基于CUDA的硬质合金可转位刀片缺陷检测方法研究

本资料包含pdf文件1个，下载需要1积分

随着高性能精密硬质合金可转位刀片在切削加工中的应用日趋普及，用户对这类刀片的质量要求也越来越高。在精密加工中，刀片的质量直接影响产品的加工精度。目前行业内通常采用经过专业训练的人员 ，根据限度样本，用人眼借助辅助工具进行比对的方法对刀片进行检测，不可避免地引入主观因素，容易产生不可靠的判定结果，且效率较低。对于刀片生产厂家来说，在刀片生产过程中，快速有效地对其进行在线缺陷检测的需求已非常迫切。鉴于此，本文针对硬质合金可转位刀片，专门研究设计了-种采用机器视觉技术基于 CUDA方案的缺陷检测方法。

1 硬质合金可转位刀片缺陷检测方法1.1 硬质合金可转位刀片切削加工中，将能转位使用的多边形刀片用机械方法夹固在刀杆或刀体上的刀具称为可转位刀具。

-a菱形刀片 bJ三角形刀片 cJ圆形刀片图1 常见各型硬质合金可转位刀片硬质合金可转位刀片(以下简称刀片”)在其制造过程中，容易产生缺 口、崩刃、镀层未涂上、降落物和腐蚀斑等表面缺陷，部分常见表面缺陷如图2所示。

目前，国内主要刀片生产厂家均采用肉眼、放大镜、浸油吹砂、体视显微镜和工具显微镜等常规检测手段对刀片进行表面缺陷检测。这些检测方法不但人工成本高，效率低，还容易造成漏检。漏检的刀具在使用中，尤其是在高速切削诚将会造成严重的后果。

国家 863计划资助项 目(2011AA04A104)；中央高校基本科研业务费专项 项 目(2012ZM0046)；广东侍育部 省部产学研结合项 目(2012B091100139，2O10Bo9o40o531)；广东势技计划项目 (20o9B01090o017)101董志鹏，等 ：基于 CUDA的硬质合金可转位刀片缺陷检测方法研究 2013年第 4期图像降噪是系统中图像预处理部分的-项关键步骤。利用 GPU进行图像降噪可以加快图像降噪的速度，系统中运用 NVIDIA统-计算设备架构(CUDA)在GPU上进行 KNN滤波器图像降噪，KNN内核函数按照KNN滤波函数的要求对像素进行降噪处理后，再将某- 像素点降噪后生成的新的像素值写人全局内存 J。

KNN滤波函数的声明如下 ：global- void KNN(TColor dst，int imageW，int imageH，float Noise，floatlerpC)；KNN滤波函数的调用情况如下：int iDivUp(int a，int b)retum((a%b)! 0)(a/b1)：(a/b)；dim3 gnd(iDivUp(imageW，BLOCKDIM-x)，iDivUp(imageH，BLOCKDIMY))；dim3 thread(BLOCKDIM-X，BLOCKDIM-Y)；KNN< < >>(d-dst，imageW，imageH，1.Of/(knnNoiseknnNoise)，lerpC)；系统中，将6张高斯噪声密度为 0.02的24位图作为输入数据，依次输入 CPU中进行降噪速度比对。

其中，将 KNN滤波器图像降噪部分分配到 GPU上进行并行数据计算。每次将对应的图像循环降噪 24次来加大数据量，以准确测算降噪速度，然后去掉最大值和最小值，取平均值。在 CPU中进行对应的数据统计，GPU与 CPU去噪速度对比如表 1所示。加速比为CPU耗时与 GPU耗时之比。

表 1 GPU与 CPU去噪速度对 比由表 1所示可见，图像平均数据量达到72.7万个像素。总体来看，在 KNN滤波器图像降噪处理环节上，GPU比CPU的计算速度快三个数量级。随着数据规模 的增加，加速比有-定的提高，并且趋于稳定。

如果 GPU内有更多的处理单元 ，该处理速度还能更快。相对完全在 CPU上运行而言，基于 CUDA的KNN滤波器图像降噪不但提高了图像降噪的计算速度，而且计算效果也令人满意，分辨率为2 048×1 536的刀片图像降噪效果如图5所示。

2.2 Sobel边缘检测边缘检测能够得到丰富的图像信息，广泛应用于机器视觉、图像压缩和目标跟踪等领域 j。在硬质合图5 分辨率为 2 048×1 536的刀片图像降噪效果金可转位刀片缺陷检测系统的图像检测部分中采用了Sobel算子。Sobel算子是-种基于梯度的边缘检测方法，检测效果较好，运算复杂度适中，在实时图像处理中常常被采用。然而基于 Sobel算子的边缘检测算法包含二维相关运算 ，当图像分辨率较高时，运算量很大，如何降低算法的复杂度以及在特定硬件平台上提高算法的执行效率是当前研究的重点。Sobel算法优化和实现的方法大都针对常用处理器如 CPU、DSP和FPGA等提出，而基于 CUDA方案的Sobel边缘检测算法是在 GPU这个新兴的处理平台上对其进行优化，使图像边缘检测能在 GPU上高效运行，提高刀片缺陷的实时检测效率 。 加J。

Sobel滤波函数声明如下：-global- void SobelTex(Pixel pSobelOriginal，unsigned int Pitch，intW，int h，floatfScale)；Sobel滤波函数调用如下：SobelTex<<>>(odata，iw，iw，ih，fScale)；dim3 threads(16，4)；dim3 blocksdim3(iw/(4BlockWidth)(0 1iw%(4 Block-Width))，ih/threads.Y(O!ih%threads.y))；系统中，将 6张分辨率为 M×M的 8位灰度图像作为输入数据依次输入 CPU中进行 Sobel滤波速度比对。其中，将 Sobel滤波器图像边缘检测部分分配到GPU上进行并行数据计算。每次将对应的图像循环检测 12次来加大数据量，以准确测算滤波速度，然后去掉最大值和最小值，取平均值。在 CPU中进行对应的数据统计。表 2列出了在 GPU和CPU上执行 Soble算子边缘检测的滤波速度比对。

表 2 GPU与 CPU滤波速度比对1032013年第 4期 现代制造工程(Modem Manufacturing Engineering)试验结果显示 ，在 GPU上执行 Sobel边缘检测算法相比在 CPU上有明显的加速效果，特别是对高分辨率的图像效果较好 ，-方面是因为 GPU高度的并行架构，能够同时处理多个数据；另-方面因为 Sobel边缘检测算法具有良好的分块性和对称性，可以充分利用GPU的并行架构；GPU处理低分辨率图像的加速效果并不明显，对高分辨率图像效果较好。这是因为分辨率较低时每个线程的运算量不充分，线程切换频繁，系统调度的开销占用了较多执行时间，当分辨率较高时，每线程处理数据增多，系统调度占用的执行时间也相对较少。因此在硬质合金可转位刀片缺陷检测系统中，对高分辨率图片采用 CUDA方案处理可以大大提高检测效率，并且可以获得较好的滤波效果，Sobel滤波效果如图6所示。

a)刀片原图3 结语图6 Sobel滤波效果本文在运用工业视觉在线检测技术的基础上，提出了基于 CUDA的硬质合金可转位刀片的缺陷检测方法。在此方法中，将传统的纯粹在 CPU中运行的图像处理方法移植到具有并行计算能力的GPU中，充分利用 GPU能够快速并行处理大规模数据的优点，把CPU从繁重的数据计算中解放出来，让 CPU更加有效地执行图像处理以外的其他工作，从而实现了快速检测刀片表面缺陷的目的，提高了生产效率，降低了生产成本，为刀具生产行业提供了-条有价值的思路。