一种基于大数据自主学习检测刀具寿命的系统及方法与流程

[0001]
本发明属于智能数控机床领域，更具体地，涉及一种基于大数据自主学习检测刀具寿命的系统及方法。


背景技术：

[0002]
为了使数控机床更加智能化、自动化，保证数控机床高精度、高速度、高效率的自动化运行成为数控机床的主要研究方向之一。在加工过程中，数控机床加工刀具会随着加工过程发生不同程度的损坏，影响加工效率。因此，及时检测出刀具断损情况，可减少后续零件的报废率，降低机床的损耗，保证机床的加工效率。
[0003]
现有的基于视觉的刀具寿命检测方法主要分为间接检测和直接检测两种，其中间接检测对加工后的零件进行检测，在专利cn109540919a中，通过采用一级升降装置对零件进行检测，然后通过左右两边的光电装置以及固定装置检测装置实现对零件的左右两侧的检测，然后在工作台下方设置一个光电检测装置，对零件底部进行检测，从而判断是否出现刀具寿命，这是一种间接的方式，这种方法不仅整个设备的成本比较高，而且需要针对不同类型的加工零件做不同的判断方法处理，整个设备的可使用范围比较狭窄。另一种直接检测的方法直接对刀具进行拍摄，判刀具寿命具是否出现磨损，在编号为cn109500657a的专利中，首先通过设定的阈值获取对应的加工刀具的图像，通过将图像进行灰度化，得到对应的二值图像，进行形态学处理后，提取二值图像的轮廓，计算提取后的轮廓与标定的正常刀具的面积比，判断其与预设阈值之间的关系，实现对刀具的检测。该方法需要预先标定正常刀具的面积作为参考值，在对图片上的整个刀具面积进行标定时，人工标定误差的影响比较大，另外，在提取轮廓时，受光照和背景影响比较大，泛化能力较弱，当刀具种类较多时容错率较小，准确度较低。
[0004]
因此，提出一种泛化能力强、准确度高的刀具寿命检测系统及方法是亟需解决的问题。


技术实现要素：

[0005]
针对现有技术的缺陷，本发明的目的在于提出一种基于大数据自主学习检测刀具寿命的系统及方法，旨在解决现有技术由于将预先标定的正常刀具的面积作为参考值进行刀具寿命判断时受人工标定及光照及北京的影响较大而导致的准确度较低的问题。
[0006]
为实现上述目的，本发明一方面提供了一种人工智能刀具寿命检测系统，包括：图像采集模块、刀库、云服务器、图像处理模块；其中，图像采集模块的输出端与图像处理模块的输入端相连，图像采集模块与刀库之间间隔一段距离，图像处理模块与云服务器之间通过以太网进行通讯；图像采集模块用于拍摄刀库中的待加工的刀具得到刀尖位置的标定信息，以及拍摄加工完成后的刀具得到背景模糊并且刀具对象凸显的刀具图像，并传输到图像处理模块中；刀库用于存放待加工的刀具以及加工完成后的待检测刀具；
云服务器用于基于刀具交点特征训练得到刀具寿命检测模型；图像处理模块用于对刀具图像进行预处理，加载云服务器中训练得到的刀具寿命检测模型，然后基于该刀具寿命检测模型计算刀具检测结果。进一步优选地，图像采集模块包括内窥镜，采用内窥镜拍摄刀库中的刀具，刀具未进行加工时，拍摄刀具图像，并标定刀具刀尖所在的位置信息，刀具加工完成后将刀具重新换回到刀库，采用内窥镜拍摄加工完成后的待检测刀具，得到背景模糊的刀具图像，以凸显刀具对象。
[0007]
进一步优选地，图像处理模块可以为装有ai芯片的ipc。
[0008]
进一步优选地，图像采集模块、刀库、图像处理模块均可嵌入到机床中；进一步优选地，本发明另一方面提供了一种基于大数据自主学习检测刀具寿命的系统及方法，包括以下步骤：s1、图像处理模块连接云服务器，从云服务器中下载刀具寿命检测模型；s2、对刀库中的所有待加工刀具进行拍照并标定其刀尖位置；s3、待加工刀具在加工完成后换回到刀库的对应位置，并对其进行拍照，得到待检测刀具图像；s4、基于所标定的刀尖位置信息对待检测刀具图像进行预处理，得到带有辅助标记的刀具图像；s5、提取待检测刀具图像的刀具刀尖与辅助线之间的交点特征；s6、将交点特征输入到预先训练的刀具寿命检测模型中，得到刀具寿命检测结果；s7、将检测错误的刀具图像样本传送到云服务器上，得到错误样本集。
[0009]
进一步优选地，上述步骤中对刀具图像进行预处理的方法包括以下步骤：s41、以所标定的刀尖位置信息为基准，对刀具图像进行剪裁，得到固定大小的刀具图像；s42、对裁剪后的图像进行灰度处理，得到灰度图像；s43、在所得灰度图像中的固定位置处绘制辅助线，得到带有辅助标记的刀具图像。进一步优选地，所有预处理图像的辅助线位置都相同。
[0010]
进一步优选地，辅助线的条数大于等于1，并且存在一定的倾斜角度且互相平行；进一步优选地，辅助线的条数为3。
[0011]
进一步优选地，刀尖与辅助线之间的交点越多，为刀具寿命的可能性越小。
[0012]
进一步优选地，可以采用googlenet提取刀具图像的刀具刀尖与辅助线之间的交点特征。
[0013]
进一步优选地，步骤s6中得到刀具寿命检测模型的方法包括以下步骤：s61、判断云服务器端是否存在已训练好的刀具寿命检测模型，若不存在，采集断裂刀具和正常刀具的图像数据集作为训练集，转至步骤s62；若存在，则转至步骤s63；s62、基于所得训练集在云服务器上训练刀具寿命检测模型，转至s63；s63、当云服务器上的错误样本集中的样本个数大于可训练阈值c时，在当前刀具寿命检测模型的基础上基于错误样本集进行增量训练，更新刀具寿命检测模型。
[0014]
进一步优选地，步骤s62中训练刀具寿命检测模型的方法包括以下步骤：s621、对训练集中的刀具图像进行预处理，构建带有辅助标记的训练集；
s622、提取带有辅助标记的训练集中每幅刀具图像的刀具刀尖与辅助线之间的交点特征；s623、以训练集中正常刀具的交点特征为正样本，以训练集中断裂刀具的交点特征为负样本，对分类器进行训练，得到刀具寿命检测模型。进一步优选地，可以使用senet作为分类器。通过本发明所构思的以上技术方案，与现有技术相比，能够取得下列有益效果：1、本发明提供了一种基于大数据自主学习检测刀具寿命的系统及方法，通过提取刀具刀尖与辅助线之间的交点特征训练刀具寿命检测模型，并对判断出错的刀具图像进行增量训练不断的对刀具寿命检测模型进行更新，可以对多种不同类型的刀具进行检测，大大提高了刀具寿命检测模型的泛化能力以及检测的准确率。
[0015]
2、本发明提供了一种刀具寿命检测系统，采用内窥镜拍摄刀具图像，可以使刀具图像的背景部分模糊，从而凸显出刀具对象，内窥镜成本低，安装简易，易于维护。另外在采集的刀具图像是刀具加工完成后的图像，减少了环境因素的干扰，避免了在刀具加工过程中对其进行拍摄时存在冷却液和工件遮挡问题，有效的减少整个加工过程中光线的影响，在加工环境比较恶劣的情况下也可以达到比较好的检测效果。
[0016]
3、本发明提供了一种基于大数据自主学习检测刀具寿命的系统及方法，在检测启动之前，预先标定待加工刀具的刀尖位置信息，通过刀尖位置信息来确定整个刀具的范围，这种处理方法相对于现有的采用阈值来确定刀具范围的方法得到的刀具信息更为准确，受到拍摄背景的影响更小。
[0017]
4、本发明提供了一种人工智能刀具寿命检测系统，在云服务器上训练刀具寿命检测模型，当模型更新后可以及时的同步到不同的机床上，更加灵活，可以实现整个系统的数据进行汇总，有利于对整个机床的数据进行处理分析，同时也有比较好的可维护性。
附图说明
[0018]
图1是本发明实施例所提供的一种人工智能刀具寿命检测系统。
具体实施方式
[0019]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0020]
本发明提出了一种人工智能刀具寿命检测系统，如图1所示，包括图像采集模块1、刀库2、云服务器3、图像处理模块4；其中，图像采集模块1的输出端与图像处理模块4的输入端相连，图像采集模块1与刀库2之间间隔一段距离，图像处理模块4与云服务器3之间通过以太网进行通讯；图像采集模块1用于拍摄刀库2中的待加工的刀具并标定得到刀尖位置的标定信息，以及拍摄加工完成后的刀具得到背景模糊并且刀具对象凸显的刀具图像，并传输到图像处理模块4中；刀库2用于存放待加工的刀具以及加工完成后的待检测刀具；
云服务器3用于基于刀具交点特征训练得到刀具寿命检测模型；图像处理模块4用于对刀具图像进行预处理，加载云服务器中训练得到的刀具寿命检测模型，然后基于该刀具寿命检测模型计算刀具检测结果。
[0021]
具体的，图像采集模块1包括内窥镜、照明灯、usb数据线，用支架将内窥镜固定在数控机床内，距离刀库中刀具10cm的位置，用usb数据线将内窥镜和数控机床中上位机相连。照明灯用于照亮刀库区，由于刀库位置光线较暗，使用照明灯能够使照片中的刀具更加清晰。采用内窥镜拍摄刀库中的刀具，刀具未进行加工时，拍摄刀具图像，并标定刀具刀尖所在的位置信息，刀具加工完成后刀具换回到刀库，采用内窥镜拍摄加工完成后的待检测刀具，得到背景模糊的刀具图像以凸显刀具对象，并将图片数据通过usb数据线传输到图像处理模块中。在刀具加工过程中对其进行拍摄时存在冷却液和工件遮挡问题，需要将刀具从加工区换置到刀库，避免遮挡问题。
[0022]
具体的，在云服务器上训练得到刀具寿命检测模型并加载到图像处理模块中，将图像采集模块中拍摄到的刀具图像传输至图像处理模块中，预处理完成后，采用图像处理模块中的刀具寿命检测模型对处理后的图像进行刀具寿命检测。
[0023]
具体的，图像处理模块可以为装有ai芯片的ipc。
[0024]
具体的，本发明另一方面提供了一种基于大数据自主学习检测刀具寿命的系统及方法，包括以下步骤：s1、图像处理模块连接云服务器，判断图像处理模块中的刀具寿命检测模型是否存在，若不存在，从云服务器中下载刀具寿命检测模型，若模型下载失败则返回错误信息，算法结束；若存在，转至步骤2；s2、采用内窥镜对刀库中的所有待加工刀具进行拍照并标定其刀尖位置；s3、在机床加工时，轮询机床的换刀信号，捕捉换刀信号后，加工完成后的待检测刀具回到刀库的对应位置，采用内窥镜对刀具进行拍照，得到待检测刀具图像；s4、基于所标定的刀尖位置信息对待检测刀具图像进行预处理，得到带有辅助标记的刀具图像；s5、采用googlenet提取待检测刀具图像的刀具刀尖与辅助线之间的交点特征；具体的，通过辅助线与刀具刀尖相交，增强交点附近像素的梯度变化，使得在提取图像特征时更易提取到交点，交点数量与位置又可反映刀具长度，由此做到将长短这种定性特征转化为交点位置与数量这种定量特征，从而使训练更快更准确。
[0025]
s6、将交点特征输入到预先训练的刀具寿命检测模型中，得到刀具寿命检测结果，若预测为刀具寿命，则向机床发送报警信号，否则继续轮询换刀信息。
[0026]
s7、判断检测的刀具寿命结果是否正确，将检测错误的刀具图像样本传送到云服务器上，得到错误样本集，算法结束。
[0027]
具体的，在云服务器端训练刀具寿命检测模型的方法，包括以下步骤：s61、判断云服务器端是否存在已训练好的刀具寿命检测模型，若不存在，采集断裂刀具和正常刀具的图像数据集作为训练集，转至步骤s62；若存在，则转至步骤s63；具体的，训练集中的图像是包含刀尖的刀具图像；s62、基于所得训练集在云服务器上训练刀具寿命检测模型，转至s63；s63、判断云服务器上的错误样本集中的样本个数是否大于可训练阈值c，若大于可训
练阈值c，则在当前刀具寿命检测模型的基础上基于错误样本集进行增量训练，更新刀具寿命检测模型，算法结束；否则，当前的刀具寿命检测模型即为所得，算法结束。具体的，c取值为4000张，具体的，正常刀具样本数量为2000张，断裂刀具样本数量为2000张，通过在当前刀具寿命检测模型现有参数的基础上对模型进行增量训练，可以提高模型的容错率和准确率。
[0028]
具体的，步骤s62中训练刀具寿命检测模型的步骤包括：s621、对训练集中的刀具图像进行预处理，构建带有辅助标记的训练集；s622、采用googlenet模型提取带有辅助标记的训练集中每幅刀具图像的刀具刀尖与辅助线之间的交点特征；s623、以训练集中正常刀具的交点特征为正样本，以训练集中断裂刀具的交点特征为负样本，对senet分类器进行训练，得到刀具寿命检测模型。
[0029]
具体的，上述步骤中的对刀具图像进行预处理的方法包括以下步骤：s41、以刀具加工前所标定的刀具图像中刀尖所在的位置(x ,y)为基准，取x左右两边各50个像素点以及y以上的100个像素点对加工后的刀具图像进行剪裁，得到100
×
100的刀具图像；s42、对裁剪后的图像进行灰度处理，得到灰度图像；s43、在所得灰度图像下半部分固定位置处绘制3条带有一定倾斜角度的平行辅助线，得到带有辅助标记的刀具图像。具体的，所有预处理图像的辅助线位置都相同。
[0030]
通过本发明所提供的人工智能刀具寿命检测系统及方法，通过提取刀具刀尖与辅助线之间的交点特征训练刀具寿命检测模型，并收集判断出错的刀具图像进行增量训练，不断的对刀具寿命检测模型进行更新，使其可以对多种不同类型的刀具进行检测，大大提高了刀具寿命检测模型的泛化能力以及检测的准确率。对100
×
100的包含刀尖的刀具图像添加辅助线特征来训练模型，使模型的准确率提高3％。这里使用的训练集的大小是4000，其中刀具寿命和正常刀具各类2000，使用的测试集数据是4000张，其中刀具寿命和正常刀具各类2000，模型在测试集上最终的准确率是98.6％，准确率较高。
[0031]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。