基于工件紋理和卷積神經(jīng)網(wǎng)絡的刀具磨損檢測*

桑宏強，張新建，劉麗冰，金國光，陳麗莎

(1.天津工業(yè)大學 a.機械工程學院；b.天津市現(xiàn)代機電裝備技術重點實驗室，天津 300387；2.河北工業(yè)大學 機械工程學院，天津 300130)

0 引言

在機械加工過程中，刀具的磨損不僅會影響零件的質(zhì)量，而且會導致機床的振動沖擊進而對機床的精度造成影響。因此，刀具磨損狀態(tài)的檢測變得越來越重要，目前已成為國內(nèi)外學者研究的熱點問題之一。

刀具狀態(tài)監(jiān)控通常采用各種傳感器采集刀具的狀態(tài)信息，將采集的信號進行處理，建立特征與刀具磨損狀態(tài)之間的映射關系，實現(xiàn)刀具磨損狀態(tài)監(jiān)測。然而，由于刀具的工作過程復雜，信號特征與磨損狀態(tài)之間映射的關系通常是非線性的，因此難以準確地進行定量描述。目前主要采用智能學習和決策技術的處理方法解決非線性映射的問題。楊建國等[1]采用Canny算法對輪廓特征提取以及人工神經(jīng)網(wǎng)絡分類實現(xiàn)刀具的磨損預測。秦國華等[2]提出一種邊界提取的局部方差閾值算法，實現(xiàn)磨損區(qū)域的提取。García等[3]采用支持向量機對切削刃的類別進行識別，識別率達到90.26%。何翔等[4]提取刀具的4種幾何特征參數(shù)，采用改進BP神經(jīng)網(wǎng)絡算法進行預測，得到了較高的識別率。李珊珊等[5,14]提出自動選取種子點與生長閾值的區(qū)域生長算法并通過最小外接矩形提取刀具磨損特征值(VBmax)的方法。以上基于刀體圖像的分析方法雖能實現(xiàn)刀具磨損檢測，但實現(xiàn)復雜度較大，需要拆卸刀具，不能在線監(jiān)測刀具的磨損量，降低加工效率。Bradley C和Wong Y.S等[6,10,13]從工件表面紋理中提取三個參數(shù)進行刀具磨損研究，研究表明紋理的變化可以用來實現(xiàn)刀具磨損狀態(tài)的檢測。鄭建明等[7]運用Canny邊緣檢測算法以及Hough變換對邊緣圖像中線段的分布特性進行分析，得出線段長度和方向隨刀具磨損的變化規(guī)律。孫林麗等[8,11]采用二維主成份分析(PCA)圖像重構算法，根據(jù)從二維PCA重構圖像中提取的工件表面分形特征值，提出刀具磨損狀態(tài)的判斷方法。以上基于工件紋理的分析方法存在需要人工提取特征，算法復雜度較高，預測準確率低等問題。張存吉等[9,12]使用小波變換將加速度傳感器獲取加速度信息轉化成能量頻譜圖，使用卷積神經(jīng)網(wǎng)絡進行刀具的磨損識別，但該方法使用加速度傳感器，安裝較復雜。

基于以上，本研究直接通過視覺傳感器獲取刀具加工之后工件的表面紋理圖像，不需要改造機床以及附加機構，也不需要將拆卸刀具即可完成刀具的磨損狀態(tài)預測。根據(jù)刀具磨損圖像的特點，利用卷積神經(jīng)網(wǎng)絡直接從原始數(shù)字圖像中提取樣本的特征信息，得出刀具的磨損等級。通過實驗結果證明，采用卷積神經(jīng)網(wǎng)絡有效減少前期處理工作量，并且具有較強的預測能力和泛化能力。

1 基于卷積神經(jīng)網(wǎng)絡的刀具磨損檢測

卷積神經(jīng)網(wǎng)絡是目前為止應用廣泛的深度學習模型，尤其是在圖像分類方面。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中的神經(jīng)元時，首先提出其概念。卷積神經(jīng)網(wǎng)絡由許多卷積層、池化層和全連接層組成。卷積神經(jīng)網(wǎng)絡能夠訓練多層神經(jīng)網(wǎng)絡，避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。

1.1 刀具磨損檢測使用的原始模型

AlexNet是多倫多大學的Alex Krizhevsky提出的一種深度卷積神經(jīng)網(wǎng)絡，應用于2012年大規(guī)模視覺識別挑戰(zhàn)賽(ImageNet Large-Scale Visual Recog-nition Challenge 2012，ILSVRC12)，該神經(jīng)網(wǎng)絡包含600000000個參數(shù)和650000個神經(jīng)元，并在神經(jīng)網(wǎng)絡中增加了防止過擬合的正則化“Dropout”策略，其網(wǎng)絡結構如圖1所示。該卷積神經(jīng)網(wǎng)絡模型由1個輸入層、5個卷積層(Conv1，Conv2，Conv3，Conv4，Conv5)、3個池化層(Pool1，Pool2，Pool5)和3個全連接層(Fc6，F(xiàn)c7，F(xiàn)c8)組成。

圖1 AlexNet卷積神經(jīng)網(wǎng)絡

(1) 卷積

卷積神經(jīng)網(wǎng)絡中卷積操作主要用來特征提取。卷積操作可使用公式(1)描述，

(1)

其中，xi,j表示圖像的第i行第j列元素，wm,n表示卷積核的第m行n列權重，wb表示卷積核的偏置項，ai,j表示特征圖的第i行第j列元素，f表示激活函數(shù)。

(2) 激活函數(shù)

激活函數(shù)采用Clipped ReLU，其函數(shù)表達式如公式(2)所示，

(2)

其中，a為根據(jù)經(jīng)驗選定的某一個定值，本文中取a=100。

(3) 池化

對輸入的特征圖進行壓縮，一方面使特征圖變小，簡化網(wǎng)絡計算復雜度，一方面進行特征壓縮，提取主要特征。池化操作一般有兩種，均值池化和最大值池化，本文采用最大值池化。

(4) 局部響應歸一化

使用ReLU后的輸出不再有值域區(qū)間，故采用LRU進行歸一化處理。如公式(3)所示其計算方法：

(3)

(5) Dropout

卷積神經(jīng)網(wǎng)絡中的Dropout策略能有效解決訓練費時和過擬合的問題，其工作原理如圖2所示。

圖2 Dropout策略

1.2 刀具磨損檢測使用的模型

因本文用于刀具磨損監(jiān)測的樣本相對于深度學習的所需樣本數(shù)量少，所以采用遷移學習的方法初始化網(wǎng)絡參數(shù)。本研究擬將刀具磨損程度分為3類，所以對該模型參數(shù)進行修改，使其應用于刀具磨損的預測。

工件加工的序間，由CCD采集刀具在工件表面產(chǎn)生的紋理圖像。將圖像直接喂入卷積神經(jīng)網(wǎng)絡，進行刀具磨損程度識別。CCD采集的圖片分辨率為1280×960，如此大的圖片喂入卷積神經(jīng)網(wǎng)絡，對計算機的硬件要求較高，而且比較耗時，然而圖片越小，圖片所包含的信息越少，所以應該合理的選擇輸入圖片的大小。經(jīng)過實驗，裁剪圖片分辨率為400×400，作為卷積模型的輸入數(shù)據(jù)。

本研究在AlexNet卷積神經(jīng)網(wǎng)絡的基礎上，根據(jù)工件表面紋理圖像的特點，對AlexNet卷積神經(jīng)網(wǎng)絡進行如下修改：

(1)修改輸入層的參數(shù)。原始AlexNet卷積神經(jīng)網(wǎng)絡的輸入圖像的分辨率為227×227的RGB彩色圖片，而本課題使用的是黑白工業(yè)相機，所以需要對輸入圖像格式以及分辨率進行修改，將其輸入調(diào)整為分辨率400×400的灰度圖像。

(2)修改卷積核的參數(shù)。將原始AlexNet卷積神經(jīng)網(wǎng)絡的第一層卷積層的卷積核大小由原來的11×11的調(diào)整為22×22，步長由原來的4調(diào)整為5，以適應下一層神經(jīng)網(wǎng)絡輸入。

(3)修改輸出層參數(shù)。由于輸出為3種磨損等級，所以將Fc8層的全連接層的輸出設置為3；

(4)修改訓練算法。原始AlexNet采用隨機梯度下降算法進行訓練，而改進后采用帶有動量的隨機梯度下降算法，該方法比隨機梯度下降法學習速度更快，更適合處理高曲率、小但一致的梯度，或是帶噪聲的梯度。

(5)修改激活函數(shù)。原始的AlexNet卷積神經(jīng)網(wǎng)絡的激活函數(shù)為ReLU，改進后采用Clipped ReLU。

1.3 數(shù)據(jù)流圖

從圖片輸入到最后分類結果的輸出整個的數(shù)據(jù)流圖，如圖3所示。

圖3 數(shù)據(jù)流圖

2 實驗驗證

2.1 實驗裝置與數(shù)據(jù)采集

切削實驗采用云南機床廠的立式加工中心，型號為CY-VMC850，刀具采用的是貴州西南工具有限公司的白鋼立銑刀，型號為SWT-12×26×83，切削的鋁試件的材料為7A52，尺寸為110mm×110mm×50mm的長方體試件，實驗中切削參數(shù)為主軸轉速2000r/min，切削深度1mm，進給量500mm/min，銑削寬度10mm，不加切削液。每經(jīng)過一次切削，對刀具的磨損值進行測量，測量采用的裝置是Anyty數(shù)碼顯微鏡。為了提高材料的利用率，將試件切削成階梯狀(見圖4)，同時對磨損值進行標記，即加工某個特定的臺階面時，將刀具的磨損值記錄下來，后續(xù)對試件進行圖像采集實驗，刀具磨損程度分類如表1所示。

表1 磨損程度分類

圖4 加工之后的試件以及圖像采集裝置

圖像采集系統(tǒng)由工業(yè)相機、顯微鏡頭和光源組成。工業(yè)相機采用西安維視科技的黑白工業(yè)相機，型號為MV-EM120M，采用放大倍率為2X顯微鏡頭，型號為HX2X-T110，光源采用LED環(huán)形光源，型號為HDR-90-45。使用上述圖像采集系統(tǒng)進行拍攝照片，獲取實驗樣本并對樣本進標簽設置，以便進行后續(xù)數(shù)據(jù)處理。

2.2 樣本數(shù)據(jù)的處理

圖像采集實驗中拍攝了不同磨損等級的圖片共270張，為了體現(xiàn)改進前后的效果，在此做一對比。相機拍攝的原始圖像的分辨率為1280×960的灰度圖像，通過圖片裁剪，分別裁剪成分辨率為227×227與400×400的圖片，分別獲得了2700張圖片，其中選取其中2160張圖片進行訓練，另外的540張圖片進行測試。

原始的AlexNet卷積神經(jīng)網(wǎng)絡使用分辨率為227×227圖片進行訓練，訓練算法采用隨機梯度下降法，激活函數(shù)采用ReLU。改進的AlexNet卷積神經(jīng)網(wǎng)絡使用分辨率為400×400圖片進行訓練，訓練算法采用帶有動量的隨機梯度下降法，激活函數(shù)采用Clipped ReLU。

算法運行平臺為Dell Vostro 3900臺式機，CPU型號為i5-4460四核處理器，主頻3.2GHz，GPU型號為NVIDIA GeForce GTX745，顯存4GB，采用GPU進行訓練。

由結果可知，在刀具磨損識別方面改進后的AlexNet卷積神經(jīng)網(wǎng)絡較改進之前的效果很好。由圖5與圖7的對比可以看出，使用帶有動量的隨機梯度下降算法進行神經(jīng)網(wǎng)絡訓練準確率曲線收斂更快，即能夠使用更少的迭代次數(shù)能夠使模型收斂，從而降低訓練時間。由圖6與圖8對比，使用帶有動量的隨機梯度下降算法進行神經(jīng)網(wǎng)絡訓練損失值也較快收斂。由表3可知，圖片分辨率為227×227時，AlexNet的識別率最高能達到98.15%，使用原始網(wǎng)絡結構時，識別率為96.88%。由表4所示，在輸入圖片大小為400×400時，AlexNet的識別率最高能達到100%。使用不同的激活函數(shù)時，Clipped ReLU效果最好。

圖5 原始AlexNet模型在不同激活函數(shù)時準確率曲線

圖6 原始AlexNet模型在不同激活函數(shù)時損失率曲線

激活函數(shù)ReLULeaky ReLUClipped ReLU訓練時間15m04s15m36s14m45s預測準確率96.875%98.15%96.875%Mini-Batch Loss0.03910.02260.0637迭代次數(shù)480480480基礎學習率0.0010.0010.001訓練方法SGDSGDSGD

圖7 改進后AlexNet模型在不同激活函數(shù)時準確率曲線

圖8 改進后AlexNet模型不同激活函數(shù)時損失率曲線

激活函數(shù)ReLULeaky ReLUClipped ReLU訓練時間17m15s18m42s18m03s預測準確率99.63%99.81%100%Mini-Batch Loss1×10-47.644×10-56.81×10-5迭代次數(shù)480480480基礎學習率0.0010.0010.001訓練方法SGDMSGDMSGDM

綜上，改進后的AlexNet對刀具磨損的識別率有所提高，能夠更加準確的識別出刀具的磨損狀態(tài)。

2.3 與其他算法的對比

算法的優(yōu)越性通過對比才能顯現(xiàn)出來。作為對比，我們選用典型的卷積神經(jīng)網(wǎng)絡VGGNet以及典型的分類算法BP神經(jīng)網(wǎng)絡等作為比較算法并給出結果。

VGGNet同樣為深度卷積神經(jīng)網(wǎng)絡，2014年由牛津大學計算機視覺組和DeepMind公司共同研發(fā)一種深度卷積網(wǎng)絡。VGGNet深度卷積神經(jīng)網(wǎng)絡的運行平臺為HP Z480圖形工作站，處理器為Intel Xeon E5-1620 v3，主頻為3.5GHz，32G內(nèi)存，GPU型號為Quadro K2200，顯存4GB，使用與AlexNet算法相同的訓練算法、基礎學習率以及相同的迭代次數(shù)，使用GPU進行訓練，其結果如表4所示。

采用經(jīng)典的BP神經(jīng)網(wǎng)絡算法對磨損等級進行預測。首先對樣本數(shù)據(jù)進行預處理，采用高斯濾波算法對原始圖片進行濾波處理，然后使用灰度梯度共生矩陣算法從圖片中提取了15個特征，包括小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關、灰度熵、梯度熵、混合熵、慣性、逆差矩等，作為淺層模型的輸入向量，將提取到的特征輸入到BP神經(jīng)網(wǎng)絡進行磨損等級分類。其中，灰度-梯度共生矩陣紋理特征分析是用灰度和梯度的綜合信息提取紋理特征。將圖像的梯度信息加入到灰度共生矩陣中，使共生矩陣更能包含圖像的紋理基元及其排列信息。BP神經(jīng)網(wǎng)絡采用15個特征輸入，1個磨損等級輸出，6個隱藏層，設置迭代次數(shù)為5000次，設置收斂誤差為1×10-7，訓練算法采用Levenberg-Marquardt(LM)算法，結果如表4所示。

表4 AlexNet與VGGNet、BP神經(jīng)網(wǎng)絡結果對比

由表4結果可以看出，在相同的訓練方法、相同的迭代次數(shù)以及學習率的條件下，網(wǎng)絡層次較深的VGGNet并沒有比網(wǎng)絡層次較淺的AlexNet算法的識別準確率高，并且訓練時長也要比AlexNet高出數(shù)十倍，說明靠加深網(wǎng)絡層次并不能提高識別的準確率，適合的方法才是最好的。雖然BP神經(jīng)網(wǎng)絡的訓練時間比較短，但在濾波和提取特征以及磨損等級判斷方面消耗的總時間與本文算法幾乎一致，而且識別率也沒有本文算法的高，而且需要對圖片進行預處理和提取特征等處理，對人工的經(jīng)驗要求較高。

3 結論

本文提出一種基于卷積神經(jīng)網(wǎng)絡的刀具磨損監(jiān)測方法，用于制造車間監(jiān)測刀具狀態(tài)，該方法構建了刀具磨損監(jiān)測的深度卷積神經(jīng)網(wǎng)絡模型，搭建了刀具磨損監(jiān)測的實驗平臺。實驗結果表明，所改進的AlexNet卷積神經(jīng)網(wǎng)絡對刀具磨損等級的判斷有很好的效果。與經(jīng)典的模式識別相比較，不需要對原始信號預處理、提取和選擇特征，擺脫了信號對人工處理的依賴，具有很大的優(yōu)勢。與網(wǎng)絡層次更深的結構更復雜的卷積神經(jīng)網(wǎng)絡相比，改進的AlexNet卷積神經(jīng)網(wǎng)絡更適合處理刀具的磨損檢測此類問題。