具的磨損狀態(tài)，具有較高的檢測精度和魯棒性。

1 高速機床刀具狀態(tài)視診系統(tǒng)設(shè)計

1.1 系統(tǒng)結(jié)構(gòu)

所設(shè)計的基于多視覺特征的高速機床刀具狀態(tài)視診系統(tǒng)硬件結(jié)構(gòu)如圖1所示。該系統(tǒng)通過雙攝像機聯(lián)合定位跟蹤機床刀具，增強刀具信息采集的精度，通過一系列刀具特征采集和跟蹤算法，采集同刀具磨損相關(guān)的視覺特征信息，通過BP神經(jīng)網(wǎng)絡(luò)方法融合多視覺特征信息，檢測高速機床刀具的磨損情況。

系統(tǒng)通過雙攝像機同時采集高速機床刀具圖像。其中固定攝像機A采集整體刀具圖像，可控攝像機B采集刀頭圖像。兩個攝像機的視頻圖像都輸入到圖像采集卡中的數(shù)據(jù)采集電路接口，采用數(shù)據(jù)處理模塊將模擬信號變換成數(shù)字信號。PC機采集刀具的數(shù)字視頻圖像后，采用基于BP神經(jīng)網(wǎng)絡(luò)的圖像分析算法，獲取刀具磨損信息，并通過顯示報警模塊呈現(xiàn)刀具磨損信息。采用UV60M一體化高速球型攝像機作為可控攝像機，該攝像機具有較高的轉(zhuǎn)速和采集精度，滿足高速機床刀具圖像信息采集實時性的要求。

多視覺特征融合是對人腦綜合復(fù)雜問題的功能模擬，多視覺特征融合系統(tǒng)中，不同攝像機采集不同的刀具信息特征，這些特征間存在一定的關(guān)系。信息融合可充分利用不同的攝像機資源，通過對不同攝像機及其觀測信息的合理分配，可全面描述刀具的特征，為刀具狀態(tài)檢測提供了可靠的分析依據(jù)。

1.2 數(shù)據(jù)采集電路設(shè)計

高速機床刀具狀態(tài)視診系統(tǒng)要求實時準確采集和處理刀具圖像信息，并且要求硬件系統(tǒng)盡可能小，安裝到高速機床刀具中。

采用MEMS加速度傳感器和無線射頻芯片CC2430作為系統(tǒng)采集卡的核心，CC2430是嵌入式ZigBee應(yīng)用的片上系統(tǒng)，其支持2.4 GHz 802.15/ZigBee協(xié)議，集成了高性能2.4 GHz射頻收發(fā)器和工業(yè)級的控制器。CC2430是數(shù)據(jù)采集卡中的關(guān)鍵部分，其用于接收攝像機A和攝像機B采集的刀具視頻圖像數(shù)據(jù)，其硬件電路設(shè)計主要包括傳感器電路、無線發(fā)射/接收電路、串口電路以及紐扣電源。將傳感器電路、無線發(fā)射電路以及紐扣電源集成在一塊數(shù)據(jù)采集和發(fā)射電板上，將串口電路和無線接收電路集成在另一塊數(shù)據(jù)接收電路板上。數(shù)據(jù)采集和發(fā)射電路原理如圖2所示，其采用串口將接收到的刀具視頻圖像數(shù)據(jù)傳送到數(shù)據(jù)處理模塊中進行處理。

系統(tǒng)將ADXL321當成機床刀具振動信號的加速度傳感器，其可檢測刀具的動態(tài)加速度和靜態(tài)加速度。其電路原理圖如圖3所示。

加速度傳感器的輸出引腳分別接入到CC2430的P0.0和P0.1引腳。通過設(shè)定一組SFR寄存器的位和字符，能夠確保P0.0和P0.1引腳作為連接ADC 的外圍設(shè)備I/O口使用。

在機床刀具切割過程中，刀具同工件間相關(guān)作用形成振動。數(shù)據(jù)采集同發(fā)射電路部署在刀具上，通過加速度傳感器檢測x，y平面中的相互垂直方向上的加速度，將數(shù)據(jù)反饋給處理器CC2430中進行操作。

1.3 數(shù)據(jù)處理模塊設(shè)計

系統(tǒng)數(shù)據(jù)采集電路獲取攝像機采集到的刀具視頻圖像數(shù)據(jù)后，將數(shù)據(jù)傳遞給數(shù)據(jù)處理模塊進行存儲和模/數(shù)轉(zhuǎn)換等處理。信號采集處理模塊是刀具狀態(tài)檢測系統(tǒng)的關(guān)鍵部分，由中央處理器模塊、FPGA 模塊、模/數(shù)轉(zhuǎn)換模塊、存儲器模塊組成，如圖4所示。

采用來自于TI公司的32位高速浮點數(shù)字信號處理器（DSP）TMS320C6713當成中央處理器，設(shè)置其運行的最大頻率為280 MHz。該處理器具備超長指令字功能，程序運行256 位指令，能夠在同一時刻被分配到6個并行的功能單元，具有高達2 200 MB/s的處理能力。

FPGA（Field Programmable Gate Array）為現(xiàn)場可編程門陣列，是一種半定制電路，含有大量的觸發(fā)器和 I/O引腳，具有效率高、功耗低的優(yōu)勢。選擇EP2C8F256C8的FPGA芯片，對攝像機采集的刀具圖像信息進行模/數(shù)轉(zhuǎn)換，并將轉(zhuǎn)換后的數(shù)據(jù)存儲到存儲器中，同時可對數(shù)據(jù)的存儲和傳輸進行控制。

1.4 顯示報警模塊設(shè)計

采用STC89C52單片機設(shè)計顯示報警模塊，通過RS 232接口同數(shù)據(jù)采集處理模塊相連，采用顯示屏呈現(xiàn)刀具磨損狀態(tài)。如果刀具磨損量高于閾值，則單片機驅(qū)動蜂鳴器產(chǎn)生報警，促使監(jiān)測器件中的指示燈亮，提示操作者調(diào)換刀具。

2 系統(tǒng)實現(xiàn)

2.1 軟件流程

高速機床刀具狀態(tài)視診系統(tǒng)的原理結(jié)構(gòu)圖如圖5所示。先對攝像機A采集到的圖像進行刀具定位操作，按照定位到的刀具位置信息以及攝像機的參數(shù)信息，向攝像機 B傳遞出控制指令，確保其可對刀頭進行準確拍攝。系統(tǒng)對攝像機B采集到的刀頭圖像進行分析操作，采集磨損信息。最終PC機通過BP神經(jīng)網(wǎng)絡(luò)方法對刀具磨損特征進行融合和檢測。

攝像機A采集刀具信息并控制云臺轉(zhuǎn)動，處理攝像機A采集到的視頻圖像算法有Camshift刀具定位、串口通信和刀頭信息采集。攝像機B采集刀頭的磨損信息，處理攝像機B采集到的視頻算法為刀波檢測、刀紋信息采集、刀裂信息采集。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)檢測實現(xiàn)

2.2.1 特征層融合

特征層融合的結(jié)構(gòu)示意圖如圖6所示。

特征層融合將每個攝像機獲得的刀具圖像數(shù)據(jù)進行特征提取，再將這特征值輸入融合中心完成特征的融合，并按照融合后的特征對高速機床刀具磨損狀態(tài)進行分析。采用關(guān)聯(lián)操作將特征向量劃分成不同的集合，再通過BP神經(jīng)網(wǎng)絡(luò)完成特征信號的融合分析。

2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的確定

神經(jīng)網(wǎng)絡(luò)的塑造特征同刀具磨損量間的映射關(guān)系模型，依據(jù)該模型的映射關(guān)系運算出刀具的實際磨損量。神經(jīng)網(wǎng)絡(luò)的參數(shù)以及樣本分布決定了刀具狀態(tài)檢測精度的高低。神經(jīng)網(wǎng)絡(luò)參數(shù)的確定包括確定輸入特征、隱含層單元以及樣本訓(xùn)練算法。

（1） 網(wǎng)絡(luò)輸入特征選擇。分析攝像機A和攝像機B采集到的刀具特征融合結(jié)果，從中采集同刀具磨損狀態(tài)最相關(guān)的3個視覺特征值，分別是刀頭特征值，刀身特征值和刀柄特征值，將這些刀具視覺特征值當成神經(jīng)網(wǎng)絡(luò)的輸入值。

（2） 網(wǎng)絡(luò)結(jié)構(gòu)選擇。因為是3個特征值的輸入，因此設(shè)置神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)是3。輸出為刀具的實際磨損量，輸出層節(jié)點數(shù)是1。依據(jù)Kolmogorov理論，隱含層神經(jīng)元是具有2×網(wǎng)絡(luò)輸入層數(shù)N+1的三層神經(jīng)網(wǎng)絡(luò)，能夠完成非線性映射。因此用三層網(wǎng)絡(luò)塑造網(wǎng)絡(luò)輸入特征同刀具磨損間的映射關(guān)系，網(wǎng)絡(luò)結(jié)構(gòu)初步確定為3?7?1（輸入節(jié)點3個、隱含層神經(jīng)元7個、輸出層節(jié)點1個）。選擇Levenberg?Marquardt算法對神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)進行調(diào)整和運算。

（3） 樣本的選擇和歸一化處理。按照實際狀態(tài)選擇訓(xùn)練樣本數(shù)量，設(shè)置訓(xùn)練樣本數(shù)為10個，分別表示不同的刀具磨損量，任意采集5個檢驗樣本檢測神經(jīng)網(wǎng)絡(luò)性能。因為輸入網(wǎng)絡(luò)的各特征值的屬性不同，需要過濾其中的干擾因素。因此，對不同的樣本輸入特征向量進行歸一化處理，采用式（1）確保各輸入的特征向量處于[0.1，0.8]區(qū)間中。

（1）

式中：表示歸一化后的刀具特征值；表示輸入刀具特征值；表示最大輸入刀具特征值；表示最小輸入刀具特征值。

2.2.3 神經(jīng)網(wǎng)絡(luò)檢測刀具磨損結(jié)果

按照上述塑造的神經(jīng)網(wǎng)絡(luò)，其含有3個神經(jīng)元的輸入層、3個輸入特征數(shù)以及7個神經(jīng)元的隱含層，對高速機床刀具狀態(tài)進行視覺診斷，將神經(jīng)網(wǎng)絡(luò)的激活函數(shù)設(shè)置成雙曲正切函數(shù)，對不同輸入刀具樣本特征空間進行劃分；輸出層為 1 個神經(jīng)元，設(shè)置激活函數(shù)為線性函數(shù)，最終可輸出刀具磨損狀態(tài)的檢測結(jié)果。

3 實驗分析

通過實驗檢測本文設(shè)計的基于多視覺特征融合技術(shù)的高速機床刀具狀態(tài)視診方法的有效性，實驗對象為某工廠的高速機床刀具。實驗過程中，將 CCD 攝像機及可控云臺固定在被檢測刀具前0.3 m，分別實時采集刀頭、刀身和刀柄圖像，并通過視頻采集卡將模擬視頻信號轉(zhuǎn)化成數(shù)字信號輸入到 PC機進行磨損分析。實驗結(jié)果如表1所示。其中，各項指標計算公式如下： （2）

（3）

分析表1可得，當?shù)额^處于小幅度運動情況下，本文方法和多傳感器融合方法的磨損檢測率和磨損警率都較高，并且較為接近。當?shù)额^處于大幅度運動情況下，并且方法的磨損檢測率和誤檢率都優(yōu)于多傳感器融合方法。

實驗以機床刀具的初期磨損階段、正常磨損階段以及急劇磨損階段為例，分別分析本文方法在不同刀具磨損階段的檢測精度。設(shè)置檢測精度的閾值為2%。

本文方法對于刀具初期磨損階段的磨損量檢測結(jié)果如表2所示。

從表2中可得，在機床刀具初期磨損過程中，其磨損量變化較為平穩(wěn)，本文方法檢測值與實際值間的平均誤差為1.62%，低于閾值2%。

當機床刀具處于正常磨損階段時，本文方法檢測到的磨損量結(jié)果如表3所示?？梢钥闯觯撾A段的刀具磨損量波動較高，并且隨著走刀數(shù)的增加，本文方法的檢測誤差也不斷增加。本文方法的檢測值同實際值間的平均誤差為1.86%，低于閾值2%。

表3 正常磨損階段的刀具磨損量檢測值

急劇磨損階段的刀具磨損量檢測結(jié)果如表4所示。

從表4可以看出，在急劇磨損階段下，本文方法的刀具磨損量檢測值同實際值間的平均誤差為1.93%，低于閾值2%。說明本文方法能夠較高精度地檢測到磨損階段的刀具磨損量，對噪聲的適應(yīng)性較強且具有較高的魯棒性。

4 結(jié) 論

本文設(shè)計基于多視覺特征融合技術(shù)的高速機床刀具狀態(tài)視診系統(tǒng)，系統(tǒng)通過固定攝像機A采集整體刀具圖像，可控攝像機B采集刀頭圖像。兩個攝像機的視頻圖像都輸入到圖像采集卡中的數(shù)據(jù)采集電路進行處理。系統(tǒng)通過數(shù)據(jù)采集電路獲取刀具圖像數(shù)據(jù)后，將數(shù)據(jù)傳遞給數(shù)據(jù)處理模塊進行存儲和模/數(shù)轉(zhuǎn)換等處理。采用STC89C52單片機設(shè)計顯示報警模塊，用于顯示刀具磨損狀態(tài)。系統(tǒng)實現(xiàn)部分給出了系統(tǒng)軟件流程圖，并通過BP神經(jīng)網(wǎng)絡(luò)方法融合多視覺特征信息，檢測高速機床刀具的磨損情況。實驗結(jié)果表明，所設(shè)計系統(tǒng)可準確檢測出刀具的磨損狀態(tài)，具有較高的檢測精度和魯棒性。

參考文獻

[1] 劉繼承，孫慧琳，趙洪濤.基于多特征融合的Camshift結(jié)合Kalman預(yù)測的實時性視覺跟蹤算法研究[J].自動化技術(shù)與應(yīng)用，2014，33（5）：54?57.

[2] 鄭均輝，宮蕾.基于皮溝特征的無語言能力病人多種狀態(tài)視覺識別[J].科學(xué)技術(shù)與工程，2014，14（16）：102?106.

[3] 王曉文，趙宗貴，龐秀梅，等.基于視覺顯著圖的圖像融合方法[J].吉林大學(xué)學(xué)報（工學(xué)版），2014，44（4）：1203?1208.

[4] 肖華軍，侯力，游云霞.一種基于圖像融合的多線結(jié)構(gòu)光立體視覺測量方法[J].四川大學(xué)學(xué)報（工程科學(xué)版），2015，47（3）：154?159.

[5] 應(yīng)玉龍，項明.局部相位量化特征的織物瑕疵檢測算法[J].西安工程大學(xué)學(xué)報，2015，29（5）：541?545.

[6] 張石平，王智明，楊建國.機床刀具可靠性及壽命評估[J].計算機集成制造系統(tǒng)，2015，21（6）：1579?1584.

[7] 劉然，傅攀.基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的刀具狀態(tài)監(jiān)測[J].機床與液壓，2015，43（5）：49?52.

[8] 羅忠良，盧萬強.基于電流信號和振動信號的刀具失效監(jiān)測研究[J].機床與液壓，2015，43（15）：139?141.

[9] 郭新，葛英飛，付細群，等.鋁合金薄壁中空結(jié)構(gòu)件重負荷銑削刀具壽命及刀具磨損研究[J].工具技術(shù)，2014，48（8）：43?47.

[10] 耿欣，顧紅光.基于多通道位移傳感器的刀具斷裂檢測[J].機床與液壓，2015，43（22）：161?163.