基于預(yù)測匹配差與全局-局部閾值化的軸承缺陷檢測與定位算法*

尚 軍，張曉暉，劉 青

(西安理工大學(xué) 工程訓(xùn)練中心，西安 710048)

1001-2265(2017)10-0022-05

10.13462/j.cnki.mmtamt.2017.10.005

2017-06-08；

2017-07-07

國家自然科學(xué)基金項(xiàng)目(61405157，61075007)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃(2012JM7006)

尚軍(1975—)，男，陜西府谷人，西安理工大學(xué)工程師，研究方向?yàn)槟Ｊ阶R別、計(jì)算機(jī)應(yīng)用、機(jī)電設(shè)備研發(fā)，(E-mail)shjun@xaut.edu.cn；張曉暉(1975—)，男，陜西興平人，西安理工大學(xué)教授，博士生導(dǎo)師，博士，研究方向?yàn)樾畔⒖刂啤⒁曈X識別算法。

基于預(yù)測匹配差與全局-局部閾值化的軸承缺陷檢測與定位算法*

尚 軍，張曉暉，劉 青

(西安理工大學(xué) 工程訓(xùn)練中心，西安 710048)

為了準(zhǔn)確檢測軸承在生產(chǎn)加工過程中出現(xiàn)的滾動體漏裝等缺陷，提出了基于預(yù)測匹配差與全局-局部閾值化的軸承缺陷檢測與定位算法，完成滾動體缺失、破損檢測與定位。首先，引入分段線性圖像增強(qiáng)技術(shù)，擴(kuò)大滾動體與軸承背景的對比度；其次，綜合全局與局部閾值化方法，結(jié)合種子填充技術(shù)，對軸承進(jìn)行連通邊緣標(biāo)記；再設(shè)計(jì)一種圓驗(yàn)證機(jī)制，將軸承中的非圓邊緣濾除，以提取滾動體的ROI區(qū)域，縮小了目標(biāo)檢測范圍，提高滾動體缺陷的檢測效率；最后，利用OpenCV來統(tǒng)計(jì)不同部件的輪廓面積，從而設(shè)計(jì)預(yù)測匹配差方法，對缺失或破損的滾動體進(jìn)行定位。仿真結(jié)果顯示，與當(dāng)前軸承檢測方法相比，對于滾動體漏裝或破損軸承，所提算法具有更高的檢測與定位準(zhǔn)確。

滾動體缺失檢測；滾動體定位；全局-局部二值化；預(yù)測匹配差定位

0 引言

在機(jī)械行業(yè)中，滾動軸承應(yīng)用非常廣，在動力傳動機(jī)構(gòu)中具有重要作用，而滾動體對軸承力學(xué)性能和實(shí)用壽命具有重大影響，但是在制造滾動軸承過程中，經(jīng)常容易漏裝滾動體或者滾動體損壞的情況，若不及時(shí)將其檢測出來，會導(dǎo)致傳動效率下降[1]。在實(shí)際軸承生產(chǎn)期間，為了防止出現(xiàn)滾動體漏裝、或者滾動體損壞等現(xiàn)象，當(dāng)前各工廠主要還是借助人工目視和稱重法[2-3]，其中，人工目視是通過人眼觀察來判別是否存在漏裝或破損情況，這種方式跟檢測人員的經(jīng)驗(yàn)以及工作態(tài)度有關(guān)，主觀性強(qiáng)，且長時(shí)間工作后檢測人員往往因?yàn)槠诙档凸ぷ餍屎蜋z測的準(zhǔn)確性；對于稱重法[3]，由于滾動軸承加工時(shí)存在尺寸偏差，這種重量的偏差和單個滾動體破損重量的偏差往往相近，因此，此時(shí)如果使用稱重法會出現(xiàn)誤檢情況。

為了解決人工作業(yè)的不足，部分學(xué)者著手于對該問題的研究，提出了一些軸承缺陷檢測技術(shù)，且取得良好的實(shí)際應(yīng)用效果，陳韜等[4]提出一種對滾動體及鉚釘缺失檢測的方法，根據(jù)已知的軸承半徑和保持架的尺寸來確定ROI區(qū)域和滾動體所在圓周的半徑，然后檢測滾動體是否存在缺失。該方法先驗(yàn)知識過多，當(dāng)軸承半徑尺寸未知時(shí)算法失效，且該算法不能對破損的滾動體進(jìn)行檢測。崔明等[5]提出一種基于機(jī)器視覺的軸承滾動體缺陷檢測算法，首先提取ROI區(qū)域，然后根據(jù)連通區(qū)域的面積以及圓度對缺陷進(jìn)行檢測和分類，該方法可以一定程度上檢測出滾動體缺陷，但是其基于圓度分析的滾動體檢測準(zhǔn)確率不高，且沒有對缺失的滾動體進(jìn)行定位。彭平[6]提出了一種基于機(jī)器視覺的雙列深溝球軸承滾動體缺失檢測系統(tǒng)，用于檢測雙列深溝球軸承的滾動體。他通過逐環(huán)掃描展開法，提取滾動區(qū)域，并利用面積統(tǒng)計(jì)滾動體的數(shù)目，在所提取的區(qū)域中用標(biāo)準(zhǔn)塊掃描，對缺失的位置進(jìn)行定位。郝永興[7]對鐵路貨車滾動軸承的表面缺陷進(jìn)行了研究，對滾動軸承表面的麻點(diǎn)、臟污等缺陷進(jìn)行了檢測，但是沒有對滾動體缺失進(jìn)行檢測。

為了實(shí)現(xiàn)對滾動體缺陷進(jìn)行精確檢測與定位，本文提出了基于預(yù)測匹配差與全局-局部閾值化的軸承圖像缺陷檢測算法主要分為滾動體區(qū)域的提取、滾動體檢測與定位兩部分。通過全局-局部閾值化方法，來提取滾動體區(qū)域，同時(shí)，通過設(shè)計(jì)預(yù)測匹配差方法，對滾動體進(jìn)行檢測與定位。通過以上兩個方法，最終可以判別待測軸承是否存在滾動體漏裝或破損，如果存在，將對漏裝或破損的滾動體進(jìn)行定位。最后，測試了所提算法的缺陷檢測與定位精度。

1 本文軸承缺陷檢測與定位算法設(shè)計(jì)

所提的基于預(yù)測匹配差與全局-局部閾值化的軸承圖像缺陷檢測算法過程見圖1。其包含了三個階段：①對軸承進(jìn)行分段線性增強(qiáng)；②基于全局-局部閾值化方法的ROI區(qū)域提取；③基于預(yù)測匹配差方法的滾動體定位。如圖1所示。

圖1 本文滾動軸承缺陷檢測與定位算法過程

1.1 滾動軸承圖像增強(qiáng)處理

分段線性變換[8]是指將圖像的像素值分為若干段，每段對應(yīng)一個單獨(dú)的灰度變換，目的在于放大某個灰度范圍的細(xì)節(jié)，相對抑制不感興趣的灰度。圖2a為采集的滾動軸承圖像，滾動體的灰度范圍在(100,200)之間。其中，滾動體是檢測的對象，為了突出此區(qū)域，引入分段線性變換對其增強(qiáng)處理：

(1)

其中，f為采集的滾動軸承圖像；g為增強(qiáng)圖像。

利用式(1)處理圖2a后，獲取的增強(qiáng)圖像見圖2b。由圖可知，增強(qiáng)后的軸承圖像中，其滾動體更亮，滾動體背景更黑，滾動體與背景對比度更大。

(a)初始采集的軸承圖像 (b)增強(qiáng)圖像 圖2 軸承圖像的增強(qiáng)處理

1.2 基于全局-局部閾值化方法的ROI提取

由于滾動體位于軸承的溝道中，溝道在軸承的內(nèi)圈和外圈之間，為了去除內(nèi)外圈對滾動體提取的干擾，需要提取裝載滾動體的圓環(huán)狀溝道區(qū)域，即ROI區(qū)域。為了提取ROI區(qū)域，本文設(shè)計(jì)了全局-局部閾值化方法。

1.2.1 全局-局部閾值化

全局閾值化[9]是指對于整個圖像，設(shè)定一個閾值，大于和小于該閾值的像素被分為兩類。而局部閾值化[10]則是根據(jù)像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值，其優(yōu)點(diǎn)在于每個像素位置處的二值化閾值不是固定不變的，而是由其周圍鄰域像素的分布來決定的。不同亮度、對比度、紋理的圖像區(qū)域?qū)碛胁煌木植慷祷撝礫10]。

為此，本文先對增強(qiáng)圖像進(jìn)行全局閾值化處理，見圖3a；再利用局部自適應(yīng)二值化方法對圖3a進(jìn)行處理，結(jié)果見圖3b。通過觀察圖3可以發(fā)現(xiàn)，全局閾值化使內(nèi)外圈全部成了背景，留下了溝道區(qū)域，但是滾動體邊界模糊，與背景相融。再通過局部自適應(yīng)閾值化處理，基本保留了軸承的基本輪廓信息，滾動體邊界清晰，和內(nèi)外圈沒有任何粘連。

(a)全局閾值化處理結(jié)果 (b)局部閾值化處理結(jié)果圖3 全局-局部閾值化處理結(jié)果

1.2.2 溝道內(nèi)外圈獲取及ROI提取

利用全局-局部閾值化后的軸承圖像溝道區(qū)域外圈輪廓清晰，但是內(nèi)圈輪廓雜亂。為了確定滾動體區(qū)域，可以先確定滾動體溝道的外圈，計(jì)算出圓心，然后根據(jù)內(nèi)圈邊緣點(diǎn)與圓心的距離確定內(nèi)圈半徑。為此，本文首先引入Canny邊緣檢測算子[11]，提取軸承的邊緣圖，過程如下：

(1)令圖3b為f(x,y)，利用高斯函數(shù)G(x)對f(x,y)進(jìn)行平滑處理：

(2)

I(x,y)=[G(x)G(y)]*f(x,y)

(3)

其中，σ為G(x)的標(biāo)準(zhǔn)方差；I(x,y)為平滑圖像。

(2)隨后，求取I(x,y)的梯度幅值與方向：

(4)

H(x,y)=arctan[kx(x,y),ky(x,y)]

(5)

(6)

其中，M(x,y)為I(x,y)的梯度幅值；H(x,y)為I(x,y)的梯度方向；fx,fy為x,y方向的濾波器。

(3)最后，對梯度幅值M(x,y)完成非極大值抑制處理，并利用雙閾值來處理抑制的M(x,y)，從而獲取兩個閾值邊緣圖像，通過連接邊緣，獲取目標(biāo)邊緣[11]。

經(jīng)過上述Canny檢測過程處理圖3b，獲取軸承邊緣，見圖4a。為了從圖4a 中提取出外圈邊緣，本文通過設(shè)計(jì)了一種圓驗(yàn)證機(jī)制，聯(lián)合種子填充法[12]來實(shí)現(xiàn)。

首先，本文利用種子填充法(Seed Filling)[12]，在圖4a中選定一個邊緣點(diǎn)，然后從該邊緣點(diǎn)出發(fā)將與之相鄰的邊緣逐次合并，直到無相鄰點(diǎn)為止，最后獲取一個邊緣點(diǎn)彼此連通的連通域，其過程見圖4b，在圖像中從上到下、從左至右掃描，得到一個邊緣點(diǎn)P1，將P1存儲，并以P1為“種子”在P1的八鄰域內(nèi)尋找其他邊緣點(diǎn)，如P4和P6，依次將P4和P6存儲，接著分別以P4和P6為種子，在其八鄰域內(nèi)尋找其他邊緣點(diǎn)，直至無相鄰邊緣點(diǎn)為止，即可獲取一個連通域，輸出結(jié)果見圖4c。其中，位于最外面的邊緣用黃色標(biāo)記，是一個完整的圓形狀，而其他邊緣短小且不規(guī)則。

(a) Canny邊緣檢測結(jié)果 (b)種子填充標(biāo)記過程 (c) 連通邊緣標(biāo)記結(jié)果圖4 軸承圖像的連通邊緣標(biāo)記結(jié)果

通過種子填充法，獲取了數(shù)條用不同顏色標(biāo)記的連通邊緣，為了從中篩選出最外側(cè)的黃色外圈邊緣，設(shè)計(jì)了一種圓驗(yàn)證算法，通過該算法可以將非圓邊緣濾除，從而得到外圈邊緣。對于任意一個連通域邊緣，按如下步驟進(jìn)行驗(yàn)證：

Step 1：計(jì)算連通邊緣點(diǎn)的個數(shù)C，如果C小于閾值TC，那么刪除，否則進(jìn)入下一步；

Step 2：在連通邊緣上隨機(jī)選取4個點(diǎn)；

Step 3：從4個點(diǎn)中選擇3個點(diǎn)，由這3個點(diǎn)擬合出圓；

Step 4：計(jì)算第4個點(diǎn)到擬合的圓的距離D,如果D小于閾值TD,則此連通邊緣為圓狀邊緣，否則篩除。

如圖5a所示，分別在曲線l1,l2上隨機(jī)選取4個點(diǎn)P1～P4,選擇其中3個點(diǎn)P1～P3(空心圓點(diǎn))擬合圓分別獲得擬合圓C1和C2,在曲線l1中的第4個點(diǎn)P4距離擬合的圓C1很近，幾乎在擬合圓上，所以曲線l1被認(rèn)為是圓形狀曲線，而曲線l2中的第4個點(diǎn)P4(實(shí)心圓點(diǎn))與擬合圓C2的距離D較大，大于閾值TD，所以將曲線l2濾除。

根據(jù)以上驗(yàn)證過程，有效地將除溝道外圈邊緣以外的所有邊緣濾除，并由步驟3計(jì)算出外圈邊緣的擬合參數(shù)(x,y,r)。其中，x是擬合圓心的橫坐標(biāo)；y為縱坐標(biāo)；r為半徑。得到計(jì)算出滾動體區(qū)域外圈邊緣的擬合圓心坐標(biāo)后，再計(jì)算所有邊緣點(diǎn)到圓心的距離，取最小的距離作為滾動體區(qū)域的內(nèi)圈半徑，即內(nèi)圈擬合圓內(nèi)部包含任何邊緣點(diǎn)。最終得到了擬合結(jié)果，用藍(lán)色標(biāo)記滾動體區(qū)域的內(nèi)外圈，見圖5b。

(a) 圓驗(yàn)證示意圖 (b) 滾動體區(qū)域內(nèi)外圈擬合圓圖5 溝道內(nèi)外圈的獲取

再根據(jù)內(nèi)外圈邊緣的擬合圓，制作出滾動體區(qū)域掩膜板，如圖6a，其中，滾動體區(qū)域?yàn)榘咨?，其他區(qū)域?yàn)楹谏尘?。將滾動體區(qū)域掩膜版和局部二值化結(jié)果(圖3b)進(jìn)行“與”操作，即可獲取滾動體ROI區(qū)域，見圖6b。由圖可知，除了ROI區(qū)域外，其他無關(guān)信息都被屏蔽。

(a) 滾動體區(qū)域掩膜板 (b) 提取的ROI區(qū)域圖6 滾動體區(qū)域的提取

1.3 基于預(yù)測匹配差方法的缺失滾動體檢測與定位

得到滾動體區(qū)域后，本文利用OpenCV中輪廓提取函數(shù)FindContours()來獲取封閉輪廓，見圖7a。可見，所提取的輪廓數(shù)量多，且除了滾動體輪廓外，還存在其他次要信息，如內(nèi)外圈輪廓、鉚釘輪廓等。為了篩選出滾動體，利用函數(shù)ContourArea()來計(jì)算輪廓面積，統(tǒng)計(jì)結(jié)果見表1。依據(jù)表1可知，面積大小在800～200之間的輪廓為滾動體輪廓；200～600之間的為鉚釘輪廓；而小于100的為噪聲輪廓；大于1200的為內(nèi)外圈輪廓。因此，可以簡單地通過設(shè)置面積閾值篩選出滾動體。通過將面積在800～1200之間的輪廓篩選出來，結(jié)果如圖7b。依圖可在，其他輪廓全部被濾除。

表1 輪廓面積統(tǒng)計(jì)表

(a) 滾動體區(qū)域輪廓 (b) 提純后的滾動體輪廓圖7 滾動體輪廓的提取

隨后，計(jì)算出滾動體的數(shù)量，與完好的滾動軸承所擁有的滾動體數(shù)量進(jìn)行對比，可以判別是否存在漏裝或破損等情況。為了對缺失的滾動體進(jìn)行定位，本文設(shè)計(jì)了預(yù)測匹配差方法，通過求取完好的滾動體輪廓的最小外接矩形，從而獲取完好滾動體的位置。具體步驟如下：

Step 1:對識別出的滾動體的最小外接矩形的中心點(diǎn)(C1,C2,…Cn) 進(jìn)行圓擬合，獲得這些中心點(diǎn)的擬合圓，參數(shù)為(c_x,c_y,c_r);

Step 2:建立坐標(biāo)系，根據(jù)參數(shù)方程計(jì)算任意一個中心點(diǎn)到擬合圓心(c_x,c_y)與橫坐標(biāo)軸的夾角為θ0;

Step3:假設(shè)合格滾動軸承的滾動體個數(shù)為N，那么對于i=1:N,根據(jù)公式(2)計(jì)算所有期望滾動體的中心點(diǎn)位置Mi(xi,yi):

xi=c_x+c_rcos(θ0+i2π/N);yi=c_y+c_rsin(θ0+i2π/N);

(7)

根據(jù)上述過程，獲取滾動體的實(shí)際中心位置與期望的位置匹配結(jié)果見圖8a，綠色圈表示實(shí)際擁有的位置，紅色圈表示期望的位置。

依據(jù)步驟1～4，按對圖7b中的缺失位置進(jìn)行定位，結(jié)果見圖8b?？梢姡笔恢帽粶?zhǔn)確定位出來，用綠色圓圈進(jìn)行標(biāo)記。

(a)滾動體中心位置的匹配結(jié)果 (b)滾動體缺失位置的定位結(jié)果圖8 缺失滾動體檢測與定位

2 實(shí)驗(yàn)結(jié)果與討論

為了測試所提算法的準(zhǔn)確性，在VS2012集成開發(fā)環(huán)境下進(jìn)行的實(shí)驗(yàn)。同時(shí)，為了體現(xiàn)所提算法的優(yōu)異性，將缺陷檢測精度較高的技術(shù)作為對照組(文獻(xiàn)[3])。滾動體數(shù)量為16個；全局閾值為35；局部自適應(yīng)參數(shù)為(1,35,1)；連通邊緣區(qū)域至少包含25個像素點(diǎn)。

為了驗(yàn)證本文所提算法的有效性，采用4幅圖像作為檢測對象，其中表2中的圖a為合格滾動軸承，不存在任何漏裝情況；圖b存在兩個位置的漏裝；圖c存在兩個損壞的滾動體；圖d存在一個漏裝位置和一個損壞滾動體。再使用所提算法與文獻(xiàn)[3]對其完成檢測，結(jié)果見表1。其中，第一列為待檢測圖像；第二列為檢測出的滾動體；第三列為對滾動體及缺失位置的定位，其中方框?yàn)閷Υ嬖诘臐L動體的定位，圓框?yàn)閷θ笔Щ驌p壞位置的定位。第四列為文獻(xiàn)[3]中的滾動體定位方法。通過觀察表1的第二列可知，所檢測到的滾動體的輪廓準(zhǔn)確誤差小，且不存在漏檢或多檢情況。其中，圖a檢測出12個滾動體，圖b、c、d檢測出10個滾動體。依據(jù)第三列可知，即滾動體與滾動體缺失位置定位，從標(biāo)記結(jié)果看，所有完整的滾動體全部被準(zhǔn)確定位，且漏裝位置或缺損滾動體全部被準(zhǔn)確定位，如被測圖b中定位了兩個漏裝位置，被測圖c中定位了兩個損壞的滾動體，圖d中定位了一個破損滾動體和一個漏裝位置。根據(jù)實(shí)驗(yàn)提供的被測圖像，可以得到以下數(shù)據(jù)：滾動體檢測準(zhǔn)確率為100%；滾動體缺失檢測為100%。且滾動體及缺失定位準(zhǔn)確，沒有誤檢現(xiàn)象。

相比之下，文獻(xiàn)[3]方法在圖a中將2個鉚釘檢測成滾動體，在圖b中將1個鉚釘檢測成滾動體，圖c中漏檢了一個破損滾動體且把一個鉚釘檢測成滾動體。因此，與文獻(xiàn)[3]算法相比，本文方法檢測準(zhǔn)確度更高，不存在多檢和漏檢情況。原因是所提技術(shù)通過利用分段線性變換技術(shù)來擴(kuò)大滾動體與其背景的對比度差異，并聯(lián)合全局-局部閾值技術(shù)，并通過設(shè)計(jì)圓驗(yàn)證機(jī)制，對內(nèi)外圈進(jìn)行圓擬合，精確獲取滾動體區(qū)域，同時(shí)統(tǒng)計(jì)出滾動體與其他部分的特征差異，通過設(shè)計(jì)預(yù)測匹配差方法，準(zhǔn)確獲取完好的滾動體輪廓的最小外接矩形，從而獲取完好滾動體的位置。而文獻(xiàn)[3]技術(shù)是利用偽時(shí)頻特征與多普勒小波濾波器來檢測軸承缺陷，但是，偽時(shí)頻特征易受對比度的影響，導(dǎo)致其時(shí)頻特征較為微弱，且內(nèi)外圈的時(shí)頻特征較為接近，從而使其存在較多的偽特征，難以準(zhǔn)確獲取滾動體的位置。

另外，通過記錄兩種檢測技術(shù)的時(shí)耗可知，本文算法的檢測時(shí)間平均約0.5s，而文獻(xiàn)[3]的平均時(shí)耗為0.7s?？梢姡崴惴ǖ臋z測耗時(shí)更少，速度更快，能夠滿足在線檢測需求。原因是本文通過全局-局部閾值方法，以及圓驗(yàn)證方法來獲取軸承的滾動體ROI區(qū)域，有效縮小了目標(biāo)檢測范圍，提高滾動體缺陷的檢測效率，而文獻(xiàn)[3]則是對整個軸承所有部位進(jìn)行逐一檢測，顯著增大其技術(shù)的計(jì)算量，使其效率不佳。

表2 滾動體缺失檢測與定位

3 結(jié)論

本文采用圖像處理技術(shù)實(shí)現(xiàn)了對軸承滾動體的檢測，可以判別滾動軸承是否存在滾動體漏裝或破損，并對缺失或破損位置進(jìn)行準(zhǔn)確定位。所采用方法速度快、檢測準(zhǔn)確率高，定位精確，有效減少了漏檢或錯檢的現(xiàn)象。為了實(shí)現(xiàn)以上功能，使用了圖像增強(qiáng)算法、基于全局-局部閾值化方法的ROI提取算法以及基于預(yù)測匹配差方法的缺失滾動體定位。實(shí)驗(yàn)表明，所提算法可以準(zhǔn)確地檢測軸承是否存在滾動體缺失或損壞，對缺失位置的定位精確。此外本文所提算法時(shí)間短，僅為0.5s，滿足在線檢測需求。

[1] S Abdusslam, P Raharjo, F Gu. Bearing defect detection and diagnosis using a time encoded signal processing and pattern recognition method [J]. Journal of Physics: Conference Series. 2012, 364(1): 12036-12047.

[2]魏永合, 王明華, 林夢菊. 基于改進(jìn)EEMD的滾動軸承故障特征提取技術(shù)[J]. 組合機(jī)床與自動化加工技術(shù), 2015(1): 87-90.

[3]Zhang Haibin, Lu Siliang, He Qingbo. Multi-bearing defect detection with trackside acoustic signal based on a pseudo time-frequency analysis and Dopplerlet filter [J]. Mechanical Systems and Signal Processing, 2016, 70(3): 176-200.

[4] 陳韜,王獻(xiàn)鋒,鄧四二,等， 軸承滾動體及鉚釘缺失檢測系統(tǒng)開發(fā)[J].軸承，2007(9):42-43.

[5] 崔明,顧啟民,黃震. 基于機(jī)器視覺的軸承滾動體缺陷檢測算法研究[J]. 組合機(jī)床與自動化加工技術(shù), 2015(11): 74-78.

[6] 彭平. 雙列深溝球軸承滾動體缺失檢測技術(shù)研究[D]. 河南: 河南科技大學(xué), 2012.

[7] 郝永興. 基于機(jī)器視覺的鐵路貨車滾動軸承表面缺陷檢測技術(shù)研究[D].甘肅: 蘭州交通大學(xué), 2016.

[8] Chun-ming Tsai. Contrast Enhancement by Automatic and Parameter-Free Piecewise Linear Transformation for Color Images[J]. IEEE Transactions on Consumer Electronics, 2016, 54(2): 213-219.

[9] 吳海濱, 周后偉, 張鐵譯. 基于OTSU的動態(tài)結(jié)合全局閾值的圖像分割[J]. 大氣與環(huán)境光學(xué)學(xué)報(bào), 2012, 7(6): 463-468.

[10] Hegazy Mohamed A A, HC Min,SY Lee. A metal artifact reduction method for a dental CT based on adaptive local thresholding and prior image generation [J]. Biomedical Engineering Online, 2016, 15(1) 119-125.

[11] A Tsanakas, D Chrysostomou, P N Botsaris. A metal artifact reduction method for a dental CT based on adaptive local thresholding and prior image generation [J]. BioMedical Engineering OnLine, 2016, 15(1): 1201-1209.

[12] 李曉瑜, 楊馬英. 機(jī)器人視覺圖像分割算法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2013, 23(S1): 260-264.

BearingDefectDetection-LocationAlgorithmBasedonPredictiveMatchingDifferenceandGlobalLocalThresholding

SHANG Jun， ZHANG Xiao-hui， LIU Qing

(Engineering Training Center, Xi′an University of Technology, Xi′an 710048,China)

In order to accurately detect the defects of rolling body leakage in the process of production bearing, the bearing defect detection-location algorithm based on predictive matching difference and global local thresholding was proposed in this paper to finish the detection and location of missing and damaged rolling bodies. Firstly, the piecewise linear image enhancement technique was introduced to enlarge the contrast between the rolling body and the bearing. Then the linking edge marking of the bearing was done by constructing the global-local thresholding method and combining the seed filling technology. And the ROI region of the rolling body was extracted by designing a circle verification mechanism to filter out the non circle edge of the bearing for reducing the target detection range and improving the detection efficiency. Finally, the predictive matching method was designed by using the OpenCV to calculate the contour area of different components for locating the missing or damaged rolling objects. Simulation results show that this algorithm has higher detection and localization accuracy compared with current bearing detection methods.

rolling body missing detection; rolling body localization; global-local binaryzation; predictive matching difference localization

TH165;TG115

A

(編輯李秀敏)