1

sciencedirect

摘要

在过去的三十年中，由于对提高产品质量的需求不断增加，刀具状态监视与自动制造工艺的发展正在并行发展。由于机器视觉系统，计算硬件和非触觉应用的改进，用于工具状态监测的数字图像处理技术的进步是重要的研究兴趣。本文对工具状态监测中数字图像处理技术的发展进行了回顾，最后得出了该领域所需系统研究的结论。

1 介绍

产品质量主要取决于加工表面。表面质量主要取决于切削刀具的磨损。切削刀具的磨损取决于切削条件，工作和刀具材料，刀具几何形状。有切削刀具的四种模式的磨损，例如，粘结磨损由于剪切平面内变形，磨料磨损由于硬颗粒切割，扩散磨损由于高温和断裂磨损由于疲劳。切削刀具中发生四种主要磨损类型，分别是机头磨损，后刀面磨损，月牙洼磨损和缺口磨损。侧面（后刀面）磨损（如图1所示））是由于刀具侧面和工件之间的摩擦而产生的。侧面磨损由最大侧面磨损宽度（VB max）或平均侧面磨损宽度（VB mean）指定。刀具寿命标准主要取决于VB平均值。切削工具正经历三个阶段的磨损[29]。最初的磨损（在最初的几分钟内），稳态（切削工具的质量缓慢下降）和严重的磨损（随着工具达到其使用寿命，迅速恶化）。由于切屑工具相互作用，在高温下会产生陨石坑磨损。这种磨损的特征是坑深度和坑的面积。

原则上，工具状态监视系统可以分为两类。它们是（a）直接技术和（b）间接技术。在直接技术中，可通过工具制造商的显微镜，3D表面轮廓仪，光学显微镜或扫描电子显微镜直接测量侧面磨损宽度，凹坑深度和凹坑面积（离线方法）或CCD相机（在线方法）。在间接技术中，切削过程的测量参数或信号（即力，声发射，电流，功率，表面光洁度等）可以根据工具的磨损程度得出结论。通常，这些工具磨损监测系统基于优化切削过程的参考信号与实际过程信号的比较[127]。这些技术主要是采用诸如声发射，切削力，主轴电流和振动传感器等各种技术来实现的[99]。但是，这些方法存在一些局限性。为了克服这些限制，正在进行研究，通过使用数字图像处理技术从加工表面的图像中分析加工表面的表面纹理，从而确定工具的磨损程度。使用机器视觉的数字图像处理（digital image processing，DIP）在加工过程中有广泛的应用，例如表面质量控制，刀具磨损测量，工件表面纹理测量等。

1.1 DIP用于刀具状态监控的优缺点

与其他技术相比，使用数字图像处理技术来监视任何制造过程具有一些优势。例如：（1）它不会对要检查的表面纹理施加任何力或负载；（2）它是一个非接触式过程中应用程序[63] ；（3）该监控系统比其他系统更灵活，更便宜；（4）该系统可从远处操作和控制，因此对无人生产系统非常有帮助；（5）该技术不依赖于颤振的频率，方向性因为声发射（AE）传感器依赖于这些因素；另外，AE传感器主要检测加工中的刀具破损[17]，[102]，[29]。因此，使用AE传感器很难监测切削刀具的渐进磨损。（6）振动传感器（加速度计）可以监视工具的破损，超出公差的零件和机器碰撞[52]；使用振动传感器无法进行渐进式磨损监测；（7）DIP技术不受高频力的影响，因为这种高频力无法通过测功机获得；力传感器对机器振动也很敏感[53]；（8）为了监视和控制加工过程，需要融合多个传感器（AE传感器，测力计，振动信号等），但这一点都不划算[52]; （9）但是，加工后的表面图像会携带工具压印信息以及工具几何形状的变化[9]；因此，可以通过分析加工的表面图像来获得粗糙度，波纹度和形状信息[15]；（10）可以从加工的表面图像获得2D信息，这是不能通过1D表面轮廓仪获得的[122]；（11），也可以从加工的表面图像中获得加工参数的信息[31]。; （12）CCD摄像机的发展也促进了工业图像处理的接受，因为CCD摄像机对不利的工业环境不太敏感；（13）光学图像处理带来了使用光学设备进行增加，减少，相乘，存储甚至进行不同图像变换的可能性；（14）使用扫描型3D表面轮廓仪[1]，[23]，[88]，[95]可以精确地测量加工表面的三维表面粗糙度。; 然而，由于不经济的时间，成本的低效和机床的不可及性，这些3D测量对于进行中或在线工具状态监控无效。为了克服这种情况，基于机器视觉的系统可用于监视目的。然而，在工具状态监测技术中使用机器视觉系统也有一些局限性[141] 。（1）成功实施该技术非常重要[9] ，适当的照明系统，鲁棒的图像处理算法，免受机加工噪声（碎屑，灰尘等）的影响是至关重要的。（2）由于无法使用DIP监控钻具零件，因此非常困难[51]。然而，近年来已经开发了一种监测深孔部件的方法[84]。

本文由五个主要部分组成。第一部分概述了用于工具状态监视的数字图像处理技术（tool condition monitoring, TCM）。第二部分解释了TCM中使用的照明系统。第三部分介绍了直接使用数字图像处理的TCM技术。第四部分介绍了使用图像处理的不同间接TCM技术。最后的和最后的部分将得出总体结论，并通过数字图像处理技术为TCM研究提出未来的方向。

2 数字图像处理技术

图像采集是任何机器视觉系统的第一步。在TCM的情况下，切削刀具（前刀面或后刀面）或工件表面的图像用CCD（带电耦合装置）相机或CMOS（互补金属氧化物半导体）数码相机捕获。CCD相机由CCD传感器组成，CCD传感器是一组光敏元件，用于收集由吸收的光子产生的电荷。然后将那些电荷转换为电信号，然后通过帧采集器将其转换为数字图像。最后，图像被传输到PC以进行处理[50]。CMOS与CCD传感器的区别在于其更快的捕获速度。CMOS传感器可以比CCD相机更快地获取帧。但是CMOS传感器的灵敏度远低于CCD传感器。为了创建数字图像，需要从连续感测到的数据转换成数字形式。这涉及两个过程：采样和量化。坐标值和幅度值的数字化称为采样和量化。图像放大也可以通过线性插值，三次插值，三次卷积插值等来实现。进一步处理还需要不同类型的邻域运算[41]。

从照明角度来看，图像$f(x,y)$可以由两个分量来表征：（1）入射到场景上的源照明量，以及（2）被物体反射的照明量。适当地，这些被称为照明和反射率分量，分别由$i(x,y)$和$r(x,y)$表示。这两个函数作为乘积组合起来形成$f(x,y)$，
$$f(x,y)=i(x,y)r(x,y)$$
为了通过对比度拉伸，直方图均衡，通过滤波降低噪声，不均匀照明补偿等来改善图像，需要进行图像预处理。为了增加图像的对比度，对比度拉伸和直方图均衡是两种最常用的技术。为了降低噪声，低通滤波是非常重要的技术。它包括通过在空间和频域中使用低通滤波进行图像平滑。在空间低通滤波中，滤波器蒙板与图像矩阵卷积以减少图像中存在的有害噪声（图像平滑）。阶数统计或中值滤波器用于消除图像中的脉冲噪声（图像平滑）。巴特沃思和高斯低通滤波器频域中一些常见的低通滤波器。高通滤波器用于增强图像的清晰度（图像锐化）。锐化掩蔽（强调高频成分并保留低频成分），拉普拉斯滤波器（二阶滤波器）是一些用于图像锐化目的的空间高通滤波器[41]。图像过滤和增强操作对于减少特别是用于切削刀具图像的图像噪声非常重要，因为对象表面上的灰尘，油渍和机加工灰尘会产生噪声。低通滤波（例如中值滤波，高斯滤波等）可用于减少切削刀具磨损图像和机加工表面图像中的噪声。此外，高通滤波技术还可用于增强工具的磨损状况，并有助于清晰识别加工的表面图像中的进给标记。

在预处理之后，通常进行图像分割和边缘检测，以将刀具的磨损区域与未磨损区域进行分割，并且还检测加工后的表面图像的进给线的边缘。图像分割是根据给定标准将图像划分为多个区域的方法。基于特征状态的技术将像素/区域属性收集到特征向量中，然后通过选择一些阈值使用此类向量将其分配给类别。虽然基于特征状态的技术未考虑像素之间的空间关系，但基于图像域的技术却将其考虑在内；但是，例如，分割和合并技术根据相似性度量来分割和合并相邻区域；区域生长技术再次通过比较像素值，从随机种子（区域中心）开始聚合相邻像素。基于分水岭分割技术对于微米和纳米表面形貌可能是有用的。分水岭分析实际上是根据麦克斯韦在地理分析方面的工作而得出的，该分水岭分析是根据丘陵和山谷对地表地形进行推理。基于分水岭的表面分割包括将表面地形划分为以下几类区域：丘陵（最大上坡路径通向一个特定山峰的区域）或谷类（最大下坡路径通向一个特定凹坑的区域），丘陵之间的边界为水道线，而山谷之间的分界线是分水岭线[2]。

边缘检测操作用于通过计算图像梯度和方向来检测图像的重要边缘。图像f（x，y）的梯度和方向在等式中定义。（2），（3）。

Robert运算符（对噪声敏感），Sobel运算符，Prewitt边缘运算符是一些一阶边缘检测器，它们对于自动检测刀具磨损曲线非常有用。Canny边缘检测器由于其抗噪性和以最小的误差检测真实边缘点的能力而被广泛应用于机器视觉领域。在Canny边缘检测方法中，首先使用具有标准偏差σ的高斯平滑滤波器对图像进行卷积。该操作之后，对所得的平滑图像进行梯度计算。利用贝叶斯决策理论进行非最大值抑制，双阈值化和边缘阈值选择是实现Canny边缘检测的步骤。刀具侧面磨损的渐变图像（通过铣削实验获得）和使用Canny边缘检测器的加工表面（通过车削实验获得）如图2所示。通过这种方法可以获得磨损轮廓或表面纹理的边缘。基于双导数的边缘检测器仅用于检测那些在梯度值中具有局部最大值的边缘点。高斯的拉普拉斯算子和拉普拉斯算子是最常用的基于双导数的边缘检测器。

为了将数字图像划分为多个区域，灰度阈值技术在计算上是廉价的。基于某个最佳阈值，可以将图像划分为多个区域。例如，为了将侧面磨损轮廓与其背景分开，通常使用阈值技术。Otsu的最佳阈值技术是在工具磨损测量中使用的一种非常常见的阈值技术。在该技术中，类别C 0由用于灰度级强度k的所有灰度值V（k）形成，而所有其他类别形成另一类别C 1。最佳k选择该值以获得最大的类间差异。在双级阈值技术中，将图像划分为前景和背景片段，在多级或动态阈值中，图像分为两个以上的片段。在基于熵的阈值化中，以这种方式选择阈值，以使前景和背景的总熵值最大[2]。阈值技术对于后刀面磨损轮廓的二值化很重要。

在边缘检测和阈值化之后，进行形态学操作。腐蚀，膨胀，闭合，打开是准确完成磨损曲线的重要工具。在此操作中，通过在轮廓中引入或删除一些点或灰度值即可获得无噪音的形态[41]。

通过加工零件的表面纹理进行的刀具状态监视主要取决于纹理分析方法。可以在预处理后应用此方法。纹理是重复的模式，是一组局部统计信息或属性，其变化缓慢或保持近似周期性。纹理中的原始元素是一组相连的像素，其特征在于一组属性（粗度和方向性）。例如，在车削表面的情况下，可以获取重复的进给标记作为纹理图元。可以使用统计，几何，基于模型和基于信号处理的方法进行纹理分析。在统计方法中，将纹理建模为随机场，并将统计概率密度函数模型拟合到空间分布纹理的强度。高阶统计等运行长度统计，二阶统计像灰度共生矩阵（GLCM）可以用作统计纹理分类器。在几何纹理分析方法中，分析取决于纹理基元的几何属性。Voronoi镶嵌，Zucker模型是一些几何纹理分析方法。在基于模型的方法中，纹理分析是通过一些信号模型完成的，例如Markov随机场，Gibbs随机场，Derin-Elliot，自动二项式，分形（自相似）模型是一些基于数学模型的纹理分析方法。在基于信号处理的纹理分析中，空间域滤波，傅立叶域滤波，Gabor和小波分析是一些常见的纹理分析方法[125]。

3 照明系统

照明系统是接收适当图像以进行图像处理的最重要和最关键的方面。由于照明设置不当导致照明不均匀，因此来自图像的信息不足以用于任何机器视觉应用。几项研究对于使用图像处理进行工具状态监测的照明设置非常重要。所需的照明系统因应用而异。用于捕获刀具磨损图像和机加工表面图像。Weis [132]尝试使用结合了红外带滤光片的二极管闪光灯来捕获工具磨损图像，这有助于增强相对于背景的工具磨损区域。仓田和布拉德利[73]使用了两个光纤导轨来捕获工具磨损区域。他们使用它在磨损和未磨损的工具区域之间获得足够的对比度。Pfeifer和Weigers [99]使用了与照相机相连的LED环，以从不同角度捕获工具刀片的正确照明图像。Kim等。[70]使用围绕透镜的光纤来照亮4槽立铣刀的侧面。他们还检查了使用高功率照明（60 W）可以最佳地测量侧面磨损。Jurkovic等。[58]利用卤素灯照亮了切削工具的前刀面和后刀面以及一个激光二极管以及用于在工具的面上获得结构化光图案的附件，以通过前刀面上的结构化光的变形来检测工具的磨损。Wang等。[131]使用光纤导光来照亮连接到4槽铣削刀架上的每个刀片的侧面，并通过使用激光触发器来捕获慢速旋转条件下的连续图像，而模糊现象很少。Kerr等人使用荧光环发出的白光以及纤维束发出的光，以最大程度减少镜面反射，从而捕获工具图像。[68]。因此，需要高照度和定向照明来捕获工具磨损区域，以便获得非常精确的照度图像。Wong等。[134]使用了5 波长为0.8 mm的mW He–Ne激光束，用于通过透镜以30°的入射角聚焦在加工表面上，以捕获图案的中心。然后，在由白色镀膜玻璃制成的屏幕上形成反射光图案，使用CCD相机从该屏幕上抓取散射的图案。为了最小化环境光的干扰，对设置进行了覆盖，并为所有测试提供了一致的照明条件。但是需要加工表面的实际图像而不是反射图案。蔡等。[123]试图通过常规荧光光源获得均匀照明的机加工表面图像，该常规荧光光源相对于样品表面法线的入射角约为10°。相对于样品表面的法线，还以大约10°的角度设置了摄像头，以在光的方向上获取图像。但是，此设置仅适用于平坦的标本，不适用于弯曲的表面。布拉德利和黄[16]使用了光纤导向照明源和照明灯具。通过改变照明设备的位置，可以确保加工表面的均匀照明。在表面评估过程中，将样品放置在平台上，以使放置标记垂直于CCD传感器的较长尺寸。将光源放置在距离 表面8厘米的位置，因为这样可以提供最佳的图像对比度。在该技术中，捕获了平坦试样（端铣）的图像，但未获得车削表面（即曲面）的图像。Lee等。[78]我们使用了一个相对于机加工（车削）的表面样品成大约45°入射角的散射 蓝光光源，以完成对样品的照明。Alegre等。[4]解释了一种用于捕获旋转零件图像的漫射照明系统（带红外干扰滤光片的DC调节光源，用于冷照明）。他们还使用了方形连续漫射照明器来获得相机轴上的漫射照明。最后一种照明系统最适合于获得旋转或弯曲部分的均匀照明图像。盖子可用于减少工业环境中环境照明的干扰。

4 。使用图像处理的直接TCM技术

切削刀具的使用寿命主要有两种磨损机制：侧面磨损和月牙洼磨损。侧面磨损发生在工具的后刀面，主要归因于工具在加工表面上的摩擦作用。刀具的前刀面会发生坑口磨损，从而改变切屑-刀具界面，从而影响切削过程。加工期间刀具磨损逐渐增加。这取决于工具材料的类型，切削条件和润滑剂已选择。通过机器视觉系统拍摄切削刀具的图像后，正在通过图像处理对刀具磨损进行在线测量。该技术属于直接工具状态监视领域。侧面磨损可以通过捕获切削刀具的图像直接确定，但是需要更复杂的技术来确定弹坑深度[59]。在以下各节中描述的各种研究中，已通过二维和三维技术测量了刀具的磨损。

4.1 。二维技术

侧面磨损是通过二维技术确定的。Kurada和Bradley [74]回顾了机器视觉传感器的进展，这些传感器用于获取有关切削工具和加工零件的信息。他们比较了近十年来机器视觉技术的进步。他们强调实验室水平的发展。

Kurada和Bradley [73]通过使用两个光纤导光灯和CCD摄像机捕获刀具侧面磨损的图像，为直接刀具状态监测做了开创性工作。调节两个灯以照亮工具侧面磨损区域。他们首先在水平和垂直两个方面对图像进行了校准，以将像素单位转换为长度单位（微米）。在他们的工作中，他们逐步使用基于纹理的图像分割技术，包括图像增强（使用级联中值滤波器）以减少噪声，图像分割以从背景提取侧面磨损区域（使用方差算子），全局阈值化，通过形态学操作（气泡分析）和侧面磨损计算（通过边界和区域描述符）。但是，他们使用视频变焦显微镜离线进行了尝试。

如果使用离线技术，则必须始终将切削刀片或切削工具从机床上脱开。因此，这是非常耗时的并且对于切割工具的正确对准可能是错误的。因此，Weis [132]进行了开创性的工作，以捕获铣削刀片的刀具磨损区域，而无需将刀片与刀架脱离。此外，在图像采集时，借助红外滤光片，工具的磨损区域得到了增强，背景也逐渐淡出。二极管闪光灯也已与CCD相机同步，以捕获理想的刀具磨损区域。侧面已应用膨胀和二值运算用于测量侧面磨损宽度的图像。它们主要是为精确在线捕获工具磨损图像的照明系统的重要性。然而，其技术中的图像处理方法已被赋予第二优先权。Tauno和Lembit [120]开发了一种用于检测侧面磨损的软件，该软件使用非线性中值滤波器消除噪声，并使用Roberts滤波器算子进行边缘检测。该系统提供了表面积，平均磨损区长度和侧面磨损轮廓周长的自动测量。但是，他们的方法不能用于全自动测量。菲佛和威格斯[99]带有不同入射角的环形光的工具刀片的捕获图像。然后，他们比较了那些捕获的图像，并减少了即使是复杂切削刃的不均匀照明问题。但是，他们没有针对不同的磨损条件检查技术。Sortino [116]通过使用新的彩色图像边缘检测方法开发了侧面磨损测量软件。在这种统计滤波方法中，将像素的邻近像素视为一个集合，并已针对每种基本颜色（红色，绿色，蓝色）计算了每个集合的平均值和标准偏差。然后，比较参数，Δ边缘是从设置参数（即平均值和标准偏差）演变而来的。最终，对于较高的Δ边缘值正确地检测到了边缘，并确定了切削刃，磨损区与氧化区之间的边界线，氧化区与刀具表面之间的边界线。但是，由于分辨率为 10μm ，因此该磨损测量系统的精度因侧面磨损宽度低而受到限制。[58]使用结构化照明的镜面反射，通过使用线条的投影来确定刀片前刀面或侧面的深度和皱纹，从而对插入件表面的外观和特征进行了表征。但是这种方法需要非常复杂和昂贵的图像采集设置。而且该方法没有使用任何三维模型来显示凹坑的深度轮廓，这种方法也无助于测量带槽刀片的凹坑深度。Wang等。[131]开发了一个自动系统，用于捕获和处理移动刀片的连续图像，以使用连续图像对之间的互相关技术来测量铣削时的后刀面磨损。他们开发的方法是使用新颖的并行扫描技术去除噪声的可靠技术。但是，该方法是阈值相关的方法，其中测量的精度取决于所选的阈值，并且由于照明和涂料之间的不良相互作用，该方法对于测量涂层的硬质合金刀片并不是很有用。。为了恢复阈值对测量精度的限制，他们采用了基于矩不变性的另一种技术来选择侧面磨损轮廓的确切底部，与 从显微镜获得的测量值相比，误差最大为15μm，最小为3μm[ 128]，[129]，[130]。他们还成功地测量了涂层硬质合金刀片的侧面磨损。尽管此系统与阈值无关，但它取决于确定侧面磨损宽度的参考线的精度。该方法的计算时间为2 秒，这对于实时测量来说根本不可行。法达雷和奥妮[35]，使用插入图像评估侧面磨损和缺口磨损。首先通过Weiner过滤对工具插入图像进行过滤。长度，宽度，面积，等效直径，质心，长轴长度，短轴长度，坚固性，偏心率和方向是所提取的磨损指标。他们借助两个白炽灯光源在暗室中拍摄了工具插入图像。显微镜和视觉系统之间的最大测量绝对差为3.13％。还从提取的磨损描述符中得出了总体工具磨损指标，即工具磨损指数（TWI），这是高度可靠的工具磨损指标。Fadare的工作获得了非常好的系统变化。但是，C / C ++编程语言可以提供比MATLAB更快的结果，并且可以用于实时应用。为了在工业环境中实现其方法，需要更好的照明条件，例如光纤导光或扩散环形光。梁等。[83]利用基于图像配准和互信息的方法来识别TiN涂层，TiCN涂层和TiAlN涂层硬质合金铣削刀片的刀尖半径变化，以进行渐进式铣削操作。他们还使用相似性指标来描述鼻半径。但是，他们的方法对于测量月牙洼和后刀面磨损非常困难。Sahabi和Ratnam [109]从切削刀具刀尖的轮廓图像在线测量了车削刀片的刀尖半径。他们利用中值滤波和Weiner滤波来减少图像噪声。进行形态学操作以减少微尘颗粒产生的噪声；使用一致性方法来减少未对准错误; 应用已磨损和未磨损工具的阈值和减法来测量鼻部磨损区域。他们使用该技术以各种切削速度进行车削。但是，他们没有量化侧面磨损宽度。为了改进他们的方法，在靠近切削刀具的刀尖的区域中测量侧面磨损宽度，他们在线使用了机器视觉系统，从而利用刀尖半径和加工的表面粗糙度轮廓信息在线进行车削操作[108]。他们通过他们的方法确定的后刀面磨损和通过使用工具制造商的显微镜测量的后刀面磨损，分别从刀头半径和表面粗糙度轮廓上获得了7.7％和5.5％的平均偏差。但是，它们的方法很难在低进给率的超精密加工中实现。

Kim等。[70]已经开发出了一种用于固定照相机和照明系统的磁性夹具，以实现对四刃立铣刀的侧面磨损进行机床测量的目的。他们比较了使用带有新型夹具的显微镜和CCD相机进行测量的信噪比。他们将光纤导向照明系统插入镜头以进一步改进。但是，这项工作更倾向于测量系统而不是图像处理技术。

Kerr等。[68]利用四种不同的纹理分析技术，即基于直方图的处理，灰度共现技术，基于频域的技术和分形方法来分析车削和铣削刀片磨损区域的纹理。他们通过频域或傅立叶频谱分析技术获得了最佳结果，因为该技术是位置和光照不变的。但是，他们已经捕获了车削刀片的刀尖部分，而不是侧面部分，这不是标准做法。杰克逊等。[49]提出了一种用于精确边缘检测算法的新技术。利用神经网络技术进行刀具磨损检测。他们利用了四 刃高速钢铣刀的侧面磨损图像的扫描电子显微镜图像。但是，他们没有使用CCD或CMOS相机进行任何在线监视。

Lanzetta [76]提出了一种自动化且灵活的基于视觉的传感器系统，该系统结合了工具磨损的测量和分类。他们的传感器的分辨率为 40μm/像素。但是，可能需要在不同的切割条件下进行几次测试才能建立该技术。他的研究尚未解决用断屑器测量切削刀片，灰尘，油屑在刀片表面上产生的噪声影响的问题。Schmitt等。[112]开发了一种灵活且自动化的工具侧面磨损测量系统，该系统结合了环形照明器和CCD摄像头，可以捕获并处理切削刀片的侧面磨损部分的全照和侧面照像。主切削刃检测和切削刃拐角检测需要完整的照明图像，而侧面照明则用于侧面磨损轮廓分割和磨损测量。他们应用了感兴趣区域的选择，Sobel滤波技术来增强切削刃的边缘，形态学上的开合以减少增强的噪声以及线插补来在全光照图像上获得准确的切削刃。他们应用了线性变换直方图可以使磨损区域变亮；阈值化和形态学打开和关闭以消除噪声；斑点分析，用于检测磨损轮廓之外的斑点；动态感兴趣区域（ROI）的创建，以检测轮廓检测的最佳初始点，并在侧面照明图像上使用蛇形算法进行轮廓检测。然后，他们在 使用棋盘图案校准视觉系统后，以4.4μm的分辨率测量了平均侧面磨损宽度和最大侧面磨损宽度。尽管他们的系统非常准确，但是他们的工作并未强调计算时间。Stemmer等。[117]运用神经网络分类技术通过图像处理对切削工具的侧面磨损和破损进行了分类，误差为4％。他们通过机器视觉系统观察到，后刀面磨损具有更锐利和明亮的质感，而工具的断裂则由光滑且粗糙的质感组成。基于这种现象，他们使用Canny边缘检测和线插值，预过滤和斑点分析，通过蛇形算法进行的主动轮廓检测，磨损，对磨损的类型进行了分类，并自动测量了侧面磨损区域，最大和平均侧面磨损宽度。分类和测量，分辨率为4.4 μm/像素。但是，对于各种不同的切削刀具，切屑，月牙洼磨损，缺口磨损和鼻部磨损并未按其技术分类。Castejón等人提出了一种更快的分类方法。[18]，[13] 。他们通过对9个几何特征的判别分析来估计工具刀片的不同磨损水平（低，中，高），并通过Fowlkes-Mallows指数进行评估，并且Zernike，Legendre，Hu，Taubin和Flusser不变矩分别为用于在二值图像中表征侧面磨损区域的磨损区域的形状对三个磨损等级进行分类。低，中，高磨损。人们发现胡叙词是他们作品中最好的。但是，通过处理加工后的表面图像，此技术对于间接监视技术可能更为简单和有用。Alegre等。[6]基于侧面磨损轮廓的二值图像的轮廓特征，计算了平均和最大侧面磨损宽度。轮廓签名是一个向量，其元素是轮廓的质心和边界像素点之间的距离。元素的数量可以由用户选择。他们选择了40和100个元素，并在此基础上使用k近邻（k-NN）分类和多层感知器对车削实验中使用的低磨损和高磨损刀片进行了分类神经网络（MLPNN）分类。最后，他们得出结论，通过使用MLPNN，平均齿腹磨损宽度和40个元素特征（最小误差为5.1％），磨损分类结果最好。但是，该分类仅基于两类磨损，并且在其工作中尚未完成系统校准。

Atli等。[11]开发了一种新的测量方法，即DEFROL（与线性的偏差），用于根据图像对尖锐和钝化钻具进行分类。然而，由于磨损效应，已经着重于切削刃的尖角和线性偏差的变化，但是在这种技术中，尚未对侧面磨损进行任何研究。因此，该技术不适用于测量在标准实践（ISO 3685）中用于定义刀具寿命的后刀面磨损[48]。Makki等。[86]实时捕获了100时的钻头图像 rpm旋转。然后，他们通过边缘检测和精确分割技术处理那些捕获的图像，以找出刀具磨损（仅唇部的偏差）和刀具在图像平面中的跳动。但是，通过其技术无法测量侧面磨损和垂直于像平面的刀具偏出。

Liang and Chiou [82]通过图像处理介绍了多层涂层麻花钻的侧面磨损测量技术。他们已使用具有亚像素精度的空间矩边缘检测器在切割平面上检测了磨损轮廓的边缘，并使用B样条技术对边缘进行了平滑处理。之后，他们应用了高斯低通滤波技术对曲率曲线进行平滑处理，最后应用了统计过程控制措施来选择准确的阈值，以提取出准确的磨损轮廓，以精确地测量最大侧面磨损宽度。为了改善用于微加工的麻花钻的磨损测量技术，Su等人。[118]研究了 使用数字图像处理技术在直径为0.2毫米的微型钻中测量10层PCB（印刷电路板）的侧面磨损的可行性。他们借助自动边缘检测算法 在1 s内以0.996μm /像素的分辨率切割平面分割，测量了磨损面积，平均磨损高度和最大磨损高度。该技术的优点是可以自动检测参考线和微钻的磨损轮廓，而与对象的位置无关。但是，此技术仅在切割平面图像更清晰或没有出现拖影时才有用。区分切割平面的涂抹部分和微钻的间隙部分存在问题。为了克服这个问题，Duan等人。[30]已应用基于水平集的技术对微型钻头的切割平面进行精确分割。他们将分割后的图像和阈值图像融合在一起，以获得准确的结果。他们还观察到，由于用于PCB制造的微型钻头的磨损，面积，宽度和长度发生了重大变化。但是，他们提出了减少计算时间的未来范围。熊等。[135]也使用了基于变分水平集的方法，因为它不需要重新初始化零水平集功能来精确分割用于铣削操作的切削刀片的磨损轮廓。他们通过这种方法测量了工具的磨损面积。但是，在他们的研究中缺少侧面磨损宽度的测量。

Otieno等。[96]，研究了两个带凹槽的微型立铣刀的侧面磨损，这些铣刀的直径分别为1 mm，0.625 mm和0.25 mm，采用数字图像处理技术，使用XOR运算符进行滤波和阈值处理。但是没有进行任何边缘检测，工具磨损量化和磨损分类。

井上等。[47]提出了一种通用方法，即通过边缘检测（由Prewitt算子）检测棒状切削刀具中的缺陷，并在对边缘检测到的图像执行离散傅里叶变换（DFT）之后提取图像参数。但是，此系统无法识别许多未研究的缺陷。

杰克逊等。[49]利用神经图像处理方法对工具的环境扫描电子显微镜（ESEM）图像上的非常小直径铣刀开发的非常小的磨损进行精确检测。他们甚至测量了 在9.5 毫米直径铣刀上产生的5μm的平均磨损。尽管此技术对于微加工非常有用，但是该方法很难在线使用。

磨粒中的主要磨损是三种类型的晶粒断裂，粘结断裂和磨损。由于极高的磨损，在砂轮表面上形成了磨损平面。因此，磨损平面面积的增加率会产生热量并烧毁工件。但是，从车轮表面图像上自动准确地划分出真正的磨损平面是一项非常具有挑战性的任务。阈值化之后的边缘检测方法被用来区分真正的磨损平面和背景[138]。但是，准确选择强度阈值和边缘阈值是一项艰巨的任务。为了克服这个问题，Lachance等人。[75]利用区域生长方法从背景中分割出真正的耐磨平底鞋。但是，可以使用某些形态技术来更精确地计算磨损平坦区域。Heger和Pandit [43]通过多方向照明和图像融合捕获了砂轮表面的图像，以获得更详细的信息。然后，他们利用多尺度小波变换和分类技术来区分表面上的晶粒和空腔。Arunachalam和Ramamoorthy [10]建立了一种新的方法来逐渐区分新鲜和磨损的砂轮。他们提取了一些纹理描述符用基于直方图，基于GLCM和基于分形的纹理分析方法描述在不同渐进时间拍摄的砂轮表面图像的砂轮表面状况。但是，没有遇到关于所选特征随渐进磨损的变化的解释。

在集成电路（IC）制造领域，Kashiwagi等人实时监控了冲压工具或切削粉尘的表面。[62] 。他们捕获了切屑的表面图像，并通过图像直方图和互相关技术确定了刻线的宽度。他们观察到宽度随着切削时间的增加或刀具清晰度的降低而减小。

4.2 。三维技术

三维测量技术用于精确测量坑深。羊和权[137] ，[136]第一次使用配备有CCD传感器的显微镜来捕获噪声图像的磨损工具刀片的前刀面和通过自动聚焦技术测量火山口的深度在不同水平的磨损。他们使用了图像合并和中值滤波去除高频噪声而不会使前脸图像模糊。然后，他们针对从背景中分割磨损区域的最佳阈值进行了检测，并使用拉普拉斯算子方法检测了坑口轮廓。结合了八个邻域链编码的边缘链接和扩张方法已应用于该轮廓上，以获得准确的环形坑区域形状。结合了无限脉冲响应（IIR）滤波器的拉普拉斯准则函数已用于获取沿z方向的聚焦位置。该方法利用多项式插值和黄金搜索技术的混合搜索算法来提高自动聚焦技术的准确性。这样，他们测量了火山口的深度。他们使用了七个特征（四个与侧面磨损有关，三个与陨石坑磨损有关）对侧面磨损，陨石坑磨损，碎裂和断裂进行了分类。在他们的工作中引入了数学模型，以从月牙洼磨损轮廓获得侧面磨损轮廓。然后，他们在多层感知器（MLP）神经网络中选择了12个输入节点（每个节点包含七个特征参数）和4个输出节点（后刀面磨损，月牙洼磨损，碎裂和断裂）以对四种磨损类型进行分类。所有测试均在P20上完成 多层感知器（MLP）神经网络中的碎裂和断裂）来分类四种磨损类型。所有测试均在P20上完成 多层感知器（MLP）神经网络中的碎裂和断裂）来分类四种磨损类型。所有测试均在P20上完成不带断屑槽的硬质合金刀具刀片。尽管这项工作非常精确地开创了火山口深度测量的先河，但是火山口区域的3D地图尚未通过这种离线技术进行评估。而且，由于前刀面的起伏较大，可能难以将其技术用于带有断屑槽的刀片。Ramamoorthy及其同事[61]， [100]仅通过一台CCD照相机就使用了具有立体视觉技术的图像处理来确定陨石坑中每个点的深度。然后使用MLPNN算法分析刀具磨损模式的趋势，其中输入为速度，进给，切削深度和切削时间，而输出参数为侧面磨损宽度和弹坑深度。但是，火山口深度估计小于125 通过该技术无法准确获得μm。此外，还需要一些预处理算法来消除前刀面上的灰尘，切屑，油等产生的噪音，以使该方法可以在线使用。

Ng and Moon [93]提出了一种 通过以 15μm的分辨率改变刀具和相机平面距离来捕获图像，从而对微型铣削刀具（直径50μm）进行3D测量刀具磨损的技术。然后，他们使用数字焦点测量从捕获的图像中重建了3D图像。最后，他们提出可以通过将工具的实际3D图像和3D CAD模型相结合来进行工具磨损测量。但是，他们的工作没有进行深度测量。

Devillez等。[24]利用白光干涉测量技术来测量弹坑的磨损深度，并确定最佳切削条件（切削速度和进给速度），以便在具有未涂层硬质合金刀片的42CrMo4钢进行正交干车削时获得最佳的表面光洁度。在白光干涉测量技术中，已经执行了垂直扫描以获得对于要测量的对象中呈现的每个点的最佳聚焦位置。白光用于在较宽的区域上获得高分辨率（亚纳米）和高精度测量。然而，该技术是离线技术，并且对于该技术而言，带凹槽的刀片或带有断屑器的刀片的凹坑深度的测量是相当具有挑战性的。道森和库尔菲斯[22]使用计算计量技术确定了带涂层和未涂层​​的立方氮化硼（CBN）工具的侧面磨损和月牙洼磨损率，用于离线监测磨损。他们已经通过使用白光干涉仪获取了磨损的切削刀片的数据，并通过将这些数据与使用计算计量学开发的新鲜刀片的CAD模型进行比较，计算了刀片的体积减少量。然而，在他们的技术中没有使用带凹槽的刀片。Wang等。[128]，[129]，[130]，[131]测量各种参数，即。坑深度，坑宽度，坑中心和坑磨损的坑前距离，这是通过捕获具有四个相移角的四个条纹图案来重建3D坑轮廓来实现的。与白色干涉测量技术不同，此方法不需要扫描。但是，测量精度取决于条纹宽度或条纹图案。

表1总结了数字图像处理在直接刀具磨损监测中的应用。

研究院	照明系统	图像处理	刀具磨损测量类型	加工	备注
Galante等[40]	漫射照明	门槛	侧面磨损	转弯	离线2D技术
韦斯[132]	带有红外带滤光片的二极管闪光灯	膨胀和阈值	侧面磨损测量	铣削	无法评估准确性
仓田和布拉德利[73]	光纤导光灯	图像增强，图像分割，阈值化，形态学运算	侧面磨损测量	转弯	离线
牛磺酸和Lembit [120]	蓝光源	中值滤波器，Robert边缘检测器，阈值	侧面磨损测量	车削，铣削	离线，错误8％
菲佛和威格斯[99]	LED灯环	为受控照明设置最佳照明入射角的方法	侧面磨损测量	车削，铣削	线上
Sortino [116]	中值滤波	用于边缘检测的统计滤波器	侧面磨损测量	通用插入	离线
Jurkovic等。[58]	卤素灯和激光二极管	使用图像处理软件进行手动测量	前刀面的侧面磨损和激光图案的变形	工具刀片	手动测量，坑深未测量
Wang等。[128]，[129]，[130]，[131]	激光触发器与摄像头同步，光纤导光	查找关键区域，查找参考线，从像素到像素扫描，以测量参考线的VB max	侧面磨损（在移动工具时捕获）	铣刀片	在线，最大误差 15μm，难以测量涂层的硬质合金刀片
梁等。[83]	背光源	图像配准，空间变换，图像减法，相似度分析	鼻子磨损	插入物	难以实施侧面磨损宽度测量
萨哈比和拉特南[108]	背光源	极坐标中的Weiner滤波器，阈值化，检测和减去磨损轮廓和未磨损轮廓	刀尖半径和表面粗糙度轮廓引起的侧面磨损	插入物	7.7％（来自鼻子）和5.5％（来自表面粗糙度）的误差，在极低的进料量下很难实现
法达雷和奥妮[35]	2个倾斜45°的白炽灯光源	韦纳滤镜，阴影去除，坎尼边缘检测，像素计数	侧面磨损	插入物	对环境光的波动敏感
Kerr等。[68]	白环形灯，光纤导灯	锐化蒙版，手动测量，直方图分析，GLCM分析，傅立叶频谱分析，分形分析	通过纹理描述符测量侧面磨损	车削刀片，立铣刀	磨损区域的纹理分析，无需自动测量磨损
兰泽塔[76]	激光结构照明	分辨率增强，平均，分割	侧面和坑洼磨损	通用插入	污垢，油脂对刀片的影响没有解决
Schmitt等。[112]和Stemmer等。[117]	环形灯（用于全侧面照明）	Sobel滤波器，线插值，直方图变换，形态学开合，斑点分析，测量轮廓检测；	NN用于侧面磨损和断裂分类	侧面磨损测量，磨损和断裂分类 铣削 分辨率4.4μm ，分类误差4％;	该方法尚未应用于各种切削刀片
Castejón等。[18]和Barriero等。[13]	带有方形连续漫射照明器的直流调节光	低通滤波器，裁剪，直方图拉伸，手动分割，不变矩方法（Zernike，Legendre，Hu，Taubin和Flusser）以及用于分类的线性判别分析 低，中，高磨损的分类		插入物	对胡的描述子的辨别率为99.88％，未进行磨损预测
Alegre等。[6]	带有方形连续漫射照明器的直流调节光	基于Canny边缘检测图像，k-NN和MLPNN的轮廓签名进行分类	高低磨损的分类	插入物	5.1％分类误差；需要三个级别的磨损分类
Atli等。[11]	工具的轮廓图	卡尼边缘检测，刀尖线性度偏差的测量	钻头	钻孔 仅用于钻孔；	侧面磨损宽度无法测量
Makki等。[86]	在100–1500 r.pm下捕获的工具的轮廓图	Canny边缘检测，最佳拟合算法	工具用尽检测	钻孔	尚未测量垂直于图像平面的刀具跳动
梁和邱[82]	圆形背光	空间矩边缘检测，边缘分类，B样条平滑，高斯LPF，阈值化，形态运算	侧面磨损检测，	用于渐进式加工 多层麻花钻	结果未与显微磨损测量结果进行比较；适用于无涂抹图像
Su等。[118]	圆形照明	提出精确的边缘检测，旋转，自动测量 侧面磨损检测，	用于渐进式加工	微型钻头（用于PCB钻孔） 分辨率0.996μm /像素;	仅适用于在切割平面图像中无拖影的情况
段等。[30]	带LED的前灯	直方图生成，基于水平集的轮廓分割，基于直方图的轮廓分割，两种分割的融合，	磨损测量	侧面磨损检测，用于渐进式加工 微型钻头（用于PCB钻孔）	能够消除拖影带来的噪音；更多的计算时间
熊等。[135]	荧光高频线性光	基于可变水平集的细分，无需重新初始化零水平集	刀具磨损面积	铣刀片	没有测量侧面磨损宽度
Otieno等。[96]	低强度背光的顶灯	直方图均衡，高斯滤波，用于边缘检测的XOR操作		微铣削工具	无磨损测量
Yasui等。[138]	显微镜	阈值，边缘检测以从背景中分割磨损平面	砂轮磨损 打磨		精度低，可能会发现假磨损的平板
Lachance等。[75]	带分束器的光纤导光灯	门槛，区域增长	砂轮渐进磨损	打磨	形态学运算将导致更准确的细分
普拉萨德和拉玛莫西[100]	白光	直方图，GLCM和基于分形的纹理分析	砂轮渐进磨损	打磨	简单，快速但不准确
Karthik等。[61]	在不同高度自动对焦（内插和搜索技术可提高准确性）	图像合并，中值滤波，阈值化，拉普拉斯轮廓检测，边缘链接，膨胀，链编码，用于分类的MLPNN 侧面和坑洼磨损（深度）的测量和分类	车削刀片 导致3D测量；	侧面磨损，月牙洼磨损，碎裂和断裂分类；	火山口磨损的3D地图尚未评估；带槽刀片很难
普拉萨德和拉玛莫西[100]	利用三角定律的立体视觉技术	立体图像处理以获取陨石坑的3D地图，MLPNN	侧面磨损和月牙洼磨损预测以及渐进磨损测量	车削刀片	火山口深度小于125μm的精度较低的技术 ；没有技术来减少灰尘，灰尘和油等产生的噪音。
Devillez等。[24]	白光干涉仪	自动和可变聚焦的白光干涉仪	火山口深度测量	插入物	难以测量带槽刀片
道森和库尔菲斯[22]	白光干涉仪	通过CAD模型和表面轮廓的融合来测量工具的体积减小	火山口深度测量	插入物	难以测量带槽刀片
Wang等。[130]	LCD投影仪，	用于在耙面上产生条纹 使用相移方法从具有4个相移角的4个条纹图案进行3D重建	陨石坑磨损测量的4个参数	插入物	难以测量带槽刀片

因此，在直接技术中，状态分析是通过分析切削刀具的几何形状变化来完成的。观察切削刀具时不会考虑颤动，振动，切削力变化等，而表面光洁度可以强调这些变化以及刀具几何形状的变化。因此，研究人员将通过使用加工过的表面图像的图像处理的间接TCM技术进行表面光洁度的测量。

5 。使用图像处理的间接中药技术

各种特性在金属零件的表面光洁度中起着重要作用，例如机械强度，表面的耐磨性或零件的几何和尺寸质量。这些特性与表面光洁度直接相关，而表面光洁度取决于制造工艺参数和所用材料。因此，在过去的六十年中，机械加工领域对表面光洁度的测量一直是一个特别感兴趣的研究课题。有触觉和非触觉技术来评估加工零件的表面质量。在触觉技术中，表面粗糙度参数使用触控笔测量；而在非触觉方法中，表面粗糙度参数是从机加工表面纹理的图像中获得的。但是由于触笔在可测量的表面上的跟踪，因此在触觉技术中可能会在软性材料上产生划痕。由于计算机视觉技术的进步，非触觉技术正变得越来越有优势。触觉技术可以表征零件表面上的线性轨迹，而计算机视觉技术可以表征零件表面的整个区域，从而提供更多信息[8]， [111]， [113]。此外，计算机视觉技术可以更快地采取措施，因为几乎可以立即捕获图像，因此可以在机器中实现。据此，可以将这些技术应用于自主地实时控制过程。还可以对生产的每个零件进行详尽的有效性检查。传感技术，特别是视觉传感器的性能不断提高，而视觉传感器的功能得到了特别的增强，而成本却更低。图像处理技术的进步也提供了比以前更可靠的解决方案。总而言之，计算机视觉对于工业环境是非常有用的非侵入性技术。这些系统在加工过程中的其他监视操作中的使用已证明[5]，[18]大大减少了周期时间和资源。在这一领域，应该指出两个准则：在空间领域和频率领域的研究[56]，[133]。使用图像处理的间接工具状态监控可以从加工的表面纹理图像中提取表面粗糙度描述符。从加工表面的图像监视工具状态的技术主要有两种：在线和离线。在线方法是使用CCD或CMOS相机捕获刚加工的表面的图像。在线技术主要用于长而重的零件。在离线方法中，表面图像是在完成许多组件后拍摄的。通常，小型轻量零件是使用离线技术进行测量的。以下各节将讨论一些有关在线和离线方法的研究。

5.1 。在线技术

Gupta和Raman [42]利用旋转表面图像上产生的激光散射图案的图像测量了预转圆柱棒的表面粗糙度，当该棒以140至285 r.pm的速度旋转时，他们提取了第一阶基于图像的灰度直方图的统计纹理描述符。他们还从研究中得出结论，环境照明和旋转速度不会影响提取的表面粗糙度。但是，尚没有基于视觉的表面光洁度描述符与基于触笔的表面粗糙度和渐进式侧面磨损宽度之间的相关性研究。Ho等。[44] 在各种进给，切削速度和切削深度的组合中进行了车削实验，并同时捕获了加工后的表面图像。然后，他们找出了这些图像的灰度平均值（G a）值。自适应神经模糊推理系统（ANFIS）应用于输入后，切削速度，切削深度，G a和输出为平均表面粗糙度（R a）。在加工R a时借助于触笔仪器还从机加工的表面测量了数值。此过程的最大预测误差为4.55％。然而，就此而言，仅确定了表面图像的灰度值，该灰度值是一阶统计纹理描述符，并且在其研究中未提取其他更高阶的统计描述符。[119]用相机拍摄了57种不同切削速度，进给和切削深度的车削曲面的图像，然后他们从这些图像中计算出一个参数（G a，灰度的算术平均值）。在实验时，还测量了表面粗糙度（Ra）。之后，切削速度，进给，切削深度和G a被用作具有自组织自适应学习能力的多项式网络的输入，以预测表面粗糙度。他们发现预测和测量的表面粗糙度之间具有良好的相关性，最大误差为14％。作为对先前工作的改进，Lee等人。[77]利用加工的表面图像的空间和频域特性，而没有将加工条件作为外延网络的输入来预测表面粗糙度。他们考虑了频率坐标，协方差矩阵的最大特征值归一化功率谱和灰度标准偏差作为诱变网络的输入。他们在分析时考虑了图像纹理的空间和频域特性。Lee等。[79]进一步改进了他们的模型，通过使用ANFIS从图像纹理描述符，即空间频率，算术平均灰度和灰度标准偏差，预测表面粗糙度。与多项式网络技术相比，它们在预测和测量的表面粗糙度之间实现了较小的偏差（最大8％）。从他们的结果还可以看出，高表面粗糙度值的误差较小。但是，这些方法仅用于切削工具和工件材料的一种组合的车削加工中。此外，还没有进行渐进式磨损监测。Akbari等。[3]通过使用四个纹理描述符来预测铣削表面的表面粗糙度，即基于加工表面图像的灰度直方图作为多层感知器神经输入的算术平均值，标准偏差，平均表面粗糙度和均方根表面粗糙度。网络（MLPNN）。尽管已经对整个表面积进行了评估以获得更准确的估计，但是他们尚未报告有关基于触控笔的表面粗糙度或工具磨损的定量误差估计。Narayanan等。[91]提出了一种基于遗传算法的EHW（可进化硬件）芯片，用于从CCD摄像机捕获的铣削表面图像中去除噪声。使用其系统将表面图像增强了62.5％，然后将G a值用作基于视觉的表面粗糙度。该技术可用于评估加工表面的表面粗糙度。但是，可以将ANFIS程序合并到其硬件中，以更准确地预测表面粗糙度。Sarma等。[110]转动玻璃纤维增​​强塑料（GFRP）复合空心棒，并测量R a和G a值，在加工过程中同时针对每个实验。之后，通过线性回归分析从这两个值获得了相关性。还从实验图像中获得了归一化的功率谱，并且功率谱密度随着提高切削速度的表面光洁度而降低。然而，在他们的工作中，没有关于由于加工过程中的图像捕获而引起的模糊效果的解释。简和金[55]介绍了一种快速的在线表面纹理分析方法，以通过直线进给标记来表征加工的表面图像。他们首先对加工的表面图像进行二值化处理，然后如果垂直线中的1值像素数大于该行像素总数的50％，则将垂直线中的所有像素转换为1。然后他们计算了两条连续白线之间的宽度，并获取了图像中所有纹理宽度的平均值。根据它们，将该纹理宽度表征为粗糙度描述符。但是他们的方法非常粗略，准确性较低。Palani和Natarajan [97]使用切削速度，进给，切削深度，主要峰值频率，主成分量级平方，G对表面粗糙度值进行了在线预测a作为端铣削应用中BPNN的输入。预测的和基于触笔的表面粗糙度之间的预测误差为2.47％。但是，他们的技术也可以用于渐进式磨损监测。

Kassim等。[67]通过涂覆和未涂覆的硬质合金刀片对AISI 1045和AISI 4340工件材料进行了车削，直到刀片达到灾难性的故障。有时，用带高放大率的CCD相机捕获加工表面的表面纹理图像，并在每次通过后获取刀片的磨损值。然后使用Sobel操作，阈值操作和列投影技术处理表面纹理图像。使用列投影技术对图像进行归一化并减少不均匀照明的影响。结果，对于用锋利的工具加工的加工表面，它们得到了均匀的图案，而对于用钝工具加工的加工表面，得到了不规则的图案。另一方面，通过具有六个参数的游程统计方法分析了梯度图像（在Sobel操作之后）。然后两组加工表面（A组中，AISI 1045工件以0.4的进给速度车削 mm / rev，切削速度为220 m / min，在B组中，切削速度选择为120 m / min，以便 通过上述方法分析AISI 4340工件的进给速度为0.3 mm / rev。并且这些集被清楚地分类了。但是，他们尚未进行与表面粗糙度的相关性研究。Mannan等。[87]做了图像和声音分析，并结合了从这两种分析中提取的特征，以训练径向基函数神经网络（RBFNN），以预测与所应用特征相对应的工具侧面磨损的不同状态。还使用光学显微镜测量了侧面磨损进行有效性检查。他们试图通过这种技术监视锋利，半钝和钝的工具的状况。但是，他们没有分析预测误差。Kassim等。[64]介绍了一种程序，该程序定义了通过面向连接性的快速Hough变换参数（如方向分布，平均线长，主纹理方向和总拟合误差）来定义车削，立铣和面铣操作中获得的表面纹理的边缘。这种面向连接性的快速Hough变换过程比标准的Hough变换技术更快，计算量更少，而标准的Hough变换技术用于分析从锋利而隐晦的工具获得的表面纹理的均匀性。然后，通过使用MLPNN预测工具磨损，其中从加工图像的参数中获取输入。但是，它们对于3-5号图像没有任何相关性。Kassim等。[63]还表明，游程长度统计技术用于检测由锐利工具和钝工具加工的表面纹理的速度和性能优于列投影技术和面向连接的快速霍夫变换技术。列投影分析技术在高度规则的表面上效果很好，而霍夫变换技术则在提取各种长度的线段。利用从游程矩阵中提取的特征，他们通过应用马哈拉诺比斯距离对锋利的工具和钝的工具进行了分类分类器。此外，它们还通过出色的方式补偿了纹理图像的不均匀照明。但是，它们没有得到图像纹理参数和加工时间之间变化的任何系统趋势。图像描述符未进行归一化，并且在其工作中未指出图像纹理描述符与工具磨损或表面粗糙度的相关性。

在最近的一项研究中，Datta等人。[21]捕获了车削的表面图像以进行未涂层硬质合金刀具的渐进磨损，并使用灰度共现矩阵分析了这些图像（GLCM）技术的纹理分析。他们还发现了所提取特征之间的线性相关性，即根据线性拟合的斜率和拟合参数，确定系数，与刀具磨损的对比和均匀性。从他们的研究中还观察到，GLCM参数的选择即。像素对的间距和方向对于获得准确的结果非常重要，因为进给标记的分布随加工条件（进给速度和切削深度）的变化而变化。但是，他们没有提及找到最佳像素对距离的任何方法。作为对先前技术的改进，Dutta等人。[31]已经提出了一种新颖的技术，以寻找最佳的像素对间距参数，以通过渐进式工具磨损对加工表面进行纹理分析来获得准确的结果。他们得到了提取的纹理描述符的周期性关系。不同像素对间距的对比度和同质性。利用这种周期性特性，他们使用傅立叶功率谱密度技术发现了周期性，随后又找到了GLCM的最佳像素对间距参数。然而，最佳像素对间距也根据进给速率的变化而变化。他们获得了提取的描述符与刀具磨损和表面粗糙度的良好关联。但是，他们没有进行任何实验来检测涂层硬质合金刀具的渐进磨损。

Kassim等人提出了用于刀具磨损监测的表面纹理的分形分析。[66]为应对端铣削表面的高方向性和自亲和性，使用隐马尔可夫模型（HMM）来区分刀具磨损状态。Kassim等人通过分形分析沿不同方向对整个图像进行了端面铣削和车削表面纹理的各向异性性质。[65] 。他们使用13个元素的特征向量来训练HMM模型，以对工具状态的四个不同状态进行分类。然而，在他们的研究中没有遇到分类错误的估计。Kang等。[60]使用分形分析技术研究了带涂层硬质合金刀具对高硬度材料进行高速立铣的不同进料组合时分形尺寸随测量的表面粗糙度，磨损值随加工时间的变化。但是，没有对分形维数与侧面磨损或表面粗糙度之间的相关性进行定量分析。

Persson [98]建立了一种非接触式方法，通过结合角度散斑相关技术来测量表面粗糙度。借助相干氦氖激光器在加工表面上产生的斑点图案，并在不同的照明角度下捕获。然后，已经计算出在不同照明角度下那些捕获的斑点图案之间的相关性。对于较粗糙的表面，已观察到较低的相关值。尽管此技术可用于表面粗糙度的过程中测量，但是此方法的精度受到设备正确角度定位的限制。但是，可以通过使用激光干涉技术对设备进行倾斜测量来克服此限制。

Li等人采用了不同的方法。[79]已经介绍了从车削操作获得的加工表面图像的小波包分析。它们在提取的特征（即高频能量分配比）与渐进式切削刀具磨损之间具有良好的相关性。但是，他们的研究缺少系统的定量相关分析。

5.2 。离线技术

Luk和Huynh [85]分析了加工表面图像的灰度直方图，以表征表面粗糙度。他们发现分布的比率和分布的平均值是非线性的，R a的增加函数。由于他们的方法仅基于灰度直方图，因此对存在的均匀性和照明度很敏感。另外，不能从灰度直方图获得关于周期性特征的空间分布的信息。Hoy和Yu [45]采用了Luk和Huynh [85]的算法表征车削和铣削试样的表面质量。他们发现了一个例外，即色散比与灰度分布的平均值不是严格增加表面粗糙度的函数，因此，该比值可能会导致错误的测量。他们还解决了使用傅立叶变换（FT）表征频域表面粗糙度的可能性。但是，仅讨论了频率平面中表面图像的简单视觉判断。没有提出定量描述用于表面粗糙度测量的FT特征。Al-kindi等。[7]考察了在表面质量评估中使用数字图像系统的情况。表面粗糙度的测量基于灰度峰之间的间距和灰度图像中每条扫描线的单位长度的灰度峰数。这种基于1D的技术没有完全利用表面图像的2D信息，并且对铺设方向，照明和噪声的选择很敏感。卡思伯特和休恩[20]通过对在地面图像上创建的光学傅立叶变换图案进行统计纹理分析，提高了分析的复杂性。然后，他们计算了图像灰度直方图的均值，标准差，偏度，峰度和均方根高度。该技术有两个局限性。只能 检查平均表面粗糙度不超过0.4μm的表面，因为较粗糙的表面往往会在相机中形成扩散图案。需要成像光学器件的精确且复杂的对准，从而使其难以在在线检查中使用。Jetley和Selven [54]使用了低功率光束反射图案的投影（1 mW）来自地面的He–Ne激光。然后使用斑点面积，阈值对图案进行分析和表征，并因此与表面粗糙度相关。但是该技术的结果对照明系统的掠射角敏感。可以通过使用任何过滤技术消除不均匀照明来消除这种情况。如Elbestawi等人所述。[33]，[107]，当根据距离绘制常规粗糙度测量值（即R a）时，刀具在零件上移动（或切削时间），经历了复杂的演变。他们表明R a随着切削时间的增加，刀具数量稳步增加，但随后随着刀具显示出明显的磨损而显着下降。R a的长距离下降是由于工具磨损导致的加热和延性表面变形所致。因此，即使测针轮廓仪测量结果表明可接受的R a值，单独使用R a也不是可靠的工具磨损指标。这两种现象可能会产生不正确的形状和纹理的表面。Ramamoorthy和Radhakrishnan [103]和Kiran等人。[71]已经利用灰度强度直方图建立了一些特征来评估地面，铣削和成形的表面图像的粗糙度，但它们并未将这些参数与工具磨损或基于轮廓仪的表面粗糙度相关联。Wong等。[134]使用了 直径为0.8毫米的5 mW He–Ne激光束并将其聚焦在旋转的表面上以获得激光散射图案。然后计算捕获的激光散射图案图像的平均值和标准偏差。但是，它们在测量的加工表面的表面粗糙度与散射光图案的强度分布之间没有显示任何明确的相关性。尽管，他们发现大多数工件的刀具磨损与散射光图案的强度分布之间有很好的相关性，但他们并未显示图像特征随加工时间的任何系统变化。尤尼斯[140]分析了白光在地面上产生的散射图案，并得出了基于视觉的表面粗糙度参数。他们基于像素值与其8邻域的平方差计算了基于视觉的表面粗糙度参数。他们研究了工具钢，铜和黄铜材料的基于触笔的表面粗糙度和基于视觉的表面粗糙度的相关性，发现线性相关系数的范围为0.79至0.92。他们得出的结论是，对于不同的材料，相关性会有所不同，这取决于不同材料的研磨的撕裂和断裂模式不同。但是，为了建立其技术，需要在不同的切割条件下进行更多的实验。Whitehead等。[133]比较了用于粗糙度测量的接触式和激光测针方法。Kumar等。[72]使用三次卷积插值技术放大了形状，铣削和地面的原始图像，并使用线性边缘变脆算法增强了边缘。基于表面图像特征，使用回归分析针对原始图像以及放大和增强的图像估计了一个称为G a的参数。最后，进行了比较以建立放大率G a与表面粗糙度之间的相关性。但是，可以评估更多数量的图像特征以获得更准确的结果。Dhanasekar和Ramamoorthy [27]在对成形，铣削和磨削零件的机加工表面图像进行预处理之后，应用几何搜索技术进行边缘检测。在基于视觉的系统和基于手写笔的表面轮廓仪获得的表面粗糙度（G a）之间已经找到了良好的相关性。但是，他们的工作尚未解决基于视觉的表面粗糙度与渐进式工具磨损之间的关系。Khalifa等。[69]使用放大，边缘增强，统计和纹理分析转过的表面图像来检测抖动。这些图像用复合Laplacian滤波器增强了。此后摹一，直方图均值，标准差，方差均由过滤后的图像进行评估。随后，还对增强图像进行了GLCM分析。从GLCM中提取了能量，熵和惯性特征，以区分颤动丰富和无颤动的图像。Al-kindi和Shirinzadeh [8]提出了一种称为强度-地形相容性（ITC）的方法，该方法可通过闪电，反射率和表面特性三个要素来表征图像数据。。他们提取了所有表面粗糙度参数的值。平均粗糙度，均方根粗糙度，最大峰谷，最大谷深，最大峰高，偏度，峰度等。但是，尚未对其技术进行磨损或表面粗糙度相关性研究。Elango和Karunamoorthy [32]通过使用Taguchi的L9正交阵列和方差分析（ANOVA）进行实验设计，研究了在以不同条纹角旋转的面车削试样上的散射光的掠射角变化。他们将G a值视为纹理描述符，并找到75°的最佳掠射角和90°的条纹倾斜度以获得准确的G a。然而，该方法可以适当地应用于渐进式磨损监测目的。[28]通过使用凸集投影（POCSs）算法提高了地面和铣削表面图像的分辨率。然后他们使用基于频域和基于直方图的纹理分析从重构图像中提取了三个纹理描述符。最后，他们使用数据处理的分组方法（GMDH）预测了表面粗糙度，并将这些预测值与基于触控笔的表面粗糙度进行了比较。但是，他们的工作没有报告预测错误。钟祥等。[143]使用数码相机拍摄平地，平地，平磨和端铣标本的图像，然后通过预处理对这些图像进行预处理中值滤波，灰度均衡和直方图转换放大方法。使用CAS软件通过归一化互相关和表面拟合技术分析图像数据。他们从这些预处理图像中提取了四个特征，即均值，标准差，均方根值（3D）和峰度（3D），并发现了表面粗糙度（从测针获得）与这些提取特征之间的相关性。高阶统计量的纹理分析可能会在其技术中产生更好且更可靠的结果。Dhanasekar和Ramamoorthy[26]率先捕获磨碎和磨碎的标本的移动的机加工表面图像，然后使用Richardson-Lucy恢复算法将这些图像去模糊。对那些去模糊的图像进行预处理以补偿不均匀的照明。然后，提取空间频率，算术平均值和标准偏差作为纹理特征。一个人工神经网络（ANN），用这三个特征用作输入来预测基于视觉的表面粗糙度。然后他们将预测结果与实验结果作图，对于去模糊和恢复的图像，铣削和磨削的确定系数（R 2）值分别为0.923和0.841。他们还表明R 2还原后的图像的值比未还原后的图像的R 2值好得多。Prasad等人使用激光测振仪和CCD摄像机进行了在线工具状态监测。[101]。他们使用表面计量软件TRUEMAP提取了加工的声光信号和加工后的表面图像的3D表面粗糙度，TRUEMAP用于在端面车削操作中逐步磨损切削刀具。但是，表面粗糙度测量所需的计算时间并未在他们的工作中提及。

Gadelmawla [36]通过计算10种类型的具有变化GLCM参数，距离和方向的机械加工表面图像的灰度共现矩阵，对表面进行了自动表征。他们还从GLCM中提取了四个特征，并观察到除了GLCM的标准偏差外，大多数特征在粗糙（车削）和光滑（搭接）表面的灵敏度方面表现不同。Gadelmawla等。[37]，[38]开发了一种逆向工程软件，用于使用GLCM纹理描述符从加工的表面图像中检测和预测加工条件，切削速度，进给速度和切削深度。但是，他们尚未优化任何GLCM参数。他们也仅对铣削表面图像测试了该方法。Gadelmawla [39]预测了平均表面粗糙度（Ra），该平均表面粗糙度是从车削表面图像的GLCM中提取的纹理描述符中获得的，其中针对不同的加工条件仅使用GLCM参数的单个组合即可。测针法测量的R a值与预测的R a之间的误差值为±7％。但是，可以优化GLCM的距离参数以获得更准确的结果。

Myshkin等。[89]引入了一种特殊的共现技术，该技术采用多级粗糙度分析的概念来确定从原子力显微镜（AFM）图像获得的纳米尺度偏差的表面粗糙度。但是，他们的研究没有进行定量分析。

蔡等。[123]研究了具有各种最大表面粗糙度的成形和铣削表面图像的傅立叶功率谱。使用基于触控笔的表面轮廓仪测量最大表面粗糙度值。他们发现了成形样本的表面图案的图像比研磨后的样品更规则，噪音也更少。他们还发现，随着成形和铣削零件的测量表面粗糙度值的增加，特征主要峰值频率，主成分幅度平方，中心功率谱百分比的单调下降趋势以及平均功率谱的单调增加趋势。此外，他们使用两种人工神经网络（ANN）技术对表面在固定和任意方向上的粗糙度特征进行分类。然后，他们将固定峰值和固定频率的样品的主要峰值频率选为最佳特征，因为这是主要峰值与原点之间的距离，因此它是克服环境光照影响的有效措施。然而，他们只对平坦表面进行了表面光洁度测量，而对弯曲零件则没有。蔡吴[124]使用基于Gabor滤波器的技术从表面图像中自动对有缺陷和无缺陷的表面进行分类。他们使用2D Gabor函数对图像进行卷积，该函数是由2D Gaussian函数调制的定向复杂正弦光栅。然后，他们使用穷举搜索方法选择了Gabor函数的最佳参数，以使卷积图像的能量为零。然后使用统计控制方法选择阈值以区分均质和非均质的表面纹理。然而，为实际完成其方法需要用于捕获表面图像的非常精确的受控设置。Dhanasekar等。[25]使用准直激光束（He-Ne激光，10 mW，λ = 532 nm）和CCD相机捕获加工表面（研磨和铣削）的斑点图案。然后，对斑点图像进行预处理，以消除由于环境光线变化等引起的不希望的强度变化。通过巴特沃思滤波器对斑点图像进行滤波，然后确定集中式快速傅里叶变换（FFT）。该平均和积分峰光谱强度系数和后的自相关系数在X，ÿ和对角线方向进行了测定。自相关函数的宽度 对于平滑和粗糙的图像，变化很大。在对斑点图像进行预处理之前和之后，已经使用了用于表面粗糙度评估的光谱斑点相关（自相关）技术。然后将它们与测针值（R a）进行比较。结果发现，预处理后的自相关参数与铣削和磨削部件测得的平均表面粗糙度（R a）具有更好的相关性（即较高的相关系数）。为了获得更准确的结果，可以在他们的工作中使用图像模型来补偿不均匀照明[14]。

乔索等。[57]分析和分类从八种类型的工程过程中获得的八个表面图像，即。铸造，研磨，喷砂处理，手工锉，水平铣削，抛光，喷丸，垂直铣削。他们使用频率归一化小波变换（FNWT）开发了表面纹理的空频表示，并提取了一些表面光洁度描述符。然后他们使用判别和聚类分析方法对这八种类型的表面进行了分类。但是，错误分类的可能性很高相似类型的纹理之间。铣削和磨削。因此，他们比较了连续小波变换（CWT），标准和小规模离散小波变换（DWT）方法，并得出结论，与聚类分析相关的标准离散小波变换是分类目的的最佳方法。在他们的另一项工作[55]中，他们尝试使用FNWT测量加工的表面图像的形式，波纹度和粗糙度。Niola等。[94]试图通过使用Haar小波变换增强机械加工，地面和抛光表面的图像来减少不同光照条件下表面图像亮度变化的问题。然而，在他们的研究中，没有从表面图像中提取出表面光洁度描述符。

Ramana和Ramamoorthy [104]基于GLCM，幅度变化率方法和游程长度统计技术对地面，铣削和异型图像进行了分类。但是，他们并未决定基于视觉的表面粗糙度测量的最佳功能。他们也没有对基于视觉和基于触控笔的表面粗糙度进行任何定量相关性研究。Bradley和Wong [16]提出了三种图像处理算法的性能也就是强度直方图分析，图像频域分析和空间域表面纹理分析，以根据平面铣削的表面图像评估刀具状态。虽然，基于直方图的技术显示了逐渐改善的平面铣削刀具磨损趋势，但是它受照明条件的影响很大。与基于直方图的方法相比，频域技术对不均匀照明的敏感性要低得多。基于纹理的方法的主要优点是依赖于图像结构中的局部相似性。光照强度的绝对值并不严格；照明必须足以突出图像特征。同样，该方法对照明角度不敏感，除非极端情况下照明轴接近90°。他们显示出纹理参数随加工时间的系统变化。但是，他们尚未报告定量相关性。张等。[142]通过从离散余弦变换（DCT），Laws滤波器组， Gabor滤波器组，GLCM中提取最佳特征，开发了一种精确的缺陷检测和分类系统。他们使用支持向量机（SVM）和RBFNN进行分类。结合使用Gabor滤波器，GLCM和SVM，他们获得了82％的成功。Singh和Mishra [115]使用GLCM和带有RBFNN的Laws纹理描述符对由于镀锌而获得的不同类型的亮晶石进行了分类。他们实现了80％的分类精度。他们的方法也可以用于渐进式磨损监测。Alegre等。[4]使用一阶统计纹理分析，GLCM方法和Laws方法评估车削表面图像，并使用k-NN技术对两个粗糙度类别进行分类。在他们的研究中，使用Laws方法获得了最佳结果。Bamberger等人采用另一种方法。[12]比较了三种方法从阀座图像中检查在汽车零件的阀座中加工时产生的颤动痕迹。他们比较了三种基于图像处理的技术，即圆拟合，圆度和GLCM方法，对接受和拒绝的零件进行分类。尽管他们手动选择了合适的GLCM距离参数，但仍需要开发一种自动方法来检测最佳距离参数。

Ikonen和Toivanen [46]提出了一种算法，该算法优先考虑尾部的像素，以便计算弯曲空间中的最小距离，从而有助于更快，更有效地计算粗糙度。

Vesselenyi等。[126]利用二维盒计数法，通过线性，二阶和三阶多项式拟合，在不同表面粗糙度的成形，磨光和抛光表面图像上找到了九个参数作为粗糙度描述符。然后他们使用C均值聚类对它们进行分类。但是，需要更多数量的样本来证明其方法的适用性。

抛光表面的质量也由León等确定。[80]使用图像处理技术。他在频域中定量了珩磨缸孔的凹槽纹理和缺陷。在频域中，感兴趣的沟槽纹理与其他缺陷（例如沟槽中断，孔，裂纹，剥落，材料缺陷，石墨薄层，材料涂片，污染的沟槽边缘和异物）分开。这些图像是从经过珩磨的表面的传真胶片副本中拍摄的。通过对比拉伸来增强图像。数字图像处理还用于加工中的颤振识别和毛刺检测。

Nakao [90]捕获钻孔毛刺的图像，然后进行处理以监控钻孔过程。在此，将传统的图像处理技术（例如二进制图像处理，降噪和标记）应用于测量图像数据。在此，使用坐标数据从处理后的图像中测量毛刺高度和厚度。Yoon等。[139]使用边缘检测算法来测量微钻孔中的孔质量和毛刺宽度。他们还使用“聚焦形状”（SFF）方法测量毛刺高度。在这里，卤素灯用作前灯，LED用作背光，以获得均匀的照明。莎兰（Sharan）和翁乌布卢（Onwubolu） [114]以 2.2μm系统分辨率测量了铣削零件的毛刺轮廓。

在大多数研究中，并未研究基于视觉的表面纹理描述符随加工时间的变化以进行渐进式磨损监测。还需要归一化纹理或磨损描述符以减少照明变化的影响。在这一领域的研究需要对各种作业工具材料和各种切削参数的组合进行详细研究，以适合不同的加工应用，以建立一个强大的监控系统。

表2总结了使用图像处理的间接工具状态监视技术。
研究员 照明系统 图像处理算法 适用于 备注
Wong等。[134] 氦氖激光器 在加工表面上产生的激光图案的均值和标准差 转弯 离线; 没有相关性和渐进磨损的研究
古普塔和拉曼[42] HeNe激光器，圆形可变衰减器 基于直方图的一阶统计纹理分析 转弯（运动和静止状态）；表面粗糙度测量 线上; 基于视觉的表面粗糙度和基于触控笔的表面粗糙度与渐进式工具磨损之间没有相关性研究；没有讨论运动引起的模糊
塔朗和李[119] 2个与工件轴线成锐角的光源 通过自组织自适应学习（进给，速度，切削深度和输入为G a，输出为R a）确定G a，多项式网络 转弯; ř一个预测 线上; 预测误差（最大值） = 14％；仅提取1个描述符；无法预测工具磨损
Ho等。[44] 2个与工件轴线成锐角的光源 确定G a，ANFIS（进给，速度，切削深度，G a作为输入，R a作为输出） 转弯，R为预测 线上; 使用ANFIS预测误差（最大值）= 4.55％预测R a；仅提取1个描述符；无法预测工具磨损
Lee等。[78] 倾斜的45°散射蓝光 灰度标准偏差，两个频域参数和归纳网络（输入为3个纹理描述符，输出为R a） 转弯，R为预测 线上; 最大预测误差 = 14.96％；无法预测工具磨损
Lee等。[79] 倾斜的45°散射蓝光 灰度标准偏差，两个频域参数和ANFIS（输入为3个纹理描述符，输出为R a） 转弯，R为预测 线上; 最大预测误差 = 8％；无法预测工具磨损
Akbari等。[3] 光的散射图案 基于直方图的一阶统计纹理分析（四个描述符）和MLPNN 铣削，R a预测 线上; 无法量化预测误差；无法预测工具磨损
Narayanan等。[91] 不断发展的硬件 图像增强，G a的确定，遗传算法 铣削 表面粗糙度测量 线上; 没有量化预测误差；无法预测工具磨损
Sarma等。[110] G a的确定，频域分析 使用PCD工具车削GFRP复合材料 没有进行渐进式磨损监测的研究
帕拉尼和纳塔拉詹[97] 基于频率和空间域的纹理分析，BPNN 立铣刀，R a预测 没有进行渐进式磨损监测的研究
Kassim等。[67] Sobel操作，阈值化，列投影（CP）（适用于阈值图像），游程长度统计信息（RLS）（适用于灰度图像） 转弯; 渐进式磨损监测 线上; 渐进式磨损监测；各种加工中锋利刀具和钝刀具之间的分类；没有与R a的相关性研究
Mannan等。[87] Sobel操作，阈值化，CP，RLS，使用小波分析提取AE参数，RBFNN用于侧面磨损预测 转弯; 渐进式磨损监测 线上; 监控锋利的，半钝的和钝的工具；没有量化预测误差
Kassim等。[64] Canny边缘检测，面向连接的快速Hough变换，MLPNN用于FW预测 车削，立铣，端面铣；渐进式磨损监测 线上; 没有量化和预测误差的比较
Kassim等。[63] 补偿不均匀照明补偿，CP比较，面向连接的快速Hough变换和RLS，马氏距离分类器，用于对锋利和钝工具进行分类 转弯; 渐进式磨损监测和分类 线上; 仅根据单个切削条件，RLS被选为最佳技术。仅在两种磨损状态之间进行分类；需要更多的实验
Datta等。[21] 漫射光 GLCM技术 转弯; 渐进式磨损监测 线上; 仅根据单个切割条件提取最佳特征；没有优化GLCM参数
Datta等。[31] 漫射光 GLCM技术具有优化的像素对间距（pps）参数 转弯; 渐进式磨损监测 线上; 优化了pps；适用于任何周期性纹理；没有研究监测涂层硬质合金刀具
Kassim等。[66] HMM分形 立铣; 分类 线上; 没有估计分类错误
Kassim等。[65] HMM的3D分形 立铣; 4种磨损状态的分类 线上; 没有估计分类错误
Kang等。[60] 分形 表面粗糙度和工具磨损的渐进变化研究 高速立铣刀（带涂层硬质合金） 线上; 没有相关参数的估计
Li等。[81] 漫射光 小波包分解 转弯; 渐进式磨损监测 线上; 没有工具磨损的相关分析
霍伊和于[45] 漫射白光 直方图分析，2D FFT分析 车削，铣削 离线; 没有逐步磨损监测
卡思伯特和亨[20] 氦氖激光器，空间滤波器，分束器和反射镜 基于直方图的一阶统计纹理分析 打磨 离线; 复合衰减器 难以实现高粗糙度值；没有逐步磨损监测
杰特利和塞尔文[54] 氦氖激光器 斑点分析，阈值 打磨 离线; 没有逐步磨损监测
Ramamoorthy和Radhakrisnan [103] GLCM分析 研磨，成形，铣削 离线; 无相关参数研究
Kiran等。[71] 漫射光 轻切 光栅投影相移 帧平均；低通滤波 二阶同现统计；比较了三种照明方法获得的粗糙，中等粗糙和平滑图像 研磨，铣削，成型 离线; 主要比较三种照明方式；无粗糙度评估
尤尼斯[140] 白光 邻里处理 研磨（不同材料） 离线; 变异系数8.6％
测定系数（R 2）0.79–0.92; 没有进行性磨损研究
Kumar等。[72] 三次卷积插值，线性边缘细化，G a的测定 成型，铣削，研磨 离线; 没有逐步磨损监测
Khalifa等。[69] 边缘增强，放大倍率，统计纹理分析（一阶和二阶），G a值的计算 转弯时的颤振检测 从表面图像中区分出无颤动的过程
阿尔金迪和希林扎德[8] 环境光 两种照明模型之间的比较。强度地形相容性和光扩散模型，从一阶统计量中提取光学表面粗糙度参数 面铣 没有与渐进磨损的相关性研究
埃兰戈和卡鲁纳莫西[32] 散射光在不同的掠射角 的测定值G ^一个，田口的正交阵列和ANOVA 脸部转弯 没有与渐进磨损的相关性研究
Dhanasekar和Ramamoorthy [28] 白光 用于重建高分辨率图像，基于频域和直方图的纹理分析，GMDH的POCS 铣削，磨削（R a预测） 没有预测误差分析，没有与渐进磨损的相关性研究
钟祥等。[143] 立体变焦显微镜，卤素灯 中值滤波，直方图转换，直方图均质化，3D粗糙度计算 平移，平铣，立铣，磨削 没有与渐进磨损的相关性研究
Dhanasekar和Ramamoorthy [26] 理查森-露西算法用于去模糊，基于频域和空间域的纹理分析，人工神经网络 铣削，磨削，R a预测 铣削和磨削的相关系数为0.923和0.841，无与渐进磨损的相关性研究
加德莫拉[36] 显微镜 GLCM，研究pps的影响 脸部转弯 没有优化pps值，没有与渐进磨损相关的研究
Gadelmawla等。[37]，[38] 显微镜 GLCM 铣削，逆向工程以适应切削条件 没有优化pps值，没有与渐进磨损相关的研究
加德莫拉[39] 显微镜 GLCM 面部转弯，与R a相关 没有优化pps值，没有与渐进磨损相关的研究
蔡等。[123] 荧光灯光源 傅立叶分析，人工神经网络 成型，铣削 没有与渐进磨损的相关性研究
蔡和吴[124] Gabor过滤，有缺陷和无缺陷零件的分类， 铣削 没有提到成功率；没有进行渐进磨损或表面粗糙度的研究
Dhanasekar等。[25] 氦氖激光器 散斑图，巴特沃思滤波，傅立叶分析，自相关 研磨，铣削 没有与渐进磨损的相关性研究
乔索等。[57] 频率归一化小波变换，判别和聚类分析 地面，铣削，铸造表面等的分类 没有与渐进磨损的相关性研究
乔索等。[56] 频率归一化小波变换 形状，波纹度，粗糙度测量 没有与渐进磨损的相关性研究
Niola等。[94] Haar小波用于减少不均匀照明 铣削，研磨，抛光 不提取表面光洁度参数
拉曼和拉莫莫西[104] GLCM，幅度变化率法，RLS 磨碎，成型表面的分类 没有与基于触控笔的表面粗糙度相关的研究；没有进行性磨损研究
布拉德利和黄[16] 光纤导光灯（可调节） 帧平均，高斯滤波，中值滤波，滤波后：图像直方图分析，频域分析，纹理分割 端面铣削，渐进磨损研究 直方图分析，频域分析和纹理分割之间的比较；没有基于视觉的表面光洁度与工具磨损的相关性分析
张等。[142] DCT，定律滤波器，Gabor滤波器，GLCM，形状特征，带有RBFNN内核的SVM 地面和抛光表面的缺陷检测和分类 结合使用Gabor滤波器和GLCM和SVM的成功率达到82％
Alegre等。[4] 带有SCDI的直流调节光 一阶统计纹理分析，GLCM，Laws方法，k-NN分类 转弯 没有渐进磨损研究
中尾[90] 光纤灯 支架，组件标签 钻孔毛刺测量 测量毛刺厚度和高度时出现3％和2％的误差
尹钟忠[139] 卤素灯（前灯）LED（背光灯） 边缘检测（毛刺宽度测量），聚焦形状（毛刺高度测量） 微钻 0.1μm 分辨率； 精度低于0.5μm
莎兰（Sharan）和翁乌布卢（Onwubolu）[114] 高强度点光源 毛刺轮廓测量 铣削 2.2

6 。结论

本文讨论了图像处理技术在刀具状态监测中的应用。对于采用非接触技术的实时刀具状态监控，图像处理算法可用于增强无人加工中心的自动化能力。

数字图像处理技术对于快速简便地自动检测各种类型的刀具磨损（例如，月牙洼磨损，刀具崩裂和刀具断裂）非常有用，而其他模式很难识别。纹理分析技术通过评估加工的表面质量在工具状态监控中起着主要作用。未来的研究应该旨在为实时工具状态监视技术开发一个健壮的系统（包括照明，摄像头和更快的算法）。但是，可以通过强大的机器视觉系统借助数字图像处理技术来建立非接触式且成本较低的工具状态监视技术。以下讨论了该评论中已建立的一些意见：
1。
应使用漫射照明系统（例如LED灯，光纤导引灯，白光）和高速CCD摄像机来增强实时监控中的图像捕获能力。

2。
在直接TCM技术中，可以使用图像预处理，图像阈值化，边缘检测和形态运算以及纹理分析技术来获得更快的输出。

3。
高斯滤波与照度补偿技术一起对图像预处理操作具有良好的影响。

4。
Canny边缘检测方法可以是直接TCM的快速而强大的边缘检测技术。

5，
在间接监测技术的情况下，纹理分析（在空间和频域上）可能是一种强大而快速的技术，可以与表面粗糙度和刀具侧面磨损数据保持良好的相关性。

6。
模式分类应用于在间接TCM中的尖锐，半钝和钝化工具之间进行分类。

7。
ANFIS（自适应神经模糊推理系统）是一种非常强大的工具，可用于准确预测间接TCM中的工具磨损。

8。
陨石坑的磨损可以通过一台摄像机使用立体成像算法进行测量。

9。
与直接TCM相比，间接TCM可以更快地检测振动，机器噪声，切削工具状况等的影响。

10。
应该研究并建立图像参数随加工时间的系统变化，以充分利用基于机器视觉的刀具状态监测方法。

基于以上结论，如图3所示，可以在未来的研究中使用采用数字图像处理的工具状态监视技术。可以将直接方法和间接方法结合起来，其中直接技术将用于在单个实验设置中验证间接技术的结果。

References

[1]
O.B. Abouelatta
3D Surface Roughness Measurement Using a Light Sectioning Vision System
Proceedings of the World Congress on Engineering, 30th June–2nd July 2010, London, U.K., vol. I, WCE (2010), pp. 698-703
View Record in ScopusGoogle Scholar
[2]
T. Acharya, A.K. Roy
Image Processing: Principles and Applications
Wiley-Interscience, New Jersey (2005)
Google Scholar
[3]
A.A. Akbari, A.M. Fard, A.G. Chegini
An Effective Image Based Surface Roughness Estimation Approach Using Neural Network
IEEE World Automation Congress (WAC), 24–26th July 2006, Budapest, Hungary, IEEE (2006), pp. 1-6
CrossRefView Record in ScopusGoogle Scholar
[4]
E. Alegre, J. Barreiro, M. Castejón, S. Suarez
Computer Vision and Classification Techniques on the Surface Finish Control in Machining Processes
A. Campilho, M. Kamel (Eds.), Image Analysis and Recognition, LNCS 5112, Springer-Verlag, Berlin (2008), pp. 1101-1110
CrossRefView Record in ScopusGoogle Scholar
[5]
E. Alegre, J. Barreiro, R.A. Fernandez, M. Castejn
Design of a Computer Vision System to Estimate Tool Wearing
Materials Science Forum, 526 (2006), pp. 61-66
View Record in ScopusGoogle Scholar
[6]
E. Alegre, R.A. Rodríguez, J. Barreiro, J. Ruiz
Use of Contour Signatures and Classification Methods to Optimize the Tool Life in Metal Machining
Estonian Journal of Engineering, 15 (2009), pp. 3-12
CrossRefView Record in ScopusGoogle Scholar
[7]
G.A. Al-Kindi, R.M. Banl, K.F. Gilt
An Application of Machine Vision in the Automated Inspection of Engineering Surface
International Journal of Production Research, 30 (1992), pp. 241-253
CrossRefView Record in ScopusGoogle Scholar
[8]
G.A. Al-Kindi, B. Shirinzadeh
An Evaluation of Surface Roughness Parameters Measurement Using Vision-based Data
International Journal of Machine Tools and Manufacture, 47 (2007), pp. 697-708
ArticleDownload PDFView Record in ScopusGoogle Scholar
[9]
G. Al-Kindi, H. Zughaer
An Approach to Improved CNC Machining Using Vision-based System
Materials and Manufacturing Processes, 27 (2012), pp. 765-774
CrossRefView Record in ScopusGoogle Scholar
[10]
N. Arunachalam, B. Ramamoorthy
Texture Analysis for Grinding Wheel Wear Assessment Using Machine Vision
Proceedings of the Institution of Mechanical Engineers. Part B, Journal of Engineering, 221 (2007), pp. 419-430
CrossRefView Record in ScopusGoogle Scholar
[11]
A.V. Atli, O. Urhan, S. Ertürk, M. Sönmez
A Computer Vision-based Fast Approach to Drilling Tool Condition Monitoring
P. I. Mech. Eng. B-J Eng., 220 (2006), pp. 1409-1415
CrossRefView Record in ScopusGoogle Scholar
[12]
H. Bamberger, S. Ramachandran, E. Hong, R. Katz
Identification of Machining Chatter Marks on Surfaces of Automotive Valve Seats
Journal of Manufacturing Science and Engineering-Transactions of the ASME, 133 (2011), pp. 0410031-0410037
Google Scholar
[13]
J. Barreiro, M. Castejon, E. Alegre, L.K. Hernandez
Use of Descriptors Based on Moments From Digital Images for Tool Wear Monitoring
International Journal of Machine Tools and Manufacture, 48 (2008), pp. 1005-1013
ArticleDownload PDFView Record in ScopusGoogle Scholar
[14]
J. Beyerer, F.P. León
Suppression of Inhomogeneities in Images of Surfaces
Optical Engineering, 36 (1997), pp. 85-93
View Record in ScopusGoogle Scholar
[15]
A. Boryczko
Effect of Waviness and Roughness Components on Transverse Profiles of Turned Surfaces
Measurement, 46 (2013), pp. 688-696
ArticleDownload PDFView Record in ScopusGoogle Scholar
[16]
C. Bradley, Y.S. Wong
Surface Texture Indicators of Tool Wear – A Machine Vision Approach
International Journal of Advanced Manufacturing Technology, 17 (2001), pp. 435-443
View Record in ScopusGoogle Scholar
[17]
G. Byrne, D. Dornfeld, I. lnasaki, G. Ketteler, W. Konig, R. Teti
Tool Condition Monitoring (TCM) – The Status of Research and Industrial Application
CIRP Annals-Manufacturing Technology, 44 (1995), pp. 541-567
ArticleDownload PDFView Record in ScopusGoogle Scholar
[18]
M. Castejon, E. Alegre, J. Barreiro, L.K. Hernandez
On-line Tool Wear Monitoring Using Geometric Descriptors From Digital Images
International Journal of Machine Tools and Manufacture, 47 (2007), pp. 1847-1853
ArticleDownload PDFView Record in ScopusGoogle Scholar
[19]
M. Chandrasekaran, M. Muralidhar, M.C. Krishna, U.S. Dixit
Application of Soft Computing Techniques in Machining Performance Prediction and Optimization: A Literature Review
International Journal of Advanced Manufacturing Technology, 46 (2010), pp. 445-464
CrossRefView Record in ScopusGoogle Scholar
[20]
L. Cuthbert, V. Huynh
Statistical Analysis of Optical Fourier Transform Patterns for Surface Texture Measurement
Measurement Science and Technology, 3 (1992), pp. 740-745
CrossRefView Record in ScopusGoogle Scholar
[21]
A. Datta, S. Dutta, S.K. Pal, R. Sen, S. Mukhopadhyay
Texture Analysis of Turned Surface Images Using Grey Level Co-occurrence Technique
Advances in Materials Research, 365 (2012), pp. 38-43
View Record in ScopusGoogle Scholar
[22]
T.G. Dawson, T.R. Kurfess
Quantification of Tool Wear Using White Light Interferometry and Three-dimensional Computational Metrology
International Journal of Machine Tools and Manufacture, 45 (2005), pp. 591-596
ArticleDownload PDFView Record in ScopusGoogle Scholar
[23]
P. Demircioglu, M.N. Durakbasa
Investigations on Machined Metal Surfaces Through the Stylus Type and Optical 3D Instruments and Their Mathematical Modelling With the Help of Statistical Techniques
Measurement, 44 (2011), pp. 611-619
ArticleDownload PDFView Record in ScopusGoogle Scholar
[24]
A. Devillez, S. Lesko, W. Mozerc
Cutting Tool Crater Wear Measurement With White Light Interferometry
Wear, 256 (2004), pp. 56-65
ArticleDownload PDFView Record in ScopusGoogle Scholar
[25]
B. Dhanasekar, N. Krishna Mohan, B. Bhaduri, B. Ramamoorthy
Evaluation of Surface Roughness Based on Monochromatic Speckle Correlation Using Image Processing
Precision Engineering, 32 (2008), pp. 196-206
ArticleDownload PDFView Record in ScopusGoogle Scholar
[26]
B. Dhanasekar, B. Ramamoorthy
Restoration of Blurred Images for Surface Roughness Evaluation Using Machine Vision
Tribology International, 43 (2010), pp. 268-276
ArticleDownload PDFView Record in ScopusGoogle Scholar
[27]
B. Dhanasekar, B. Ramamoorthy
Evaluation of Surface Roughness Using a Image Processing and Machine Vision System
MAPAN-Journal of Metrology Society of India, 21 (2006), pp. 9-15
View Record in ScopusGoogle Scholar
[28]
B. Dhanasekar, B. Ramamoorthy
Assessment of Surface Roughness Based on Super Resolution Reconstruction Algorithm
International Journal of Advanced Manufacturing Technology, 35 (2008), pp. 1191-1205
CrossRefView Record in ScopusGoogle Scholar
[29]
E. Dimla, S. Dimla
Sensor signals for Tool-wear Monitoring in Metal Cutting Operations—A Review of Methods
International Journal of Machine Tools and Manufacture, 40 (2000), pp. 1073-1098
Google Scholar
[30]
G. Duan, Y.W. Chen, T. Sukegawa
Automatic Optical Flank Wear Measurement of Microdrills Using Level Set for Cutting Plane Segmentation
Machine Vision and Applications, 21 (2010), pp. 667-676
CrossRefView Record in ScopusGoogle Scholar
[31]
S. Dutta, A. Datta, N.D. Chakladar, S.K. Pal, S. Mukhopadhyay, R. Sen
Detection of Tool Condition From the Turned Surface Images Using an Accurate Grey Level Co-occurrence Technique
Precision Engineering, 36 (2012), pp. 458-466
ArticleDownload PDFView Record in ScopusGoogle Scholar
[32]
V. Elango, L. Karunamoorthy
Effect of Lighting Conditions in the Study of Surface Roughness by Machine Vision – An Experimental Design Approach
International Journal of Advanced Manufacturing Technology, 37 (2008), pp. 92-103
CrossRefView Record in ScopusGoogle Scholar
[33]
M.A. Elbestawi, F. Ismail, K.M. Yuen
Surface Topography Characterization in Finish Milling
International Journal of Machine Tools and Manufacture, 34 (1994), pp. 245-255
ArticleDownload PDFView Record in ScopusGoogle Scholar
[34]
M.A. Elbestawi, M. Dumitrescu, E.G. Ng
Tool Condition Monitoring in Machining Condition Monitoring and Control for Intelligent Manufacturing
Springer Series in Advanced Manufacturing (2006), pp. 55-82
CrossRefView Record in ScopusGoogle Scholar
[35]
D.A. Fadare, A.O. Oni
Development and Application of a Machine Vision System for Measurement of Tool Wear
ARPN Journal of Engineering and Applied Sciences, 4 (2009), pp. 42-49
View Record in ScopusGoogle Scholar
[36]
E.S. Gadelmawla
A Vision System for Surface Roughness Characterization Using the Gray Level Co-occurrence Matrix
NDT&E international, 37 (2004), pp. 577-582
View Record in ScopusGoogle Scholar
[37]
E.S. Gadelmawla, A.E. Eladawi, O.B. Abouelatta, I.M. Elewa
Investigation of the Cutting Conditions in Milling Operations Using Image Texture Features
Proceedings of the Institution of Mechanical Engineers. Part B, Journal of Engineering, 222 (2008), pp. 1395-1404
View Record in ScopusGoogle Scholar
[38]
E.S. Gadelmawla, A.E. Eladawi, O.B. Abouelatta, I.M. Elewa
Application of Computer Vision for the Prediction of Cutting Conditions in Milling Operations
Proceedings of the Institution of Mechanical Engineers. Part B, Journal of Engineering, 223 (2009), pp. 791-800
View Record in ScopusGoogle Scholar
[39]
E.S. Gadelmawla
Estimation of Surface Roughness for Turning Operations Using Image Texture Features
Proceedings of the Institution of Mechanical Engineers. Part B, Journal of Engineering, 225 (2011), pp. 1281-1292
CrossRefView Record in ScopusGoogle Scholar
[40]
G. Galante, M. Piacentini, V.F. Ruisi
Surface Roughness Detection by Tool Image Processing
Wear, 148 (1991), pp. 211-220
ArticleDownload PDFView Record in ScopusGoogle Scholar
[41]
R.C. Gonzalez, R.E. Woods
Digital Image Processing
(2nd ed.), Prentice-Hall Inc., New Jersey (2002)
Google Scholar
[42]
M. Gupta, S. Raman
Machine Vision Assisted Characterization of Machined Surfaces
International Journal of Production Research, 39 (2001), pp. 759-784
View Record in ScopusGoogle Scholar
[43]
T. Heger, M. Pandit
Optical Wear Assessment for Grinding Tools
Journal of Electronic Imaging, 13 (2004), pp. 450-461
View Record in ScopusGoogle Scholar
[44]
S.Y. Ho, K.C. Lee, S.S. Chen, S.J. Ho
Accurate Modeling and Prediction of Surface Roughness by Computer Vision in Turning Operations Using an Adaptive Neuro-fuzzy Inference System
International Journal of Machine Tools and Manufacture, 42 (2002), pp. 1441-1446
ArticleDownload PDFView Record in ScopusGoogle Scholar
[45]
D.E.P. Hoy, F. Yu
Surface Quality Assessment Using Computer Vision Methods
Journal of Materials Processing Technology, 28 (1991), pp. 265-274
ArticleDownload PDFView Record in ScopusGoogle Scholar
[46]
L. Ikonen, P.J. Toivanen
Distance and Nearest Neighbor Transforms on Gray-level Surfaces
Pattern Recognition Letters, 28 (2007), pp. 604-612
ArticleDownload PDFView Record in ScopusGoogle Scholar
[47]
S. Inoue, M. Konishi, J. Imai
Surface Defect Inspection of a Cutting Tool by Image Processing with Neural Networks
Memoirs of the Faculty of Engineering, Okayama University, 43 (2009), pp. 55-60
View Record in ScopusGoogle Scholar
[48]
ISO3685: Tool-life Testing with Single-point Turning Tools, 1993.
Google Scholar
[49]
M.J. Jackson, G.M. Robinson, L.J. Hyde, R. Rhodes
Neural Image Processing of the Wear of Cutting Tools Coated with Thin Films
Journal of Materials Engineering and Performance, 15 (2006), pp. 223-229
CrossRefView Record in ScopusGoogle Scholar
[50]
B. Jähne
Digital Image Processing
Springer-Verlag Heidelberg, Berlin (2002)
Google Scholar
[51]
E. Jantunen
A Summary of Methods Applied to Tool Condition Monitoring in Drilling
International Journal of Machine Tools and Manufacture, 42 (2002), pp. 997-1010
ArticleDownload PDFView Record in ScopusGoogle Scholar
[52]
K. Jemielniak
Commercial Tool Condition Monitoring Systems
International Journal of Advanced Manufacturing Technology, 15 (1999), pp. 711-721
View Record in ScopusGoogle Scholar
[53]
K. Jemielniak, P.J. Arrazola
Application of AE and Cutting Force Signals in Tool Condition Monitoring in Micro-milling
CIRP Journal of Manufacturing Science and Technology, 1 (2008), pp. 97-102
ArticleDownload PDFView Record in ScopusGoogle Scholar
[54]
S. Jetley, D. Selven
Applying Machining Vision to Surface Texture Analysis
Proceedings of the 36th Midwest Symposium on Circuits and Systems, 16–18th August, 1993, Detroit, USA: IEEE (1993), pp. 1456-1459
CrossRefView Record in ScopusGoogle Scholar
[55]
Z. Jian, Z. Jin
Surface Roughness Measure Based on Average Texture Cycle
Second International Conference on Intelligent Human-Machine Systems and Cybernetics, Nanjing, China (2010)
Google Scholar
[56]
B. Josso, D.R. Burton, M.J. Lalor
Frequency Normalised Wavelet Transform for Surface Roughness Analysis and Characterisation
Wear, 252 (2002), pp. 491-500
ArticleDownload PDFView Record in ScopusGoogle Scholar
[57]
B. Josso, D.R. Burton, M.J. Lalor
Wavelet Strategy for Surface Roughness Analysis and Characterisation
Computer Methods in Applied Mechanics and Engineering, 191 (2001), pp. 829-842
ArticleDownload PDFView Record in ScopusGoogle Scholar
[58]
J. Jurkovic, M. Korosec, J. Kopac
New Approach in Tool Wear Measuring Technique Using CCD Vision System
International Journal of Machine Tools and Manufacture, 45 (2005), pp. 1023-1030
ArticleDownload PDFView Record in ScopusGoogle Scholar
[59]
C. Kai (Ed.), Machining Dynamics: Fundamentals, Applications and Practices. Springer Series in Advanced Manufacturing, London, Springer-Verlag (2006)
Google Scholar
[60]
M.C. Kang, J.S. Kim, K.H. Kim
Fractal Dimension Analysis of Machined Surface Depending on Coated Tool Wear
Surface and Coatings Technology, 193 (2005), pp. 259-265
ArticleDownload PDFView Record in ScopusGoogle Scholar
[61]
A. Karthik, S. Chandra, B. Ramamoorthy, S. Das
3D Tool Wear Measurement and Visualisation Using Stereo Imaging
International Journal of Machine Tools and Manufacture, 37 (1997), pp. 1573-1581
ArticleDownload PDFView Record in ScopusGoogle Scholar
[62]
H. Kashiwagi, Y. Nagayamal, K. Shibuta, H. Watanabe, H. Oka
Estimation of Tool Wear by Use of Image Processing of Cutting Dust
SICE Annual Conference, Fukui, Japan (2003)
Google Scholar
[63]
A.A. Kassim, M.A. Mannan, Z. Mian
Texture Analysis Methods for Tool Condition Monitoring
Image and Vision Computing, 25 (2007), pp. 1080-1090
ArticleDownload PDFView Record in ScopusGoogle Scholar
[64]
A.A. Kassim, Z. Mian, M.A. Mannan
Connectivity Oriented Fast Hough Transform for Tool Wear Monitoring
Pattern Recognition, 37 (2004), pp. 1925-1933
ArticleDownload PDFView Record in ScopusGoogle Scholar
[65]
A.A. Kassim, Z. Mian, M.A. Mannan
Tool Condition Classification Using Hidden Markov Model Based on Fractal Analysis of Machined Surface Textures
Machine Vision and Applications, 17 (2006), pp. 327-336
CrossRefView Record in ScopusGoogle Scholar
[66]
A.A. Kassim, Z. Mian, M.A. Mannan
Texture Analysis Using Fractals for Tool Wear Monitoring
Proceedings of IEEE International Conference on Image processing, 24–28th June (2002), pp. 105-108
Google Scholar
[67]
A.A. Kassim, M.A. Mannan, M. Jing
Machine Tool Condition Monitoring Using Workpiece Surface Texture Analysis
Machine Vision and Applications, 11 (2000), pp. 257-263
View Record in ScopusGoogle Scholar
[68]
D. Kerr, J. Pengilley, R. Garwood
Assessment and Visualisation of Machine Tool Wear Using Computer Vision
International Journal of Advanced Manufacturing Technology, 28 (2006), pp. 781-791
CrossRefView Record in ScopusGoogle Scholar
[69]
O.O. Khalifa, A. Densibali, W. Faris
Image Processing for Chatter Identification in Machining Processes
International Journal of Advanced Manufacturing Technology, 31 (2006), pp. 443-449
CrossRefView Record in ScopusGoogle Scholar
[70]
J.H. Kim, D.K. Moon, D.W. Lee, J.S. Kim, M.C. Kang, K.H. Kim
Tool Wear Measuring Technique on the Machine Using CCD and Exclusive jig
Journal of Materials Processing Technology, 130–131 (2002), pp. 668-674
ArticleDownload PDFView Record in ScopusGoogle Scholar
[71]
M. Kiran, B. Ramamoorthy, V. Radhakrishnan
Evaluation of Surface Roughness by Vision System
International Journal of Machine Tools and Manufacture, 38 (1998), pp. 685-690
ArticleDownload PDFView Record in ScopusGoogle Scholar
[72]
R. Kumar, P. Kulashekar, B. Dhanasekar, B. Ramamoorthy
Application of Digital Image Magnification for Surface Roughness Evaluation Using Machine Vision
International Journal of Machine Tools and Manufacture, 45 (2005), pp. 228-234
ArticleDownload PDFView Record in ScopusGoogle Scholar
[73]
S. Kurada, C. Bradley
A Machine Vision System for Tool Wear Assessment
Tribology International, 30 (1997), pp. 295-304
ArticleDownload PDFView Record in ScopusGoogle Scholar
[74]
S. Kurada, C. Bradley
A Review of Machine Vision Sensors for Tool Condition Monitoring
Computers in Industry, 34 (1997), pp. 55-72
ArticleDownload PDFView Record in ScopusGoogle Scholar
[75]
S. Lachance, R. Bauer, A. Warkentin
Application of Region Growing Method to Evaluate the Surface Condition of Grinding Wheels
International Journal of Machine Tools and Manufacture, 44 (2004), pp. 823-829
ArticleDownload PDFView Record in ScopusGoogle Scholar
[76]
M. Lanzetta
A New Flexible High-resolution Vision Sensor for Tool Condition Monitoring
Journal of Materials Processing Technology, 119 (2001), pp. 73-82
ArticleDownload PDFView Record in ScopusGoogle Scholar
[77]
B.Y. Lee, H. Juan, S.F. Yu
A Study of Computer Vision for Measuring Surface Roughness in the Turning Process
International Journal of Advanced Manufacturing Technology, 19 (2002), pp. 295-301
View Record in ScopusGoogle Scholar
[78]
B.Y. Lee, S.F. Yu, H. Juan
The Model of Surface Roughness Inspection by Vision System in Turning
Mechatronics, 14 (2004), pp. 129-141
ArticleDownload PDFView Record in ScopusGoogle Scholar
[79]
K.C. Lee, S.J. Ho, S.Y. Ho
Accurate Estimation of Surface Roughness From Texture Features of the Surface Image Using an Adaptive Neuro-fuzzy Inference System
Precision Engineering, 29 (2005), pp. 95-100
ArticleDownload PDFCrossRefView Record in ScopusGoogle Scholar
[80]
F.P. León
An Objective Measure of the Quality of Honed Surfaces
Proceedings of SPIE, 5856 (2005), pp. 287-295
View Record in ScopusGoogle Scholar
[81]
P.Y. Li, C.Y. Hao, S.W. Zhu
Machining Tools Wear Condition Detection Based on Wavelet Packet
Proceedings of the Sixth International Conference on Machine Learning and Cybernetics, Hong Kong (2007)
Google Scholar
[82]
Y.T. Liang, Y.C. Chiou
An effective Drilling Wear Measurement Based on Visual Inspection Technique
Proceedings of the 2006 Joint Conference on Information Sciences (JCIS 2006), Kaohsiung, Taiwan (2006)
Google Scholar
[83]
Y.T. Liang, Y.C. Chiou, C.J. Louh
Automatic Wear Measurement of Ti-based Coatings Milling via Image Registration
IAPR Conference on Machine Vision Applications, Tsukuba Science City, Japan (2005)
Google Scholar
[84]
W. Liu, X. Zheng, S. Liu, Z. Jia
A Roughness Measurement Method Based on Genetic Algorithm and Neural Network for Microheterogeneous Surface in Deep-hole Parts
Journal of Circuits Systems and Computers, 21 (2012), pp. 1250005-1250019
CrossRefGoogle Scholar
[85]
F. Luk, V. Huynh
A Vision System for In-process Surface Quality Assessment
Proceedings of the Vision ‘87 SME Conference, Detroit, Michigan (1987), pp. 1243-1258
Google Scholar
[86]
H. Makki, R.K. Heinemann, S. Hinduja, O.O. Owodunni
Online Determination of Tool Run-out and Wear Using Machine Vision and Image Processing Techniques
Innovative Production Machines and Systems, Cardiff University, Wales, UK (2009)
Google Scholar
[87]
M.A. Mannan, A.A. Kassim, M. Jing
Application of Image and Sound Analysis Techniques to Monitor the Condition of Cutting Tools
Pattern Recognition Letters, 21 (2000), pp. 969-979
ArticleDownload PDFView Record in ScopusGoogle Scholar
[88]
J. McBride, C. Maul
The 3D Measurement and Analysis of High Precision Surfaces Using Confocal Optical Methods
IEICE – Transactions on Electronics, E87-C (2004), pp. 1261-1267
View Record in ScopusGoogle Scholar
[89]
N.K. Myshkin, A.Y. Grigoriev, S.A. Chizhik, K.Y. Choi, M.I. Petrokovets
Surface Roughness and Texture Analysis in Microscale
Wear, 254 (2003), pp. 1001-1009
ArticleDownload PDFView Record in ScopusGoogle Scholar
[90]
Nakao, Y., 2001. Measurement of Drilling Burr by Image Processing Technique. Available from: http://www.aspe.net/publications/Annual_2001/PDF/POSTERS/…/1142.PDF (accessed 06.07.10).
Google Scholar
[91]
M.R. Narayanan, S. Gowri, M.M. Krishna
On line Surface Roughness Measurement Using Image Processing and Machine Vision
Proceedings of the World Congress on Engineering 2007, WCE, London, UK (2007)
Google Scholar
[92]
J.V.A. Nebot, F.R. Subirón
A Review of Machining Monitoring Systems Based on Artificial Intelligence Process Models
International Journal of Advanced Manufacturing Technology, 47 (2010), pp. 237-257
Google Scholar
[93]
K.W. Ng, K.S. Moon
Measurement of 3-D Tool Wear Based on Focus Error and Micro-coordinate Measuring System
Proceedings of the 16th Annual Meeting of American Society for Precision Engineering, Virginia, USA (2001)
Google Scholar
[94]
V.N. Niola, G. Nasti, G. Quaremba
A Problem of Emphasizing Features of a Surface Roughness by Means the Discrete Wavelet Transform
Journal of Materials Processing Technology, 164–165 (2005), pp. 1410-1415
ArticleDownload PDFView Record in ScopusGoogle Scholar
[95]
S. Okada, M. Imade, H. Miyauchi, K. Isomoto, T. Miyoshi, T. Sumimoto, H. Yamamoto
3-D Shape Measurement of Free-form Machined Surfaces by Optical Ring Imaging System
Proceedings of the 24th Annual Conference of the IEEE Industrial Electronics Society, 31st August–4th September, 1998, Aachen, Germany (1998), pp. 1284-1289
View Record in ScopusGoogle Scholar
[96]
Otieno, A., Pedapati, C., Wan, X., Zhang, H., 2006. Imaging and wear analysis of micro-tools using machine vision. Indian Institute of Technology Kharagpur. Available from: http://www.ijme.us/cd_06/PDF/IT%20301-071.pdf (accessed 18.07.10).
Google Scholar
[97]
S. Palani, U. Natarajan
Prediction of Surface Roughness in CNC End Milling by Machine Vision System Using Artificial Neural Network Based on 2D Fourier Transform
International Journal of Advanced Manufacturing Technology, 54 (2011), pp. 1033-1042
CrossRefView Record in ScopusGoogle Scholar
[98]
U. Persson
Surface Roughness Measurement on Machined Surfaces Using Angular Speckle Correlation
Journal of Materials Processing Technology, 180 (2006), pp. 233-238
ArticleDownload PDFView Record in ScopusGoogle Scholar
[99]
T. Pfeifer, L. Wiegers
Reliable Tool Wear Monitoring by Optimized Image and Illumination Control in Machine Vision
Measurement, 28 (2000), pp. 209-218
ArticleDownload PDFView Record in ScopusGoogle Scholar
[100]
K.N. Prasad, B. Ramamoorthy
Tool Wear Evaluation by Stereo Vision and Prediction by Artificial Neural Network
Journal of Materials Processing Technology, 112 (2001), pp. 43-52
View Record in ScopusGoogle Scholar
[101]
B.S. Prasad, M.M.M. Sarcar, B.S. Ben
Surface Textural Analysis Using Acousto Optic Emission and Vision-based 3D Surface Topography—A Base for Online Tool Condition Monitoring in Face Turning
International Journal of Advanced Manufacturing Technology, 55 (2011), pp. 1025-1035
CrossRefView Record in ScopusGoogle Scholar
[102]
P.W. Prickett, C. Johns
An Overview of Approaches to End Milling Tool Monitoring
International Journal of Machine Tools and Manufacture, 39 (1999), pp. 105-122
ArticleDownload PDFView Record in ScopusGoogle Scholar
[103]
B. Ramamoorthy, V. Radhakrishnan
Statistical Approaches to Surface Texture Classification
Wear, 167 (1993), pp. 155-161
ArticleDownload PDFView Record in ScopusGoogle Scholar
[104]
K.V. Ramana, B. Ramamoorthy
Statistical Methods to Compare the Texture Features of Machined Surfaces
Pattern Recognition, 29 (1996), pp. 1447-1459
Google Scholar
[105]
A.G. Rehorn, J. Jiang, P.E. Orban
State-of-the-Art Methods and Results in Tool Condition Monitoring: A Review
International Journal of Advanced Manufacturing Technology, 26 (2005), pp. 693-710
View Record in ScopusGoogle Scholar
[106]
J.T. Roth, D. Djurdjanovic, X. Yang, L. Mears, T. Kurfess
Quality and Inspection of Machining Operations – Tool Condition Monitoring
Journal of Manufacturing Science and Engineering-Transactions of the ASME, 132 (2010)
041015-1–041015-16
Google Scholar
[107]
J.C. Russ
Fractal Dimension Measurement of Engineering Surfaces
International Journal of Machine Tools and Manufacture, 38 (1998), pp. 567-571
ArticleDownload PDFView Record in ScopusGoogle Scholar
[108]
H.H. Sahabi, M.M. Ratnam
Assessment of Flank Wear and Nose Radius Wear From Workpiece Roughness Profile in Turning Operation Using Machine Vision
International Journal of Advanced Manufacturing Technology, 43 (2009), pp. 11-21
Google Scholar
[109]
H.H. Sahabi, M.M. Ratnam
On-line Monitoring of Tool Wear in Turning Operation in the Presence of Tool Misalignment
International Journal of Advanced Manufacturing Technology, 38 (2008), pp. 718-727
Google Scholar
[110]
P.M.M.S. Sarma, L. Karunamoorthy, K. Palanikumar
Surface Roughness Parameters Evaluation in Machining GFRP Composites by PCD Tool Using Digital Image Processing
Journal of Reinforced Plastics and Composites, 28 (2009), pp. 1567-1585
CrossRefView Record in ScopusGoogle Scholar
[111]
J. Schmahling, F.A. Hamprecht, D.M.P. Hoffmann
A Three-dimensional Measure of Surface Roughness Based on Mathematical Morphology
International Journal of Machine Tools and Manufacture, 46 (2006), pp. 1764-1769
ArticleDownload PDFView Record in ScopusGoogle Scholar
[112]
R. Schmitt, R. Hermes, M. Stemmer, A. Pavim, F. Deschamps, D. Moraes
Machine Vision Prototype for Flank Wear Measurement on Milling Tools
38th CIRP Manufacturing Systems Seminar, Florianopolis, Brazil (2005)
Google Scholar
[113]
N. Senin, M. Ziliotti, R. Groppetti
Three-dimensional Surface Topography Segmentation Through Clustering
Wear, 262 (2007), pp. 395-410
ArticleDownload PDFView Record in ScopusGoogle Scholar
[114]
R.V. Sharan, G.C. Onwubolu
Measurement of End-milling Burr Using Image Processing Techniques
Proceedings of the Institution of Mechanical Engineers. Part B, Journal of Engineering, 225 (2011), pp. 448-452
CrossRefView Record in ScopusGoogle Scholar
[115]
V. Singh, R. Mishra
Developing a Machine Vision System for Spangle Classification Using Image Processing and Artificial Neural Network
Surface and Coatings Technology, 201 (2006), pp. 2813-2817
ArticleDownload PDFView Record in ScopusGoogle Scholar
[116]
M. Sortino
Application of Statistical Filtering for Optical Detection of Tool Wear
International Journal of Machine Tools and Manufacture, 43 (2003), pp. 493-497
ArticleDownload PDFView Record in ScopusGoogle Scholar
[117]
M. Stemmer, A. Pavim, M. Adur, F. Deschamps, R. Schmitt, R. Hermes
Machine Vision and Neural Networks Applied to Wear Classification on Cutting Tools
Poceedings of the EOS Conference on Industrial Imaging and Machine Vision, Munich, Germany (2005)
Google Scholar
[118]
J.C. Su, C.K. Huang, Y.S. Tarng
An automated Flank Wear Measurement of Microdrills Using Machine Vision
Journal of Materials Processing Technology, 180 (2006), pp. 328-335
ArticleDownload PDFView Record in ScopusGoogle Scholar
[119]
Y.S. Tarng, B.Y. Lee
Surface Roughness Inspection by Computer Vision in Turning Operations
International Journal of Machine Tools and Manufacture, 41 (2001), pp. 1251-1263
Google Scholar
[120]
O. Tauno, K. Lembit, 2000. Digital tool wear measuring video system, Estonia. Available from: http://mess.me.ttu.ee/Otto/DAAAM.pdf (Accessed 08.06.10).
Google Scholar
[121]
R. Teti, K. Jemielniak, G. O’Donnell, D. Dornfeld
Advanced Monitoring of Machining Operations
CIRP Annals-Manufacturing Technology, 59 (2010), pp. 717-739
ArticleDownload PDFView Record in ScopusGoogle Scholar
[122]
A.Z. Tomkiewicz
Estimation of Surface Roughness Parameter Based on Machined Surface Image
Metrology and Measurement Systems XVII (2010), pp. 493-504
Google Scholar
[123]
D.M. Tsai, J.J. Chen, J.F. Chert
A Vision System for Surface Roughness Assessment Using Neural Networks
International Journal of Advanced Manufacturing Technology, 14 (1998), pp. 412-422
View Record in ScopusGoogle Scholar
[124]
D.M. Tsai, S.K. Wu
Automated Surface Inspection Using Gabor Filters
International Journal of Advanced Manufacturing Technology, 16 (2000), pp. 474-482
View Record in ScopusGoogle Scholar
[125]
M. Tuceryan, A.K. Jain
Texture Analysis
C.H. Chen, L.F. Pau, P.S.P. Wang (Eds.), The Handbook of Pattern Recognition and Computer Vision, World Scientific, Singapore (1998), pp. 207-248
View Record in ScopusGoogle Scholar
[126]
T. Vesselenyi, I. Dzitac, S. Dzitac, V. Vaida
Surface Roughness Image Analysis Using Quasi-fractal Characteristics and Fuzzy Clustering Methods
International Journal of Computers, Communications and Control, 3 (2008), pp. 304-316
CrossRefView Record in ScopusGoogle Scholar
[127]
L. Wang, R.X. Gao (Eds.), Condition Monitoring and Control for Intelligent Manufacturing. Springer Series in Advanced Manufacturing, Springer-Verlag Limited, London (2006)
Google Scholar
[128]
W.H. Wang, G.S. Hong, Y.S. Wong
Flank Wear Measurement by a Threshold Independent Method with Sub-pixel Accuracy
International Journal of Machine Tools and Manufacture, 46 (2006), pp. 199-207
ArticleDownload PDFView Record in ScopusGoogle Scholar
[129]
W. Wang, G.S. Hong, Y.S. Wong
Flank Wear Measurement by a Threshold Independent Method with Sub-pixel Accuracy
International Journal of Machine Tools and Manufacture, 46 (2006), pp. 199-207
ArticleDownload PDFView Record in ScopusGoogle Scholar
[130]
W.H. Wang, Y.S. Wong, G.S. Hong
3D Measurement of Crater Wear by Phase Shifting Method
Wear, 261 (2006), pp. 164-171
ArticleDownload PDFView Record in ScopusGoogle Scholar
[131]
W. Wang, Y.S. Wong, G.S. Hong
Flank Wear Measurement by Successive Image Analysis
Computers and Industrial, 56 (2005), pp. 816-830
ArticleDownload PDFView Record in ScopusGoogle Scholar
[132]
W. Weis, 1993. Tool Wear Measurement on basis of optical sensors, vision systems and neuronal networks (application milling). WESCON’93. San Fransisco, USA.
Google Scholar
[133]
S.A. Whitehead, A.C. Shearer, D.C. Watts, N.H.F. Wilson
Comparison of Two Stylus Methods for Measuring Surface Texture
Dental Materials, 15 (1999), pp. 79-86
ArticleDownload PDFView Record in ScopusGoogle Scholar
[134]
F.S. Wong, A.F.C. Nee, X.Q. Li, C. Reisdorj
Tool Condition Monitoring Using Laser Scatter Pattern
Journal of Materials Processing Technology, 63 (1997), pp. 205-210
CrossRefView Record in ScopusGoogle Scholar
[135]
Xiong, G., Liu, J., Avila, A., 2011. Cutting Tool Wear Measurement by Using Active Contour Model Based Image Processing, in: Proceedings of the 2011 IEEE International Conference on Mechatronics and Automation (Beijing, China).
Google Scholar
[136]
M. Yang, O. Kwon
A Tool Condition Recognition System Using Image Processing
Control Engineering Practice, 6 (1998), pp. 1389-1395
ArticleDownload PDFView Record in ScopusGoogle Scholar
[137]
M. Yang, O. Kwon
Crater Wear Measurement Using Computer Vision and Automatic Focusing
Journal of Materials Processing Technology, 58 (1996), pp. 362-367
ArticleDownload PDFView Record in ScopusGoogle Scholar
[138]
H. Yasui, Y. Haraki, M. Sakata
Development of Automatic Image Processing System for Evaluation of Wheel Surface Condition in Ultra-smoothness Grinding
Proceedings of the 16th Annual Meeting of American Society for Precision Engineering, Virginia, USA (2001)
Google Scholar
[139]
H. Yoon, S.C. Chung
Vision Inspection of Micro-drilling Processes on the Machine Tool
Transactions of NAMRI/SME, 32 (2004), pp. 391-394
View Record in ScopusGoogle Scholar
[140]
M.A. Younis
On line Surface Roughness Measurements Using Image Processing Towards an Adaptive Control
Computers and Industrial Engineering, 35 (1998), pp. 49-52
ArticleDownload PDFView Record in ScopusGoogle Scholar
[141]
J. Yu
Machine Tool Condition Monitoring Based on an Adaptive Gaussian Mixture Model
Journal of Manufacturing Science and Engineering-Transactions of the ASME, 134 (2012)
031004-1–031004-13
Google Scholar
[142]
X. Zhang, C. Krewet, B. Kuhlenkötter
Automatic Classification of Defects on the Product Surface in Grinding and Polishing
International Journal of Machine Tools and Manufacture, 46 (2006), pp. 59-69
ArticleDownload PDFView Record in ScopusGoogle Scholar
[143]
H. Zhongxiang, Z. Lei, T. Jiaxu, M. Xuehong, S. Xiaojun
Evaluation of Three-dimensional Surface Roughness Parameters Based on Digital Image Processing
International Journal of Advanced Manufacturing Technology, 40 (2009), pp. 342-348
CrossRefView Record in ScopusGoogle Scholar