基于均值漂移與自適應閾值分割的刀具磨損檢測方法*

□ 奚昌澤 □ 梁 丹 □ 紹千鈞 □ 趙永杰 □ 梁冬泰

寧波大學 機械工程與力學學院 浙江寧波 315211

1 研究背景

車刀是切削加工中應用最為廣泛的刀具之一,應用于各類車床,可進行外圓、內孔、端面、螺紋、槽等不同種類的加工。由于車刀在切削加工中常出現(xiàn)切削溫度過高、刀具涂層脫落、加工材料硬度過高等問題,車刀的切削面極易磨損。磨損的車刀使工件加工表面粗糙度和尺寸精度無法保證,降低了生產效率與工件質量,甚至可能引發(fā)生產安全問題[1]。由此可見,對車刀切削面進行磨損檢測有重要意義。

現(xiàn)階段,隨著圖像處理技術的成熟,已經發(fā)展出多種刀具磨損區(qū)域檢測方法。這些方法大多基于圖像分割技術,主要分為三大類:① 基于閾值分割的方法,如秦國華等[2]根據刀具磨損圖像像素分布的特點,提出了局部方差閾值分割算法,避免了原始圖像中的冗雜信息對分割過程的干擾;② 基于邊緣分割的方法,如林家寶[3]采用坎尼邊緣檢測算法對刀具位置進行定位,通過自定義插值亞像素的方法對刀具進行邊緣檢測,并應用最小二乘法對刀具的輪廓進行擬合;③ 基于神經網絡的分割方法,如桑宏強等[4]采用視覺傳感器獲取刀具加工后的表面紋理圖像,通過卷積神經網絡,結合磨損特點,直接提取特征信息,得到刀具的磨損等級。

由于刀具磨損區(qū)域表面粗糙度值往往比較大,磨損區(qū)域難以精確分割,因此現(xiàn)有的磨損區(qū)域分割與檢測方法在噪聲干擾和復雜紋理條件下難以實現(xiàn)刀具磨損圖像的精確檢測。對此,筆者提出一種基于均值漂移與自適應閾值分割的刀具磨損檢測方法。采用這一方法,在頻率域上進行預處理,減小高頻噪聲對后續(xù)分割的影響;應用均值漂移聚類對磨損區(qū)域進行初分割,簡化圖像紋理信息;在此基礎上,通過自適應閾值算法進行二次分割,實現(xiàn)車刀磨損區(qū)域的準確分割與提取。

2 檢測平臺搭建

對刀具磨損類型與位置進行分析,針對車刀主后刀面磨損,搭建了刀具磨損檢測平臺[5],如圖1所示。搭建的檢測平臺主要由彩色工業(yè)相機、光學變焦鏡頭、發(fā)光二極管環(huán)形光源、光學試驗支架、光學穩(wěn)定平臺、計算機等組成。筆者使用這一檢測平臺完成車刀主后刀面磨損圖像的采集。

▲圖1 刀具磨損檢測平臺

3 車刀磨損主要形式

車刀磨損是車刀在高溫下與工件表面、切屑產生劇烈摩擦而產生的,車刀磨損的形式主要分為三種:前刀面磨損、后刀面磨損、邊界磨損。其中,車刀后刀面磨損又細分為主后刀面磨損與副后刀面磨損。車刀各種磨損形式如圖2所示。主后刀面磨損對刀具切削性能的影響最大,是導致加工工件精度問題和刀具自身崩刃斷裂的主要因素[6],所以筆者針對車刀主后刀面磨損區(qū)域進行檢測。

▲圖2 車刀磨損形式

4 磨損檢測步驟

為準確分割出車刀主后刀面磨損區(qū)域,筆者提出了基于均值漂移與自適應閾值分割的刀具磨損檢測方法,主要包括四個步驟,如圖3所示。

▲圖3 磨損檢測步驟

步驟一,通過基于傅里葉變換的頻率域濾波進行圖像預處理,過濾高頻噪聲,減小圖像的干擾。

步驟二,通過均值漂移對刀具圖像表面紋理特征進行聚類分析。

步驟三,應用自適應閾值分割算法準確分割出刀具磨損區(qū)域。

步驟四,相機標定并計算磨損區(qū)域相關尺寸,實現(xiàn)磨損狀態(tài)的識別。

5 圖像預處理

為減小高頻噪聲對磨損區(qū)域分割的影響,保留主體有效信息,筆者對刀具原始圖像進行頻率域變換,選擇高斯低通濾波器對圖像進行降噪。在頻率域中使用高斯低通濾波器不會產生較大的振鈴現(xiàn)象和模糊干擾。高斯低通濾波器由函數H(u,v)確定:

H(u,v)=e-D2(u,v)/2σ2

(1)

式中:(u,v)為頻率域圖像坐標;D(u,v)為距頻率域矩形中心的距離;σ為關于像素中心的擴展度。

對σ選取合適大小,代入式(1),得到高斯低通濾波器的函數表達式。對頻譜圖進行卷積計算,得到圖像降噪結果。圖像降噪過程如圖4所示。

▲圖4 圖像降噪過程

對于中心化的傅里葉頻譜圖,中間最亮點為圖像的最低頻率。頻譜圖顯示,頻率隨與中心距離的增大而提高[7]。濾波后頻譜圖四周的高頻信息遠遠少于原始圖像頻譜圖,可見過濾了大量可見與不可見的高頻無效噪聲信息。

6 均值漂移聚類算法

車刀磨損圖像紋理復雜,嚴重干擾了車刀磨損區(qū)域分割的準確性。因為車刀磨損局部特征大多呈現(xiàn)聚集狀態(tài),所以在對車刀圖像完成無效噪聲過濾后,應用均值漂移聚類提取磨損區(qū)域的特征,在此基礎上應用自適應閾值方法對優(yōu)化后的圖像進行處理,分割出刀具圖像中的磨損區(qū)域,完成完整的檢測步驟。筆者所使用的融合算法彌補了常規(guī)閾值分割算法容易受干擾、分割精度不足的缺點,算法流程如圖5所示。

▲圖5 融合算法流程

均值漂移是一種非監(jiān)督的分類思想,通過圖像信息向量化的方式來表達圖像像素點及像素點區(qū)域的分類方向性[8]。給定取樣點集X={x1,x2,…,xn},M(x)向量的基本形式為:

(2)

式中:Sh為以x為中心點、以h為半徑的高維球型區(qū)域;k為點集X中樣本點落入Sh區(qū)域內的數量;xi為包含在Sh區(qū)域內的第i個樣本點;(xi-x)為第i個樣本點與中心點x的相對偏移量;M(x)為落入Sh區(qū)域內的k個樣本點的漂移向量和的平均值。

由于樣本點與采樣點之間的距離大小影響了向量強度的有效性與重要性,因此需要在式(2)的基礎上增加核函數與權重因數的概念。

對式(2)進行擴展[9],得:

(3)

式中:F(x)為核函數;m為帶寬矩陣;ω(xi)為樣本權重。

定義均值漂移向量后,還需要進行迭代運算來完成聚類,進而進行圖像特征的分類。迭代思想為給定初始點x,計算這一點的均值漂移向量,并將該初始點沿所得均值漂移向量方向移動,得到新的迭代初始點,不斷循環(huán),直至收斂到該點附近的最大值。

7 自適應閾值分割算法

筆者選用改進的最大類間方差法來獲取刀具磨損圖像的全局最優(yōu)分割閾值[10]。算法原理為設B×N圖像中每個像素的灰度值為f(p,q),(p,q)為像素坐標,L為最大灰度級,假定灰度值位于區(qū)間[0,L-1]內,像素j在圖像中所占的比例P(j)為:

(4)

隨機選定初始閾值t,通過迭代將圖像分為前景與后景,前景表示為{f(p,q)≤t},后景表示為{t

(5)

(6)

(7)

(8)

圖像的總均值μ為:

μ=u0(t)v0(t)+u1(t)v1(t)

(9)

當類間方差最大時,獲取自適應最優(yōu)閾值Th為:

Th=arg max{u0(t)[v0(t)-μ]2+

u1(t)[v1(t)-μ]2}

(10)

由式(10)分析可知,類間方差越大,所得最優(yōu)閾值越遠離圖像中心?？梢?需要盡量增大前景灰度均值v0(t)與后景灰度均值v1(t)之間的差值。設前景后景插值距離為d(t),有:

d2(t)=[v0(t)-v1(t)]2

(11)

(12)

(13)

考慮距離d(t)與改進均值方差兩個參數對閾值獲取的影響,可得改進閾值標準函數G(t)為:

(14)

當改進閾值標準函數G(t)取最大值時,得到自適應最優(yōu)閾值Th為arg max[G(t)]。

8 檢測結果分析

為了充分驗證筆者所提出算法的可行性與有效性,選取三幅具有不同磨損程度的車刀主后刀面磨損圖像作為樣本進行檢測,同時以磨損區(qū)域面積的分割準確率Ar作為分割效果指標,Ar為:

(15)

式中:a為應用算法分割得到的磨損區(qū)域像素面積大小;at為手動標注的磨損區(qū)域像素面積大小。

對降噪后刀具圖像應用均值漂移預分割,突出磨損區(qū)域特征,聚類結果如圖6所示。

由圖6可以看出,均值漂移簡化了原始刀具圖像的紋理信息,弱化了無效區(qū)域的影響,突出了主后刀面的磨損區(qū)域,為后續(xù)自適應閾值分割打下良好的基礎。

▲圖6 均值漂移聚類結果

針對三幅具有不同磨損程度的車刀主后刀面磨損圖像,應用均值漂移與自適應閾值分割融合算法,與傳統(tǒng)檢測算法進行對比,如圖7所示。由圖7可以發(fā)現(xiàn),傳統(tǒng)的分水嶺分割算法、形態(tài)學分割算法與自適應閾值算法產生了過度分割的現(xiàn)象,將車刀正常區(qū)域劃分為磨損區(qū)域,容易導致嚴重的誤檢測。筆者提出的融合算法在磨損區(qū)域分割準確率上有明顯優(yōu)勢,雖然仍然存在過分割與分割不完整的現(xiàn)象,但是對于整體的分割檢測影響較小。由此可見,筆者提出的融合算法有較高的分割準確率,能有效實現(xiàn)檢測目標。

▲圖7 檢測結果對比

為定量評價筆者提出的融合算法的有效性,采用分割準確率作為評價指標,并與二維Renyi交叉熵閾值分割算法[11]、區(qū)域種子分割算法[12]、傳統(tǒng)自適應閾值分割算法進行比較。不同分割算法準確率比較見表1。與傳統(tǒng)分割算法相比,融合算法在車刀圖像磨損區(qū)域的分割準確率方面有較大的優(yōu)勢。

表1 分割算法分割準確率比較

9 刀具磨損檢測系統(tǒng)應用

通過上述分析,對刀具磨損區(qū)域使用融合算法進行分割,效果良好。將該算法集成,應用微軟基礎類庫與OpenCV視覺軟件開源庫進行視覺軟件界面與檢測系統(tǒng)的開發(fā)。這一系統(tǒng)可以顯示待檢測刀具原始圖像與分割磨損結果圖像,在框選出磨損區(qū)域的同時可以輸出車刀的磨損寬度均值、最大磨損寬度等幾何參數,如圖8所示。通過與硬質合金車刀的磨鈍標準磨損寬度值[13]比對,筆者選取0.6 mm作為磨鈍標準磨損寬度值,來判斷刀具能否繼續(xù)使用。

▲圖8 刀具磨損區(qū)域檢測系統(tǒng)界面

10 結束語

筆者針對車刀磨損圖像存在噪聲干擾且紋理復雜的特點,提出了一種基于均值漂移和自適應閾值分割的刀具磨損檢測方法。這一方法采用頻率域濾波對原始圖像的高頻噪聲部分進行過濾,對刀具磨損圖像采用均值漂移與自適應閾值融合算法進行分割,得到準確的磨損區(qū)域。同時搭建了基于機器視覺的刀具磨損檢測平臺進行檢測,結果表明,筆者提出的融合算法對刀具磨損區(qū)域的分割準確率優(yōu)于傳統(tǒng)分割算法,平均分割準確率高于90%,適用于常見車刀的磨損區(qū)域檢測。