制造业的不断发展,带来了深入的技术变革,各行各业对制造业的需求也不断增加,其中精度和效率是制造业生产过程中重要的衡量指标。而所制造产品的精度和效率最主要体现在制造工具上。刀具作为制造加工中最重要的加工因素之一,在学术上一直有着很高的研究意义和价值。本文以高速铣削过程中刀具的磨损状态为研究对象,提出了一种基于机器视觉的刀具磨损检测方法研究。具体内容如下:基于刀具磨损检测技术现状、分类及存在的问题,提出了重点研究基于机器视觉中刀具磨损表面图像的刀具磨损检测方法,分析了刀具磨损形态的磨损过程和磨钝标准。针对获取的刀具磨损图像,通过灰度化、中值滤波和Canny算子等图像处理方法可以有效检测刀具磨损边缘,实现对刀具磨损图像的预处理。在图像处理的基础上,利用深度卷积神经网络在图像识别及分类的广泛应用,可以实现更轻松便捷的识别方法,避免传统检测方法中复杂的特征提取及计算。尤其是在少量数据集的情况下,通过迁移学习,利用已有的优秀网络模型训练出较高处理效率、较高准确率的网络模型。本文重点研究分析了卷积神经网络中的Alex Net网络和Res Net残差网络,微调Alex Net及Res Net18网络参数,通过全连接层的重建,利用铣刀刀具磨损图像进行迁移学习优化训练,并对这两个模型的训练效果进行分析对比。实现了新训练方法包括使用少量样本与全样本、预处理图像及未处理图像等对比,在少量样本的训练中Alex Net反而略优于层数较深的Res Net18;在较多样本基础上,大部分训练结果显示Res Net18的准确率略优于Alex Net。基于上述迁移学习的Res Net18网络,根据需求功能完成基于机器视觉的刀具磨损检测功能模块软件程序框架的设计与开发,利用Matlab以及其App Designer进行混合编程,设计了迁移学习网络模块、磨损图像及显示模块、图像预处理模块以及磨损类型智能识别模块,最终通过识别状态结果、识别率及识别用时给刀具在生产加工期间提供是否需更换的建议。