基于空间注意力机制U-Net的铣刀磨损在位监测方法

doi:10.3969/j.issn.1004-132X.2025.11.030

摘要/Abstract

摘要：

针对目前基于机器视觉刀具磨损离线测量工作量大、准确度差的问题，提出一种基于空间注意力机制U-Net的加工中心铣刀磨损在位监测方法。首先，搭建了刀具磨损量自动监测实验平台，该平台通过PMC编程，使用NC代码控制主轴定向和旋转角度，实现对铣刀侧刃磨损区域的自动定位；其次，通过Focas协议和C#脚本与机床通信，实现铣刀底刃和每个侧刃的自动在位拍摄；然后，通过LabelMe软件制作标签文件，采用空间注意力机制U-Net语义分割方法精确识别磨损区域，结合形态学方法计算获得量化的刀具磨损值；最后，将提出模型与Deeplabv3+、全卷积网络（FCN）、Lraspp、SegNet、PspNet等语义分割模型对比，验证所提方法的有效性和准确性。

关键词: U-Net模型, 注意力机制, 机器视觉, 铣刀, 磨损监测

Abstract:

To address the issues of high workload and low accuracy in existing machine vision-based off-line tool wear measurement， an in-situ monitoring method for milling tool wear in machining centers was proposed based on a spatial attention mechanism U-Net. Firstly， an automatic tool wear monitoring experimental platform was established. Through PMC programming， the platform employed NC codes to control spindle orientation and rotation angles， enabling automatic positioning of the wear areas on the lateral cutting edges of the milling cutters. Secondly， communication with the machine tool through the Focas protocol and C# scripts， automatic in-situ imaging of the milling cutter's bottom edge and each lateral edge were realized. Next， label files were created by using LabelMe software， the spatial attention mechanism U-Net semantic segmentation method was employed to accurately identify the wear areas， and the quantifiable tool wear values were obtained by combining the morphological method. Finally， the proposed model was compared with semantic segmentation models such as Deeplabv3+， full convolutional networks（FCN）， Lraspp， SegNet， and PspNet to verify the effectiveness and accuracy of the proposed method.

Key words: U-Net model, attention mechanism, machine vision, milling tool, wear monitoring

中图分类号:

TP181

张松, 张超勇, 朱传军, 赛希亚拉图. 基于空间注意力机制U-Net的铣刀磨损在位监测方法[J]. 中国机械工程, 2025, 36(11): 2720-2727.

Song ZHANG, Chaoyong ZHANG, Chuanjun ZHU, Saixiyalatu BAO. In-situ Monitoring Method of Milling Cutter Wear Based on Spatial Attention Mechanism U-Net[J]. China Mechanical Engineering, 2025, 36(11): 2720-2727.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2025.11.030

https://www.cmemo.org.cn/CN/Y2025/V36/I11/2720

图/表 15

图1 刀具磨损量在位监测平台

Fig.1 Online tool wear monitoring platform

表1 相机参数

Tab.1 Camera parameters

型号	TD-KM-4KH	AO-HK810
分辨率/（pixel×pixel）	3840×2160
相元尺寸/（μm×μm）	1.88×2.5	2.2×2.2
输出接口	HDMI	HDMI、USB
镜头	高清镜头	大景深镜头
视野范围/mm	100	30
放大倍数	7~80	20~120
拍摄软件	ImageView

图2 自动化图像获取程序

Fig. 2 Automated image acquisition program

图3 立铣刀

Fig.3 End mill

图4 刀具磨损宽度获取流程

Fig.4 Tool wear width acquisition process

图5 U-Net网络

Fig.5 U-Net network

图6 空间注意力机制

Fig. 6 Spatial attention mechanisms

图7 侧刃边线

Fig.7 Lateral cutting boundary line

表2 切削参数和实验配置

Tab.2 Cutting parameters and experimental configurations

刀具型号	4刃钨钢立铣刀
刀具硬度	70HRC
工件材料	H13模具钢
工件尺寸（长×宽×高）/（mm×mm×mm）	200×100×100
切深/mm	0.2
切宽/mm	0.2
转速/（r·min^-1）	2500
进给速度/（mm·min^-1）	200

图8 训练结果

Fig.8 Training results

图9 模型评估结果

Fig.9 Model evaluation results

图10 分割结果

Fig.10 Segmentation results

图11 磨损计算结果

Fig.11 Wear calculation results

表3 模型结果比较 (%)

Tab.3 Comparison of model results

模型名称	mIoU	mPA	R_A	R_R
U-Net	95.22	97.48	99.88	95.03
改进U-Net	95.94	97.97	99.89	95.99
Deeplabv3+	91.05	95.67	99.76	91.47
FCN	87.82	96.01	99.74	81.13
Lraspp	77.69	90.22	99.41	64.50
SegNet	93.77	96.72	99.84	93.52
PspNet	90.28	94.27	99.74	88.66

图12 磨损真实与预测图

Fig.12 Actual and predicted wear images

参考文献 15

[1]	刘会永，张松，李剑峰，等. 采用改进CNN-BiLSTM模型的刀具磨损状态监测［J］. 中国机械工程， 2022， 33（16）： 1940-1947.
	LIU Huiyong， ZHANG Song， LI Jianfeng， et al. Tool Wear Detection Based on Improved CNN-BiLSTM Model［J］. China Mechanical Engineering， 2022， 33（16）： 1940-1947.
[2]	聂鹏，杨程越，彭新月，等.采用空间和通道激励注意力机制优化ResNet-50的CFRP/TC4叠层材料钻削刀具磨损状态监测［J］.中国机械工程，2024，35（10）：1793-1801.
	NIE Peng， YANG Chengyue， PENG Xinyue， et al. Tool Wear Condition Monitoring for Drilling CFRP/TC4 Laminated Materials Using scSE Optimised ResNet-50［J］. China Mechanical Engineering， 2024， 35（10）： 1793-1801.
[3]	JÁUREGUI J C， RESÉNDIZ J R， THENOZHI S， et al. Frequency and Time-frequency Analysis of Cutting Force and Vibration Signals for Tool Condition Monitoring［J］. IEEE Access， 2018， 6： 6400-6410.
[4]	王秋莲，欧桂雄，徐雪娇，等.基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究［J］.中国机械工程，2024，35（6）：1052-1063.
	WANG Qiulian， Guixiong OU， XU Xuejiao， et al. Research on Cutting Power Prediction Model of CNC Milling Machine Considering Tool Wear Based on VMD-SSA-LSTM［J］. China Mechanical Engineering， 2024， 35（6）： 1052-1063.
[5]	周俊杰，余建波.基于机器视觉的加工刀具磨损量在线测量［J］.上海交通大学学报，2021，55（6）：741-749.
	ZHOU Junjie， YU Jianbo. Online Measurement of Machining Tool Wear Based on Machine Vision［J］. Journal of Shanghai Jiao Tong University， 2021， 55（6）： 741-749.
[6]	QIN A， GUO L， YOU Z， et al. Research on Automatic Monitoring Method of Face Milling Cutter Wear Based on Dynamic Image Sequence［J］.The International Journal of Advanced Manufacturing Technology，2020，110（11/12）：3365-3376.
[7]	程训，余建波. 基于机器视觉的加工刀具磨损监测方法［J］. 浙江大学学报（工学版）， 2021， 55（5）： 896-904.
	CHENG Xun， YU Jianbo. Tool Wear Monitoring Method for Machining Based on Machine Vision［J］. Journal of Zhejiang University（Engineering Science）， 2021， 55（5）： 896-904.
[8]	ZHANG J， ZHANG C， GUO S， et al. Research on Tool Wear Detection Based on Machine Vision in End Milling Process［J］. Production Engineering， 2012， 6： 431-437.
[9]	PENG R， PANG H， JIANG H， et al. Study of Tool Wear Monitoring Using Machine Vision［J］. Automatic Control and Computer Sciences， 2020， 54（3）： 259-270.
[10]	田颖，杨利明. 基于组合型阈值分割的在线立铣刀侧刃磨损测量［J］. 天津大学学报（自然科学与工程技术版）， 2023， 56（1）： 81-92.
	TIAN Ying， YANG Liming. Online Measurement of Flank Wear of End Mills Based on Combined Threshold Segmentation［J］. Journal of Tianjin University（Science and Technology）， 2023， 56（1）： 81-92.
[11]	何彦，凌俊杰，王禹林，等.基于长短时记忆卷积神经网络的刀具磨损在线监测模型［J］.中国机械工程，2020，31（16）：1959-1967.
	HE Yan， LING Junjie， WANG Yulin， et al. Online Monitoring Model of Tool Wear Based on Long Short-term Memory Convolutional Neural Network［J］. China Mechanical Engineering， 2020， 31（16）： 1959-1967.
[12]	BERGS T， HOLST C， GUPTA P， et al.Digital Image Processing with Deep Learning for Automated Cutting Tool Wear Detection［J］.Procedia Manufacturing， 2020， 48： 947-958.
[13]	YU Y， ZHANG Y， YU J， et al.Lightweight Decoder U-net Crack Segmentation Network Based on Depthwise Separable Convolution［J］.Multimedia Systems，2024， 30（5）：295-295.
[14]	RONNEBERGER O， FISCHER P， BROX T. U-net： Convolutional Networks for Biomedical Image Segmentation［C］∥Medical Image Computing and Computer-assisted Intervention. Cham： Springer International Publishing， 2015： 234-241.
[15]	SUN Y， GENG S， GUO H， et al. A Strip Steel Surface Defect Salient Object Detection Based on Channel， Spatial and Self-attention Mechanisms［J］. Electronics， 2024， 13（21）： 4277.