基于機(jī)器視覺(jué)的車(chē)銑刀具磨損檢測(cè)方法*

鄧曉鵬，胡小鋒

(上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院，上海 200240)

0 引言

機(jī)械加工中，刀具狀態(tài)影響著工件加工質(zhì)量與企業(yè)生產(chǎn)成本。研究表明，刀具成本占加工總成本的25%[1]，刀具故障導(dǎo)致的停機(jī)時(shí)間約占機(jī)床總停機(jī)時(shí)間的20%。 因此，在實(shí)際加工過(guò)程中，需對(duì)刀具狀態(tài)進(jìn)行檢測(cè)，以提高產(chǎn)品質(zhì)量與生產(chǎn)過(guò)程的可靠性。

根據(jù)測(cè)量原理的不同，刀具磨損檢測(cè)方法可分為間接檢測(cè)與直接檢測(cè)兩類(lèi)。間接檢測(cè)法通過(guò)采集加工過(guò)程中的能耗[2]、切削力[3]、聲發(fā)射[4]、主軸功率[5]等信號(hào)，建立特征信號(hào)與刀具磨損間的關(guān)系模型，實(shí)現(xiàn)刀具磨損狀態(tài)的實(shí)時(shí)檢測(cè)。但此方法受干擾嚴(yán)重，所提供的信息難以指導(dǎo)最優(yōu)的刀具更換[6]。

直接檢測(cè)法以刀具本身為檢測(cè)目標(biāo)，具有更高的檢測(cè)精度[7]。基于機(jī)器視覺(jué)的檢測(cè)方法直接對(duì)刀具圖像進(jìn)行處理，在提高測(cè)量效率與精度的基礎(chǔ)上提供更豐富的磨損信息。YU等[8]利用快速非局部均值去噪算法對(duì)圖像進(jìn)行處理，并通過(guò)雙閾值算法提取刀具磨損信息。針對(duì)磨損區(qū)域的不規(guī)則性，ZHU等[9]提出了一種基于形態(tài)成分分析的區(qū)域生長(zhǎng)算法，將刀具圖像分為目標(biāo)圖像、背景圖像與噪聲圖像三部分，進(jìn)而提取磨損區(qū)域。魏效玲等[10]通過(guò)擬合銑刀底刃線實(shí)現(xiàn)刀具磨損的定位。上述方法所針對(duì)的刀具圖像中干擾較少。實(shí)際加工環(huán)境的復(fù)雜性使得刀具表面存在較多的條紋等干擾因素，磨損區(qū)域內(nèi)部像素特點(diǎn)也具有一定的差異性，低質(zhì)量的刀具圖像使得上述算法不再適用。

針對(duì)以上問(wèn)題，本文提出一種抗干擾能力更強(qiáng)的車(chē)銑刀具磨損檢測(cè)算法，通過(guò)條紋去除、圖像自適應(yīng)增強(qiáng)、多輪圖像分割、刀刃線重構(gòu)等方法實(shí)現(xiàn)了復(fù)雜刀具圖像磨損信息的自動(dòng)提取。

1 刀具磨損檢測(cè)方法

本文提出的刀具磨損檢測(cè)流程如圖1所示，通過(guò)條紋去除、背景區(qū)分割、自適應(yīng)增強(qiáng)、刀體非磨損區(qū)分割以及磨損區(qū)提取等過(guò)程實(shí)現(xiàn)刀具磨損信息的準(zhǔn)確提取。

圖1 刀具磨損檢測(cè)流程

1.1 基于傅里葉變換的刀體條紋去除

刀具圖像采集過(guò)程中會(huì)引入許多噪聲，刀具表面的紋理干擾也會(huì)被放大，影響后續(xù)刀具磨損區(qū)的提取。因此，采用雙邊濾波算法去除圖像中的噪聲。刀具紋理為一系列平行條紋線，通過(guò)傅里葉變換將空間域圖像轉(zhuǎn)至頻域空間，去除條紋對(duì)應(yīng)的頻率分量，進(jìn)而實(shí)現(xiàn)刀體條紋的去除。

如圖2所示，二維圖像可看作以像素值為Z坐標(biāo)的三維曲面。依據(jù)傅里葉變換[11]可將三維曲面分解為多個(gè)不同的正弦平面波。對(duì)于大小為M×N的空間域圖像f(x,y)，其頻率空間的表達(dá)可由下式求得：

(1)

式中，F(xiàn)(u,v)為圖像的頻域空間表達(dá)；x、y為圖像行、列坐標(biāo)；離散變量u和v在0,1,…,M-1和0,1,…,N-1內(nèi)取值。

(a) 二維刀具圖像 (b) 刀具三維曲面圖像

圖2中刀具圖像對(duì)應(yīng)的傅里葉頻譜圖如圖3a所示，圖3b為對(duì)比度增強(qiáng)、局部放大后的頻譜圖?？臻g域的條紋線在頻域空間表現(xiàn)為沿條紋分布方向的直線[12]。

(a) 頻譜圖 (b) 增強(qiáng)后的頻譜圖

利用霍夫變換[13]檢測(cè)頻譜圖中的直線，并求取各直線斜率，將具有傾斜角度的直線附近的頻率分量置零，實(shí)現(xiàn)頻率空間的條紋去除。最后，通過(guò)傅里葉逆變換得到去除條紋后的空間域圖像，結(jié)果如圖4所示。傅里葉逆變換結(jié)果可由式(2)得到：

(2)

(a) 去條紋刀具圖 (b) 去條紋三維刀具圖

1.2 基于自適應(yīng)區(qū)域生長(zhǎng)的圖像背景區(qū)分割

刀具磨損圖像可分為背景區(qū)、磨損區(qū)以及刀體非磨損區(qū)3個(gè)區(qū)域。其中，背景區(qū)域內(nèi)部像素灰度變化較為平緩，像素值明顯不同于刀體區(qū)。磨損的不均勻性使磨損區(qū)域像素分布較為復(fù)雜，內(nèi)部干擾嚴(yán)重。刀體非磨損區(qū)像素差異介于兩者之間，但與磨損區(qū)有明顯的分界線。若直接以磨損區(qū)域?yàn)槟繕?biāo)進(jìn)行分割，會(huì)導(dǎo)致分割結(jié)果不完整，因此，分別對(duì)背景區(qū)與刀體非磨損區(qū)進(jìn)行分割，通過(guò)合并兩者結(jié)果得到磨損區(qū)圖像。

區(qū)域生長(zhǎng)算法的基本流程為：從目標(biāo)區(qū)域內(nèi)選取種子點(diǎn)作為生長(zhǎng)起點(diǎn)，以一定規(guī)則向外擴(kuò)展，將具有相似性質(zhì)的點(diǎn)集合并。其關(guān)鍵在于生長(zhǎng)起點(diǎn)的選取與生長(zhǎng)規(guī)則的確定?？紤]到背景區(qū)像素值低于刀體區(qū)域，且刀具不會(huì)同時(shí)占據(jù)圖像的4個(gè)角點(diǎn)，采用以下自適應(yīng)區(qū)域生長(zhǎng)流程進(jìn)行背景區(qū)分割：

步驟1：對(duì)條紋去除后的圖像進(jìn)行灰度化處理；

步驟2：分別選4個(gè)角點(diǎn)5×5鄰域內(nèi)的像素點(diǎn)，以每個(gè)鄰域內(nèi)像素中值對(duì)應(yīng)的點(diǎn)為代表點(diǎn)，將像素值最小的點(diǎn)作為區(qū)域生長(zhǎng)起點(diǎn)；

步驟3：繪制圖像灰度直方圖，以直方圖中局部極小值點(diǎn)對(duì)應(yīng)的像素值與生長(zhǎng)起點(diǎn)像素值的差值為初始閾值對(duì)圖像進(jìn)行分割；

步驟4：通過(guò)式(3)～式(5)計(jì)算分割后背景區(qū)與刀體區(qū)間的方差，向方差增大的方向更新閾值[14]；

步驟5：重復(fù)步驟4，直至分割結(jié)果方差達(dá)到最大值，背景區(qū)域分割結(jié)束。

(3)

(4)

σ2=P1(μ1-μ)2+P2(μ2-μ)2

(5)

式中，P1、P2分別為背景區(qū)、刀體區(qū)中各個(gè)像素值出現(xiàn)的概率；ni、mi分別為灰度值i在背景區(qū)、刀體區(qū)的像素?cái)?shù)；T1、T2為背景區(qū)與刀體區(qū)的灰度最大值；N0為圖像像素總數(shù)；μ1、μ2、μ為背景區(qū)、刀體區(qū)、整幅圖像的灰度均值。

1.3 圖像對(duì)比度自適應(yīng)增強(qiáng)

為凸顯磨損區(qū)，通過(guò)分段線性變換對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)?？紤]到灰度圖會(huì)丟失部分圖像信息，將圖像轉(zhuǎn)換至HSI(hue-saturation-intensity)色彩空間進(jìn)行增強(qiáng)。相比于RGB(red-green-blue)色彩空間，HSI色彩空間減少了各維度顏色信息之間的耦合程度，便于對(duì)圖像進(jìn)行增強(qiáng)調(diào)整[11]，不同色彩空間下的刀具圖像如圖5所示。

(a) RGB圖像 (b) 灰度圖像 (c) HSI圖像

分段線性變換通過(guò)對(duì)不同范圍內(nèi)的像素值進(jìn)行差異性調(diào)整實(shí)現(xiàn)圖像的對(duì)比度增強(qiáng)。其基本形式如式(6)所示：

(6)

式中，g(x,y)為增強(qiáng)后圖像；t1、t2為臨界像素值；k1、k2、k3為放大系數(shù)，通過(guò)調(diào)整k1、k2、k3的大小，可對(duì)不同像素進(jìn)行差異性處理。

HSI色彩空間下刀具圖像各個(gè)通道圖如圖6所示。磨損區(qū)飽和度與刀體非磨損區(qū)有較大差異。背景分割圖中，刀體區(qū)與背景區(qū)交界線為刀刃輪廓線。以此為依據(jù)，分別在靠近刀刃線、遠(yuǎn)離刀刃線的刀體區(qū)域隨機(jī)取點(diǎn)，以相應(yīng)點(diǎn)集對(duì)應(yīng)的飽和度均值作為線性變換函數(shù)中的t2、t1，使k3大于k1、k2，實(shí)現(xiàn)磨損區(qū)域飽和度增強(qiáng)。亮度圖中，磨損區(qū)與非磨損區(qū)差異較小，刀體區(qū)存在光照不均勻現(xiàn)象，兩側(cè)亮度較低，以刀體區(qū)亮度均值為t2，t1為t2/2，使k2大于k1、k3，改善局部區(qū)域較暗的情況。

(a) 色調(diào)像 (b) 飽和度圖 (c) 亮度圖

1.4 基于多區(qū)域生長(zhǎng)的刀體非磨損區(qū)域分割

經(jīng)對(duì)比度增強(qiáng)后，磨損區(qū)與刀體非磨損區(qū)間的像素差異被拉大。在RGB色彩空間中進(jìn)行區(qū)域生長(zhǎng)，實(shí)現(xiàn)刀體非磨損區(qū)的分割。刀體非磨損區(qū)域內(nèi)的局部反光、雜物干擾等因素會(huì)使生長(zhǎng)過(guò)程提前中斷，為減弱此類(lèi)干擾的影響，選取多個(gè)起點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，各分割圖的合并結(jié)果即為刀體非磨損區(qū)域分割結(jié)果圖。算法步驟如下：

步驟1：以背景分割圖為模板，在靠近、遠(yuǎn)離刀刃輪廓線的刀體區(qū)域內(nèi)隨機(jī)取點(diǎn)，構(gòu)建點(diǎn)集S1、S2，點(diǎn)集中點(diǎn)數(shù)與輪廓線上的點(diǎn)數(shù)相等；

步驟2：計(jì)算S1、S2對(duì)應(yīng)的RGB色彩均值X1=[R1,G1,B1]，X2=[R2,G2,B2]，以X1、X2之間的歐式距離作為區(qū)域生長(zhǎng)閾值；

步驟3：從點(diǎn)集S2中均勻取n個(gè)點(diǎn)作為生長(zhǎng)起點(diǎn)，進(jìn)行n次區(qū)域生長(zhǎng)，對(duì)n次生長(zhǎng)結(jié)果圖進(jìn)行或運(yùn)算，得到刀體非磨損區(qū)分割結(jié)果。

1.5 刀具磨損區(qū)域提取

得到背景區(qū)與刀體非磨損區(qū)分割結(jié)果后，將兩者合并。此時(shí)，結(jié)果圖f1(x,y)中除磨損區(qū)外，還存在部分分割不徹底導(dǎo)致的干擾區(qū)域。相比于干擾區(qū)域，磨損區(qū)具有更大的面積，且形態(tài)上更為狹窄。通過(guò)連通域劃分提取f1(x,y)中的非零區(qū)域，計(jì)算各個(gè)區(qū)域的面積。選取面積最大的三個(gè)區(qū)域，計(jì)算它們的最小外接矩形，采用最小外接矩形的長(zhǎng)寬比對(duì)區(qū)域的狹長(zhǎng)度進(jìn)行度量，長(zhǎng)寬比最大的區(qū)域即為刀具磨損區(qū)域。采用Canny算子對(duì)磨損區(qū)域提取結(jié)果圖進(jìn)行邊緣檢測(cè)，得到磨損邊界線。

1.6 磨損邊界線重構(gòu)

刀具磨損區(qū)域沿刀刃展開(kāi)，在加工過(guò)程中，刀具微崩刃導(dǎo)致刀刃處材料缺失，磨損區(qū)與背景區(qū)之間的分界線內(nèi)偏[14]。此時(shí)，測(cè)得的磨損量整體偏小。因此，計(jì)算磨損量前對(duì)刀刃線進(jìn)行重構(gòu)。輪槽銑刀等刀具的刀刃線具有較小的曲率，為減小重構(gòu)誤差，采用最小二乘法對(duì)刀刃線進(jìn)行分段線性擬合。

依序采集刀刃線上的點(diǎn)，存入點(diǎn)集S3，依據(jù)刀刃線曲率將S3劃分為m個(gè)子集，曲率與m正相關(guān)。對(duì)每個(gè)子集進(jìn)行最小二乘法擬合，得到近似的原始刀刃輪廓線。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)裝置

為驗(yàn)證本文算法的有效性，選擇用于汽輪機(jī)轉(zhuǎn)子輪槽加工的J1型輪槽銑刀進(jìn)行實(shí)驗(yàn)。采用XDC-10A-E630型顯微鏡進(jìn)行圖像離線采集。相應(yīng)采集裝置如圖7a所示。為將圖像中像素間距與實(shí)際尺寸關(guān)聯(lián)，采用圖7b所示標(biāo)定板計(jì)算圖像像素當(dāng)量γ。采用圖像采集裝置對(duì)標(biāo)定板進(jìn)行拍攝，其每個(gè)方格實(shí)際長(zhǎng)度為l，像素長(zhǎng)度為q，則該放大倍數(shù)下像素當(dāng)量γ為：

γ=l/q

(7)

將計(jì)算得到的以像素為單位的磨損量乘以像素當(dāng)量γ，即可得到實(shí)際的磨損參數(shù)。

(a) 圖像采集裝置 (b) 標(biāo)定板

2.2 刀具磨損測(cè)量

輪槽銑刀每加工一條輪槽便進(jìn)行一次磨損圖像采集，對(duì)得到的圖像進(jìn)行處理，獲取最大磨損寬度，并求平均寬度以及磨損面積等全局性參數(shù)。磨損面積通過(guò)統(tǒng)計(jì)磨損區(qū)域內(nèi)部像素點(diǎn)數(shù)求得，除以刀刃線長(zhǎng)度得平均磨損寬度。同時(shí)記錄工人用顯微鏡測(cè)得的最大磨損帶寬度作為對(duì)比量，用于驗(yàn)證本文算法的有效性。

如圖8所示，經(jīng)條紋去除、背景區(qū)分割、圖像增強(qiáng)、刀體非磨損區(qū)分割、連通域劃分等過(guò)程從刀具圖像中提取刀具磨損區(qū)域。將刀刃輪廓點(diǎn)劃分為3組，對(duì)每個(gè)點(diǎn)集進(jìn)行最小二乘線性擬合，實(shí)現(xiàn)刀刃線重構(gòu)，進(jìn)而求取刀具磨損量。

圖8 刀具磨損區(qū)域提取流程

2.3 算法結(jié)果對(duì)比

為驗(yàn)證本文算法在提取復(fù)雜圖像中磨損區(qū)域的優(yōu)越性，使用Otsu算法、文獻(xiàn)[8]中的Otsu雙閾值法、基于邊緣信息的Otsu算法以及從磨損區(qū)域開(kāi)始的區(qū)域生長(zhǎng)算法提取磨損區(qū)域，結(jié)果如圖9所示。圖9e處理的為原始圖像，圖9f處理的為去條紋并增強(qiáng)之后的圖像。

對(duì)比各算法分割結(jié)果可得，由于灰度圖像中磨損區(qū)與刀體非磨損區(qū)像素差異并不顯著，基于Otsu的閾值分割類(lèi)算法難以對(duì)磨損區(qū)與刀體非磨損區(qū)進(jìn)行區(qū)分。圖9e與圖9f中區(qū)域生長(zhǎng)算法的起點(diǎn)與閾值由人工選取。人工選定生長(zhǎng)閾值的原則為：若閾值繼續(xù)增大會(huì)將非磨損區(qū)域納入分割結(jié)果圖，則此時(shí)的閾值為最優(yōu)閾值。由于磨損區(qū)內(nèi)部像素分布差異較大，難以同時(shí)滿足分割完整性與正確性，若要分割整個(gè)磨損區(qū)，則會(huì)將部分非磨損區(qū)也納入磨損區(qū)。對(duì)比圖9e與圖9f，經(jīng)條紋去除、對(duì)比度增強(qiáng)后，磨損區(qū)內(nèi)狹縫減少，磨損區(qū)靠刀體一側(cè)邊界更為準(zhǔn)確，證明了條紋去除與圖像增強(qiáng)的有效性。

(a) 本文算法結(jié)果 (b) Otsu結(jié)果

綜合對(duì)比各算法結(jié)果圖可得，在處理磨損區(qū)域復(fù)雜的刀具圖像時(shí)，本文算法可以更準(zhǔn)確的提取到磨損區(qū)域。

2.4 算法有效性分析

為驗(yàn)證本文算法的有效性，以工人用顯微鏡測(cè)得的最大磨損寬度為參考，分析測(cè)量誤差與兩組數(shù)據(jù)的一致性，進(jìn)而證明算法有效性。磨損數(shù)據(jù)如表1所示。

表1 本文算法結(jié)果與人工測(cè)量結(jié)果對(duì)比 (μm)

通過(guò)式(8)可得：對(duì)于最大磨損帶寬度，本文算法測(cè)量的平均相對(duì)誤差為1.79%，平均準(zhǔn)確率為98.21%，最大相對(duì)誤差為3.3%。

(8)

式中，δ為相對(duì)誤差；W為本文算法測(cè)得的最大磨損寬度；R為人工測(cè)量值。

此外，為證明本文算法可有效替代人工測(cè)量，采用Bland-Altman散點(diǎn)圖進(jìn)行一致性分析。Bland-Altman散點(diǎn)圖是一種可用于判斷兩種方式測(cè)定結(jié)果等效性的方法[15]，其繪制方法為：以兩組數(shù)據(jù)均值x為橫坐標(biāo)，差值y為縱坐標(biāo)繪制散點(diǎn)圖，以y0±1.96Sd為參考線，其中y0為y的均值，Sd為y的標(biāo)準(zhǔn)差，稱(chēng)兩參考線之間的區(qū)間范圍為95%一致性界限(95% limits of agreement,95%LoA)。

圖10 兩方法結(jié)果的Bland-Altman散點(diǎn)圖

計(jì)算得y0=1.132 μm，Sd=4.736 μm，LoA為[-8.150，10.415]，Bland-Altman散點(diǎn)圖如圖10所示。20個(gè)數(shù)據(jù)點(diǎn)均位于LoA范圍內(nèi)，因此可認(rèn)為兩種方法具有較好的一致性，可相互替代。

3 結(jié)論

本文提出一種基于機(jī)器視覺(jué)的車(chē)銑刀具磨損檢測(cè)方法，能夠自動(dòng)識(shí)別刀具磨損區(qū)域，提取磨損面積、平均磨損寬度等刀具磨損全局信息。采用傅里葉變換去條紋與自適應(yīng)對(duì)比度增強(qiáng)改善圖像質(zhì)量，通過(guò)排除背景區(qū)與刀體非磨損區(qū)得到像素分布較為復(fù)雜的磨損區(qū)

域，結(jié)合以上措施提高算法抗干擾能力，解決了低質(zhì)量圖像中磨損區(qū)域提取困難的問(wèn)題。所測(cè)量的刀具最大磨損寬度與人工測(cè)量結(jié)果具有較好的一致性，本文方法可有效代替人工測(cè)量法，實(shí)現(xiàn)刀具磨損信息的自動(dòng)提取。同時(shí)，避免人工測(cè)量引入的主觀誤差，實(shí)現(xiàn)車(chē)銑刀具磨損狀態(tài)的有效檢測(cè)。