周應斌，何 林，劉持平，趙雪峰，唐海峰

（貴州大學 機械工程學院，貴陽 550003）

0 引言

普通硬質合金立銑刀在精磨之后會存在毛邊、小蹦刃、鋸口等微觀缺陷，這些微觀缺陷會加速刀具磨損，嚴重影響刀具的切削性能和壽命。通過銑刀刃口鈍化能夠明顯增強刀具穩(wěn)定性，提高刀具使用壽命。在刀尖半徑檢測方面，2011年馬來西亞Chian, G.J.Ratnam, M.M搭建了基于機器視覺的刀尖半徑測量系統(tǒng)，2012年Lim, T.Y運用平面掃描2D圖像方式測量刀尖半徑，其測量最大絕對偏差低于5%。而國內刀具鈍圓半徑測量主要有光學投影儀、觸針式表面輪廓測量儀等方法，取得了不少進展，但在精度、效率、適應性等方面不盡如人意，缺乏實用性。王俊元、李金斗開發(fā)了基于機器視覺的刀具參數檢測系統(tǒng)，系統(tǒng)測量精度不高，通用性不強。徐潔、田軍委對數控立銑刀基本參數視覺測量方法進行了研究，減小了測量中人為因素的影響。

我校與西南工具集團有限公司合作，搭建了立銑刀鈍化檢測硬件平臺。本文在利用該平臺進行圖像采集的基礎上，運用美國NI公司的Lab VIEW編程軟件，開發(fā)基于機器視覺的銑刀鈍化鈍圓半徑檢測系統(tǒng)，實現了鈍圓半徑的精確測量。

1 硬件平臺

圖1 硬件系統(tǒng)流程圖

硬件平臺主要包括照明系統(tǒng)、立銑刀、CMOS工業(yè)相機、圖像采集卡以及軟件系統(tǒng)如圖1所示。照明系統(tǒng)實現對被測刀具的穩(wěn)定、均勻照明；COMS工業(yè)相機精確采集刀具圖像；圖像采集卡完成圖像信息的高分辨率、高精度、高速度傳輸。針對該系統(tǒng)要求選取如下硬件：相機選用MV-EM1400C型相機，其1400萬的像素在視場為5mm×5mm時像素精度可達1.5μm；鏡頭選用清晰度高、倍率可變、光學無畸變、高對比度的BT-2316型雙遠心鏡頭；光源采用OPT-RI9060-W型環(huán)形光；而標定板則選用圓直徑0.25mm、孔距0.5mm、精度1μm的光學玻璃材質標定板。硬件平臺如圖2所示。

圖2 硬件平臺

2 圖像處理系統(tǒng)

圖像處理系統(tǒng)是介于圖像采集和鈍圓半徑檢測的中間環(huán)節(jié)，該系統(tǒng)的重點是改善圖像質量、提取邊緣輪廓，其對圖像處理的質量影響參數檢測精度。其流程圖如圖3所示，系統(tǒng)前面板如圖4所示。

圖3 圖像處理流程圖

圖4 系統(tǒng)前面板

2.1 圖像增強

為改善圖像的視覺效果，增強圖像的目標特性，本系統(tǒng)運用IMAQ Equalize和IMAQ BCG Lookup兩個函數增強圖像。通過IMAQ Equalize VI重新分配圖像的像素值至線性化的累積直方圖，而在系統(tǒng)中設定的累積直方圖的類的數量越多該VI處理的精度越高，該方法對目標和背景都太亮或者太暗的圖像處理效果較好。IMAQ BCG Lookup則是直接改變圖像的亮度、對比度、伽馬值等參數，將原圖像的灰度直方圖處理成預期的直方圖。通過改變參數值使刀具輪廓更加清晰，增強了刀具與背景灰度差。

原圖像灰度密度分散，刀具和背景模糊，界限不明顯，如圖5所示。從圖6可以看出經IMAQ Equalize VI增強后圖像灰度主要集中在15、140、255三個區(qū)域，其中灰度值15顯示刀具特征，140和255顯示背景特征，刀具特征突出，達到了圖像增強效果。運用IMAQ BCG Lookup VI增強后的圖像灰度主要集中在0和255兩個區(qū)域，抑制了不感興趣的背景特征，達到了增強效果如圖7所示。

圖5 原圖像灰度密度

圖6 IMAQ Equalize增強后灰度密度

圖7 IMAQ BCG Lookup增強后灰度密度

2.2 圖像濾波

圖像噪聲存在于采集、輸入、處理和輸出的全過程，針對噪聲使圖像灰度值突變這一特性，本文對均值濾波進行優(yōu)化，在濾波處理前加一個容忍系數，如果圖像灰度值變化梯度大于容忍系數則用模板內的均值代替目標灰度值，如果小于設定的容忍系數，則灰度值不變。這樣既能濾除噪聲，又能減少圖像輪廓失真。設圖像在（x，y）處的灰度值為g(x,y)，處理后的灰度值f(x,y)，m為模板中包含當前像素在內的像素總個數，k為灰度值變化梯度，τ為設定的容忍系數。用公式表示如下：

容忍系數τ的取值越小濾除噪聲效果越好，但圖像輪廓失真越大。故τ取值決定了對噪聲濾除效果和圖像失真度的取舍。

2.3 圖像分割

經圖像增強和圖像濾波處理后的圖像背景簡單，噪聲較少，刀具與背景對比明顯，且刀具和背景灰度值幾乎集中于0和255兩個區(qū)域。針對圖像這一特性，本系統(tǒng)運用基于閾值分割方法中的多閥值分割法實現刀具輪廓與背景完全分割，有效提取刀具輪廓。設原圖像在（x，y）處的灰度值為g(x,y)，處理后的灰度值f(x,y)，P為設定的特定灰度值，T1和T2為灰度閥值。其公式如下：

如果將式中閥值上線T2設定為最大灰度值255，則多閥值分割變?yōu)閱伍y值分割。

2.4 邊緣檢測

Canny算子相對于Roberts、Sobel等一階算子受噪聲干擾小、邊緣定位精度相對較高等優(yōu)點。其流程圖如圖8所示。

圖8 Canny算子流程圖

1）高斯平滑

運用可分離濾波方法求圖像與高斯平滑濾波器卷積，得到一個已平滑的數據矩陣，其中g(i,j)表示輸入圖像。

其中σ是高斯函數的標準差，它控制著平滑程度。

2）梯度計算

高斯平滑數據矩陣S(i,j)的梯度運用2×2一階有限差分近似式來計算x與y偏導數的兩個矩陣E(i,j)與F(i,j)：

幅值和方向角可用直角坐標到極坐標的坐標轉化公式來計算。

式中M(i,j)表示圖像的邊緣強度； (i,j)表示邊緣的方向。

原圖像經圖像增強刀具與背景灰度差值增大，刀具特征與背景分離更加明顯，同時也抑制了不感興趣的背景特征，如圖9(a)，圖9(b)所示。從圖9(c)中可以看出經優(yōu)化后的均值濾波濾除了圖像中的干擾噪聲的同時刀具輪廓仍然清晰。運用閥值分割法精確提取出刀具刀尖輪廓，將刀具與背景完全分離，如圖9(d)。圖9(e)為檢測出的邊緣輪廓，圖像經放大后刀尖輪廓清晰，且刀尖輪廓近似圓弧，如圖9(f)所示。

圖9 圖像處理步驟及結果

3 鈍圓半徑檢測

本系統(tǒng)鈍圓半徑檢測基本原理：將視場和視距相同的標定板圖像和刀具圖像重合，提取標定板圓形網格，輸入圓形網格真實參數值，校正其網格畸變，將標定板實際尺寸值賦值給刀具圖像，最后運用IMAQ Find Circular Edge 3函數提取刀具鈍圓輪廓，精確測量出刀具鈍圓半徑值。其流程圖如圖10所示。

將圖像放大后可看出銑刀刀尖端部近似一段圓弧，用IMAQ Find Circular Edge 3提取的銑刀鈍圓如圖11所示。鈍圓半徑測量結果如圖12所示，鈍圓中心的像素值為（243.4, 115.2），實際值為（515.99μm , 113.49μm）。鈍圓半徑像素值為9.01，實際尺寸為26.2μm。同時得出了該鈍圓的圓度為0.12，圓度是指工件的橫截面接近理論圓的程度，其值為最大半徑與最小半徑之差，越小越好，0.12的圓度表示該鈍圓接近于理論圓，可以用鈍圓半徑值衡量刀尖鈍化結果。最后項顯示圖像的平均信噪比（Average SNR），信噪比表示輸出信號與噪聲信號的比值，其值越大越好，當信噪比大于60dB時圖像質量優(yōu)良，而結果值為297.46dB表示該圖像幾乎沒有噪聲干擾，測量結果真實可靠。

圖10 鈍圓半徑檢測流程圖

圖11 銑刀鈍圓

圖12 鈍圓半徑測量結果

4 結束語

本文運用LabVIEW開發(fā)平臺搭建了基于機器視覺的銑刀鈍化鈍圓半徑檢測系統(tǒng)。該系統(tǒng)在運用硬件平臺進行圖像采集的基礎上用IMAQ Equalize和IMAQ BCGLookup兩個函數增強圖像，中值濾波除干擾噪聲，多閥值分割法分離出刀具和背景圖像，Canny邊緣算子精確提取出刀具輪廓；對圖像進行標定后運用IMAQ Find Circular Edge 3函數精確測量出銑刀鈍圓半徑。為硬質合金銑刀鈍化研究提供有力的支撐。

[1]劉月萍.銑削Ti6A14v刀具刃口鈍化研究[D].山東大學,2010(4).

[2]Chian,G.J.Ratnam, M.M.Determination of tool nose radii of cutting inserts using machine vision.School of Mechanical Engineering, Universiti Sains Malaysia,Penang, Malaysia[J].Emerald Group Publishing Ltd,2011:127-137.

[3]Lim,T.Y., Ratnam,M.M.Edge detection and measurement of nose radii of cutting tool inserts from scanned 2-D images, Universiti Sains Malaysia[J].Elsevier Ltd,2012(11):1628-1642.

[4]李金斗.基于機器視覺的刀具參數檢測系統(tǒng)研究[D].中北大學,2011(5):5-6.

[5]徐潔.數控立銑刀基本參數視覺測量方法研究[D].西安工業(yè)大學,2014.4.

[6]陳汗青,萬艷玲,王國剛.數字圖像處理技術研究進展[J].工業(yè)控制計算機.2013(1):72-74.

[7]王蓉,孫玉秋.基于直方圖處理的局部圖像增強算法研究[J].長江大學學報.2013.01,10(1):25-27.

[8]王延翔.基于均值算法的混合噪聲圖像濾波算法的研究與實現[D].北京郵電大學.2010.01

[9]石靜.圖像分割方法綜述[J].軟件導刊.2012,26(1):58-59.

[10]黃晶.基于小波和形態(tài)學的圖像邊緣檢測研究[D].西安科技大學,2011(3).

[11]張玲艷.基于Canny理論的自適應邊緣檢測方法研究[D].西北大學,2009(6).