基于三維圖像處理的車刀磨損缺陷檢測方法研究

張楊，高興宇，黨艷陽，黃揚

(1.桂林電子科技大學機電工程學院，廣西桂林 541000；2.特變電工股份有限公司，新疆昌吉 831100)

0 前言

制造業決定了一個國家和民族的經濟發展水平，而車刀的磨損程度又是影響機械加工的一個重要因素。研究表明：刀具刃口與加工零件之間的摩擦是不可避免的，且加工過程中6%～20%的停機時間是由刀具磨損和刀具斷裂引起的[1-4]。傳統車刀的替換策略是：(1)靠人工經驗決定；(2)按時間更換。車刀受主觀因素影響太多，對刀具的磨損量進行有效計算既可以提高刀具的利用率，又能降低工具成本和時間成本。

早期，車刀的磨損只是對單個信號進行檢測，通過對收集的信號進行不同的理論和方法處理完成特征提取，最終確定車刀的磨損狀態[5]。近年來，三維圖像技術廣泛應用于人工智能、工業檢測、車輛自動駕駛技術、生物醫學等各種領域。三維圖像技術不僅可以感知物體的存在，還可以感知物體的距離，將它應用在刀具磨損領域不僅可以定位磨損區域的空間信息，還可以對磨損的深度進行量化。何翔、任小洪[8]采用數字圖像分割等圖像處理技術對刀具磨損邊界的磨損量進行了標準比較。滕瑞等人[9]通過數字圖像分析和CNN(Convolutional Neural Network)卷積神經網絡對刀具磨損值進行在線監測。周俊杰、余建波[10]通過子邊緣檢測的方法提取刀具磨損區域。李聰波等[11]通過數字孿生和卷積神經網絡相結合的方式對刀具磨損進行精確的預測。

目前對于車刀磨損的檢測大都采取二維圖像處理的方法，二維圖像中只能根據磨損區域的形狀和磨損區域大小分析車刀磨損的狀態，得到的磨損缺陷信息比較單一，缺失車刀磨損的深度信息，同時也缺少對車刀磨損的具體量化。為了檢測車刀磨損的具體數值，本文作者提出一種基于三維圖像處理的磨損程度檢測的方法，相對于其他方法，該方法操作簡便，成本相對較低。此外，結合CCD相機和工業投影儀構成的結構光成像系統可以檢測車刀具體磨損深度且具有較高的測量精度。

1 三維圖像重建技術

為獲取物體的三維信息，對相機進行標定實驗，采用張正友標定法目的是獲取相機的畸變參數矩陣和相機的旋轉、平移矩陣，然后將光柵條紋圖通過投影儀投射在標定板表面，獲取標定板的角點坐標和角點的相位信息后，通過求解相位信息和高度信息的轉化關系完成整個結構光系統的標定。

(1)

通過公式(1)得到3個不同頻率下12幅不同相位的光柵圖，然后通過標定板上的角點坐標(u，v)和該點的相位值結合八參數法進行求取該點的世界坐標。

(2)

公式(2)變形可得：

a1X+a2Y+a3Z+a4-a5ΦX-a6ΦY-a7ΦZ-

a8Φ=0

(3)

齊次方程表達式為

(4)

式中：X、Y、Z分別為像素點在相機坐標系下的坐標；Φ為該像素點的相位值。由于角點位于標定板表面，而世界坐標系是建立在標定板表面的，所以位于標定板上點的z坐標可以看作0?？梢酝ㄟ^像素坐標轉化成相機坐標，再經過預先得到的旋轉、平移矩陣和相位值就可以計算出a1-a8的數值，完成結構光系統的標定[12]。表1所示為此實驗系統的標定參數。

表1 三維重建標定參數值Tab.1 3D reconstruction calibration parameter values

2 實驗整體設計

2.1 實驗思路

文中采取單視角對車刀進行磨損檢測實驗，將墊片點云進行平面擬合后與刀頭缺陷部分點云擬合的平面進行最大距離求解，即得最大磨損量；然后用標準量塊換算出實際物理高度，求出車刀的磨損量。實驗裝置簡圖如圖1所示，對磨損車刀進行圖像采集和光柵投影工作。

圖1 實驗簡圖Fig.1 Experimental diagram：(a)machine vision detection device；(b)schematic of the tool detection

如圖1所示，將面結構光系統搭建在機床上，讓車刀刀頭部分在CCD相機視野內，然后將12幅不同相位的光柵圖投射在車刀表面，結合已經標定好的系統參數求取車刀點云信息。

此實驗具體流程如圖2所示，完成結構光系統標定后，采取點云分割的方法將墊片點云進行最小二乘擬合平面處理，最后利用刀頭缺陷部分點云與最小二乘擬合平面的差值計算出缺陷的具體信息，然后將它和標準量塊點云進行轉化，最終計算出實際磨損量。

圖2 實驗流程Fig.2 Experimental flow

2.2 點云獲取

此實驗選取3個不同磨損程度的刀頭進行對比，圖3(a)為全新標準刀頭，圖3(b)(c)為帶有已知磨損信息的刀頭。

圖3 車刀結構光投影Fig.3 Structured-light projections of turning tool：(a) standard tool；(b)tool with slight wear；(c) tool with severe wear

圖4(a)是由CCD相機拍攝的12幅不同的光柵圖打在物體表面的圖像，圖4(b)是由相同頻率不同相位的光柵圖求解得出的對應頻率下的包裹相位圖像，圖4(c)是由3幅包裹相位圖像求解得出的絕對相位圖像[13]及絕對圖像與a1-a8參數三維重構求解得到的點云信息圖。

圖4 投影光柵Fig.4 Projected grating：(a)four-step phase-shift projection；(b)wrapped phase；(c)point cloud after 3D reconstruction

2.3 點云分割處理

為了更直觀地展示三維點云的樣貌，采用CloudCompare模塊進行可視化展示。獲取點云信息后，首先將點云進行分割處理，由于結構光成像系統會將背景噪聲一起成像，所以需要將背景點云和車刀點云分割開來；然后對車刀點云進行等二次分割處理，將三角墊片和刀頭部分分割開來，如圖5所示。

圖5 點云圖Fig.5 Point cloud：(a)detection scene；(b) segmentation of the cutting tool；(c) fitting of the worn surface

圖5(a)中的點云是完整點云，包括背景和單視角車刀磨損表面點云；圖5(b)中的點云是對圖5(a)中的點云進行切割，只保留了車刀表面的點云信息。圖5(c)是將圖5(b)中的點云再一次進行分割，其中藍色點云模塊為刀片磨損區域點云，綠色點云模塊為三角墊片點云，紅色為車刀其余部分點云。獲取三角墊片點云后文中基于RANSAC平面擬合算法將三角墊片點云進行擬合[14]。該算法隨機從點云數據中抽取3個點進行一個平面擬合，然后推算出符合該平面最多樣本數量的平面為擬合平面，如公式(5)所示。

Ax+By+Cz+D=0

(5)

為了給系統點云信息轉化為數值信息提供標準參考，文中選取3個不同磨損程度的刀頭進行對比實驗，驗證此方法的精確程度，如圖3所示。

3 實驗

獲取3個不同程度磨損的刀頭墊片點云后，結合公式(5)求取A、B、C、D的參數進行擬合平面。此實驗求取的數值如表2所示。

表2 平面擬合參數Tab.2 Plane fitting parameters

獲得墊片的平面擬合方程后，將車刀刀頭點云分割出來與擬合后的平面進行最大距離求解，最終確定最大距離。

(6)

(7)

式中：H為預估磨損深度；HL為量塊高度；dmax為缺陷區域點云到三角墊塊擬合平面的最大值；h為量塊點云擬合平面到標定板平面的距離。

根據公式(6)求得磨損區域點云與三角墊片點云擬合平面的最大距離。通過疊加2個標準量塊的高度并擬合其上表面的點云平面，求取2個平面的平均距離。通過游標卡尺對標準量塊進行厚度測量，最后將測量的厚度與量塊上表面擬合平面的距離進行比例換算。

為了減少其他因素對標準量塊的測量誤差，此實驗將2量塊疊加擺放，然后分別求取其上表面平面擬合參數，最后求2個擬合平面的高度。

如圖6所示，通過標定卡尺測得量塊的物理高度為9.08 mm，然后將2個量塊上表面分別進行多次擬合處理，通過求多次距離均值求得最終量塊相差的高度，然后得到點云距離和實際物理距離的換算比例。取得實際比例后，將圖5(c)中的綠色點云進行平面擬合處理，然后將藍色點云上所有點和綠色點云擬合的平面進行距離求解，得到最大距離及最大磨損深度信息。

圖6 標準量塊Fig.6 Standard gauge block：(a)camera captured image； (b)3D reconstructed result

對圖5(c)所示點云求解缺陷刀頭點云到墊片擬合平面距離如圖7所示。根據統計得知最大距離為1.88 mm。利用上述步驟分別對圖3中的3個對象進行處理，得到數據如表3所示?？芍涸摲椒ㄇ蟮玫念A估磨損量與實際測量的磨損量誤差較小，可應用于實際生產加工當中。

圖7 點云距離分布Fig.7 Point cloud distance distribution

表3 車刀磨損量 單位：mmTab.3 Tool wear Unit：mm

4 結束語

以Python語言和Open3D為開發平臺，基于三維圖像處理技術方法，利用CCD相機和投影儀獲取車刀三維信息。通過點云分割和點云平面擬合對原始數據進行挖掘，并對比刀頭的三角墊片和刀頭的平行性，將刀頭的三角墊片擬合的平面與刀頭的點云集進行最大距離比較，然后與標準量塊進行對比得到高度信息，最終將車刀的預估磨損量轉化成實際磨損量。該方法檢測精度較高，成本較低，可應用于實際生產當中。