基于機(jī)器視覺(jué)的軸承滾動(dòng)體缺陷檢測(cè)算法研究

崔　明，顧啟民，黃　震

(1.中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州　221116；2. 常熟理工學(xué)院 電氣與自動(dòng)化工程學(xué)院，江蘇 常熟　215500)

?

基于機(jī)器視覺(jué)的軸承滾動(dòng)體缺陷檢測(cè)算法研究

崔明1,2，顧啟民2，黃震1

(1.中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州221116；2. 常熟理工學(xué)院 電氣與自動(dòng)化工程學(xué)院，江蘇 常熟215500)

作為滾動(dòng)軸承的核心元件，滾動(dòng)體的質(zhì)量決定了軸承的性能。針對(duì)軸承滾動(dòng)體缺陷在線檢測(cè)的需求，對(duì)檢測(cè)的關(guān)鍵技術(shù)進(jìn)行了研究。針對(duì)軸承圖像的特點(diǎn)，在對(duì)圖像進(jìn)行濾波、灰度增強(qiáng)和二值化的基礎(chǔ)上，采用了一種基于環(huán)形區(qū)域的邊緣搜索和最小二乘圓擬合相結(jié)合的圓檢測(cè)法，完成了軸承ROI區(qū)域的檢測(cè)和提取。為了實(shí)現(xiàn)軸承滾動(dòng)體的缺陷檢測(cè)和缺陷分類，對(duì)連通區(qū)域(圓度和面積)的特征進(jìn)行了分析。實(shí)驗(yàn)結(jié)果表明，所采用的方法對(duì)軸承滾動(dòng)體缺陷的檢測(cè)實(shí)時(shí)性好，準(zhǔn)確率可以達(dá)到100%，具有較高的應(yīng)用價(jià)值。

軸承；缺陷檢測(cè)；機(jī)器視覺(jué)；圓檢測(cè)；特征分析

0　引言

作為機(jī)械設(shè)備中的重要零件，軸承的運(yùn)行狀態(tài)直接影響到整臺(tái)機(jī)器的精度、可靠性及壽命[1]。軸承在裝配過(guò)程中容易出現(xiàn)漏裝滾動(dòng)體或者滾動(dòng)體損壞的情況，因此軸承生產(chǎn)企業(yè)在產(chǎn)品出廠前需要進(jìn)行質(zhì)量檢測(cè)[2]。傳統(tǒng)的人工檢測(cè)方法由于成本高和效率低下，逐漸在生產(chǎn)中被淘汰，特備是在自動(dòng)化生產(chǎn)線上，基于機(jī)器視覺(jué)技術(shù)的產(chǎn)品檢測(cè)方法逐漸取代人工檢測(cè)方法，廣泛應(yīng)用于工業(yè)檢測(cè)和測(cè)量中[3]。

機(jī)器視覺(jué)技術(shù)在軸承檢測(cè)中的應(yīng)用主要集中在軸承的尺寸檢測(cè)和表面質(zhì)量檢測(cè)[4]?，F(xiàn)階段對(duì)軸承尺寸的檢測(cè)方法已經(jīng)比較成熟，檢測(cè)精度可以達(dá)到0.01mm[5-6]。由于軸承的表面缺陷種類多且特征不明顯，當(dāng)前對(duì)于軸承表面質(zhì)量的檢測(cè)方法還不夠成熟，亟需進(jìn)一步的研究[7]。本文基于實(shí)際工業(yè)需求，主要針對(duì)軸承表面質(zhì)量檢測(cè)中的滾動(dòng)體缺陷進(jìn)行了研究。滾動(dòng)體的作用主要是在相對(duì)運(yùn)動(dòng)表面制造滾動(dòng)摩擦，它的形狀、大小和數(shù)量直接影響軸承的負(fù)荷能力和使用性能。如圖1所示，軸承的滾動(dòng)體存在缺簧、缺珠和缺簧缺珠三種缺陷。為了完成軸承滾動(dòng)體的缺陷檢測(cè)和分類，本文基于機(jī)器視覺(jué)技術(shù)，構(gòu)建了硬件檢測(cè)系統(tǒng)，研究了相應(yīng)的圖像處理算法，并完成了軟件系統(tǒng)的設(shè)計(jì)，實(shí)現(xiàn)了對(duì)軸承滾動(dòng)體缺陷的快速、準(zhǔn)確檢測(cè)。

圖1　軸承缺陷類型

1　硬件系統(tǒng)構(gòu)成

軸承滾動(dòng)體的缺陷檢測(cè)分硬件系統(tǒng)設(shè)計(jì)和軟件算法設(shè)計(jì)兩部分。為了完成圖像的獲取，需要進(jìn)行合理的硬件系統(tǒng)設(shè)計(jì)；為了滿足檢測(cè)的精度要求，需選擇合適的相機(jī)和鏡頭；為了獲得高質(zhì)量的圖像，需要選擇合適的光源。檢測(cè)系統(tǒng)的硬件系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2　檢測(cè)系統(tǒng)硬件組成圖

(1)相機(jī)和鏡頭。根據(jù)檢測(cè)要求，選擇分辨率為640×480的工業(yè)CCD相機(jī)和分辨率為100萬(wàn)的鏡頭，基本滿足檢測(cè)要求。

(2)光源。根據(jù)檢測(cè)要求和軸承的特點(diǎn)，為了獲得清晰和高對(duì)比度的圖像，選擇環(huán)形LED光源。將環(huán)形光源置于被測(cè)工件的上方，根據(jù)實(shí)際環(huán)境調(diào)整光源的亮度和安裝高度，可以獲取到高質(zhì)量的圖像。

(3)計(jì)算機(jī)。圖像的處理終端，主要完成算法的處理的結(jié)果顯示，為了提高圖像采集和處理的速度，一般選用高性能的工控機(jī)。

2　軟件算法設(shè)計(jì)

軟件算法設(shè)計(jì)是軸承缺陷檢測(cè)的核心和關(guān)鍵部分，主要包括圖像的采集和處理。圖像采集主要是獲得高質(zhì)量的圖像。圖像的處理過(guò)程包括圖像預(yù)處理、圖像增強(qiáng)、二值化、ROI區(qū)域提取、連通區(qū)域特征分析等步驟，具體的圖像檢測(cè)算法流程如圖3所示。

圖3　檢測(cè)算法流程圖

2.1圖像采集和預(yù)處理

圖像采集是圖像處理的前提，圖像采集是將圖像傳感器檢測(cè)到的圖像信息傳輸?shù)接?jì)算機(jī)的過(guò)程[8]。圖像采集的過(guò)程中可能會(huì)受到內(nèi)外部的干擾，導(dǎo)致采集到的圖片存在噪聲或者特征不明顯等問(wèn)題。為了祛除圖像中的噪聲，突出感興趣的特征，需要對(duì)圖像進(jìn)行預(yù)處理。

首先對(duì)圖像進(jìn)行濾波，常用的空間濾波方法有線性空間濾波法和非線性空間濾波法。常用的線性濾波法有均值濾波法和高斯濾波法，常用的非線性濾波法有中值濾波法[9]。圖4a和圖4b為分別用中值濾波法和高斯濾波法對(duì)圖像進(jìn)行濾波之后的結(jié)果，發(fā)現(xiàn)高斯濾波之后的軸承滾動(dòng)體中的簧部分更加明顯，因此采用高斯濾波法對(duì)圖像進(jìn)行濾波處理。

(a)中值濾波　　　　　　　　 (b)高斯濾波

鑒于軸承滾動(dòng)體的簧部分相對(duì)背景的對(duì)比度較低，采用了圖像增強(qiáng)的方法改善視覺(jué)效果。圖像增強(qiáng)可以調(diào)整圖像的對(duì)比度，突出有用信息[10]。灰度增強(qiáng)的處理過(guò)程可由下式表示：

g(x,y)=T[f(x,y)]

(1)

其中f(x,y)輸入圖像，g(x,y)是處理后的圖像，T是點(diǎn)(x,y)的鄰域上定義的關(guān)于f的增強(qiáng)算子，為表達(dá)方便，將(1)式表示為：

s=T(r)

(2)

其中s和r分別為g和f在點(diǎn)(x,y)的灰度，采用的灰度增強(qiáng)函數(shù)為：

s=krγ+c

(3)

其中k為對(duì)比度系數(shù)，可以調(diào)整圖像的對(duì)比度；c為亮度系數(shù)，可以調(diào)整圖像的整體亮度，γ為伽馬校正系數(shù)，可以擴(kuò)展圖像的灰度級(jí)，灰度增強(qiáng)的效果如圖5所示。

圖5　灰度增強(qiáng)

2.2二值化

常用的圖像二值化方法有全局閾值法和局部閾值法，全局閾值法又分為手動(dòng)閾值法和自動(dòng)閾值法，鑒于局部閾值法計(jì)算量比較大，同時(shí)為了提高圖像檢測(cè)的自適應(yīng)性，這里選擇基于最大類間方差法的全局自動(dòng)閾值法[11]。

(4)

(5)

其中0

u=P1(k)u1+P2(k)u2

(6)

目標(biāo)函數(shù)為：

g(k)=P1(k)(u1-u)2+P2(k)(u2-u)2

(7)

最大類間方差法選擇滿足g(k)最大時(shí)的k值作為分割閾值，分割效果如圖6所示，可以看出基于最大方差的閾值分割法可以有效的提取目標(biāo)，便于后續(xù)的進(jìn)一步處理。

圖6　圖像二值化

2.3圓檢測(cè)與ROI區(qū)域提取

由于軸承的滾動(dòng)體存在于一個(gè)環(huán)形區(qū)域內(nèi)，可以考慮將環(huán)形區(qū)域設(shè)置為ROI(感興趣區(qū)域)，后續(xù)的圖像處理和分析只需針對(duì)感興趣區(qū)域進(jìn)行，這樣可以有效提高檢測(cè)的速度和準(zhǔn)確性。為了提取環(huán)形ROI，需要檢測(cè)出內(nèi)外圓環(huán)，這里涉及到了圓形邊緣檢測(cè)。常用的圓檢測(cè)方法有Hough圓檢測(cè)法，鑒于Hough圓檢測(cè)法的算法比較復(fù)雜，計(jì)算量較大，針對(duì)軸承圖像的特點(diǎn)，本文采用了一種針對(duì)軸承的圓檢測(cè)方法。

圖7　圓檢測(cè)示意圖

如圖7所示，為了檢測(cè)圓，首先在待搜索圓的內(nèi)外構(gòu)建一個(gè)一個(gè)圓環(huán)搜索區(qū)域，從圓環(huán)中心，每隔角度θ有一條從內(nèi)圓環(huán)指向外圓環(huán)的搜索線，計(jì)算圖像在每條搜索線上的邊緣梯度幅值▽f，設(shè)置梯度閾值T，沿著搜索線找到第一個(gè)滿足▽f>T的點(diǎn)作為邊緣點(diǎn)，其中邊緣檢測(cè)算子可以選擇Canny算子，對(duì)內(nèi)圓做邊緣檢測(cè)得到的結(jié)果如圖8所示。

圖8　內(nèi)圓邊緣檢測(cè)

下一步對(duì)檢測(cè)到的離散邊緣點(diǎn)進(jìn)行圓擬合，采用最小二乘圓擬合的方法。最小二乘圓擬合法本質(zhì)上是求取一個(gè)理想圓，滿足實(shí)際輪廓點(diǎn)到理想圓距離的平方和最小[12]。設(shè)P(xi,yi)為輪廓點(diǎn)，LRi為P(xi,yi)到擬合圓的距離，經(jīng)過(guò)公式推導(dǎo)，得到擬合圓的圓心和半徑為：

(8)

最小二乘圓擬合結(jié)果如圖9所示，通過(guò)式(8)可以求出其最小二乘圓的圓心坐標(biāo)和半徑，其檢測(cè)精度可以達(dá)到亞像素精度。

圖9　最小二乘圓擬合

檢測(cè)出內(nèi)圓后，可以根據(jù)內(nèi)圓的半徑和圓心信息建立外圓的搜索區(qū)域，檢測(cè)外圓的方法和內(nèi)圓相同。檢測(cè)出內(nèi)外圓的圓心和半徑信息后，可以構(gòu)建圓環(huán)ROI，提取出圓環(huán)ROI區(qū)域，ROI的提取結(jié)果如圖10所示，可以看出提取ROI可以有效地排除外部干擾信息。

圖10　ROI區(qū)域提取

2.4特征提取與分析

(9)

(10)

其中L連通區(qū)域的邊緣周長(zhǎng)，A為連通區(qū)域的面積。連通區(qū)域的形狀越接近圓，C越接近于1。對(duì)圖中的連通區(qū)域進(jìn)行圓度分析，結(jié)果如圖12所示。

圖11　連通區(qū)域

圖12　連通區(qū)域1圓度分析

由圖12可以看出，缺簧的滾動(dòng)體圓度更接近于1，且與完整的滾動(dòng)體差距較大。因此可以通過(guò)設(shè)置連通區(qū)域的圓度閾值將滾動(dòng)體的缺簧缺陷檢測(cè)出來(lái)。

圖13　連通區(qū)域

圖14　連通區(qū)域2圓度分析

由圖14可以看出缺珠的連通區(qū)域圓度與1相差較大，因而可以通過(guò)設(shè)置圓度閾值檢測(cè)出軸承滾動(dòng)體的缺珠缺陷。

基于上述分析，可以通過(guò)對(duì)連通區(qū)域的特征進(jìn)行分析提取出缺陷的區(qū)域，為后續(xù)的量化處理做準(zhǔn)備。

2.5量化處理與判斷

通過(guò)對(duì)連通區(qū)域的特征進(jìn)行分析，可以完成軸承的缺陷，并統(tǒng)計(jì)出缺陷的種類及每種缺陷的個(gè)數(shù)。檢測(cè)的過(guò)程主要分為缺簧檢測(cè)、缺珠檢測(cè)和缺簧缺珠檢測(cè)。

基于上述分析，通過(guò)對(duì)Nlh、Nlz和Nlhz的分析可以分別計(jì)算出軸承的缺簧、缺珠和缺簧缺珠缺陷。

3　結(jié)果分析

為了驗(yàn)證算法的實(shí)現(xiàn)效果，采用LabVIEW進(jìn)行了上述算法的實(shí)現(xiàn)。圖像的采集過(guò)程采用了基于事件驅(qū)動(dòng)的結(jié)構(gòu)，減輕了CPU的負(fù)擔(dān)[13]。軟件的設(shè)計(jì)采用了生產(chǎn)者消費(fèi)者模型，開(kāi)發(fā)了軸承滾動(dòng)體缺陷檢測(cè)系統(tǒng)，軟件界面如圖15所示。

圖15　軟件界面圖

實(shí)驗(yàn)運(yùn)行環(huán)境CPU為Inter Core i5-2430M，2.40GHz，內(nèi)存為4GB，操作系統(tǒng)為Windows7。計(jì)算系統(tǒng)從采集到處理一幀圖像的時(shí)間不到0.1s，可見(jiàn)缺陷檢測(cè)系統(tǒng)的實(shí)時(shí)性較好。對(duì)采集到的500幅不同的軸承圖像進(jìn)行滾動(dòng)體缺陷檢測(cè)，準(zhǔn)確率可以達(dá)到100%，可見(jiàn)檢測(cè)系統(tǒng)的準(zhǔn)確性高。根據(jù)相機(jī)拍照的工作距離、鏡頭焦距和CCD尺寸可以計(jì)算出當(dāng)前相機(jī)的空間分辨率為0.253mm/pixel，考慮到缺陷檢測(cè)對(duì)精度的要求不是特別高，檢測(cè)精度完全可以滿足工業(yè)檢測(cè)的要求。

4　結(jié)論

本文基于對(duì)軸承滾動(dòng)體的缺陷進(jìn)行分析，采用機(jī)器視覺(jué)技術(shù)，完成了軸承滾動(dòng)體的缺陷檢測(cè)和分類。圖像算法設(shè)計(jì)方面，通過(guò)圖像預(yù)處理和二值化達(dá)到了圖像分割的目的，并采用了一種適合軸承的圓檢測(cè)方法，其中包括圓形邊緣的搜索和擬合。最后采用了特征提取的方法實(shí)現(xiàn)了軸承的缺陷檢測(cè)和分類。實(shí)驗(yàn)結(jié)果表明，檢測(cè)方法可以實(shí)現(xiàn)對(duì)軸承滾動(dòng)體缺陷的實(shí)時(shí)準(zhǔn)確檢測(cè)，可以滿足工業(yè)檢測(cè)的要求。

[1] 基于DSP的滾動(dòng)軸承故障診斷系統(tǒng)研究[D]. 大連: 大連理工大學(xué), 2008.

[2] 葉寧，李云峰,王恒迪.滾動(dòng)軸承裝配缺陷視覺(jué)檢測(cè)系統(tǒng)的算法研究[J].工具技術(shù)，2009，43(1): 100-102.

[3] 袁清珂,張振亞,吳暉輝,等.基于機(jī)器視覺(jué)系統(tǒng)的自動(dòng)檢測(cè)系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2014 (11): 100-102.

[4] 陳躍飛，王恒迪，鄧四二. 機(jī)器視覺(jué)檢測(cè)技術(shù)中軸承的定位算法[J].軸承,2010(4):54-56.

[5] 祁曉玲,趙霞霞,靳伍銀.基于機(jī)器視覺(jué)的軸類零件幾何尺寸測(cè)量[J].組合機(jī)床與自動(dòng)化加工技術(shù),2013(1):65-67,73.

[6] 王曉潔，鄭小東. 機(jī)器視覺(jué)在軸承檢測(cè)中的應(yīng)用[J].機(jī)床與液壓，2008,36(10)：276-278.

[7]王昌,高晶晶.基于機(jī)器視覺(jué)的軸承生產(chǎn)中的表面質(zhì)量在線檢測(cè)與研究[J].機(jī)床與液壓,2013,41(19) : 53-55.

[8] 康牧.圖像處理中幾個(gè)關(guān)鍵算法的研究[D]. 西安：西安電子科技大學(xué), 2009.

[9] Gonzalez R C, Woods R E.數(shù)字圖像處理[M].2版.阮秋琦.阮宇智.北京:電子工業(yè)出版社, 2006.

[10] 王波. 濾波算法在圖像增強(qiáng)中的應(yīng)用研究[J].計(jì)算機(jī)仿真, 2013, 30(3): 364-367.

[11] 褚巧龍.基于 Otsu 的圖像閾值分割算法的研究[D]. 秦皇島: 燕山大學(xué), 2011.

[12]暢為航,雷賢卿,薛玉君.圓度誤差算法的研究[J].工具技術(shù)，2008，42(9): 97-99.

[13]龍?jiān)?，李小明，向建?基于LabVIEW的視覺(jué)檢測(cè)系統(tǒng)軟件框架設(shè)計(jì)[J].機(jī)電工程技術(shù)，2013，42(6): 141-143.

(編輯李秀敏)

Research on Inspecting the Defects of Bearing Rolling Element Based on Machine Vision

CUI Ming1,2，GU Qi-min2，HUANG Zhen1

(1.School of Information and Electrical Engineering，China University of Mining and Technology，Xuzhou Jiangsu 221116，China；2.School of Electrical and Automatic Engineering，Changshu Institute of Technology，Changshu Jiangsu 215500，China)

As the core of the rolling bearing components, the quality of the rolling element determines the performance of the bearing. In view of the on-line detection demand of bearing rolling element defects, the key technology of detection is studied. In view of the characteristics of the bearing image, image filtering、gray enhancement and binaryzation were preferred to complete image preprocessing. A circle edge detection method of combining annular region search and least square circle fitting was proposed to complete the detection and extraction of the ROI area. The characteristics (roundness and Area) of connected area were analyzed to realize the defect detection and defect classification of the bearing rolling element. Experimental work has proved that the methods described in this paper is good real-time and high accuracy.

bearing; defect detection; machine vision; circle detection; characteristics analysis

1001-2265(2015)11-0074-05DOI:10.13462/j.cnki.mmtamt.2015.11.022

2015-05-27；

2015-06-30

崔明(1991—)，男，山東棗莊人，中國(guó)礦業(yè)大學(xué)碩士研究生，研究方向?yàn)闄C(jī)器視覺(jué)技術(shù)，(E-mail)530498220@qq.com；通訊作者：顧啟民(1957—)，男，江蘇常熟人，常熟理工學(xué)院教授，碩士研究生導(dǎo)師，研究方向?yàn)殡娏﹄娮蛹夹g(shù)、機(jī)器視覺(jué)技術(shù)，(E-mail)gqm@cslg.cn。

TH161;TG506

A