王 彤，劉麗冰，黃鳳榮，楊澤青，張新建

(1.河北工業(yè)大學(xué) 機械工程學(xué)院，天津 300130；2.天津工業(yè)大學(xué) 機械工程學(xué)院，天津 300387)

0 引言

數(shù)控刀具的性能關(guān)乎數(shù)控機床的工作效率和產(chǎn)品質(zhì)量，而刀具是數(shù)控系統(tǒng)、加工中心等高度集成化和智能化設(shè)備中最易磨損和發(fā)生故障的部件，因此在工件加工過程中，對刀具進行磨破損監(jiān)測是一項非常重要的工作[1]。工件的表面質(zhì)量決定了產(chǎn)品的機械性能、可靠性和壽命[2]，表面質(zhì)量是“刀具幾何形狀的復(fù)映”，刀具磨損的變化影響加工工件表面紋理以及進給痕跡，依據(jù)工件表面紋理能夠間接判斷刀具的磨損程度[3]。Dutta S等[4]使用基于灰度共生矩陣和基于離散小波變換的紋理分析方法來處理捕獲的端面銑削表面圖像，以提取與漸進刀具側(cè)面磨損具有良好相關(guān)性的特征，構(gòu)建支持向量機回歸模型預(yù)測漸進式刀具側(cè)面磨損，但是未考慮到人類視覺顯著性對紋理邊緣的敏感度。Sun Huibin等[5]基于灰度共生矩陣提取工件表面紋理圖像特征，融合從振動信號中提取的敏感特征建立反向傳播神經(jīng)網(wǎng)絡(luò)模型，并驗證了方法的準(zhǔn)確性和魯棒性，但是未考慮到工件圖像中紋理方向?qū)Ψ诸惤Y(jié)果的影響。

鑒于識別準(zhǔn)確性和計算實時性兩方面性能改善需求，本文提出一種基于Gabor-GLCM工件表面紋理特征的刀具狀態(tài)視診方法，首先得到Gabor虛部濾波器卷積后的圖像并提取特征，在卷積圖像中提取灰度共生矩陣(Gray-Level Co-occurrence Matrix，GLCM)特征并旋轉(zhuǎn)規(guī)范化，兩類特征融合，然后根據(jù)工件表面紋理和刀具磨損程度的模式映射關(guān)系，使用支持向量機(Support Vector Machine，SVM)分類模型作為分類器識別刀具狀態(tài)。本文研究了基于機器視覺的CNC在線不停機刀具視診系統(tǒng)，在機床加工過程中，由嵌入式處理器控制視診設(shè)備于工序間定時采集銑削工件表面紋理圖像，通過圖像處理、特征提取和智能判別算法，實現(xiàn)了刀具磨損和破損的快速檢測與預(yù)報，利用通信接口技術(shù)與CNC機床交互視診結(jié)果。

1 銑削工件表面紋理特征分析

在機械加工過程中，由于刀具種類、加工設(shè)備、運動軌跡、切削速度等因素的不同，不同加工工藝形成的工件表面質(zhì)量直觀表現(xiàn)為紋理不同。Haralick RM等[6]認為紋理與灰度色調(diào)的空間統(tǒng)計分布有關(guān)，紋理可評價為細微、粗糙、光滑、波紋、條紋和不規(guī)律等。銑削加工工件表面，紋理分布具有方向性和周期性的特點，此類紋理可歸為規(guī)律條紋紋理。

當(dāng)?shù)毒咪h利時銑削出的工件表面紋理清晰規(guī)律，連續(xù)性好；刀具磨鈍時銑削出的工件表面紋理粗糙雜亂，有斷痕，如圖1所示。由于銑削加工出的工件表面紋理具有交叉及各種方向混雜的特性，因此要求提取的紋理特征具有旋轉(zhuǎn)不變性。

(a) 刀具鋒利 (b) 刀具磨鈍 圖1 刀具不同磨損程度切削出的工件表面紋理圖像

2 用于銑削工件表面紋理的旋轉(zhuǎn)規(guī)范化紋理特征提取方法

當(dāng)前的紋理特征提取方法可以分為結(jié)構(gòu)方法、統(tǒng)計方法、幾何方法、模型方法和信號處理方法[7]。其中，Gabor小波是一種重要的基于變換的紋理特征提取方法，與人類視覺系統(tǒng)對圖像邊緣信息高度敏感性的響應(yīng)一致[8]，具有奇對稱性并可以邊緣檢測的Gabor虛部被用于銑削工件表面紋理圖像并提取Gabor特征。GLCM是描述紋理特征的重要統(tǒng)計方法，可用于提取銑削工件表面紋理圖像的間距，幅度和梯度方向特征。

2.1 Gabor虛部卷積圖像特征

Gabor小波可以看作母小波是Gabor函數(shù)的小波變換[9]，2D Gabor濾波器可表示為：

(1)

其中，參數(shù)x′,y′分別表示為：

x′=xcosθ+ysinθ

(2)

y′=-xsinθ+ycosθ

(3)

其中，ω是Gabor小波的頻率帶寬，θ是旋轉(zhuǎn)角度。早期神經(jīng)生理學(xué)的研究發(fā)現(xiàn)，采用ω=0.5的Gabor小波與人的視覺系統(tǒng)在作用效果上能夠達到很好的一致性。參數(shù)σx和σy分別表示高斯函數(shù)沿x軸和y軸方向的標(biāo)準(zhǔn)偏差[8]。

由Euler公式得：

exp(j2πωx)=cos(2πωx)+jsin(2πωx)

(4)

公式(1)可以展開為：

(5)

圖2展示了Gabor濾波器的實部和虛部卷積核的曲面圖，圖2a為Gabor濾波器實部，是偶對稱，通常用作目標(biāo)檢測；圖2b為Gabor濾波器虛部，是奇對稱，其在紋理和缺陷邊緣跳變處產(chǎn)生較大的響應(yīng)，可用作邊緣檢測器。

(a) Gabor濾波器實部 (b) Gabor濾波器虛部 圖2 Gabor濾波器卷積核曲面圖

將圖像與虛部函數(shù)進行卷積得到特征圖像，提取其均值μ和標(biāo)準(zhǔn)差δ作為特征值，得到特征向量P=[μδ]。

2.2 Gabor虛部卷積圖像中提取GLCM二階統(tǒng)計特征

在2D空間中表面紋理圖像是灰度級重復(fù)分布的，灰度級特征可以用來描述表面紋理狀態(tài)。為了使不均勻照明對灰度級的影響最小，在使用GLCM之前，對原始圖像進行直方圖規(guī)范操作。使用公式(6)原始圖像被轉(zhuǎn)換為低灰度級圖像。

(6)

GLCM是圖像中兩個像素的聯(lián)合分布的統(tǒng)計概率矩陣，除以矩陣元素的總和，GLCM中每個元素被歸一化為特定距離和角度中對應(yīng)像素對的概率[10]，其定義為：

GL(i,j)d,θ={(P1,P2)|I(P1)=i,I(P2)=j}

(7)

其中，P1和P2是圖像中像素，P2在距離P1為d，方向為θ的位置處，變量i和j是轉(zhuǎn)換后圖像的灰度級。在實際應(yīng)用中，θ常取0°、45°、90°、135°，d取值則根據(jù)圖像紋理的具體情況而定。論文提取了5種二階統(tǒng)計量。

(1)對比度表征紋理的清晰程度，公式見式(8)，一般來說，工件紋理越清晰，在平滑表面和溝紋處的像素灰度值之差越大，計算所得的I越大。

(8)

(2)相關(guān)性表征GLCM像素在特定方向上的灰度值相近度，公式見式(9)，其中μ1、μ2為均值，σ1、σ2為方差，當(dāng)紋理圖像中的紋理具有一定的方向性時，這個方向上的相關(guān)性值會比較大。

(9)

(3)能量由GLCM的所有元素平方之和計算得到，公式見式(10)，表征圖像中灰度分布的均勻度和紋理粗細程度。

(10)

(4)局部均勻性描述了相鄰元素間的相似性，公式見式(11)，L值更能表征紋理的粗度。

(11)

(5)熵用來測度紋理圖像信息量的復(fù)雜程度，公式見式(12)，圖像中沒有紋理時，H的值接近于零，紋理分布復(fù)雜或隨機時的H值較小，紋理分布規(guī)則時的H值最大。

H=-∑i∑jG(i,j)logGL(i,j)

(12)

在Gabor虛部卷積圖像中從4個角度分別獲取這5個特征統(tǒng)計量，得到特征向量Q=[I0I45I90I135C0C45C90C135E0E45E90E135L0L45L90L135H0H45H90H135]，將Gabor與GLCM提取的特征向量串聯(lián)得到融合向量X=[PQ]。

2.3 銑削工件表面紋理方向旋轉(zhuǎn)規(guī)范化

Gabor濾波器濾波后經(jīng)過GLCM提取的特征不具有旋轉(zhuǎn)不變性，無法直接用于SVM分類識別，所以加入旋轉(zhuǎn)規(guī)范化循環(huán)算子得到新的特征向量[11]。通過分析提取的紋理特征向量的曲線，找出最能反應(yīng)主方向的特征元素。將主方向上的特征元素移到X向量的首位，然后將其他的元素按順序循環(huán)移位[12]，得到具有旋轉(zhuǎn)不變性的新特征向量。

2.4 使用SVM實現(xiàn)刀具狀態(tài)視診

使用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks，DNN)學(xué)習(xí)提取的特征與人工提取的特征比較，分類時通常DNN能夠獲得顯著的識別結(jié)果。但是，DNN訓(xùn)練的效率通常不及支持向量機、極限學(xué)習(xí)機(Extreme Learning Machine，ELM)等分類器，即使使用圖形工作站GPU高性能計算平臺，訓(xùn)練時間往往多達數(shù)小時甚至數(shù)天[13]。

支持向量機是一種用于分類和回歸的監(jiān)督式學(xué)習(xí)算法。該方法是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的機器學(xué)習(xí)方法，相比其它機器學(xué)習(xí)方法，SVM方法具有良好的分類性能和泛化能力，在解決非線性、小樣本、多維數(shù)問題時表現(xiàn)出很多優(yōu)良的特性[14]。

機械加工過程中，刀具與工件在接觸區(qū)域的相互作用復(fù)雜，一方面切屑形成過程中，工件材料彈性變形及塑性變形形成對刀具的抗力；另一方面切屑及工件表面與刀具之間存在摩擦阻力，其中切屑與刀具的摩擦阻力既有在黏結(jié)區(qū)發(fā)生的內(nèi)摩擦又有在滑移區(qū)發(fā)生的滑動摩擦，同時在切削過程中會產(chǎn)生積屑瘤，改變刀具與工件的接觸狀態(tài)。因此，從工件表面紋理圖像中提取的特征與刀具的磨損間呈現(xiàn)顯著的非線性關(guān)系。工件表面紋理的表現(xiàn)形式同時受加工參數(shù)、加工設(shè)備機械結(jié)構(gòu)、工件材料、刀具材料及尺寸等各種因素影響，因此在特定條件下獲取的樣本數(shù)一般較少[15]，因此將SVM應(yīng)用于刀具狀態(tài)視診中。

3 基于機器視覺的在線不停機刀具視診系統(tǒng)

基于機器視覺的CNC在線不停機刀具視診系統(tǒng)主要包括CNC系統(tǒng)、視診設(shè)備(包含CCD工業(yè)相機、遠心鏡頭、環(huán)形光源、基于FPGA+DSP的嵌入式處理器)和通信模塊。以FPGA+DSP架構(gòu)的嵌入式處理器為核心，控制視診設(shè)備于工序間進行銑削工件表面紋理圖像采集，進行圖像處理，紋理特征提取和刀具磨損狀態(tài)判別。圖3為刀具視診系統(tǒng)結(jié)構(gòu)圖，圖4為刀具視診系統(tǒng)工作流程圖。其工作流程主要包括：

(1)將視診設(shè)備與標(biāo)準(zhǔn)BT40刀柄連接固定，安裝在數(shù)控加工中心刀庫中，HMI界面通過換刀指令調(diào)取視診設(shè)備到主軸上；

(2)標(biāo)定視診設(shè)備，機床指令控制視診設(shè)備到待測工件上方規(guī)定的工作距離；

(3)CNC機床POPEN指令打開視診設(shè)備采集銑削工件表面紋理圖像，采集到的圖像自動傳到設(shè)備中主控板DSP處理器，經(jīng)圖像處理提取銑削工件表面紋理特征，根據(jù)智能判決算法判定刀具磨破損狀態(tài)；

(4)刀具狀態(tài)判定結(jié)果由通信模塊回傳進RS232串口，寫進宏變量，與CNC機床交互視診結(jié)果。

圖3 刀具視診系統(tǒng)結(jié)構(gòu)圖

圖4 刀具視診系統(tǒng)工作流程圖

4 實驗驗證

4.1 數(shù)據(jù)集

對銑刀進行全壽命磨損實驗，在固定的加工參數(shù)下對工件進行225次端面銑，每一次端面銑的長度為102mm，一次端面銑記為一次走刀，在每次走刀路徑中采集兩幅紋理圖像，樣本圖集為450幅圖像。由于加工工件為方形，所以每次走刀的時間相等，因此直接采用走刀數(shù)代替切削時間。將樣本圖集分成3類，映射為刀具的3種磨損狀態(tài)，圖5中從上到下分別為刀具初期磨損狀態(tài)、正常磨損狀態(tài)和急劇磨損狀態(tài)對應(yīng)工件紋理圖像處理效果圖。

(a) 刀具初期磨損對應(yīng)工件紋理圖像處理效果圖

(b) 刀具正常磨損對應(yīng)工件紋理圖像處理效果圖

(c) 刀具急劇磨損對應(yīng)工件紋理圖像處理效果圖 圖5 實驗采集圖像處理效果圖

4.2 特征旋轉(zhuǎn)規(guī)范化分析

每幅銑削工件表面紋理圖像提取基于Gabor-GLCM的22個特征，構(gòu)成特征集X=[PQ]，作為紋理特征輸入量，見表1。

表1 實驗樣本提取的特征集

將提取的銑削工件表面紋理特征集描繪成曲線，如圖6所示。樣本圖集中紋理方向為垂直方向，很明顯提取的5類二階統(tǒng)計特征中，90°方向上的特征曲線最為明顯，與紋理方向響應(yīng)高度一致。因此將90°方向的特征元素放在特征集首位，其次是135°方向特征元素、0°方向特征元素和45°方向特征元素，特征元素循環(huán)移位后構(gòu)造具有旋轉(zhuǎn)不變性的新特征集。

(a) Contrast特征曲線 (b) Correlation特征曲線

(c) Energy特征曲線 (d) Homogeneity特征曲線

(e) Entropy特征曲線

4.3 實驗結(jié)果分析

訓(xùn)練集樣本量為450，測試集樣本量為75，將訓(xùn)練集輸入SVM訓(xùn)練分類模型，輸入測試集獲得分類結(jié)果。SVM分類精度受其算法參數(shù)(懲罰因子C，核函數(shù)參數(shù)γ)影響較大，為了獲得泛化能力強的模型需要對算法參數(shù)進行優(yōu)化。PSO是由Eberhart和Kennedy開發(fā)的隨機種群搜索優(yōu)化算法，在特征選擇領(lǐng)域具有廣泛的應(yīng)用，PSO提供了不同的特征子集作為候選解決方案，可加快處理速度，提高預(yù)測精度并降低復(fù)雜性[16]。

論文分析比較了GLCM、QWT、Gabor、Tamura、Gabor-Tamura和Gabor-GLCM這幾種特征提取的方法，實驗結(jié)果表明：Gabor-GLCM融合提取銑削工件表面紋理特征的方法最快速，同時可保證較高的識別率，分類正確率達到了98.6667%，結(jié)果見表2。

表2 不同特征提取方法識別率比較

5 結(jié)論

(1)研究了基于機器視覺的CNC在線不停機刀具視診系統(tǒng)，進行了銑削工件表面紋理圖像采集，圖像處理，紋理特征提取和刀具磨損狀態(tài)判別，實現(xiàn)了與機床的視診結(jié)果交互，完成視診系統(tǒng)在CNC機床的無縫集成。

(2)在銑削加工過程中，研究了用于銑削工件表面紋理圖像的Gabor-GLCM旋轉(zhuǎn)規(guī)范化紋理特征提取方法，得到刻畫工件紋理的旋轉(zhuǎn)規(guī)范化特征集。

(3)通過SVM建立了刀具磨損狀態(tài)分類模型，實驗結(jié)果證實了多特征融合分類方法往往比單一特征分類方法獲得更好的識別率。該方法用時0.432s，分類正確率達到了98.667%，實現(xiàn)了加工過程中刀具磨損和破損的快速檢測與預(yù)報。