面向立銑刀磨損的在機視覺檢測方法研究

劉建春，蘇進發(fā)，葉中趙，尹露露

(1.廈門理工學(xué)院機械與汽車工程學(xué)院，福建廈門 361024；2.廈門市機器人系統(tǒng)與數(shù)字制造重點實驗室，福建廈門 361024；3.廈門理工學(xué)院電氣工程與自動化學(xué)院，福建廈門 361024)

0 前言

在銑削加工中，超過1/5的停機時間是由刀具狀態(tài)失效引起的[1]。因此，定期掌握刀具加工狀態(tài)的變化，能有效防止過早更換刀具或已廢刀具影響零件質(zhì)量，可顯著提升銑削效率，充分發(fā)揮立銑刀利用率。然而，傳統(tǒng)的刀具磨損檢測方法，主要由人工判斷或測量儀器離線檢測等[2]。以上方法需停止加工流程，并取下刀具，才可進行檢測，頻繁裝卸刀具，嚴重降低機加工效率[3]。

立銑刀的檢測可分為間接測量法與直接測量法[4]。近年來，圖像視覺技術(shù)迅速發(fā)展，基于機器視覺的刀具磨損直接測量法成為國內(nèi)外主要研究內(nèi)容之一[2]。彭銳濤等[5]基于Canny算子與灰度矩進行亞像素邊緣檢測，獲取磨損輪廓；劉禮平等[6]基于單視角圖像分析刀具磨損量，將前后的全景深圖像進行配準(zhǔn)得出刀具磨損區(qū)，再轉(zhuǎn)化為實際磨損量；MOLDOVAN等[7]采用OTSU法得到立銑刀待測區(qū)二值圖像，結(jié)合Sobel算子識別刀具磨損。以上研究提供了多種視覺處理方法，優(yōu)化了立銑刀視覺檢測效果，但未能實現(xiàn)在機檢測，檢測效率不高。

對于在機視覺檢測的研究，DAI和ZHU[8]在微銑削加工中心工作臺搭建了一種刀具視覺檢測裝置，提出微型立銑刀底刃磨損的圖像處理算法；賈冰慧[9]設(shè)計了多連桿機構(gòu)夾持相機實現(xiàn)水平與垂直兩方向翻轉(zhuǎn)的視覺檢測裝置，并基于Lanser-facet算子進行亞像素邊緣提取，得到刀具磨損輪廓；HOU等[10]搭建在機檢測系統(tǒng)，利用偏角閾值獲得刀具磨損輪廓，采用最小二乘法擬合刀刃原輪廓，計算立銑刀后刀面最大磨損寬度。上述研究與第一代產(chǎn)品[11]的檢測方式都是將檢測裝置搭建于加工中心內(nèi)部，占用較大空間，影響加工，且加工過程冷卻液、碎屑等四處噴濺，容易導(dǎo)致光學(xué)鏡頭損壞。顯然，與加工中心相對獨立的在機視覺檢測方式，具有不影響銑削加工、顯著提升銑削加工效率的優(yōu)勢。

1 在機視覺檢測系統(tǒng)設(shè)計

針對上述檢測方式的問題，提出基于伸縮式連桿傳動機構(gòu)的在機視覺檢測方案。其中，圖像采集裝置采用圖1所示雙相機回轉(zhuǎn)檢測方式，該檢測方式可同時完成立銑刀底面與側(cè)面切削刃檢測。

圖1 雙相機回轉(zhuǎn)檢測方案

根據(jù)設(shè)計要求進行三維建模、零部件選型加工、實際平臺搭建等步驟，最終搭建出圖2所示檢測系統(tǒng)。檢測機構(gòu)底座安裝于加工中心側(cè)面觀察窗口的外壁，系統(tǒng)進行檢測時，圖像采集裝置伸入機床進行立銑刀圖像采集；檢測系統(tǒng)處于停止或待機狀態(tài)時，圖像采集裝置回縮至機床外部保護裝置內(nèi)，不干涉機床加工，并關(guān)閉窗口處的密封門，確保工業(yè)相機不受機床內(nèi)部惡劣環(huán)境的影響而損壞。

圖2 在機視覺檢測系統(tǒng)

2 立銑刀磨損檢測識別

2.1 立銑刀磨鈍判據(jù)

據(jù)GB/T 16460—2016[12]，刀具切削工件時，最大磨損區(qū)出現(xiàn)在刀刃后刀面與工件摩擦部位，因此，常用后刀面磨損帶寬度值(aVB)作為磨鈍判據(jù)。根據(jù)參與切削的工作區(qū)域劃分，立銑刀可分為底面切削刃和側(cè)面圓周切削刃兩部分(以下簡稱為底刃與側(cè)刃)。立銑刀底刃和側(cè)刃磨損模型分別如圖3(a)、(b)所示。在立銑刀銑削加工中，大多在不均勻磨損情況下進行，因此，以后刀面最大磨損寬度值aVB，max<0.5 mm作為磨鈍判據(jù)。后刀面磨損平面展開模型如圖3(c)所示。

圖3 立銑刀磨鈍模型

2.2 立銑刀磨損檢測圖像處理

2.2.1 基于改進OTSU的圖像分割

實際工業(yè)現(xiàn)場中，受環(huán)境照明光線和亮度影響，易產(chǎn)生噪聲。為降低環(huán)境噪聲的干擾，需采用閾值分割算法對刀具灰度圖像降噪，提高圖像的辨析度。最大類間方差法(OTSU)[13]可將圖像分成圖像背景和目標(biāo)區(qū)域。對圖4(a1)(b1)所示的刀具底刃、側(cè)刃磨損圖像，傳統(tǒng)OTSU分割效果如圖4(a2)(b2)所示：傳統(tǒng)的OTSU用于刀具磨損圖像閾值分割時，明顯存在邊界不清晰、抗干擾性差、穩(wěn)定性不足等缺陷。為改進傳統(tǒng)OTSU的不足，本文作者引入迭代法與類內(nèi)方差函數(shù)進行改進。

圖4 分割效果對比

初選閾值T0(圖像灰度平均值)，將刀具圖像灰度直方圖分為M、N兩部分，灰度平均值分別設(shè)為m1、n1。通過迭代計算，T0更新為T1，直到第i次迭代時，相鄰的|Ti-Ti-1|<Δt。迭代過程如下：

(1)

立銑刀底刃、側(cè)刃用迭代法分割效果如圖4(a3)、(b3)所示。迭代法收斂速度快，但對噪聲敏感，在邊緣區(qū)域區(qū)分度不佳，對細微邊緣提取效果不好。

用迭代法得到的閾值T，作為后續(xù)算法的初閾值。刀具圖像的灰度級范圍[0，l-1]內(nèi)各灰度值出現(xiàn)的概率為pi，A區(qū)間[0，T-1]的平均灰度為μ0，B區(qū)間[T，l-1]的平均灰度為μ1。類內(nèi)方差可較好反映類內(nèi)變量的差異，表征區(qū)域圖像平穩(wěn)性。引入類內(nèi)方差函數(shù)改進OTSU算法，得到新的分割算法如下：

(2)

(3)

(4)

(5)

(6)

(7)

(8)

刀具底刃、側(cè)刃磨損圖像采用改進的OTSU算法進行圖像分割處理，效果如圖4(a4)、(b4)所示。選用分割準(zhǔn)確率As作為評價指標(biāo)[14]，以定量方式考察改進算法的優(yōu)劣。

(9)

其中：Ra為實際磨損區(qū)域的像素數(shù)量；Rm為分割算法實際得到的像素點數(shù)量。經(jīng)過計算得出3種不同分割算法準(zhǔn)確率數(shù)據(jù)，如表1所示。

表1 不同算法分割效果比較

由圖4、表1可得：與迭代法和傳統(tǒng)OTSU相比，改進OTSU算法表現(xiàn)出更高的分割準(zhǔn)確率，且提升了穩(wěn)定性；在分割效果上，文中算法修正了邊界模糊的缺陷，抗噪能力更強，所分割的圖像邊界較完整，邊緣表現(xiàn)較清晰。

2.2.2 刀具磨損邊緣提取

經(jīng)圖像預(yù)處理，通過輪廓提取算法進行刀刃磨損邊緣提取。Canny算子可用于檢測不同方向的邊緣，所獲取的磨損邊緣屬于像素級[15]。具體處理過程如圖5所示。

圖5 Canny算法處理流程

為獲得準(zhǔn)確的刀具磨損輪廓，引入基于灰度矩的亞像素邊緣提取方法，根據(jù)實際邊緣與理想階躍邊緣的灰度矩旋轉(zhuǎn)不變特性，獲得更準(zhǔn)確刀刃磨損亞像素邊緣。以圖6(a)所示側(cè)刃為待測輪廓，進行輪廓提取，圖6(b)為Canny邊緣放大圖，得到的側(cè)刃磨損邊緣較完整，但同時也包含了一些無益的輪廓噪聲；而基于灰度矩得到的亞像素邊緣較精確，噪聲少。因此，將兩者結(jié)合得出最終的磨損邊界亞像素邊緣，如圖6(c)所示。

圖6 側(cè)刃輪廓提取

2.3 立銑刀輪廓模型

如圖7(a)所示，設(shè)以裁剪后的刀具圖像頂端邊界為X軸，立銑刀中軸線為Z軸，兩軸交點為點O，建立坐標(biāo)系。切削刃輪廓方程如下：

圖7 刀具輪廓擬合

(10)

XOZ平面上的曲線投影方程如下：

(11)

其中：點O像素坐標(biāo)(x0，z0)，刀具切削刃輪廓上任一點(x1，z1)，則切削刃磨損擬合輪廓方程如下：

(12)

通過式(12)函數(shù)迭代計算，可獲得切削刃輪廓。在一定范圍內(nèi)，切削刃輪廓放大后可近似成直線，如圖7(b)所示。經(jīng)過磨損后的刀具靠近刀尖處嚴重內(nèi)縮，不適合于切削刃原輪廓擬合，因此選用遠離刀尖的切削刃輪廓點集(xi，zi)經(jīng)最小二乘法直線擬合[16]，并去除超過設(shè)定距離閾值的點，直至所擬合直線中距離過大的點在合理范圍內(nèi)。立銑刀原切削刃的擬合方程為

(13)

通過擬合的原輪廓與磨損輪廓對比求差，可求得切削刃后刀面最大磨損寬度aVB，max。切削刃擬合效果如圖7(c)所示。

3 立銑刀檢測實驗與分析

用5把直徑為10 mm的四刃硬質(zhì)合金立銑刀，在相同加工條件下銑削45鋼。每隔一定時間，用所搭建的立銑刀磨損在機檢測系統(tǒng)對實驗刀具進行4次檢測，分別對應(yīng)每一切削刃，得出刀具對應(yīng)后刀面磨損寬度的平均測量值Dm；用影像測量儀(天準(zhǔn)VMC322)同樣進行4次檢測，取平均測量結(jié)果作為真實值Da，直至5把刀具全部報廢。采用相對偏差Err作為評價指標(biāo)：

(14)

最終得到14組平均值數(shù)據(jù)，如表2所示?？傻茫簷z測系統(tǒng)測量偏差Δ<0.01 mm，平均相對偏差Err為4.02%，即平均準(zhǔn)確率達到95.98%。

表2 立銑刀磨損測量數(shù)據(jù)

對檢測系統(tǒng)與影像測量儀測量的立銑刀磨損數(shù)據(jù)進一步對比分析，得到立銑刀全生命周期內(nèi)的磨損變化曲線，如圖8所示。根據(jù)磨損率變化曲線，立銑刀的生命周期大致可分為4個磨損狀態(tài)，并劃分出每個狀態(tài)對應(yīng)磨損區(qū)間范圍，如表3所示。

表3 立銑刀全生命周期

圖8 立銑刀磨損變化曲線

其中，a、b、c、d的平均相對偏差分別為7%、3.16%、2.34%、1.43%，即每個階段的平均準(zhǔn)確率都達到93%以上，有效驗證了系統(tǒng)的穩(wěn)定性。實驗得出的立銑刀磨損率變化曲線符合刀具壽命變化規(guī)律。其中，初期磨損階段相對偏差較大的原因在于磨損量真實值基數(shù)較小時，微小偏差的占比大；進入穩(wěn)定磨損階段后，磨損量和磨損率變化較均勻，測量偏差和平均相對偏差較穩(wěn)定；達到劇烈磨損階段的磨損率變化大。磨損變化量急劇上升，檢測系統(tǒng)的測量偏差也隨之變大。因此，磨損值達到該階段時，應(yīng)關(guān)注立銑刀磨損量變化，若已不滿足加工精度要求，及時更換刀具。

綜合以上分析，在機視覺檢測系統(tǒng)的檢測算法可有效提取刀具切削刃磨損輪廓，能保證檢測精度，運行穩(wěn)定；所提取的輪廓貼近實際刀具磨損邊界輪廓，滿足工業(yè)現(xiàn)場對刀具磨損在機檢測的要求。

4 結(jié)論

用迭代法迅速收斂的特性得到刀具圖像磨損區(qū)初閾值，引入類內(nèi)方差改進最大類間方差法。與兩種方法進行立銑刀底刃、側(cè)刃磨損圖像分割效果對比，文中算法修正了傳統(tǒng)算法邊界模糊、紋理識別不全、對噪聲敏感的缺陷。根據(jù)圖像灰度矩旋轉(zhuǎn)不變特性，提取亞像素級磨損邊緣?；趫D像平面，創(chuàng)建立銑刀磨損輪廓模型并重構(gòu)切削刃原輪廓，實現(xiàn)立銑刀磨損快速檢測。

以四刃平頭立銑刀為對象開展銑削45鋼實驗，得出立銑刀生命周期內(nèi)的磨損變化曲線。用影像測量儀進行參照對比，所搭建的在機檢測系統(tǒng)對立銑刀磨損檢測的測量偏差小于0.01 mm，在立銑刀生命周期內(nèi)的各磨損階段的平均準(zhǔn)確率均達到93%以上，綜合平均準(zhǔn)確率達到95.98%，檢測系統(tǒng)的準(zhǔn)確性和穩(wěn)定性表現(xiàn)良好，滿足立銑刀在機視覺檢測的要求。