CN116309602B - 基于机器视觉的数控钻铣床工作状态检测方法 - Google Patents

Abstract

本申请涉及一种基于机器视觉的数控钻铣床工作状态检测方法，通过判断数控钻铣床工作时加工的工件表面磨削情况对数控钻铣床工作的状态进行评价，从像素点的梯度方向特征出发，获取工件表面对应的各像素点的梯度分布直方图，根据梯度分布直方图得到梯度特征矩阵，得到突出各像素点位置处形态表征的特征的特征提取结果；其次，根据各像素点提取的梯度特征矩阵之间的相似度对图像进行区域划分，得到工件表面的各个损伤位置，这些损伤位置包含正常磨削区域和疑似异常区域；再根据正常磨损出现的损伤的方向一致性和直线形态特征对损伤位置进行评价，根据评价结果判断是否存在异常损伤并对数控钻铣床工作状态进行判断，使判断更为精确。

Description

基于机器视觉的数控钻铣床工作状态检测方法

技术领域

本申请涉及图像数据处理技术领域，特别是涉及一种基于机器视觉的数控钻铣床工作状态检测方法。

背景技术

为达到设备日益增长的精度要求，人们对机械零件的加工精度要求越来越高，普通机床或专用化程度高的自动化机床已不能达到这些要求，综合应用了电子计算机、自动控制、精密测量和新型机械结构等多方面的技术成果的数控机床应运而生。数控钻铣床在使用过程中，通过铣刀对金属材料进行切削、摩擦后得到目标零件的形状，所以数控钻铣床具有适应性强、加工精度高、加工质量稳定和生产效率高等优点。但是，若铣刀在使用的过程中出现磨损，就会在加工过程中损坏金属零件，导致加工精度不足，影响零件后续的使用。所以通常会在零件加工完成后对零件表面的加工质量进行检测，以达到对数控钻铣床工作状态的检测。

现有的对数控钻铣床工作状态检测的方法一般使用神经网络，检测效果过于依赖大量训练集和人工标注的标签，难以脱离大量人工标注要求，且无法根据零件表面的状态对数控钻铣床工作状态进行检测。

发明内容

基于此，有必要针对现有的对数控钻铣床工作状态检测的方法一般使用神经网络，检测效果过于依赖大量训练集和人工标注的标签，难以脱离大量人工标注要求，且无法根据零件表面的状态对数控钻铣床工作状态进行检测的问题，提供一种基于机器视觉的数控钻铣床工作状态检测方法。

本申请提供一种基于机器视觉的数控钻铣床工作状态检测方法，包括：

在对工件执行一个处理工序后，获取工件表面图像并对工件表面图像进行预处理，得到工件表面灰度图像，提取工件表面灰度图像中经所述处理工序加工后的表面区域，得到磨削处理图；

提取磨削处理图中每一个像素点的梯度特征，分析不同像素点之间梯度特征的差异，将磨削处理图划分为多个工件表面区域和多个疑似刀痕区；

依据各个疑似刀痕区内各像素点间的差异程度和各个疑似刀痕区之间的方向一致性，对数控钻铣床工作状态进行判断，得到数控钻铣床工作状态的判断结果；

每当对工件执行一个处理工序后，均对应执行一次所述得到数控钻铣床工作状态的判断结果的过程。

本申请涉及一种基于机器视觉的数控钻铣床工作状态检测方法，通过判断数控钻铣床工作时加工的工件表面磨削情况对数控钻铣床工作的状态进行评价，从像素点的梯度方向特征出发，获取工件表面对应的各像素点的梯度分布直方图，根据梯度分布直方图得到梯度特征矩阵，得到突出各像素点位置处形态表征的特征的特征提取结果；其次，根据各像素点提取的梯度特征矩阵之间的相似度对图像进行区域划分，得到工件表面的各个损伤位置，这些损伤位置包含正常磨削区域和疑似异常区域；再根据正常磨损出现的损伤的方向一致性和直线形态特征对损伤位置进行评价，根据评价结果判断是否存在异常损伤并对数控钻铣床工作状态进行判断，使判断更为精确。

附图说明

图1为本申请一实施例提供的基于机器视觉的数控钻铣床工作状态检测方法的流程示意图。

图2为运用本申请一实施例提供的基于机器视觉的数控钻铣床工作状态检测方法得到的工件表面灰度图像的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供一种基于机器视觉的数控钻铣床工作状态检测方法。需要说明的是，本申请提供的基于机器视觉的数控钻铣床工作状态检测方法的应用于任何种类的数控钻铣床。

如图1所示，在本申请的一实施例中，所述基于机器视觉的数控钻铣床工作状态检测方法包括如下S100至S400：

S100，在对工件执行一个处理工序后，获取工件表面图像并对工件表面图像进行预处理，得到工件表面灰度图像，提取工件表面灰度图像中经所述处理工序加工后的表面区域，得到磨削处理图。

S200，提取磨削处理图中每一个像素点的梯度特征，分析不同像素点之间梯度特征的差异，将磨削处理图划分为多个工件表面区域和多个疑似刀痕区。

S300，依据各个疑似刀痕区内各像素点间的差异程度和各个疑似刀痕区之间的方向一致性，对数控钻铣床工作状态进行判断，得到数控钻铣床工作状态的判断结果。

S400，返回所述S100。

具体地，超像素分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。超像素分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。

使用高斯滤波去噪主要有以下优点：

1、提高图像质量。2、方便后续处理。3、增强视觉效果。4、降低数据量。

本申请涉及一种基于机器视觉的数控钻铣床工作状态检测方法，通过判断数控钻铣床工作时加工的工件表面磨削情况对数控钻铣床工作的状态进行评价，从像素点的梯度方向特征出发，获取工件表面对应的各像素点的梯度分布直方图，根据梯度分布直方图得到梯度特征矩阵，得到突出各像素点位置处形态表征的特征的特征提取结果。其次，根据各像素点提取的梯度特征矩阵之间的相似度对图像进行区域划分，得到工件表面的各个损伤位置，这些损伤位置包含正常磨削区域和疑似异常区域。再根据正常磨损出现的损伤的方向一致性和直线形态特征对损伤位置进行评价，根据评价结果判断是否存在异常损伤并对数控钻铣床工作状态进行判断，使判断更为精确。

在本申请的一实施例中，所述S100包括如下S110至S140：

S110，在对工件执行一个处理工序后，获取工件被处理面的图像，记为工件表面图像。

S120，将工件表面图像转化为灰度图像，得到工件表面灰度图像。

S130，对工件表面灰度图像进行高斯滤波去噪。

S140，基于GrabCut算法对高斯滤波去噪后的工件表面灰度图像进行分割，提取工件表面灰度图像中经所述处理工序加工后的表面区域，将所述经所述处理工序加工后的表面区域的图像作为磨削处理图。

具体地，S110中获取工件被处理面的图像时，可以使用到工业相机和LED灯拍摄，工业相机可以设置于数控钻铣床上可自由移动的机械臂末端，工业相机使用显微镜头，在显微镜头上端环绕安装有圆环形LED灯。

本实施例中，通过工业相机协同LED灯在铣刀对工件进行处理的每个工序完成后拍摄工件被处理面的图像，将获取的图像记为工件表面图像，工件表面图像为RGB图像，将工件表面图像转化为工件表面灰度图像，并使用高斯滤波对工件表面灰度图像进行去噪，去噪能够减少或消除图像中的噪声，使得图像更加干净和清晰，便于后续的处理和分析。

S140中，基于GrabCut算法将去噪后的工件表面灰度图像分割为多个区域，将这些区域中包含处理工序加工后的表面区域的图像记为磨削处理图，磨削处理图显示了工件表面经过上一工序磨削处理后的状况，使用不同粗糙程度的铣刀处理后工件表面的灰度图像表征也各不相同，沿铣刀磨削的方向出现重复规则的痕迹，如图2所示，为粗糙程度Ra取值不同、且加工方式不同的情况下所对应得到的不同的磨削处理图。

在本申请的一实施例中，所述S200包括：

S210，利用超像素分割将磨削处理图划分为多个磨削痕迹区域，不同磨削痕迹区域的纹理特征不同。

S220，在每一个磨削痕迹区域中，分析不同像素点之间梯度特征的差异，将每一个磨削痕迹区域划分为一个工件表面区域和多个疑似刀痕区。

具体地，为对工件表面灰度图像中这些重复出现的痕迹进行评价，判断磨削效果的一致性强弱、检查是否存在由于铣刀磨损导致的工件表面损伤，本实施例使用超像素分割将工件表面灰度图像划分为n个区域，每个区域对应工件表面一块纹理较为均匀一致的部分，记为一个磨削痕迹区域。可选地，n可以取50。

超像素分割指的是将数字图像细分为多个图像子区域（像素的集合）的过程。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。超像素分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。

本实施例中，当n=50时，此时磨削处理图被划分为磨削痕迹区域N1、磨削痕迹区域N2、...、磨削痕迹区域N50。

根据磨削痕迹区域N1中的像素点之间的梯度特征差异将磨削痕迹区域N1划分为工作表面区域W1和疑似刀痕区Z11、Z12、...、Z1x，x为磨削痕迹区域N1中疑似刀痕区的个数。

根据磨削痕迹区域N2中的像素点之间的梯度特征差异将磨削痕迹区域N2划分为工作表面区域W2和疑似刀痕区Z21、Z22、...、Z2y，y为磨削痕迹区域N2中疑似刀痕区的个数。

......

根据磨削痕迹区域N50中的像素点之间的梯度特征差异将磨削痕迹区域N50划分为工作表面区域W50和疑似刀痕区Z501、Z502、...、Z50u，u为磨削痕迹区域N50中疑似刀痕区的个数。

在本申请的一实施例中，所述S220包括如下S2221至S228：

S221，选取一个磨削痕迹区域。

S222，获取磨削痕迹区域内每个像素点的梯度特征矩阵。

S223，依据每个像素点的梯度特征矩阵获得该像素点与其他各像素点之间的梯度差异。

S224，根据各像素点之间的梯度差异将磨削痕迹区域内的所有像素点使用DBSCAN算法进行聚类，得到多个簇。

S225，获取每个簇内包含的各个像素点的位置，依据每个簇内包含的各个像素点的位置建立每个簇的二值图。

S226，对每个二值图进行连通域分析，得到多个连通域。

S227，将包含像素点数量最多的连通域作为工件表面区域，将其他连通域均作为疑似刀痕区。

S228，返回S221，直至所有磨削痕迹区域均被划分完毕。

具体地，S224中，由于磨削痕迹区域内每个像素点与其他各个像素点均有一个对应的梯度差异值，所以在其他各个像素点对应的梯度差异值进行聚类时，像素点可能会被划分到不同的簇中，计算该像素点被划分到各个簇中的次数，记被划分次数最多的簇为该像素点对应的簇。

本实施例中，当n=50时，则此时的磨削痕迹区域分别为N1，N2，...，N50，以磨削痕迹区域N1为例，磨削痕迹区域N1内包含像素点p1，p2，...，pm，m为磨削痕迹区域N1包含的像素点总数，获取磨削痕迹区域N1每个像素点对应的梯度特征矩阵。

依据公式2计算每个像素点与其他各像素点之间的梯度差异值，p1与其他像素点之间的梯度差异值分别记为g1,2、g1,3、...、g1,m；p2与其他像素点之间的梯度差异值分别记为g2,1、g2,3、...、g2,m；...；pm与其他像素点之间的梯度差异值分别记为gm,1、gm,2、...、gm,m-1。

对p1至pm对应的各梯度差异值使用DBSCAN算法，以4为最少点数目，7为半径进行聚类，得到多个簇，分别记为C1，C2，...，Cq，为簇的总数，每个簇内包含的刀痕像素点对应着同一个刀痕。

获取簇C1，C2，...，Cq内包含的像素点的位置，建立q张二值图，将这些二值图分别记为Q1，Q2，...，Qq,Q1内仅包含簇C1内的像素点；Q2内仅包含簇C2内的像素点；...；Qq内仅包含簇Cq内的像素点。

对Q1至Qq分别进行连通域分析，得到多个连通域。

由于工件刀痕位于工件的多个不同位置，对应多个连通域，每个连通域内包含的像素点数目较少，而工件表面包含的表面像素点为一个较大连通域，包含的像素点个数明显多于工件上的各刀痕对应的连通域内像素点个数，所以包含像素点数目最多的连通域即对应工件表面位置，该连通域内各像素点即为表面像素点，将其他各连通域内包含的各像素点组成的各个区域记为疑似刀痕区。

在本申请的一实施例中，所述S222包括如下S222A至S222C:

S222A，根据磨削痕迹区域内每个像素点的灰度值获取每个像素点的梯度向量。

S222B，以每个像素点为中心建立尺寸为的窗口，根据窗口内各像素点的 梯度向量生成梯度方向分布直方图，所述梯度方向分布直方图的横坐标为在0至之间 划分的多个角度范围，所述梯度方向分布直方图的纵坐标为梯度向量对应的方向落入各个 角度范围的像素点的数量。

S222C，根据梯度方向分布直方图获取每个像素点对应的指标并建立每个像素点的梯度特征矩阵。

具体地，为奇数，经验值为9。

将梯度方向分布直方图的横坐标范围设置在0至之间是为了保证每个梯度向 量的方向在一个范围内。梯度分布直方图的横轴为的横坐标为在0至之间划分的多个 角度范围，横轴对应的各角度范围可以分别为：

。

所述梯度方向分布直方图的纵坐标为梯度向量对应的方向落入各个角度范围的像素点的数量。

本实施例中，以磨削痕迹区域N1为例，磨削痕迹区域N1内包含像素点p1，p2，...，pm，m为磨削痕迹区域N1包含的像素点总数。

获取磨削痕迹区N1内每个像素点的灰度值对应的梯度向量。

对p1至pm，分别以p1至pm为中心建立窗口，根据窗口内各像素点对应的梯度 向量获得梯度方向分布直方图，磨削痕迹区域N1可获得m个梯度方向分布直方图，分别记为 M1，M2，...，Mm。

根据梯度方向分布直方图M1，M2，...，Mm建立m个梯度特征矩阵。

在本申请的一实施例中，所述S222C包括S222C-1至S222C-6：

S222C-1，选取磨削痕迹区域内的一个像素点。

S222C-2，获取与所述像素点对应的梯度方向分布直方图。

S222C-3，将与所述像素点对应的梯度方向分布直方图中各个梯度方向所落入的像素点数量依照从多到少的顺序排序。

S222C-4，将落入像素点数量最多的梯度方向记为与所述像素点对应的第一方向，将落入第一方向的像素点数量记为第一方向频次，将落入像素点数量第二多 的梯度方向记为与所述像素点对应的第二方向，将落入第二方向的像素点数量记为 第二方向频次，......，直至得到第i方向和第i方向频次。

S222C-5，计算第方向对应的梯度向量的模长均值，记为第方向强度，其 中，。

S222C-6，根据第i方向，第i方向频次和第方向强度，得到每个像素 点的梯度特征矩阵。

其中，为图像中坐标为的像素点对应的梯度特征矩阵。

具体地，当出现频次相同的情况，则根据该范围与中心像素点的距离进行判断，如与两个方向对应的频次均为5，需判断哪个范围对应第四方向和哪个范围对应第五方 向，由于距离原点更近，则认为为第四方向，对应第五方向。

本实施例中，以磨削痕迹区域N1为例，则此时对应像素点p1可得到一个梯度特征矩阵P1，对应像素点p2可得到一个梯度特征矩阵P2，...，对应像素点pm可得到一个梯度特征矩阵Pm，共计m个梯度特征矩阵。

根据梯度方向分布直方图获取每个像素点对应的第一方向，第二方向，...， 第九方向。获取第一方向频次，第二方向频次，...，第九方向频次。

将第一方向对应的梯度向量的模长均值记为第一方向强度，将第二方向对应的梯度向量的模长均值记为第二方向强度，...，将第九方向对应的梯度向 量的模长均值记为第九方向强度。

建立每个像素点的梯度特征矩阵。

在本申请的一实施例中，所述S223包括：

S223a，根据每个像素点的梯度特征矩阵，采用公式1计算每两个像素点之间的梯度差异值。

公式1

其中，，均为该磨削区域内像素点的坐标，为该磨削痕迹 区域中坐标为的像素点与坐标为的像素点之间的梯度差异，为该 磨削痕迹区域中坐标为的像素点的梯度特征矩阵中位置的数值， 为图像中坐标为的像素点的梯度特征矩阵中位置的数值，，为该磨削痕迹区域中坐标为的像素点对应的梯度特征矩阵与坐标为的像素点对应的梯度特征矩阵中 各个对应位置的值之间的欧氏距离的和。

本实施例中，图像中每两个像素点之间均可获得一个对应的梯度差异，当两像素点的梯度分布状况越为接近时，则两个像素点对应的梯度分布直方图、梯度特征矩阵均越为接近，梯度差异越小。

在本申请的一实施例中，所述S300包括S310至S340：

S310，选取一个磨削痕迹区域。

S320，对每个疑似刀痕区内包含的各像素点使用最小二乘法与直线进行拟合，得 到疑似刀痕区的直线拟合优度，。

S330，根据公式2计算每个疑似刀痕区的刀痕偏差度。

公式2

其中，为疑似刀痕区的刀痕偏差度，为该疑似刀痕区内第个像素点与其他 各像素点之间的梯度差异值的均值，其中，为该疑似刀痕区内包含的像素 点个数，为该疑似刀痕区内各像素点的的均值，为该疑似刀痕区的直线拟合优度，为疑似刀痕区的个数，为同属于同一簇的各疑似刀痕区的拟合优度的均值。

S340，返回S310，直至所有的磨削痕迹区域均被选取完毕。

具体地，拟合优度为该区域分布和走向与直线的相似程度，相似程度越大，则拟 合优度越大。

本实施例中，反映了疑似刀痕区内各像素点间的差异程度。反映了疑似刀痕区与同属于同一簇内各疑似刀痕区域间方向一致性。

当两者越小时，则该疑似刀痕区对应刀痕位置的显著性越大，区域内各像素点越可能是刀痕像素点，而当数控钻铣床工作状态出现问题时，铣刀会对工件产生少量损伤，该损伤没有刀痕区与一致性强且呈直线分布的特征，对应的刀痕偏差度较大。

在本申请的一实施例中，所述S300还包括：

S350，对每一个磨削痕迹区域中的每一个疑似刀痕区的刀痕偏差度使用LOF异常值判断数控钻铣床的工作状态。数控钻铣床的工作状态包括数控钻铣床出现异常和数控钻铣床未出现异常。

具体地，当该疑似刀痕区内各像素点均对应刀痕像素点时，则每个疑似刀痕区对应的刀痕偏差度均较小且数值较为接近。当该疑似刀痕区内包含数控钻铣床工作状态出现问题导致的损伤时，则损伤位置对应的疑似刀痕区的刀痕偏差度较大，与刀痕像素点所在的疑似刀痕区的刀痕偏差度差异较大。

在本申请的一实施例中，所述S350包括：

S351，利用LOF异常值检测算法遍历所有疑似刀痕区，判断是否存在任意一个疑似刀痕区的刀痕偏差度为异常值。

S352，若存在任意一个疑似刀痕区的刀痕偏差度为异常值，则确定该疑似刀痕区对应的磨削痕迹区域出现异常损伤，确定数控钻铣床工作状态出现异常，同时输出疑似刀痕区。

S353，若所有疑似刀痕区的刀痕偏差度均不为异常值，则确定该疑似刀痕区对应的磨削痕迹区域没有出现异常损伤，确定数控钻铣床工作状态未出现异常。

具体地，LOF异常值检测主要是通过比较每个点和其邻域点的密度来判断该点是否为异常点，如果该点的密度越低，越可能被认定是异常点。即LOF异常值检测是基于密度分析，通过局部的数据密度来检测异常。

本实施例中，当n=50时，此时的磨削痕迹区域分别为N1、N2，...，N50，将磨削痕迹区域N1中包含的疑似刀痕区分别记为Z11、Z12，...，Z1x，x为磨削痕迹区域N1中包含的疑似刀痕区的数量。

对疑似刀痕区Z11进行LOF异常值检测。

对疑似刀痕区Z12进行LOF异常值检测。

......

对疑似刀痕区Z1x进行LOF异常值检测。

若疑似刀痕区Z11至疑似刀痕区Z1x内均未检测出异常值，则确定磨削痕迹区域N1对应的表面区域没有出现损伤。

若疑似刀痕区Z11至疑似刀痕区Z1x中的任意一个疑似刀痕区内检测出异常值，则确定磨削痕迹区域N1出现异常损伤。

之后再分别对磨削痕迹区域N2至N50进行LOF异常值检测并作出判断。

以上所述实施例的各技术特征可以进行任意的组合，各方法步骤也并不做执行顺序的限制，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述基于机器视觉的数控钻铣床工作状态检测方法包括：

在对工件执行一个处理工序后，获取工件表面图像并对工件表面图像进行预处理，得到工件表面灰度图像，提取工件表面灰度图像中经所述处理工序加工后的表面区域，得到磨削处理图；

提取磨削处理图中每一个像素点的梯度特征，分析不同像素点之间梯度特征的差异，将磨削处理图划分为多个工件表面区域和多个疑似刀痕区；

依据各个疑似刀痕区内各像素点间的差异程度和各个疑似刀痕区之间的方向一致性，对数控钻铣床工作状态进行判断，得到数控钻铣床工作状态的判断结果；

每当对工件执行一个处理工序后，均对应执行一次所述得到数控钻铣床工作状态的判断结果的过程；

所述依据各个疑似刀痕区内各像素点间的差异程度和各个疑似刀痕区之间的方向一致性，对数控钻铣床工作状态进行判断，得到数控钻铣床工作状态的判断结果，包括：

选取一个磨削痕迹区域；

对该磨削痕迹区域中的每个疑似刀痕区内包含的各像素点使用最小二乘法与直线进行拟合，得到疑似刀痕区的直线拟合优度，/>；

根据公式2计算每个疑似刀痕区的刀痕偏差度；

公式2；

其中，为疑似刀痕区的刀痕偏差度，/>为该疑似刀痕区内第/>个像素点与其他各像素点之间的梯度差异值的均值，其中/>，/>为为该疑似刀痕区内包含的像素点个数，/>为该疑似刀痕区内各像素点的/>的均值，/>为该疑似刀痕区的直线拟合优度，/>为疑似刀痕区的个数，/>为同属于同一簇的各疑似刀痕区的拟合优度的均值；

返回选取一个磨削痕迹区域，直至所有的磨削痕迹区域均被选取完毕；

所述依据各个疑似刀痕区内各像素点间的差异程度和各个疑似刀痕区之间的方向一致性，对数控钻铣床工作状态进行判断，得到数控钻铣床工作状态的判断结果，包括：

对每一个磨削痕迹区域中的每一个疑似刀痕区的刀痕偏差度使用LOF异常值判断数控钻铣床的工作状态；数控钻铣床的工作状态包括数控钻铣床出现异常和数控钻铣床未出现异常。

2.根据权利要求1所述的基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述在对工件执行一个处理工序后，获取工件表面图像并对工件表面图像进行预处理，得到工件表面灰度图像，提取工件表面灰度图像中经所述处理工序加工后的表面区域，得到磨削处理图，包括：

在对工件执行一个处理工序后，获取工件被处理面的图像，记为工件表面图像；

将工件表面图像转化为灰度图像，得到工件表面灰度图像；

对工件表面灰度图像进行高斯滤波去噪；

基于GrabCut算法对高斯滤波去噪后的工件表面灰度图像进行分割，提取工件表面灰度图像中经所述处理工序加工后的表面区域，将所述经所述处理工序加工后的表面区域的图像作为磨削处理图。

3.根据权利要求1所述的基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述提取磨削处理图中每一个像素点的梯度特征，分析不同像素点之间梯度特征的差异，将磨削处理图划分为一个工件表面区域和多个疑似刀痕区，包括：

利用超像素分割将磨削处理图划分为多个磨削痕迹区域，不同磨削痕迹区域的纹理特征不同；

在每一个磨削痕迹区域中，分析不同像素点之间梯度特征的差异，将每一个磨削痕迹区域划分为一个工件表面区域和多个疑似刀痕区。

4.根据权利要求3所述的基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述在每一个磨削痕迹区域中，分析不同像素点之间梯度特征的差异，将每一个磨削痕迹区域划分为一个工件表面区域和多个疑似刀痕区，包括：

选取一个磨削痕迹区域；

获取磨削痕迹区域内每个像素点的梯度特征矩阵；

依据每个像素点的梯度特征矩阵获得该像素点与其他各像素点之间的梯度差异；

根据各像素点之间的梯度差异将磨削痕迹区域内的所有像素点使用DBSCAN算法进行聚类，得到多个簇；

获取每个簇内包含的各个像素点的位置，依据每个簇内包含的各个像素点的位置建立每个簇的二值图；

对每个二值图进行连通域分析，得到多个连通域；

将包含像素点数量最多的连通域作为工件表面区域，将其他连通域均作为疑似刀痕区；

返回所述选取一个磨削痕迹区域，直至所有磨削痕迹区域均被划分完毕。

5.根据权利要求4所述的基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述获取磨削痕迹区域内每个像素点的梯度特征矩阵，包括：

根据磨削痕迹区域内每个像素点的灰度值获取每个像素点的梯度向量；

以每个像素点为中心建立尺寸为的窗口，根据窗口内各像素点的梯度向量生成梯度方向分布直方图，所述梯度方向分布直方图的横坐标为在0至/>之间划分的多个角度范围，所述梯度方向分布直方图的纵坐标为梯度向量对应的方向落入各个角度范围的像素点的数量；

根据梯度方向分布直方图获取每个像素点对应的指标并建立每个像素点的梯度特征矩阵。

6.根据权利要求5所述的基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述根据梯度方向分布直方图获取每个像素点对应的指标并建立每个像素点的梯度特征矩阵，包括：

选取磨削痕迹区域内的一个像素点；

获取与所述像素点对应的梯度方向分布直方图；

将与所述像素点对应的梯度方向分布直方图中各个梯度方向所落入的像素点数量依照从多到少的顺序排序；

将落入像素点数量最多的梯度方向记为与所述像素点对应的第一方向，将落入第一方向/>的像素点数量记为第一方向频次/>，将落入像素点数量第二多的梯度方向记为与所述像素点对应的第二方向/>，将落入第二方向/>的像素点数量记为第二方向频次/>，……，直至得到第i方向/>和第i方向频次/>；

计算第方向/>对应的梯度向量的模长均值，记为第/>方向强度/>，其中，；

根据第i方向，第i方向频次/>和第/>方向强度/>，得到每个像素点的梯度特征矩阵；

其中，为图像中坐标为/>的像素点对应的梯度特征矩阵。

7.根据权利要求6所述的基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述依据每个像素点的梯度特征矩阵获得该像素点与其他各像素点之间的梯度差异，包括：

根据每个像素点的梯度特征矩阵，采用公式1计算每两个像素点之间的梯度差异值；

公式1；

其中，，/>均为该磨削痕迹区域内像素点的坐标，/>为该磨削痕迹区域中坐标为/>的像素点与坐标为/>的像素点之间的梯度差异，为该磨削痕迹区域中坐标为/> 的像素点的梯度特征矩阵中/>位置的数值，/> 为图像中坐标为/> 的像素点的梯度特征矩阵中 位置的数值，/>，为该磨削痕迹区域中坐标为/>的像素点对应的梯度特征矩阵与坐标为/>的像素点对应的梯度特征矩阵中各个对应位置的值之间的欧氏距离的和。

8.根据权利要求7所述的基于机器视觉的数控钻铣床工作状态检测方法，其特征在于，所述对每一个磨削痕迹区域中的每一个疑似刀痕区的刀痕偏差度使用LOF异常值判断数控钻铣床的工作状态，包括：

利用LOF异常值检测算法遍历所有疑似刀痕区，判断是否存在任意一个疑似刀痕区的刀痕偏差度为异常值；

若存在任意一个疑似刀痕区的刀痕偏差度为异常值，则确定该疑似刀痕区对应的磨削痕迹区域出现异常损伤，确定数控钻铣床工作状态出现异常，同时输出疑似刀痕区；

若所有疑似刀痕区的刀痕偏差度均不为异常值，则确定该疑似刀痕区对应的磨削痕迹区域没有出现异常损伤，确定数控钻铣床工作状态未出现异常。