基于機器視覺的鋼球表面缺陷檢測和分類

劉青，張進華，黃軍勤

(1.西安理工大學 工程訓練中心，西安 710048；2.西安交通大學 機械工程學院，西安 710049)

鋼球是軸承中的重要零件,直接影響軸承使用壽命、精度和運動性能，而影響上述性能的主要因素之一則是鋼球表面隨機分布的各種缺陷。根據有關資料，球軸承中鋼球、內圈及外圈表面缺陷對軸承振動和噪聲的影響程度為 10∶3∶1[1]，由此可見，鋼球表面缺陷是影響軸承振動的主要因素，這也是國內、外軸承行業一直對相關檢測技術的研究給予重視的根本原因。

目前，檢測鋼球表面質量的傳統方法主要為人工目測法，不僅工作量大，而且易受檢測人員主觀因素的影響，容易造成誤檢和漏檢，檢測效率低，勞動強度大。如果在檢測中操作不慎，還會對鋼球表面造成二次損傷[2]。基于上述原因，非接觸式數字圖像檢測技術逐步應用于鋼球缺陷檢測中。如文獻[3-4]提出，利用圖像處理方法測量鋼球表面破損面積，通過計算面積并逐級比較獲得最大缺陷面積，進而判斷鋼球是否合格；文獻[5]則利用反光帶的鏡像變形實現表面缺陷的快速檢測。

1 基于視覺的鋼球表面檢測平臺搭建

鋼球表面缺陷在非接觸式圖像檢測中存在以下難點：

(1)鋼球表面的高反光率問題。由于鋼球表面接近于鏡面反射, 導致采集畫面亮度嚴重失真, 使所需檢測的缺陷信息都被淹沒, 尤其在法線方向上會形成大片光暈，雖然文獻[6]通過一些試驗方案弱化了部分鋼球的反光, 但在圖像采集過程中仍存在被完全覆蓋在光暈及光斑中的缺陷；

(2)鋼球表面的投影問題。由于鋼球表面的鏡面反射會導致裸露鋼球表面映射四周的景象, 即使將檢測環境密閉,所拍攝的圖像中仍會存在一個方形黑色區域的投影(攝像機), 該投影區域與其他部分對比差異極大，給圖像判別帶來較大難度。

對GCr15鋼球外輪廓進行試驗，以常規拍攝方式獲取的鋼球表面圖像如圖 1所示。分析可知，照片明顯受到了光暈現象和周圍物體成像的影響，鋼球外表面接近于鏡面反射，符合上述基本分析。

圖1 鋼球表面圖像

在非接觸式圖像檢測方式中，好的照明方案與光源是整個機器視覺系統的關鍵因素。光源與照明方案相互配合，應將待測物體上所需采集的特征量突出到最大限度，并將物體上包含待檢特征的區域與非主要檢測區域進行明顯的對比度區分。同時，為保證突出所要提取的特征，還應確保圖像的整體亮度，光源也必須穩定。

經過各種組合試驗，采用連續漫反射照明方式配合OPT-RID70球積分光源組成照明系統，如圖2所示。

圖2 采集系統光源裝置

鑒于鋼球全球面接近鏡面反射的特性，為獲取更高質量的鋼球表面圖像，提高后續圖像處理及特征提取的效率，試驗中將待測鋼球、照明系統、CCD相機全部置于封閉的暗箱中。基于上述思路和措施，對鋼球的表面反射規律進行了系統研究，并依據研究成果搭建了實驗室環境下的圖像采集平臺，如圖3所示。

圖3 檢測系統結構示意圖

2 鋼球表面缺陷檢測與分類

2.1 基于紋理特征的鋼球表面缺陷檢測

由于設備自身特性和外部環境干擾，采用CCD攝像機采集鋼球表面圖像會造成圖像信噪比下降和畫面質量退化，故需要對圖像進行處理，從而提高后續算法的速度以優化系統的整體性能。

首先，利用中值濾波對圖像進行降噪處理；然后，應用分段線性灰度增強抑制噪聲，并突出缺陷特征；最后，通過迭代法將圖像二值化，經過開運算處理消除圖像中的微小干擾，獲取清晰的前景圖像。為了進行缺陷分類和識別，使用標準面積值與綜合熵的組合作為判斷鋼球表面有無缺陷的依據。

2.1.1 邊界跟蹤

邊界跟蹤技術主要用于描繪缺陷區域的輪廓線，以供后續特征提取計算幾何參數。由于鏈碼對圖像中的噪聲非常敏感，采用鏈碼技術對鋼球表面缺陷進行輪廓跟蹤。為重建缺陷區域，應用鏈碼給定方向上單位長度的線段序列標記輪廓，該序列的第1個元素必須帶有其位置的相關信息。

用于描述曲線物體的邊界，或者圖像中1個像素寬線條的方向鏈碼法稱為Freeman碼，鏈碼本身是相對的，數據是相對于某個參考點的表示。如圖4所示， 8方向鏈碼是指中心像素指向其8個鄰點的方向，按逆時針分別取值0～7。經過8方向鏈碼提取鋼球表面斑點缺陷和劃條缺陷外輪廓的效果輸出如圖5所示。

圖4 8方向鏈碼原理圖

圖5 鋼球表面缺陷的二值圖及輪廓提取

2.1.2 基于共生矩陣的鋼球表面缺陷特征提取

圖像的紋理可以定性描述粗糙、精細、光滑和方向性等。通過灰度共生矩陣描述圖像的紋理主要就是利用灰度的空間特性，通過計算圖像區域的共生矩陣，用能量、熵、對比度、倒數差分矩和相關性這5個參數表示鋼球表面的紋理特征，即

W(k)={ω1(k),ω2(k),ω3(k),ω4(k),

ω5(k)}，

(1)

式中：W(k)為表示鋼球表面紋理特征的向量；k表示第k副圖像；ω1(k)，ω2(k)，ω3(k)，ω4(k)，ω5(k)分別為第k副圖像具有的能量、熵、對比度、倒數差分矩、相關性。

在對鋼球表面區域進行特征提取之前，首先要對區域進行灰度級變換。灰度級變換不依賴像素點在圖像中的位置，將原范圍[p0,pk]內的亮度p變換為新范圍[q0,qk]內的亮度q。數字圖像的灰度級是有限的，在計算機中灰度圖像一般為256級，此精度超出了要求，直接使用會使共生矩陣過于龐大，計算過程變得復雜，故在計算之前需將灰度級縮小為16級，即

q=T(p)=(p/256)/16。

(2)

為降低干擾，提高學習特征的可靠性，將分割出的鋼球表面區域分成n個小窗口計算共生矩陣，使用的窗口大小為32×32，選取0°方向，相隔距離為5(單位為像素)，通過遍歷全圖，得到一系列小的鋼球表面窗口的紋理Wi(k)，用這一系列向量的均值表示當前圖像中鋼球表面區域的紋理特征，即

(3)

至此，便獲得了一幀鋼球表面區域的紋理特征向量，通過同樣的辦法，結合具體試驗，可以獲得不同鋼球表面缺陷的紋理特征。其統計結果見表1。

由表1可以看出，在有、無缺陷情況下，能量、對比度、倒數差分矩、相關性這4個參數的值比較接近，很難辨別鋼球是否有缺陷。而鋼球無缺陷時，熵值很小；對于有缺陷的鋼球，其表面紋理遭到破壞，熵值變化較大。因此，初步選取紋理熵作為判斷鋼球表面缺陷的判據。由于灰度共生矩陣與方向相關。由此建立了0°，45°，90°和135°共4個方向上的灰度共生矩陣，用來描述鋼球表面不同方向上的細節，并對每個方向上的共生矩陣提取紋理熵。為統一評判鋼球表面紋理特征，對4個方向上的紋理熵求和得出綜合熵。通過大量分析鋼球生產企業人工分揀后合格鋼球的綜合熵數據，發現其數值均在0.9以下，而缺陷鋼球的綜合熵數值則在6.0～7.6之間。根據上述分析，采用綜合熵作為鋼球有無缺陷的判據。

2.2 鋼球表面圖像缺陷特征分類器的設計

鋼球表面缺陷主要是指在正常工藝下可能產生的缺陷類型。具體是指在鋼球的加工研磨過程中，由于種種原因引起的表面局部材料缺損。根據JB/T 10861-2008《滾動軸承鋼球表面缺陷圖冊及評定辦法》將鋼球表面缺陷分類為：斑點、麻點、擦痕、劃條和凹坑(燒傷歸于此類)[7]。

根據缺陷形態描述幾何特征參數，并給出了計算方法。提出將矩形相似度與圓形相似度之比、角度等特征與現有分類器相結合，組成組合判據以實現缺陷的分類和識別。

2.2.1 特征參數的提取

根據文獻[4]可知，缺陷面積S、形狀因子F、長短徑比Rb、圓形相似度φ、矩形相似度R以及方向角度θ等缺陷區域的特征參數可以用于設計合理的鋼球表面缺陷模式識別分類器。

對不同的缺陷類型進行多樣本試驗，結果見表2。由表可知，對于斑點、麻點和凹坑等圓形缺陷，形狀因子和長短徑比的值均較小，矩形相似度與圓形相似度比值d的差異并不明顯，缺陷面積由大到小依次為麻點、斑點、凹坑，且三者相差很大；對于擦痕、劃條等細長條形缺陷，形狀因子和長短徑比的值很大，矩形相似度與圓形相似度比值d則超過了20。

表2 缺陷樣本參數

2.2.2 鋼球表面缺陷的分類器設計

假設C為邊界點數據組成的數集, 實際的目標包含n個缺陷區域, 相應的C可以劃分成n個子集C1,C2, …，Cn。則分類模型可以設計為

(4)

通過d可以判別缺陷是偏圓形還是偏矩形，從而確定缺陷是劃條、擦痕等條狀缺陷，還是斑點、麻點、凹坑等圓形缺陷。由表2可以看出，對于斑點、麻點和凹坑缺陷，d<2；而對于劃條和擦痕，d>20。由于條狀的缺陷種類很多，d變化范圍較大，為此選取d=10作為閾值，為條狀缺陷留有一定的余量。對不同軸承類型和成像分辨率，需要重新計算缺陷樣本參數，然后確定相對應參數的閾值。

3 試驗結果與分析

系統整體檢測試驗選取1 000個公稱直徑為12.7 mm ，精度等級為G16的鋼球，其中包含100個有缺陷的鋼球樣本(斑點、麻點、擦痕、劃條和凹坑缺陷各20個)，軟件界面如圖6所示。檢測結果如圖7和表3所示。試驗總計檢測出帶有缺陷的鋼球95個，檢測準確率為95%，由于實驗室環境下鋼球樣本群有限，且為同一批次鋼球，因此檢測效果很好。

圖6 測試試驗軟件檢測界面

圖7 鋼球表面缺陷檢測示意圖

表3 試驗測試結果

分析漏檢的原因發現，拍攝區域中的鋼球缺陷過于靠近邊緣，造成缺陷區域無法完全提取，由于光照不均勻，或者在圖像分割過程中閾值選取不佳，造成鋼球表面出現一些小的連通區域，在分類時可能將細條狀的劃條缺陷誤判為斑點缺陷。在使用實驗室的圖像采集平臺拍攝鋼球表面圖像時，鋼球表面沒有完全“展開”，因此出現了漏檢。

為了驗證系統的算法性能，采用配置為Intel(R) CoreTM-i7 2.7 GHz，4G內存的計算機，運用Visual C++6.0編程，對圖像分辨率為1 600×1 200像素的彩色位圖文件(BMP)進行離線數據處理，結果見表4。可以看出，所編寫的鋼球表面缺陷檢測與識別軟件處理一幅圖像的時間基本上小于80 ms，可以有效的保證系統運行的實時性。

表4 測試試驗耗時 ms

4 結束語

首先，通過實驗室搭建的圖像采集平臺拍攝獲取鋼球表面圖像，然后對圖像進行預處理提取出清晰且完整的缺陷區域，最后利用模式識別技術判斷鋼球表面是否具有缺陷并對不同類型的缺陷完成分類。利用Visual C++6.0設計開發基于視覺的鋼球表面缺陷檢測識別軟件系統，并在實驗室環境下完成程序的穩定性和可靠性測試。目前研究仍處于實驗室階段，在向鋼球實際生產的轉換中，還有大量的工作需要去做。