随着计算机技术的广泛应用,机械制造业正向智能化、数字化、网络化方向发展。特别是航空航天、汽车等制造行业的快速发展,对现代制造业的加工质量与加工效率提出更高要求,而刀具的磨损状态影响着切削加工的效率以及工件的加工质量,因此需要构建高效的刀具磨损状态检测系统。磨损状态检测系统可获取加工过程中刀具的磨损状态及磨损量,优化切削加工参数,合理选择换刀时间,提高刀具利用率以及切削加工效率,节约成本。本文基于机器视觉方法对铣削刀具磨损在机检测系统进行研究,主要研究内容如下:研究了刀具磨损的形态和过程,利用加权平均值灰度化法、自适应混合滤波降噪方法、对比度线性拉伸图像增强法以及OTSU自适应阈值分割算法对刀具磨损图像进行预处理,将分割出的磨损区域二值图像利用闭合运算和区域填充进行孔洞填平以及边缘完整化。基于改进的Zernike矩方法对Lanser算子获取的像素级边缘进行重定位,以获取其亚像素精度的轮廓边缘。根据球头铣刀和平底铣刀的磨损特征,分别设计不同的图像处理算法提取刀具磨损量。设计了一套铣削刀具磨损图像在机采集装置,针对平底铣刀、球头铣刀以及盘铣刀设计不同的图像动态采集方案,确定了机床主轴转速和采集时间间隔。分别对上述三种铣刀进行磨损识别实验,通过与光学显微镜测量值对比,其检测后刀面最大磨损值的平均误差率为2.95%,验证了本系统的可靠性。研究了卷积神经网络的基本结构以及与网络参数优化相关技术,提出了一种基于卷积神经网络铣削刀具磨损类型的自动识别方法,设计了网络结构,并利用实验采集的图像对本文搭建的识别模型进行训练与测试,通过与VGGNet-16模型的识别准确率对比,评估本模型的性能。开发了刀具磨损在机检测系统软件,利用Visual Studio 2015开发工具中MFC应用程序模块,结合相机自带的SDK开发包对磨损图像采集模块及软件窗体功能进行开发,结合Open CV图像处理库、Halcon图像处理库以及深度学习技术混合编程开发磨损图像处理模块和刀具磨损状态智能识别模块。