刀具磨损图像的拼接方法及刀具的寿命预测方法与流程

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。

技术实现要素：

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+xa-xa’，y+ya-ya’)；

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，xa、ya分别表示a点的横坐标、纵坐标，xa’、ya’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；

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。

进一步地，所述步骤2所述将rgb色彩空间的r、g、b值转化为hsv色彩空间的h、s、v值的具体过程如下：

其中，h、s、v分别为hsv色彩空间的h、s、v值。

刀具寿命的预测模型建立方法，包括以下步骤：

a、利用所述的刀具磨损图像的拼接方法采集并拼接图像；

针对每个刃面的拼接图像，通过图像处理技术描绘磨损的刃面边界曲线，提取每个刃面边界曲线对应的最大磨损值vb作为特征值，记为q为各个刃面的序号；下角标“1”表示第一次各刃面完整的图像采集对应的拼接图像；

根据刀具走刀过程，本别按照上述过程进行图像采集并拼接图像，得到每个刃面的每个拼接图像的最大磨损值vb作为特征值，记为i＝1,2,…,mt，mt为每个刃面各自对应的总的拼接图像数量；

b、针对每个刃面，将每个刃面的特征值作为训练样本进行机器学习：

步骤b1.1、将m个特征值作为训练样本，将m个特征值分成前m个特征值和后m-m个特征值两部分，即将特征值按照顺序对应的分成[1,m]和[m+1,m]；[1,m]对应的特征值作为训练集，[m+1,m]的特征值作为测试集；m＜mt-k；

针对训练集，分配不同的光滑参数a0,a1,a2,...an的权值，通过得到光滑因子α，并利用测试集进行验证，得到第一层训练模型model1；

步骤b1.2、对第一层训练模型model1求一阶导数得g1(x)，取点集p＝(p1，p2，p3，...，pm-1)，pl＝x(2i+1)/2，l＝1,2,...,m-1，计算出g1(pl)；根据xi、xi+1分别对应的y(xi)、y(xi+1)计算出相邻两点xi、xi+1的斜率并计算总误差值为

步骤b2.1、将m+1个特征值作为训练样本，将m+1个特征值分成前m2个特征值和后m+1-m2个特征值两部分，即将特征值按照顺序对应的分成[1,m2]和[m2+1,m+1]；[1,m2]对应的特征值作为训练集，[m2+1,m+1]的特征值作为测试集；

然后按照步骤b1.1得到第一层训练模型mode2；

步骤b2.2、对第二层训练模型model2求一阶导数得g2(x)，并按照步骤b1.2计算得到总误差值为e2；

步骤b2.3、比较总误差值e2和总误差值e1大小，计算出误差减小率δ1＝(2-e1)/e1；

步骤b3.1、将m+2个特征值作为训练样本，将m+2个特征值分成前m3个特征值和后m+1-m3个特征值两部分，即将特征值按照顺序对应的分成[1,m3]和[m3+1,m+2]；[1,m3]对应的特征值作为训练集，[m3+1,m+2]的特征值作为测试集；

然后按照步骤b2.1至步骤b2.2得到误差值为e3；

步骤b3.2、比较总误差值e3和总误差值e2大小，计算出误差减小率δ2＝(3-e2)/e2；

步骤b4、判断误差减小率δ2和δ1的大小，

若δ2<δ1，则停止训练输出model3作为最优训练模型；否则，返回步骤b1.1继续进行学习；直至第k次训练后找到后一个误差减小率小于前一个误差减小率，并对应输出modelf作为最优训练模型。

进一步地，步骤b1.1所述的建立过程如下：

针对每个刃面，另

设yj(x)＝span{1，x，x²，...，xⁿ}；j＝0,1,2,...,n，span{1，x，x²，...，xⁿ}表示以1，x，x²，...，xⁿ为基的向量空间；

训练第一层深度学习模型y(x)＝a0y0(x)+a1y1(x)+a2y2(x)+...+anyn(x)，同时另i＝1,2,…,m，m＞n；a0,a1,a2,...an均为光滑参数；

其中，x对应刀具的加工长度或加工时间；y(x)对应表示刀具的最大最大磨损值；

构造泛函数：

f(a0,a1,a2,...an)＝f1(a0,a1,a2,...an)+αf2(a0,a1,a2,...an)

其中，表示近似精度；

表示光滑程度；a、b分别为积分的上下界；

α为光滑因子；

求泛函数驻点得j＝0，1,2...，n；

整理得得到模型

其中，ρi为权因子；k＝0,1,2,...,n，k≠j，且yj(x)与yk(x)正交；分别为yj(x)、yk(x)的二阶导数。

刀具寿命的预测方法，包括以下步骤：

将最优训练模型modelf记为函数fh(x)＝y(x)；

针对已经完成的加工长度或加工时间对应的走刀次序记为mt，获取当前走刀后的刀具磨损图像作为待检测图像，将待检测的刀具磨损图像输入最优训练模型，假设最优训练模型为modelf，以最优训练模型modelf得到的最大磨损值，并与刀具磨损规律曲线进行比对；

对最优训练模型modelf在mt点处进行一阶求导得则走刀次序记mt+xδ处的磨损预测值

比较ymt+x与该刀具磨损规律曲线上的刀具后刀面磨阈值vmax，如果ymt+x小于vmax的80％，则判断刀具使用寿命没有达到终点；否则判断刀具使用寿命达到终点。

本发明的有益效果是：由于本发明可以通过图像拼接，识别磨损；并且依据磨损图像可以给予机器学习的方式建立刀具磨损图像模型，并依据刀具磨损图像模型进行刀具的寿命预测，所以本发明完全是基于机器完成的，即能够实现刀具在每走一定刀数(对应的加工长度或加工时间)后就自动检测一次，这样就实现了自动检测，无需人工手动拆卸、人工检测，极大的提高了检测效率，相比人工检测，本发明依赖计算机进行检测的检测效率得到数倍提高；而且还能够节省人力，同时避免了由于人工检测存在的认为误差因素，侧面提高了检测的准确率。

本发明的识别模型的建立过程和识别过程都是基于机器学习实现的，不仅能够保证具有较高的准确率，而且本发明的机器学习过程与大多数的机器学习方式和处理方式并不相同；大多数的机器学习在训练过程中，既需要刀具的磨损图像(不同程度的磨损图像)，也需要没有磨损图像，然后记性建模，并提取特征，最后实现学习建模，这样不仅需要提前准备各种图像，并基于图像进行提前建模，然后进行检测，这样效率相对比较低。但是本发明则完全不存在这样的问题，本发明可以无需“没有磨损”的刀具图像，完全可以基于已经开始磨损的刀具状态对应的图像进行，而且能够根据走刀任务的进行边学习边完善模型，能够提高效率。更加重要是本发明可以在每走一刀后都能够预测下一次或者下几次的走刀对应的刀具磨损情况，根据每次走刀的实际情况作出预测，这样能够保证不因为下次走刀过程中的刀具损坏而给工件造成损伤，极大地减少了工件的报废率，从而增加工件的成品率，提高效益。利用本发明能够保证工件的报废率不超过0.5％。

附图说明

图1本刀具寿命的预测方法的整体流程图。

具体实施方式

具体实施方式一：

本实施方式为一种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(刀头面)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；

刀具的刃面为螺旋状，在采集各刃面的时需要图像采集装置沿着刃面螺旋上升，连续采集刃面的图像，并保证沿着刃面走向连续采集具有重叠区域的图像；将图像的顺序序号记为w；

以所研究刀具为试验用四刃球头铣刀为例，刀具具有4个刃面，以刀具具有四个刃面为例，第1次采集的图像分别为：

分别为第一刃面至第四刃面对应的图像；

沿着刀具各个刃面(各个摄像头对应跟着各个刃面螺旋上升采集图像，即每个摄像头只对应采集一条刃面的图像)移动摄像头再次采集各刃面的图像，分别记为依次类推，采集刀具各刃面的磨损图像；

采集刀具刃面和底面图像前，需要清除刀具表面残留的加工过程中产生的切屑，以免影响成像质量；

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，以去除由于电子和光学上的原因，不可避免地给图像引入的噪声影响；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。

由于刀具的刃面为螺旋状，所以在采集各刃面图像时，各个摄像头对应跟着各个刃面螺旋上升采集图像，所以当进行图像拼接式是沿着采集旋转顺序，图像在刀具的竖直方向(刀具长度方向)上是上升的，所以融合后的平面图像中，刀刃的走向是斜向上的，体现在融合后的图像平面上的刀刃为沿着图像的对角位置，所以记为二维平面对角融合图像。

具体实施方式二：

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(对应两幅图像中重叠的部分)，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+xa-xa’，y+ya-ya’)；

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，xa、ya分别表示a点的横坐标、纵坐标，xa’、ya’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；

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。

具体实施方式三：

步骤2所述将rgb色彩空间的r、g、b值转化为hsv色彩空间的h、s、v值的具体过程如下：

其中，h、s、v分别为hsv色彩空间的h、s、v值。

具体实施方式四：结合图1说明本实施方式，

本实施方式为一种刀具寿命的预测模型建立方法，包括以下步骤：

a、利用具体实施方式一至三之一所述的刀具磨损图像的拼接方法采集并拼接图像；

针对每个刃面的拼接图像，由于已经经过图像去噪和图像拼接过程，可直接通过图像处理技术描绘磨损的刃面边界曲线，提取每个刃面边界曲线对应的最大磨损值vb作为特征值，记为q为各个刃面的序号；下角标“1”表示第一次各刃面完整的图像采集对应的拼接图像，即经过各刃面的完整采集过程后拼接的图像，对应第一次整体采集拼接过程；

根据刀具走刀过程，本别按照上述过程进行图像采集并拼接图像，得到每个刃面的每个拼接图像的最大磨损值vb作为特征值，记为i＝1,2,…,mt，mt为每个刃面各自对应的总的拼接图像数量，也就是经过图像采集并拼接图像的总次数；即：刀具走若干刀后采集拼接图像，再走若干刀后采集拼接图像，反复进行；

b、针对每个刃面，将每个刃面的特征值作为训练样本进行机器学习：

步骤b1.1、将m个特征值作为训练样本，将m个特征值分成前m个特征值和后m-m个特征值两部分，即将特征值按照顺序对应的分成[1,m]和[m+1,m]；[1,m]对应的特征值作为训练集，[m+1,m]的特征值作为测试集；m＜mt-k；

针对训练集，分配不同的光滑参数a0,a1,a2,...an的权值，通过得到光滑因子α，并利用测试集进行验证，得到第一层训练模型model1；

步骤b1.2、对第一层训练模型model1求一阶导数得g1(x)，取点集p＝(p1，p2，p3，...，pm-1)，pl＝x(2i+1)/2，l＝1,2,...,m-1，计算出g1(pl)；根据xi、xi+1分别对应的y(xi)、y(xi+1)计算出相邻两点xi、xi+1的斜率并计算总误差值为

步骤b2.1、将m+1个特征值作为训练样本，将m+1个特征值分成前m2个特征值和后m+1-m2个特征值两部分，即将特征值按照顺序对应的分成[1,m2]和[m2+1,m+1]；[1,m2]对应的特征值作为训练集，[m2+1,m+1]的特征值作为测试集；

然后按照步骤b1.1得到第一层训练模型mode2；

步骤b2.2、对第二层训练模型model2求一阶导数得g2(x)，并按照步骤b1.2计算得到总误差值为e2；

步骤b2.3、比较总误差值e2和总误差值e1大小，计算出误差减小率δ1＝(2-e1)/e1；

步骤b3.1、将m+2个特征值作为训练样本，将m+2个特征值分成前m3个特征值和后m+1-m3个特征值两部分，即将特征值按照顺序对应的分成[1,m3]和[m3+1,m+2]；[1,m3]对应的特征值作为训练集，[m3+1,m+2]的特征值作为测试集；

然后按照步骤b2.1至步骤b2.2得到误差值为e3；

步骤b3.2、比较总误差值e3和总误差值e2大小，计算出误差减小率δ2＝(3-e2)/e2；

步骤b4、判断误差减小率δ2和δ1的大小，

若δ2<δ1，则停止训练输出model3作为最优训练模型；否则，返回步骤b1.1继续进行学习；直至第k次训练后找到后一个误差减小率小于前一个误差减小率，并对应输出modelf作为最优训练模型。

具体实施方式五：

步骤b1.1所述的建立过程如下：

针对每个刃面，另实际上是为了将离散的作为连续函数f的第i个值；

设yj(x)＝span{1，x，x²，...，xⁿ}；j＝0,1,2,...,n，span{1，x，x²，...，xⁿ}表示以1，x，x²，...，xⁿ为基的向量空间；这些参数和函数都是根据“曲线拟合的最小二乘光滑解”方式设定的，没有对应的物理含义；

训练第一层深度学习模型y(x)＝a0y0(x)+a1y1(x)+a2y2(x)+...+anyn(x)，同时另i＝1,2,…,m，m＞n；a0,a1,a2,...an均为光滑参数；

其中，x对应刀具的加工长度或加工时间；y(x)对应表示刀具的最大最大磨损值；

构造泛函数：

f(a0,a1,a2,...an)＝f1(a0,a1,a2,...an)+αf2(a0,a1,a2,...an)

其中，表示近似精度；其中yj(xi)中的xi强调的是一个对应的值；而针对于学习模型y(x)＝a0y0(x)+a1y1(x)+a2y2(x)+...+anyn(x)中yn(x)的x强调其为自变量；

表示光滑程度；a、b分别为积分的上下界；

α为光滑因子，取值范围为(0，1)；

求泛函数驻点得j＝0，1,2...，n；

整理得得到模型

其中，ρi为权因子，可以取ρi均为1；k＝0,1,2,...,n，k≠j，且yj(x)与yk(x)正交；分别为yj(x)、yk(x)的二阶导数。

具体实施方式六：结合图1说明本实施方式，

本实施方式为一种刀具寿命的预测方法，包括以下步骤：

将最优训练模型modelf记为函数fh(x)＝y(x)；函数fh(x)对应的横坐标为加工长度或加工时间对应的走刀次序，纵坐标为最大磨损值；

针对已经完成的加工长度或加工时间对应的走刀次序记为mt，获取当前走刀后的刀具磨损图像作为待检测图像，将待检测的刀具磨损图像输入具体实施方式四或具体实施方式五得到的最优训练模型，假设最优训练模型为modelf，以最优训练模型modelf得到的最大磨损值，并与刀具磨损规律曲线进行比对；

刀具磨损规律曲线为已知的，是相关工作人员根据刀具磨损情况得到的刀具磨损规律曲线，并存储于数据库中；刀具磨损情况包括刀具磨损程度和状态。实际上函数fh(x)于刀具磨损规律曲线大体相似，但是二者是有差别的，并不能完全相同。

对最优训练模型modelf在mt点处进行一阶求导得则走刀次序记mt+xδ处的磨损预测值

比较ymt+x与该刀具磨损规律曲线上的刀具后刀面磨阈值vmax，如果ymt+x小于vmax的80％，则判断刀具使用寿命没有达到终点，可继续使用；否则判断刀具使用寿命达到终点，停止作业。

由于本发明可以通过图像拼接，识别磨损；并且依据磨损图像可以给予机器学习的方式建立刀具磨损图像模型，并依据刀具磨损图像模型进行刀具的寿命预测，所以本发明完全是基于机器完成的，即能够实现刀具在每走一定刀数(对应的加工长度或加工时间)后就自动检测一次，这样就实现了自动检测，无需人工手动拆卸、人工检测，极大的提高了检测效率，相比人工检测，本发明依赖计算机进行检测的检测效率得到数倍提高；而且还能够节省人力，同时避免了由于人工检测存在的认为误差因素，侧面提高了检测的准确率。

本发明的识别模型的建立过程和识别过程都是基于机器学习实现的，不仅能够保证具有较高的准确率，而且本发明的机器学习过程与大多数的机器学习方式和处理方式并不相同；大多数的机器学习在训练过程中，既需要刀具的磨损图像(不同程度的磨损图像)，也需要没有磨损图像，然后记性建模，并提取特征，最后实现学习建模，这样不仅需要提前准备各种图像，并基于图像进行提前建模，然后进行检测，这样效率相对比较低。但是本发明则完全不存在这样的问题，本发明可以无需“没有磨损”的刀具图像，完全可以基于已经开始磨损的刀具状态对应的图像进行，而且能够根据走刀任务的进行边学习边完善模型，能够提高效率。更加重要是本发明可以在每走一刀后都能够预测下一次或者下几次的走刀对应的刀具磨损情况，根据每次走刀的实际情况作出预测，这样能够保证不因为下次走刀过程中的刀具损坏而给工件造成损伤，极大地减少了工件的报废率，从而增加工件的成品率，提高效益。利用本发明能够保证工件的报废率不超过0.5％。