本技术属于铣刀磨损检测技术领域,提出了一种自动化的铣刀磨损量采集方法、系统、存储介质和计算设备。该系统通过自动旋转刀座装置使待测铣刀旋转,捕获所有刀刃图像,并确保刀刃处于水平状态。利用yolov9训练的预测模型对图像数据进行批量分析,识别并标记磨损区域。通过测量磨损最高点到刀刃的水平距离,计算磨损宽度。该发明提高了刀具磨损测量的效率和准确性,解决了传统离线光学图像法的不足。
背景技术
刀具是加工系统中最核心的加工要素,它对产品质量有直接影响,一旦刀具发生故障而没有及时发现,轻则直接影响产品加工质量和生产效率,严重甚至导致机器损坏以及危害人员的安全。因此,监测刀具的状态,对制造企业具有重要意义。
现有的刀具状态监测主要通过直接测量和间接测量,直接法通过某种特定的直接测量方式来获得刀具的后刀面磨损量从而判断刀具的状态,包括光学图像法,接触式电阻测量法和放射性元素法等,缺点是使用场景受限或者只能在刀具非工作状态下进行并且在刀具非工作状态下进行时通常十分耗费时间;间接法是测量与刀具相关的信号并通过映射关系来间接获得刀具的状态,包括力学信号,振动信号,声发射信号等,缺点是传感器数目过多直接导致成本增加,且会有大量冗余信息干扰。
离线的光学图像法很多使用传统图像处理的方法如论文《基于机器视觉的数控盘铣刀磨损状态检测方法》中在图像预处理后使用边缘检测提取磨损特征,但准确率不高而且对不同磨损区域的适应能力不足,容易检测不出来,使用深度学习的方法如论文《基于深度学习的铣刀状态检测方法研究及应用》中由于拍摄刀具的广角照片导致刀刃的磨损区域的像素减少,小目标不容易检测会导致准确率降低和检测不到特征区域的情况。
实现思路