基于改進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 信息工程學院，南昌 330063)

0 引言

軸承作為一種重要的機械基礎件，廣泛的應用在汽車、機械、航空等行業，軸承滾子為滾動軸承的重要組成部分，當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]。在生產過程中實時的檢測出軸承滾子表面缺陷，分析缺陷產生的原因，進而改進生產工藝，提高軸承滾子生產的成品率，能夠有效防止滾動軸承發生故障。傳統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，促進了無損檢測的發展，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，廣泛的應用于軸承滾子的缺陷檢測中。

文獻[5]根據光學單縫衍射原理，設計了一套圓錐滾子缺陷檢測系統，但是該系統檢測的缺陷種類較為單一；文獻[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行缺陷分割，并使用SVM對分割后的圖像進行分類，但是該方法僅對滾子的頂部和底部進行檢測，且沒有對缺陷檢測的準確性進行定量的分析。

針對以上檢測方法存在的不足以及滿足實際工業生產的要求，本文設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Niblack算法提取出缺陷區域。實驗結果表明，所提方法對缺陷有較好的識別效果。

1 圖像采集系統

由于軸承滾子是一個圓柱體，傳統的打光方式照射在滾子上，光照強度較低時，缺陷區域和背景區域區分不明顯，如圖1a，使得圖像計算的復雜度大大增加；當光照強度較高時，會在滾子的表面產生強烈的反光現象，如圖1b所示，嚴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備屬性，同時也滿足軸承滾子缺陷檢測的實時性要求，設計了一套軸承滾子表面圖像采集裝置，如圖2所示。

圖2 實驗采集轉置

軸承滾子圖像采集轉置主要由面陣相機、藍色背光源、轉臺、電磁鐵、遮光罩、光電感應開關、工控機以及轉臺控制器等組成。如圖2可知，軸承滾子放置在轉臺的中心位置處，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；在轉臺的側邊放置一個藍色背光源，并調節至合適的亮度，可以克服普通光源過亮和過暗帶來的不利影響，并且缺陷區域可以較清晰的顯示出來；本裝置中工業相機固定在一個可以調節的滑臺，包括縱向絲桿滑臺和橫向絲桿滑臺，分別用來調節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、藍色背光源、面陣相機、轉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的工作原理是：當軸承滾子運動到轉臺的中心位置時，位于轉臺底部的電磁鐵開啟固定住軸承滾子，同時轉臺開始轉動，面陣相機同時開始采集，并將獲取到的圖像實時傳輸到工控機的圖像處理單元。通過調節轉臺的轉速和相機的曝光時間對應關系，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行圖像采集時，由Phong[7]光照模型以及相機光電轉換模型，得出圖像的灰度值表達式為：

F(x,y)=α·k(x,y)·Il(x,y)+α·Im(x,y)+β

(1)

其中，α和β為相機參數決定的定值，Il為光源強度[8]，Im為環境光反射強度。k為軸承滾子表面的反射系數。由圖像采集系統的特點可知，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域：面陣相機在采集圖像的過程中除了獲得軸承滾子區域外，還包含著與缺陷檢測無關的背景區域。

(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，各個區域獲取的光照強度也相應不同，具體表現為沿水平方向軸承滾子表面圖像灰度值呈現非線性的變化。

(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的角度均相同，因此當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系：

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

(2)

σc(x,y)=0

(3)

而當軸承滾子表面存在缺陷時，缺陷區域的灰度值比無缺陷區域的灰度值小，對于軸承滾子一列圖像存在以下關系：

σc(x,y)=r

(4)

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

(5)

(6)

2 缺陷檢測

2.1 圖像預處理

為減少缺陷檢測的計算時間，首先將軸承滾子區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行相應的位置矯正。提取軸承滾子區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為采集系統獲取的初始圖像，其經過二值化后的圖像見圖4b,然后其進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1.2小節所述可知，軸承滾子圖像沿水平方向灰度值呈現非線性變化，所以傳統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，本文使用改進的自適應系數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合的方式，來動態調整每個子窗口的標準差比例系數，從而實現對圖像的分割，但是該算法復雜度較高且計算量較大。因此本文對此進行了以下改進：

(1) 由1.2節分析可知采集到圖像無缺陷列圖像的標準差為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分別為圖像的行數和列數。所以圖像的歸一化標準差可以表示為：

(8)

σAdaptive為所有子窗口歸一化標準差，σw為子窗口的標準差，σmax為所有子窗口中標準差最大值，maxlevel為圖像灰度值最大值。

(9)

(10)

由式(10)、式(11)可知：

(11)

則自適應閾值函數可以表示為：

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

(12)

(13)

軸承滾子圖像經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)圖像采集單元結果與分析：用所述采集系統獲取到的圖像如圖6所示。通過觀察可以發現，采集到的軸承滾子區域整體灰度值較均勻，并且缺陷區域較為明顯。

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

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

① 劃痕

此類缺陷表現為出現在軸承滾子表面數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，出現在軸承滾子表面凹陷現象，如圖6b所示。

③ 斑點

此類缺陷由于外界環境的腐蝕，產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 參數分析

本實驗在MATLAB-R2016b環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B，B值的選取，將直接影響著圖像分割的效果。當B值過大時，分割閾值過大，將導致部分缺陷檢測不出來，反之，分割閾值過小，將會產生大量的噪聲，產生許多偽缺陷。所以B值的選取對缺陷識別的準確率非常重要。

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B值過小時，會產生大量的噪聲，產生許多偽缺陷，如圖7中a2、b2、c2、d2所示，而當B值過大時則會導致檢測出的缺陷面積比實際缺陷面積小，甚至會無法檢測出缺陷，如圖7中b5所示。當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算法使用的領域模板尺寸的大小為7×7，、Niblack算法使用領域模板尺寸大小為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域仍出現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了微量的過分割現象如圖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實現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域的缺陷也能夠實現較好的分割如圖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準差，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確率，實驗結果如表2所示。

表2 軸承滾子表面缺陷的檢測精度

通過表2，可以發現本文算法對于凹坑、銹蝕這類灰度值較低且對比度明顯的缺陷識別率可以達到100%；而對于斑點這類面積較小的缺陷出現了一定程度的錯檢；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，出現了少數的誤檢。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，可以發現本文算法對缺陷有較高的識別效果。

4 結束語

本文針對現階段的軸承滾子表面缺陷檢測存在的不足，首先設計了軸承滾子表面圖像采集系統，其采用藍色背光源側面照射的方式，克服傳統打光方式的局限性，并通過轉臺的轉動，實現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域提取出來；最后根據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Niblack算法對軸承滾子圖像的缺陷區域進行分割。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軸承滾子，對于其他材質的軸承滾子不能夠實現動態調整參數；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一步提高。因此，如何對不同材質的軸承滾子實現參數的動態調整和提高微小、低對比度類缺陷的識別率是接下來研究的重點。