Research Progresses on Tool Wear State Detection Based on Machine Vision

doi:10.3969/j.issn.1004-132X.2026.06.016

Abstract

Abstract:

Key technologies and research advancements concerning machine vision for tool wear condition monitoring were systematically reviewed. Starting from detection objects， correlations between wear features and conditions， as well as extraction methods， were discussed. Typical monitoring systems， including offline， on-machine static， and dynamic monitoring systems were outlined. At the level of detection methods， detection processes and key methods based on traditional image processing were systematically summarized， and applications of artificial intelligence technologies in these detection fields were elaborated. Advantages and limitations of various visual detection technologies were summarized， and future key research directions were projected. Leaps from two-dimensional to high-precision three-dimensional dynamic detections， upgrades from single-vision to multi-sensor fusion anti-interference systems， and implementations of generalized algorithms and edge deployments from laboratories to production lines were proposed to be achieved， aiming to provide systematic references for related researches and applications.

Key words: tool wear, machine vision, image acquisition, image preprocessing, state recognition

摘要：

系统综述了机器视觉在刀具磨损状态检测中的关键技术与研究进展。从检测对象入手，探讨了各检测对象中磨损特征与状态之间的关联以及提取方法。概述了包括离线、在机静态与动态监测在内的典型监测系统。梳理了基于传统图像处理的检测流程及关键方法，阐述了人工智能技术在该检测领域中的应用。归纳总结了各类视觉检测技术的优势及局限性，并对未来重点研究方向进行了展望，提出应实现从二维到高精度三维动态检测的跨越、从单一视觉到多传感器融合抗干扰体系的升级，以及从实验室到产线的泛化算法与边缘部署落地应用，旨在为相关研究与应用提供系统性参考。

关键词: 刀具磨损, 机器视觉, 图像采集, 图像预处理, 状态识别

CLC Number:

TP391.41

MENG Boyang, LI Zhongjie, XIANG Fuxing, LI Song, ZHOU Jiaqi, YUE Caixu. Research Progresses on Tool Wear State Detection Based on Machine Vision[J]. China Mechanical Engineering, 2026, 37(6): 1426-1441.

孟博洋, 李众杰, 向福星, 李松, 周佳琪, 岳彩旭. 基于机器视觉的刀具磨损状态检测研究进展[J]. 中国机械工程, 2026, 37(6): 1426-1441.

Figures/Tables 12

References 89

[1]	王蓉. 机械加工中刀具磨损的影响因素及对策［J］. 内燃机与配件， 2017（19）： 38-39.
	WANG Rong. Influencing Factors and Countermeasures of Tool Wear in Machining［J］. Internal Combustion Engine & Parts， 2017（19）： 38-39.
[2]	SALONITIS K， KOLIOS A. Reliability Assessment of Cutting Tool Life Based on Surrogate Approximation Methods［J］. The International Journal of Advanced Manufacturing Technology， 2014， 71（5）： 1197-1208.
[3]	VETRICHELVAN G， SUNDARAM S， SENTHIL KUMARAN S， et al. An Investigation of Tool Wear Using Acoustic Emission and Genetic Algorithm［J］. Journal of Vibration and Control， 2015， 21（15）： 3061-3066.
[4]	BANDA T， FARID A A， LI Chuan， et al. Application of Machine Vision for Tool Condition Monitoring and Tool Performance Optimization：a Review［J］. The International Journal of Advanced Manufacturing Technology， 2022， 121（11）： 7057-7086.
[5]	王海泉，郭修远，李辉，等. 刀具磨损检测技术综述［J］. 自动化技术与应用， 2024， 43（7）： 1-6.
	WANG Haiquan， GUO Xiuyuan， LI Hui， et al. Overview of Tool Wear Detection Technology［J］. Techniques of Automation and Applications， 2024， 43（7）： 1-6.
[6]	郭润兰，张昊，支晓波，等. 基于机器视觉的刀具磨损量在机检测研究［J］. 兰州理工大学学报， 2024， 50（6）： 33-41.
	GUO Runlan， ZHANG Hao， ZHI Xiaobo， et al. Research on On-machine Measurement of Tool Wear Based on Machine Vision［J］. Journal of Lanzhou University of Technology， 2024， 50（6）： 33-41.
[7]	CHENG Yaonan， GUAN Rui， JIN Yingbo， et al. Research on Intelligent Tool Condition Monitoring Based on Data-driven： a Review［J］. Journal of Mechanical Science and Technology， 2023， 37（7）： 3721-3738.
[8]	DER O， ORDU M， BASAR G. Optimization of Cutting Parameters in Manufacturing of Polymeric Materials for Flexible Two-phase Thermal Management Systems［J］. Materials Testing， 2024， 66（10）： 1700-1719.
[9]	叶祖坤，周军，秦超峰，等. 采用切削刃重构的刀具磨损视觉检测方法［J］. 西安交通大学学报， 2022， 56（11）： 11-20.
	YE Zukun， ZHOU Jun， QIN Chaofeng， et al. Visual Detection of Tool Wear through Cutting Edge Reconstruction［J］. Journal of Xi’an Jiaotong University， 2022， 56（11）： 11-20.
[10]	KAMRATOWSKI M， JANßEN C， DAVIDOVIC M， et al. Quantification of Wear on Gear Cutting Tools Using Computer Vision Methods［J］. Forschung Im Ingenieurwesen， 2025， 89（1）： 97.
[11]	李雪冰. 铣削加工过程刀具磨损及破损状态智能监测技术研究［D］. 哈尔滨：哈尔滨理工大学， 2023.
	LI Xuebing. Research on Intelligent Monitoring Technology for Tool Wear and Breakage Conditions during Milling Process［D］. Harbin： Harbin University of Science and Technology， 2023.
[12]	PENG Yeping， QIN Shucong， WANG Tao， et al. Volume Monitoring of the Milling Tool Tip Wear and Breakage Based on Multi-focus Image Three-dimensional Reconstruction［J］. The International Journal of Advanced Manufacturing Technology， 2023， 126（7）： 3383-3400.
[13]	张杨，高兴宇，党艳阳，等. 基于三维图像处理的车刀磨损缺陷检测方法研究［J］. 机床与液压， 2023， 51（24）： 43-47.
	ZHANG Yang， GAO Xingyu， DANG Yanyang， et al. Research on Tool Wear Defect Detection Method Based on 3D Image Processing［J］. Machine Tool & Hydraulics， 2023， 51（24）： 43-47.
[14]	陈渊，王海雄，易怀安. 基于改进AKAZE算法的数控铣削刀具三维图像重建［J］. 机床与液压， 2025， 53（4）： 68-72.
	CHEN Yuan， WANG Haixiong， YI Huaian. 3D Image Reconstruction of CNC Milling Tool Based on Improved AKAZE Algorithm［J］. Machine Tool & Hydraulics， 2025， 53（4）： 68-72.
[15]	彭锐涛，丁珑，赵林峰，等. 基于机器视觉的铣刀磨损在机检测方法［J］. 航空制造技术， 2023， 66（14）： 143-152.
	PENG Ruitao， DING Long， ZHAO Linfeng， et al. Milling Cutter Wear Detection Method Based on Machine Vision［J］. Aeronautical Manufacturing Technology， 2023， 66（14）： 143-152.
[16]	刘雨成. 基于边缘计算的CNC刀具磨损状态监测系统的开发［D］. 深圳：深圳大学， 2022.
	LIU Yucheng. Development of a Monitoring System for CNC Tool Wear State Based on Edge Computing［D］. Shenzhen： Shenzhen University， 2022.
[17]	袁军，刘丽冰，陈英姝，等. 基于RULBP与GLCM的已加工工件表面纹理特征表征［J］. 制造技术与机床， 2021（10）： 84-89.
	YUAN Jun， LIU Libing， CHEN Yingshu， et al. Characterization of the Texture Characteristics of the Machined Surface Image Based on RULBP and GLCM［J］. Manufacturing Technology & Machine Tool， 2021（10）： 84-89.
[18]	KERR D， PENGILLEY J， GARWOOD R. Assessment and Visualisation of Machine Tool Wear Using Computer Vision［J］. The International Journal of Advanced Manufacturing Technology， 2006， 28（7）： 781-791.
[19]	王彤，刘丽冰，黄凤荣，等. 基于Gabor-GLCM工件表面纹理特征的刀具状态视诊［J］. 组合机床与自动化加工技术， 2019（10）： 60-64.
	WANG Tong， LIU Libing， HUANG Fengrong， et al. Tool Status Visual Diagnosis Based on Gabor-GLCM Workpiece Surface Texture Features［J］. Modular Machine Tool & Automatic Manufacturing Technique， 2019（10）： 60-64.
[20]	DUTTA S， PAL S K， SEN R. Progressive Tool Flank Wear Monitoring by Applying Discrete Wavelet Transform on Turned Surface Images［J］. Measurement， 2016， 77： 388-401.
[21]	熊四昌，计时鸣，樊炜，等. 基于马尔可夫随机场工件表面纹理模型的刀具状态监测［J］. 中国机械工程， 2004， 15（8）： 678-680.
	XIONG Sichang， JI Shiming， FAN Wei， et al. Machine Tool Condition Monitoring Based on MRF Workpiece SurfaceTexture Model［J］. China Mechanical Engineering， 2004， 15（8）： 678-680.
[22]	曾泽坤，陈云，李源，等. 基于加工表面多重分形分析的刀具磨损预测［J］. 航空制造技术， 2025， 68（21）： 165-177.
	ZENG Zekun， CHEN Yun， LI Yuan， et al. Prediction of Tool Wear Based on Multi-fractal Analysis of Machined Surfaces［J］. Aeronautical Manufacturing Technology， 2025， 68（21）： 165-177.
[23]	DATTA A， DUTTA S， PAL S K， et al. Progressive Cutting Tool Wear Detection from Machined Surface Images Using Voronoi Tessellation Method［J］. Journal of Materials Processing Technology， 2013， 213（12）： 2339-2349.
[24]	LI Xuebing， LIU Xianli， YUE Caixu. Tool Failure Mechanisms and Cutting Performance Analysis during High-feed Milling of 508-III Steel［J］. The International Journal of Advanced Manufacturing Technology， 2023， 128（9）： 3921-3936.
[25]	PAGANI L， PARENTI P， CATALDO S， et al. Indirect Cutting Tool Wear Classification Using Deep Learning and Chip Colour Analysis［J］. The International Journal of Advanced Manufacturing Technology， 2020， 111（3）： 1099-1114.
[26]	CHEN S H， GAO Minsheng. The Study of Chip Characteristics and Tool Wear in Milling of SKD61 Mold Steel［J］. Journal of Mechanical Science and Technology， 2022， 36（6）： 2817-2824.
[27]	GUAN Rui， CHENG Yaonan， ZHOU Shilong， et al. Research on Tool Wear Classification of Milling 508III Steel Based on Chip Spectrum Feature［J］. The International Journal of Advanced Manufacturing Technology， 2024， 133（3）： 1531-1547.
[28]	BOUCHAMA R， CHERFIA A， CHIKH Y. Cutting Tool Wear Prediction Based on Chip Features Extracted from Image Processing and AutoML［J］. The International Journal of Advanced Manufacturing Technology， 2025， 137（9）： 4603-4629.
[29]	陈晓波，梁伟云，习俊通，等. 用于检测立铣刀磨损状态的正交视觉检测系统： CN102564314B［P］. 2014-04-16.
	CHEN Xiaobo， LIANG Weiyun， XI Juntong， et al. Orthogonal Vision Inspection System for Detecting the Wear Status of End Mills： CN102564314B［P］. 2014-04-16.
[30]	邓晓鹏，王妍，洪煜，等. 采用自适应区域生长的微型钻铣刀具磨损检测方法［J］. 西安交通大学学报， 2021， 55（12）： 98-107.
	DENG Xiaopeng， WANG Yan， HONG Yu， et al. Wear Detection for Micro-drill and Micro-milling Tool viaAdaptive Region Growth Algorithm［J］. Journal of Xi’an Jiaotong University， 2021， 55（12）： 98-107.
[31]	田颖，杨利明，郜占旭，等. 立铣刀侧刃磨损检测的装置及方法［J］. 天津大学学报（自然科学与工程技术版）， 2022， 55（10）： 1008-1015.
	TIAN Ying， YANG Liming， GAO Zhanxu， et al. Device and Method for Detecting Side Edge Wear of End Milling［J］. Journal of Tianjin University （Science and Technology）， 2022， 55（10）： 1008-1015.
[32]	WEIS W. Tool Wear Measurement on Basis of Optical Sensors， Vision Systems and Neuronal Networks （Application Milling）［C］∥Proceedings of WESCON '93. San Francisco， IEEE， 2002： 134-138.
[33]	贾冰慧，全燕鸣，朱正伟. 面向刀具磨损在机检测的机器视觉系统［J］. 中国测试， 2014， 40（6）： 60-63.
	JIA Binghui， QUAN Yanming， ZHU Zhengwei. Machine Vision System for On-machine Tool Wear Detection［J］. China Measurement & Testing Technology， 2014， 40（6）： 60-63.
[34]	DAI Yiquan， ZHU Kunpeng. A Machine Vision System for Micro-milling Tool Condition Monitoring［J］. Precision Engineering， 2018， 52： 183-191.
[35]	刘建春，苏进发，叶中赵，等. 面向立铣刀磨损的在机视觉检测方法研究［J］. 机床与液压， 2023， 51（13）： 52-57.
	LIU Jianchun， SU Jinfa， YE Zhongzhao， et al. Research on the On-machine Vision Detection Method for End Mill Wear［J］. Machine Tool & Hydraulics， 2023， 51（13）： 52-57.
[36]	CHRISTIAND， KISWANTO G， BASKORO A S， et al. MicroEye： a Low-cost Online Tool Wear Monitoring System with Modular 3D-printed Components for Micro-milling Application［J］. HardwareX， 2022， 11： e00269.
[37]	胡家皓，闵峻英，李永记，等. 快反镜辅助的回转刀具磨损状态在机检测技术研究［J］. 机械科学与技术， 2021， 40（10）： 1536-1540.
	HU Jiahao， MIN Junying， LI Yongji， et al. Fast Steering Mirror Assisted On-machine Detection Technique of Wear Condition of Rotary Tool［J］. Mechanical Science and Technology for Aerospace Engineering， 2021， 40（10）： 1536-1540.
[38]	ZHANG Yonghong， ZHANG Yingchao， TANG Huiqiang， et al. Images Acquisition of a High-speed Boring Cutter for Tool Condition Monitoring Purposes［J］. The International Journal of Advanced Manufacturing Technology， 2010， 48（5）： 455-460.
[39]	QIN Aoping， GUO Liang， YOU Zhichao， 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）： 3365-3376.
[40]	YOU Zhichao， GAO Hongli， GUO Liang， et al. Machine Vision Based Adaptive Online Condition Monitoring for Milling Cutter under Spindle Rotation［J］. Mechanical Systems and Signal Processing， 2022， 171： 108904.
[41]	张娜娜，张媛媛，丁维奇. 经典图像去噪方法研究综述［J］. 化工自动化及仪表， 2021， 48（5）： 409-412.
	ZHANG Nana， ZHANG Yuanyuan， DING Weiqi. Review of Classical Image Denoising Methods［J］. Control and Instruments in Chemical Industry， 2021， 48（5）： 409-412.
[42]	YU Jianbo， CHENG Xun， ZHAO Zhihong. A Machine Vision Method for Measurement of Drill Tool Wear［J］. The International Journal of Advanced Manufacturing Technology， 2022， 118（9）： 3303-3314.
[43]	管声启，洪奔奔，梁洪，等. 高斯差分滤波显著性的刀具磨损检测［J］. 机械科学与技术， 2018， 37（2）： 276-279.
	GUAN Shengqi， HONG Benben， LIANG Hong， et al. Tool Wear Detection Using Gauss Filter Saliency［J］. Mechanical Science and Technology for Aerospace Engineering， 2018， 37（2）： 276-279.
[44]	FU Pan， LI Weilin， ZHU Liqin. Cutting Tool Wear Monitoring Based on Wavelet Denoising and Fractal Theory［J］. Applied Mechanics and Materials， 2011， 48/49： 349-352.
[45]	龙云淋，吴一全，周杨. 结合NSST和快速非局部均值滤波的刀具图像去噪［J］. 信号处理， 2017， 33（11）： 1505-1514.
	LONG Yunlin， WU Yiquan， ZHOU Yang. Cutting Tool Image Denoising Based on NSST and Fast Non-local Means Filter［J］. Journal of Signal Processing， 2017， 33（11）： 1505-1514.
[46]	王浩，张叶，沈宏海，等. 图像增强算法综述［J］. 中国光学， 2017， 10（4）： 438-448.
	WANG Hao， ZHANG Ye， SHEN Honghai， et al. Review of Image Enhancement Algorithms［J］. Chinese Journal of Optics， 2017， 10（4）： 438-448.
[47]	NIE Peng， GUO Yongxi， LOU Bixuan， et al. Tool Wear Monitoring Based on ScSE-ResNet-50-TSCNN Model Integrating Machine Vision and Force Signals［J］. Measurement Science and Technology， 2024， 35（8）： 086117.
[48]	YU Jianbo， CHENG Xun， LU Liang， et al. A Machine Vision Method for Measurement of Machining Tool Wear［J］. Measurement， 2021， 182： 109683.
[49]	管声启，屈云仙，高照元. 小波域同态滤波的刀具磨损检测［J］. 机械科学与技术， 2013， 32（11）： 1703-1707.
	GUAN Shengqi， QU Yunxian， GAO Zhaoyuan. A Tool Wear Detection by Wavelet Homomorphism Filtering［J］. Mechanical Science and Technology for Aerospace Engineering， 2013， 32（11）： 1703-1707.
[50]	管声启，师红宇. 整数小波提升分解的刀具磨损检测方法［J］. 制造技术与机床， 2013（7）： 131-134.
	GUAN Shengqi， SHI Hongyu. A Tool Wear Detection Method of Integer Wavelet Lifting Decomposition［J］. Manufacturing Technology & Machine Tool， 2013（7）： 131-134.
[51]	黄鹏，郑淇，梁超. 图像分割方法综述［J］. 武汉大学学报（理学版）， 2020， 66（6）： 519-531.
	HUANG Peng， ZHENG Qi， LIANG Chao. Overview of Image Segmentation Methods［J］. Journal of Wuhan University （Natural Science Edition）， 2020， 66（6）： 519-531.
[52]	汤勃，孔建益，伍世虔. 机器视觉表面缺陷检测综述［J］. 中国图象图形学报， 2017， 22（12）： 1640-1663.
	TANG Bo， KONG Jianyi， WU Shiqian. Review of Surface Defect Detection Based on Machine Vision［J］. Journal of Image and Graphics， 2017， 22（12）： 1640-1663.
[53]	张婧，张策，张茹，等. 图像分割述评：基本概貌、典型算法及比较分析［J］. 计算机技术与发展， 2024， 34（1）： 1-8.
	ZHANG Jing， ZHANG Ce， ZHANG Ru， et al. Review of Image Segmentation： Basic Overview， Typical Algorithms and Comparative Analysis［J］. Computer Technology and Development， 2024， 34（1）： 1-8.
[54]	WEI Wenming， YIN Jia， ZHANG Jun， et al. Wear and Breakage Detection of Integral Spiral End Milling Cutters Based on Machine Vision［J］. Materials， 2021， 14（19）： 5690.
[55]	CHEN Peiwen， YU Jianbo. Machining Tool Wear Detection and Measurement Based on Edge Extraction and Subpixel Fitting［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 5033211.
[56]	GUO Lei， DUAN Zhengcong， GUO Wanjin， et al. Machine Vision-based Recognition of Elastic Abrasive Tool Wear and Its Influence on Machining Performance［J］. Journal of Intelligent Manufacturing， 2024， 35（8）： 4201-4216.
[57]	ZHU Kunpeng， YU Xiaolong. The Monitoring of Micro Milling Tool Wear Conditions by Wear Area Estimation［J］. Mechanical Systems and Signal Processing， 2017， 93： 80-91.
[58]	李姗姗，刘丽冰，李莉，等. 基于区域生长法的数控刀具磨损状态检测方法［J］. 制造技术与机床， 2017（2）： 132-136.
	LI Shanshan， LIU Libing， LI Li， et al. A Method of CNC Tool Wear Condition Monitoring Based on Region Growing Arithmetic［J］. Manufacturing Technology & Machine Tool， 2017（2）： 132-136.
[59]	刘建军，刘丽冰，彭伟尧，等. 面向刀具磨损图像区域分割的改进分水岭算法［J］. 机械科学与技术， 2020， 39（5）： 729-735.
	LIU Jianjun， LIU Libing， PENG Weiyao， et al. An Improved Watershed Algorithm for Segmenting Tool Wear Images［J］. Mechanical Science and Technology for Aerospace Engineering， 2020， 39（5）： 729-735.
[60]	张豪，闵榕城，彭星海，等. 基于机器视觉的刀具磨损特征值获取方法［J］. 工具技术， 2024， 58（9）： 131-137.
	ZHANG Hao， MIN Rongcheng， PENG Xinghai， et al. Tool Wear Eigenvalue Acquisition Method Based on Machine Vision［J］. Tool Engineering， 2024， 58（9）： 131-137.
[61]	HONG Weijun， JI Huawei， WANG Changhao， et al. Online Detection Technology of Triangular-blade Tool Grinding Precision Based on Machine Vision［J］. Applied Optics， 2024， 63（24）： 6419-6431.
[62]	FERNÁNDEZ-ROBLES L， CHARRO N， SÁNCHEZ-GONZÁLEZ L， et al. Tool Wear Estimation and Visualization Using Image Sensors in Micro Milling Manufacturing［C］∥Hybrid Artificial Intelligent Systems. Cham： Springer， 2018： 399-410.
[63]	CHEN Honghuan， CHENG Cong， HONG Jiangkun， et al. An On-machine Tool Wear Area Identification Method Based on Image Augmentation and Advanced Segmentation［J］. Journal of Manufacturing Processes， 2024， 132： 558-569.
[64]	DONG Xinfeng， LI Yongsheng. Online Detection of Turning Tool Wear Based on Machine Vision［J］. Journal of Computing and Information Science in Engineering， 2022， 22（5）： 050903.
[65]	YOU Zhichao， GAO Hongli， GUO Liang， et al. On-line Milling Cutter Wear Monitoring in a Wide Field-of-view Camera［J］. Wear， 2020， 460/461： 203479.
[66]	ZHOU Junjie， YU Jianbo. Chisel Edge Wear Measurement of High-speed Steel Twist Drills Based on Machine Vision［J］. Computers in Industry， 2021， 128： 103436.
[67]	ZHENG Ying， WANG Muzi， CHEN Gongchao， et al. Machine Learning-enhanced Vision Systems for Cutting Tool Notch Detection in New Energy Battery Manufacturing［J］. Measurement Science and Technology， 2025， 36（1）： 016017.
[68]	QU Jiaxu， YUE Caixu， ZHOU Jiaqi， et al. On-machine Detection of Face Milling Cutter Damage Based on Machine Vision［J］. The International Journal of Advanced Manufacturing Technology， 2024， 133（3）： 1865-1879.
[69]	魏效玲，崔岳，王国锋. 基于机器视觉的铣刀侧铣磨损测量［J］. 组合机床与自动化加工技术， 2021（1）： 88-91.
	WEI Xiaoling， CUI Yue， WANG Guofeng. Research on Milling Wear of Cutter Side Based on Machine Vision［J］. Modular Machine Tool & Automatic Manufacturing Technique， 2021（1）： 88-91.
[70]	于化东，张留新，许金凯，等. 微小车床刀具磨损检测方法［J］. 长春理工大学学报（自然科学版）， 2014， 9（2）： 1-5.
	YU Huadong， ZHANG Liuxin， XU Jinkai， et al. Detection Method for Tool Wear of Small Lathe［J］. Journal of Changchun University of Science and Technology， 2014， 9（2）： 1-5.
[71]	BHAT N N， DUTTA S， VASHISTH T， et al. Tool Condition Monitoring by SVM Classification of Machined Surface Images in Turning［J］. The International Journal of Advanced Manufacturing Technology， 2016， 83（9）： 1487-1502.
[72]	GARCÍA-ORDÁS M T， ALEGRE-GUTIÉRREZ E， ALAIZ-RODRÍGUEZ R， et al. Tool Wear Monitoring Using an Online， Automatic and Low Cost System Based on Local Texture［J］. Mechanical Systems and Signal Processing， 2018， 112： 98-112.
[73]	冯凯，刘丽冰，王旭琳，等. 异构数据融合的CNC刀具磨损状态在线识别方法［J］. 现代制造工程， 2020（8）： 97-104.
	FENG Kai， LIU Libing， WANG Xulin， et al. On-line Recognition Method of CNC Tool Wear Conditions Based on Heterogeneous Data Fusion［J］. Modern Manufacturing Engineering， 2020（8）： 97-104.
[74]	EL-TAYBANY Y， ELHENDAWY G A. Experimental Investigation of Different Machine Learning Approaches for Tool Wear Classification Based on Vision System of Milled Surface［J］. International Journal on Interactive Design and Manufacturing （IJIDeM）， 2025， 19（2）： 849-866.
[75]	BHAT N N， DUTTA S， PAL S K， et al. Tool condition classification in turning process using hidden Markov model based on texture analysis of machined surface images［J/OL］. Measurement， 2016， 90： 500-509.
[76]	李姗姗. CNC机床刀具状态视觉监控方法及应用研究［D］. 天津：河北工业大学， 2017.
	LI Shanshan. Research on the Method and Application of CNC Machine Tool Condition Visual Monitoring［D］. Tianjin： Hebei University of Technology， 2017.
[77]	REHMAN AUR， SALWA RABBI NISHAT T， UDDIN AHMED M， et al. Chip Analysis for Tool Wear Monitoring in Machining： a Deep Learning Approach［J］. IEEE Access， 2024， 12： 112672-112689.
[78]	BRILI N， FICKO M， KLANČNIK S. Automatic Identification of Tool Wear Based on Thermography and a Convolutional Neural Network during the Turning Process［J］. Sensors， 2021， 21（5）： 1917.
[79]	ZHOU Jiaqi， YUE Caixu， LIU Xianli， et al. Classification of Tool Wear State Based on Dual Attention Mechanism Network［J］. Robotics and Computer-integrated Manufacturing， 2023， 83： 102575.
[80]	FENG Lei， ZHANG Shuai， LI Zhaoxiang， et al. Research on Classification and Recognition of Micro Milling Tool Wear Based on Improved DenseNet［J］. IEEE Access， 2025， 13： 65659-65671.
[81]	卢治业，黄华，郭润兰，等. 基于深度学习的切削刀具刀尖磨损检测方法［J］. 计算机集成制造系统， 2025， 31（7）： 2425-2437.
	LU Zhiye， HUANG Hua， GUO Runlan， et al. Deep Learning Based Tip Wear Detection Method for Cutting Tools［J］. Computer Integrated Manufacturing Systems， 2025， 31（7）： 2425-2437.
[82]	ZHAO Pengyue， LI Ziteng， YOU Zhichao， et al. SE-U-Lite： Milling Tool Wear Segmentation Based on Lightweight U-Net Model with Squeeze-and-excitation Module［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 5018408.
[83]	LIN Yusheng， TSAI M S. Development of SAM-augmented U-Net Model with Transfer Learning for Multiple Tool Wear Detection［J］. IEEE Transactions on Instrumentation and Measurement， 2025， 74： 5007108.
[84]	SU Zijun， ZHU Shuwei， WEN Haiying， et al. An Improved UNet with Multi-field Convolution Residual Module for Turning Tool Wear Segmentation［C］∥2024 30th International Conference on Mechatronics and Machine Vision in Practice （M2VIP）. IEEE， 2024： 1-6.
[85]	SCHLEGEL C， MOLITOR D A， KUBIK C， et al. Tool Wear Segmentation in Blanking Processes with Fully Convolutional Networks Based Digital Image Processing［J］. Journal of Materials Processing Technology， 2024， 324： 118270.
[86]	QIN Liming， ZHOU Xianliang， WU Xuefeng. Research on Wear Detection of End Milling Cutter Edge Based on Image Stitching［J］. Applied Sciences， 2022， 12（16）： 8100.
[87]	YOO Y， YANG G， PARK K， et al. Extendable Machine Tool Wear Monitoring Process Using Image Segmentation Based Deep Learning Model and Automatic Detection of Depth of Cut Line［J］. Engineering Applications of Artificial Intelligence， 2024， 135： 108570.
[88]	林晨. 基于目标检测与语义分割的立铣刀磨损状态检测方法［D］. 杭州：杭州电子科技大学， 2024.
	LIN Chen. Method for End Mill Wear Status Detection Based on Object Detection and Semantic Segmentation［D］. Hangzhou： Hangzhou Dianzi University， 2024.
[89]	YIN Haifang， WANG Zhenhua. Turning Tool Wear Detection and Error Analysis Based on DeepLab V3 Semantic Segmentation Networks［J］. International Journal on Interactive Design and Manufacturing （IJIDeM）， 2026， 20（1）： 233-246.

类别	常用方法	特点
统计方法	灰度共生矩阵法	简单易实现，鲁棒性好，但计算复杂度高
	局部二值模式法	计算快，易于理解，对纹理特征非常敏感
	行程长度统计法	通过分析连续像素分布，具有较强的统计性能
频谱方法	傅里叶变换法	通过频域分析周期性变化，适合处理规则纹理
	Gabor滤波法	符合人类视觉特性，能有效结合多尺度空频信息
	小波变换法	支持多分辨率分析，能实现空频局部化处理
模型方法	分形模型方法	用于描述纹理自相似性，兼顾了随机与规律性
模型方法	马尔可夫随机场	能够有效建模空间依赖性，但参数求解较复杂
结构方法	Voronoi镶嵌	通过几何结构进行分割，能有效表达基元的排列
结构方法	Zucker模型	基于基本单元的规则性，非常适合合成纹理分析

类别	常用方法	特点
统计方法	灰度共生矩阵法	简单易实现，鲁棒性好，但计算复杂度高
	局部二值模式法	计算快，易于理解，对纹理特征非常敏感
	行程长度统计法	通过分析连续像素分布，具有较强的统计性能
频谱方法	傅里叶变换法	通过频域分析周期性变化，适合处理规则纹理
	Gabor滤波法	符合人类视觉特性，能有效结合多尺度空频信息
	小波变换法	支持多分辨率分析，能实现空频局部化处理
模型方法	分形模型方法	用于描述纹理自相似性，兼顾了随机与规律性
模型方法	马尔可夫随机场	能够有效建模空间依赖性，但参数求解较复杂
结构方法	Voronoi镶嵌	通过几何结构进行分割，能有效表达基元的排列
结构方法	Zucker模型	基于基本单元的规则性，非常适合合成纹理分析

处理域	常用方法	特点
空间域	均值滤波	简单易实现，计算快，对高斯噪声有效，但会模糊图像细节
	高斯滤波	能有效去除高斯噪声，但会导致图像整体模糊
	中值滤波	对椒盐噪声处理效果极佳，但会破坏复杂图像几何结构
	双边滤波	可保留细节信息，但易平滑掉纹理特征
变换域	小波变换	可保留频率和空间信息，支持多尺度分析，但方向选择性有限
变换域	傅里叶低通滤波	能有效平滑图像滤除高频噪声，但极易模糊边缘

处理域	常用方法	特点
空间域	均值滤波	简单易实现，计算快，对高斯噪声有效，但会模糊图像细节
	高斯滤波	能有效去除高斯噪声，但会导致图像整体模糊
	中值滤波	对椒盐噪声处理效果极佳，但会破坏复杂图像几何结构
	双边滤波	可保留细节信息，但易平滑掉纹理特征
变换域	小波变换	可保留频率和空间信息，支持多尺度分析，但方向选择性有限
变换域	傅里叶低通滤波	能有效平滑图像滤除高频噪声，但极易模糊边缘

处理域	常用方法	特点
空间域	直方图均衡化	全局对比度增强速度快，但易丢失细节
	自适应直方图均衡化	局部增强效果好，能保留细节，但计算量较大
	灰度变换	支持手动调节灰度范围，但增强效果依赖经验
变换域	小波变换	凭借多尺度分解能极佳地保留边缘，但计算较复杂
	傅里叶高通滤波	能增强高频信息以提升轮廓清晰度，但容易放大噪声
	同态滤波	压缩光照动态范围以增强暗部细节，但低光下易产生光晕