医学图像处理医学图像处理-卷积神经网络卷积神经网络_基于深度卷积神经网络的刀具磨损量自动提取方法...-CSDN博客

⬆点击上方蓝色字体，关注《工具技术》官方微信~

数控加工实质上是刀具和毛坯的相互运动，包含众多的不可控因素，在工件成型的过程中，刀具不可避免发生磨损。为了提高加工效率，实际加工中一般采用高速切削技术。高速切削过程中，随着进给率速率、切削深度等切削参数的提高，刀具磨损随之加剧。研究可靠的刀具状态识别方法对于提高加工质量、减少加工时间和降低加工成本非常有必要。

据相关学者及机构统计，数控机床的刀具寿命只有50%~80%被合理利用，处理刀具非正常状态所用的时间占机床总停机时间的10%~40%。在航空领域的一些关键结构件加工过程中，一把硬质合金刀具的使用时间仅10min，完成加工需要更换40把甚至更多刀具，使加工过程中刀具存在很大的不确定性，并造成极大的浪费。频繁的换刀严重降低了加工效率，刀具高频率的重复装夹会影响加工精度和零件表面质量。在部分复杂零件的转角区域加工过程中，为了保证零件的表面质量，中途不宜更换刀具。

Laura Fernández-Robles等提出了一种简单实用的刀具磨损测量方法:增强图片的对比度，然后基于移位滤波器提取磨损区域。María Teresa García-Ordás等提出了一种在位、自动化程度高、成本低的检测技术:首先提取刀具边缘根据边缘并将边缘分为几个磨损区域进行局部二值化，最后利用支持向量机对磨损区域进行分类。Jamie Loizou等提出了一种图像预处理提取关键区域特征得出刀具磨损量的方法。于小龙等提出基于刀具形态数据库利用形态学成分分析提取刀具的磨损区域。

综上所述，刀具磨损量提取领域目前普遍存在的问题包括：间接测量法不够准确可靠，耗费大量的人力物力财力；直接测量法利用工具手动测量费时费力，人为因素对测量精度影响很大；基于机器视觉的测量方法存在精度和自动化程度对立的情况，一些精度和自动化程度高的方法只适用于特定的刀具。

针对以上问题，本文利用机器视觉(Machine Vision，MV)和深度学习(Deep Learning，DL)技术，提出了一种基于卷积神经网络(Convlutional Neural Network，CNN)的刀具磨损量自动提取方法。采用后刀面最大磨损宽度作为刀具状态的评价标准，卷积神经网络经过监督学习后可以自动提取后刀面磨损量。

1 刀具磨损自动提取系统

(1)关键技术

通过图像提取刀具磨损量即计算图像中某两个特定像素间的距离。所以，提取磨损量的关键是准确获取图像信息。首先需要对图像进行降噪。不同于传统的滤波降噪，通过将图像小波分解进行降噪的图像降噪方法在有效去除图像噪声的同时避免了图像纹理特征被弱化。提取图像信息通过卷积神经网络进行。卷积神经网络为非全连接神经网络，从底层到高层每一层都在前一层所提取信息的基础上提取更高一级的特征，这种逐级升高的特征提取方式相当于每层都是通过总结前层的工作来完成自己的工作(见图1)。提取后刀面最大磨损量不仅需要深层卷积提取的高级特征，还需要低层卷积提取的低级特征，因此采用了ResNet结构。为了增加网络的信息密度，并且减少梯度消失的窘境，同时采用了Inception网络结构。

图1 基于卷积神经网络的刀具磨损量自动提取方法

深度卷积神经网络能够从高维数据中提取出特定的信息，归功于深度卷积神经网络强大的逼近非线性映射能力以及数据自身具有的内在规律。刀具图片所代表的高维数据分布于低维流形附近，流形上具有特定的概率分布，同时只有当卷积神经网络的参数多于流形的维度时，卷积神经网络才可以准确表达出数据分布。深度卷积神经网络能够从一类数据中提取出流形结构，通过流形表达整体的先验知识，具体而言就是编码解码，隐含在神经元的权重之中。所有流形的映射最终都归结于欧式空间之间的非线性映射，卷积神经网络的最终目标是逼近欧氏空间之间的非线性映射。

(2)拍照系统

采用西尼科XK-T600V显微镜以刀具在位的方式拍摄刀具照片(见图2)，可消除重复装夹刀具对加工的影响，提高测量系统的效率。为了弱化拍照时刀具与显微镜的相对姿态对测量精度的影响，对同一刀刃微调姿态拍摄3张图片，取测量结果的平均值作为刀具磨损量。

图2 显微镜自动拍照

(3)图像预处理

机床内部环境复杂得到的照片噪声成分既有外部噪声又有内部噪声，大部分噪声都是高频信号，而图像的纹理特征同样为高频信号。传统的去噪方法在去除噪声的同时也会弱化图像的纹理特征，降低对图像中磨损区域的可识别性，严重影响图像识别效果。将图像进行小波分解进而降噪的方法具有多尺度滤波功能，此方法能在去除大量噪声的同时达到保留图像纹理特征的效果，小波降噪流程见图3。

图3 小波降噪流程

小波降噪分为3个步骤：将原始图像进行小波分解；将细节分量进行阈值处理；用处理后的各分量进行小波重构得到降噪后的图像。

二维小波变换公式为

二维小波变换的逆变换为

cψ的公式为

测量所用的小波为Daubechies小波，该小波是Daubechies从两尺度方程系数{hk}出发设计所得的离散正交小波，简写为dbN。小波的阶数为4，所用小波为db4。db4的变换尺度和图像见图4。

(a)尺度图像 (b)小波图像

图4 小波变换尺度和小波图像

拍摄得到的照片为RGB图像，实际上RGB图像并不能反映图像的形态特征，只是从光学原理上进行颜色调配。计算机处理照片需要先将图像进行灰度化，本文采用加权平均的灰度化方式，有

式中，B表示蓝色像素值；G表示绿色像素值；R表示红色像素值。

通过对较少的有标签样本进行图像处理和数据扩充，在提高网络训练效果的同时降低获取有标签数据的工作量。采用的数据量扩充方法包括图像的旋转变换、对比度变换、灰度值变换和人工添加噪声(见图5)。经过此步操作，图像中刀具信息不会被改变，并且可以增加数据的多样性，提高卷积神经网络的泛化能力。

(4)卷积神经网络提取刀具磨损量

测量方法所用卷积神经网络包括卷积、最大池化、全连接层、RELU非线性化和局部归一化。卷积神经网络在测量中将输入图像与标签进行拟合，相当于图像和对应标签的泛函数，此泛函数的输入为拍摄的刀具图片，输出为刀具后刀面最大磨损宽度。

(a)灰度图 (b)旋转变换 (c)对比度变换

(d)灰度值反转 (e)添加噪声

图5 数据扩充方法

编写神经网络需要考虑5个重要问题：网络深度对拟合精度的影响；网络宽度对拟合精度的影响；增加卷积层还是全连接层对拟合精度的影响；每个卷积层提取特征数对拟合精度的影响；卷积核尺寸及移动步数对拟合精度的影响。

本文在综合考虑测量方法性能要求、数据、硬件、成本等因素后设计卷积神经网络(见图6)。

图6 卷积神经网络提取刀具磨损量

特征提取是传统机器学习的难点，高维数据特征提取对于传统神经网络更加困难。获取刀具磨损量是对高维数据进行处理，提取某一特定特征值的过程(见图7)。相对于传统的神经网络，卷积神经网络计算量和参数都大幅减少，降低了提取高维数据计算成本。对于给定层，卷积神经网络并不是把每个输入和每个神经元相连，而是专门限制了连接，使任意神经元只能接受来自前一层的一小部分的输入，类似于动物眼睛的工作原理。图像中的像素具有邻域相关性强的特点，每个神经元只需负责处理一张图像的一个特定部分。因此卷积神经网络可以高效、准确地提取高维数据信息。

卷积神经网络的核心为卷积运算，卷积层执行卷积运算任务。卷积层(Convolutional layer)通过二维卷积运算方式对图像进行滤波邻域滤波。本文采用1×1，3×3，5×5格式的卷积核，卷积核每次移动步一个像素，卷积采用边缘填充的卷积方式(见图8)。

图7 从高维数据提取特定数据间的距离

图8 卷积示意图

2 系统验证与结果分析

(1)网络训练

网络训练采用10000张图片，总的训练步数为300000，bantch_size为20，进行了60个epoch训练。初始学习率设置为0.0002。在网络训练前期可以加速学习，使得模型更容易接近局部或者全局最优解，但在后期会有较大的波动，甚至出现损失函数的值围绕最小值徘徊，波动很大，始终难以达到最优解的情况，所以采用了学习率衰减的学习方式。训练步数每增加5000步学习率衰减为上一个5000步学习率的97%。

如图9所示，随着训练步数的增加，网络的损失逐渐减小，损失曲线越来越平滑，表明网络的精度和稳定性随着训练的进行愈加可靠。本方法通过最小平方误差(Least Square Error，LSE)计算神经网络的训练损失。最小平方误差为标签和神经网络输出值的差值的平方和，可表示为

(2)试验验证

在DMG 80P DuoBlock铣车复合中心上进行精确度的试验验证。使用3把D12的3齿高速钢立铣刀在钛合金毛坯上加工槽特征，从新刀到VB值达到0.4mm，切削参数见表1。每加工一层停刀进行测量，实验的测量结果(见表2)与徕卡DVM6显微镜得出的测量结果进行对比，检测测量系统的精确度。

图9 卷积神经网络训练过程中损失

表1 试验切削参数

表2 试验验证结果

注：测量次数为徕卡显微镜测量值达到0.4mm时，一把刀具总的测量次数。

磨损量自动提取方法提取的磨损量与显微镜测量数据对比见图10，磨损量自动提取方法提取的磨损量与显微镜测量数据相比偏差见图11。经试验验证可知，本方法的测量误差与显微镜的测量结果相比，最大误差不超过0.02mm。测量方法具有较高的精度，可以满足实际加工应用。

(a)第1把刀

(b)第2把刀

(c)第3把刀

图10 自动提取磨损量与显微镜测量数据对比

(a)第1把刀

(b)第2把刀

(c)第3把刀

图11 自动提取磨损量与显微镜测量数据的偏差

小结

本文提出了一种基于机器视觉和卷积神经网络的刀具磨损在位测量方法。试验结果表明，这种方法可以快速、精确地提取刀具磨损量。通过对图像小波分解降噪能有效解决刀具图像降噪和保持图像纹理特征对立的矛盾，再使用卷积神经网络可以准确、快速地提取出刀具磨损量。实现了通过间接测量法以刀具在位的方式准确地测量刀具磨损量，一定程度上解决了传统刀具磨损间接测量法自动化程度低的缺点。

由于本方法拍照系统只能固定于机床某一位置，为了能够测量刀具底刃的磨损，需要设计可移动的拍照系统，为减少对有标签数据的依赖，需要解决图像降噪和保持图像纹理对立的问题，进一步优化神经网络。在图像标签的获取和系统的试验验证过程中，人为因素对显微镜实际测量数据的获取影响较大，有不确定性，因此需要改进数据标签获取方法。

原载《工具技术》作者：李德华