基于機器視覺的圓錐滾子外觀缺陷檢測系統研究

文生平,劉云明

(華南理工大學 聚合物新型成型裝備國家工程研究中心 聚合物成型加工工程教育部重點實驗室，廣州 510640)

基于機器視覺的圓錐滾子外觀缺陷檢測系統研究

文生平,劉云明

(華南理工大學 聚合物新型成型裝備國家工程研究中心 聚合物成型加工工程教育部重點實驗室，廣州 510640)

回顧了近年來國內外工業生產中圓錐滾子外觀缺陷分割領域的研究進展，為了實現更加簡單高效的滾子外觀缺陷檢測，設計了一套合適的光學成像系統用于圖像采集，提出了最大類間方差法和局部閾值算法的缺陷分割，對分割后圖像進行特征提取并進行SVM分類;實驗結果表明，該算法有較高的準確率和較好的適應性，優于傳統的滾子外觀缺陷分割算法，可以滿足工業生產中的實際需求。

圓錐滾子；光學成像；閾值分割；缺陷分類

0 引言

在軸承圓錐滾子的工業生產中，由于機械、工藝、環境和人為干擾等因素的影響，不可避免的會出現各種各樣的外觀缺陷。這將嚴重影響軸承的使用壽命，從而對機器的精度、性能以及可靠性都有極大的影響[1]。隨著機器視覺在缺陷檢測領域的發展和國家對“機器換人”的支持力度加大，而且傳統的人工檢測由于檢測速度和效率低，不能滿足大規模現代工業的要求，視覺檢測正在慢慢替代傳統的人工檢測。

目前，圓錐滾子視覺檢測方法的主要流程是圖像的預處理，圖像分割，特征提取與模式識別。國內方面，由于機器視覺檢測的不斷普及，其在軸承滾子的缺陷檢測方面在近幾年有了一些研究，內蒙古科技大學的邵珠慶利用MATLAB對圓錐滾子軸承進行了圖像處理和分類，但是并沒有設備實物作為支撐[2]；吉林大學的李楊以建立微小軸承表面缺陷人工神經網絡檢測模型為目標，以圖片的組合矩不變理論為判別依據，對微小軸承的表面缺陷進行檢測[3]；華東交通大學的肖強，以LabVIEW為平臺，開發出了一套完整的圓錐滾子軸承視覺檢測系統[4]；2014年無錫信捷電氣股份有限公司的李新對滾子表面圖像經 Gabor 變換后得到的子圖進行融合并提取紋理特征，采用改進的 Relief 算法進行特征降維，引入偏向性處理并使用最小二乘支持向量機進行分類[5]。國外方面，Chan F將一種干涉圖樣投影到表面強反光的類鏡面物體上，測量采集圖像中物體表面條紋的變形程度，根據變形異常來判斷工件表面是否存在缺陷[6]；S.Nahavand等基于圖像形態學與遺傳算法開發了一套針對反光金屬表面進行視覺檢測的實驗設備[7]；Paul O’Leary 等提出了適用于反光金屬表面缺陷，3種不同的圖像采集方案[8]。

在圖像、語音和NLP等領域，SVM等機器學習算法取得了很好的結果，并且在圖像分割和目標檢測領域也取得了顯著的成效。本文對機器視覺在圓錐滾子外觀缺陷檢測領域進行研究，設計了一套完整的圓錐滾子缺陷檢測算法，可以對輸入圖像進行圖像預處理、分割、特征提取和SVM分類，實現了圓錐滾子缺陷的檢測，實驗中取得較高檢測率和準確率。

1 系統總體設計

1.1 圓錐滾子缺陷分類

圓錐滾子有大小端面之分，在大端面上有一個內穴。圓錐滾子在生產過程中產生的外觀缺陷常見的有穴墊傷、欠磨、損傷、銹點、倒角缺料和劃傷等幾種類型。缺陷分布在大端面倒角、圓環和內穴，以及小端面的倒角、圓環和外徑上。常見缺陷如圖1。

圖1 圓錐滾子常見缺陷

缺陷的形成主要是由于金屬磕碰、金屬生銹等造成的。其中損傷、墊傷和劃傷具有反光的特性，因此本文把他們歸為損傷。本文主要針對損傷、欠磨、銹點和倒角缺料四個大類進行分析。

1.2 系統工作原理

機械結構主要由進料機構、進料傳送帶、推料機構、大小端相機和光源、線掃描相機和光源、凸輪、接料裝置等構成。

檢測系統由下位機的PLC和上位機的工控機組成。PLC實現系統的運動控制和數字IO控制。上位機主要實現圖像采集，圖像處理，結果輸出等。

系統結構原理圖如圖2所示。

1 PLC; 2 大小端光源和相機; 3 進料機構; 4 出料機構; 5 線掃描光源; 6 PC; 7 線掃描相機圖2 系統結構原理圖

1.3 光學系統設計

由于圓錐滾子易反光，為了獲得倒角全面的圖像信息，便于缺陷的識別，系統對比了球形光源和環形光源等幾種典型光源，最后選取了針對大小端面的高低角度光源和針對外徑的明暗場光源。在大小端面利用端面相機采集圖像，外徑利用兩個線掃描相機和棍棒帶動滾子轉動獲取圓周圖像。

光學系統利用多角度圖像采集的方法，可以通過損傷類的缺陷反光，使其特征更加突出。同時也能清晰的獲得倒角上的圖像信息。同一顆滾子獲取的六張圖片如圖3。

圖3 滾子圖像

2 缺陷檢測算法

2.1 算法流程

計算機視覺的主要應用領域包括圖像分類、目標檢測和圖像分割等。目標檢測算法流程包括圖像預處理、目標分割、特征提取和分類。缺陷檢測屬于目標檢測的一種。

針對圓錐滾子的缺陷檢測算法流程主要步驟如下：

1)利用霍夫變換提取滾子端面圖像的圓和外徑圖像的直線，并作于ROI定位的參數；

2)利用ROI提取大端面的外倒角、大端面圓環、內倒角和穴；小端面的倒角和基面；外徑的圓周面；

3)利用局部閾值和自動閾值方法進行各個ROI區域內缺陷的分割，并進行形態學變換，去除噪音；

4)提取分割后的目標特征，包括幾何特征，Hu矩等。利用大量的樣本對SVM分類器進行特征訓練；

5)判斷輸入目標圖像的缺陷類型。

檢測算法流程如圖4所示。

圖4 檢測算法流程圖

2.2 圖像分割

圖像分割指把圖像分割為前景和背景。分割的方法有很多種，可以分為全局和局部兩大類。全局閾值通過選取一個閾值T，使圖像f(x,y)像素值大于此值的為1，小于此值的為0。公式如下：

(1)

全局閾值有多種方法，其中最大類間方差法被認為是圖像分割中閾值選取的最佳算法，本文利用其分割銹點、欠磨和損傷，效果明顯。

局部閾值則是對每一個像素求閾值。Niblack方法是局部閾值中的一種，它根據以像素點為中心的鄰域內的點的情況為此像素計算閾值。下面是每個像素閾值的計算公式：

(2)

其中:m是方差，s是標準差。

在滾子的缺陷檢測中由于倒角存在弧度，易造成光照不均，Niblack方法可以對圖像高亮度部分進行補償，對于倒角的檢測效果相對全局閾值更有效。

2.3 特征提取

通過特征提取得到目標的特征數據，作為缺陷分類的依據。圖像具有幾何特征和紋理特征等，其中幾何特征在缺陷區域描述時應用最多，且是最有效的。幾何特征包括幾何體的邊界描述和區域描述。常用的區域描述有區域的面積、矩形度、圓形度、細長度和Hu矩等。

其中Hu矩具有旋轉不變性。Hu.M.K在1962年證明了他們具有旋轉，縮放和平移不變性[9]。對于離散的數字圖像f(x,y)，圖像的p+q階幾何矩、中心矩和歸一化的中心矩為：

(3)

(4)

(5)

Hu利用二階和三階歸一化中心矩構造了7個不變矩。實際上，在對圖片中物體的識別過程中，一階和二階矩 不變性保持得比較好，其他的幾個不變矩帶來的誤差比較大。一階和二階矩公式如下：

(6)

(7)

2.4SVM分類

分類是機器學習的一個分支，它是缺陷檢測最后一個步驟。根據樣本訓練的分類器可以有效的判斷缺陷的有無，并且為其歸類。相對于BP、MLP，KNN等分類算法，支持向量機SVM是一個有監督的學習模型，有其特有的優勢。SVM主要應用于二分類問題，本文的多分類問題可以分解為一系列的二分類問題，便于求解。

SVM可以應用于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間使其線性可分，從而實現高維特征空間的線性算法對樣本的非線性特征進行線性分析[10]；SVM分類器可以得到全局最優化的解，并且在整個樣本空間的期望風險以某個概率滿足一定上界。

3 實驗結果及分析

3.1 實驗平臺

利用C#平臺開發上位機界面，NI-IMAQ作為圖像采集模塊，NI-Vision作為圖像處理模塊。

本文的軸承滾子檢測設備已經在滾子實際生產中的進行了應用。

3.2 結果分析

利用上述的檢測方法，本文在實際生產中分別對損傷、銹點、欠磨、污點進行了檢測。按照所述步驟，對損傷、倒角缺料、銹點和欠磨的缺陷滾子進行實驗，結果實例如下：

缺陷分割結果如圖5。

特征提取結果見表1。

圖5 缺陷分割結果

缺陷面積周長M1M2損傷13685834．7722．71生銹9281610．290．05欠磨2490626530．210．00倒角缺料1058917052．090．11

由于生產線上滾子缺陷較少。本文對人工檢測后有缺陷的200粒滾子進行檢測。分類結果與實際結果基本相符，檢出率高。符合工業生產要求。分類結果見表2。

表2 SVM分類結果

4 結論

針對圓錐滾子的缺陷分類及其特征，提出了高低角度環形光源與明暗場線性光源以及面陣相機和線陣相機相配合的光學成像方式，獲得了樣品缺陷特征的清晰圖像，在此基礎上，研究了圓錐滾子缺陷檢測算法，利用最大類間方差法和局部閾值算法進行缺陷分割，對分割后圖像進行特征提取并進行SVM分類。實驗證明，算法性能穩定，能夠在滿足精度要求條件下應用于實際工業生產。

[1]WangHuinan,YangJianxi,HuZhendian.CurrentStatusandProspectofRollerBearingSurfaceDefectDetection[J].ProcediaEngineering2011,15:4331-4336.

[2] 邵珠慶.機器視覺在列車圓錐滾子軸承檢測中的應用[D]. 包頭:內蒙古科技大學，2015.

[3] 李 楊.基于機器視覺和人工神經網絡的微小軸承表面缺陷識別及檢測技術研究 [D]. 吉林:吉林大學，2008.

[4] 肖 強.圓錐滾子軸承視覺檢測研究 [D]. 上海:華東交通大學，2008.

[5] 李 新.軸承圓柱滾子表面缺陷的視覺檢測方法 [Z]. 無錫:無錫信捷電氣股份有限公司，2014.

[6]FionaWY.Chan.Reflectivefringepatterntechniqueforsubsurfacecrackdetection[J].NDT&EInternational, 2008, 41: 602-610.

[7]NahavandiS,Kongb.L.X.Automaticinspectionofmetallicsurfacedefectsusinggeneticalgorithms[J].JournalofMaterialsProcessingTechnology, 2002:125-126, 427-433.

[8]PaulL,FranzP.Imageacquisitiontechniquesforautomaticvisualinspectionofmetallicsurfaces[J].NDT&EInternational2003, 36:609-617.

[9] 甘志杰.基于Hu矩和支持向量機的靜態手勢識別及應用[D]. 青島:青島科技大學，2008.

[10]TsyurmastoP,ZabarankinM,UryasevS.Value-at-risksupportvectormachine:Stabilitytooutliers[J].JournalofCombinatorialOptimization, 2014,28(1):218-232.

Research on Inspection System of Tapered Roller’s Appearance Defect Based on Machine Vision

Wen Shengping, Liu Yunming

(National Engineering Research Center of Novel Equipment for Polymer Processing, Ministerial Key Laboratory of Polymer Processing Engineering, South China University of Technology, Guangzhou 510640, China)

Reviews in recent years appearance defects of domestic and foreign industrial production in the tapered roller segmentation research progress, in order to achieve a more simple and efficient roller appearance defect detection proposed a set of complete image processing algorithms. A suitable optical imaging system is designed for image acquisition, the defect segmentation of the maximum between class variance method and local threshold algorithm is proposed, and then the feature extraction and SVM classification. The experimental results show that the algorithm has higher accuracy and better adaptability than the traditional method, which can meet the requirements of industrial production.

tapered roller; optical imaging; threshold segmentation; defect classification

2016-08-12；

2016-09-13。

廣東省及廣州市科技計劃項目(2015B090901020；201508010058)。

文生平(1966-)，男，湖北荊州人，教授，碩士研究生導師，主要從事工業裝備的智能控制與機器視覺方向的研究。

1671-4598(2017)01-0040-04

10.16526/j.cnki.11-4762/tp.2017.01.012

TQ320.663

A