管聲啟,陳永當(dāng),任 浪,洪奔奔,盧 浩,常 江

(西安工程大學(xué) 機電工程學(xué)院,陜西 西安 710048)

0 引 言

現(xiàn)階段的機械加工過程仍然主要靠刀具與工件相對運動,通過機械切削力將工件上多余的材料切除．但切削力和切削熱的作用會使刀具產(chǎn)生磨損,而刀具磨損狀態(tài)直接影響工件表面加工質(zhì)量,會造成工件的精度及粗糙度變差,甚至造成工件的報廢，昂貴設(shè)備的損傷，機床停機等故障,直接影響著機械加工的精度、效率及經(jīng)濟(jì)效益．因此對刀具狀態(tài)進(jìn)行監(jiān)測顯得尤為重要．傳統(tǒng)的人工監(jiān)測依賴人工經(jīng)驗定時強制和隨機更換磨損、破損刀具很難滿足智能制造的實際需要[1-3]．隨著計算機技術(shù)、電子信息技術(shù)的發(fā)展,基于圖像處理的刀具自動檢測成為必然趨勢[4-5]．

目前,基于圖像處理的刀具磨損檢測算法主要有最大類間方差法、脈沖耦合網(wǎng)絡(luò)法、小波變換法、基于區(qū)域生長法等[6-8]．脈沖耦合神經(jīng)網(wǎng)絡(luò)法分割出磨損區(qū)域效果,取決于人工經(jīng)驗對網(wǎng)絡(luò)參數(shù)選取,無法實現(xiàn)自適應(yīng)性檢測[9-10];小波變換法利用多分辨率特性能夠?qū)崿F(xiàn)正常區(qū)域與磨損區(qū)域分離[11],但分離的效果很大程度上依賴小波濾波器構(gòu)造的性能;基于區(qū)域生長法,設(shè)計了自動選取種子點與生長閾值的區(qū)域生長算法分割磨損區(qū),并通過最小外接矩形提取刀具磨損特征值,往往會造成過度分割,空間和時間開銷都比較大[12]．

雖然現(xiàn)有的刀具磨損檢測方法有很多優(yōu)點,但仍然不能滿足各種干擾條件下刀具磨損檢測的需要．生理心理學(xué)分析表明，視覺注意是人類視覺一項重要的心理調(diào)節(jié)機制,人類任務(wù)驅(qū)動刺激的區(qū)域優(yōu)先獲得關(guān)注,形成注意焦點,這種具有傾向性的注意焦點能優(yōu)先檢測視場中重要目標(biāo)[13-14]．如果將任務(wù)驅(qū)動的視覺注意機制引入到刀具磨損檢測中,通過刀具磨損特征分析,利用其共同特征作為任務(wù)驅(qū)動磨損興趣區(qū)形成,就能夠通過設(shè)定的閾值完整分割出疵點信息[15-16]．

1 刀具磨損圖像分析

在刀具磨損圖像中,有磨損、噪聲和背景信息組成．磨損區(qū)域面積較小,平均灰度值較高;背景區(qū)域通常面積較大,平均灰度值較低;噪聲通常離散的、孤立的分布于圖像中,其像素值灰度值通常高于或者低于刀具磨損區(qū)域平均灰度值．刀具磨損圖像的灰度直各組成要素主要所在區(qū)域如圖1所示，其中，thresh表示圖像.

(a) 刀具磨損圖像 (b) 80

從圖1(b)中可以看出,采用分割閾值為80,大于閾值的像素點主要為磨損信息、噪聲信息,還有少量背景信息;圖1(c)閾值在90

通過圖1進(jìn)一步分析可以看出,刀具磨損區(qū)域的面積遠(yuǎn)遠(yuǎn)小于正常背景紋理區(qū)域的面積,刀具磨損區(qū)域數(shù)目遠(yuǎn)遠(yuǎn)小于噪聲的數(shù)目;如果利用這些特征,提高刀具磨損信息與其他信息的對比度,就能通過閾值實現(xiàn)刀具磨損區(qū)域的檢測．

2 刀具磨損區(qū)域檢測

2.1 磨損面積顯著性

刀具磨損區(qū)域在刀具圖像中所占的面積是稀少的,即面積較?。p面積的稀少性是指檢測目標(biāo)區(qū)域面積相對于背景區(qū)域面積很小,而圖像的灰度直方圖是圖像灰度密度函數(shù)的近似,這種灰度密度函數(shù)在刀具磨損區(qū)與背景區(qū)的分界點上必有明顯地變化,圖2為圖1(a)的灰度密度函數(shù)的包絡(luò)曲線，可以看出存在突變點,這就是刀具區(qū)域與背景區(qū)域分界點．

圖 2 刀具磨損灰度密度函數(shù)的包絡(luò)曲線Fig.2 Envelope curve of tool wear gray density function

如果能找到突變點,就找到刀具磨損區(qū)域和背景區(qū)域分界點,本文為此采用灰度密度函數(shù)梯度尋找突變點．

(1) 圖像灰度密度函數(shù) 設(shè)刀具磨損圖像尺寸為M×N,那么圖像的灰度密度函數(shù)為

(1)

其中,n(i)表示在第i個灰度級所有的像素個數(shù)．

(2) 圖像灰度密度函數(shù)梯度 灰度密度一階梯度如下:

p(t)=p(t+1)-p(t)，t∈[0,254].

(2)

灰度密度一階梯度表示新增灰度值對前面灰度值密度變化情況,梯度越大,表示變化越大;當(dāng)灰度密度從背景區(qū)域跨越到磨損區(qū)時變化最大;因此灰度密度一階梯度圖上極小值點就是背景與缺陷區(qū)域分界點．

(3) 面積稀少度權(quán)重 設(shè)圖像f(x,y)為(x,y)處灰度值為t,t1為一階梯度為極值時的灰度級,則面積稀少度權(quán)重分別為

(3)

(4)

(4) 刀具磨損顯著度提高 刀具磨損圖像顯著度提高可采用式(5)

f′(x,y)=f(x,y)*rr(x,y)

(5)

從圖3(a)可以看出,通過提高檢測目標(biāo)面積區(qū)域的權(quán)重,能有效提高檢測目標(biāo)的顯著度;另外,雖然能夠有效抑制大部分正常背景,但是由于噪聲和刀具磨損總有部分區(qū)域灰度相同,因此總存在相互干擾,不可避免地提高了噪聲的顯著度.因此,必須抑制這些噪聲信息．

2.2 刀具磨損圖像噪聲濾波

刀具磨損稀少性不僅表現(xiàn)在磨損區(qū)域面積的小;而且表現(xiàn)在刀具磨損區(qū)域數(shù)目的稀少性,刀具磨損區(qū)域的數(shù)目總是表現(xiàn)在廣寬的噪聲中稀少的檢測目標(biāo)．如果能夠利用這種數(shù)目的稀少性,就能實現(xiàn)刀具磨損信息與噪聲信息的分離．

(1) 檢測目標(biāo)數(shù)目一階梯度 設(shè)刀具磨損面積顯著圖f′尺寸為M×N,具有L灰度級,以L等級對面積顯著圖像進(jìn)行分割，以歐拉數(shù)表示表示圖像前景目標(biāo)數(shù)目n(i),檢測目標(biāo)數(shù)目一階梯度為

n(i)=n(i+1)-n(i)，i∈[l1,l2]

(6)

其中,n(i)表示在第i個灰度級分割時前景目標(biāo)數(shù)目．

數(shù)目一階梯度極值點處為刀具磨損與噪聲信息的分界點．

(7)

(8)

(9)

(a) 刀具磨損面積顯著圖 (b) 刀具磨損圖像濾波圖 3 刀具磨損檢測Fig.3 Tool wear detection

3 刀具磨損檢測實驗與分析

為了驗證本文算法的有效性,分別對刀具磨損圖像采用本文算法,最大類間分割算法[6]及脈沖耦合神經(jīng)網(wǎng)絡(luò)算法[9]以進(jìn)行對比實驗法,結(jié)果如表1所示．

表 1 刀具磨損檢測準(zhǔn)確率對比

從表1可以看出,基于最大類間分割法刀具磨損檢測準(zhǔn)確率小于或等于85%,檢測準(zhǔn)確率波動范圍10%,檢測準(zhǔn)確率較低、波動范圍較大,可能主要原因在于該方法不能有效抑制光照不均;脈沖耦合神經(jīng)網(wǎng)絡(luò)法刀具磨損檢測準(zhǔn)確率小于或等于93%,檢測準(zhǔn)確率波動范圍13%,雖然該方法準(zhǔn)確率高于最大類間分割法,但準(zhǔn)確率仍然低于93%,檢測準(zhǔn)確率波動范圍大于最大類間分割法,可能原因是其參數(shù)選擇主要靠人工經(jīng)驗確定,這勢必影響會影響檢測準(zhǔn)確性;而本文所采用的方法檢測準(zhǔn)確率95%～98%之間,高于零均值法和脈沖耦合檢測法,檢測準(zhǔn)確率波動范圍比較小,主要原因在于本文所采用的方法,能夠充分利用刀具磨損圖像的特征,有效的提高了磨損區(qū)域的顯著度和抑制了噪聲信息,因而能夠準(zhǔn)確檢測出磨損的區(qū)域．

4 結(jié)束語

通過對刀具磨損圖像的分析可知,刀具磨損區(qū)域的面積相對于背景面積總是稀少的,利用刀具磨損區(qū)域信息的稀少性,提高刀具磨損區(qū)域的權(quán)重,實現(xiàn)背景區(qū)域信息與刀具磨損區(qū)域?qū)Ρ榷鹊奶岣?同時,刀具磨損區(qū)域的數(shù)目遠(yuǎn)遠(yuǎn)少于噪聲的數(shù)目,可以利用刀具磨損區(qū)域數(shù)目的稀少性,有效濾除噪聲的信息,由于利用刀具磨損圖像的特征實現(xiàn)了各信息的分離,從而能有效實現(xiàn)刀具磨損區(qū)域的檢測．