基于视觉分析的换刀机器人工作站控制方法与系统

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于视觉分析的换刀机器人工作站控制方法与系统。

背景技术

目前，通过使用换刀机器人工作站进行换刀可以大幅度提升换刀速度和效率，来应对越来越多样化的工艺场景。然而，在实际应用过程中，由于对工作站内刀具库的刀具状态分析不够深入，导致加工质量远远低于预期。现有技术存在着工作站刀具响应控制与刀具实际情况匹配度低，导致工作质量不可靠的技术问题。

发明内容

本申请提供了基于视觉分析的换刀机器人工作站控制方法与系统，用于针对解决现有技术中工作站刀具响应控制与刀具实际情况匹配度低，导致工作质量不可靠的技术问题。

鉴于上述问题，本申请提供了基于视觉分析的换刀机器人工作站控制方法与系统。

本申请的第一个方面，提供了基于视觉分析的换刀机器人工作站控制方法，所述方法包括：

初始化刀具库，完成刀具库内刀具的索引建立，其中，所述索引为定位调用和信息更新索引；

对所述刀具库内刀具进行工作信息记录，并依据记录结果生成刀具特征集，其中，所述刀具特征集与所述索引具有映射关系；

读取工作任务信息，并依据所述工作任务信息进行刀具库内刀具排布初始化，并依据索引执行刀具定位调用；

将所述刀具特征集和所述工作任务信息输入刀具状态预测网络，生成带有时序标识的第一预测结果；

获得加工工件的工件检测信息，基于所述工件检测信息进行映射刀具的状态评价，生成第二预测结果；

若所述第一预测结果和所述第二预测结果的触发值满足预设阈值，则调用工业相机，执行对应刀具的图像捕捉，生成图像捕捉结果；

依据所述图像捕捉结果基于索引调用图像序列，执行图像捕捉结果与图像序列的刀具特征比对；

根据刀具特征比对结果生成刀具的响应控制信息，并将所述响应控制信息和所述图像捕捉结果更新至索引。

本申请的第二个方面，提供了基于视觉分析的换刀机器人工作站控制系统，所述系统包括：

索引建立模块，用于初始化刀具库，完成刀具库内刀具的索引建立，其中，所述索引为定位调用和信息更新索引；

刀具特征集生成模块，用于对所述刀具库内刀具进行工作信息记录，并依据记录结果生成刀具特征集，其中，所述刀具特征集与所述索引具有映射关系；

定位调用模块，用于读取工作任务信息，并依据所述工作任务信息进行刀具库内刀具排布初始化，并依据索引执行刀具定位调用；

第一预测结果生成模块，用于将所述刀具特征集和所述工作任务信息输入刀具状态预测网络，生成带有时序标识的第一预测结果；

第二预测结果生成模块，用于获得加工工件的工件检测信息，基于所述工件检测信息进行映射刀具的状态评价，生成第二预测结果；

图像捕捉结果生成模块，用于若所述第一预测结果和所述第二预测结果的触发值满足预设阈值，则调用工业相机，执行对应刀具的图像捕捉，生成图像捕捉结果；

刀具特征比对模块，用于依据所述图像捕捉结果基于索引调用图像序列，执行图像捕捉结果与图像序列的刀具特征比对；

索引更新模块，用于根据刀具特征比对结果生成刀具的响应控制信息，并将所述响应控制信息和所述图像捕捉结果更新至索引。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请通过初始化刀具库，完成刀具库内刀具的索引建立，其中，索引为定位调用和信息更新索引，进而对刀具库内刀具进行工作信息记录，并依据记录结果生成刀具特征集，其中，刀具特征集与索引具有映射关系，然后读取工作任务信息，并依据工作任务信息进行刀具库内刀具排布初始化，并依据索引执行刀具定位调用，通过将刀具特征集和工作任务信息输入刀具状态预测网络，生成带有时序标识的第一预测结果，然后获得加工工件的工件检测信息，基于工件检测信息进行映射刀具的状态评价，生成第二预测结果，若第一预测结果和第二预测结果的触发值满足预设阈值，则调用工业相机，执行对应刀具的图像捕捉，生成图像捕捉结果，然后依据图像捕捉结果基于索引调用图像序列，执行图像捕捉结果与图像序列的刀具特征比对，进而根据刀具特征比对结果生成刀具的响应控制信息，并将响应控制信息和图像捕捉结果更新至索引。达到了对图像数据进行深入挖掘，对刀具状态进行可靠分析，提升响应控制质量的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的基于视觉分析的换刀机器人工作站控制方法流程示意图；

图2为本申请实施例提供的基于视觉分析的换刀机器人工作站控制方法中生成图像捕捉结果的流程示意图；

图3为本申请实施例提供的基于视觉分析的换刀机器人工作站控制方法中执行刀具特征比对的流程示意图；

图4为本申请实施例提供的基于视觉分析的换刀机器人工作站控制系统结构示意图。

附图标记说明索引建立模块11，刀具特征集生成模块12，定位调用模块13，第一预测结果生成模块14，第二预测结果生成模块15，图像捕捉结果生成模块16，刀具特征比对模块17，索引更新模块18。

具体实施方式

本申请通过提供了基于视觉分析的换刀机器人工作站控制方法与系统，用于针对解决现有技术中工作站刀具响应控制与刀具实际情况匹配度低，导致工作质量不可靠的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例1

如图1所示，本申请提供了基于视觉分析的换刀机器人工作站控制方法，其中，所述方法包括：

步骤S100：初始化刀具库，完成刀具库内刀具的索引建立，其中，所述索引为定位调用和信息更新索引；

在一个可能的实施例中，所述刀具库用于刀具的存储、刀具转出，类型包括转塔式、链式和盘式等。对所述刀具库进行初始化操作，使其恢复到初始工作状态，从而完成刀具库内刀具的索引建立。其中，所述索引为定位调用和信息更新索引。所述定位调用索引用于进行刀具调用时检索到刀具的位置。所述信息更新索引为进行刀具信息更新时，更新对象的索引。通过完成刀具库内刀具的索引建立，达到了为后续进行可靠、有序、准确的刀具调用和刀具信息更新提供支持的技术效果。

步骤S200：对所述刀具库内刀具进行工作信息记录，并依据记录结果生成刀具特征集，其中，所述刀具特征集与所述索引具有映射关系；

在本申请的实施例中，在刀具库内的刀具进行工作时，对工作信息进行记录，包括记录工作任务内容、工作时长、工作后刀具状态等信息，进而根据记录结果生成所述刀具特征集。其中，所述刀具特征集用于对刀具库内的刀具区别于其他刀具的特点进行描述，从而便于区分刀具。且，所述刀具特征集与索引具有映射关系，也就是说刀具特征与索引之间具有一一对应的关系，每个刀具对应一个刀具特征。

步骤S300：读取工作任务信息，并依据所述工作任务信息进行刀具库内刀具排布初始化，并依据索引执行刀具定位调用；

在一个可能的实施例中，读取输入换刀机器人工作站的管理系统中的工作任务信息，其中，所述工作任务信息用于对刀具库内刀具需要完成的工作类型、工作内容进行描述。进而，根据所述工作任务信息确定需要进行工作的刀具，并根据工作任务信息中的工作顺序对刀具库内刀具进行排布初始化，根据索引对定位需要进行工作的刀具，并进行调用。由此，实现了匹配与工作任务信息相适应的刀具，并进行定位调用的目标。

步骤S400：将所述刀具特征集和所述工作任务信息输入刀具状态预测网络，生成带有时序标识的第一预测结果；

在一个可能的实施例中，所述刀具状态预测网络是根据所述刀具特征集中描述的刀具特征，预测刀具完成工作任务信息之后的刀具状态的功能网络，输入数据为刀具特征集和工作任务信息，输出数据为带有时序标识的第一预测结果。由于，同一刀具在完成工作任务信息时可能会进行多次调用，每次调用的时间不同，因此通过对预测结果进行时序标识，可以有效区分同一刀具在完成工作任务信息中不同任务后的刀具状态。所述第一预测结果用于对刀具完成工作任务信息之后的状态进行描述，包括表面轮廓特征、刀具损伤等信息。

优选的，通过获取多个样本刀具特征集、多个工作任务信息和多个带有时序标识的样本第一预测结果，生成训练样本数据集。将所述训练样本数据集均等划分为n组，分别利用n组对基于前馈神经网络构建的网络层进行训练，并根据训练结果对下一组进行训练的网络层参数进行更新，直至输出达到收敛，从而获得训练完成的所述刀具状态预测网络。通过多次训练更新，可以获得预测准确率较高、分析效率较高的刀具状态预测网络，从而实现对刀具完成工作任务信息之后的状态进行可靠预测的目标。且，通过获得带有时序标识的第一预测结果，达到了为后续是否利用工业相机进行图像捕捉，进而进行刀具特征比对提供依据，可以有效识别刀具状态，避免资源浪费的技术效果。

步骤S500：获得加工工件的工件检测信息，基于所述工件检测信息进行映射刀具的状态评价，生成第二预测结果；

在一个实施例中，在调用刀具库中刀具进行工件加工后，对加工工件的状态进行检测分析，生成工件检测信息。所述工件检测信息反映了加工工件完成加工后的状态。示例性的，当利用换刀机器人工作站进行不锈钢钢带剪切时，对不锈钢钢带的剪切边缘平整度进行检测，根据检测结果可以分析刀具刀刃是否存在缺口，进而实现对映射刀具进行状态评价的目标。优选的，通过获得多个样本工件检测信息和多个映射刀具的样本第二预测结果构建工件检测信息-刀具状态映射网络层，进而将所述工件检测信息输入所述工件检测信息-刀具状态映射网络层进行映射检索，生成所述第二预测结果。其中，所述第二预测结果从加工工件的角度对刀具状态进行预测。通过生成第一预测结果和第二预测结果从两个维度对刀具是否需要进行刀具特征比对提供可靠依据，达到了有效分析刀具状态，双维度进行判别，提高分析结果可靠性的技术效果。

步骤S600：若所述第一预测结果和所述第二预测结果的触发值满足预设阈值，则调用工业相机，执行对应刀具的图像捕捉，生成图像捕捉结果；

进一步的，如图2所示，若所述第一预测结果和所述第二预测结果的触发值满足预设阈值，则调用工业相机，执行对应刀具的图像捕捉，生成图像捕捉结果，本申请实施例步骤S600还包括：

当所述预设阈值被触发后，生成刀具调用指令；

依据所述刀具调用指令通过索引调用对应刀具，并执行初始冲洗；

通过所述工业相机进行冲洗后的刀具图像采集，生成第一图像捕捉结果；

执行对应刀具的深度清洗，通过所述工业相机执行深度清洗后的刀具图像采集，生成第二图像捕捉结果；

将所述第一图像捕捉结果和所述第二图像捕捉结果作为所述图像捕捉结果。

进一步的，本申请实施例步骤S600还包括：

获得预设阈值的触发频率，并对所述触发频率统计，根据响应控制信息生成预警累计值；

依据所述预警累计值进行刀具的异常报出管理。

在本申请的实施例中，当所述第一预测结果和第二预测结果的触发值满足预设阈值，也就是说，第一预测结果和第二预测结果中反映的刀具不能满足正常状态的预测数量超出预设阈值之后，需要执行对应刀具的图像捕捉，进行为后续进行刀具特征比对提供比对依据，并为后续进行换刀及机器人工作站内刀具库响应控制提供依据。其中，所述预设阈值为本领域技术人员设定的刀具可以正常工作时的最高触发值。当触发值满足预设阈值，表明对应刀具的状态不能满足正常工作要求，此时利用工业相机对刀具进行图像采集，从而生成所述图像捕捉结果。其中，所述图像捕捉结果反映了刀具在完成工作任务后的外观状态。

在一个实施例中，当所述预设阈值被触发之后，生成刀具调用指令。其中，所述刀具调用指令是将触发预设阈值的刀具从刀具库中调出的命令。通过根据所述刀具调用指令通过索引从刀具库中调出对应刀具，并执行初始冲洗，利用水流冲洗等方式对刀具表面污垢进行冲洗。进而，利用工业相机对冲洗后的刀具进行图像采集，从而生成第一图像捕捉结果。进而利用磨石或砂轮对刀具表面进行打磨，从而去除铁屑和氧化物，完成对刀具的深度清洗，可选的，也可以通过利用超声波清洗机对刀具进行深度清洗。然后，利用工业相机对执行深度清洗后的刀具进行图像采集，从而生成第二图像捕捉结果。其中，所述第二图像捕捉结果反映了刀具切削杂质和残留物之后的刀具状态。通过将第一图像捕捉结果和第二图像捕捉结果作为图像捕捉结果，为后续进行图像刀具比对提供依据。

在一个可能的实施例中，采集预设时间内同一刀具的预设阈值被触发的次数，将被触发次数比上预设时间生成预设阈值的触发频率。进而，对触发频率对应的响应控制信息生成每次预警后控制的累计值，所述预警累计值反映了刀具在预设时间内被响应控制的累计数据量。进而，判断所述预警累计值是否超出预设预警累计值，若超出，则表明同一刀具调出异常，需要进行刀具的异常报出管理。由此，实现了对刀具状态进行可靠评估的目标。

步骤S700：依据所述图像捕捉结果基于索引调用图像序列，执行图像捕捉结果与图像序列的刀具特征比对；

进一步的，如图3所示，本申请实施例步骤S700还包括：

根据图像序列和所述图像捕捉结果的采集位置进行图像的一一映射；

对所述图像捕捉结果进行灰度处理，并执行预定空间内的区域灰度采样，其中，所述预定空间为预设的刀具空间和背景空间；

依据灰度采样结果进行位置的连续灰度分割，分离获得刀具特征图；

根据所述刀具特征图与所述图像序列完成刀具特征比对。

进一步的，其中，本申请实施例步骤S700还包括：

以所述图像序列生成刀具的第一刀刃分割轮廓；

基于所述一一映射将所述第一刀刃分割轮廓映射至刀具特征图，并依据映射结果执行中心采样；

以中心采样灰度作为聚类中心，执行灰度的连续聚类；

基于连续聚类结果生成第二刀刃分割轮廓；

通过所述第一刀刃分割轮廓和所述第二刀刃分割轮廓的比对结果完成刀具特征比对。

进一步的，本申请实施例步骤S700还包括：

通过所述第一刀刃分割轮廓和所述第二刀刃分割轮廓进行轮廓范围比对，生成轮廓范围覆盖结果；

对所述第一刀刃分割轮廓和所述第二刀刃分割轮廓进行轮廓点像素灰度提取，获得位置灰度集；

建立所述第一刀刃分割轮廓和所述第二刀刃分割轮廓的刀刃位置映射，基于位置灰度集进行同位置刀刃灰度比对，根据比对结果生成补偿结果；

依据所述补偿结果对所述轮廓范围覆盖结果补偿，完成刀具特征匹配。

在一个可能的实施例中，根据所述图像捕捉结果中刀具对应的索引，调用对应刀具在完成工作任务信息时被多次调用的图像按照调用时间进行排列后的图像序列，进而根据图像捕捉结果和图像序列进行刀具特征比对。

在一个可能的实施例中，基于所述图像序列和图像捕捉结果的采集位置进行图像一一映射，也就是说，将图像捕捉结果中采集的刀具位置与图像序列中对应的图像进行一一对应。对所述图像捕捉结果中的图像三分量亮度进行均值计算，从而完成图像灰度处理，获得灰度处理后的图像捕捉结果。进而，对预设的刀具空间和背景空间内的灰度进行采集，获得灰度采样结果。预定空间为本领域技术人员自行设定的刀具所在空间，以及除刀具外的背景空间。完成灰度采样后，对灰度采样结果中的灰度峰谷值进行位置的连续分割，对背景进行分离，从而获得刀具特征图。其中，所述刀具特征图对刀具工作后的外观状态进行描述。进而，通过以所述刀具特征图和图像序列为基础进行特征比对，获得刀具特征比对结果。

在一个实施例中，基于同样的灰度处理方法，对所述图像序列进行灰度处理，并对处理后的图像进行刀具的刀刃位置分割，获得刀具的第一刀刃分割轮廓。其中，所述第一刀刃分割轮廓为刀具调用时的刀刃轮廓情况。进而基于一一映射，将所述第一刀刃分割轮廓映射到刀具特征图上，并根据映射结果中映射后的第一刀刃分割轮廓的刀具中心位置处，刀具特征图的灰度作为中心采样的结果，作为中心采样灰度。并以所述中心采样灰度作为聚类中心，由聚类中心向外部进行连续聚类，也就是说，将刀具特征图中与中心采样灰度的差值在预设灰度差值范围内的位置不断添加进分割轮廓中，然后根据连续聚类结果生成第二刀刃分割轮廓。其中，所述第二刀刃分割轮廓为刀具特征图中描述的刀具刀刃外部轮廓情况。

优选的，将所述第一刀刃分割轮廓和所述第二刀刃分割轮廓所包括的轮廓面积进行做比，将比值作为轮廓范围覆盖结果。当轮廓范围覆盖结果较大时，表明工作后的刀刃受到损伤；当轮廓范围覆盖结果较小时，表明由于图像序列和图像捕捉结果之间的采集时间较短，从轮廓上不能明显的反映出工作前后的刀刃差距情况。此时，对所述第一刀刃分割轮廓和所述第二刀刃分割轮廓的外围轮廓点进行轮廓点像素灰度提取，从而获得位置灰度集。并根据第一刀刃分割轮廓和所述第二刀刃分割轮廓的外围轮廓点与刀具中心位置处连线是否重合，来进行位置映射，若重合，表明当第二刀刃分割轮廓的外围轮廓点即使与第一刀刃分割轮廓的外围轮廓点的位置不同，但为刀具的同位置进行调用前和工作后的相对轮廓点位置，因此视为同位置刀刃灰度，建立两者之间的刀刃位置映射。根据位置灰度集，以及刀刃位置映射结果进行同位置刀刃灰度比对，分析两者的灰度差，因为灰度值越高（表明刀刃处越亮，代表刀刃状态越好），而灰度值越低（表明刀刃处越暗，代表刀刃状态越差）。因此，可以比较同位置刀刃灰度，从而分析刀刃状态。当灰度差越大，表明刀具状态降低程度越大，将比对获得的灰度差作为补偿结果。利用补偿结果对所述轮廓范围覆盖结果补偿，可选的，通过将补偿结果中的多个灰度差比上第一刀刃分割轮廓处的位置灰度的比值进行均值计算，将计算结果的倒数与轮廓范围覆盖结果进行相乘，从而完成补偿。将补偿结果作为刀具特征比对结果。

步骤S800：根据刀具特征比对结果生成刀具的响应控制信息，并将所述响应控制信息和所述图像捕捉结果更新至索引。

进一步的，本申请实施例步骤S800还包括：

通过所述第一图像捕捉结果进行刀具的刀刃附着特征识别，生成附着特征识别结果；

依据所述第二图像捕捉结果进行刀具特征比对，获得刀具特征比对结果；

依据所述附着特征识别结果对响应控制信息补偿，并将补偿结果更新至索引。

在一个可能的实施例中，根据所述刀具特征比对结果在响应控制库中进行控制信息检索，获得匹配的响应控制信息，进而将所述响应控制信息和图像捕捉结果更新至索引，完成对刀具库中刀具的信息更新，便于后续进行刀具调用。

优选的，根据所述第一图像捕捉结果确定刀具表面的附着物特征，优选的，通过将第一图像捕捉结果传输至刀刃附着特征识别网络层中进行附着特征识别，获得附着特征识别结果。其中，所述刀刃附着特征识别网络层用于对刀具工作后表面的外物附着情况进行智能化识别。所述附着特征识别结果包括切削杂质大小、切削残留物类型和附着面积等特征。通过获取多个样本附着特征识别结果和多个样本附着特征识别结果对基于卷积神经网络构建的网络层进行监督训练，直至输出达到收敛，从而获得训练完成的所述刀刃附着特征识别网络层。基于所述第二图像捕捉结果进行刀具特征比对，获得刀具特征比对结果。基于所述刀具特征比对结果生成响应控制信息，然后利用附着特征识别结果对响应控制信息补偿，也就是根据附着特征识别结果中的附着物情况，对响应控制信息中关于附着物控制的参数进行调整，然后将补偿结果同步更新至索引中。

综上所述，本申请实施例至少具有如下技术效果：

本申请通过初始化刀具库，完成刀具库内刀具的索引建立，实现为后续进行刀具响应控制提供支持的目标，然后依据记录结果生成刀具特征集，并依据索引执行刀具定位调用，对刀具完成工作任务后的状态进行智能化预测，生成带有时序标识的第一预测结果，然后对加工工件状态进行检测，并根据检测结果映射生成第二预测结果，对第一预测结果和第二预测结果进行分析，若触发值满足预设阈值，则生成图像捕捉结果，然后执行刀具特征比对，根据刀具特征比对结果生成刀具的响应控制信息，并将响应控制信息和图像捕捉结果更新至索引。达到了对图像数据进行深入挖掘，对刀具状态进行可靠分析，提升响应控制质量的技术效果。

实施例2

基于与前述实施例中基于视觉分析的换刀机器人工作站控制方法相同的发明构思，如图4所示，本申请提供了基于视觉分析的换刀机器人工作站控制系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

索引建立模块11，用于初始化刀具库，完成刀具库内刀具的索引建立，其中，所述索引为定位调用和信息更新索引；

刀具特征集生成模块12，用于对所述刀具库内刀具进行工作信息记录，并依据记录结果生成刀具特征集，其中，所述刀具特征集与所述索引具有映射关系；

定位调用模块13，用于读取工作任务信息，并依据所述工作任务信息进行刀具库内刀具排布初始化，并依据索引执行刀具定位调用；

第一预测结果生成模块14，用于将所述刀具特征集和所述工作任务信息输入刀具状态预测网络，生成带有时序标识的第一预测结果；

第二预测结果生成模块15，用于获得加工工件的工件检测信息，基于所述工件检测信息进行映射刀具的状态评价，生成第二预测结果；

图像捕捉结果生成模块16，用于若所述第一预测结果和所述第二预测结果的触发值满足预设阈值，则调用工业相机，执行对应刀具的图像捕捉，生成图像捕捉结果；

刀具特征比对模块17，用于依据所述图像捕捉结果基于索引调用图像序列，执行图像捕捉结果与图像序列的刀具特征比对；

索引更新模块18，用于根据刀具特征比对结果生成刀具的响应控制信息，并将所述响应控制信息和所述图像捕捉结果更新至索引。

进一步的，所述刀具特征比对模块17用于执行如下步骤：

根据图像序列和所述图像捕捉结果的采集位置进行图像的一一映射；

对所述图像捕捉结果进行灰度处理，并执行预定空间内的区域灰度采样，其中，所述预定空间为预设的刀具空间和背景空间；

依据灰度采样结果进行位置的连续灰度分割，分离获得刀具特征图；

根据所述刀具特征图与所述图像序列完成刀具特征比对。

进一步的，所述刀具特征比对模块17用于执行如下步骤：

以所述图像序列生成刀具的第一刀刃分割轮廓；

基于所述一一映射将所述第一刀刃分割轮廓映射至刀具特征图，并依据映射结果执行中心采样；

以中心采样灰度作为聚类中心，执行灰度的连续聚类；

基于连续聚类结果生成第二刀刃分割轮廓；

通过所述第一刀刃分割轮廓和所述第二刀刃分割轮廓的比对结果完成刀具特征比对。

进一步的，所述刀具特征比对模块17用于执行如下步骤：

通过所述第一刀刃分割轮廓和所述第二刀刃分割轮廓进行轮廓范围比对，生成轮廓范围覆盖结果；

对所述第一刀刃分割轮廓和所述第二刀刃分割轮廓进行轮廓点像素灰度提取，获得位置灰度集；

建立所述第一刀刃分割轮廓和所述第二刀刃分割轮廓的刀刃位置映射，基于位置灰度集进行同位置刀刃灰度比对，根据比对结果生成补偿结果；

依据所述补偿结果对所述轮廓范围覆盖结果补偿，完成刀具特征匹配。

进一步的，所述图像捕捉结果生成模块16用于执行如下步骤：

当所述预设阈值被触发后，生成刀具调用指令；

依据所述刀具调用指令通过索引调用对应刀具，并执行初始冲洗；

通过所述工业相机进行冲洗后的刀具图像采集，生成第一图像捕捉结果；

执行对应刀具的深度清洗，通过所述工业相机执行深度清洗后的刀具图像采集，生成第二图像捕捉结果；

将所述第一图像捕捉结果和所述第二图像捕捉结果作为所述图像捕捉结果。

进一步的，所述索引更新模块18用于执行如下步骤：

通过所述第一图像捕捉结果进行刀具的刀刃附着特征识别，生成附着特征识别结果；

依据所述第二图像捕捉结果进行刀具特征比对，获得刀具特征比对结果；

依据所述附着特征识别结果对响应控制信息补偿，并将补偿结果更新至索引。

进一步的，所述图像捕捉结果生成模块16用于执行如下步骤：

获得预设阈值的触发频率，并对所述触发频率统计，根据响应控制信息生成预警累计值；

依据所述预警累计值进行刀具的异常报出管理。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。