基于機器視覺的軸承防塵蓋檢測算法①

袁冬冬， 應 俊， 解利軍， 周迪斌

1(杭州師范大學 杭州國際服務工程學院， 杭州 311121)

2(易博工控表業(杭州)有限公司， 杭州 311305)

3(浙江大學 航空航天學院， 杭州 310027)

引言

在機械行業中， 軸承是連接不同機器的重要部件.軸承在裝配過程中容易出現質量缺陷導致不合格， 出廠前必須將這些不合格產品識別并剔除， 傳統檢測方法成本高、效率低， 目前基于機器視覺檢測技術逐漸取代傳統人工檢測， 廣泛應用于工業檢測中[1]. 在軸承裝配過程中， 軸承的尺寸檢測和表面質量檢測作為機器視覺檢測技術研究的重點[2]. 軸承的表面缺陷種類多且算法識別難度大， 檢測方法還不夠成熟， 仍需進一步的研究[3]. 軸承在生產過程中容易出現漏裝防塵蓋或者防塵蓋損壞的情況， 防塵蓋的缺失導致外部雜質的進入， 加快軸承磨損， 對軸承的壽命影響很大， 甚至可能牽涉到整個作業鏈. 因此對生產的軸承進行質量檢查是軸承生產產業不可缺少的一部分[4]. 本文基于工業檢測需求， 主要針對軸承表面質量檢測中的防塵蓋缺失進行了研究. 在基于機器視覺檢測技術的基礎上， 完成了圖像處理算法模塊設計， 實現了軸承防塵蓋的快速、準確檢測.

1 算法框架

軸承防塵蓋的檢測需要經歷圖像采集與預處理、圓檢測、ROI區域提取、ROI區域二值化、形態學操作、連通區域特征分析、量化處理與判斷等步驟. 圖1顯示的是算法框架.

圖1 檢測算法流程

1.1 圖像采集和預處理

圖像處理前必定進行圖像采集. 圖像采集是將圖像將傳感器檢測到的圖像信息傳輸到計算機的過程[5].一般選擇工業相機如COMS和CCD進行圖像采集，選擇背光源. 在工業現場， 由于受到周圍環境的影響，圖像會產生噪音、高光等， 所以必須進行降噪處理， 便于圖像后續處理和識別， 方便特征提取. 常用的降噪方法有中值濾波、均值濾波、高斯濾波等[6]. 在去噪的同時， 中值濾波會因小缺陷出現漏檢， 如劃痕和麻點. 均值濾波破壞了圖像的細節， 從而模糊了圖像. 為使圖像更加逼真地復現被檢軸承， 采用高斯濾波消除噪聲干擾. 在空間域和頻率域中， 由于高斯噪聲在數學上的易處理性， 故實踐中常用這種噪聲模型. 以至于高斯模型常常應用于在一定程度上導致最好結果的場合. 選取無蓋處理結果如圖2所示.

圖2 濾波效果對比

1.2 軸承防塵蓋區域檢測和提取

軸承防塵蓋區域可以設置為ROI (感興趣的區域).后續的圖像處理和分析只需要針對ROI進行， 這可以有效提高檢測的速度和準確性[7]. 為了提取ROI， 我們需要檢測內外環并提取ROI. 這涉及到圓形邊緣檢測.軸承中心位置的確定和環半徑的計算是防塵蓋提取的基礎. 常用的圓擬合方法有最小二乘法和霍夫變換法.霍夫變換法可以很好地擬合不完整的圓. 通常需要半徑長度(工業軸承的半徑長度確定). 本文的軸承輪廓基本沒有缺陷. 原則上可采用兩種方法， 但最小二乘法可用于計算高精度的圓心和半徑[8]. 并且運算速度快，最小二乘法更適合圓擬合. 將提取ROI區域劃分為兩個步驟: 第一步， 使用最小二乘法擬合軸承中心位置和外圓半徑. 第二步， 根據軸承參數中的防塵蓋內外徑占軸承外圓半徑的比例， 提取出防塵蓋區域. 如圖3所示.

圖3 防塵蓋區域提取

最小二乘法通過最小化誤差的平方和找到擬合參數的最佳函數匹配[9]. 設點集 (Xi,Yi),(i=1,2,···,n)， 中點到圓心的距離為， 最小二乘法擬合圓曲線:

=(Xi-A)2+(Yi-B)2， 點 (，)到圓邊緣的距離的平方與和半徑平方的差為:

解這個方程組， 得:

1.3 區域二值化

二值化就是將圖像看成不同灰度級區域(目標和背景)的混合， 通過各種計算方法比如自適應閾值法、迭代法、Otsu法等[10]選出合適的灰度值閥值， 實現圖像分割. 比如設g(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g(x,y)可表示為:

由此可見， 確定最佳閾值t是二值化的關鍵， 通過大量測試， 對比三種方法結果(圖4)， 決定采用Otsu法自適應閾值算法. Otsu法是一種圖像灰度自適應的閾值分割算法， 由日本學者大津于1979年提出. 該方法通過計算不同閾值對應的類間方差， 當類間方差最大時即為分割圖像的最佳閾值.

圖4 閥值分割算法對比

假設閥值T(k)=k,0＜k＜L-1， 并假設由灰度值在區間內的所有像素組成和由灰度值在區間[k-1,L-1]內的所有像素組成， 像素被分到類中的概率像素被分到類中的概率

整個圖像的平均灰度值為:

類間方差改寫為:

該方法完全基于圖像直方圖的計算， 直方圖是一個非常簡單的一維陣列. 當軸承圖像進行二值化時， 發現大多數圖像只包含了大約一半的灰度， 即在某個灰度上的像素個數為零. 因此， 可以大大降低Otsu法的方差計算， 減少程序的運行時間.

1.4 形態學操作

形態學方法應用到數字圖像中能夠改善圖像中存在的一些問題比如: 消除圖像中小黑斑、填補區域內部的孔洞、消除或合并不連續的邊緣、消除高亮造成的噪聲等. 為了除去圖像中孤立的小點、毛刺. 決定用開運算(先腐蝕后膨脹)處理: 腐蝕是指刪除圖像中對象的邊緣， 而膨脹是指將像素加到圖像中對象的邊緣.(處理前后如圖5).

1.5 特征提取與分析

經過二值化和形態學操作， 圖像包含了目標區域和噪聲， 其中表示第i個連通區域， 其中灰度值一致， 8個相鄰像素判斷為相同區域. 一般情況下， 滾珠的檢測面積較大， 噪聲和無滾珠的檢測面積較小. 進一步分析表明， 無珠區相對圓度噪聲區較小， 基于上述分析， 綜合考慮了連通區域的面積和圓度特征， 我們可以分析和提取連通區域的特征， 并為后續的量化處理做準備.

1.6 量化與判斷

通過對連通區域特征的分析， 通過面積大小和連通區域判斷軸承防塵蓋是否合格. 考慮到噪聲的干擾，連通區域超過一定大小的面積才算是連通區域. 設軸承防塵蓋圖像中連通區域的數量記為， 若C≥2， 則認為是防塵蓋不合格. 基于對相機的分辨率和處理的圖像分析， 發現對應的圖像設為個像素， 所以小于個像素的區域不被認為是連通區域， 作為噪聲干擾. 軸承缺失防塵蓋的判別: ① 統計面積大于個像素的連通區域數， 設定為. ② 若， 則認為是防塵蓋不合格.否則為有防塵蓋合格.

2 結果分析

為了檢測算法的穩定性， 對采集到的300幅軸承進行檢測， 其中有防塵蓋的合格軸承100幅， 無防塵蓋的不合格軸承100幅， 防塵蓋損壞的不合格軸承100幅. 算法檢測結果如表1.

分析結果表明， 圖像采集過程中受圖像質量影響導致連通區域面積處于臨界值是導致誤檢、漏檢現象的主要原因， 針對上述情況， 有必要對圖像的光照進行補償. 傳統的照明補償方法包括直方圖均衡化、Gamma校正和自適應光線補償. 對比后發現， 直方圖均衡化后圖像失真， 部分細節模糊或丟失. 經過Gamma校正后，圖像要么變暗， 要么整體發亮， 它不能將圖像中突出區域和陰影區域的合理劃分. 自適應光線補償后， 壓縮圖像亮度范圍兩端的區域， 使黑暗圖像補償亮度， 增強變換后圖像的對比度， 提高視覺效果. 經過改進后， 使檢測準確率達到100%， 該算法檢測時間不超過40 ms， 能夠實時地檢測結果， 具有很高的魯棒性， 符合工業生產的檢測需要.

軸承防塵蓋缺失檢測與軸承套端面缺陷檢測屬于同類檢測， 都是對ROI區域提取， 然后進行閾值分割，最后對提取的連通域特征進行分析和判斷， 軸承端面缺陷檢測結果如表2所示[11]， 對比發現本算法檢測準確率得到顯著提高， 完全滿足工業實時性高要求.

3 結語

目前軸承檢測技術逐步向非接觸檢測、數字化檢測、在線檢測等方向發展， 通過引入先進計算機視覺和檢測技術， 使機器視覺和工業系統高度融合. 快速提高生產效率， 推動傳統制造業實現產業轉型升級. 本文提出一種基于機器視覺技術對軸承防塵蓋的測量算法進行了研究， 文中采用的測量算法檢測準確度高， 穩定性好， 算法采用最小二乘法進行圓擬合圓檢測能準確快速地提取防塵蓋區域， 能為后面的處理降低了搜索范圍， 且保證了精度， 相應提高了效率， 安全而且可靠.實驗結果表明: 該算法能夠實時和準確的檢測軸承防塵蓋是否合格， 能夠滿足工業檢測的要求.