采用切削刃重构的刀具磨损视觉检测方法

针对目前难以在复杂恶劣的油污粉尘环境中实现对刀具图像的高质量采集和刀具磨损视觉特征的高精检测,对磨损缺失刀刃这一类最为典型且危害最大的刀具磨损开展研究,提出一种采用切削刃重构的刀具磨损视觉检测方法。首先,在数控机床加工台一侧搭建集成了一套具有镜头保护与清洁功能的图像采集装置,用于在机定期自动采集刀具磨损图像;然后,将采集的图像经以太网传输至计算机图像处理系统,利用设计的切削刃重构法对刀具磨损缺失区域进行切削刃重构,以此得到完整刀具图像,进而利用图像差分,将重构后的刀具图像与磨损刀具图像相减,实现刀具磨损缺失区域的自动识别;最后,基于识别的磨损特征测量刀具磨损的评估指标参数值,并判断是否需要换刀。实验结果表明：所提检测方法具有较大优势,解决了油污粉尘机加环境下刀具磨损图像采集困难的难题和难以从图像中分割识别刀具磨损缺失特征的难题,实现了刀具磨损的视觉高精高效检测;与现有的刀具磨损视觉检测系统以及现有的Canny边缘检测法、自适应阈值法等6种图像分割方法相比,所提方法避免了拆卸刀具进行离线显微镜检测和模板匹配的烦琐过程,可进行在机自动检测,同时平均检测准确率至少提升20%。     

基于样本扩充与IDANN的刀具状态识别方法

针对机床刀具磨损数据稀少与刀具磨损状态识别精度低的问题，提出了一种基于样本扩充与改进领域对抗网络(sample expansion and improved domain adversarial training of neural networks, SE-IDANN)的刀具状态识别方法。首先对机床刀具数据进行两次特征提取，并通过Smote算法进行样本扩充，解决机床刀具磨损数据量稀少的问题；其次在领域对抗网络(domain adversarial training of neural networks, DANN)模型特征提取器中加入残差块，进一步提取有效特征信息，解决刀具磨损特征微弱的难题；最后将Wasserstein距离作为目标域与源域的数据分布相似度标准引入DANN模型，实现对刀具磨损量的精确识别。通过对机床刀具数据的分析与仿真试验验证，证明该方法能够有效地识别刀具磨损量。     

数控刀具磨损智能检测及其切削试验研究

在数控机床切削加工过程中,对刀具磨损导致的振动及切削温度的变化特征进行了理论分析,得到刀具的磨损与振动及其切削温度的关系.利用这些关系,设计并研制了基于STC89S52的数控刀具磨损智能检测与报警装置.试验验证表明该装置能够有效地实现对数控刀具磨损情况的在线检测.     

基于机器视觉的加工刀具磨损量在线测量

针对实际生产中测量刀具磨损需要人工操作、停机检测等问题,开发了一个基于机器视觉的加工刀具磨损测量系统.首先提出基于Laplacian算子边缘信息的Otsu分割算法将图像二值化,再通过基于形态学的Canny算子边缘检测粗定位及图像配准提取清晰的刀具磨损区域.最后,使用基于Zernike矩的亚像素边缘检测方法提高测量精度,并通过主曲线方法拟合亚像素边缘点得到光滑的边缘曲线,实现了刀具磨损量的在线测量.实际加工过程中的刀具磨损测试结果表明,该系统检测自动化程度高、运行速度快、测量精度可以达到微米级,可以有效地应用于工业上对加工刀具磨损的实时监控.     

微精密机器视觉感知技术在立铣刀磨损检测中的应用

切削加工过程中容易发生工件损坏、崩刃等事故，从而直接降低生产品质和效率。本文在综合分析刀具磨损检测方法的基础上，提出了一种采用机器视觉感知的刀具磨损检测方法。该技术以铣刀底面图像为研究对象，对铣刀磨损区域进行数据采集提取，利用图象提取器对目标图形数据进行识别，采用SDK的二次开发技术计算刀具的磨损值，判断刀具是否磨损。与传统人工检测和离线仪器检测相比，该技术不仅有效地避免了人工检测带来的主观性和个体差异，还在一定程度上实现了对其刀具运动状态的监测。通过对刀具磨损和失效进行检测，并通过采集的图像对刀具磨损和失效检测进行实验验证，证实方法的有效性。     

基于自适应小波基的刀具磨损检测

通过刀具磨损特征向量的定义和提取,建立了奇异性指数和刀具磨损的对应关系,并利用小波变换对切削力信号进行分析,实现了刀具的磨损检测.     

用于监测刀具磨损的声发射(AE)特征优选方法

研究合理选择声发射信号特征以实现实时监测刀具磨损量。利用模糊聚类特征优选方法对声发射传感器特征信息进行优选,并在此基础上给出了模糊聚类优声发射特征的一般结论。给出了声发射信号的模糊聚类优选方法的优选特征,并在实时检测刀具磨损量的实验中得到验证。实验表明,利用模糊聚类特征优选方法能有效地对刀具磨损监测中的声发射特征进行了优选。     

基于机器视觉的刀具磨损检测技术

针对当前国内外刀具磨损检测的缺点和存在的问题,设计了基于机器视觉的刀具磨损检测方案,分析了刀具磨损检测的原理和识别过程,并结合图像处理的方法,采用自适应中值滤波对刀具图像进行平滑去噪,进一步得到刀具的二值化图像,再采用Canny边缘检测技术提取刀具轮廓信息.最后提出基于人工神经网络的刀具磨损检测算法.     

基于自适应小波基的刀具磨损检测

通过刀具磨损特征向量的定义和提取,建立了奇异性指数和刀具磨损的对应关系,并利用小波变换对切削力信号进行分析,实现了刀具的磨损检测。     

联合多视角互投影融合的三维目标检测方法

针对当前智能车辆目标检测时缺乏多传感器目标区域特征融合问题,提出了一种基于多模态信息融合的三维目标检测方法. 利用图像视图、激光雷达点云鸟瞰图作为输入,通过改进AVOD深度学习网络算法,对目标检测进行优化;加入多视角联合损失函数,防止网络图像分支退化. 提出图像与激光雷达点云双视角互投影融合方法,强化数据空间关联,进行特征融合. 实验结果表明,改进后的AVOD-MPF网络在保留AVOD网络对车辆目标检测优势的同时,提高了对小尺度目标的检测精度,实现了特征级和决策级融合的三维目标检测.      

基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.     

系统辨识的刀具磨损特征量提取方法

针对刀具磨损智能监控系统中信号预处理和磨损特征提取技术进行研究，提出了基于加工过程自适应模型参数估计的刀具磨损特征量提取方法，通过检测加工状态信号和加工参数，利用切削力模型和最小二乘法实现模型自动跟踪加工过程特性变化，并从估计的模型参数中获取刀具磨损特征量。经实验证明，加工过程切削力模型参数的变化能灵敏地反映刀具磨损特征，且该特征提取不受切削条件变化的影响。     

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.     

一种基于改进视觉注意模型和局部自相似性的目标自动检测算法研究

针对基于视觉注意模型的检测算法只能检测到图像中的感兴趣区域,无法准确地提供目标的轮廓和位置的不足,提出了一种基于改进视觉注意模型和图像局部自相似性的目标自动检测算法。通过增加运动速度和运动方向特征改进了经典的Itti视觉注意模型。利用改进的视觉注意模型提取感兴趣区域,提高了视觉注意模型的检测能力。再利用图像在边缘处具有良好的局部自相似性,实现了基于图像局部自相似性的目标检测算法。实验表明,算法能快速检测到图像中的目标感兴趣区域,并对其进行精确分割和定位。     

基于多信息融合的失效DPM码识别

针对复杂生产流通过程中,传统算法无法对因防护不当和磨损污染等原因造成的金属刀具表面二维条码缺损和磨损等失效问题进行定位和识别的缺陷,设计了一个基于多信息融合的失效条码识别系统,完成刀具产品的识别和条码信息的提取.该系统利用图像传感器和重量传感器对刀具形状、残余条码纹理和重量等特征进行量化,提取高维特征向量.通过支持向量机与证据理论相结合,实现对失效条码的分类识别.实验结果表明,该系统能够对条码存在污损的刀具进行准确、快速地分类和识别,满足实际生产中的要求.     

基于深度学习与粒子滤波的刀具寿命预测

刀具在加工过程中会受到材料的挤压、摩擦、冲击与腐蚀等因素影响,导致切削刃出现崩刃、磨损等现象.这些现象使得工件尺寸出现偏差,严重时甚至会对机床和人员带来伤害.有效的刀具剩余使用寿命预测可以提高加工效率,保证加工精度,降低加工成本,因此具有重要的研究价值.针对反映刀具磨损程度的趋势性特征自学习提取与刀具剩余使用寿命预测问题,提出了基于深度学习与混合趋势粒子滤波的刀具剩余使用寿命预测方法.使用刀具未发生磨损的信号特征训练降噪自编码器,然后将刀具各磨损阶段下的信号特征输入训练好的降噪自编码器中,提取其重构误差作为单调性特征,为了解决样本数量不足带来的过拟合的问题,对原始样本进行了加噪处理.考虑到传统粒子滤波算法进行刀具剩余使用寿命预测的过程中无法自适应调整状态方程,提出混合趋势粒子滤波算法来实现刀具剩余使用寿命预测.采集刀具全寿命周期的切削力信号并进行处理与分析,分析结果证明了所提方法能够有效实现反映刀具磨损的趋势性特征自提取,该特征提取方法可以减少人为因素的影响,降低训练成本,同时,相比于传统粒子滤波,混合趋势粒子滤波算法对刀具剩余使用寿命预测精度更加准确可靠.     

基于功率传感器的刀具磨损量预测方法

使用功率传感器监测机床加工功率,和切削力、声发射等传感器相比,功率传感器具有实用性强、对加工过程无影响等优点.针对采集到的功率信号,在分析信号特征相关性的基础上,提出了一个多目标优化RP-SBL的刀具磨损量预测方法.对信号特征进行后处理(Re-processing,RP)消除电网波动和切削中其他偶然因素的影响,进一步提高特征对刀具磨损敏感性.基于处理后的特征,运用稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)方法建立刀具磨损量预测模型.此外,使用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)对SBL模型相关参数进行优化以提高预测精度.实验研究表明,该方法能够实现刀具磨损量的准确预测.不同预测方法的对比表明,通过特征后处理提高信号特征对刀具磨损的敏感性,保证了刀具磨损量的准确预测,对SBL模型参数进行优化可进一步提高预测精度,减小预测误差的最大值.     

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition, EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions, IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。     

基于刀盘扭转能量的土压平衡盾构刀具磨损分析

在卵石和中风化泥岩中掘进时,土压平衡盾构面临严重的刀具磨损.为合理组织换刀工作,需预计刀具的磨损情况.通过分析成都地铁20个盾构区间的部分掘进数据,以刀盘扭转能量作为刀具磨损模型的输入参数,对换刀数目与刀盘扭转能量的关系进行了拟合.在此基础上,增加泡沫添加剂体积,建立双参数预测模型,进一步优化刀具磨损的预测精度.结果表明:换刀数目与刀盘扭转能量正相关,与泡沫添加剂体积负相关;换刀数目与双参数间的回归关系具有统计显著性;卵石和中风化泥岩地层中的换刀数目都较好地符合双参数预测模型但不同地层中的拟合参数有所差异.双参数刀具磨损模型的预测精度显著优于基于掘进距离的单参数模型和JTS模型.     

基于目标序列分析的智能监控多目标自动检测跟踪

针对道路交通监控场景，提出并实现了一个多目标自动检测与跟踪系统． 首先通过高斯混合模型的运动 信息提取方法得到目标运动信息，并分析了目标信息的连续多帧历史信息， 估计目标区域信息在连续多帧中的统 一性，进而通过信息融合的方式得到了目标检测结果． 然后提出了监控场景下多目标的跟踪与管理策略， 根据目标 检测结果，对场景中的多个目标同时进行跟踪．最后， 根据目标的不同状态将目标划分为新出现目标、被更新目标 和被跟踪目标等不同的类别，提高目标跟踪的准确性．