[发明专利]一种基于Squeeze Net的铣削刀具磨损检测方法

说明书

本发明公开了一种基于Squeeze Net的铣削刀具磨损检测方法，该方法的步骤包括1、使用图像采集装置采集被加工工件的表面纹理图像及其对应的刀具全生命周期磨损数据并贴标签；步骤2、设定铣刀磨损程度等级；步骤3、对被采集图像进行预处理，进行灰度化得到预处理图像；步骤4、对所得图像进行处理，获得图像的灰度共生矩阵，将得到的数据按标签划分为训练集和测试集；步骤5、搭建Squeeze Net神经网络；步骤6、将所获得数据按标签划分数据集，输入到Squeeze Net模型中训练;步骤7、输入测试集验证。该方法具有利于部署在便携式设备上及运算效率高经济成本低的优点。

技术领域

本发明属于计算机技术领域，具体是一种基于Squeeze Net的铣削刀具磨损检测方法。

背景技术

在金属切削加工过程中，切口钝化或破损工件表面质量的损失并增加制造成本，因此实时刀具磨损检测在智能制造业中占据十分重要的地位。在刀具加工过程中的磨损状态分析对于预测刀具的损伤，或者在灾难性失效发生之前更换刀具具有重要意义。过早更换未达到磨损标准的刀具会增加切削力，这反过来又会导致较差的粗糙度和尺寸精度，造成经济上的损失。有统计表明，刀具损坏是造成机床停机的重要原因。因此，在生产过程中，有一个检测系统来识别切削刃磨损的状态是非常重要的。

对刀具的磨损检测的方法主要分为两种，分别为间接检测法和直接检测法。间接法是通过与刀具相关的物理量的变化与刀具磨损或破损程度的关系建立模型以实现对刀具磨损状态的检测。直接法则是指对刀具的物理变化进行直接测量。当前的直接法多为光学法，即通过刀具表面磨损图像的分析来识别刀具磨损程度。与间接法相比，光学传感器的精度更高。

申请号为CN201910600329.4的文献公开了一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态识别方法，该方法通过测力仪和加速度传感器采集三向力信号和振动加速度信号，对采集到的信号进行分段和归一化处理，将分完段的数据输入到卷积核大小不同的卷积神经网络中以实现数据深度的扩充，最后将得到的数据输入长短时记忆神经网络输出所识别的磨损分类。该方法需要将传感器安装到机床上，增加了机床的结构复杂程度；同时长短时记忆神经网络模型较大，需要占用更多的计算资源，对硬件设备有较高的要求。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是。

1.传统深度学习算法模型较大难以在嵌入式设备中部署的问题。

2.为采集多种特征数据，在机床安装多种传感器增加系统复杂程度及经济成本的问题。

本发明技术方案如下。

一种基于Squeeze Net的铣削刀具磨损检测方法。

一种基于Squeeze Net的铣削刀具磨损检测方法，其特征在于，该方法的步骤在于。

步骤1、采集被铣削工件表面纹理图像。

使用图像采集装置采集被加工工件的表面纹理图像及其对应的刀具全生命周期磨损数据并贴标签。

步骤2、图像预处理。

对被采集图像进行预处理，进行灰度化得到预处理图像。

步骤3、获得图像的灰度共生矩阵。

3-1提取灰度图像在0°，45°，90°，135°四个方向的灰度共生矩阵。

3-2提取均值、方差、同质性、对比度、相异性、熵、角二阶矩阵、自相关共8种特征。

3-3计算四个方向灰度共生矩阵的均值矩阵。

3-4对得到的均值矩阵进行归一化处理。

步骤4、将所获得数据按标签划分数据集，将训练集输入到Squeeze Net模型中，模型训练完成后，代入测试集验证。