路元刚[1]2002年在《基于CCD图像的切屑形态参数检测技术研究》文中研究指明本文对基于CCD图像的切屑形态参数检测技术进行了比较深入、系统的研究，开发了切屑形态参数图像检测系统，为估计和控制切屑的运动和形态进行了有益的探索和实践。 本文的工作主要体现在以下几个方面： 1．从研究切屑运动规律的数学模型出发，分析切屑形态参数检测系统对硬件系统和软件系统的要求，设计选用了相关硬件和软件； 2．详细分析了24位真彩色图像的灰度化和图像模板匹配、切屑形态图像的边缘提取与分割等数字图像处理方法的理论和算法，详细讨论了用于刀片边缘轮廓直线检测的算法、切屑侧卷半径检测的圆检测算法以及流屑角的检测算法； 3．利用VisualC++开发了Windows下的切屑形态参数图像检测系统应用程序。作为实验，在用C630普通车床车削外圆过程中进行图像采集，对其中15幅侧卷较为明显的切屑图像利用本图像检测系统进行分析处理，能够正确地精确检测出11幅图像的切屑形态参数，检测成功率达73％，检测精度达到象素级。这表明本文开发的图像检测系统基本上能够完成切屑形态参数的离线检测任务。
许鸿昊[2]2003年在《切屑形态参数智能识别的原理及技术》文中研究说明本文在参考国内外文献以及研究成果的基础上，基于双目立体视觉模型构架了一个图像处理和分析系统，并开发了相应的图象检测软件。所设计的检测算法与基于单CCD成像系统设计的检测算法相比，其检测精度和鲁棒性均得到了明显改善。实验结果表明，该系统在切屑形态参数的离线检测中可以取得良好效果。 本文的工作主要包括以下几个方面： 1．讨论了现有的切屑形态参数检测方法，总结了利用计算机视觉技术进行检测的优点。 2．通过分析双目立体视觉模型的结构，设计了该系统的硬件部分，保证了图像的正确摄取。 3．基于立体视觉原理，综合一系列图像处理方法和计算方法实现了从摄取图像中读取切屑的形态参数，达到了系统的设计目标。
计时鸣, 张宪, 张利, 万跃华, 袁巨龙[3]2002年在《计算机视觉在刀具状态监测中的应用》文中研究表明介绍了计算机视觉方法在刀具状态监测中的应用情况 ,主要包括基于刀具表面图像、基于工件表面图像和基于切屑图像的叁类监测方法。基于刀具表面图像的视觉监测方法 ,直接摄取刀具磨破损部位的图像 ,具有判断准确的特点 ,但难以在切削过程中实现监测。基于工件表面图像的视觉监测方法 ,由于工件的高速旋转时 ,难以获取工件表面的清晰图像 ,也不宜用于切削过程监测。基于切屑图像的视觉接监测方法 ,可以克服前两种方法的缺点 ,是一种有发展前途的新方法。
林海龙[4]2011年在《剪切角、流屑角模型及刀具状态监测方法的理论与试验研究》文中提出金属切削加工是机械制造业的主导加工方法,其机理分析成果对各种生产线和各类零部件的加工具有重大的指导意义。金属切削过程是一个复杂的非线性动力学变形过程,传统的研究方法都对切削过程进行了大量的简化,使得研究结果不能很好地完全反映实际的切削过程。因此,为了提高切削结果预测的准确度,仍需要对切削加工基础机理做进一步的研究。剪切角是切削加工中一个重要的物理量,几乎各种计算都与剪切角有关。本文对切削能量平衡方程V·F=WS+Wf进行变换,提出一种新的关于直角切削的剪切角预报模型。与以往剪切角的预报模型相比,由于在加工过程中对模型中的重要参数主切削力F进行了测量,该模型能够考虑到实际的复杂切削状况对剪切角的影响,减少了以往单纯的理论推导对剪切角预报精度带来的影响,具有较理想的预报精度。作为一种普遍存在的切削方式,叁维切削具有刀具主副刃同时参与切削的特点。本文首次研究了刀具参与切削的主副刃长之比对切削力的影响,分析了各向切削力随参与切削的主副刃长比的变化特点。分析结果与通过切削力经验公式得到的定性理论分析结果一致。针对叁维切削中的Usui双刃切削模型和V型槽切削模型,本文分别提出了两种流屑角预测模型,Usui双刃切削模型条件下的流屑角预测模型从总剪切面积最小的角度阐述了切屑流出机理；V型槽切削条件下的流屑角预测模型则由切削能量平衡方程推导得到。这两种预测模型的预测结果与实验测量值都具有较好的一致性。本文首次研究了Usui双刃切削模型和V型槽切削条件下的流屑角与参与切削的刀具主副刃长比之间的关系：在等效切削面积一定的前提下,流屑角随着切削刃长比RATIO的增加而减小,切削刃长比RATIO等于4为转折点,在此之前和之后流屑角变化曲线的下降趋势相异。刀具的磨损状况对零件的加工质量、机床的寿命以及操作者的安全具有重要的影响。本文采用图像处理技术,通过对内窥镜数字摄像系统获取的反映刀具磨损情况的图形进行处理,从而实现刀具状态的直接监测；通过力传感器采集切削过程中的切削力信号,借助小波变换对其进行了多分辨率分析。利用小波变换模的极大值和信号奇异点的关系,分析了用Lip指数来描述的切削力信号局部奇异性,通过观察奇异点的位置等信息得到切削刀具的磨损情况,从而实现了对刀具状态的间接监测。实验表明,通过对切削力信号进行小波分析来实现刀具磨损的监测具有较好的可靠性。本文对剪切角以及叁维切削过程中流屑角、切削力等若干方面进行了研究,并通过有限元软件仿真以及实验进行验证,同时还对刀具磨损监测方法进行了研究。本文的研究结果将为切削加工理论与应用的进一步发展提供有益的借鉴。
袁巧玲[5]2004年在《金属表面图像检测系统的开发》文中研究指明由于图像检测系统可以快速获取大量信息,而且易于自动处理,也易于同设计信息以及加工控制信息集成,因此图像检测系统的开发与研制成为图像工程技术的新热点,被广泛应用于工业生产的各个领域。作为传统的金属切削加工行业,切削刀具磨损程度通常是由人工检测或间接检测完成。与人工检测相比较,图像检测的最大优点是精确,快速,可靠,以及数字化。开发一种应用于切削加工中的金属表面图像检测系统是本文的主要研究内容。利用大恒图像采集卡,松下CCD图像传感器,COMPUTAR公司的摄像头,CCS公司的LED光源或卤素灯光源,普通体视显微镜,图像处理计算机等组成图像检测系统的硬件部分。采用比例法对系统进行标定,标定精度达到实际测量要求。图像检测系统具有的主要功能为图像采集与处理,图像分割,图像测量与分析。通过图像处理与分割,自动判别、提取原图像中感兴趣目标的信息,例如面积、周长等;通过对图像的形态处理,可以半自动的测量图像中点的位置、线段长度、面积大小,并做出标记;通过边缘检测,可以自动检测出边缘之间的距离等;同时具有小型图像处理软件通用的功能,如图像相加、减,形态处理,图像分割等。提出了采集标准图像时对多幅图像求平均值的滤波法,同时提出了LOG_PREWITT边缘检测算子,是对光密度直接作处理从而去掉了光强度不均匀造成的影响,而且继承了PREWITT算子的平滑作用,提高了检测的抗干扰性。通过实际应用,系统的可靠性、稳定性均已达到要求,有很好的应用前景。
刘冬芳[6]2007年在《基于计算机视觉的刀具状态在线监控研究》文中研究表明基于计算机视觉的刀具状态在线监控是综合了机器视觉和图像处理分析技术对刀具磨损状态进行监测的一种技术。本文通过对刀具的不同磨损状态下加工的工件表面纹理图像的纹理特征进行研究,应用数据挖掘技术对纹理特征进行特征数据的提取,通过对特征数据进行模式识别,以达到对刀具磨损状态监测的目的。分析了切削加工表面纹理的形成过程,以及加工表面纹理的形态及图像特征,并对影响工件表面纹理的因素进行了对比,阐明了基于加工表面纹理的刀具磨损监测方法的合理性和可行性。论文结合实验所得到的工件表面图像,对常用的图像预处理方法进行了研究、分析和比较,找出了适合工件表面图像的预处理算法,为实现刀具磨损状态监测的图像特征提取奠定了基础。研究和探索了适合于工件表面纹理图像的数据挖掘算法,对辅助工人进行刀具状态的在线监控具有重要实用价值。本文通过基于灰度共生矩阵法、基于空间像素投影面积法、基于连通区域数法和基于马尔可夫随机场模型四种方法对工件表面图像的纹理特征数据进行提取,通过实验数据分别得到的估计参数都能正确的表达纹理图像和刀具磨损状态的对应关系,从而为刀具状态的识别提供了数据来源。本文在进行刀具状态识别时,针对不同刀具状态类别特征样本存在重迭区域造成的分类困难,本文提出了基于模糊判决的刀具状态识别模型和方法;针对特征判决边界存在一定的非线性特性,本文提出了基于BP神经网络的刀具状态识别模型和方法;再对上述两种识别模型进行决策层融合研究,提出了基于分类器融合的刀具状态识别模型和方法。通过对上述两种基于不同特征的识别模型的融合,刀具状态识别的效率和准确率显着提高。
张利国[7]2002年在《图像检测技术与切屑形态识别技术的研究》文中进行了进一步梳理对切削过程的控制程度是决定自动化加工系统能否正常运转的关键，但是传统的检测方法如切削力、切削温度等都有一定的缺陷，不能适应不同的条件。本文以图像分析理论为基础，针对切屑形态识别和刀具磨损检测进行了研究。本文首先建立了以工控机作为系统的主机，由QP300图象采集卡、WV-BP330CCD摄象机和体式显微镜组成的可用于切屑形态识别及刀具磨损、破损检测的图像处理系统，为图像分析技术在切削加工中应用研究提供了基础。在此基础上，通过实验针对固定物距及放大倍数的体式显微镜等条件对系统进行了标定，并给出了标定结果。对于切削加工中的切屑形态进行了分析研究，提出了特征拓展和径向基函数神经网络识别切屑形态的算法，并开发了相应的程序软件。特征拓展法是利用已有的特征并对这些特征进行旋转和异或运算，人为的创造出新的特征作为识别的依据。径向基函数神经网络法利用了神经网络的自学习功能，自动调整网络权值，所以其算法自适应能力很强。实验结果表明其算法具有训练速度快，时间短，对不同数据集有很好的适应能力。在刀具磨损检测技术方面，研究了刀具磨损的图像特点，提出了“十字窗”自动边缘检测算法，解决了刀具磨损图像边缘提取问题，开发了刀具磨损的面积、周长、宽度、长度的算法，开发了程序，经检验具有较好的检测效果，提高了边缘定位精度和几何尺寸的计算精度。最后针对锯齿型切屑，讨论了有关锯齿型切屑尺寸测量方面问题，提出了边缘拟合的方法进行角度及长度的测量。
耿绍辉[8]2006年在《木工刀具磨损特性与木材切削加工优化的研究》文中指出切削加工是木材与木质材料加工的重要方法。经切削加工能达到所需要的形状和表面，铣、刨、锯以及钻等都属于此种方法。而木工刀具刃口锋利程度是影响加工质量的重要技术参数。研究木工刀具磨损特性的目的就在于优化木材切削加工技术。 本文首先在现有各种木工刀具磨损测量方法的基础上，研究一种新的测量原理和方法，以满足木工刀具磨损程度的准确测量需求，对木工刀具磨损进行定性和定量分析。为此，本论文分析研究了木工刀具磨损的机理，设计出一种新的经济、实用的光投影测量装置来测量木工刀具的磨损程度。此装置利用光照射到要测量的刀具上，通过遮光板产生投影，以反映出刀具的磨损外廓，推导出投影与实际刀具刃口横截面的关系。刀具与水平面成45°角放在显微镜下，投影经显微镜放大，用CCD摄像头通过计算机记录下来，然后进行图像数据处理。 用所设计的木工刀具磨损测量装置进行了大量的试验，以分析研究木工刀具磨损特性。在本测量装置中，光源起着非常重要的作用。试验中对不同光源进行了比较分析，对光的强度提出了要求，初步解决了光干扰影响等问题。每个刀具测量多点获得一组数据，通过专门的图象处理软件进行处理，以计算出刀具磨损程度的几何参数。为了更准确地反映出磨损的大小，测量出刀尖磨损值SV、磨损宽度B、磨损程h_1、磨损微小后角α_m以及磨损体积V等等。 本文选用常用的合金钢和高速钢制成的木工刀具，并选用具有代表性的针叶材云杉、阔叶材山毛榉、刨花板和中密度纤维板等木材与木质材料作为试验材料。在不同的切削条件下如切削路径、切削速度、进料速度进行切削试验，利用所设计的测量装置来测量木工刀具在不同切削条件以及不同材料下的刀具磨损情况，找出刀具磨损的规律，建立木工刀具磨损的模型。在此基础上，根据所建立的刀具磨损模型及刀具切削力等，开发出木材与木质材料切削加工的计算机模拟程序，只要知道所要切削加工的木材与木质材料的切削条件和工艺参数，就可以对木材与木质材料加工刀具磨损进行模拟，虚拟木材切削加工，以预测刀具使用寿命以及切削力大小等参数。 木材与木质材料加工刀具磨损特性的研究，对于分析刀具磨损机理和优化木材加工技术具有重要的理论意义，为木材与木质材料切削加工选择工艺参数提供了重要依据，对于提高所加工产品的质量，预测刀具使用寿命，降低切削噪声也有十分重要的意义。
刘荣涛[9]2008年在《基于计算机视觉的刀具后刀面磨损检测技术》文中指出刀具状态监测技术对自动化加工效率和加工质量的提高有着十分重要的意义。基于计算机视觉的刀具状态监测技术较传统刀具状态监测技术有明显的优势,本文以计算机视觉图像处理技术为手段,对刀具磨损图像处理及状态监测的关键技术进行了研究,对刀具状态监测具有重要的指导意义。对刀具磨损状态的特征、磨损过程和磨钝标准进行了分析,建立了基于计算机视觉的刀具后刀面磨损监测实验系统;以该实验系统获得的HSS刀具后刀面磨损图像作为研究对象,进行图像预处理、边缘检测、磨损区域分割等,并计算刀具磨损程度的特征值。采用矩不变亚像素精度检测方法对HSS刀具后刀面磨损图像进行边缘检测;通过图像裁减、图像增强,去噪等对原始图像进行预处理,采用基于自适应遗传算法的Otsu阈值分割方法对Sobel边缘检测后的图像进行分割,以矩不变亚像素精度边缘检测方法获取磨损区域底部边缘。引入马尔可夫随机场理论,建立了刀具后刀面磨损图像的马尔可夫图像分割模型,分别采用确定性松弛ICM算法和随机性松弛Gibbs采样算法,对图像分割问题进行求解,获得MAP准则下的图像分割结果;结果表明采用马尔可夫图像分割方法较传统双阈值分割方法分割效果好,尤其是Gibbs采样算法的分割精度更高。建立了分层马尔可夫分割模型,利用模型中层与层之间的因果性,采用EM算法估计模型参数,获得最大后验边缘概率准则MPM下的分割结果;对该结果与迭代马尔可夫模型分割结果进行比较分析,结果表明该方法对目标区域识别能力更强。采用链码边界搜索算法进行目标区域边界的完整描述,并确定链码长度的合适阈值,以去除分割后图像中的噪声区域;计算不同分割方法和边缘检测方法下的磨损量值VB_(max)、VB_(mean),并与实测磨损值进行对比分析,结果表明基于图像的计算值与实际磨损量测量值比较一致,表明图像检测是获取刀具磨损状态的有效手段。在上述研究的基础上,开发了刀具状态检测的图像处理系统,该系统能够实现图像读入、预处理、磨损边缘检测、磨损程度判定以及磨损曲线的绘制等功能,对完善基于计算机视觉的刀具状态检测技术具有重要的实际意义。
麦青群[10]2017年在《基于已加工表面修正模型和图像技术的刀头磨损刃形在线监测》文中认为刀具磨损在线监测为提高金属切削加工的生产效率和生产质量提供了更大的空间,实现刀具磨损在线监测也是实现智能化生产的重要部分。然而,由于刀具在切削过程中部分受到工件和切屑的遮挡,刀具的磨损状态难以实时直接被观察到,所以通过在线监测已加工表面的方法实时、间接获取刀具磨损状态更具有可行性。已加工表面由刀具直接切削作用产生,主要受刀具轮廓形貌、加工工艺参数和刀具-工件材料性能影响,在已知其他主要因素情况下,已加工表面轮廓可看作是刀刃轮廓的映射。通过对已加工表面进行在线监测,不仅能直接控制已加工表面质量,还能间接监测刀具状态。通过对已加工表面轮廓形成机理进行分析并修正,可从已加工表面反求获取刀刃磨损状态(锋利/磨损)信息,实现对刀具的间接监测,所以本文实现刀刃轮廓在线监测需完成的内容包括:(1)探究已加工表面形成机理,并根据其主要影响因素进行已加工表面几何模型的修正;(2)分析机器视觉图像采集的光照原理,探究已加工表面图像形成时图像灰度与纹理高度的相关关系,并在此基础上对单幅已加工表面图像进行叁维重构;(3)结合已加工表面形成机理及机器视觉单幅已加工表面图像叁维重构技术,计算并分析已加工表面轮廓与刀刃有效作用轮廓的关系,进一步从已加工表面图像反求出刀刃对已加工表面的有效作用轮廓;(4)在实验室和实际生产加工(火车轮镟修)中应用以上在线监测系统并验证其可行性。已加工表面实际轮廓形成受多种因素影响:刀具几何、加工工艺参数、工件材料物理性能和加工系统刚性等。其中刀具几何和加工工艺参数是最常被考虑的影响因素。实际上,在假设加工系统刚性足够理想的情况下,工件材料特别是塑性金属材料的弹塑性变形对已加工表面轮廓形成也是一个不可忽视的重要影响因素。因此本文在传统(仅考虑刀具几何和加工工艺参数)已加工表面形成模型的基础上,增加考虑了工件残余切削层弹塑性变形的影响,并建立修正的已加工表面形成模型,通过几何和数学计算的方法求解模型,获得已加工表面形成模型的数值解,不仅能更准确获得已加工表面形貌参数(如粗糙度),还能获得描述残余切削层弹塑性变形的重要参数。此部分内容在论文第二章介绍。已加工表面灰度图像与已加工表面实际纹理轮廓的关系主要受光照模型影响,已有研究中光照模型的计算非常复杂且适用条件苛刻。本文在已有研究的经验之上,建立了适用于已加工表面的专用光照模型,并通过建模和计算分析论证了已加工表面图像灰度与实际已加工表面高度呈线性相关关系,继而实现了基于单幅图像对已加工表面形貌的叁维重构,达到基于机器视觉在线获取已加工表面叁维形貌的效果,为从已加工表面图像反求刀刃磨损轮廓的研究做了前期准备。这部分内容在第叁章介绍。从已加工表面灰度图像获得已加工表面几何轮廓后,根据第二章的修正已加工表面几何模型的求解结果,将已加工表面轮廓对应的刀刃有效作用轮廓进行还原,分析刀具磨损状态。对比其他通过已加工表面图像研究刀具磨损的方法,如对分形分析法、GLN法和GLCM法进行同一系列实验数据的计算分析,对比结果表明,本文所提出的刀刃有效作用轮廓几何还原法比其他方法更直观,更具有鲁棒性,且适用于一般的生产加工条件。这部分内容在论文第四章介绍。第二、叁、四章均通过理论分析计算和实验验证完成,本文第五章综合了以上内容对火车轮镟修进行加工现场在线监测,并验证了该在线监测系统的可行性。以上研究表明,本文提出的修正已加工表面形成模型比已有计算模型更符合实际已加工表面的情况。在修正已加工表面形成模型的基础上,结合机器视觉单幅图像叁维重构技术,从已加工表面图像对刀刃有效作用轮廓进行还原,可直观识别刀刃轮廓的实际磨损状态,有效实现刀具磨损状态的在线监测。
参考文献：
[1]. 基于CCD图像的切屑形态参数检测技术研究[D]. 路元刚. 南京航空航天大学. 2002
[2]. 切屑形态参数智能识别的原理及技术[D]. 许鸿昊. 南京航空航天大学. 2003
[3]. 计算机视觉在刀具状态监测中的应用[J]. 计时鸣, 张宪, 张利, 万跃华, 袁巨龙. 浙江工业大学学报. 2002
[4]. 剪切角、流屑角模型及刀具状态监测方法的理论与试验研究[D]. 林海龙. 华东理工大学. 2011
[5]. 金属表面图像检测系统的开发[D]. 袁巧玲. 哈尔滨理工大学. 2004
[6]. 基于计算机视觉的刀具状态在线监控研究[D]. 刘冬芳. 河北工业大学. 2007
[7]. 图像检测技术与切屑形态识别技术的研究[D]. 张利国. 哈尔滨理工大学. 2002
[8]. 木工刀具磨损特性与木材切削加工优化的研究[D]. 耿绍辉. 东北林业大学. 2006
[9]. 基于计算机视觉的刀具后刀面磨损检测技术[D]. 刘荣涛. 西安理工大学. 2008
[10]. 基于已加工表面修正模型和图像技术的刀头磨损刃形在线监测[D]. 麦青群. 华南理工大学. 2017