基于Canny算法的列車軸承內(nèi)圈外表面缺陷檢測

石煒 王濤

摘要：目前軸承表面缺陷檢測操作的不足之處是速度慢、精確度低、人工成本高，本文提出一種基于機器視覺軸承內(nèi)圈外表面缺陷識別方法。首先獲取高質(zhì)量的彩色圖像并將其轉(zhuǎn)換為灰度圖，然后對輸入圖像進行預(yù)處理，采用直方圖分割法求出最佳閾值對圖像進行二值化處理，最后利用目標標記與邊緣檢測算法對圖像信號進行缺陷識別與分析。實驗結(jié)果表明，該方法實現(xiàn)計算機對缺陷圖像的理解和自動識別，能夠正確檢測表面缺陷幾何特征，并具有一定的適用性。此方法可以克服人工檢測方法的許多不足，提高檢測精度和速度，為后期的缺陷識別提供了技術(shù)支持。

關(guān)鍵詞：機器視覺；目標標記；邊緣檢測；表面缺陷

中圖分類號：TH16；TH133.33 文獻標識碼：A 文章編號：1007-9416（2018）05-0134-03

軸承是機械行業(yè)中非常重要且應(yīng)用十分廣泛的機械部件[1]，生產(chǎn)批量大、精度要求高。當前，軸承質(zhì)量的檢測方法是用目測或手感來判斷其內(nèi)外圈及滾子是否存在表面缺陷及其損傷程度，該方法不僅工作量大，檢測速度慢，而且檢測結(jié)果隨機性大，人工成本高。如果漏檢有缺陷的軸承，將給安全運輸埋下重大隱患。基于這種情況，本文提出一種基于機器視覺軸承內(nèi)圈外表面缺陷識別方法，首先將輸入的圖像進行預(yù)處理；然后，采用迭代分割法求出最佳閾值對圖像進行二值化處理；最后利用目標標記與邊緣檢測算法對圖像信號進行缺陷識別與分析，從而獲得滿意的效果。

1 圖像預(yù)處理

1.1 圖像灰度化

在智能識別系統(tǒng)中獲得的是彩色圖像，為了后端更好地處理和識別，就必須首先把彩色圖像轉(zhuǎn)換成灰度圖像[2]；而彩色圖像采集質(zhì)量好壞直接影響到后續(xù)的處理和識別的效果，因此，本文根據(jù)實際情況，選取環(huán)形紅色LED光源[3]，采用的照明方式是前向照明，低角度安裝來獲取優(yōu)質(zhì)彩色圖像。部分彩色圖及其灰度化結(jié)果如圖1，圖2。

1.2圖像增強

由于形成圖像的系統(tǒng)亮度有限，常常出現(xiàn)對比度不足的情況，針對這個問題，使用灰度級修正方法則可以使得圖像的動態(tài)范圍加大，圖像對比度擴展，達到圖像變得清晰。

設(shè)原圖像像素的灰度值為，為圖像坐標[4]，處理后的圖像像素灰度值，則灰度級修正公式可以表示為：

其中，T為變化函數(shù)，一旦確定了灰度變換函數(shù)，那么圖像中的每一像素點的運算也就被完全確定下來。采用不同形式的變換函數(shù)會得到不同的圖像效果，常用的灰度變換有線性灰度變換、分段線性變換、全局線性變換以及對數(shù)、指數(shù)等非線性變換。關(guān)于灰度圖像增強，另外還有基于直方圖的變換方法，包括直方圖均衡化和規(guī)定化[5]。

根據(jù)實際情況，本文用線性變換算法，簡單快速同時處理結(jié)果可以滿足要求。方法具體描述如下：

假設(shè)原圖像f（x，y）的灰度范圍[a1，a2]，經(jīng)過線性變換后，輸出圖像的灰度范圍為[b1，b2]，該線性變換可以用如下公式表示，經(jīng)實驗可知變換區(qū)間選用[0.11，0.52]增強效果最好，增強效果如圖3。

1.3 中值濾波

所獲得的實際圖像在形成、傳輸、接受和處理的過程中不可避免地存在著外部干擾和內(nèi)部干擾，比如敏感元器件的內(nèi)部噪聲，感光材料的顆粒噪聲，傳輸信道的干擾噪聲，在傳輸過程中的誤差以及人為因素等[6]；這些噪聲使得圖像上像素點的灰度值不能正確地反映空間物體對應(yīng)點的灰度值，從而降低了圖像的質(zhì)量，圖像變得模糊，缺陷特征信息被淹沒，這對圖像分析極為不利。為了得到更優(yōu)質(zhì)的圖像，需要對輸入圖像進行降噪預(yù)處理。從本質(zhì)上講，圖像降噪的方法都是低通濾波的方法，而低通濾波是一把雙刃劍，它在消除圖像噪聲的同時，也會消除圖像的部分有用的高頻信息，因此，各種去噪方法的研究實際是在去噪和保留高頻信息之間進行的權(quán)衡。

其中椒鹽噪聲為常見的干擾噪聲，噪聲如圖4，本文采用中值濾波法進行圖像平滑處理效果最好，圖像平滑效果如圖5。

2 圖像分析

2.1 圖像分割

圖像分割是一種重要的圖像分析技術(shù)，就是把圖像分成各具特性的區(qū)域并提取出感性趣目標的技術(shù)和過程。在對圖像的研究和應(yīng)用中，人們往往僅對數(shù)字圖像中某些部分感興趣，這部分常常稱為目標或前景（其他部分稱為背景），它們一般對應(yīng)圖像中特定的、具體獨特性質(zhì)的區(qū)域[6-7]。

根據(jù)實驗對比情況，迭代法分割只能檢測部分缺陷，不能滿足檢測要求，本文選擇直方圖分割法對圖像的分割效果最優(yōu)。如圖6所示。

2.2 目標標記

連通區(qū)域標記是所有二值圖像分析的基礎(chǔ)。通過上述圖像分割效果可知，圖像仍然存在一些干擾區(qū)域，不利于后續(xù)的操作，它通過對二值圖像中白色或黑色像素（目標）的標記，讓每個單獨的連通區(qū)域形成一個被標識的塊，進一步的我們就可以獲取這些塊的輪廓、外接矩形、質(zhì)心、不變矩等幾何參數(shù)。

本文采用目標標記技術(shù)首先確定出干擾區(qū)域，此處應(yīng)用連通域面積閾值來去除小區(qū)域干擾，即給一個閾值，經(jīng)實驗，此處選25較優(yōu)，如果一個連通域的像素數(shù)小于該閾值即被認為是干擾進而被除去。以此完成對所有連通域的判斷，對整幅圖像做出缺陷有無的識別，對無缺陷的圖像不再進行處理直接進行結(jié)果輸出，對有缺陷部分進行進一步處理來識別缺陷類型。去除干擾前后對比效果如圖7。

2.3 邊緣檢測

缺陷圖像的邊緣檢測是數(shù)字圖像分析的一個重要步驟，因此，研究邊緣檢測的方法在數(shù)字圖像處理領(lǐng)域中是具有極其重要的意義。邊緣是指有些像素其周圍灰度值存在變化的集合。既然邊緣就是灰度值不連續(xù)的結(jié)果，那么，這種不連續(xù)則可以利用求導(dǎo)的方法進行檢測，即通過考察每個像素的某個鄰域內(nèi)灰度的變化，利用邊緣鄰近的一階或二階導(dǎo)數(shù)的規(guī)律來檢測相應(yīng)的邊緣。

John Canny于1986年提出了Canny算子[8]，是具有濾波、增強和檢測的多階段優(yōu)化算子。Canny算子的檢測性能良好，既不存在虛假邊緣，也不丟失重要的邊緣。這種算法檢測出的邊緣與實際邊緣間的位置偏差最小，定位精度高，而且對每個邊緣點有唯一的響應(yīng)，得到的邊界寬度為單像素。本文選用Canny算子進行邊緣檢測，檢測效果對比如圖8。

Canny算子總結(jié)如下：

1）輸入的圖像用指定的標準差的高斯濾波器來進行平滑處理，用以減少噪聲。2）局部梯度和邊緣方向在每一點都計算。3）在2）中決定邊緣點在梯度幅度圖像上給出脊。4）最后，算法用合并八連通的弱像素點到強像素點的方法執(zhí)行邊緣連接。

因受噪聲的干擾，Sobel算子、Prewitt算子與Log算子和并不能很好地提取缺陷的邊緣，所檢測缺陷邊緣出現(xiàn)嚴重的斷裂、重疊現(xiàn)象，而本文的算子提取出了滿意的檢測結(jié)果，此外，較好地抑制了噪聲對檢測的影響，并且保護了圖像的邊緣。這表明，本文提出的基于灰度圖像的表面缺陷幾何特征提取算法具有很強的抗噪能力和很好的邊緣提取能力，為后期缺陷識別提供技術(shù)支持。

3 結(jié)語

本文討論了軸承內(nèi)圈外表面麻點損傷的檢測效果，提出了一種有效的麻點檢測方法，這種方法有效排除了噪聲對檢測結(jié)果的干擾，實驗結(jié)果表明，本文的處理算法可以達到預(yù)期的目的，完成表面缺陷的檢測，可以為軸承內(nèi)圈外表面缺陷檢測系統(tǒng)的圖像處理解決方案提供一定的借鑒。

參考文獻

[1]厲曉飛.基于機器視覺的汽車零件缺陷檢測技術(shù)研究[D].武漢理工大學(xué)，2012.

[2]錢禮閏.CCD機器視覺在缺陷檢測中的關(guān)鍵技術(shù)研究[J].教育教學(xué)論壇，2018，（15）：58-59.

[3]李學(xué)勇，方志烈.LED白色照明光源[J].燈與照明，2000，（06）：85-86.

[4]賈永紅，編著.數(shù)字圖像處理[M].武漢大學(xué)出版社，2003.

[5]胡桂珍.基于數(shù)字圖像處理的車牌識別系統(tǒng)研究[D].西南交通大學(xué)，2010.

[6]湯朋文，陶華敏，肖山竹，方求.幾種常用圖像分割算法自適應(yīng)性的分析比較[J].數(shù)字技術(shù)與應(yīng)用，2016（05）：140+143.

[7]Ng HF.Automatic thresholding for defect detection[J].Pattern Recognition Letters，2006，27114）：1644-1649.

[8]Comparative performance study of several global thresholding techniques for segmentation.LEE S，CHUNG S A.Computer Vision.1990.

[9]夏良正主編.數(shù)字圖像處理[M].東南大學(xué)出版社，1999.