[发明专利]刀具磨损图像的拼接方法及刀具的寿命预测方法

说明书

刀具磨损图像的拼接方法及刀具的寿命预测方法，涉及刀具寿命的预测领域。为了解决现有刀具磨损检测技术只能在走刀之后进行人工拆卸检测、不具备寿命预测而容易导致工件报废的问题。本发明以刀具的各刃面和底面为对象，采集刀具的底面磨损图像，并将去噪处理的图像转变为RGB彩色空间，进一步转化为HSV色彩空间；取空间矢量模为特征值，通过待融合图像的平移方程和刚性矩阵模型进行图像融合，形成拼接图像。然后基于拼接图像利用深度学习引擎对拼接好的图像信号进行训练学习，通过光滑求解过程并进行误差减小率分析生成最优的深度学习模型并；然后通过数据库中的数据预测磨损趋势达到预测刀具寿命的作用。本发明用于刀具的寿命预测。

技术领域

本发明涉及刀具寿命的预测领域，具体涉及刀具寿命的预测方法。

背景技术

在工业4.0和智能制造2025的大环境下，刀具的智能制造行业发展日新月异，数控机床加工过程中刀具磨损的程度直接决定着加工工件的质量。

由于加工过程中的时变性、不稳定性和环境因素等影响刀具的持续磨损，所以刀具磨损过程具有实时性、不确定性等特点，因此刀具磨损状态的实效监测已经成为刀具磨损检测领域的发展趋势。

传统的刀具磨损检测技术仅限于对刀具磨损状态的监测，即通过刀具磨损检测技术可以监测处此时刀具磨损程度，而在刀具寿命的预测上缺乏研究，从而造成在刀具已损坏的情况下继续进行铣削加工的现象，严重影响加工工件的质量甚至导致工件报废。

发明内容

本发明为了解决现有刀具磨损检测技术只能在走刀之后进行人工拆卸检测、不具备寿命预测而容易导致工件报废的问题。

刀具磨损图像的拼接方法，包括以下步骤：

步骤1、采集图像：

以刀具的各刃面和底面为对象，采集刀具的底面磨损图像A₀，并分别沿着各刃面连续采集刃面的磨损图像保证相邻两个图像具有重叠区域；q为各个刃面的序号，q＝1,2,...,Q；Q为刃面的总数；下角标“w”为沿着刃面采集图像的顺序序号；

步骤2、将连续采集的各刃面的磨损图像和底面磨损图像进行去噪处理；将去噪处理的图像转变为RGB彩色空间，将RGB色彩空间的R、G、B值转化为HSV色彩空间的H、S、V值；

步骤3、将每个刃面的两张连续拍摄图像作为待融合图像，取HSV色彩空间的空间矢量模为特征值识别每个刃面两张连续拍摄图像待融合区域的方形区域，以方形区域的顶点和对角线对应的向量建立待融合图像的平移方程和刚性矩阵；通过待融合图像的平移方程和刚性矩阵模型进行图像融合，形成每个刃面的二维平面对角融合图像pic^q。

进一步地，所述步骤3的具体过程如下：

据HSV色彩空间的H、S、V值建立笛卡尔坐标系，取空间矢量模为特征值，选取相邻的两个需要拼接的图像，分别针对每个像素点，计算空间矢量模P，将两幅图像中P值相同的区域作为待融合区域，待融合区域的四个顶点在两幅图像中分别记为A、B、C、D和A’、B’、C’、D’，并在笛卡尔坐标系中确定八个顶点的坐标，并分别确定AB、A’B’的矢量表示，记为AB(m，n)和A’B’(e，f)，以A点为基准点，建立A与A’之间的平移变换方程g(x，y)＝g₁(x+x_A-x_A’，y+y_A-y_A’)；

其中，x、y分别表示平移变换方程中对应像素点的横坐标、纵坐标，x_A、y_A分别表示A点的横坐标、纵坐标，x_A’、y_A’分别表示A’点的横坐标、纵坐标；

将AB作为目标，A作为刚性中心确定AB与A’B’的刚性矩阵即为待拼接图像和目标图像的刚性变换值；

其中，为旋转量；