基于改進(jìn)Niblack算法的軸承滾子表面缺陷檢測*

陳金貴，陳 昊，張 奔

(1.韋士肯(廈門)智能科技有限公司，福建 廈門 361012；2.南昌航空大學(xué) 信息工程學(xué)院，南昌 330063)

0 引言

軸承作為一種重要的機械基礎(chǔ)件，廣泛的應(yīng)用在汽車、機械、航空等行業(yè)，軸承滾子為滾動軸承的重要組成部分，當(dāng)軸承滾子表面有缺陷時，將極大影響滾動軸承的性能，從而造成一系列重大事故[1]。在生產(chǎn)過程中實時的檢測出軸承滾子表面缺陷，分析缺陷產(chǎn)生的原因，進(jìn)而改進(jìn)生產(chǎn)工藝，提高軸承滾子生產(chǎn)的成品率，能夠有效防止?jié)L動軸承發(fā)生故障。傳統(tǒng)的軸承滾子檢測方法，主要依靠人工目撿，但其效率低下，而且極易受到主觀情緒的影響，造成一定程度的誤檢。人工檢測的種種不足，促進(jìn)了無損檢測的發(fā)展，主要有聲波法[2]、渦流法[3]、機器視覺法[4]等，其中機器視覺以其高效、低成本的特性，廣泛的應(yīng)用于軸承滾子的缺陷檢測中。

文獻(xiàn)[5]根據(jù)光學(xué)單縫衍射原理，設(shè)計了一套圓錐滾子缺陷檢測系統(tǒng)，但是該系統(tǒng)檢測的缺陷種類較為單一；文獻(xiàn)[6]提出最大類間方差法和局部閾值分割方法對圓錐滾子圖像進(jìn)行缺陷分割，并使用SVM對分割后的圖像進(jìn)行分類，但是該方法僅對滾子的頂部和底部進(jìn)行檢測，且沒有對缺陷檢測的準(zhǔn)確性進(jìn)行定量的分析。

針對以上檢測方法存在的不足以及滿足實際工業(yè)生產(chǎn)的要求，本文設(shè)計了一套圖像采集裝置，針對采集到的軸承滾子圖像，采用改進(jìn)Niblack算法提取出缺陷區(qū)域。實驗結(jié)果表明，所提方法對缺陷有較好的識別效果。

1 圖像采集系統(tǒng)

由于軸承滾子是一個圓柱體，傳統(tǒng)的打光方式照射在滾子上，光照強度較低時，缺陷區(qū)域和背景區(qū)域區(qū)分不明顯，如圖1a，使得圖像計算的復(fù)雜度大大增加；當(dāng)光照強度較高時，會在滾子的表面產(chǎn)生強烈的反光現(xiàn)象，如圖1b所示，嚴(yán)重影響較小缺陷的檢測。

(a)光照強度低 (b)光照強度高圖1 傳統(tǒng)光源打光方式對比圖

1.1 軸承滾子圖像采集裝置模型

針對以上問題，本文在深入研究軸承滾子表面特性以及光源設(shè)備屬性，同時也滿足軸承滾子缺陷檢測的實時性要求，設(shè)計了一套軸承滾子表面圖像采集裝置，如圖2所示。

圖2 實驗采集轉(zhuǎn)置

軸承滾子圖像采集轉(zhuǎn)置主要由面陣相機、藍(lán)色背光源、轉(zhuǎn)臺、電磁鐵、遮光罩、光電感應(yīng)開關(guān)、工控機以及轉(zhuǎn)臺控制器等組成。如圖2可知，軸承滾子放置在轉(zhuǎn)臺的中心位置處，其下方有一個受傳感器控制的電磁鐵，用于固定住軸承滾子；在轉(zhuǎn)臺的側(cè)邊放置一個藍(lán)色背光源，并調(diào)節(jié)至合適的亮度，可以克服普通光源過亮和過暗帶來的不利影響，并且缺陷區(qū)域可以較清晰的顯示出來；本裝置中工業(yè)相機固定在一個可以調(diào)節(jié)的滑臺，包括縱向絲桿滑臺和橫向絲桿滑臺，分別用來調(diào)節(jié)相機的高度工作距離，通過此滑臺可以較為方便的更換不同尺寸的工件；在軸承滾子、藍(lán)色背光源、面陣相機、轉(zhuǎn)臺等裝置外部還放置了一個遮光罩，用于消除外界光線對圖像采集的干擾。

軸承滾子圖像采集系統(tǒng)的工作原理是：當(dāng)軸承滾子運動到轉(zhuǎn)臺的中心位置時，位于轉(zhuǎn)臺底部的電磁鐵開啟固定住軸承滾子，同時轉(zhuǎn)臺開始轉(zhuǎn)動，面陣相機同時開始采集，并將獲取到的圖像實時傳輸?shù)焦た貦C的圖像處理單元。通過調(diào)節(jié)轉(zhuǎn)臺的轉(zhuǎn)速和相機的曝光時間對應(yīng)關(guān)系，相機可以采集到清晰又不拖影的圖像。

1.2 軸承滾子圖像特點

使用上述圖像采集裝置對軸承滾子進(jìn)行圖像采集時，由Phong[7]光照模型以及相機光電轉(zhuǎn)換模型，得出圖像的灰度值表達(dá)式為：

F(x,y)=α·k(x,y)·Il(x,y)+α·Im(x,y)+β

(1)

其中，α和β為相機參數(shù)決定的定值，Il為光源強度[8]，Im為環(huán)境光反射強度。k為軸承滾子表面的反射系數(shù)。由圖像采集系統(tǒng)的特點可知，由于遮光罩的存在，使得Im近似為0，而光源強度Il與距離的平方成反比[9]，所以采集到的圖像具有以下特點：

(1)所獲取的圖像包含背景區(qū)域：面陣相機在采集圖像的過程中除了獲得軸承滾子區(qū)域外，還包含著與缺陷檢測無關(guān)的背景區(qū)域。

(2)行圖像灰度值大小不同：由于軸承滾子是一個圓柱體，背光源照射出的光線，因與軸承滾子表面距離的不同，各個區(qū)域獲取的光照強度也相應(yīng)不同，具體表現(xiàn)為沿水平方向軸承滾子表面圖像灰度值呈現(xiàn)非線性的變化。

(3)列圖像灰度值相同：由于背光源照射出來的光線近似平行光線，對于軸承滾子表面的每一列，其獲取的光照強度以及光線反射到相機內(nèi)的角度均相同，因此當(dāng)軸承滾子表面不存在缺陷時，對于軸承滾子一列圖像其灰度值有以下關(guān)系：

Fc(x,y)=m(x,y)

(2)

σc(x,y)=0

(3)

而當(dāng)軸承滾子表面存在缺陷時，缺陷區(qū)域的灰度值比無缺陷區(qū)域的灰度值小，對于軸承滾子一列圖像存在以下關(guān)系：

σc(x,y)=r

(4)

其中，σc為軸承滾子列圖像的標(biāo)準(zhǔn)差，m(x,y)為軸承滾子列圖像的灰度值均值，r不為0的常數(shù)，其中：

(5)

(6)

2 缺陷檢測

2.1 圖像預(yù)處理

為減少缺陷檢測的計算時間，首先將軸承滾子區(qū)域從原始圖像中分離出來。由于采集到的軸承滾子圖像因機械裝置自身精度的原因影響，使得軸承滾子位置存在著一定的偏差，因此還需要對采集到的軸承滾子圖像進(jìn)行相應(yīng)的位置矯正。提取軸承滾子區(qū)域圖像的流程圖如圖3所示。

圖3 提取軸承滾子圖像流程圖

經(jīng)過上述處理流程之后效果見圖4所示，其中圖4a為采集系統(tǒng)獲取的初始圖像，其經(jīng)過二值化后的圖像見圖4b,然后其進(jìn)行提取和位置矯正后得到最終的軸承滾子圖見圖4c。

(a)原圖像 (b)軸承滾子區(qū)域 (c)滾子圖像圖4 獲取軸承滾子圖像

2.2 缺陷檢測算法

根據(jù)1.2小節(jié)所述可知，軸承滾子圖像沿水平方向灰度值呈現(xiàn)非線性變化，所以傳統(tǒng)的全局閾值分割算法將不再適用處理軸承滾子圖像。為了解決上述不足，本文使用改進(jìn)的自適應(yīng)系數(shù)Niblack算法[10]用于軸承滾子表面缺陷的提取。此算法主要使用子窗口的均值和方差與整幅圖像的均值相結(jié)合的方式，來動態(tài)調(diào)整每個子窗口的標(biāo)準(zhǔn)差比例系數(shù)，從而實現(xiàn)對圖像的分割，但是該算法復(fù)雜度較高且計算量較大。因此本文對此進(jìn)行了以下改進(jìn)：

(1) 由1.2節(jié)分析可知采集到圖像無缺陷列圖像的標(biāo)準(zhǔn)差為0，首先將圖像分為n個子窗口，每個子窗口的大小為m×1，其中m、n分別為圖像的行數(shù)和列數(shù)。所以圖像的歸一化標(biāo)準(zhǔn)差可以表示為：

(8)

σAdaptive為所有子窗口歸一化標(biāo)準(zhǔn)差，σw為子窗口的標(biāo)準(zhǔn)差，σmax為所有子窗口中標(biāo)準(zhǔn)差最大值，maxlevel為圖像灰度值最大值。

(9)

(10)

由式(10)、式(11)可知：

(11)

則自適應(yīng)閾值函數(shù)可以表示為：

T(x,y)=m(x,y)+B

(12)

(13)

軸承滾子圖像經(jīng)過上述算法處理之后如圖5所示，該方法可以較好的分割出缺陷區(qū)域。

(a)圓錐滾子圖 (b)二值化處理后的圖像圖5 二值圖像

3 實驗及分析

為了充分驗證本算法的有效性，本文用上述采集裝置獲取圖像，對所述方法進(jìn)行了定性定量比較分析。

3.1 圖像分析與缺陷分類

(1)圖像采集單元結(jié)果與分析：用所述采集系統(tǒng)獲取到的圖像如圖6所示。通過觀察可以發(fā)現(xiàn)，采集到的軸承滾子區(qū)域整體灰度值較均勻，并且缺陷區(qū)域較為明顯。

(2)缺陷分類：軸承滾子的圓柱表面在生產(chǎn)的過程中，由于生產(chǎn)模具、人為因素，以及外界環(huán)境的干擾等影響不可避免的會產(chǎn)生缺陷，常見的缺陷主要表現(xiàn)有以下類型和特點：

(a)劃痕 (b)凹坑 (c)斑點 (d)銹斑圖6 圖像采集系統(tǒng)采集的軸承滾子缺陷

① 劃痕

此類缺陷表現(xiàn)為出現(xiàn)在軸承滾子表面數(shù)量較少的直線狀摩擦痕跡，如圖6a所示。

② 凹坑

此類缺陷主要是因為軸承滾子受到模具損壞、溫度差異等影響，出現(xiàn)在軸承滾子表面凹陷現(xiàn)象，如圖6b所示。

③ 斑點

此類缺陷由于外界環(huán)境的腐蝕，產(chǎn)生在軸承滾子表面點狀并且異于滾子表面顏色的微小痕跡，如圖6c所示。

④ 銹斑

此類缺陷表現(xiàn)為軸承滾子表面形狀和面積大小不一的黃褐色斑痕，如圖6d所示。

3.2 參數(shù)分析

本實驗在MATLAB-R2016b環(huán)境下搭建了軸承滾子缺陷檢測的實驗平臺，所使用的軸承滾子圖像的大小為436×72。

本文提出的算法中，只存在一個可控參數(shù)B，B值的選取，將直接影響著圖像分割的效果。當(dāng)B值過大時，分割閾值過大，將導(dǎo)致部分缺陷檢測不出來，反之，分割閾值過小，將會產(chǎn)生大量的噪聲，產(chǎn)生許多偽缺陷。所以B值的選取對缺陷識別的準(zhǔn)確率非常重要。

圖7給出了不同B值時軸承滾子表面缺陷分割的效果圖，從圖中可以看出，當(dāng)B值過小時，會產(chǎn)生大量的噪聲，產(chǎn)生許多偽缺陷，如圖7中a2、b2、c2、d2所示，而當(dāng)B值過大時則會導(dǎo)致檢測出的缺陷面積比實際缺陷面積小，甚至?xí)o法檢測出缺陷，如圖7中b5所示。當(dāng)B=15時圖像分割的效果最好，能夠檢測出缺陷，而且能夠抑制偽缺陷的產(chǎn)生如圖7中a4、b4、c4、d4所示。

(a)斑點缺陷 (b)劃痕缺陷

(c)銹蝕缺陷 (d)劃痕缺陷(從第2列到第5列B的取值依次為：5,10,15,20)圖7 不同B值時軸承滾子表面缺陷識別的效果圖

3.3 分割效果對比試驗

3.3.1 算法分割效果對比

為了充分驗證本算法的分割效果，本文選用應(yīng)用比較廣的二維Otsu算法[11]、Bernsen算法[12]、Niblack算法[13]三種算法作為本文算法的對比算法。其中Bernsen算法使用的領(lǐng)域模板尺寸的大小為7×7，、Niblack算法使用領(lǐng)域模板尺寸大小為21×21，k取值-0.1。

(a)凹坑缺陷 (b)斑點缺陷

(c)銹蝕缺陷 (d)劃痕缺陷

圖8從左到右依次為原圖、二維Otsu算法、Bernsen算法、Niblack算法、本文算法的閾值分割效果圖

如圖8所示，在對軸承滾子的各類缺陷進(jìn)行分割時，二維Otsu算法、Bernsen算法、Niblack算法對于高對比度的缺陷區(qū)域都能夠很好的分割出來，但是二維Otsu算法受限于其全局性特點，將圖像邊緣的陰暗區(qū)域也分割出來如圖8中a2、b2、c2所示，并且無法分割出劃痕缺陷圖7中d2這類對比度較低的缺陷；Bernsen算法、Niblack算法雖較二維Otsu算法分割效果有了較大改善，但是對于邊緣低對比度區(qū)域仍出現(xiàn)了大量的過分割如圖8中c3、c4所示，而且不能夠分割出劃痕這類線條狀缺陷如圖8中d3、d4所示；本文算法雖然在處理凹坑這類缺陷出現(xiàn)了微量的過分割現(xiàn)象如圖8中a5所示,但是對于斑點、劃痕這兩類較為微小的缺陷都能夠?qū)崿F(xiàn)較好的分割效果如圖8中b5、d5所示，并且對缺陷位于邊緣灰度值對比度較低區(qū)域的缺陷也能夠?qū)崿F(xiàn)較好的分割如圖8中c5所示。

3.3.2 運行時間對比

本文重復(fù)運行上述算法各50次，取其運行時間的均值，得出了表1所示各種算法耗時表。從表1可以看出，二維Otsu算法得益于全局閾值特性，在處理速度上表現(xiàn)出較高的實時性；Bernsen算法由于需要計算局部對比度，運行時間相較二維Otsu算法明顯變長；而Niblack算法因為要計算局部均值和標(biāo)準(zhǔn)差，其運行時間大大增長；本文算法只需要計算局部均值，運行時間雖然比二維Otsu算法要長些，但仍低于Bernsen算法、Niblack算法這類局部算法。

表1 本文算法與其他算法的耗時對比(單位：ms)

3.3.3 缺陷檢測的準(zhǔn)確率

本文用所述的圖像采集裝置，采集了200幅合格軸承滾子表面圖片，200幅缺陷軸承滾子表面圖像，其中劃痕、凹坑、斑點、銹斑各50幅，用來檢測本文算法的準(zhǔn)確率，實驗結(jié)果如表2所示。

表2 軸承滾子表面缺陷的檢測精度

通過表2，可以發(fā)現(xiàn)本文算法對于凹坑、銹蝕這類灰度值較低且對比度明顯的缺陷識別率可以達(dá)到100%；而對于斑點這類面積較小的缺陷出現(xiàn)了一定程度的錯檢；同時處理劃痕此類對比度較低的缺陷也有少量的錯檢；而對于沒有缺陷的軸承滾子，受限于采集裝置本身密封性影響以及面陣相機本身噪聲影響，出現(xiàn)了少數(shù)的誤檢。通過對表2四類缺陷以及正常軸承滾子識別率分析和計算，可以發(fā)現(xiàn)本文算法對缺陷有較高的識別效果。

4 結(jié)束語

本文針對現(xiàn)階段的軸承滾子表面缺陷檢測存在的不足，首先設(shè)計了軸承滾子表面圖像采集系統(tǒng)，其采用藍(lán)色背光源側(cè)面照射的方式，克服傳統(tǒng)打光方式的局限性，并通過轉(zhuǎn)臺的轉(zhuǎn)動，實現(xiàn)對表面圖像的實時采集；然后采用直方圖閾值分割方法將軸承滾子區(qū)域提取出來；最后根據(jù)無缺陷滾子圖像沿著垂直方向灰度值基本不變的特點，采用改進(jìn)Niblack算法對軸承滾子圖像的缺陷區(qū)域進(jìn)行分割。實驗表明該算法可以較好的識別軸承滾子各類缺陷，尤其對于邊緣處對比度較低區(qū)域缺陷有很好的分割效果。但是本算法仍然存在著以下不足之處：①本算法只適用于一種材質(zhì)軸承滾子，對于其他材質(zhì)的軸承滾子不能夠?qū)崿F(xiàn)動態(tài)調(diào)整參數(shù)；②對于斑點、劃痕這類微小、對比度低的缺陷的識別率有待于進(jìn)一步提高。因此，如何對不同材質(zhì)的軸承滾子實現(xiàn)參數(shù)的動態(tài)調(diào)整和提高微小、低對比度類缺陷的識別率是接下來研究的重點。