采用自適應區域生長的微型鉆銑刀具磨損檢測方法

鄧曉鵬,王妍,洪煜,胡小鋒

(上海交通大學機械與動力工程學院,200240,上海)

作為數控機床的重要組成部分,刀具狀態直接影響工件的加工質量與精度。加工過程中,過早更換刀具造成資源浪費,增加生產成本;過晚更換刀具則易造成零件質量下降。研究表明,刀具的不合理使用對工業生產造成的影響高達100億美元[1]。尤其是在航空制造領域,大量使用微型刀具,零件加工精度要求高,刀具價格昂貴。通過刀具狀態檢測嚴格控制換刀時間,對降低生產成本、保證加工質量具有重要意義[2]。

根據測量方式的不同,刀具磨損狀態檢測方法可分為間接法與直接法兩類[3]。間接法通過測量與刀具磨損相關的中間變量來描述刀具磨損狀態,例如切削力[4]、聲發射[5]、電機電流[6]、切削溫度等信號[7-8]。其流程為:對加工過程中的傳感器信號進行特征提取等處理,得到與刀具磨損相關的特征量,在此基礎上構建特征信號與刀具磨損之間的關系模型[9]。間接法可實現刀具狀態的實時檢測,但傳感器采集的過程信號易受外界噪聲干擾,在一些信號特征不明顯的加工中可能不可用[10]。

直接法以刀具本身為檢測目標,主要有光學檢測法以及基于機器視覺的檢測法[11]。基于機器視覺的檢測方法通過對刀具磨損圖像進行處理來獲取刀具磨損信息。隨著制造工藝與視覺檢測技術的進步,基于機器視覺的刀具磨損檢測方法得到了很大發展。Pfeifer等提出一種基于多光源和多刀具圖像采集的磨損檢測系統,利用不同光源下的多幅刀具圖像重構磨損區域,增強刀具磨損邊緣,進而提取磨損區域[12]。朱愛斌等采用非標定雙目視覺方法對刀具磨損輪廓進行了重構[13]。Sortino提出了一種基于統計濾波的刀具磨損區域檢測定向算法,通過比較圖像行、列像素值的變化來提取磨損帶邊界[14]。Jamie Loizou等通過自動切割與一系列圖像處理算法提取拉刀的磨損帶,依據圖像像素變化特點裁剪感興趣區域,通過Otsu算法對圖像進行閾值分割,得到刀具磨損區域的二值圖像[15]。葉祖坤等采用局部閾值分割方法自動識別刀具磨損帶位置,進而對刀具磨損量進行提取[16]。

以上方法所針對的刀具圖像中干擾因素較少。但是,微型刀具磨損圖像是在多倍放大后獲得的,在放大磨損區域的同時也會放大刀體條紋,條紋以及刀體未磨損區域的反光都會對磨損位置的確定造成影響,使得上述方法不再適用。

因此,本文結合微型刀具磨損圖像特點,提出一種基于自適應區域生長的刀具磨損檢測方法,通過圖像裁剪、磨損區域提取、磨損邊界重構等過程,實現微型刀具磨損信息的自動提取。

1 刀具磨損圖像采集裝置

航空制造中微型刀具直徑一般小于1 mm,為獲取可反映刀具磨損狀態的刀具圖像,本文選用圖1所示的裝置對微型鉆銑刀具進行離線圖像采集。該裝置由顯示器、顯微鏡以及磁性V型塊3部分組成。顯微鏡為BETICAI CR40-930HD三目工業檢測正置金相顯微鏡,放大倍數分別為350、1 400、2 100倍,分辨率為1 920×1 080像素。在圖像采集過程中,首先將鉆銑刀具吸附在豎直放置的磁性V型塊上,通過顯微鏡觀察刀具底面刀刃,測得底刃偏轉角度α,旋轉刀具使底面刀刃邊緣水平,即圖2中α=0°,實現刀具定位;再將磁性V型塊連同刀具水平放置,對鉆銑刀具的側刃磨損區域進行拍攝。刀具定位原理如圖2所示[17]。采集完成后,以同樣的方式獲取另一刀刃的磨損圖像。

圖1 圖像采集裝置

圖2 刀具定位原理圖

2 刀具磨損檢測方法

本文提出的刀具磨損檢測方法的具體流程如圖3所示,通過圖像預處理、圖像自動裁剪、圖像二值化以及磨損邊界重構等過程實現刀具磨損信息的精確提取。

圖3 刀具磨損檢測流程

2.1 圖像預處理

通過圖像采集裝置得到的刀具磨損圖像中存在許多噪聲,這些干擾點會影響后續刀具磨損帶的提取。因此,在進行刀具磨損帶提取前,采用雙邊濾波算法對原始圖像進行濾波處理,去除圖像中的噪聲。雙邊濾波綜合考慮像素的歐氏距離與像素范圍域中的輻射差異,可以在降噪平滑的同時保持原始邊緣。同時,為降低后續圖像處理的復雜度,對刀具圖像進行灰度化處理。

2.2 圖像自動裁剪

刀具磨損圖像主要包括刀體區與背景區兩部分。背景區在原始圖像中占很大比例,但其幾乎不含有用信息。直接在原始圖像上進行處理會導致時間復雜度上升,且圖片中多余的信息會干擾后續磨損量的提取。因此,對圖像進行自動裁剪操作,實現感興趣區域(ROI)的提取。

刀體反光以及條紋的影響,使得刀體區內存在許多干擾區域,與磨損區域具有相似的像素特征。但背景區像素單一,與刀體內部的高亮區域存在明顯對比。因此,本文首先通過頻率調諧(FT)顯著性檢測算法[18]凸顯刀體內部干擾區域與磨損區域,其次采用最大類間方差(Otsu)算法將圖像分為兩部分,進而確定ROI坐標范圍,實現ROI的自動提取。

FT顯著性檢測算法利用圖像顏色與亮度特征提取視場中的顯著區域,通常在Lab色彩空間進行處理,考慮到刀具圖像的單一性,此處直接在灰度圖像上進行處理。處理后的圖像如圖4所示。當磨損區域亮度較低時,該算法會凸顯整個刀體區域。為體現算法對不同圖像處理結果的差異,用不同特點的圖像進行了實驗。

(a)原始圖像Ⅰ

刀具圖像的顯著區域位于刀體內部,通過Otsu算法選擇合適的閾值對顯著性圖像進行二值化處理,將圖像分割為刀體內部區域與其他區域兩部分,如圖5所示。顯著性檢測后,磨損區域與干擾區域的亮度得到增強,因此二值化處理后高像素值區域包含磨損區。通過提取高像素值點的橫、縱坐標極值,得到包含所有高像素值點的最小矩形,并以此為界限對圖像進行裁剪,得到圖6所示的ROI圖像。由于裁剪過程中同時對磨損區與干擾區進行了凸顯,兩區域坐標范圍存在重疊,因此裁剪后的圖像包含干擾區、磨損區以及平滑刀體區3部分。

(a)圖像Ⅰ

(a)圖像Ⅰ

2.3 基于區域生長算法的刀具磨損區域提取

區域生長算法的基本思想是將有相似性質的像素點合并到一起。從目標區域選擇一個種子點作為生長起點,將種子點與其鄰域內符合生長條件的像素點合并。并入的點作為新的種子點繼續向外生長,直至不再有符合生長條件的點加入。該算法的關鍵在于確定生長起點與生長條件[19]。

宋紅等提出一種基于動態自適應區域生長的肝臟CT腫瘤分割算法,通過對預處理圖像進行預分割得到ROI,利用形態學濾波填充空洞獲取肝臟區域[20],但其中種子點的選取需要人為參與。李姍姍等提出一種基于區域生長的刀具磨損檢測方法,選擇二值化圖像中白塊區域的質心為生長起點,并通過質心所在位置自動確定生長閾值,實現了刀具磨損的自動提取[21]。但是,通過質心選取生長起點易受干擾區域影響,導致磨損帶提取不準確。

考慮到磨損區域封閉、連通的特點,本文提出圖7所示的自適應區域生長算法對磨損區域進行提取。

圖7 基于自適應區域生長的磨損區域提取流程

圖像對比度增強是指通過一定方法改變圖像像素以改善圖像效果,抑制無用信息,提高圖像使用價值。此處選擇伽馬變換對圖像進行增強[22],相應的增強公式為

f(I)=Ir

(1)

式中:f(I)為增強后像素;I為原始像素;r為可調參數,影響增強效果。增強后結果如圖8所示。

(a)圖像I

結合圖9所示的刀具圖像等高線分布對ROI圖像各區域特點進行分析。磨損區域亮度整體高于平滑刀體區,其內部存在紋理干擾。干擾區指反光區域,與磨損區相比,干擾區亮度更大但像素分布均勻,內部紋理特征不明顯,但也有部分刀具圖像有明顯的干擾區。

(a)圖像I

因此,通過圖像像素分布特點選取區域生長起點,磨損區一般位于原始圖像中間區域,分別計算圖像每列、每行像素的均值與方差乘積。經過磨損區域的行、列像素均值高、方差大,如圖10所示,選擇靠近原始圖像內部且均值與方差乘積最大行、列的交點作為區域生長起點。

(a)行像素均值與像素方差乘積

圖10所示的為存在干擾區的情況下相應的曲線。在不存在明顯干擾區域的情況下,磨損區域以外的行、列像素均值與方差的乘積遠小于磨損區域,故該算法同樣適用。

區域生長算法的另一關鍵要素為生長閾值,即生長條件。為減少算法的時間復雜度,本文通過圖像灰度分布直方圖確定初始閾值。由于磨損區與干擾區像素值接近,遠大于平滑刀體區的像素值,因此,通過灰度直方圖可初步將圖像分為兩大類——平滑刀體區與非平滑刀體區。如圖11所示,像素小、頻數高的像素點位于平滑刀體區,其余點位于非平滑刀體區。直方圖中兩區域間局部極小值點對應的像素為臨界像素。選擇臨界像素與生長起點像素間的差值為初始生長閾值,對圖像進行分割。

圖11 刀具圖像灰度直方圖

直方圖確定的閾值是粗略的,為得到更準確的磨損區域,需更新生長閾值。刀具磨損圖像中,像素點可分為磨損區域內的像素點、磨損區域外的像素點兩大類。因此,為得到更精確的分割結果,以分割后磨損區與未磨損區之間的類間方差為依據進行閾值更新。未磨損區與磨損區之間的類間方差越大,說明構成圖像的兩部分之間的差別越大,當部分磨損區被錯分為未磨損區或未磨損區被錯分為磨損區時,兩者之間的差別會減小,即相應的類間方差會減小。因此,類間方差最大的分割意味著錯分的概率最小[23],當分割后的圖像中兩區域類間方差最大時,分割結束,此時的閾值為最優閾值。圖像類間方差σ2可通過下式求得

(2)

(3)

σ2=P1(μ1-μ)2+P2(μ2-μ)2

(4)

式中:P1、P2分別為磨損區、未磨損區中各個像素出現的概率;ni、mi分別為灰度值i在磨損區、未磨損區中的像素數;T1、T2分別表示磨損區與未磨損區的灰度最大值;N為圖像像素總數;μ1、μ2、μ分別為磨損區、未磨損區、整幅圖像的灰度均值。閾值分割結果如圖12所示。

(a)區域生長原圖

對區域生長的結果做進一步優化:圖像中理應并入但未能加入結果集中的孤立小像素區域,利用形態學膨脹操作可以從視覺上將其去除,等效為并入結果集;利用矩形Kernel對結果圖像進行形態學閉操作,優化結果如圖13所示。

圖13 刀具磨損區域二值圖像

為驗證自適應區域生長算法在避免干擾區域影響方面的優越性,分別使用Otsu算法、Canny邊緣檢測算法以及文獻[21]中提出的區域生長算法提取磨損區域,并進行對比,相應結果如圖14所示。

(a)原始圖像

對比各方法結果可知,Otsu法與Canny邊緣檢測法都無法去除干擾區的影響,且兩方法都會受刀具紋理影響。文獻[21]提出的區域生長算法中,以質心為生長起點導致出現多個磨損區域,只依據質心附近的像素確定生長閾值,對于干擾嚴重的圖像并不適用。因此,自適應區域生長算法可有效減弱刀體干擾區域的影響,對于提取微型刀具磨損具有一定優勢。

2.4 磨損帶輪廓重構

刀具磨損區域是沿刀刃展開的,在加工過程中,刀刃會存在微崩刃現象,導致刀刃處刀體材料缺失,磨損帶下輪廓線內偏。此時,識別到的磨損帶已不再準確,得到的磨損帶寬度會整體偏小,因此,需重新構建磨損帶的下輪廓線。理論上磨損帶下輪廓線,即刀刃可近似看作一條直線,故采用改進的最小二乘法對刀刃原始輪廓線進行重構。

對自適應區域生長算法得到的二值圖像進行邊緣提取,并將其劃分為圖15所示的上、下輪廓線兩部分。

(a)上輪廓線

設擬合后的輪廓方程為:y=kx+b,圖像中像素點坐標為(xi,yi),根據最小二乘法可得直線斜率k與截距b的公式為

(5)

(6)

微崩刃的存在與刀尖處過大的磨損導致刀具下輪廓線上存在嚴重內縮的點,此類點已不再適合作為原始點集參與直線擬合。下輪廓線上遠離刀尖處刀刃材料無明顯缺失,選用此處點集可有效提高邊緣擬合精度。為盡可能多的選擇有效擬合點,采用以下算法進行輪廓重構。

(1)選取下輪廓線中90%的點作為最小二乘法擬合直線的原始點集,因為下輪廓線末端靠近刀尖處磨損嚴重,此處的點為確定的誤差點,故從遠離刀尖處選90%的點以去除刀尖點。

(2)通過式(5)(6)計算直線的斜率與截距。

(3)計算下輪廓線上各個點到擬合直線的距離,記錄距離過大的點數,若點數超出設定閾值,則去除這些點,并減少參與擬合的點數,更新點集;否則,擬合結束。

(4)以更新后的點集為基礎重復步驟(3)過程,直至與擬合直線之間距離過大的點數量保持在可接受范圍內。

擬合的初始階段,誤差點相對較多,點數縮小的速度應較快;隨著點集的不斷更新,誤差點減少,更新速度應逐漸放緩。通過式(7)對參與擬合的點集比例進行更新,實現更新速度的自適應

(7)

式中:Si表示第i次擬合選用點數占下輪廓線總點數的比例,擬合點從下輪廓線遠離刀尖的一側開始選擇;C為大于小于1的常數,決定比例值Si下降的最大速度;Ni為第i次擬合中距離擬合直線過遠的點數;Nmax為第1次擬合時距離過大的點數,在更新過程中Ni處于減小狀態。

邊界重構后的磨損區域如圖16所示。

(a)原始磨損區域

2.5 刀具磨損量計算

通過三目工業檢測正置金相顯微鏡獲取刀具磨損圖像。圖像采集結束后,利用顯微鏡自帶的測繪功能在最后采集的磨損圖像上繪制指定長度的線段,作為比例尺。圖像處理時,統計圖像中比例尺對應的像素數,用比例尺長度除以像素數,得到像素當量K。

在提取出完整磨損區域的基礎上對刀具磨損信息進行提取,如圖17所示。本文通過式(8)～(10)提取了刀具最大磨損帶寬度、磨損帶面積以及平均磨損帶寬度。

圖17 刀具磨損信息

(8)

S=K2n

(9)

(10)

3 算法有效性分析

為驗證本文算法的有效性,選擇Φ0.4鉆頭進行實驗,獲取不同加工件數下對應的刀具磨損圖像。以工人用顯微鏡測得的最大磨損帶寬度為真實磨損值,分析本文算法的測量誤差,并通過分析磨損真值數據與本文算法測得的最大磨損帶寬度之間的相關性、一致性來驗證本算法的有效性。相應的磨損數據見表1,表中的測量值指最大磨損帶寬度。

3.1 誤差分析

以表1中人工測量數據為測量真值,分析本文算法測得的最大磨損帶寬度誤差,R為測量真值,相對誤差為

表1 本文算法結果與人工測量結果對比

(11)

通過式(11)可得:對于最大磨損帶寬度,本文算法測量的平均相對誤差為5.2%,即平均準確率為94.8%。

3.2 相關性分析

本文算法測量獲得的磨損數據由真實磨損值、圖像處理算法誤差以及隨機誤差3部分組成。對獲得的兩組數據做相關分析,得兩者間的皮爾遜相關系數r=0.972,P<0.001,可認為兩種方法得到的結果間存在顯著相關關系。

3.3 一致性分析

相關性檢驗反應了兩種方法所得結果間存在相關性,但無法量化兩方法間的誤差。為進一步分析兩方法的等效性,采用Bland-Altman散點圖進行一致性分析。

Bland-Altman散點圖是一種可用于判斷兩種方式測定結果等效性的方法,可同時考慮測量過程中的系統誤差與隨機誤差[24-25]。該方法以兩組數據的均值x為橫坐標,差值y為縱坐標做散點圖,并以y0±1.96Sd作參考線,其中y0為y的均值,Sd為y的方差,稱這兩參考線之間的區間范圍為95%一致性界限(95% LoA)。當散點圖中至少有95%的點位于LoA范圍內時,可認為兩種方法具有較好的一致性,可相互替換。

為使結論具有全局性,x與y之間不應具有任何線性或非線性關系。對x與y進行相關性分析與非線性回歸,得兩者間線性相關系數為r=0.188,P=0.454,非線性回歸參數如表2所示,x與y之間不存在線性與非線性關系。

表2 非線性回歸參數

Bland-Altman方法是建立在差值y滿足正態分布的基礎上的,對y進行Shapiro-Wilk檢驗,得P=0.308>0.05,結合圖18所示的Q-Q圖,可認為差值y符合正態分布。

圖18 差值y的正態Q-Q圖

計算出y的均值為-1.198 4 μm,標準差Sd為3.092 1 μm,對應的LoA區間范圍為[-7.259 0,4.862 1]μm,具體Bland-Altman散點圖如圖19所示。結合圖19中散點分布,可得18個數據點全部位于LoA區間范圍內,且在一致性范圍內最大磨損測量差絕對值為6.59 μm,可認為兩種方法具有較好的一致性,兩者可相互替代,進而反映了本文算法的有效性。

圖19 兩種方法測量結果的Bland-Altman散點圖

4 結 論

本文提出了一種基于自適應區域生長的微型鉆銑刀具磨損檢測算法,能夠自動識別刀具磨損區域,并修正刀具磨損輪廓線。算法受刀具紋理與刀體反光影響較小,解決了目前微型刀具磨損區域定位困難的問題。所測量的刀具最大磨損帶寬度與人工測量值具有很好的一致性,本文方法可以有效替代人工測量法,實現刀具磨損信息的自動測量。同時,避免人工測量過程中手動取點產生的誤差,提高了刀具磨損信息的準確度,進而實現微型鉆銑刀具磨損狀態的有效檢測。