基于機(jī)器視覺(jué)的加工刀具磨損量在線測(cè)量

周俊杰，余建波

(同濟(jì)大學(xué) 機(jī)械與能源工程學(xué)院， 上海 201804)

目前，切削加工依然是機(jī)械加工的主要方式之一，絕大多數(shù)零件都由刀具切削加工獲得，尤其在航空制造業(yè)，一架飛機(jī)需要數(shù)百萬(wàn)個(gè)零件，每年要消耗數(shù)十萬(wàn)刀具[1].刀具狀態(tài)監(jiān)測(cè)是零件微加工質(zhì)量控制的關(guān)鍵問(wèn)題，刀具的過(guò)度磨損和刀具狀態(tài)異常會(huì)顯著降低零件的尺寸精度，縮短刀具的使用壽命.研究表明，刀具磨損監(jiān)測(cè)技術(shù)可以減少75%因工藝因素和人為因素造成的停機(jī)時(shí)間，提高10%～50%的生產(chǎn)效率[2].刀具磨損量通常是刀具性能檢測(cè)的最相關(guān)參數(shù)，直接影響最終產(chǎn)品質(zhì)量、機(jī)床性能和刀具壽命.由于刀具磨損寬度(VB)比較容易測(cè)量，國(guó)際標(biāo)準(zhǔn)化組織(ISO)統(tǒng)一規(guī)定以刀面上測(cè)量的VB作為刀具的磨損標(biāo)準(zhǔn).

監(jiān)控和測(cè)量刀具磨損量的方法主要有直接測(cè)量法和間接測(cè)量法.刀具磨損量的變化直接影響切削力、刀具/工件振動(dòng)、聲發(fā)射信號(hào)、工件表面紋理等參量[3].榮雪寧等[4]建立了一種基于刀盤扭轉(zhuǎn)能量的刀具磨損預(yù)測(cè)模型，用于估計(jì)刀具的磨損情況.Kong等[5]建立了基于切削力信號(hào)的刀具磨損故障檢測(cè)系統(tǒng).振動(dòng)也是最為廣泛監(jiān)測(cè)的信號(hào)之一，Simon等[6]和Rmili等[7]通過(guò)主軸振動(dòng)信號(hào)監(jiān)控刀具磨損狀態(tài).Li等[8]和Liu等[9]利用聲發(fā)射傳感器提取切削聲信號(hào)，根據(jù)不同時(shí)刻的聲信號(hào)變化預(yù)測(cè)刀具壽命.Dutta等[10]利用小波變換分解圖像的垂向細(xì)節(jié)提取工件表面紋理的微觀細(xì)節(jié)，以此判斷刀具的磨損狀態(tài).間接法通過(guò)監(jiān)控這些參量的變化判斷刀具的磨損狀態(tài)，但檢測(cè)到的信號(hào)含有大量干擾因素會(huì)影響到檢測(cè)結(jié)果.

直接法是指直接監(jiān)測(cè)刀具的磨損狀態(tài)，傳統(tǒng)的測(cè)量方法如卡尺、激光測(cè)量?jī)x、光學(xué)顯微鏡等，必須停機(jī)檢測(cè)且需要人工測(cè)量，故測(cè)量結(jié)果受主觀因素影響大、測(cè)量精度不高、效率低且難以預(yù)測(cè)刀具磨損情況.而機(jī)器視覺(jué)測(cè)量作為一種直接法，具有許多吸引人的優(yōu)點(diǎn).特別是視覺(jué)測(cè)量可以避免測(cè)量裝置對(duì)微小刀具的接觸干擾，可以直接測(cè)量刀具的漸進(jìn)磨損并進(jìn)行分析.在機(jī)器視覺(jué)系統(tǒng)中，數(shù)字圖像處理算法是實(shí)現(xiàn)高精度刀具磨損檢測(cè)的重要因素.Zhu等[11]提出一種基于形態(tài)成分分析的刀具磨損區(qū)域生長(zhǎng)算法，將原始微銑刀圖像分解為目標(biāo)刀具圖像、背景圖像和噪聲圖像，然后利用區(qū)域生長(zhǎng)算法對(duì)目標(biāo)刀具圖像進(jìn)行缺陷檢測(cè)和磨損區(qū)域提取.Li等[12]提出一種用于刀具磨損監(jiān)測(cè)的微視覺(jué)系統(tǒng)，通過(guò)分水嶺變換將刀具磨損區(qū)域分割成多個(gè)區(qū)域，然后進(jìn)行自動(dòng)聚焦和分割，再利用 Markov隨機(jī)場(chǎng)(MRF)算法分割刀具磨損的各個(gè)區(qū)域.Dai等[13]通過(guò)對(duì)刀具圖像進(jìn)行投影操作，尋找特征點(diǎn)并提取刀具磨損區(qū)域，進(jìn)而計(jì)算刀具磨損值.但這些方法并不能達(dá)到很高的精度.Xie等[14]提出一種粗定位與精定位相結(jié)合的改進(jìn)亞像素邊緣檢測(cè)算法.該算法充分考慮了8鄰域像素信息，保持了Robert算子定位精度高、速度快的優(yōu)點(diǎn)，同時(shí)可以有效抑制噪聲，獲得較好的檢測(cè)結(jié)果.Kumar等[15]利用基于不變矩的亞像素檢測(cè)方法提高檢測(cè)精度，掃描圖像獲取旋轉(zhuǎn)工件表面輪廓，利用最小二乘法擬合輪廓.使用亞像素邊緣檢測(cè)方法定位邊緣，能夠使測(cè)量精度達(dá)到亞像素級(jí)，但現(xiàn)有的刀具磨損測(cè)量方法只適用于特定刀具的磨損量測(cè)量，大多近似認(rèn)為未磨損刀具的邊緣為直線，不能廣泛應(yīng)用于磨損形狀復(fù)雜的刀具.

針對(duì)現(xiàn)有測(cè)量方法適用的刀具類型范圍小，難以測(cè)量磨損形狀復(fù)雜的刀具磨損量問(wèn)題，本文開發(fā)了一套基于機(jī)器視覺(jué)的加工刀具磨損測(cè)量系統(tǒng)，通過(guò)圖像預(yù)處理、圖像分割、邊緣檢測(cè)、圖像配準(zhǔn)及主曲線擬合等方法實(shí)現(xiàn)了加工刀具磨損量的在線測(cè)量.本文的主要貢獻(xiàn)點(diǎn)如下：① 提出了基于Laplacian算子邊緣信息的Otsu分割算法，在兼顧圖像整體信息的同時(shí)強(qiáng)化了感興趣區(qū)域的邊緣影響；② 通過(guò)投影法獲取特征點(diǎn)進(jìn)行圖像配準(zhǔn)實(shí)現(xiàn)了未磨損刀具輪廓的重建，替代以直線作為未磨損刀具輪廓，獲得更真實(shí)的磨損區(qū)域；③ 提出了自適應(yīng)確定階躍灰度閾值條件的Zernike矩亞像素檢測(cè)方法，實(shí)現(xiàn)了刀具磨損邊緣的精確定位；④ 提出了基于主曲線擬合方法的亞像素坐標(biāo)點(diǎn)的非線性擬合方法，可實(shí)現(xiàn)形狀復(fù)雜的刀具磨損量計(jì)算.

1 刀具磨損量檢測(cè)方法

所提刀具磨損測(cè)量方法的具體流程如圖1所示，主要通過(guò)圖像預(yù)處理、圖像閾值分割、圖像配準(zhǔn)、傳統(tǒng)邊緣檢測(cè)算子粗定位、亞像素邊緣檢測(cè)精定位及主曲線擬合等方法實(shí)現(xiàn)刀具磨損區(qū)域的精確提取，通過(guò)像素當(dāng)量的標(biāo)定實(shí)現(xiàn)像素長(zhǎng)度和實(shí)際長(zhǎng)度的換算，最后計(jì)算獲得刀具磨損量.

圖1 加工刀具磨損測(cè)量方法Fig.1 Measurement method of machining tool wear

1.1 圖像預(yù)處理

由于光照和刀具表面紋理等因素的影響，由相機(jī)獲取并傳輸?shù)接?jì)算機(jī)的刀具圖像除刀具磨損區(qū)域之外還包含了噪聲，為了減少噪聲的干擾，需要對(duì)刀具圖像進(jìn)行預(yù)處理.根據(jù)實(shí)際得到的刀具圖像特點(diǎn)對(duì)圖像進(jìn)行分段線性灰度變換，以增強(qiáng)磨損區(qū)域和未磨損區(qū)域的對(duì)比度，再使用自適應(yīng)中值濾波方法去除噪聲、平滑圖像.自適應(yīng)濾波能夠根據(jù)噪聲敏感度自適應(yīng)改變檢測(cè)窗口大小，使得未受噪聲污染的點(diǎn)不被修改，能夠很好地保護(hù)圖像的點(diǎn)、線等細(xì)節(jié)及邊界信息，有利于提取完整的邊緣以提高測(cè)量精度.

1.2 基于Laplacian算子邊緣信息的Otsu分割算法

在Otsu分割算法的基礎(chǔ)上，使用了利用Laplacian算子邊緣信息改進(jìn)的自適應(yīng)全局閾值分割算法，兼顧圖像整體信息的同時(shí)強(qiáng)化感興趣區(qū)域的邊緣影響.Otsu分割算法假設(shè)能根據(jù)閾值把圖像分成背景和目標(biāo)兩部分，然后選取使得兩類像素區(qū)分度最大的最佳閾值來(lái)區(qū)分背景和目標(biāo).Otsu分割算法選擇一個(gè)閾值T將具有L個(gè)不同灰度級(jí)的圖像分為兩類：目標(biāo)C0類和背景C1類.其中，C0由圖像中灰度值在范圍[0,T]內(nèi)的所有像素組成；C1由圖像中灰度值在范圍[T+1,L-1]內(nèi)的所有像素組成.

σ2=w0(u0-uT)2+w1(u1-uT)2

(1)

式中：σ2為類間方差；w0和w1分別為C0類和C1類每類的比例；u0和u1分別為C0類和C1類每類的均值；uT為總體均值.當(dāng)σ2達(dá)到最大時(shí)，即類間方差最大時(shí)，此時(shí)的T為所選取的最優(yōu)閾值.

Otsu分割算法適用于背景和目標(biāo)像素灰度分布明顯的圖像，這樣的圖像直方圖的波峰是高、窄、對(duì)稱的，且被深的波谷分開.若僅用位于或接近目標(biāo)和背景之間邊緣的像素，則得到的直方圖將有幾個(gè)高度近似的波峰，加深了波谷的同時(shí)改進(jìn)了直方圖的對(duì)稱性.判斷一個(gè)像素是否位于邊緣可以通過(guò)計(jì)算Laplacian算子的絕對(duì)值來(lái)確定.算法步驟如下.

步驟1輸入圖像I(x,y)，計(jì)算其Laplacian算子的絕對(duì)值，獲取邊緣圖像.

步驟2指定一個(gè)高值閾值TL，為了只保留邊緣圖像中較大的值，使用閾值TL對(duì)在步驟1中獲取的邊緣圖像進(jìn)行閾值處理，產(chǎn)生二值圖像g(x,y)，圖像g(x,y)用作標(biāo)記圖像.

步驟3將原始圖像I(x,y)與標(biāo)記圖像g(x,y)相乘，從I(x,y)中選取對(duì)應(yīng)于強(qiáng)像素邊緣(灰度值較大)的像素，得到圖像φ(x,y).

步驟4計(jì)算出圖像φ(x,y)非零像素的直方圖，并用Otsu分割算法選取閾值對(duì)圖像I(x,y)進(jìn)行分割.

1.3 基于形態(tài)學(xué)操作的邊緣檢測(cè)算子粗定位

經(jīng)過(guò)圖像分割之后，目標(biāo)區(qū)域和背景區(qū)域的邊界像素點(diǎn)的灰度值出現(xiàn)階躍變化，經(jīng)過(guò)形態(tài)學(xué)操作腐蝕和膨脹去除毛刺和細(xì)化后，再通過(guò)邊緣檢測(cè)算子獲取單像素邊緣.選用Canny算子進(jìn)行邊緣粗定位，Canny算子具有良好的抗噪能力，能夠檢測(cè)到真正的弱邊緣.

1.4 基于投影法的圖像配準(zhǔn)

在邊緣檢測(cè)算子粗定位之后，提出通過(guò)投影法檢測(cè)未磨損刀具圖像和磨損刀具圖像的特征點(diǎn)進(jìn)行圖像配準(zhǔn)，匹配兩對(duì)特征點(diǎn)的位置進(jìn)行旋轉(zhuǎn)平移，融合磨損刀具的邊緣圖像和標(biāo)準(zhǔn)刀具的邊緣圖像，最后提取出磨損區(qū)域.對(duì)于刀具圖像這類處理對(duì)象簡(jiǎn)單單一的圖像，投影法相較于特征點(diǎn)檢測(cè)算法，能夠在找到準(zhǔn)確特征點(diǎn)的同時(shí)，大大提高檢測(cè)特征點(diǎn)的速度，適用于對(duì)運(yùn)行速度要求高的在線測(cè)量.投影法步驟如下.

步驟1讀取圖像I(x,y)并進(jìn)行灰度化得到灰度圖像，獲得像素行數(shù)P及列數(shù)Q.

步驟2計(jì)算圖像I(x,y)每一列像素的灰度值之和保存到數(shù)組A，繪制出灰度值之和關(guān)于列數(shù)Q的圖像，即垂直投影；同理，計(jì)算圖像I(x,y)每一行像素的灰度值之和保存到數(shù)組B，繪制出灰度值之和關(guān)于行數(shù)P的圖像，即水平投影.

步驟3通過(guò)圖像I(x,y)的垂直投影和水平投影確定圖像特征點(diǎn)位置.

1.5 亞像素邊緣檢測(cè)方法精定位

1.5.1Zernike矩亞像素邊緣檢測(cè) 為了獲得準(zhǔn)確的刀具磨損量，通過(guò)亞像素邊緣檢測(cè)方法把精度提升至亞像素級(jí).常用的亞像素邊緣檢測(cè)主要分為3類：矩方法、擬合法和插值法.矩方法因?yàn)槠溥\(yùn)算速度快、對(duì)噪聲敏感度不高、精度高而獲得了廣泛應(yīng)用.在圖像處理過(guò)程中，具有正交特征的Zernike矩不會(huì)產(chǎn)生冗余信息而引起關(guān)注.將Zernike正交矩應(yīng)用于數(shù)字圖像邊緣檢測(cè)中只需3個(gè)Zernike矩就可以計(jì)算出邊緣參數(shù)，具有較高的運(yùn)算效率，能夠應(yīng)用于刀具磨損的在線測(cè)量.

假設(shè)單位圓的中心點(diǎn)在圖像的某個(gè)像素點(diǎn)上，圖像的邊緣經(jīng)過(guò)該像素點(diǎn)，進(jìn)而得到理想的邊緣階躍模型，如圖2所示.其中：h為圖像背景部分的灰度值；Δh為圖像目標(biāo)部分與背景部分的階躍灰度值，即目標(biāo)部分的灰度值為h+Δh；R為物體的真實(shí)邊緣；d為原點(diǎn)到邊緣線R的垂直距離；α為垂線d與x軸的夾角.

圖2 Zernike矩示意圖Fig.2 Schematic of Zernike moment

圖像的n階m次Zernike矩定義為

(2)

(3)

(4)

(5)

(6)

(7)

(8)

該算法可以使用模板與灰度的卷積來(lái)計(jì)算Zernike矩，考慮到模板的放大效應(yīng)，N×N大小的模板在圖像上移動(dòng)進(jìn)行卷積時(shí)覆蓋了模板中心，此時(shí)單位圓半徑為N/2，因此需要將垂直距離d放大N/2倍，所獲得的亞像素邊緣點(diǎn)(xs,ys)坐標(biāo)的修正公式為

(9)

1.5.2自適應(yīng)階躍灰度閾值 基于Zernike矩的亞像素邊緣檢測(cè)法的階躍灰度閾值一般通過(guò)人工測(cè)試選取，存在效率低下且難以保證精度的問(wèn)題.為了解決這個(gè)問(wèn)題，將Zernike矩亞像素邊緣檢測(cè)算法應(yīng)用于在線測(cè)量，本文提出自適應(yīng)確定階躍灰度閾值的方法.Zernike算法定位亞像素邊緣點(diǎn)的閾值條件為

Δh≥TΔh∩d≤Td

(10)

在圖像中，灰度值在邊緣處發(fā)生階躍式變化，階躍灰度值也產(chǎn)生較大變化；在圖像背景區(qū)域和目標(biāo)區(qū)域，灰度值變化平緩，階躍灰度值也變化不大.由此可知，圖像的階躍灰度值和灰度值具有相同的變化趨勢(shì).利用Otsu分割算法原理，以刀具圖像目標(biāo)區(qū)域和背景區(qū)域的像素階躍灰度值的類間方差為指標(biāo)，各個(gè)像素點(diǎn)的階躍灰度值取該像素點(diǎn)與其8鄰域像素點(diǎn)灰度值之差的最大值，當(dāng)類間方差最大時(shí)，此時(shí)的TΔh作為階躍灰度閾值.

1.5.3亞像素邊緣點(diǎn)主曲線法擬合 亞像素邊緣檢測(cè)方法檢測(cè)到的亞像素坐標(biāo)點(diǎn)是離散的而不利于磨損長(zhǎng)度的計(jì)算，提出基于k段主曲線算法的亞像素坐標(biāo)點(diǎn)曲線擬合方法，所獲得的光滑邊緣曲線能夠應(yīng)用于刀具磨損形狀復(fù)雜情況下的曲線擬合.

(11)

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)裝置

本文使用了C000017A小型數(shù)控(NC)機(jī)床進(jìn)行鉆孔實(shí)驗(yàn)，實(shí)驗(yàn)機(jī)床如圖3所示.選擇直徑為 5.953 1 mm的高速鋼麻花鉆刀在鋼板上鉆孔，每鉆20個(gè)孔退刀到設(shè)定位置，使用相機(jī)采集一次刀具圖像.圖像采集裝置如圖4所示，包括成像裝置、照明系統(tǒng)、載物臺(tái)、相機(jī)支架及計(jì)算機(jī).成像系統(tǒng)應(yīng)盡量選擇高分辨率、光學(xué)畸變小的相機(jī)，選取Basler品牌acA2500-60um型號(hào)的500萬(wàn)像素分辨率的互補(bǔ)金屬氧化物半導(dǎo)體存儲(chǔ)器(CMOS)工業(yè)面陣相機(jī)，和日本康標(biāo)達(dá)公司的型號(hào)為M0824-MPW2的低畸變鏡頭.照明系統(tǒng)選擇三色球形光源，該光源具有綠光、紅光和藍(lán)色光，通過(guò)調(diào)節(jié)不同光的調(diào)解值可以調(diào)配出多種顏色的光，提高刀具磨損區(qū)域和背景的對(duì)比度.相機(jī)與計(jì)算機(jī)連接，通過(guò)Pylon Viewer軟件獲取圖像，并使用C++開發(fā)的圖像處理及測(cè)量模塊進(jìn)行處理分析.實(shí)驗(yàn)中，在退刀位置處獲取刀具靜態(tài)圖像，本實(shí)驗(yàn)沒(méi)有設(shè)計(jì)硬件系統(tǒng)進(jìn)行鏡頭采集移動(dòng)刀具的圖像或視頻.但是，加工實(shí)驗(yàn)和視覺(jué)檢測(cè)平臺(tái)分開并不影響實(shí)驗(yàn)結(jié)果.刀具磨損測(cè)量計(jì)算時(shí)間是影響所提模型是否能作為在線檢測(cè)模型的決定性因素之一.所提處理算法在保證精度的同時(shí)花費(fèi)較少的時(shí)間，能應(yīng)用于刀具磨損的在線測(cè)量檢測(cè).

圖3 數(shù)控機(jī)床Fig.3 NC machine tool

圖4 圖像采集裝置Fig.4 Image acquisition device

2.2 相機(jī)標(biāo)定

將磨損值的單位由像素個(gè)數(shù)轉(zhuǎn)化為長(zhǎng)度單位，需要得到像素當(dāng)量，即每個(gè)像素間距代表實(shí)際的物理尺寸大小.根據(jù)成像原理可以直接通過(guò)鏡頭倍率和感光芯片的尺寸來(lái)計(jì)算像素當(dāng)量，但由于制造誤差，鏡頭倍率不一定完全準(zhǔn)確，所以需要對(duì)相機(jī)進(jìn)行標(biāo)定，得到準(zhǔn)確的像素當(dāng)量.

使用標(biāo)定板進(jìn)行標(biāo)定，如圖5所示.通過(guò)讓相機(jī)對(duì)標(biāo)定板對(duì)焦拍照，得到標(biāo)定板每一小格所占的像素?cái)?shù)q,已知標(biāo)定板每一小格的實(shí)際長(zhǎng)度為l，則像素當(dāng)量γ為

圖5 標(biāo)定板Fig.5 Calibration board

γ=l/q

(12)

經(jīng)標(biāo)定得到每個(gè)像素代表的實(shí)際長(zhǎng)度為39.69 μm，將像素當(dāng)量和測(cè)得的刀具最大磨損處所占的像素?cái)?shù)相乘，可以得到刀具的實(shí)際最大磨損寬度.

2.3 刀具磨損量測(cè)量

為了驗(yàn)證所提刀具磨損值測(cè)量方案的可行性，對(duì)刀具進(jìn)行多次鉆孔實(shí)驗(yàn)，每鉆20個(gè)孔采集一次圖像，對(duì)每個(gè)圖像進(jìn)行處理并測(cè)量刀具最大磨損寬度，最后與人工測(cè)量方法獲得的結(jié)果進(jìn)行誤差比較.

2.3.1圖像預(yù)處理及分割 通過(guò)圖像采集裝置獲取標(biāo)準(zhǔn)新刀圖像及各個(gè)磨損階段的刀具圖像，由于刀具表面紋理和光照的影響，直接進(jìn)行圖像分割不能得到刀具清晰的輪廓，分割圖像存在刀具輪廓缺失、有許多孔洞等問(wèn)題，對(duì)圖像進(jìn)行預(yù)處理后再進(jìn)行圖像的分割操作可以獲得完整的刀具輪廓，且去除了小連通域(即二值圖像中的孔洞).對(duì)圖像進(jìn)行灰度分段線性變換以增強(qiáng)磨損區(qū)域和未磨損區(qū)域的對(duì)比度，再使用自適應(yīng)中值濾波方法去除噪聲、平滑圖像.最后使用所提圖像分割算法處理圖像，獲取刀具二值圖像，處理結(jié)果如圖6所示.圖像分割算法的對(duì)比結(jié)果如圖7所示.由圖7可知，經(jīng)圖像預(yù)處理之后，Otsu分割算法圖像分割依然不能得到完整的磨損區(qū)域輪廓，而所提算法能夠獲得清晰完整的磨損區(qū)域輪廓，可有效進(jìn)行下一步操作.在圖像處理模塊分割步驟分別采用兩種分割算法進(jìn)行實(shí)驗(yàn)，刀具最大磨損寬度b0的測(cè)量結(jié)果及誤差ε0如表1所示.由表1可知，采用基于Laplacian算子邊緣信息的Otsu分割算法能夠獲得更為準(zhǔn)確的測(cè)量值.

圖6 圖像預(yù)處理及圖像分割Fig.6 Image preprocessing and segmentation

圖7 不同圖像分割算法對(duì)比Fig.7 Comparison of different image segmentation algorithms

表1 不同圖像分割方法測(cè)量結(jié)果比較

2.3.2邊緣檢測(cè)粗定位及磨損區(qū)域提取 分別對(duì)鉆孔前的未磨損刀具圖像和磨損刀具圖像的分割圖像進(jìn)行Canny算子邊緣檢測(cè)，以獲取單像素級(jí)邊緣，如圖8所示.相較于其他邊緣檢測(cè)算子，Canny算子不易受噪聲干擾，能夠檢測(cè)到真正的弱邊緣.Canny算子使用高閾值和低閾值檢測(cè)強(qiáng)邊緣和弱邊緣，當(dāng)弱邊緣和強(qiáng)邊緣相連時(shí)，將弱邊緣包含在輸出圖像中，能夠保留更多有用的圖像信息.最后，通過(guò)投影法獲取圖像特征點(diǎn)對(duì)兩個(gè)邊緣圖像進(jìn)行配準(zhǔn)，經(jīng)過(guò)旋轉(zhuǎn)、平移等操作提取磨損區(qū)域.投影法示意圖如圖9所示，通過(guò)求各行列灰度值之和獲得水平投影及垂直投影， 根據(jù)圖像最值點(diǎn)或極值點(diǎn)選取特征點(diǎn)進(jìn)行未磨損刀具圖像和磨損刀具圖像的配準(zhǔn).

圖8 邊緣檢測(cè)粗定位及磨損區(qū)域提取Fig.8 Positioning rough edge and extracting wear zone

圖9 投影法示意圖Fig.9 Schematic diagram of projection method

2.3.3亞像素邊緣檢測(cè)精定位及主曲線擬合 為了把測(cè)量精度提升至亞像素級(jí)，采用Zernike矩亞像素邊緣檢測(cè)方法檢測(cè)邊緣點(diǎn)及主曲線方法擬合亞像素邊緣點(diǎn).對(duì)磨損刀具圖像的磨損區(qū)域進(jìn)行Canny算子邊緣檢測(cè)之后再進(jìn)行亞像素邊緣的檢測(cè)，結(jié)果如圖10所示.擬合法檢測(cè)出的亞像素坐標(biāo)點(diǎn)不足，不能準(zhǔn)確測(cè)量出最大磨損寬度，插值法能夠檢測(cè)出磨損邊緣，但是插值法計(jì)算量較大，運(yùn)行時(shí)間較長(zhǎng).各邊緣檢測(cè)方法運(yùn)行時(shí)間ts如表2所示，刀具磨損測(cè)量bE結(jié)果及誤差εE如表3所示.相較于僅用Canny算子邊緣檢測(cè)提取邊緣，亞像素檢測(cè)方法能夠顯著提升測(cè)量精度.相較于擬合法亞像素邊緣檢測(cè)及插值法亞像素邊緣檢測(cè)，Zernike矩亞像素邊緣檢測(cè)方法保留了更多的有效信息，能得到清晰的磨損輪廓，計(jì)算量較小、對(duì)噪聲不敏感、具有較高的準(zhǔn)確度.基于Zernike矩的亞像素邊緣檢測(cè)算法在保證精度的同時(shí)花費(fèi)較少的計(jì)算時(shí)間，更適用于刀具磨損的在線測(cè)量.最后，采用主曲線方法對(duì)亞像素邊緣檢測(cè)步驟獲得的亞像素坐標(biāo)點(diǎn)進(jìn)行曲線擬合，

表2 亞像素邊緣檢測(cè)方法運(yùn)行時(shí)間比較

圖10 不同邊緣檢測(cè)方法比較Fig.10 Comparison of different edge detection algorithms

如圖11所示.目前，大多刀具磨損測(cè)量方法視磨損邊界為單一曲線，未磨損邊界為規(guī)則曲線(直線、圓形或橢圓形)[1, 17]，而通過(guò)主曲線方法擬合離散點(diǎn)能夠完成復(fù)雜形狀的磨損邊界的擬合，適用的刀具種類更多，應(yīng)用范圍更廣.

圖11 3種方法提取的亞像素邊緣點(diǎn)主曲線擬合結(jié)果Fig.11 Principal curve fitting results of sub-pixel edge points extracted by using three methods

表3 各邊緣檢測(cè)方法測(cè)量結(jié)果比較

2.4 磨損測(cè)量結(jié)果分析

對(duì)由主曲線方法擬合得到的刀具磨損區(qū)域邊緣線進(jìn)行列掃描，上下邊界縱坐標(biāo)之差的最大即為刀具最大磨損寬度所占的像素?cái)?shù)，再乘以像素當(dāng)量獲得刀具的實(shí)際最大磨損寬度.對(duì)刀具的整個(gè)磨損過(guò)程進(jìn)行監(jiān)控和檢測(cè)，獲得刀具磨損量隨鉆孔數(shù)量p變化(20個(gè)孔)的人工測(cè)量結(jié)果b1，實(shí)驗(yàn)測(cè)量結(jié)果b2及誤差ε，如表4及圖12所示.由表4和圖12可知，所提測(cè)量刀具磨損值的方法能夠獲得較為準(zhǔn)確的結(jié)果，測(cè)量誤差可達(dá)6.04%以內(nèi)，且對(duì)刀具發(fā)生磨損的反應(yīng)比較靈敏.在實(shí)驗(yàn)中記錄了所提算法各步驟的所耗時(shí)間tp，如表5所示.由表5可知，所提算法完成一次測(cè)量耗時(shí)1.638 s，能夠滿足加工刀具磨損的在線測(cè)量要求.

圖12 刀具磨損量隨鉆孔數(shù)目的變化Fig.12 Tool wear versus number of drilled holes

表4 刀具最大磨損寬度測(cè)量結(jié)果Tab.4 Measurement results of maximum tool wear width

表5 刀具磨損測(cè)量算法耗時(shí)

3 結(jié)語(yǔ)

本文開發(fā)了一個(gè)基于機(jī)器視覺(jué)的加工刀具磨損測(cè)量系統(tǒng).根據(jù)鉆刀磨損的特點(diǎn)，在系統(tǒng)中提出了提取刀具磨損的圖像處理算法，并通過(guò)鉆孔實(shí)驗(yàn)驗(yàn)證了該系統(tǒng)原型在刀具磨損測(cè)量方面具有良好的準(zhǔn)確性、穩(wěn)健性和較高的運(yùn)行效率.該系統(tǒng)所用視覺(jué)測(cè)量方法優(yōu)于傳統(tǒng)人工測(cè)量方法，測(cè)量誤差可達(dá)6.04%以內(nèi)，單次測(cè)量耗時(shí)為1.638 s，可以應(yīng)用于工業(yè)上對(duì)于刀具磨損的實(shí)時(shí)監(jiān)控.在該系統(tǒng)中提出基于Laplacian算子邊緣信息的Otsu分割算法，在兼顧圖像整體信息的同時(shí)強(qiáng)化了感興趣區(qū)域的邊緣影響；通過(guò)投影法獲取特征點(diǎn)進(jìn)行圖像配準(zhǔn)，實(shí)現(xiàn)了未磨損刀具輪廓的重建，提取更準(zhǔn)確的磨損區(qū)域；使用基于Zernike矩的亞像素邊緣檢測(cè)算法，提升測(cè)量精度；提出基于主曲線擬合方法的亞像素坐標(biāo)點(diǎn)的非線性擬合方法，可以實(shí)現(xiàn)對(duì)形狀復(fù)雜的刀具磨損量計(jì)算.雖然該系統(tǒng)能夠?qū)崿F(xiàn)刀具磨損的在線測(cè)量，但是依然存在一些不足之處.針對(duì)不同的測(cè)量對(duì)象需要對(duì)算法進(jìn)行調(diào)整，相機(jī)的曝光時(shí)間對(duì)于正在移動(dòng)的刀具難以進(jìn)行準(zhǔn)確測(cè)量.在未來(lái)的研究中，一方面將完善機(jī)器視覺(jué)測(cè)量系統(tǒng)，增大對(duì)各種刀具(如銑刀)適用范圍，減小測(cè)量誤差，提升實(shí)時(shí)計(jì)算速度；另一方面將開發(fā)一套能夠?qū)崿F(xiàn)移動(dòng)刀具在線檢測(cè)的硬件系統(tǒng)，嘗試將刀具磨損測(cè)量系統(tǒng)應(yīng)用于工業(yè)自動(dòng)化檢測(cè)中.