基于机器视觉刻划刀具的磨损检测

毛励; 丁艳春; 石广丰; 吕海龙; 武嘉雨

doi:10.12404/j.issn.1671-1815.2501615

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (5) :1938-1945 DOI: 10.12404/j.issn.1671-1815.2501615

矿冶工程

基于机器视觉刻划刀具的磨损检测

毛励 ¹ ,
丁艳春 ¹^,^* ,
石广丰 ² ,
吕海龙 ¹ ,
武嘉雨 ¹

作者信息 +

Machine Vision-based Wear Detection for Scribing Tools

Author information +

文章历史 +

摘要

针对机械刻划刀具磨损检测效率低、精度有限等问题,提出一种基于机器视觉的检测方法,实现刻划刀具经济高效、微米级尺度的磨损检测。首先,由工业相机获取刻划刀具刀尖图像,对其进行图像裁剪和灰度处理;随后,采用中值滤波、高斯滤波和均值滤波3种方法分别对灰度图像进行滤波处理和比较,择优对滤波图像进行锐化,优化边缘特征;最后,基于Canny亚像素边缘检测方法对刻划刀具图像进行边缘提取。结果表明,刻划刀具的主要磨损区域为主刻划刃和后刀面,其磨损长度分别为361.1 μm和43.7 μm,沿远离刀尖方向磨损深度逐渐减小为0 μm,两区域平均磨损深度分别为3.1 μm和2.9 μm。其中最大磨损深度集中在刀尖处,其值为11 μm。

Abstract

To address the issues of low efficiency and limited precision in wear detection for mechanical scribing tools, a machine vision-based inspection methodology was proposed to achieve cost-effective, high-efficiency wear monitoring with micron-level measurement accuracy. Firstly, the image of the cutting tool tip was obtained by an industrial camera, and then image cropping and grayscale processing were carried out on it. Subsequently, three methods, namely median filtering, Gaussian filtering and mean filtering, were adopted to filter and compare the grayscale images respectively. The filtered images were sharened and the edge features were optimized by selecting the best ones. Finally, the edge of the scratch tool image was extracted based on the Canny sub-pixel edge detection method. Results indicate that the main wear areas of the scribing tool are the primary scribing edge and flank face, with wear lengths of 361.1 μm and 43.7 μm respectively, while wear depth values gradually decrease to 0 μm along the direction away from the tool tip, with average wear depth values of 3.1 μm and 2.9 μm in these two areas. The maximum wear depth is concentrated at the tool tip with a value of 11 μm.

Graphical abstract

关键词

机器视觉 / 机械刻划 / 刀具磨损 / 图像处理

Key words

machine vision / mechanical scribing / tool wear / image processing

引用本文

引用格式 ▾

毛励, 丁艳春, 石广丰, 吕海龙, 武嘉雨. 基于机器视觉刻划刀具的磨损检测[J]. 科学技术与工程, 2026, 26(5): 1938-1945 DOI:10.12404/j.issn.1671-1815.2501615

MAO Li, DING Yan-chun, SHI Guang-feng, LÜ Hai-long, WU Jia-yu. Machine Vision-based Wear Detection for Scribing Tools[J]. Science Technology and Engineering, 2026, 26(5): 1938-1945 DOI:10.12404/j.issn.1671-1815.2501615

登录浏览全文

4963

注册一个新账户忘记密码

机械刻划作为超精密加工技术,其加工精度直接影响刻划微结构的加工质量。机械刻划通常采用金刚石刀具,其硬度高、耐磨性好,在机械刻划中磨损量非常微小难以检测。因此,采用一种高效且精准的测量方式来获取刻划刀具的磨损量,对保证刻划加工质量至关重要。

机械加工中刀具的磨损状态通常依靠技术人员的经验来判断,其结果受技术工人主观意识的影响,标准不一,也无法获取刀具精确的磨损状态。为解决此问题,学者们纷纷以机械加工中采集到的物理现象为基准来确定刀具的磨损情况,例如通过建立主轴功率^[1]、切削力传感器^[2]、振动传感器^[3]和声发射等^[4]信号与刀具磨损之间的关系,来完成刀具的磨损检测。这类方法属于间接测量方法,其缺点是信号采集容易受到影响,检测结果不直观,无法获得精确的刀具磨损量。

机器视觉法属于直接测量法,在不接触刀具或者工件的情况下进行测量。机器视觉是利用计算机代替人眼进行识别、判断和测量。旨在减小工人劳动强度的前提下,提高测量的精度和识别的准确性。依赖先进的图像处理技术和识别算法,快速准确可靠地识别和量化刀具磨损特征,测量结果具有客观性。Su等^[5]使用机器视觉技术开发出一种对印制电路板(printed circuit board,PCB)钻孔刀具进行后刀面磨损检测,评估刀具质量,实验表明磨损测量是可靠且有效的。Loizou等^[6]提出一种基于机器视觉的拉削刀具磨损测量系统,测量结果在总变化中只占有0.1%的分量,证明了此方法比传统测量方式更可靠。Dai等^[7]使用机器视觉技术对双颤振微铣刀进行磨损检测,采用轴向拍摄刀尖的方式,实验显示磨损测量精度达到1.38 μm。Hou等^[8]使用机器视觉技术对铣刀进行磨损检测,实验结果显示最大磨损宽度误差绝对值小于7 μm。邓晓鹏等^[9]提出使用机器视觉的车刀磨损检测方法,实验结果显示该方法能有效代替人工测量,平均准确率为98.21%,平均误差为1.79%。Hu等^[10]使用机器视觉技术记录CNC铣刀的侧面和底边,Zernike矩方法进行边缘检测,使用卷积网络和长短期记忆(long short-term memory,LSTM)提取特征,该研究方法的磨损状态检测达到95.5%的准确率。

综上所述,目前机器视觉在车削、铣削、拉削等刀具的磨损检测方面均取得了不错的成果,但是机器视觉技术在此类加工方式中的检测的磨损区域物理尺度主要集中在几十到几百微米之间。机械刻划属于超精密加工,刻划深度通常在几微米以内,进而刀具磨损深度往往处于更小的尺寸范围。金刚石刻划刀具的磨损检测通常借助扫描电子显微镜(scanning electron microscope,SEM)检测^[11],但是SEM设备昂贵,使用成本高,效率低。因此,现开展基于机器视觉刻划刀具的磨损检测研究,旨在探索一种经济高效、高精度的刻划刀具磨损检测方法。首先,由工业相机获取刻划刀具刀尖图像。其次,使用图像处理算法对图像进行优化处理。最后,获取刀具边缘并计算刀具磨损深度。

1 检测系统搭建方案

1.1 系统构成

如图1所示为测量系统基础框架,包括试验台架、夹具、光源及光源控制器,视觉系统的镜头、相机、计算机及视觉软件等。为保证精度,视觉系统中高质量的相机是关键,实验采用分辨率为3 072×2 048、像素为600万、传感器尺寸为1/1.8英寸的海康威视CMOS相机MV-CS060-10GC。光学镜头选择固定焦距为50 mm、手动调节环形光圈,手动聚焦调节的海康威视镜头MVL-MF5028M-8MP。由于原相机视场较大,物距较远,选用15 mm的延长环拉近物距到150 mm左右,相机视场为10 mm×15 mm左右。光源采用直射光源,这是由于刻划刀具属于金刚石刀具,材质透明,特定的光照环境才能良好成像,故在对准刀尖后调整入射角度,使刀具磨损区域区别于刀具其余部位,为后续图像处理减小原始误差。图像处理使用机器视觉软件halcon和VC/VC++编程环境中进行。具体设备材料如表1所示。

1.2 系统工作流程

工作流程如图2所示,首先进行相机标定,用于确定相机坐标系、内外参数。然后由工业相机采集刻划刀具图像,选取刀尖区域并裁剪。并对图像进行灰度处理、滤波和图像锐化,排除颜色和外界对图像的干扰。阈值分割和轮廓提取是获取图形特征的工具,分割图像使之可用于选取和操作。直线变换^[12]用于找出图像中的近似直线,用于后续拟合出磨损区域。最后测量磨损区域的宽度,分析刀具磨损状态。

1.3 相机标定

相机标定是机器视觉技术应用于测量必不可少的环节,用于确定相机内外参数^[13]。由于相机视场较小,仅有10 mm×15 mm,又标定板应大于视场1/3,小于整个视场。如图3所示为标定板图像,图3(a)标定文件设置标定板有效尺寸为8 mm×8 mm,标定点阵列9×9,点距0.8 mm,点直径0.4 mm。图3(b)为标定板实物,选择高精度菲林标定板,尺寸误差为1 μm,材质为陶瓷底板,漫反射有益于提高标定精度。

选用的相机属于面阵相机或面扫描相机,标定时使用面扫描除法或面扫描多项式法标定。由于相机的光学特性,拍摄的图像存在畸变,即图像与实物相比,外形存在一定的误差,需要在标定中校正畸变。面扫描除法标定中使用一个系数桶形变形K₁来建立畸变模型来矫正畸变,多项式除法标定则使用了5个系数径向变形(K₁、K₂、K₃)偏心变形(P₁、P₂)来建立模型。二者相比,除法标定计算速度快,标定精度较低,多项式标定的5个参数能更精确地建模,但计算速度较慢,标定精度高。而本文研究中的图像物理尺度较小,认为保证精度是首要选择,故选用多项式标定。标定内参结果如表2所示。

2 刻划刀具检测

人造金刚石刻划刀具棱角分明,一般呈典型的八面体形状。在刻划时使用主刻划刃在工件上水平刻划,表现出的磨损特征是从刀尖开始沿主刻划刃方向,刀具材料的崩碎剥落,产生刀尖缺失,刀具变钝。如图4所示为金刚石刻划刀具的磨损示意图,可以看到,刀具的前刀面和后刀面都有磨损,刀具的磨损表现为多维度的,由刀具材料的掉落造成。

通常,机器视觉技术在传统刀具磨损检测中的应用,是将磨损区域投影到最能凸显其磨损特征的平面上,测量区域的面积来量化刀具磨损量。如图5(a)所示为刻划刀具的金刚石刻划刀和刀柄。刻划中刀具主刻划刃是磨损的主要发生位置,副刻划刃具有相对较小的磨损。因此采用摄像头成像平面与Z轴平行,垂直于Z-X平面。此成像方向源于Z轴为轴向进给方向,是确定刻划深度的关键。

将磨损区域在Z轴方向的缺失深度作为磨损测量依据。即如图5(b)所示,要求刻划刀主刻划刃和Z轴,与成像平面尽量水平,同时摄像头应聚焦于刀尖和主刻划刃。如此成像方法下的图像能获取到刀具在Z-X方向的轮廓,Z轴方向的刀具材料缺失磨损量即为刻划刀具的磨损深度。

3 实验及结果分析

3.1 图像预处理

刻划刀具磨损区域一般较小,仅占原始图像的小部分下像素,而原始图像分辨率较大,在磨损测量中并不需要将原始图像全部像素用于磨损计算,将全部像素用于磨损测量不会提高测量精度,反而会降低计算速率。如图6(a)所示,仅裁剪出磨损主要分布区域即可。

裁剪图像为三通道彩色图像。为便于后续计算机处理、排除干扰,需将裁剪图像进行灰度化处理,将其转化为单通道图像。如图6(b)所示为灰度化后的图像,图像的灰度最小值为17,最大值为255。其中背景区域绝大部分,灰度分布在250~255,而刀具主体部分,灰度分布在17~180。以上灰度化图像及相关灰度值说明,刀主体与背景层次分明,灰度值分布集中,有利于后续边缘提取。

3.2 图像滤波

为提高检测的准确性,需要对灰度图像进行滤波处理,主要滤去成像不均匀区域,平滑整个图像中存在灰度变化的区域。将采用均值滤波、高斯滤波和中值滤波3种滤波方法对灰度图像进行滤波处理,并优选确定为最终滤波方法。

(1)均值滤波。均值滤波是一种简单有效的图像平滑技术,它通过计算单个像素(中间像素)及其周围像素的平均值来平滑图像,使用均值代替中间像素重建图像。

(1)Mean(x,y)=$\frac{1}{{(2k+1)}^{2}}\stackrel{k}{\sum _{m=-k}}\stackrel{k}{\sum _{n=-k}}$Pixel(x+m,y+n)

式(1)中:k为滤波器半径;(m,n)为相邻像素与中心像素行列的偏移量;Pixel(x+m,y+n)为遍历每个像素的灰度值。

(2)高斯滤波。高斯滤波通过使用一个加权平均的方法来更新图像中每个像素的值。在这个过程中,每个像素的新值是其本身以及周围邻域内像素值的加权平均,其中权重由高斯分布决定。

(2)G_σ(x,y)=$\frac{1}{\sqrt{2\mathrm{\pi }\sigma }}$exp$\left(-\frac{{x}^{2}+{y}^{2}}{2{\sigma }^{2}}\right)$

式(2)中:σ为掩膜,与平滑效果成正比。

(3)中值滤波。中值滤波是一种非线性滤波技术,在掩模覆盖的区域内,将所有灰度值按升序排序,然后选择排序后的中间灰度值。

(3)M=median(g)

式(3)中:M为中值;g为掩膜区域内所有的灰度值。

3种滤波处理后刻划刀具磨损图片如图7所示。观察图7(a)均值滤波算法处理后刀具磨损图片可知,由于该算法提取图像素灰度值的均值,而刀具与背景的灰度值差值较大,取均值导致该滤波方法获得的图像边缘非常模糊,这对于后续求取刀具边缘是非常不利的。观察图7(b)高斯滤波算法处理后刀具磨损图片可知,由于该算法对邻域内不同位置像素赋予不同的权值,中心像素的权重最大,而远离中心的像素权重逐渐减小,因此该滤波算法获得的图像在保留较好边缘的情况做到灰度值平滑。图7(c)为中值滤波算法处理后刀具磨损图片,可知,由于中值滤波对单个像素点有非常好的滤波效果,而刀具磨损边缘存在由单个或几个像素点构成的特征边缘,因此中值滤波处理后的刀具磨损边缘存在特征丢失的问题。通过对3种滤波方法的对比分析,发现均值滤波会使刀具边缘过于模糊,高斯滤波效果次之。高斯滤波虽不如中值滤波保留边缘特征,但能在平滑灰度值的同时避免过度模糊。综合考虑,选择高斯滤波作为主要滤波方法。

3.3 图像锐化与边缘提取

高斯滤波后图像还存在边缘模糊问题,为了获取精准的刀具磨损边缘特征,还需进一步改善图像的质量。图像锐化,能够增强图像中的边缘与细节,使图像看起来更加清晰、鲜明。因此在高斯滤波图像的基础上,将采用高通滤波叠加的方法对其进行锐化处理。

如图8(a)所示为高通滤波后的图像。高通滤波后的刀具图像相比于原始图像对比度增强。高通滤波器抑制图像频域中的低频分量,即输入图像中的背景和刻划刀主体,将其变暗或甚至接近黑色。而滤波图像中的高频部分如刻划刀具边缘更加突出,边缘更加清晰。高通滤波后的图像与原始图像按一定的权重进行叠加,得到锐化后的图像,如图8(b)所示。图像的刀具边缘模糊得到抑制,没有出现特征的丢失。叠加锐化后的图像颜色更暗,刀具边缘外侧明亮,内侧更暗,但更加均匀,滤去刀具边缘内部的瑕疵点,能有效减小后续图像处理的干扰,为后续边缘检测减小干扰。

为了实现刀具边缘的提取,采用一种经典的边缘检测算子,使用基于Canny边缘^[14-15]的亚像素边缘检测算法对锐化后的图像进行边缘提取,是磨损检测的关键。在本文研究方法中,需要主刻划刃和后刀面投影参与磨损深度和刀尖的获取,所以还需要根据刀具边缘拟合出主刻划刃和后刀面投影直线,高斯直线拟合公式如下。

(4)β=$\stackrel{n}{\sum _{i=1}}$ω_i

$[{y}_{i}-(a+b{x}_{i}{\left)\right]}^{2}$

(5)ω_i=$\frac{1}{{\sigma }_{i}^{2}}$

式中:β为加权残差平方和;n为拟合像素点总数;x_i为第i个像素的水平像素坐标;y_i为第i个像素的垂直像素坐标;a为拟合直线的截距;b为拟合直线的斜率;ω_i为权重;σ_i为第i像素的距离误差标准差。

如图9所示即为基于Canny的亚像素边缘检测到的刻划刀具边缘轮廓。如图9(a)所示,得益于图像滤波和图像锐化的效果。在获取良好的刀具边缘下,边缘提取结果没有出现过多不重要边缘。红色线条即为刀具边缘,边缘与刀具轮廓重合较好。将此边缘分段并选取重要特征得到图9(b),Ⅰ为主刻划刃轮廓线,Ⅱ为刀具磨损线,Ⅲ为后刀面投影线。如图9(c)所示,使用高斯直线拟合方法拟合出刀具轮廓,其中绿色线条为轮廓Ⅰ拟合出主刻划刃直线,红色线条为轮廓Ⅲ拟合出后刀面投影直线,计算出二者交点即为刀尖,可以看出两拟合直线与刀具边缘轮廓重合,两拟合直线相交的交点也符合刀具原有刀尖位置。如图9(d)所示,为本文方法的具体体现,刻划加工深度是由主刻划刃开始侵入工件的深度,此深度在刀柄轴向方向上定义。获取轮廓Ⅱ的线段各点坐标,并使用轮廓Ⅱ的数组各点分别计算与主刻划刃拟合直线的垂直距离得到磨损深度H。

3.4 坐标系转换

重复上述实验8次,选取成像效果最好且刀具边缘轮廓最清晰的一次实验进入坐标计算,获得像素坐标范畴的坐标点数据和磨损深度值,随后将该数据转换为世界坐标值。机器视觉测量技术最重要的是相机标定^[16-17],根据标定的相机内外参数计算图像与真实世界的比例与位置关系,转换公式简化为

(6)Z_c$\left[\begin{array}{l}u\\ v\\ 1\end{array}\right]$=$\left[\begin{array}{lll}\frac{f}{\mathrm{d}x}& S& {u}_{0}\\ 0& \frac{f}{\mathrm{d}y}& {v}_{0}\\ 0& 0& 1\end{array}\right]\left[\begin{array}{ll}R& T\\ 0& 1\end{array}\right]\left[\begin{array}{l}{X}_{\omega }\\ {Y}_{\omega }\\ {Z}_{\omega }\\ 1\end{array}\right]$

式(6)中:(u,v)为图像中的像素坐标;(X_ω,Y_ω,Z_ω)为世界坐标系中的坐标;f/dx, f/dy为相机焦距在x,y方向上的像素数;(u₀,v₀)为中心像素坐标;Z_c为相机坐标系下的深度值;S为图像坐标系倾斜因子;R为旋转矩阵;T为平移矩阵。

根据拟合公式获得两直线拟合坐标,以两点式确定拟合直线。再由两条直线相交获取相交点,即刀尖点,如表3数据所示。再根据坐标系转换公式将像素坐标转换到世界坐标,如表4所示。

基于图9刻划刀具磨损轮廓各像素点对应定位坐标值,通过坐标转换方法获得刻划刀具磨损轮廓各点的世界坐标值。结合刀具磨损轮廓、拟合直线和刀尖点绘制刻划刀具主刻划刃磨损深度变化曲线如图10所示。

图10中,由刀尖点分别向刻划刀具主刻划刃、后刀面方向延伸磨损深度值的变化规律均为平缓减小,最终趋于0 μm无磨损。经测量主刻划刃和后刀面投影线磨损长度值分别为361.1 μm和43.7 μm,刀尖处的磨损深度最大为11 μm。主刻划刃和后刀面磨损深度的平均值分别为3.1 μm和2.9 μm,且平均磨损区域主要集中在远离刀尖的平缓减小阶段。以上刻划刀具主刻划刃、后刀面磨损深度变化曲线的研究分析在一定程度上也呈现了机械刻划的加工特点,由于金刚石刀具机械刻划加工时,刀尖最先与材料接触,刀具前仰角较小使得主刻划刃与材料的接触长度要远大于副刻划刃,因此会出现刻划刀具刀尖的磨损量最大,主刻划刃的平均磨损长度大于副刻划刃的平均磨损长度,磨损量随着向主、副刻划刃方向延伸逐渐减小至0 μm的结果。

根据坐标系换算得出单位像素对应的物理尺寸为:5.692 2×10^-6 m/pixel,该值受工业相机像素影响,提升相机像素能有效提升检测精度。并且由于相机视场小,静置检测能有效较小干扰。

4 结论

为解决刻划刀具磨损测量不精准、效率低的问题,采用机器视觉方法对刻划刀具磨损进行研究,实现经济高效、微米级的磨损检测。具体研究结果如下。

首先为提高图像检测效率和精度对图像进行灰度处理;其次对比分析了3种滤波方法并选取高斯滤波对图像进行灰度平滑;然后使用高通滤波器锐化法对高斯图像进行锐化;最后使用Canny亚像素边缘检测算法配合直线拟合算法,获取刻划刀具主刻划刃及后刀面磨损深度变化曲线。检测结果表明刻划刀具的主要磨损区域为主刻划刃和后刀面,其磨损长度分别为361.1 μm和43.7 μm,沿远离刀尖方向磨损深度逐渐减小为0 μm,两区域平均磨损深度分别为3.1 μm和2.9 μm。其中最大磨损深度集中在刀尖处,其值为11 μm。以上研究结果表明,采用机器视觉方法能够快速且精准获取刻划刀具的磨损区域和微磨损量。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Drouillet C, Karandikar J, Nath C, et al. Tool life predictions in milling using spindle power with the neural network technique[J]. Journal of Manufacturing Processes, 2016, 22: 161-168.

[2]	Liu D, Liu Z, Zhao J, et al. Tool wear monitoring through online measured cutting force and cutting temperature during face milling Inconel 718[J]. The International Journal of Advanced Manufacturing Technology, 2022, 122(2): 729-740.

[3]	李洋, 李亮, 陈妮, 等. 基于MEMS传感器的刀具磨损状态监测环设计研究[J]. 工具技术, 2022, 56(7): 3-7.

[4]	Li Yang, Li Liang, Chen Ni, et al. Design and research of tool wear condition monitoring ring based on MEMS sensors[J]. Tool Engineering, 2022, 56(7): 3-7.

[5]	于光宁, 史慧楠, 迟杰, 等. 基于内置式声发射装置的金刚滚轮磨损在线监测方法[J]. 科学技术与工程, 2024, 24(26): 11253-11262.

[6]	Yu Guangning, Shi Huinan, Chi Jie, et al. Online monitoring method of diamond roller wear based on built-in acoustic emission device[J]. Science Technology and Engineering, 2024, 24(26): 11253-11262.

[7]	Su J C, Huang C K, Tang Y S. An automated flank wear measurement of microdrills using machine vision[J]. Journal of Materials Processing Technology, 2006, 180(1/3): 328-335.

[8]	Loizou J, Tian W, Robertson J, et al. Automated wear characterization for broaching tools based on machine vision systems[J]. Journal of Manufacturing Systems, 2015, 37: 558-563.

[9]	Dai Y, Zhu K. A machine vision system for micro-milling tool condition monitoring[J]. Precision Engineering, 2018, 52: 183-191.

[10]	Hou Q, Sun J, Huang P. A novel algorithm for tool wear online inspection based on machine vision[J]. The International Journal of Advanced Manufacturing Technology, 2019, 101: 2415-2423.

[11]	邓晓鹏, 胡小锋. 基于机器视觉的车铣刀具磨损检测方法[J]. 组合机床与自动化加工技术, 2022(10): 105-108, 114.

[12]	Deng Xiaopeng, Hu Xiaofeng. Machine vision-based method for tool wear detection in milling and turning[J]. Combined Machine Tools and Automation Technology, 2022(10): 105-108,114.

[13]	Hu S, Wen H, Zhang Z, et al. Attention mechanism based CNC milling cutter wear detection using machine vision[C]// 2023 29th International Conference on Mechatronics and Machine Vision in Practice (M2VIP). New York: IEEE, 2023: 1-6.

[14]	张宝庆, 马群, 安阳杰, 等. 机械刻划层分结构铝膜刀具磨损研究[J]. 制造技术与机床, 2024(2): 111-116.

[15]	Zhang Baoqing, Ma Qun, An Yangjie, et al. Research on tool wear of aluminum film with mechanical scratching layer structure[J]. Manufacturing Technology & Machine Tool, 2024(2): 111-116.

[16]	Cha Y J, You K, Choi W. Vision-based detection of loosened bolts using the Hough transform and support vector machines[J]. Automation in Construction, 2016, 71: 181-188.

[17]	杜丽峰, 周正, 王天琪. 基于机器视觉的铝合金轮毂尺寸测量[J]. 机械设计, 2022, 39(S2): 193-198.

[18]	Du Lifeng, Zhou Zheng, Wang Tianqi. Dimensional measurement of aluminum alloy wheel hubs based on machine vision[J]. Journal of Mechanical Design, 2022, 39(S2): 193-198.

[19]	李亚娣, 黄海波, 李相鹏, 等. 基于Canny算子和Hough变换的夜间车道线检测[J]. 科学技术与工程, 2016, 16(31): 234-237, 242.

[20]	Li Yadi, Huang Haibo, Li Xiangpeng, et al. Nighttime lane detection based on Canny operator and Hough transform[J]. Science Technology and Engineering, 2016, 16(31): 234-237, 242.

[21]	蔡靖, 王锴, 李岳, 等. Canny算子+模糊C聚类融合的红外热成像机场道面积水识别方法[J]. 科学技术与工程, 2024, 24(28): 12382-12390.

[22]	Cai Jing, Wang Kai, Li Yue, et al. Infrared image airport runway water identification method based on the fusion algorithm of Canny operator + fuzzy C-means clustering[J]. Science Technology and Engineering, 2024, 24(28): 12382-12390.

[23]	黄文文, 彭小红, 李丽圆, 等. 相机标定方法及进展研究综述[J]. 激光与光电子学进展, 2023, 60(16): 9-19.

[24]	Huang Wenwen, Peng Xiaohong, Li Liyuan, et al. Review on camera calibration methods and research progress[J]. Laser & Optoelectronics Progress, 2023, 60(16): 9-19.

[25]	郑晓昱, 周惠兴, 王舜, 等. 基于激光点标定和机器视觉的门窗洞尺寸测量[J]. 科学技术与工程, 2022, 22(15): 6204-6209.

[26]	Zheng Xiaoyu, Zhou Huixing, Wang Shun, et al. Door and window hole size measurement based on laser point calibration and machine vision[J]. Science Technology and Engineering, 2022, 22(15): 6204-6209.