【技术实现步骤摘要】
本专利技术属于数控加工相关，更具体地，涉及一种基于机器视觉的刀具磨损预测方法及系统。
技术介绍
1、数控机床是制造业的主要加工设备，其中刀具是其关键的执行部件。然而，在数控机床加工过程中，刀具与切屑、工件之间会产生机械摩擦，同时受切削力与切削热的影响，刀具会持续产生磨损，并且其磨损状态会随着时间的推移而逐渐增大最后发生崩刃，严重影响加工效率、工件的表面质量和加工成本。有研究表明，机床总停机时间的20％源于刀具失效引起的故障停机；对刀具状态的精准监测可提高50％加工效率，并降低40％生产成本。因此，对刀具磨损状态的准确监测具有重要的理论与实践意义。
2、传统的刀具磨损监测方法通常依赖于人工检查和定期维护，费时又容易产生误差。随着计算机技术、人工智能等技术的进步，刀具磨损智能监测技术受到越来越多研究者的关注。根据监测方式的不同，刀具磨损监测方法可以分为间接法与直接法。
3、间接法指通过分析与刀具磨损强相关的信号，例如切削力、振动、声发射与电流等间接反映刀具的磨损情况。但由于间接法的特性，间接法具有若干先天的局限性。第一，需要复杂的信号处理技术滤除噪声，确保信号的准确性。第二，刀具磨损信号可能受到多种因素的影响，如切削条件、工件材料、刀具材料等，这使得刀具磨损之间的关系变得复杂。第三，建立准确的数学模型或机器学习算法需要经过大量的实验数据和计算资源。第四，间接监测方式依赖于传感器本身的精度和稳定性，需要定期对传感器进行维护与校准，这对刀具磨损监测模型增加了不确定性。
4、直接法借助于摄像头和图像处理
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于机器视觉的刀具磨损预测方法及系统，用于解决现有基于机器视觉的刀具磨损预测研究中，通常的机器视觉刀具磨损预测模型在训练样本构建以及预测过程中需要采集刀具图像并离线进行磨损值测试，存在操作繁琐且严重影响加工效率的问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于机器视觉的刀具磨损预测方法，包括：
3、构建第一样本集：所述第一样本集中的样本为刀具磨损图像以及对应的磨损区域标签；
4、构建磨损区域分割模型：所述磨损区域分割模型用于根据刀具磨损图像对磨损区域进行分割，利用所述第一样本集对所述磨损区域分割模型进行训练，获取训练完成的所述磨损区域分割模型；
5、构建第二样本集：所述第二样本集中的样本为刀具的磨损值序列；其中刀具的磨损值基于所述磨损区域分割模型对刀具磨损图像分割出的磨损区域计算获取；
6、构建磨损预测模型：所述磨损预测模型用于对刀具的磨损值进行预测，利用所述第二样本集对所述磨损预测模型进行训练，获取训练完成的所述磨损预测模型；
7、在线预测：在机床加工过程中，利用训练完成的所述磨损预测模型对刀具的磨损值进行在线预测。
8、根据本专利技术提供的基于机器视觉的刀具磨损预测方法，还包括：
9、在机床加工区域之外部位的下方和侧方分别设置工业相机形成图像采集点；
10、在机床加工过程中，控制刀具移动至所述图像采集点，通过下方的工业相机获取刀具的底部磨损图像，通过侧方的工业相机获取刀具的侧刃磨损图像，并控制刀具在图像采集点转动以获取刀具不同侧刃的磨损图像；其中，刀具的底部磨损图像和刀具的侧刃磨损图像形成刀具磨损图像；
11、通过对刀具磨损图像进行磨损区域标注，进行第一样本集的构建。
12、根据本专利技术提供的基于机器视觉的刀具磨损预测方法，所述磨损区域分割模型为改进的yolov8模型，改进的yolov8模型包括conv模块、m模块、sppf模块、upsample模块和concat模块，其中，m模块由fasternext模块组成；所述conv模块对特征图进行卷积操作，提取图像的局部特征；所述fasternext模块将输入特征图经过卷积操作后生成中间特征图；所述sppf模块通过多级别的空间金字塔池化，实现特征的多尺度提取与融合；所述upsample模块使用反卷积恢复特征图的分辨率；所述concat模块实现特征融合、跳跃连接。
13、根据本专利技术提供的基于机器视觉的刀具磨损预测方法，基于所述磨损区域分割模型对刀具磨损图像分割出的磨损区域计算获取刀具的磨损值，具体包括：
14、获取磨损区域的顶点的像素坐标，形成顶点点集；
15、遍历所述顶点点集，获得两两顶点之间线段的方程；并通过筛选线段斜率以及经过顶点数量确定刀具原始切削刃线段；
16、计算所述顶点点集的其余点与刀具原始切削刃线段的垂直距离，选取垂直距离最大的值即为最大磨损宽度的像素数；
17、根据最大磨损宽度的像素数以及刀具磨损图像的尺寸，获取最大磨损宽度的实际值作为磨损值。
18、根据本专利技术提供的基于机器视觉的刀具磨损预测方法，所述磨损预测模型为m-n结构transformer-cnn模型，m-n结构transformer-cnn模型由m个堆叠的transformer模块和n个堆叠的cnn模块构成，用于根据刀具磨损值的历史序列数据对刀具磨损值的未来序列数据进行预测；
19、所述磨损预测模型基于下式所示的均方误差mse进行训练：
20、
21、其中，yi为第i个数据点的实际值，为第i个数据点的预测值，n为预测数据点的总数。
22、根据本专利技术提供的基于机器视觉的刀具磨损预测方法，构建磨损预测模型还包括：
23、将所述第二样本集分为训练集和测试集；
24、使用灰狼算法，以磨损预测模型独立训练多次并在测试集上的rmse平均值最小为目标函数，以m、n分别取[1,20]内的整数为约束条件，优化获取最优超参数m、n的组合。
25、根据本专利技术提供的基于机器视觉的刀具磨损预测方法，在线预测具体包括：
26、所述磨损预测模型第一次预测时输入为刀具磨损值的真实值序列，输出为刀具磨损值的预测值序列；
27、之后所述磨损预测模型每次预测时输入为刀具磨损值的真实值与之前预测输出的预测值的组合，或者为之前预测输出的预测值序列，输出为刀具磨损值的预测值序列，形成超前预测模式。
28、根据本专利技术提供的基于机器视觉的刀具磨损预测方法，在超前预测模式下，在线预测还包括：
29、及时矫正策略：将所述磨损预测模型输出的刀具磨损值的预测值序列与对应的刀具磨损值的真实值序列进行比较，获取预测值与真实值之间的误差；
30、若误差小本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的刀具磨损预测方法，其特征在于，包括：
2.如权利要求1所述的基于机器视觉的刀具磨损预测方法，其特征在于，还包括：
3.如权利要求1所述的基于机器视觉的刀具磨损预测方法，其特征在于，所述磨损区域分割模型为改进的YOLOv8模型，改进的YOLOv8模型包括Conv模块、M模块、SPPF模块、Upsample模块和Concat模块，其中，M模块由FasterNeXt模块组成；所述Conv模块对特征图进行卷积操作，提取图像的局部特征；所述FasterNeXt模块将输入特征图经过卷积操作后生成中间特征图；所述SPPF模块通过多级别的空间金字塔池化，实现特征的多尺度提取与融合；所述Upsample模块使用反卷积恢复特征图的分辨率；所述Concat模块实现特征融合、跳跃连接。
4.如权利要求1所述的基于机器视觉的刀具磨损预测方法，其特征在于，基于所述磨损区域分割模型对刀具磨损图像分割出的磨损区域计算获取刀具的磨损值，具体包括：
5.如权利要求1-4中任一项所述的基于机器视觉的刀具磨损预测方法，其特征在于，所述磨损预测模型为M
6.如权利要求5所述的基于机器视觉的刀具磨损预测方法，其特征在于，构建磨损预测模型还包括：
7.如权利要求1-4中任一项所述的基于机器视觉的刀具磨损预测方法，其特征在于，在线预测具体包括：
8.如权利要求7所述的基于机器视觉的刀具磨损预测方法，其特征在于，在超前预测模式下，在线预测还包括：
9.如权利要求8所述的基于机器视觉的刀具磨损预测方法，其特征在于，刀具磨损值的真实值基于所述磨损区域分割模型对在线采集的刀具磨损图像分割出的磨损区域计算获取，或者基于预先通过实验建立的磨损值样本集确定。
10.一种基于机器视觉的刀具磨损预测系统，其特征在于，包括机器视觉系统，所述机器视觉系统包括下方相机和侧方相机，所述下方相机设在机床加工区域之外部位的下方，所述侧方相机设在机床加工区域之外部位的侧方，所述机器视觉系统用于在机床上形成在线图像采集点；
...【技术特征摘要】
1.一种基于机器视觉的刀具磨损预测方法，其特征在于，包括：
2.如权利要求1所述的基于机器视觉的刀具磨损预测方法，其特征在于，还包括：
3.如权利要求1所述的基于机器视觉的刀具磨损预测方法，其特征在于，所述磨损区域分割模型为改进的yolov8模型，改进的yolov8模型包括conv模块、m模块、sppf模块、upsample模块和concat模块，其中，m模块由fasternext模块组成；所述conv模块对特征图进行卷积操作，提取图像的局部特征；所述fasternext模块将输入特征图经过卷积操作后生成中间特征图；所述sppf模块通过多级别的空间金字塔池化，实现特征的多尺度提取与融合；所述upsample模块使用反卷积恢复特征图的分辨率；所述concat模块实现特征融合、跳跃连接。
4.如权利要求1所述的基于机器视觉的刀具磨损预测方法，其特征在于，基于所述磨损区域分割模型对刀具磨损图像分割出的磨损区域计算获取刀具的磨损值，具体包括：
5.如权利要求1-4中任一项所述的基于机器视觉的刀具磨损预测方法，其特征在于，所述磨损预测模型为m-n结构trans...
【专利技术属性】
技术研发人员：赛希亚拉图，李心安，张超勇，黄永勤，张松，王猛，周洋，舒亮，韩忠泽，朝宝，梅子豪，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。