基于機(jī)器視覺的軸承防塵蓋表面缺陷檢測(cè)

陳文達(dá)，白瑞林，吉峰，溫振市

1.江南大學(xué)輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇無錫 214122

2.無錫信捷電氣有限公司，江蘇無錫 214072

基于機(jī)器視覺的軸承防塵蓋表面缺陷檢測(cè)

陳文達(dá)1，白瑞林1，吉峰2，溫振市1

1.江南大學(xué)輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇無錫 214122

2.無錫信捷電氣有限公司，江蘇無錫 214072

為實(shí)現(xiàn)工業(yè)現(xiàn)場(chǎng)中軸承防塵蓋表面缺陷的自動(dòng)檢測(cè)，提出一種基于機(jī)器視覺技術(shù)的檢測(cè)方法。采用藍(lán)色同軸光源作為檢測(cè)系統(tǒng)所用光源，克服金屬反光；采用最小二乘法擬合軸承外圓，根據(jù)軸承型號(hào)比例分割出防塵蓋區(qū)域，利用Otsu閾值分割和Roberts邊緣提取處理圖像，每2°統(tǒng)計(jì)值為1的點(diǎn)的數(shù)目，與模板軸承此數(shù)據(jù)比較，求出相差角度，由此將防塵蓋字符、非字符區(qū)域分離，兩部分是否存在缺陷分開判別，互不干擾。實(shí)際測(cè)試表明：檢測(cè)系統(tǒng)采集到的軸承圖像清晰，缺陷檢測(cè)算法正確率在96%以上，可實(shí)現(xiàn)軸承防塵蓋表面缺陷的自動(dòng)檢測(cè)。

機(jī)器視覺；圖像處理；軸承防塵蓋；表面缺陷；自動(dòng)檢測(cè)

1 引言

軸承在生產(chǎn)裝配過程中，由于加工技術(shù)、微小異物等因素，防塵蓋表面可能會(huì)產(chǎn)生壓痕、凹坑、劃痕等缺陷，不僅使得軸承不美觀，更嚴(yán)重地會(huì)降低軸承的使用性能，出廠前必須剔除。目前，國內(nèi)外對(duì)于軸承防塵蓋的檢測(cè)，還停留在人工目測(cè)階段，效率較低，且容易出現(xiàn)誤、漏檢[1]。機(jī)器視覺技術(shù)憑借其速度快、精度高、永不疲勞的優(yōu)點(diǎn)，已廣泛應(yīng)用到各行各業(yè)。

L.Satyanarayan等人[2]利用匹配濾波器和Saft算法對(duì)鋁片表面裂紋缺陷進(jìn)行檢測(cè)識(shí)別，取得良好效果。Martins L.A.O.等人[3]通過邊緣檢測(cè)和閾值分割，有效實(shí)現(xiàn)了鋼板表面缺陷的分離。Yang[4]等人通過分析圖像灰度直方圖，利用Otsu算法對(duì)鋼球表面缺陷實(shí)現(xiàn)了檢測(cè)。Yazdi M.[5]等利用高通濾波增強(qiáng)圖像，提取均值和方差兩個(gè)統(tǒng)計(jì)特征并利用神經(jīng)網(wǎng)絡(luò)對(duì)鋼板表面劃痕缺陷進(jìn)行了檢測(cè)分類。張揚(yáng)等人[6]基于小波及紋理特征，對(duì)軸承防塵蓋缺陷檢測(cè)進(jìn)行了研究。陳廉清[7]等人采用差影和模板匹配的方法對(duì)軸承表面缺陷進(jìn)行了檢測(cè)。李楊[8]提取軸承端面圖像的組合矩不變量，建立缺陷檢測(cè)BP神經(jīng)網(wǎng)絡(luò)模型，分析了其用于實(shí)際檢測(cè)的可靠性。以上研究表明，在金屬表面檢測(cè)已得到廣泛應(yīng)用的機(jī)器視覺技術(shù)，同樣適用于軸承防塵蓋表面的缺陷檢測(cè)。

由于軸承防塵蓋表面印有代表軸承型號(hào)的字符，字符與缺陷在形態(tài)上有很大相似性，一定程度上也可以認(rèn)為是“缺陷”，正是如此，軸承防塵蓋表面缺陷檢測(cè)一直是一個(gè)難點(diǎn)。本文針對(duì)待檢軸承型號(hào)已知，且其字符出現(xiàn)位置相對(duì)固定的特性，提出了一種新的軸承防塵蓋表面缺陷檢測(cè)方法：將防塵蓋字符、非字符區(qū)域分離，兩部分是否存在缺陷分開判別，互不干擾。

2 圖像采集系統(tǒng)

軸承圖像采集系統(tǒng)如圖1所示。

圖1 圖像采集系統(tǒng)結(jié)構(gòu)圖

相機(jī)采用實(shí)驗(yàn)室自主研發(fā)的640×480分辨率，30萬像素的CMOS黑白工業(yè)相機(jī)，相機(jī)配置軟件可供調(diào)節(jié)的參數(shù)有曝光時(shí)間、曝光增益等。光學(xué)鏡頭選用日本Computer公司的25 mm定焦鏡頭，具有合適的放大倍數(shù)及物距要求。

光源的選取是影響軸承防塵蓋表面缺陷檢測(cè)最重要的因素，光源必須滿足亮度大、均勻性好、穩(wěn)定性高等要求，以抑制光線對(duì)圖像質(zhì)量產(chǎn)生的不良影響。由于防塵蓋表面屬于具有反光特性的金屬表面，一般的面光、條光、環(huán)光都易出現(xiàn)光照不均、陰影等缺點(diǎn)，這是必須避免的。同軸光源具有非常均勻的光分布，光線平行于相機(jī)所在的軸線，能夠消除重影，常用于金屬等反光工件表面檢測(cè)。經(jīng)反復(fù)實(shí)驗(yàn)，選用藍(lán)色同軸光源作為系統(tǒng)所用光源。

同時(shí)考慮到軸承防塵蓋表面在同軸光照射下呈灰白色，為了增加背景與前景的對(duì)比，選擇純黑色絨布作為背景。

3 算法設(shè)計(jì)與實(shí)現(xiàn)

軸承防塵蓋印有字符，整體檢測(cè)效果往往不理想，本文所提算法是將防塵蓋字符、非字符區(qū)域分離，兩部分是否存在缺陷分開判別，檢測(cè)算法流程如圖2所示。

圖2 檢測(cè)算法流程圖

3.1 軸承防塵蓋區(qū)域提取

工業(yè)相機(jī)拍攝到的軸承圖像如圖3所示，包括外圈、防塵蓋和內(nèi)圈三部分，首先需要將防塵蓋區(qū)域提取與分離。

圖3 軸承圖像

防塵蓋是一圓環(huán)區(qū)域，與內(nèi)、外圈均為同心圓環(huán)，采用如下步驟分離該區(qū)域：

（1）利用形態(tài)學(xué)中輪廓跟蹤方法，提取軸承外圓，如圖4（a）所示，圖像的黑色背景給輪廓跟蹤帶來極大方便。

（2）利用圓擬合方法，擬合出圖像中軸承圓心位置及外圓半徑長(zhǎng)度，擬合結(jié)果如圖4（b）所示。

（3）根據(jù)軸承型號(hào)參數(shù)中的防塵蓋內(nèi)外徑占軸承外圓半徑的比例，分離出防塵蓋圓環(huán)，并截取此區(qū)域，如圖4（c）。

圖4 防塵蓋區(qū)域提取過程示意圖

軸承圓心的定位及外圓半徑的計(jì)算是防塵蓋區(qū)域提取的基礎(chǔ)。常用的圓擬合方法有Hough變換和最小二乘法。Hough變換對(duì)于不完整的圓也能較好擬合，但需要半徑長(zhǎng)度的先驗(yàn)知識(shí)，本文中得到的軸承外圓輪廓基本沒有缺陷，而且最小二乘法運(yùn)算速度快，精度高，所以選用最小二乘法進(jìn)行圓擬合更為合適。

最小二乘法是通過最小化誤差的平方和以找到擬合函數(shù)的最佳參數(shù)匹配[9]：設(shè)圓的方程為x2+y2+ax+ by+c=0，點(diǎn)集(xi,yi)是圖像中圓上的點(diǎn)，i∈(1,2,…,N)。設(shè)圓心為(x0，y0)，半徑為r。圓上點(diǎn)到圓心的距離平方：=(xi-x0)2+(yi-y0)2，為減小計(jì)算量和復(fù)雜度，取其與半徑平方的差δi=-r2=++axi+byi+c，作為目標(biāo)誤差。為了使目標(biāo)誤差的平方和：f(a，b，c)=∑最小，需要有經(jīng)過計(jì)算可以得到：

據(jù)此，通過步驟（3）便能分離出圖像中的防塵蓋圓環(huán)。

3.2 軸承防塵蓋區(qū)域圖像預(yù)處理

原始圖像或多或少存在噪聲，為了突出缺陷，減少噪聲干擾，有必要對(duì)防塵蓋圖像進(jìn)行預(yù)處理。

（1）采用線性拉伸的方法對(duì)原圖灰度變換，使原圖整體變亮，這樣可以突出要處理的亮度帶。r表示原圖像中對(duì)應(yīng)點(diǎn)(x，y)的亮度，s表示變換后圖像中對(duì)應(yīng)點(diǎn)(x，y)的亮度，拉伸函數(shù)為T。

（2）采用自適應(yīng)中值濾波濾除噪聲，消除毛刺，最大程度地保留圖像邊緣細(xì)節(jié)。Sxy表示一個(gè)被處理的、中心在(x，y)處的子圖像，Zmin表示Sxy中的最小亮度值，Zmax表示Sxy中的最大亮度值，Zmed表示Sxy中的亮度中值，Zxy表示(x，y)處的亮度值。自適應(yīng)中值濾波算法工作在兩個(gè)層面[10]：

其中Smax表示允許的最大自適應(yīng)濾波器窗口的大小，本文中Smax=5。預(yù)處理前、后圖像對(duì)比如圖5所示。

3.3 字符、非字符區(qū)域分離

同一型號(hào)軸承，防塵蓋上字符出現(xiàn)位置相對(duì)固定，已知模板軸承防塵蓋上字符覆蓋角度，若求出待檢軸承與模板軸承相差度數(shù)，也就可以推算出待檢軸承防塵蓋上字符覆蓋角度，由此將字符、非字符分離。

圖5 防塵蓋圖像預(yù)處理前、后對(duì)比

（1）利用最大類間方差法（Otsu）閾值分割圓環(huán)圖像。

Otsu算法的基本思路是選取最優(yōu)閾值使分割后得到的前景與背景兩個(gè)大類的類間方差最大。對(duì)于圖像I(x，y)，前景和背景的分割閾值記作T，屬于前景的像素點(diǎn)占整幅圖像的比例記為ω0，其平均灰度為μ0；屬于背景的像素點(diǎn)占整幅圖像的比例為ω1，其平均灰度為μ1；圖像的總平均灰度記為μˉ，類間方差記為g。

求取g的最大值，對(duì)應(yīng)的閾值T就是要尋找的最優(yōu)閾值。

（2）利用Roberts算子邊緣檢測(cè)閾值分割后的圖像，此步驟目的是進(jìn)一步減少運(yùn)算量，同時(shí)又不丟失缺陷形態(tài)特征。Roberts算子水平、垂直方向檢測(cè)子如下：

圖6為經(jīng)Otsu閾值分割、Roberts算子邊緣提取后圖像。

圖6 閾值分割、邊緣提取后圖像

（3）每隔2°統(tǒng)計(jì)邊緣檢測(cè)圖像中數(shù)值為1的點(diǎn)的數(shù)目，一周360°后得到一個(gè)1×180維的數(shù)據(jù)，如圖7所示。選擇2°計(jì)算的原因是：本文中防塵蓋內(nèi)圓半徑R約為80像素，周長(zhǎng)D=2πR≈500像素，則最小分割角度為360°/ D≈0.72°。分割度數(shù)過小，算法速度會(huì)減慢，同時(shí)考慮到軸承的抖動(dòng)和軸承之間也會(huì)有微小差別，經(jīng)多次實(shí)驗(yàn)選擇2°是合適的。

圖7 每隔2°統(tǒng)計(jì)值為1的點(diǎn)的數(shù)目

每隔2°計(jì)算的方法為：在(θ，θ+2°)范圍內(nèi)的點(diǎn)(x，y)滿足以下兩個(gè)條件：

①點(diǎn)(x，y)到圓心的距離r滿足：r1＜r＜r2，即：＜(x-x0)2+(y-y0)2＜。

(x0，y0)為圓心，r1，r2表示防塵蓋圖像內(nèi)、外圓半徑，k1，k2表示2°范圍邊界點(diǎn)與圓心連成直線的斜率。

（4）計(jì)算待檢防塵蓋圖像與模板防塵蓋圖像相差角度。

上一步得到的數(shù)據(jù)每移動(dòng)單位步長(zhǎng)，與模板防塵蓋此數(shù)據(jù)進(jìn)行一次相減再平方，由此得到一組數(shù)據(jù)a0～a179，求其最小值，對(duì)應(yīng)的移動(dòng)步長(zhǎng)即為與模板數(shù)據(jù)相差步長(zhǎng)，假設(shè)為p，反映到圖像是：待檢防塵蓋旋轉(zhuǎn)角度p×2°后便與模板防塵蓋吻合。

（5）根據(jù)模板防塵蓋圖像中已知的字符覆蓋角度和與上一步得到的相差角度，分離出防塵蓋字符區(qū)域和非字符區(qū)域，如圖8所示。若模板防塵蓋字符覆蓋角度為(α，β)，則待檢防塵蓋字符覆蓋角度為(α+σ，β+σ)。

圖8 字符、非字符區(qū)域分離后圖像

3.4 缺陷判別

軸承防塵蓋表面缺陷判別依據(jù)是缺陷面積大小和連通域?？紤]到噪聲的干擾，面積超過一定大小的才算是缺陷。記待檢軸承防塵蓋圖像中面積超過S（最小缺陷面積）的連通域個(gè)數(shù)記為M，若M≠N（軸承字符數(shù)目），則判定為存在缺陷。

本文檢測(cè)軸承為608Z型，字符個(gè)數(shù)為8，對(duì)于完好的軸承，其字符區(qū)域連通域是8，非字符區(qū)域連通域是0；經(jīng)過實(shí)際計(jì)算與相機(jī)分辨率分析得知，本批次軸承缺陷最小面積為1 mm2，對(duì)應(yīng)到圖像上是10個(gè)像素，所以面積<10個(gè)像素的不認(rèn)為是缺陷，算作噪聲干擾。防塵蓋字符、非字符區(qū)域兩部分是否存在缺陷分開判別。

（1）防塵蓋圖像中字符區(qū)域缺陷判別：

①統(tǒng)計(jì)面積大于10個(gè)像素的連通域個(gè)數(shù)，假設(shè)為N。

②如果N=8判定為無缺陷。N＞8判定為存在缺陷。N＜8判定為字符粘連。

（2）防塵蓋圖像中非字符區(qū)域缺陷判別：存在面積大于10個(gè)像素的連通域，判定為存在缺陷。

4 實(shí)驗(yàn)測(cè)試與分析

測(cè)試圖片共125張，其中無缺陷防塵蓋圖像75張，存在缺陷圖像50張。原始軸承圖像大小為640像素× 480像素，截取出的軸承防塵蓋部分為長(zhǎng)寬相等的正方向圖像，寬為243～248像素。

圖9（a）為無缺陷防塵蓋圖像的分離結(jié)果。

圖9（b）、圖9（c）為軸承防塵蓋非字符區(qū)域存在缺陷，但缺陷大小有區(qū)別時(shí)分離結(jié)果。

圖9（d）為軸承防塵蓋字符、非字符區(qū)域都存在缺陷時(shí)的分離結(jié)果。本檢測(cè)算法正確率如表1。

圖9 防塵蓋不同缺陷分離結(jié)果圖

表1 算法檢測(cè)結(jié)果

本實(shí)驗(yàn)在Windows XP系統(tǒng)下，MATLAB 2009a平臺(tái)上完成，電腦配置為奔騰雙核CPU，2.4 GHz主頻，1 GB內(nèi)存，每幅圖像檢測(cè)時(shí)間大約需要450 ms。若將算法用C語言實(shí)現(xiàn)，再優(yōu)化算法流程，耗時(shí)可控制在200 ms左右，應(yīng)用到生產(chǎn)實(shí)際，預(yù)計(jì)1 s內(nèi)可完成2個(gè)軸承正反雙面的檢測(cè)。

5 結(jié)論

本文提出一種基于機(jī)器視覺技術(shù)的軸承防塵蓋表面缺陷檢測(cè)方法。主要特點(diǎn)是：

（1）針對(duì)軸承防塵蓋表面金屬材質(zhì)反光特性，設(shè)計(jì)了一套缺陷自動(dòng)檢測(cè)系統(tǒng)，保證采集到的圖像清晰、穩(wěn)定。

（2）針對(duì)軸承防塵蓋表面印有字符而給缺陷判別帶來的難點(diǎn)，通過閾值分割，邊緣提取，角度計(jì)算等步驟將防塵蓋字符、非字符區(qū)域分離，兩部分是否存在缺陷分開判別，互不干擾。

實(shí)際測(cè)試表明：缺陷檢測(cè)算法正確率在96%以上，若應(yīng)用到生產(chǎn)實(shí)際，可實(shí)時(shí)地實(shí)現(xiàn)軸承防塵蓋表面缺陷自動(dòng)檢測(cè)。

[1]張揚(yáng).基于圖像處理的軸承防塵蓋表面缺陷檢測(cè)研究[D].杭州：浙江大學(xué)，2010.

[2]Satyanarayan L，Muralidharan A，Krishnamurthy C，et al. Application of a matched filter approach for finite aperture transducers for the synthetic aperture imaging of defects[J].IEEE Transactions on Ultrasonics Ferroelectrics and Frequency Control，2010，57：1368-1382.

[3]Martins L A O，Padua F L C，Almeida P E M.Automatic detection of surface defects on rolled steel using computer vision and artificial neural networks[C]//IECON 2010-36th Annual Conference on IEEE Industrial Electronics Society，Glendale，2010：1081-1086.

[4]Yang Tiebin，Wang Liqin，Zheng Dezhi，et al.Image acquisition and segmentation for ceramic bearing ball surface inspection system[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation，Dalian，China，2006：1005-1011.

[5]Yazdi M，Yazdchi M，Mahyari L A O.Steel surface defect detection using texture segmentation based on multifractal dimension[C]//2009 International Conference on Digital Image Processing，Bangkok，2009：346-350.

[6]張揚(yáng)，朱善安.基于小波及紋理特征的軸承防塵蓋缺陷檢測(cè)[J].計(jì)算機(jī)工程，2010，36（8）：247-250.

[7]陳廉清，崔治，王龍山.基于差影和模板匹配的微小軸承表面缺陷檢測(cè)[J].中國機(jī)械工程，2006，17（10）：1019-1022.

[8]李楊.基于機(jī)器視覺和人工神經(jīng)網(wǎng)絡(luò)的微小軸承表面缺陷識(shí)別及檢測(cè)技術(shù)研究[D].長(zhǎng)春：吉林大學(xué)，2007.

[9]徐煜明，韓雁.FPCB基準(zhǔn)孔精確定位技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（29）：233-236.

[10]Gonzalez R C.數(shù)字圖像處理Matlab版[M].阮秋琦，譯.北京：電子工業(yè)出版社，2005：121-122.

CHEN Wenda1,BAI Ruilin1,JI Feng2,WEN Zhenshi1

1.Key Laboratory of Advanced Process Control for Light Industry（Ministry of Education）,Jiangnan University,Wuxi,Jiangsu 214122,China
2.Xinje Electronic Co.,Ltd,Wuxi,Jiangsu 214072,China

To realize the automatic detection of bearing shield surface,this paper proposes a method based on machine vision.It uses the blue coaxial light to overcome the metal reflection;it uses the least squares method to fit the bearing outer circle.According to the bearing type,it segments the bearing.Using Otsu’s method and Roberts edge extraction it processes the shield image.It calculates the points when value is 1 per 2°.Compared with the template data,it obtains the phase angle,then separates the character region and no-character region;there is no interference when the two parts defect is detected.Experiments show that:the captured image is unambiguous and the correct rate of detection algorithm is more than 96%.It can realize the automatic detection of bearing shield surface.

machine vision;image processing;bearing shield;surface defect;automatic detection

A

TP391.4

10.3778/j.issn.1002-8331.1204-0589

CHEN Wenda,BAI Ruilin,JI Feng,et al.Bearing shield surface defect detection based on machine vision.Computer Engineering and Applications,2014,50（6）：250-254.

江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目；江蘇省科技成果轉(zhuǎn)化項(xiàng)目（No.BA2011032）。

陳文達(dá)（1987—），男，碩士研究生，研究領(lǐng)域?yàn)榍度胧綑C(jī)器視覺理論與應(yīng)用；白瑞林（1955—），男，教授，博導(dǎo)，研究領(lǐng)域?yàn)闄C(jī)器視覺與智能系統(tǒng)。E-mail：wenda8@qq.com

2012-05-02

2012-07-03

1002-8331（2014）06-0250-05

CNKI網(wǎng)絡(luò)優(yōu)先出版：2012-08-01，http://www.cnki.net/kcms/detail/11.2127.TP.20120801.1653.024.html