刀具在机械制造行业中占有十分重要的地位,刀具状态的好坏不仅直接影响工件的切削加工质量,甚至会对数控机床的寿命产生影响。在企业进行加工生产过程中,若不能及时有效的对刀具状态进行检测,将会导致工件加工质量不过关,生产过程中断,造成工件材料浪费、机床故障等一系列问题,给企业生产经营造成巨大损失。因此,研究刀具磨损状态检测方法,实现刀具的状态检测十分必要。本文以带涂层的硬质合金铣刀为研究对象,采用机器视觉的方法,对硬质合金铣刀磨损量进行直接测量,以被加工工件的表面纹理状态对刀具是否失效进行检测,具体内容如下:首先,分析刀具磨损类型及磨损过程特点,明确磨损主要发生在铣刀主后刀面。确定铣刀磨钝标准,为刀具失效提供判别依据。分析被加工工件表面纹理变化规律,为刀具失效检测提供理论依据。根据铣刀自身结构特点,设计图像采集方案。合理选择硬件设备并编写双相机图像采集软件,方便图像数据采集。实验使用CCD工业相机和75mm变焦镜头采集铣刀图像,通过显微摄像机拍摄工件,实现数据的获取。然后,采用机器视觉方法对铣刀磨损进行直接测量。针对铣刀加工结束后刀尖位置停止具有随机性的特点,以采集到的铣刀底面图像为研究对象,提出图像二次掩模方法提取刀刃边缘直线,并采用最小二乘法进行直线拟合,实现铣刀旋转角度的计算。通过旋转定位确定刀尖位置后,以采集的铣刀主后刀面磨损图像为研究对象,采用图像处理方法对刀尖ROI区域进行磨损特征提取,并采用基于图像旋转的最小外接矩形法实现刀具磨损量的直接测量,解决了外接矩形边缘不能较好契合刀刃边缘的问题。最后,根据刀具失效前后铣削工件纹理变化,采用机器学习方法对刀具失效进行检测。对采集的工件纹理图像进行预处理,使纹理图像更加清晰。采用小波优化的灰度共生矩阵提取图像纹理特征,得到更多纹理信息。通过主成分分析对提取的纹理特征进行降维处理,减少数据冗余度,并用降维后的数据训练BP神经网络和GA-BP神经网络。然后用工件纹理图像对CNN神经网络进行训练,用实验数据对构建的三种模型进行验证,通过比较发现CNN神经网络模型检测刀具失效效果更好,验证集和测试集检测准确率分别达到98.46%和92.3%。