[go: up one dir, main page]

CN116539620A - 一种刀具表面缺陷在机检测方法 - Google Patents

一种刀具表面缺陷在机检测方法 Download PDF

Info

Publication number
CN116539620A
CN116539620A CN202310456141.3A CN202310456141A CN116539620A CN 116539620 A CN116539620 A CN 116539620A CN 202310456141 A CN202310456141 A CN 202310456141A CN 116539620 A CN116539620 A CN 116539620A
Authority
CN
China
Prior art keywords
image
cutter
tool
defect
machine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310456141.3A
Other languages
English (en)
Inventor
郭江
朱旭
陈桂林
陈鑫龙
徐俏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202310456141.3A priority Critical patent/CN116539620A/zh
Publication of CN116539620A publication Critical patent/CN116539620A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种刀具表面缺陷在机检测方法，包括如下步骤：通过在机检测装置获取刀具表面缺陷图像并对图像进行预处理；构建刀具图像数据库，进行图像增强以扩充数据库内图像数量；对数据库内的图像分别进行缺陷类型标注和缺陷区域标注后，将图像分为训练集及测试集；根据测试过程中的误差情况分别调整刀具图像分类模型和图像分割模型的参数；通过在机检测装置、刀具图像分类模型和图像分割模型三者的结合进行刀具缺陷的在机检测。本发明通过集成于机床刀塔的在机检测装置获得刀具图像，检测效率高，同时不影响工件加工精度。本发明通过图像增强技术扩增刀具表面缺陷图像，有效解决了图像数量不足以及缺陷样本数量不平衡问题。

Description

一种刀具表面缺陷在机检测方法
技术领域
本发明涉及刀具表面缺陷检测技术领域，具体涉及一种刀具表面缺陷在机检测方法。
背景技术
随着制造业的不断发展，在通过数控机床进行切削加工的过程中越来越关注刀具表面缺陷对产品的加工成本、产品质量等方面的影响。切削加工过程中，由于刀具表面缺陷造成的停机时间占加工过程总停机时间的7％-20％，刀具损坏和更换刀具的成本占加工总成本的3％-12％。随着我国制造业水平的发展，传统检测刀具缺陷的方式已很难满足现代化生产与测量高度自动化的要求，刀具表面缺陷自动检测的重要性日益增加。
通过分析图像进行刀具表面缺陷检测的方法具有可直观地观察刀具表面缺陷形态变化，并且不易受环境噪声和机床固有噪声的影响等诸多优点，因而得到广泛应用。中国专利CN111383227A公开了基于神经网络的刀具磨损类型识别方法及磨损值测定方法，该方法通过卷积神经网络训练形成的刀具磨损类型识别模型对刀具磨损图像进行磨损类型分类，并根据分类结果判断是否达到换刀条件，以免出现刀具浪费或工件质量不合格问题。但该方法没有考虑到同一张图像中存在多种缺陷的情况，且提出的磨损值检测方法自动化程度低，对人的依赖程度较高，此外对图像的预处理方法容易降低磨损区域图像质量。中国专利CN111300144B公开了一种基于图像处理的刀具磨损状态自动检测方法，该方法通过在机检测设备获取刀具图像，图像经过预处理后通过卷积神经网络判断刀具类型。但该方法所能检测的类型单一，难以在实际加工场合应用，此外该方法仅能判断刀具磨损状态，无法获取具体磨损数值。
目前刀具表面缺陷检测方法主要存在以下不足：1)刀具表面缺陷图像的获取主要依靠拆卸刀具后通过视觉设备拍摄图像的方式，效率较低，反复拆卸也会影响机床的加工精度；2)目前的方法主要关注刀具磨损的检测，对于在切削加工过程中所出现的其他缺陷如破损、积屑瘤等检测的方法很少提及，严重影响了在工业实际加工场景中的应用；3)通过视觉设备直接获取的图像由于太大往往无法直接使用，现有的检测方法一般采用直接压缩的方式，既没有在图像中凸显出缺陷部分，又降低了缺陷区域的清晰程度；4)方法中大多涉及深度学习模型，但其训练过程所采用的数据库内图像数量较少，无法训练出高精确度和泛化能力强的模型。
为提高刀具表面缺陷检测效率，实现高效率检测，亟需一种具有较高实际应用性的检测方法。
发明内容
本发明的目的在于提供一种刀具表面缺陷在机检测方法，以解决上述的刀具表面缺陷检测技术问题。
为达此目的，本发明采用以下技术方案：一种刀具表面缺陷在机检测方法，包括如下步骤：
步骤S1，通过在机检测装置获取刀具表面缺陷图像并对图像进行预处理；具体步骤如下：
步骤S11，将原始刀具表面缺陷图像灰度化，之后通过高斯滤波或双边滤波处理图像；
步骤S12，对滤波后的图像进行阈值分割处理为二值化图像，所述阈值分割方法包括大津法和自适应阈值分割方法；
步骤S13，根据二值化图像通过寻找图像最大轮廓获得刀具外轮廓边缘，再采用多边形对获得的最大轮廓进行轮廓近似；
步骤S14，对经过轮廓近似后的轮廓采用SHI-TOMASI算法进行角点检测，对检测结果进行非极大值抑制；
步骤S15，获得各角点在原始刀具表面缺陷图像中的坐标，以获取的各角点坐标为中心确定出6×6大小的矩阵，再根据各矩阵元素在原始刀具表面缺陷图像中所对应位置的图像像素值大小计算出各矩阵32个像素对应的的总体像素值大小，根据计算结果，总体像素值最大的则为刀具刀尖点所对应的角点；
步骤S16，以获取的刀具刀尖点所对应的角点的坐标值为中心剪裁原始刀具表面缺陷图像得到预处理图像。
步骤S2，构建刀具图像数据库，进行图像增强以扩充数据库内图像数量；
步骤S3，对数据库内的图像分别进行缺陷类型标注和缺陷区域标注后，将图像分为训练集及测试集；
步骤S4，通过训练集分别对刀具图像分类模型和图像分割模型进行训练，通过测试集分别对刀具图像分类模型和图像分割模型进行测试，并根据测试过程中的误差情况分别调整刀具图像分类模型和图像分割模型的参数；
步骤S5，通过在机检测装置、刀具图像分类模型和图像分割模型三者的结合进行刀具缺陷的在机检测；具体步骤如下：
步骤S51，检测过程开始，机床接收到图像拍摄信号后暂停切削加工过程并将刀塔移动至预先设定位置，之后通过高压气体清除刀具表面污垢；
步骤S52，在机检测装置快速移动至图像拍摄位置并获取刀具后刀面缺陷图像；
步骤S53，对图像进行预处理操作；
步骤S54，通过训练好的图像分类模型对经过预处理的刀具表面缺陷图像进行处理并分类为破损缺陷或泛磨损缺陷图像，若图像被分类为破损缺陷图像则进行步骤S57，若图像被分类为泛磨损缺陷则移至步骤S55；
步骤S55，通过训练好的图像分割模型对泛磨损缺陷图像进行处理，得到多种类型泛磨损缺陷区域并标记其类型；
步骤S56，对获得的各泛磨损缺陷类型区域进行量化，获得各类型区域宽度及面积信息后判断是否超过设定阈值，若超过阈值则进行步骤S57，若没有超过则进行步骤S58；
步骤S57，机床报警以提醒机床操作人员进行换刀；
步骤S58，在机检测装置退回至初始位置；
步骤S59，由机床操作人员判断切削加工过程是否完成，若已完成则结束加工，若未完成则进行下个周期的加工及检测过程。
优选的，所述步骤S1中刀具表面为数控车刀的后刀面。
优选的，所述步骤S1中的在机检测装置为一种将视觉检测设备集成于机床刀塔上的装置，该装置在刀具进行切削加工时处于初始位置以免干扰加工过程，在装置接收到拍摄信号后通过传动装置将视觉检测设备移动至拍摄位置，同时在拍摄时通过旋转台调整视觉检测设备的角度以便按照正确的角度拍摄刀具表面图像。
优选的，所述步骤S2中的图像增强方法为随机增强方法或对抗网络增强方法。所述随机增强方法包括随机旋转方法、平移变换方法、随机缩放方法和添加噪声方法；所述对抗网络增强方法为通过WGAN-GP网络对原始图像进行增强的方法。
优选的，所述步骤S4中的图像分类模型为ResNet-18模型，图像分割模型为U-Net模型。
优选的，所述泛磨损缺陷包括积屑瘤、后刀面磨损、边界磨损、粘接磨损和涂层剥落。
本发明技术与现有技术相比较，具有如下实质性特点和显著优点：
1、本发明通过集成于机床刀塔的在机检测装置获得刀具图像，检测效率高，同时不影响工件加工精度。
2、本发明通过图像增强技术扩增刀具表面缺陷图像，有效解决了图像数量不足以及缺陷样本数量不平衡问题。
3、本发明结合了图像分类及图像分割技术，所能检测的刀具表面缺陷种类更加广泛，更适应于实际加工场合。
4、本发明提出的图像预处理方法可在保证图像中缺陷区域表达效果的前提下减小图像整体尺寸。
附图说明
图1是本发明基于深度学习的刀具缺陷在机检测方法流程图；
图2是在机检测装置结构示意图；
图3是在机检测装置位于初始位置与拍摄位置的俯视图；
图4是刀具表面缺陷图像预处理过程流程图；
图5是刀具缺陷在机检测流程图。
图中：1-刀塔；2-连接板；3-刀具；4-光源；5-镜头；6-工业相机；7-旋转台；8-L型连接板；9-底座；10-丝杠；11-电机。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
在此表述的具体实施方式为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案，都在本发明的保护范围之内。
基于深度学习的刀具缺陷在机检测方法，参考图1所示，包括以下步骤：步骤S1，通过在机检测装置获取刀具后刀面缺陷图像并对图像进行预处理。
本实施例中，所述的在机检测装置参考图2和图3。该检测装置中的视觉检测装置包括光源4、镜头5和工业相机6，用于获取刀具3的表面缺陷图像，视觉检测装置通过旋转台7安装在L型连接板8上。L型连接板8安装在第一节传动装置上，该传动装置包括丝杠10和底座9，在丝杠10的驱动下L型连接板8可沿着底座9进行直线移动。第二节传动装置与第一节传动装置结构相同，二者通过连接板2相连接以实现联动伸缩功能，第二节传动装置安装于机床刀塔1上。如图3所示，在刀具3进行切削加工时，在机检测装置位于初始位置，此时第一节传动装置和视觉检测装置位于所设定的最左端位置；当在机检测装置接收到拍摄信号时将移动至拍摄位置，在此过程中第一节传动装置与第二节传动装置中的电机11将同时动作以缩短运动时间，移动完毕后，第一节传动装置和视觉检测装置将位于所设定的最右端位置，此时将进行图像的拍摄。其中，旋转台7用于调整视觉检测设备的角度以便能够按照正确的角度拍摄刀具3的表面图像，而不是拍摄到后刀面的投影。应当注意的是，旋转台7的角度是在机床进行切削加工之前调整，在切削加工过程中以及在机检测装置获取图像的过程中将不再更换旋转台7的角度。
在本实施例中，所述的视觉检测装置硬件具体型号为：工业相机(型号为MV-CS060-10GM)、远心镜头(型号为MVL-MY-2-65-MP)、光源(型号为HL-RD0-90-4-W)。所采集的刀具表面缺陷图像的图像精度主要由靶面尺寸为1/1.8"，物距为65mm，景深为0.3mm，最大成像范围3.69mm×2.46mm的远心镜头和分辨率3072pixel×2048pixel，像元尺寸2.4μm×2.4μm的工业相机保证。
参考图3，对图像进行的预处理过程主要如下步骤：
步骤S11，将原始刀具表面缺陷图像灰度化，之后通过高斯滤波GaussianBlur或双边滤波BilateralFilter处理图像；
步骤S12，对滤波后的图像进行阈值分割处理为二值化图像，所述阈值分割方法包括大津法OTSU和自适应阈值分割方法；
步骤S13，根据二值化图像通过寻找图像最大轮廓获得刀具外轮廓边缘，再采用多边形对获得的最大轮廓进行轮廓近似；
步骤S14，对经过近似后的轮廓采用SHI-TOMASI算法方法进行角点检测，对检测结果进行非极大值抑制；
在本实施例中，非极大值抑制方法具体为：首先对于得到的角点序列按顺序求解各个角点的得分值，得分值的计算方法为以该角点为中心的圆周上16个点与该角点位置像素差值的绝对值总和；然后在求出每个角点的得分值后，使用3×3的邻域对每个角点进行筛选，仅保留得分最高的角点，其它角点删除。
步骤S15，获得各角点在原始刀具表面缺陷图像中的坐标，以获取的各角点坐标为中心确定出6×6大小的矩阵，再根据各矩阵元素在原始刀具表面缺陷图像中所对应位置的图像像素值大小计算出各矩阵32个像素对应的的总体像素值大小，根据计算结果，总体像素值最大的则为刀具刀尖点所对应的角点；
步骤S16，以获取的刀具刀尖点所对应的角点的坐标值为中心剪裁原始刀具表面缺陷图像，得到224pixel×224pixel和572pixel×572pixel两种大小的预处理图像。
步骤S2，构建刀具图像数据库，进行图像增强以扩充数据库内图像数量。
在本实施例中，所述的图像增强方法为随机增强方法或对抗网络增强方法。所述的随机增强方法包括但不限于随机旋转、平移变换、随机缩放和添加噪声中的一种或多种；所述对抗网络增强方法为通过WGAN-GP网络对原始刀具表面缺陷图像进行增强。
步骤S3，对数据库内大小为224pixel×224pixel的图像进行缺陷类型标注，对大小为572pixel×572pixel的图像泛磨损缺陷区域标注后，将数据库内224pixel×224pixel大小的图像分为训练集A1及测试集A2，将数据库内572pixel×572pixel大小的图像分为训练集B1及测试集B2。
在本实施例中，缺陷类型标注为将图像标注为泛磨损和破损中的一种，其中泛磨损缺陷具体包括积屑瘤、后刀面磨损、边界磨损、粘接磨损、涂层剥落。
步骤S4，使用训练集A1训练分类模型，使用数据集A2对训练得到的刀具图像分类模型进行测试，使用训练集B1训练分割模型，使用数据集B2对训练得到的刀具图像分割模型进行测试；根据测试过程中的误差情况调整刀具图像分类模型和图像分割模型的参数。
在本实施例中，所述的图像分类模型为ResNet-18模型，图像分割模型为U-Net模型。
步骤S5，通过在机检测装置、刀具图像分类模型和图像分割模型三者的结合构建刀具缺陷在机检测方法。
参考图4所示，所述的进行刀具缺陷的在机检测过程具体包括以下步骤：
步骤S51，检测过程开始，机床接收到图像拍摄信号后暂停切削加工过程并将刀塔移动至预先设定位置，之后通过高压气体清除刀具表面污垢；
步骤S52，在机检测装置快速移动至图像拍摄位置并获取刀具后刀面缺陷图像；
步骤S53，对图像进行预处理操作；
步骤S54，通过训练好的图像分类模型对经过预处理后大小为224pixel×224pixel的刀具表面缺陷图像进行处理并分类为破损缺陷或泛磨损缺陷图像，若图像被分类为破损缺陷图像则进行步骤S57，若图像被分类为泛磨损缺陷则移至步骤S55；
步骤S55，通过训练好的图像分割模型对预处理后大小为572pixel×572pixel的泛磨损缺陷图像进行处理，得到多种类型泛磨损缺陷区域并标记其类型；
步骤S56，对获得的各泛磨损缺陷类型区域进行量化，获得各类型区域宽度及面积信息后判断是否超过设定阈值，若超过阈值则进行步骤S57，若没有超过则进行步骤S58；
在本实施例中，所述的阈值针对于后刀面磨损缺陷，具体数值按照ISO 3685-1993的推荐值，即若后刀面为非均匀磨损则按照VBmax＝0.6mm，若为均匀磨损则按照VBave＝0.3mm。
优选的，在实际应用中机床操作人员可按照实际加工需求针对各类泛磨损缺陷自主设定阈值。
步骤S57，机床报警以提醒机床操作人员进行换刀；
步骤S58，在机检测装置退回至初始位置；
步骤S59，由机床操作人员判断切削加工过程是否完成，若已完成则结束加工，若未完成则进行下个周期的加工及检测过程。
本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

Claims (6)

1.一种刀具表面缺陷在机检测方法，其特征在于：包括如下步骤：
步骤S1，通过在机检测装置获取刀具表面缺陷图像并对图像进行预处理；具体步骤如下：
步骤S11，将原始刀具表面缺陷图像灰度化，之后通过高斯滤波或双边滤波处理图像；
步骤S12，对滤波后的图像进行阈值分割处理为二值化图像，所述阈值分割方法包括大津法和自适应阈值分割方法；
步骤S13，根据二值化图像通过寻找图像最大轮廓获得刀具外轮廓边缘，再采用多边形对获得的最大轮廓进行轮廓近似；
步骤S14，对经过轮廓近似后的轮廓采用SHI-TOMASI算法进行角点检测，对检测结果进行非极大值抑制；
步骤S15，获得各角点在原始刀具表面缺陷图像中的坐标，以获取的各角点坐标为中心确定出6×6大小的矩阵，再根据各矩阵元素在原始刀具表面缺陷图像中所对应位置的图像像素值大小计算出各矩阵32个像素对应的的总体像素值大小，根据计算结果，总体像素值最大的则为刀具刀尖点所对应的角点；
步骤S16，以获取的刀具刀尖点所对应的角点的坐标值为中心剪裁原始刀具表面缺陷图像得到预处理图像；
步骤S2，构建刀具图像数据库，进行图像增强以扩充数据库内图像数量；
步骤S3，对数据库内的图像分别进行缺陷类型标注和缺陷区域标注后，将图像分为训练集及测试集；
步骤S4，通过训练集分别对刀具图像分类模型和图像分割模型进行训练，通过测试集分别对刀具图像分类模型和图像分割模型进行测试，并根据测试过程中的误差情况分别调整刀具图像分类模型和图像分割模型的参数；
步骤S5，通过在机检测装置、刀具图像分类模型和图像分割模型三者的结合进行刀具缺陷的在机检测；具体步骤如下：
步骤S51，检测过程开始，机床接收到图像拍摄信号后暂停切削加工过程并将刀塔移动至预先设定位置，之后通过高压气体清除刀具表面污垢；
步骤S52，在机检测装置快速移动至图像拍摄位置并获取刀具后刀面缺陷图像；
步骤S53，对图像进行预处理操作；
步骤S54，通过训练好的图像分类模型对经过预处理的刀具表面缺陷图像进行处理并分类为破损缺陷或泛磨损缺陷图像，若图像被分类为破损缺陷图像则进行步骤S57，若图像被分类为泛磨损缺陷则移至步骤S55；
步骤S55，通过训练好的图像分割模型对泛磨损缺陷图像进行处理，得到多种类型泛磨损缺陷区域并标记其类型；
步骤S56，对获得的各泛磨损缺陷类型区域进行量化，获得各类型区域宽度及面积信息后判断是否超过设定阈值，若超过阈值则进行步骤S57，若没有超过则进行步骤S58；
步骤S57，机床报警以提醒机床操作人员进行换刀；
步骤S58，在机检测装置退回至初始位置；
步骤S59，由机床操作人员判断切削加工过程是否完成，若已完成则结束加工，若未完成则进行下个周期的加工及检测过程。
2.根据权利要求1所述一种刀具表面缺陷在机检测方法，其特征在于：所述步骤S1中刀具表面为数控车刀的后刀面。
3.根据权利要求1所述一种刀具表面缺陷在机检测方法，其特征在于：所述步骤S1中的在机检测装置为一种将视觉检测设备集成于机床刀塔上的装置，该装置在刀具进行切削加工时处于初始位置以免干扰加工过程，在装置接收到拍摄信号后通过传动装置将视觉检测设备移动至拍摄位置，同时在拍摄时通过旋转台调整视觉检测设备的角度以便按照正确的角度拍摄刀具表面图像。
4.根据权利要求1所述一种刀具表面缺陷在机检测方法，其特征在于：所述步骤S2中的图像增强方法为随机增强方法或对抗网络增强方法；所述随机增强方法包括随机旋转方法、平移变换方法、随机缩放方法和添加噪声方法；所述对抗网络增强方法为通过WGAN-GP网络对原始图像进行增强的方法。
5.根据权利要求1所述一种刀具表面缺陷在机检测方法，其特征在于：所述步骤S4中的图像分类模型为ResNet-18模型，图像分割模型为U-Net模型。
6.根据权利要求1所述一种刀具表面缺陷在机检测方法，其特征在于：所述泛磨损缺陷包括积屑瘤、后刀面磨损、边界磨损、粘接磨损和涂层剥落。
CN202310456141.3A 2023-04-25 2023-04-25 一种刀具表面缺陷在机检测方法 Pending CN116539620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310456141.3A CN116539620A (zh) 2023-04-25 2023-04-25 一种刀具表面缺陷在机检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310456141.3A CN116539620A (zh) 2023-04-25 2023-04-25 一种刀具表面缺陷在机检测方法

Publications (1)

Publication Number Publication Date
CN116539620A true CN116539620A (zh) 2023-08-04

Family

ID=87446217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310456141.3A Pending CN116539620A (zh) 2023-04-25 2023-04-25 一种刀具表面缺陷在机检测方法

Country Status (1)

Country Link
CN (1) CN116539620A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117124139A (zh) * 2023-10-26 2023-11-28 合肥亚明汽车部件有限公司 一种智能机床刀具磨损视觉检测方法
CN117549313A (zh) * 2024-01-03 2024-02-13 百工汇智(苏州)智能科技有限公司 基于视觉分析的换刀机器人工作站控制方法与系统
CN118570244A (zh) * 2024-08-05 2024-08-30 济南冠天机电设备有限公司 一种钢坯花头自动识别系统及方法
CN118967687A (zh) * 2024-10-17 2024-11-15 浙江先端数控机床技术创新中心有限公司 一种机器视觉的数控设备刀具检测方法
CN119048519A (zh) * 2024-11-01 2024-11-29 四川托璞勒科技股份有限公司 刀具状态检测方法、装置、电子设备及可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117124139A (zh) * 2023-10-26 2023-11-28 合肥亚明汽车部件有限公司 一种智能机床刀具磨损视觉检测方法
CN117124139B (zh) * 2023-10-26 2024-01-09 合肥亚明汽车部件有限公司 一种智能机床刀具磨损视觉检测方法
CN117549313A (zh) * 2024-01-03 2024-02-13 百工汇智(苏州)智能科技有限公司 基于视觉分析的换刀机器人工作站控制方法与系统
CN117549313B (zh) * 2024-01-03 2024-03-29 百工汇智(苏州)智能科技有限公司 基于视觉分析的换刀机器人工作站控制方法与系统
CN118570244A (zh) * 2024-08-05 2024-08-30 济南冠天机电设备有限公司 一种钢坯花头自动识别系统及方法
CN118967687A (zh) * 2024-10-17 2024-11-15 浙江先端数控机床技术创新中心有限公司 一种机器视觉的数控设备刀具检测方法
CN119048519A (zh) * 2024-11-01 2024-11-29 四川托璞勒科技股份有限公司 刀具状态检测方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN116539620A (zh) 一种刀具表面缺陷在机检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN106053479B (zh) 一种基于图像处理的工件外观缺陷的视觉检测系统
CN114279357B (zh) 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统
CN106204614B (zh) 一种基于机器视觉的工件外观缺陷检测方法
CN1869667B (zh) 一种检测印刷电路板缺陷的轮廓分析方法
CN101526484B (zh) 基于嵌入式机器视觉的轴承缺陷检测方法
CN108760747B (zh) 一种3d打印模型表面缺陷视觉检测方法
CN102353680B (zh) 小型工件表面缺陷的评估方法以及检测不合格工件的流程
CN102496161B (zh) 一种印刷电路板图像的轮廓提取方法
CN109772733A (zh) 一种基于视觉的缺陷竹块检测分拣装置及方法
CN108257171A (zh) 基于光视觉的汽车雷达装配孔径检测方法
CN109986172B (zh) 一种焊缝定位方法、设备及系统
CN106824806A (zh) 基于机器视觉的小模数塑料齿轮的检测系统及检测方法
CN110108712A (zh) 多功能视觉缺陷检测系统
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN114140384A (zh) 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法
CN118275439B (zh) 基于计算机视觉的质量检测系统
CN111353981A (zh) 基于机器视觉的齿轮检测方法、系统及存储介质
CN115255565B (zh) 全局模式识别的窄间隙焊接坡口边缘视觉传感检测方法及应用
CN110987959A (zh) 一种在线毛刺检测方法
CN110969357A (zh) 一种铝合金机加工零件孔洞视觉检测方法
CN111815575B (zh) 一种基于机器视觉的轴承钢珠零件检测方法
CN111707672A (zh) 风电回转支撑件表面缺陷检测方法
CN111855666A (zh) 一种轴承内圈侧周外观缺陷自动检测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination