口奚昌泽口梁丹口绍千钧口赵永杰口梁冬泰
宁波大学机械工程与力学学院浙江宁波315211
摘要：针对车刀表面粗糙度大、磨损区域图像难以准确分割的问题，提出一种基于均值漂移和自适应阈值分割的刀具磨损检测方法。这一方法通过频率域滤波过滤图像中无效的高频噪声信息，对降噪图像进行形态学处理。利用均值漂移聚类算法进行预分割处理，简化纹理信息，并突出磨损区域特征。通过自适应阈值分割算法准确提取刀具磨损区域，同时计算刀具的磨损宽度均值。试验表明，采用所提出的刀具磨损检测方法，分割准确率达到97.96%，能够有效判别刀具的磨损状态。 关键词：刀具磨损检测均值漂移阈值分割
中图分类号：TH6：TG71文献标志码:A文章编号：1000-4998(2021)05-0071-05 Abstract:Aiming at tha problems that—a su/xco roughnxs of tumin—tools is laga and tha ima—a of tha wexr as is diXicult to accurately segment$a—o1war detection method based on men shiX and adaptive threshoie segmentlion was proposed.This method filterr tha invelid high-frequency noise information X tha ima/x t
hrough frequency domain filtration,and performs morpholo/Xyl processin—on tha noisa-reduced ima/x.Tha mean shift dus—On—al—orithm is used for pre-segmentation processin—,which sixplifias tha texture information and highlights tha characteastics of tha wexr area.An adaptive threshold segmentation al—orithm is used to accurately extract tha tool wexr area,and at tha sama tima tha averaya tool wexr width is calculated. Expeaments show that—a segmentation accuracy of tha proposed tool wexr detection method rexchas97.96%, which can ffectively dx—n—uxh—a wexr status of tha tool.
Keywordt:Cutting Tool Wear Detection MeanShiD ThresPolU Segmeetation
1研究背景
车刀是切削加工中应用最为广泛的刀具之一，应用于各类车床，可进行外圆、内孔、端面、螺纹、槽等不同种类的加工。由于车刀在切削加工中常出现切削温度过高、刀具涂层脱落、加工材料硬度过高等问题，车刀的切削面极易磨损。磨损的车刀使工件加工表面粗糙度和尺寸精度无法保证，降低了生产效率与工件质量，甚至可能引发生产安全问题［1］&由此可见，对车刀切削面进行磨损检测有重要意义。
现阶段，随着图像处理技术的成熟，已经发展出多种刀具磨损区域检测方法。这些方法大多基于图像
分割技术，主要分为三大类：①基于阈值分割的方法，如秦国华等［2］根据刀具磨损图像像素分布的特点，提出了局部方差阈值分割算法，避免了原始图像中的冗杂信息对分割过程的干扰；②基于边缘分割的方法，如林家宝［3］采用坎尼边缘检测算法对刀具位置进行定位，通过自定义插值亚像素的方法对刀具进行边缘检测，并应用最小二乘法对刀具的轮廓进行拟合；③基于神经网络的分割方法，如桑宏强等⑷采用视觉传感器获取刀具加工后的表面纹理图像，通过卷积神经网络，结合磨损特点，直接提取特征信息，得到刀具的磨损等级。
由于刀具磨损区域表面粗糙度值往往比较大，磨损区域难以精确分割，因此现有的磨损区域分割与检测方法在噪声干扰和复杂纹理条件下难以实现刀具磨损图像的精确检测。对此，笔者提出一种基于均值漂移与自适应阈值分割的刀具磨损检测方法。采用这一
*浙江省自然科学基金资助项目（编号:LQ20E050006）；宁波市自然科学基金资助项目（编号：2019A610158）；
宁波市科技创新2025重大专项（编号:2018B10005）
机植制造"总第681期2021,59(5
)|71
方法，在频率域上进行预处理，减小高频噪声对后续分割的影响；应用均值漂移聚类对磨损区域进行初分割，简化图像纹理信息；在此基础上，通过自适应阈值算法进行二次分割，实现车刀磨损区域的准确分割与提取。2检测平台搭建
对刀具磨损类型与位置进行分析，针对车刀主后刀面磨损，搭建了刀具磨损检测平台'5(，如图1所示。搭建的检测平台主要由彩工业相机、光学变焦镜头、发光二极管环形光源、光学试验支架、光学稳定平台、计算机等组成。笔者使用这一检测平台完成车刀主后法，主要包括四个步骤，如图3所示
刀
具
图
吸收式制冷机组像
获
取
图
像
预
处
理
均
值
漂
移
聚
类
自
适
应
阈
值
分
割
磨损区域获取
▲图3磨损检测步骤
磨
损
状
态
识
别
3车刀磨损主要形式
车刀磨损是车刀在高温下与工件表面、切屑产生剧烈摩擦而产生的，车刀磨损的形式主要分为三种：前刀面磨损、后刀面磨损、边界磨损。其中，车刀后刀面磨损又细分为主后刀面磨损与副后刀面磨损。车刀各种磨损形式如图2所示。主后刀面磨损对刀具切削性能的影响最大，是导致加工工件精度问题和刀具自身崩刃断裂的主要因素⑹，所以笔者针对车刀主后刀面磨损区域进行检测。
步骤一，通过基于傅里叶变换的频率域滤波进行图像预处理，过滤高频噪声，减小图像的干扰。
步骤二，通过均值漂移对刀具图像表面纹理特征进行聚类分析。
步骤三，应用自适应阈值分割算法准确分割出刀具磨损区域。
步骤四，相机标定并计算磨损区域相关尺寸，实现磨损状态的识别。
5图像预处理
为减小高频噪声对磨损区域分割的影响，保留主体有效信息，笔者对刀具原始图像进行频率域变换，选择高斯低通滤波器对图像进行降噪。在频率域中使用高斯低通滤波器不会产生较大的振铃现象和模糊干扰。高斯低通滤波器由函数5(Q,P确定：
5(u,P=c-D"，")/2#(1)式中：(u,P为频率域图像坐标;D(u,P为距频率域矩形中心的距离；#为关于像素中心的扩展度&
对#选取合适大小，代入式(1)，得到高斯低通滤波器的函数表达式。对频谱图进行卷积计算，得到图像降噪结果。图像降噪过程如图4所示。
▲图2车刀磨损形式4磨损检测步骤
为准确分割出车刀主后刀面磨损区域，笔者提出了基于均值漂移与自适应阈值分割的刀具磨损检测方
▲图4图像降噪过程
对于中心化的傅里叶频谱图，中间最亮点为图像
72I2021,59(5)总第681
期机植制造®
的最低频率。频谱图显示，频率随与中心距离的增大而提高'7滤波后频谱图四周的高频信息远远少于原始图像频谱图，可见过滤了大量可见与不可见的高频无效噪声信息。
6均值漂移聚类算法
车刀磨损图像纹理复杂，严重干扰了车刀磨损区域分割的准确性。因为车刀磨损局部特征大多呈现聚集状态，所以在对车刀图像完成无效噪声过滤后，应用均值漂移聚类提取磨损区域的特征，在此基础上应用自适应阈值方法对优化后的图像进行处理，分割出刀具图像中的磨损区域，完成完整的检测步骤。笔者所使用的融合算法弥补了常规阈值分割算法容易受干扰、分割精度不足的缺点，算法流程如图5所示。
▲图5融合算法流程
均值漂移是一种非监督的分类思想，通过图像信息向量化的方式来表达图像像素点及像素点区域的分类方向性⑻。给定取样点集1二｛0，0，…，0｝，$(%)向量的基本形式为：
$(0)(0-0)00S＜(2)式中：s＜为以0为中心点、以h为半径的高维球型区
域;？为点集1中样本点落入S＜区域内的数量;0，为包含在S＜区域内的第(个样本点；(%-0)为第(个样本点与中心点％的相对偏移量；$(0)为落入S＜区域内的?个样本点的漂移向量和的平均值。
由于样本点与采样点之间的距离大小影响了向量强度的有效性与重要性，因此需要在式(2)的基础上
机植制造®总第681期增加核函数与权重因数的概念。
对式！2)进行扩展'9(，得：
./(11°%^II)((0,)(0-0)
$(0)P―+%-(3)
./(10-0II2)((00
式中：/(0)为核函数；％为带宽矩阵；((00为样本权重。
定义均值漂移向量后，还需要进行迭代运算来完成聚类，进而进行图像特征的分类。迭代思想为给定初始点0，计算这一点的均值漂移向量，并将该初始点沿所得均值漂移向量方向移动，得到新的迭代初始点，不断循环，直至收敛到该点附近的最大值&
7自适应阈值分割算法
笔者选用改进的最大类间方差法来获取刀具磨损图像的全局最优分割阈值'10(。算法原理为设图像中每个像素的灰度值为/(p，q)，(p，q)为像素坐标，3为最大灰度级，假定灰度值位于区间'0，3-1(内，像素丿在图像中所占的比例P(j)为：
P(j)p.P，q)(4)
随机选定初始阈值8通过迭代将图像分为前景与后景，前景表示为｛/(pq)&8，后景表示为｛t＜f(p，q)v3｝。分别计算前景像素所占比例U0(8、前景灰度均值p(8、后景像素所占比例u(8、后景灰度均值P(8:
当类间方差最大时，获取自适应最优阈值6为:
U0(8=0.%(丿)(5) U1(8二.P(j)(6) t&j&L-1
p(8p
心
0&&t U0(力)
(7)
P(8(8) 0&j&t U](t)
图像的总均值"为：
tokyo hot n0643
)=U0
(8P(8+U1(8P(8(9) 6=arg maa,q(t)[p(8+
U1(8[P1(82-(10)由式！10)分析可知，类间方差越大，所得最优阈值越远离图像中心。可见，需要尽量增大前景灰度均值p(8与后景灰度均值p(8之间的差值。设前景后景插值距离为J(8，有：
J(8=[p
(8—p(8]2(11)与此同时，为了保证像素间的内聚性，前景类与后景类的像素中心应尽可能小。改进前后景均值方差#02(8、#2(8分别为：
#02(8=击。勢「-。(8]2%(丿)(12)
2021,59(5)|
73
#12(8 p -y-v . [j-/(8]2%G )
(13)
Q 1 (t ) t&j&L -1
考虑距离J (8与改进均值方差两个参数对阈值
获取的影响，可得改进阈值标准函数G ( 8为：
S ( 8
上8 ⑷(8J 2 ( 8
( 14 )懒人运动机
#2 (8 + #1(
8
当改进阈值标准函数S ( 8取最大值时，得到自适 应最优阈值6h 为are max ' S ( t)]。
8检测结果分析
为了充分验证笔者所提出算法的可行性与有效
性，选取三幅具有不同磨损程度的车刀主后刀面磨损 图像作为样本进行检测，同时以磨损区域面积的分割 准确率E r 作为分割效果指标,E r 为：
E = 1 - = ~ U x 100 %
( 15 )
=—
式中：=为应用算法分割得到的磨损区域像素面积大 小；=-为手动标注的磨损区域像素面积大小。
对降噪后刀具图像应用均值漂移预分割，突出磨 损区域特征，聚类结果如图6所示&取卵针
由图6可以看出，均值漂移简化了原始刀具图像 的纹理信息，弱化了无效区域的影响，突出了主后刀面
的磨损区域，为后续自适应阈值分割打下良好的基础&
(b)聚类结果
▲图6均值漂移聚类结果
针对三幅具有不同磨损程度的车刀主后刀面磨损 图像，应用均值漂移与自适应阈值分割融合算法，与传
统检测算法进行对比，如图7所示。由图7可以发现， 传统的分水岭分割算法、形态学分割算法与自适
应阈 值算法产生了过度分割的现象，将车刀正常区域划分
为磨损区域，容易导致严重的误检测。笔者提出的融
合算法在磨损区域分割准确率上有明显优势，虽然 仍然存在过分割与分割不完整的现象，但是对于整体
▲图7检测结果对比
(d)传统自适应阈值
灰度图像(b)分水岭分割算法结果(c)形态学分割算法结果 算法结果 (e)融合算法结果
74 | 2021,59(5)
总第681
期
的分割检测影响较小。由此可见，笔者提出的融合算
法有较高的分割准确率，能有效实现检测目标。
电机接线柱
为定量评价笔者提出的融合算法的有效性，采用
分割准确率作为评价指标，并与二维Renyi 交叉熵阈 值分割算法M 、区域种子分割算法'⑵、传统自适应阈 值分割算法进行比较。不同分割算法准确率比较见表
1 &与传统分割算法相比，融合算法在车刀图像磨损区
域的分割准确率方面有较大的优势。
表1分割算法分割准确率比较
检测图像
二维Renyi 交叉 熵阈值算法
区域种子 算法
传统自适应
阈值算法融合算法
磨损图像162. 90%
90.62%64. 34%95.91%磨损图像2
76.91%75.40%80.19%97.96%磨损图像3
73.43%
89.74%
69.95%
93.60%
9刀具磨损检测系统应用
通过上述分析，对刀具磨损区域使用融合算法进
行分割，效果良好。将该算法集成，应用微软基础类库
与OpenCV 视觉软件开源库进行视觉软件界面与检测 系统的开发。这一系统可以显示待检测刀具原始图像
与分割磨损结果图像，在框选出磨损区域的同时可以 输出车刀的磨损宽度均值、最大磨损宽度等几何参数， 如图8所示。通过与硬质合金车刀的磨钝标准磨损宽
度值'13(比对，笔者选取0.6 mm 作为磨钝标准磨损宽
度值，来判断刀具能否继续使用&▲图8刀具磨损区域检测系统界面
10结束语
笔者针对车刀磨损图像存在噪声干扰且纹理复杂
的特点，提出了一种基于均值漂移和自适应阈值分割 的刀具磨损检测方法。这一方法采用频率域滤波对原 始图像的高频噪声部分进行过滤，对刀具磨损图像采 用均值漂移与自适应阈值融合算法进行分割，得到准
确的磨损区域。同时搭建了基于机器视觉的刀具磨损 检测平台进行检测，结果表明，笔者提出的融合算法对 刀具磨损区域的分割准确率优于传统分割算法，平均
分割准确率高于90%，适用于常见车刀的磨损区域 检测。
参考文献
'1 (王丹，杨林•刀具磨损原理及刀具磨损检测方法[J ] •农机
使用与维修，2018 (11 )：24 -25.
'2 ]秦国华，易鑫，李怡冉，等•刀具磨损的自动检测及检测系
统[J].光学精密工程，2014，22(12) ：3332 -3341.
'3 ]林家宝•数控刀具自动视觉检测仪机电系统设计'D ].西
安：西安工业大学，2015.
'4 ]桑宏强，张新建，刘丽冰，等.基于工件纹理和卷积神经网
络的刀具磨损检测'J ] •组合机床与自动化加工技术，2019
(7)：60 -63，68.
'5 ]朱元丰•基于机器视觉的表针自动码垛系统'J ] •机械制
造，2020，58(1) ：17 -22，25.
'6 ] KWONYJ , FISCHER G W. A Novel Approach te
Quantifying Tool Wear and Tool Life Measurements for OpUmal Tool Manaaement' J]. International Journal of
Machine Tools and Manufacture ，2003，43 (4) ：359 - 368.
'7 ] SHYNK J J. Frequency-domain and Multirate Adaptive
Filtering [ J ]. IEEE Signal Processing Maaazine , 1992，9
(1 )：14-37.
'8 ]金延薇•基于均值漂移的面向对象图论图像分割算法研
究[J ]•资源信息与工程,2019,34 (3 )：172,175.
'9 ]朱错，付忠良，陶攀，等•基于自适应均值漂移的超声心动
图左心室分割方法'J ] •生物医学工程学杂志,2018,35
摄像机三脚架(2) ：273 -279.
'10 ] WANG Y.【mpieved OTSU and Adaptive Genetic Algorithm
for Infrared Imaae Se-mentation ' C ] .2018 Chinese Control
and Decision Conference ( CCDC ) ,Shenyang ,2018.
'11 ]马英辉，吴一全.基于二维Renyi 交叉熵的刀具磨损图像
分割'J ] •电子测量与仪器学报,2016,30 (12) : 1869 -
1876.
'12 ]李姗姗，刘丽冰，李莉，等•基于区域生长法的数控刀具磨
损状态检测方法'J ] •制造技术与机床,2017 (2 )：132 -
136.
'13]王庆明，程耀东，朱国辉•刀具磨损型式与磨钝标准V]
的选取[J ] •机械,1996,23 (6) ：37 -38.
收稿时间：2020 - 12
作者简介：
奚昌泽(1995―)，男，硕士研究生，主要研究方向为工业 检测。
(编辑平平)机植制造®总第681期
2021,59(5)
|
75
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议