機器視覺檢測技術中軸承的定位算法

陳躍飛，王恒迪，鄧四二

(1.河南科技大學 機電工程學院，河南 洛陽 471003；2.洛陽軸研科技股份有限公司，河南 洛陽 471039)

機器視覺檢測技術是指利用計算機來模擬人的視覺功能，從獲取的圖像中提取出有用信息，通過對信息的加工處理和理解，最終代替人工完成檢測或測量。典型的機器視覺檢測系統一般包括光源及其控制器、圖像采集模塊、圖像處理及決策判斷模塊和機械執行單元等。首先應該根據被檢測對象選擇方案合理、照度合適的光源及其控制器；圖像采集模塊負責獲取被檢測對象的圖像信息，經A/D轉換后傳送至圖像處理及決策判斷模塊進行分析；最后根據判斷結果控制和驅動機械執行單元完成相應的處理。

軸承的生產批量一般較大，為了保證產品質量，在其生產過程中需要對多項參數進行檢測。目前有些檢測工作仍然由人工完成，由于生產批量大、檢查人員的視覺疲勞、勞動慣性等易導致漏檢或錯檢，無法滿足現代企業對產品質量的高要求。而機器視覺檢測技術屬于非接觸的方法，設計良好的檢測系統可以適應工業現場的惡劣環境，且具有速度快、精度高的優點。將機器視覺檢測技術應用到軸承的生產過程中已成為目前研究的一個熱點[1-4]，國內有一大批學者致力于將機器視覺檢測技術應用于軸承尺寸檢測、軸承表面質量和裝配質量控制等方面的研究，部分成果已經應用于軸承的生產現場，實現了產品質量的在線全檢，從而有效保證了軸承質量的提升。

在開發一套用于軸承在線檢測的機器視覺系統中，受現場工況的限制，每一個到達被檢工位軸承的位置均不固定，在一定范圍內有所變動，因此檢測算法首先要確定圖像中軸承的位置，為后續特征識別等工作做準備。這里提出了一種基于LabVIEW軟件平臺的軸承定位算法，該方法可以高效地確定圖像中軸承的位置。

1 圖像預處理

軸承圖像預處理的目的有兩個：一是消除圖像采集過程中的噪聲干擾，提高信噪比，改善圖像的視覺效果；二是減小圖像信息，方便特征提取。圖像預處理包括中值濾波和二值化兩部分。

1.1 中值濾波

受多方面因素的影響，采集得到的軸承圖像往往存在退化，導致圖像失真。為使圖像更加逼真地復現被檢軸承，必須進行降噪處理，剔除干擾信號。常用的降噪方法有領域平滑、保存邊界平滑、多圖像平均和中值濾波等。

中值濾波[5]是一種基于排序統計理論的非線性平滑濾波方法，原理是首先確定一個以某個像素為中心點的方形鄰域，然后將鄰域中各像素的灰度值進行排序，取中間值作為中心像素新的灰度值，這里的鄰域通常被稱為窗口。以圖1所示3×3窗口為例，欲進行中值濾波，首先將窗口中各像素的灰度值從小到大進行排序，并將中間值(即灰度值4)作為中心像素新的灰度值，即認為圖中灰度值為10的像素是圖像的噪聲，這樣經中值濾波后噪聲被清除。中值濾波的窗口一般選擇3×3，5×5或7×7等，小窗口適合于濾除小的噪聲，對于較大噪聲則必須選擇大窗口。經過試驗對比，采用5×5窗口的中值濾波，LabVIEW濾波程序如圖2所示。

圖1 3×3中值濾波

圖2 5×5窗口中值濾波的LabVIEW程序

中值濾波的輸出像素是由鄰域圖像的中間值決定的，因此可以很好地消除突變噪聲，又能保留圖像邊緣，保證后期圖像特征提取的精度。

1.2 二值化

二值化就是將圖像中的目標區域與背景分割，二值化質量的優劣將對后續圖像的特征提取和目標識別等工作產生重要影響。

設(x,y)為二維圖像點的坐標，F(x,y)為圖像各點的灰度值，T為設定的閾值，則二值化后的圖像B(x,y)可表示為：

(1)

由(1)式可見，確定最佳閾值T是二值化的關鍵，這里采用改進的快速Otsu法進行二值化。

Otsu法[6]是在判決分析最小二乘原理的基礎上得出的，是一種自適應的閾值確定方法。其基本思路是動態地確定圖像分割門限值，保證分割后目標與背景之間的方差最大，該門限值即為二值化的閾值。方差是像素灰度分布均勻性的一種量度，方差越大，表明均勻性越差，圖像中目標和背景的差別越大，因此Otsu法采用的最大方差分割意味著目標與背景的錯分概率最小。

在對軸承圖像進行二值化時發現大部分圖像僅包含了一半左右的灰度級，即在某些灰度級上像素數為零。據此可大大減少Otsu法中的方差計算次數，降低程序運行時間。求取目標與背景之間的方差時需要計算二者的概率，將計算目標和背景的概率轉化為直接統計二者包含的像素數，從而避免了求概率所要進行的兩次除法運算，提高了程序計算速度。

經過大量的試驗分析發現，每一次二值化的閾值均在一個較小的灰度區域內變動，因此可對上述方法繼續進行改進，算法流程如圖3所示。

圖3 改進的快速Otsu法

經過試驗驗證，閾值上限可設定為245，閾值下限TA則利用整幅圖像的平均灰度值來代替。設一幅圖像大小為m×n，則TA可由(2)式確定：

(2)

在[TA,245]灰度范圍內，運用快速Otsu法選取最佳閾值T，該方法可很好地將目標與背景分割開，并有效減少運算量，提高程序的執行效率。圖4所示為利用該方法進行圖像二值化的效果。

圖4 圖像二值化效果對比

2 軸承定位

受現場工況的限制，每次到達被檢工位軸承的位置會在一定范圍內有所變動，因此每次檢測前必須確定圖像中軸承的準確位置。考慮到軸承結構對稱的特點，在此采用多邊界點的最小二乘擬合圓作為軸承的定位基準。

如圖5所示，盡管每次檢測時軸承的位置有所不同，但是整幅圖像的中心均位于軸承內圈內。

圖5 軸承定位原理

從圖像中心O出發，分別向上、下、左、右尋找得到軸承內圈圖像上的4個邊界點A，B，C和D，并記錄下這四個點的坐標值(xA,yA),(xB,yB),(xC,yC)和(xD,xD)。

圓的方程如(3)式所述：

(x-x0)2+(y-y0)2=r2

(3)

式中：(x0,y0)為軸承圖像的圓心；r為軸承內圈圖像的半徑。

將四個邊界點A，B，C和D的坐標值代入(3)式，得到方程組：

(4)

由(4)式可計算出圖像中軸承的圓心(x0,y0)和半徑r，從而實現軸承的定位。

3 結束語

經實際應用表明，該算法可靠性好，適應性強，可有效克服生產現場較強雜散光的干擾，同時算法的復雜度小，可操作性強，執行迅速，完全滿足了機器視覺檢測系統的需要。