基于卷積神經(jīng)網(wǎng)絡(luò)刀具磨損類型的智能識別

吳雪峰，劉亞輝，畢淞澤

(哈爾濱理工大學(xué) 機(jī)械動力工程學(xué)院，黑龍江 哈爾濱 150080)

0 引言

目前機(jī)械制造行業(yè)正向自動化、智能化方向發(fā)展，而刀具被稱為機(jī)械制造工業(yè)的牙齒，其發(fā)展水平代表著一個國家制造工業(yè)的發(fā)達(dá)程度。智能識別刀具的磨損狀態(tài)不僅可以合理地選擇刀具類型、對刀具的相關(guān)參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)，還可以根據(jù)刀具的實(shí)際切削狀態(tài)和被加工工件的質(zhì)量來決定更換刀具的時(shí)間，對智能制造的發(fā)展具有重要的意義。

國內(nèi)外學(xué)者在刀具磨損識別技術(shù)領(lǐng)域開拓出了許多實(shí)用的檢測方法。張棟梁等[1]利用混沌時(shí)序分析方法重構(gòu)刀具聲發(fā)射信號的相空間，通過提取嵌入維數(shù)與Lyapunov系數(shù)建立特征空間，使用支持向量機(jī)作為分類器，實(shí)現(xiàn)了刀具磨損狀態(tài)的識別;聶鵬等[2]以提取出反映不同刀具磨損狀態(tài)各頻段的能量值作為主要特征，將刀具的切削三要素作為輔助特征，并將兩種特征進(jìn)行主元分析且共同作為神經(jīng)網(wǎng)絡(luò)的輸入向量，同時(shí)采用改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)建立了刀具磨損狀態(tài)的監(jiān)測系統(tǒng);林楊等[3]通過提取銑削力信號在不同頻段上的能量分布作為輸入特征向量，并將單層網(wǎng)絡(luò)堆棧構(gòu)成深度神經(jīng)網(wǎng)絡(luò)，最終實(shí)現(xiàn)了高速銑削刀具磨損的智能監(jiān)測;Fu等[4]利用深度信念網(wǎng)絡(luò)對端銑刀振動信號特征進(jìn)行分析處理，實(shí)現(xiàn)了對端銑刀切削狀態(tài)的實(shí)時(shí)監(jiān)測。

刀具磨損的檢測方法分為間接法和直接法兩大類[5]。間接法是以檢測切削過程中的切削力、振動參數(shù)、聲發(fā)射、接觸電阻、加工表面粗糙度等物理量來間接辨識刀具磨損狀態(tài)。間接方法監(jiān)測刀具磨損，適用于加工過程中的監(jiān)測，但大多需要對采集的信號進(jìn)行預(yù)處理、特征提取以及特征選擇等。面對復(fù)雜的加工環(huán)境，準(zhǔn)確地提取與磨損相關(guān)的信號特征并與切削參數(shù)、工件參數(shù)以及刀具參數(shù)等信息匹配所需的數(shù)據(jù)量較大[6]。直接法主要包括光學(xué)圖像法、放射性技術(shù)、接觸式等。由于光學(xué)圖像法具有直觀性強(qiáng)、準(zhǔn)確度高的優(yōu)點(diǎn)，是評價(jià)刀具磨損的重要方式。由于銑削主軸轉(zhuǎn)速較高，受到工業(yè)相機(jī)幀率以及相關(guān)硬件的限制，目前光學(xué)圖像法還不能在銑削過程中持續(xù)采集圖像信息，暫時(shí)難以識別加工過程中刀具磨損的動態(tài)變化[3]。

隨著深度學(xué)習(xí)的快速發(fā)展，其在圖像識別領(lǐng)域的應(yīng)用也越來越廣泛，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)已經(jīng)成為研究熱點(diǎn)之一。1984年，日本學(xué)者Fukushima等[7]根據(jù)視覺皮層功能模型的啟發(fā)提出了卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)認(rèn)知機(jī)，而卷積神經(jīng)網(wǎng)絡(luò)被看成是神經(jīng)認(rèn)知機(jī)的一種推廣;Lecun等[8-9]采用梯度下降法實(shí)現(xiàn)最早的卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)了LeNet-5網(wǎng)絡(luò)模型，應(yīng)用于識別手寫文字并達(dá)到商用的程度(錯誤率小于0.8%);Krizhevsky等[10]在ImageNet數(shù)據(jù)識別中，使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識別，取得了良好的效果，標(biāo)志著卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域逐漸占據(jù)主導(dǎo)地位;2015年ImageNet挑戰(zhàn)賽中的卷積神經(jīng)網(wǎng)絡(luò)模型ResNet[11]將圖像識別的錯誤率下降到3.57%;2016年Google公司利用深度強(qiáng)化學(xué)習(xí)項(xiàng)目AlphaGo[12]擊敗了世界圍棋冠軍，這表明卷積神經(jīng)網(wǎng)絡(luò)在物體識別領(lǐng)域具有無限潛能。

卷積神經(jīng)網(wǎng)絡(luò)在機(jī)械制造行業(yè)方面也有很多應(yīng)用。Zeng等[13]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)分析變速箱的振動信號，對故障進(jìn)行診斷并分類;Zhang等[14]通過分析軸承的振動信號，提出一套基于卷積神經(jīng)網(wǎng)絡(luò)的診斷算法，實(shí)現(xiàn)了軸承故障的智能識別。在切削加工刀具磨損監(jiān)測方面，張存吉等[15]利用無線三軸加速度計(jì)采集工件的振動信號，通過小波包變換將原始信號轉(zhuǎn)換為能量頻譜圖，基于卷積神經(jīng)網(wǎng)絡(luò)模型對帶有磨損程度標(biāo)簽的能量頻譜圖進(jìn)行訓(xùn)練與測試，實(shí)現(xiàn)了刀具磨損程度的分類;Fatemeh等[16]利用小波變換和譜減法對采集的力信號、振動以及主軸電機(jī)的電流信號進(jìn)行特征提取，利用提取頻帶的均方根、最大能量等特征對貝葉斯網(wǎng)絡(luò)、支持向量機(jī)、K最近鄰回歸模型以及建立的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與測試，實(shí)驗(yàn)結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)模型具有更高的識別準(zhǔn)確率，可以實(shí)現(xiàn)刀具磨損狀態(tài)的在線監(jiān)測。上述方法可以實(shí)現(xiàn)對刀具磨損狀態(tài)的實(shí)時(shí)監(jiān)測，但目前此類研究多用于對刀具磨損狀態(tài)進(jìn)行分類，定性監(jiān)測研究較多，而用于刀具磨損定量監(jiān)測較少，特別是對刀具每個切削刃的磨損類型以及磨損值的監(jiān)測。在加工過程中獲得刀具的磨損類型以及磨損值，有利于判別加工狀態(tài)，預(yù)測刀具使用壽命，進(jìn)而為刀具優(yōu)選及設(shè)計(jì)、工藝參數(shù)優(yōu)化提供理論支撐。

本文通過降低機(jī)床主軸的轉(zhuǎn)速，使之與工業(yè)相機(jī)的幀率相匹配。在機(jī)床主軸以較低轉(zhuǎn)速運(yùn)動的情況下，通過設(shè)置合理的采集時(shí)間間隔去抓拍刀具每個刃的磨損圖像，并將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于刀具磨損圖像檢測領(lǐng)域，獲得一種刀具磨損類型的識別方法，該方法可以非接觸、能夠直接較準(zhǔn)確地自動識別出刀具的磨損類型。在此基礎(chǔ)上，對刀具磨損值自動檢測算法進(jìn)行改進(jìn)，對磨損類型進(jìn)行智能識別后根據(jù)不同的磨損類型選擇不同的處理方法，從而提高刀具磨損值自動檢測的精度。通過鎳基高溫合金Inconel 718工件的銑削加工試驗(yàn)，將獲得的刀具磨損圖片作為樣本集對基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損類型識別模型進(jìn)行訓(xùn)練，利用刀具磨損值自動檢測方法結(jié)合訓(xùn)練好的刀具磨損類型識別模型對刀具的磨損值進(jìn)行提取。實(shí)驗(yàn)結(jié)果表明，本測量方法應(yīng)用在切削實(shí)驗(yàn)的刀具磨損檢測中，不需要拆卸刀具，不需要人工判別刀具的磨損類型，自動化程度較高,可以滿足實(shí)際應(yīng)用需求。

1 刀具磨損研究

在金屬切削加工中，刀具的磨損一般分為初期磨損、正常磨損以及急劇磨損3個階段。處于正常磨損階段刀具的磨損值比較小，是刀具的理想工作階段；處于急劇磨損階段的刀具，由于其磨損量隨時(shí)間增長而迅速增大，需要及時(shí)更換刀具。批量生產(chǎn)中采用固定的換刀時(shí)間或靠工人的經(jīng)驗(yàn)判斷是否更換，容易導(dǎo)致?lián)Q刀不及時(shí)影響工件質(zhì)量的問題或者換刀過早過頻繁引起刀具的浪費(fèi)。由于光學(xué)圖像法具有獲取磨損參量簡單以及判別磨損比較直觀的特點(diǎn)，光學(xué)圖像法成為判斷刀具磨損狀態(tài)的主要方法。本文以加工高溫合金的刀具磨損及破損為例進(jìn)行分析。

由于高溫合金具有良好的高溫強(qiáng)度、疲勞性能、斷裂韌性等特點(diǎn)，故可加工性能較差，加工高溫合金的刀具磨損嚴(yán)重，具體的刀具磨損及破損形式如圖1所示。在切削速度較低時(shí)，磨粒磨損是主要的磨損形式，如圖1a和圖1f所示；在高速切削時(shí)，高速產(chǎn)生的熱量會使刀具出現(xiàn)明顯的化學(xué)以及粘接磨損，如圖1b所示。在實(shí)際切削中，磨損形式往往比較復(fù)雜且多種磨損并存，例如在切削初始時(shí)，對于涂層硬質(zhì)合金刀具首先會出現(xiàn)刀具涂層的磨損如圖1c所示；有時(shí)出現(xiàn)前刀面和后刀面同時(shí)磨損，兩種磨損相互影響使刀具磨損加快最終導(dǎo)致崩刃，如圖1d所示；刃口處的粘接磨損會使切屑大量的粘接在前刀面上，最終使刃口處發(fā)生片狀剝落如圖1e所示，同時(shí)還有后刀面磨損的產(chǎn)生。

采用涂層硬質(zhì)合金刀具，工藝參數(shù)為ap=0.5 mm、fz=0.05 mm/z、vc=109 m/min，進(jìn)行高溫合金加工試驗(yàn)，刀具的磨損隨切削過程的進(jìn)行而逐漸變大。本文利用涂層硬質(zhì)合金刀具后刀面的磨損量VB值反映刀具的磨損程度，后刀面的磨損狀態(tài)隨切削時(shí)間的變化如圖2所示。

由于新刀面上微觀粗糙度造成刀具后刀面與被加工表面間的實(shí)際接觸面積小，壓力大，初期磨損階段刀具的VB值增加很快。隨切削過程的進(jìn)行，后刀面上已經(jīng)磨出一條窄棱面，使刀具與被加工表面間的實(shí)際接觸面積增大，壓力減小，故正常磨損階段刀具的磨損量增加地平穩(wěn)而緩慢。在急劇磨損階段，由于刀具變鈍，故磨損速度迅速增大。為保證被加工工件的表面質(zhì)量，在刀具進(jìn)入急劇磨損階段之前必須替換刀具。

采用機(jī)器視覺的方法可以利用安裝在數(shù)控機(jī)床工作平臺上的刀具磨損圖像采集裝置來獲得刀具磨損的圖像信息，并通過處理得到磨損值。然而，由于刀具表面的污染、涂層磨損或刀具粘接物的影響、工件不均勻如硬質(zhì)點(diǎn)造成刀具過早的破損而無法識別等問題，采用邊緣檢測無法獲得準(zhǔn)確的磨損信息。卷積神經(jīng)網(wǎng)絡(luò)具有無需手動選取特征、分類正確率較高的特點(diǎn)，故將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于刀具磨損類型的分類與識別，并根據(jù)不同磨損類型選擇不同的圖像處理方法，提高檢測刀具磨損值的精度，為獲得理想的換刀區(qū)間提供數(shù)據(jù)支撐。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損類型識別

2.1 刀具磨損類型識別的總體流程

本文構(gòu)建的刀具磨損類型識別的網(wǎng)絡(luò)結(jié)構(gòu)主要由網(wǎng)絡(luò)的訓(xùn)練和網(wǎng)絡(luò)的測試兩部分組成，刀具磨損類型識別的總體流程如圖3所示。

刀具磨損圖像經(jīng)過圖像歸一化與灰度化處理后成為本文的數(shù)據(jù)集，自適應(yīng)提取刀具磨損圖像的磨損特征，提取到的特征一部分作為刀具磨損的訓(xùn)練特征，另一部分作為刀具磨損的測試特征。之后卷積自動編碼器(Convolutional Auto-Encode, CAE)對網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，輸出結(jié)果作為卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)參數(shù)的初始值，利用卷積神經(jīng)網(wǎng)絡(luò)繼續(xù)進(jìn)行訓(xùn)練以得到整個網(wǎng)絡(luò)參數(shù)的最優(yōu)解。最后，利用softmax分類器對加工高溫合金刀具的磨損類型進(jìn)行識別與分類。整個網(wǎng)絡(luò)結(jié)構(gòu)持續(xù)地進(jìn)行迭代并反饋出計(jì)算的實(shí)際誤差結(jié)果，同時(shí)對網(wǎng)絡(luò)的權(quán)值進(jìn)行更新，使整個網(wǎng)絡(luò)朝著最優(yōu)的方向發(fā)展，最終得到最優(yōu)的刀具磨損類型識別模型。

2.2 刀具磨損狀態(tài)識別的網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積層、池化層(又稱為下采樣層)和全連接層構(gòu)成。本文采用的卷積神經(jīng)網(wǎng)絡(luò)為Caffe團(tuán)隊(duì)訓(xùn)練出的AlexNet模型[17]，該模型經(jīng)過數(shù)十萬次不斷地迭代訓(xùn)練獲得，具有分類能力強(qiáng)、識別效率高的優(yōu)點(diǎn)。由于本文數(shù)據(jù)集的數(shù)量有限，輸入磨損圖像的像素大小為256×256的灰度圖片，并需要將刀具的磨損類型分為4類，故對該模型進(jìn)行了一些修改。原模型卷積層C1的卷積核尺寸改為14×14×96，步長改為5，邊緣拓展參數(shù)改為14，最后的全連接層F8(輸出層)改為4類輸出，修改后的刀具磨損類型識別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

(1)卷積層

卷積操作就是利用卷積核以設(shè)定的步長在圖像上進(jìn)行“滑動”，從而提取圖像中的特征得到特征圖像。設(shè)定一些尺寸比較大的圖片xl(rl×cl)，在該圖片上進(jìn)行卷積操作的卷積核尺寸大小為xs(rs×cs)，學(xué)習(xí)kc個特征，得到的多個特征圖像Cli(i=1,2,3，…,kc，kc為卷積核的個數(shù))為：

Cli=sigmoid(W(1)xs+b(1))。

(1)

式中：W(1)和b(1)分別為權(quán)重和偏置;sigmoid(x)為非線性映射激活函數(shù)。

因此，特征圖像Cli的實(shí)際尺寸大小為：

S(Cli)=[((rl+2×pading-rs)/stride)+1]×

[((cl+2×pading-cs)/stride)+1]×kc。

(2)

式中：kc為卷積核的個數(shù)；pading為邊緣擴(kuò)展參數(shù)，默認(rèn)是0；stride為卷積核的步長，默認(rèn)值是1。例如，在圖4的刀具磨損類型識別的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸入256×256的刀具磨損灰度圖像，卷積層C1采用14×14×96的卷積核對刀具磨損圖像進(jìn)行卷積操作，設(shè)步長等于5，邊緣拓展參數(shù)等于14，卷積后輸出特征圖像的實(shí)際尺寸為55×55×96。

(2)池化層

池化操作是將網(wǎng)絡(luò)中某一位置的輸出用其相鄰輸出的總體統(tǒng)計(jì)特征進(jìn)行替代，從而減少網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)，進(jìn)而避免網(wǎng)絡(luò)產(chǎn)生過度擬合。為了對P1、P2池化層輸出的特征圖進(jìn)行歸一化操作，故將局部響應(yīng)歸一化層與上述兩層相連接。采用最大池化法進(jìn)行池化操作，設(shè)定池化核尺寸大小為pp(rp×cp)，Cl(r×c)為卷積操作后得到的特征圖像，池化后得到的多個特征圖像pi(i=1,2,3,…,kp，kp為池化核的個數(shù))為：

(3)

則特征圖像pi的實(shí)際尺寸大小為：

S(pi)=[((r+2×pading-rp)/stride)+1]×

[((c+2×pading-cp)/stride)+1]×kp。

(4)

式中：kp為池化核的個數(shù)；pading為邊緣擴(kuò)展參數(shù)，默認(rèn)為0；stride為池化核的步長，一般值設(shè)為2。例如，在圖4的池化層P2，輸入27×27×256的特征圖像，池化層P2采用3×3×256的池化核對刀具磨損特征圖像進(jìn)行池化操作，設(shè)步長等于2，邊緣拓展參數(shù)等于0，池化后輸出特征圖像的實(shí)際尺寸為13×13×256。

卷積和最大池化操作的具體過程如圖5所示。輸入的刀具磨損圖像經(jīng)過卷積核xs卷積后加偏置bx，可以獲得卷積操作后的特征圖像Cli。特征圖Cli又作為池化層的輸入圖像，經(jīng)過池化核的采樣后加權(quán)值wx+1，又加偏置bx+1后通過激活函數(shù)sigmoid獲取池化層特征圖pi。同理，池化層的特征圖pi又作為下一個卷積層的輸入特征圖。

(3)全連接層

本文中全連接層F6與全連接層F7都增加了Dropout技術(shù)，提高網(wǎng)絡(luò)的泛化能力、避免網(wǎng)絡(luò)產(chǎn)生過度擬合。最后的全連接層F8輸出刀具磨損類型的分類結(jié)果，同時(shí)也輸出卷積神經(jīng)網(wǎng)絡(luò)對刀具磨損類型的識別準(zhǔn)確率以及損失函數(shù)值。

采用上述網(wǎng)絡(luò)結(jié)構(gòu)對刀具磨損類型識別模型進(jìn)行構(gòu)建，本模型中輸入刀具磨損灰度圖像的大小為256×256。每層的具體參數(shù)如表1所示，共包含8層結(jié)構(gòu)，不包含輸入層。其中：C1、C2、C3、C4、C5層為卷積層；P1、P2、P5層為池化層；F6、F7、F8層為全連接層。卷積層C1、C2、C5層輸出的特征圖分別作為池化層P1、P2、P5層的輸入圖像。

表1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)

2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程主要由前向傳播和反向傳播兩個階段組成[10]。本文的網(wǎng)絡(luò)模型先利用CAE進(jìn)行預(yù)訓(xùn)練，然后再用誤差反向傳播算法(Back Propagation algorithm, BP)結(jié)合自適應(yīng)矩估計(jì)算法(Adaptive moment estimation, Adam)進(jìn)行優(yōu)化與微調(diào)。具體的訓(xùn)練和測試算法如圖6所示。

2.4 刀具磨損值檢測方法

以前文中加工高溫合金時(shí)常見的幾種刀具磨損及破損圖像為例，采用最小外接矩形法[18]檢測刀具的磨損值，通過不同方法計(jì)算得到的刀具磨損如圖7所示。未改進(jìn)的刀具磨損值檢測方法對刀具磨損圖像邊緣提取得到的最小外接矩形如圖7a～圖7e所示，基于刀具磨損類型識別的刀具磨損值自動檢測方法提取到刀具磨損圖像的最小外接矩形如圖7f～圖7j所示。

根據(jù)圖7中刀具磨損區(qū)域最小外接矩形寬度的大小可判斷磨損值的大小，可知兩種方法在刀具處于磨粒磨損或者崩刃時(shí)磨損值的大小相等，但未改進(jìn)的刀具磨損值檢測方法對于涂層刀具涂層的磨損、粘接磨損以及片體剝落時(shí)磨損值的測量存在較大的誤差。這是由于當(dāng)?shù)毒叩哪p狀態(tài)處于粘接磨損或者片體剝落時(shí)，未改進(jìn)的刀具磨損值檢測方法直接對刀具的磨損區(qū)域進(jìn)行測量(如圖7b和圖7e)，考慮了粘接在刀刃上切屑的大小，從而導(dǎo)致磨損區(qū)域最小外接矩形的寬度偏大。對于涂層刀具，涂層的磨損屬于正常的磨損，是任何有涂層的刀具都會存在的情況，而未改進(jìn)的刀具磨損值檢測方法

直接將涂層的磨損值作為整個刀具磨損的參考(如圖7c)，從而影響刀具壽命的預(yù)測。

本文提出的基于刀具磨損類型識別的刀具磨損值自動檢測方法有效地彌補(bǔ)了上述不足，具體過程如下:

(1)對采集到的刀具磨損圖像進(jìn)行圖像歸一化與灰度化處理，實(shí)現(xiàn)數(shù)據(jù)規(guī)范化。

(2)利用訓(xùn)練好的基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損類型識別模型對待測的刀具磨損圖像進(jìn)行磨損類型的智能識別及分類。

(3)根據(jù)刀具磨損圖像的磨損類型對(1)中歸一化處理后的刀具磨損圖像進(jìn)行濾波去噪處理、二值化以及sobel邊緣檢測處理，提取刀具磨損區(qū)域的輪廓。如果刀具的磨損類型為粘接磨損(或者片體剝落有切屑粘接在刀具上的情形)，將磨損的刀具圖像利用圖像配準(zhǔn)技術(shù)與原標(biāo)定好未磨損的刀具圖像進(jìn)行對齊與匹配，之后利用裁剪算法剪切掉多余的圖像，從而去除粘接在刀具上切屑的輪廓(如圖8)，最終獲取有效的磨損區(qū)域輪廓，所得的最小外接矩形如圖7g和圖7j所示；若刀具的磨損類型為涂層磨損(如圖7h)，則不將其磨損值作為刀具磨損的參考；除此之外，其他磨損類型均直接提取磨損區(qū)域的輪廓，如圖7f和圖7i所示。

(4)根據(jù)圖像像素值和實(shí)際值的轉(zhuǎn)換關(guān)系，結(jié)合最小外接矩形的寬度，求出刀具磨損圖像的實(shí)際磨損值。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)圖像樣本集及實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的刀具磨損采集裝置由大恒圖像工業(yè)數(shù)字?jǐn)z像機(jī)(型號：MER-125-30UC)、雙遠(yuǎn)心鏡頭(型號：BT-2336)、環(huán)形光源(型號：TY63HW)及調(diào)節(jié)器、多功能調(diào)節(jié)支架以及筆記本電腦組成。刀具磨損圖像的精度主要由具有高影像分辨率、畸變率小于0.08%且靶面尺寸為2/3″，物距為103.5 mm，景深為6，最大成像尺寸為8.8 mm×6.6 mm的雙遠(yuǎn)心鏡頭和分辨率為1292(H)×964(V)，像元尺寸為3.75 μm×3.75 μm，幀率為30fps的工業(yè)數(shù)字?jǐn)z像機(jī)保證。機(jī)床為大連機(jī)床廠生產(chǎn)的三軸立式加工中心數(shù)控銑床(型號：VDL-1000E)，選用可轉(zhuǎn)位面銑刀，刀片為山特維克公司490R系列的CVD 涂層硬質(zhì)合金刀具和PVD 涂層硬質(zhì)合金刀片，試驗(yàn)基準(zhǔn)試驗(yàn)參數(shù)為ap=0.5 mm、fz=0.05 mm/z、vc=109 m/min。

本實(shí)驗(yàn)圖像樣本集是通過刀具磨損采集裝置采集上述的3種刀具不同磨損狀態(tài)的圖像經(jīng)處理后得到，總共4類刀具磨損及破損圖像，包括粘接磨損、崩刃、前刀面磨損及后刀面磨損，每一類有600幅刀具磨損圖像，屬于同一磨損類型的刀具磨損圖像之間會有差異。該數(shù)據(jù)集的部分圖像及分層深度檢索圖片的過程如圖9所示，數(shù)據(jù)集內(nèi)的刀具磨損圖像像素分辨率為256×256。本文深度學(xué)習(xí)實(shí)驗(yàn)使用的卷積神經(jīng)網(wǎng)絡(luò)是利用MATLAB 2017b自帶的深度學(xué)習(xí)開發(fā)工具包結(jié)合Caffe深度學(xué)習(xí)框架搭建的，數(shù)據(jù)集包含2 400張刀具磨損圖像，其中80%的圖像為訓(xùn)練集，10%的圖像為驗(yàn)證集，10%的圖像為測試集。本實(shí)驗(yàn)的精密光學(xué)檢測儀器為超景深三維顯微鏡(型號：KEYENCE VHX-1000)，設(shè)計(jì)的基于刀具磨損類型識別的刀具磨損值自動檢測算法是利用Visio Studio 2015和MATLAB 2017b混合編程，并在相機(jī)的SDK開發(fā)包基礎(chǔ)上進(jìn)行刀具磨損檢測軟件的開發(fā)。

3.2 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)階段訓(xùn)練集的初始學(xué)習(xí)率設(shè)置為10-2，最大訓(xùn)練迭代次數(shù)為600，Dropout丟棄率取值為0.1，權(quán)重衰減為5×10-4，批處理圖片數(shù)量(batch_size)為64，優(yōu)化器(optimizer)選擇Adam優(yōu)化器，即使用自適應(yīng)學(xué)習(xí)率更新算法對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測試時(shí)，訓(xùn)練集每完成6次訓(xùn)練進(jìn)行一次測試。利用大恒圖像工業(yè)數(shù)字?jǐn)z像機(jī)SDK開發(fā)包開發(fā)的軟件界面檢測一種刀具磨損圖像的磨損類型，其識別出的結(jié)果如圖10所示。

3.2.1 有、無預(yù)訓(xùn)練CNN的刀具磨損類型識別對比實(shí)驗(yàn)

本文實(shí)驗(yàn)階段利用無預(yù)訓(xùn)練的CNN模型與經(jīng)過CAE逐層貪婪預(yù)訓(xùn)練完成的有預(yù)訓(xùn)練的模型進(jìn)行對比。相同的訓(xùn)練和測試圖片分別輸入到兩個模型中，并采用上述的訓(xùn)練參數(shù)進(jìn)行訓(xùn)練與測試，得到不同的識別準(zhǔn)確率和損失函數(shù)值，如圖11所示。兩種模型對不同刀具磨損類型的識別準(zhǔn)確率如表2所示。

表2 兩種模型對不同刀具磨損類型的識別準(zhǔn)確率

通過圖11對比可以看出，經(jīng)過預(yù)訓(xùn)練的CNN模型在測試開始階段很快達(dá)到較高的準(zhǔn)確率，網(wǎng)絡(luò)收斂速度及損失函數(shù)的下降速度明顯快于無預(yù)訓(xùn)練的CNN模型，并且經(jīng)過預(yù)訓(xùn)練的CNN模型的識別準(zhǔn)確率要略高于無預(yù)訓(xùn)練的CNN模型。兩種模型的識別準(zhǔn)確率總體趨勢隨著迭代次數(shù)的增多而增大，而損失函數(shù)總體趨勢隨著迭代次數(shù)的增多而減小。由表2可知，經(jīng)過預(yù)訓(xùn)練的CNN模型對4種刀具磨損類型的識別準(zhǔn)確率仍然略高于無預(yù)訓(xùn)練的CNN模型，兩種識別模型均在相同的環(huán)境下得到，因此采用無監(jiān)督預(yù)訓(xùn)練模型的卷積核更有助于提取到磨損圖像的有效特征。經(jīng)過預(yù)訓(xùn)練的CNN模型對刀具磨損類型的平均識別率達(dá)到96.25%，對粘接磨損的識別準(zhǔn)確率最高，達(dá)到97.7%，對后刀面磨損的識別率最低，僅為94.9%，這是由于粘接磨損時(shí)不規(guī)則的切屑粘接在刀具上，使整個磨損區(qū)域的輪廓特征最為明顯，而后刀面磨損時(shí)磨損區(qū)域的輪廓特征相比之下不明顯。

3.2.2 刀具磨損值自動檢測方法檢測刀具的磨損值與超景深人工檢測的磨損值對比實(shí)驗(yàn)

基于磨損類型識別的刀具磨損值自動檢測方法檢測刀具的磨損值與超景深人工檢測的磨損值對比實(shí)驗(yàn)的一種結(jié)果如圖12所示。

隨機(jī)從上文中相同的刀具磨損圖像采集裝置中同一次采集實(shí)驗(yàn)所采集到的加工高溫合金刀具的磨損及破損圖像中選擇15幅進(jìn)行逐一編號并實(shí)驗(yàn)，運(yùn)用刀具磨損值自動檢測方法提取圖片，得到的最大磨損值VBmax與超景深人工檢測出的磨損值VBmax對比如圖13所示，誤差率柱狀圖如圖14所示。

檢測結(jié)果表明，刀具磨損值自動檢測方法檢測的刀具磨損值與超景深人工檢測的磨損值大小相差較小。由圖14可知，刀具磨損值自動檢測方法檢測15組圖像的磨損值誤差率最小值為1.5%，最大值為9.2%，均在10%以下，并且其平均誤差率為5.93%，驗(yàn)證了本文所提出的智能識別的方法及刀具磨損值自動檢測方法的可行性。

由于工業(yè)攝像機(jī)采集幀率的限制及機(jī)床主軸降低轉(zhuǎn)速時(shí)才能進(jìn)行刀具磨損檢測的影響，本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)刀具磨損類型的智能識別及檢測刀具磨損值的方法在切削過程中無法實(shí)時(shí)獲得刀具磨損的信息，但能夠通過安裝在數(shù)控加工中心特定空間位置上的圖像采集裝置對切削的刀具進(jìn)行階段性的磨損圖像采集，經(jīng)過處理后得到刀具的磨損值信息，可用于機(jī)械制造車間數(shù)控加工中心在機(jī)檢測刀具的磨損。本文為刀具磨損的自動分析與檢測提供了可行的解決方案，可以在換刀間隙或者刀庫中采集刀具信息，根據(jù)所建立的刀具磨損類型識別模型結(jié)合刀具磨損值自動檢測方法對采集到的刀具磨損圖像進(jìn)行磨損值提取，將多個不同時(shí)間點(diǎn)提取出的刀具磨損值繪制成刀具磨損曲線，經(jīng)過對刀具磨損曲線的分析結(jié)合加工工藝參數(shù)可以預(yù)測刀具的使用壽命，更準(zhǔn)確地確定理想的換刀區(qū)間，能夠有效地提高刀具的利用率。

4 結(jié)束語

本文利用Caffe深度學(xué)習(xí)框架提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的刀具磨損類型智能識別模型，并結(jié)合輸入高溫合金刀具磨損圖像的尺寸以及磨損類型的多樣性等特點(diǎn)對深度學(xué)習(xí)框架進(jìn)行了改進(jìn)。通過對比實(shí)驗(yàn)驗(yàn)證了經(jīng)過預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型比無預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)收斂速度更快、對刀具磨損圖像的識別率更高，且本文提出的模型對刀具磨損類型的平均識別率達(dá)到96.25%，具有識別準(zhǔn)確率高、魯棒性好的優(yōu)點(diǎn)，驗(yàn)證了本識別方法的有效性。提出了一種基于刀具磨損類型識別的刀具磨損值自動檢測方法，首先對高溫合金刀具的磨損類型進(jìn)行智能識別和分類，然后根據(jù)不同的磨損類型選擇不同的處理方法來檢測刀具的磨損值，從而提高了自動測量刀具磨損值的準(zhǔn)確率。將本方法檢測的磨損值和超景深人工檢測的磨損值進(jìn)行對比，該檢測方法的誤差率均在10%以內(nèi)，平均誤差率為5.93%，有效地驗(yàn)證了本方法的可行性。

當(dāng)前研究主要以結(jié)構(gòu)簡單的刀具為對象，所獲得的磨損特征并未得到有效利用。下一步，將識別結(jié)構(gòu)更為復(fù)雜的刀具，比如整體式銑刀、鉆頭等，并且利用識別的刀具磨損信息對刀具優(yōu)選、工藝參數(shù)進(jìn)行優(yōu)化。