具体实施方式

为了更好地理解本发明，下面结合附图参考实施例的描述，对本发明的方法进行进一步的说明。

为了全面理解本发明，在以下详细描述中提到了众多具体细节。但是本领域技术人员应该理解，本发明可以无需这些具体细节而实现。在实施例中，不详细描述公知的方法、过程、组件，以免不必要地使实施例繁琐。

参见图1所示，本发明提供的一种数控机床刀具状态的智能识别方法，包括以下步骤：

步骤1，监测数控机床刀具的工作状态，获取数控机床刀具的监测数据；

步骤2，对监测数据进行预处理，获得刀具状态的信号特征；

步骤3，基于所述刀具状态的信号特征，预估刀具的磨损量；

步骤4，根据预估的刀具磨损量，启动对数控机床刀具状态的识别；

步骤5，将所述刀具的监测数据和刀具状态的识别结果，作为反馈信息，通过网络上传到云服务器中。

所述刀具的监测数据和刀具状态的识别结果作为反馈信息存储在云服务器，可以为后续状态识别的机器学习提供学习样本。

优选地，其中，所述步骤1，监测数控机床刀具的工作状态，获取数控机床刀具的监测数据，具体包括：获取数控机床驱动电机的三相输出电流和切削工况参数。

优选地，其中，所述步骤2，对监测数据进行预处理，获得刀具状态的信号特征，具体包括：

步骤2-1，对测量的三相输出电流依次进行放大、滤波与A/D转换，得到电流数字信号；

步骤2-2，根据电流数字信号，确定平稳信号，对平稳信号进行切分，获取数控机床刀具的工作电流信号段；

步骤2-3，对所述工作电流信号段进行主组分分析，进行特征值提取，得到一个或多个刀具状态相关信号及其信号特征值；

以及所述步骤3，基于所述刀具状态的信号特征，预估刀具的磨损量，具体包括：根据刀具状态相关信号及其信号特征值、所述切削工况参数，预估刀具的磨损量。

优选地，其中，所述步骤4，所述根据预估的刀具磨损量，启动对数控机床刀具状态的识别，具体包括：

步骤4-1，当预估刀具的磨损量大于阈值后，启动对数控机床刀具状态的识别，将刀具转移至指定位置；

步骤4-2，对所述刀具进行图像采集，生成所述刀具的识别图像；

步骤4-3，根据所述刀具的参数信息，从云服务器中调取同类型标准刀具的基准图像；

步骤4-4，对所述基准图像和所述识别图像进行图像预处理；

步骤4-5，根据所述基准图像和所述识别图像，精确判断刀具状况，实现对数控机床刀具状态的识别。

优选地，其中，所述步骤4-4，对所述基准图像和所述识别图像进行图像预处理，具体包括：

步骤4-4-1，针对目标区域，对所述基准图像和所述识别图像进行图像裁剪；

步骤4-4-2，对所述图像分别进行归一化处理；

步骤4-4-3，通过灰度拉伸增强图像对比度；

步骤4-4-4，通过二值化处理实现图像中背景和对象的分割；

步骤4-4-5，采用修正的自适应邻域平均法消除图像中的干扰和噪音。

优选地，其中，对所述刀具进行图像采集之前，预先在固定位置布置光源和相机，相机与光源同轴安装，且与刀具待图像采集的表面垂直设置；所述光源为可调光源，调节范围是10000流明到20000流明。

优选地，其中，所述步骤4-5，根据所述基准图像和所述识别图像，精确判断刀具状况，实现对数控机床刀具状态的识别，具体包括：

步骤4-5-1，对所述基准图像和所述识别图像进行图像匹配；

步骤4-5-2，确定所述识别图像中的目标区域，以及确定所述基准图像中相应的目标区域，所述目标区域包含待识别的刀具磨损部位；

步骤4-5-3，针对所述目标区域，对所述基准图像和所述识别图像进行图像做差；

步骤4-5-4，根据图像差值，精确判断刀具状况，实现对数控机床刀具状态的识别。

优选地，其中，所述步骤4-5-1，对所述基准图像和所述识别图像进行图像匹配，具体包括：

步骤4-5-1-1，将机床坐标系下的坐标转换为图像坐标，根据图像坐标，实现所述基准图像和所述识别图像的初步匹配；

步骤4-5-1-2，选取所述识别图像的特征点；

步骤4-5-1-3，针对所述识别图像的特征点，确定基准图像中的匹配点，形成特征点对；

步骤4-5-1-4，根据特征点对，实现基准图像和识别图像的精确匹配。

优选地，其中，所述步骤4-5-1-3，针对所述识别图像的特征点，确定基准图像中的匹配点，形成特征点对，具体包括：

步骤4-5-1-3-1，图像初步匹配后，确定所述识别图像中的特征点i；

步骤4-5-1-3-2，在所述识别图像中，以特征点i为中心取一个(2L+1)×(2L+1)大小的相关窗口W₁，L为大于等于1个的整数像素；相应地，所述基准图像中存在对应的相关窗口W₂；

步骤4-5-1-3-3，将所述基准图像和所述识别图像进行灰度化；

步骤4-5-1-3-4，逐个选取识别图像中每一个特征点i，求取该特征点i与基准图像中W₂窗口内任一点j的匹配度R，

所述匹配度

其中，C₁、C₂分别为识别图像和基准图像中像素点相关窗口内像素的灰度值，分别表示识别图像和基准图像像素点相关窗口内像素灰度值的均值；

步骤4-5-1-3-5，针对识别图像中的每一个特征点i，选取基准图像中最大的匹配度R_max所对应的像素点作为该特征点i的匹配点；

步骤4-5-1-3-6，所述识别图像的特征点和所述基准图像的匹配点，形成特征点对。

如图2所示，本发明提供的一种数控机床刀具状态的智能识别系统，包括：

监测单元，用于监测数控机床刀具的工作状态，获取数控机床刀具的监测数据；

信号单元，用于对监测数据进行预处理，获得刀具状态的信号特征；

预估单元，用于基于所述刀具状态的信号特征，预估刀具的磨损量；

识别单元，用于根据预估的刀具磨损量，启动对数控机床刀具状态的识别；

反馈单元，用于将所述刀具的监测数据和刀具状态的识别结果，作为反馈信息，通过网络上传到云服务器中。

所述刀具的监测数据和刀具状态的识别结果作为反馈信息存储在云服务器，可以为后续状态识别的机器学习提供学习样本。

优选地，其中，所述监测单元，用于监测数控机床刀具的工作状态，获取数控机床刀具的监测数据，具体包括：获取数控机床驱动电机的三相输出电流和切削工况参数。

优选地，其中，所述信号单元，用于对监测数据进行预处理，获得刀具状态的信号特征，具体包括：

转换单元，用于对测量的三相输出电流依次进行放大、滤波与A/D转换，得到电流数字信号；

切分单元，用于根据电流数字信号，确定平稳信号，对平稳信号进行切分，获取数控机床刀具的工作电流信号段；

提取单元，用于对所述工作电流信号段进行主组分分析，进行特征值提取，得到一个或多个刀具状态相关信号及其信号特征值；

以及所述预估单元，用于基于所述刀具状态的信号特征，预估刀具的磨损量，具体包括：根据刀具状态相关信号及其信号特征值、所述切削工况参数，预估刀具的磨损量。

优选地，其中，所述识别单元，用于所述根据预估的刀具磨损量，启动对数控机床刀具状态的识别，具体包括：

转移单元，用于当预估刀具的磨损量大于阈值后，启动对数控机床刀具状态的识别，将刀具转移至指定位置；

图像采集单元，用于对所述刀具进行图像采集，生成所述刀具的识别图像；

标准调取单元，用于根据所述刀具的参数信息，从云服务器中调取同类型标准刀具的基准图像；

预处理单元，用于对所述基准图像和所述识别图像进行图像预处理；

精确判断单元，用于根据所述基准图像和所述识别图像，精确判断刀具状况，实现对数控机床刀具状态的识别。

优选地，其中，所述预处理单元，用于对所述基准图像和所述识别图像进行图像预处理，具体包括：

裁剪单元，用于针对目标区域，对所述基准图像和所述识别图像进行图像裁剪；

归一化单元，用于对所述图像分别进行归一化处理；

增强单元，用于通过灰度拉伸增强图像对比度；

分割单元，用于通过二值化处理实现图像中背景和对象的分割；

降噪单元，用于采用修正的自适应邻域平均法消除图像中的干扰和噪音。

优选地，其中，对所述刀具进行图像采集之前，预先在固定位置布置光源和相机，相机与光源同轴安装，且与刀具待图像采集的表面垂直设置；所述光源为可调光源，调节范围是10000流明到20000流明。

优选地，其中，所述精确判断单元，用于根据所述基准图像和所述识别图像，精确判断刀具磨损状况，实现对数控机床刀具的状态检测，具体包括：

图像匹配单元，用于对所述基准图像和所述识别图像进行图像匹配；

目标确定单元，用于确定所述识别图像中的目标区域，以及确定所述基准图像中相应的目标区域，所述目标区域包含待识别的刀具磨损部位；

图像做差单元，用于针对所述目标区域，对所述基准图像和所述识别图像进行图像做差；

状况判断单元，用于根据图像差值，精确判断刀具磨损状况。

优选地，其中，所述图像匹配单元，用于对所述基准图像和所述识别图像进行图像匹配，具体包括：

初步匹配单元，用于将机床坐标系下的坐标转换为图像坐标，根据图像坐标，实现所述基准图像和所述识别图像的初步匹配；

选取单元，用于选取所述识别图像的特征点；

形成单元，用于针对所述识别图像的特征点，确定基准图像中的匹配点，形成特征点对；

精确匹配单元，用于根据特征点对，实现基准图像和识别图像的精确匹配。

优选地，其中，所述形成单元，用于针对所述识别图像的特征点，确定基准图像中的匹配点，形成特征点对，具体包括：

确定单元，用于图像初步匹配后，确定所述识别图像中的特征点i；

窗口单元，用于在所述识别图像中，以特征点i为中心取一个(2L+1)×(2L+1)大小的相关窗口W₁，L为大于等于1个的整数像素；相应地，所述基准图像中存在对应的相关窗口W₂；

灰度化单元，用于将所述基准图像和所述识别图像进行灰度化；

匹配度计算单元，用于逐个选取识别图像中每一个特征点i，求取该特征点i与基准图像中W₂窗口内任一点j的匹配度R，

所述匹配度

其中，C₁、C₂分别为识别图像和基准图像中像素点相关窗口内像素的灰度值，分别表示识别图像和基准图像像素点相关窗口内像素灰度值的均值；

匹配选择单元，用于针对识别图像中的每一个特征点i，选取基准图像中最大的匹配度R_max所对应的像素点作为该特征点i的匹配点；

点对形成单元，用于所述识别图像的特征点和所述基准图像的匹配点，形成特征点对。

可见，本发明与传统的方法相比，有益效果包括：

首先，本发明采用双重刀具磨损状态检测方法，结合了状态信号检测方法的高效与图像采集检测方法的精准，实现了既高效又精准的刀具状态识别。

其次，本发明采集电流信号及切削工况参数，操作简单，传感器安装方便，可以在不影响生产的情况下，以较低的成本得到较好的预测效果。

再次，本发明可实现在线实时监测刀具磨损状况，适应切削余量在一定范围内随机波动的情况，提高了应用范围，与实际生产情况更加契合。

另外，本发明采集刀具图像，无需拆卸刀具，利用包含待识别的刀具磨损部位的目标区域即可进行磨损状态检测，检测速度快并且不影响加工过程，且降低了生产成本。

最后，图像的匹配精度或标定精度极大地影响两幅图像目标区域的细微差值，即极大地影响刀具磨损量的识别，目前的刀具的磨损识别无法做到精确的图像匹配和图像标定。而本发明根据实验和测算，提出了刀具图像匹配标定的精确算法，根本地解决了刀具图像匹配标定问题，将刀具磨损识别的精度提高到一个新的台阶。

为了描述的方便，本申请系统的各部分以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件或硬件中实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、系统、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：这里只说明了本发明的优选实施例，但其意并非限制本发明的范围、适用性和配置。相反，对实施例的详细说明可使本领域技术人员得以实施。应能理解，在不偏离所附权利要求书确定的本发明精神和范围情况下，可对一些细节做适当变更和修改。