機器視覺背景下基于VisionPro的軸承滾動體缺失檢測

祁玉梅　邵永生　黃山

摘 要：軸承在生產過程中的滾動體缺失會影響機械設備的安全運行，本文提出了機器視覺背景下基于VisionPro的軸承滾動體缺失檢測。在獲得較好的打光圖像后，利用VisionPro的PMAlignTool進行模板訓練以及缺失識別，并結合C#腳本，將結果可視化，在圖片上顯示具體的檢測結果，包括產品合格與否、合格的滾動體個數以及不合格的原因，便于后續的人機交互。通過實驗，該方法確實取得了較好的檢測結果，能夠正確檢測軸承滾動體的缺失情況，后續結合通信設備與機械手臂，可實現自動分揀。相較于傳統的人工檢測，該方式具有效率高、準確性高、安全性高的優勢，是現代工業生產中亟需的檢測方式。

關鍵詞：機器視覺 缺失檢測 VisionPro 軸承

1 引言

軸承是機械設備的關鍵零部件，決定著機械設備運行的可靠性與穩定性。一旦出現各種缺陷，極有可能會對機械設備的運行造成惡劣的影響，導致設備的故障，帶來經濟損失。而滾動體又是軸承的核心部位，能夠起到很好的支撐作用，保障軸在旋轉過程中的穩定性與精度。如果滾動體存在缺陷，軸承在高速運轉時會出現異常振動與發熱，無法保證機器設備的平穩運行，甚者帶來人員傷亡[1-2]。因此對于滾動體的健康檢測具有重要的意義，尤其是軸承出廠前的質量檢測必不可少[3]。裝配過程中常見的滾動體缺陷有滾動體缺失以及滾動體損傷，例如碰擦、劃痕、生銹等[4]。目前，常用的滾動體缺陷檢測可分為兩大類：基于人工的檢測以及基于機器視覺的檢測[5]。相較于人工檢測，基于機器視覺的檢測方式具有如下優勢[6]：（1）效率更高。機器能夠實現更快的檢測速度，尤其在高速運動的生產線上，相機和鏡頭比人眼更有優勢。（2）準確性更高。人眼檢測會受到生理條件的約束，遠遠達不到相機和鏡頭的分辨率。另外，人眼檢測會受到主觀因素的影響，例如檢測員的心情很可能影響檢測結果，而機器不存在喜怒哀樂，結果更加可靠。此外，對于重復性的檢測過程，人眼會疲勞，而機器不會。（3）安全性更高。對于人工無法適應的一些高溫高壓等惡劣環境或者危險環境，機器可以實現非接觸式檢測，保障檢測質量的同時也有效地保護了質檢人員的安全。因此機器視覺在工業生產領域得到了廣泛的應用。本文也在機器視覺背景下，利用VisionPro軟件實現軸承滾動體的缺失檢測，并結合C#腳本在圖片上進行檢測結果的顯示，便于后續的人機交互。

2 機器視覺概述

機器視覺指的就是利用機器代替人，從而實現視覺類操作，如引導、檢測、測量與識別。完整的機器視覺系統包括：（1）視覺硬件，如光源、相機和鏡頭等，負責拍攝清晰的圖片，類似于人眼。（2）圖像處理軟件，用于對拍攝的圖像進行處理，提取有效信息，發出指令，類似于人腦。（3）執行機構，如機械手臂，接受指令，實現抓取等操作，類似于人的手臂。機器視覺系統的操作流程如圖1所示。

美國Cognex公司推出的VisionPro軟件是常用的機器視覺軟件之一，拖拽式操作，運用靈活，功能強大，集合許多圖像處理算法，包括定位、測量以及圖像的預處理等。本文利用VisionPro8.2版本進行軸承滾動體的缺失檢測。

3 滾動體缺失檢測

圖2所示是待分析的6個軸承產品的打光圖。檢測要求為：合格產品共包含14個滾動體，如有滾動體整個缺失（漏裝），或者滾動體的正面缺失則為不合格，此處不涉及滾動體的碰擦、磨損等檢測。圖3所示為合格與不合格產品的打光示意圖，（a）為合格產品，（b）為不合格產品，包含一個滾動體漏裝和一個滾動體的正面缺失。按照檢測要求，圖2（a）-2（e）均為不合格產品，缺失的部位均用紅色圓圈標記出來。圖2（f）為合格產品，完整包含14個滾動體。

具體的檢測流程為：

（1）采集圖像：首先利用Image Source加載如圖2所示已打光好的6幅產品圖，實際工業生產中可利用相機進行實時圖像的采集。

（2）訓練模板：利用三個CogPMAlignTool，分別訓練三個模板：合格的滾動體（PMAlignTool1）、滾動體漏裝（PMAlignTool2）以及正面缺失（PMAlignTool3），訓練好的模板如圖4所示。

（3）設置運行參數：以PMAlignTool1為例進行參數解釋，如圖5所示：a）鑒于合格產品含有14個滾動體，因此，將查找概述設為14;b）考慮一些干擾，可適當將接受閾值調整為0.33，并且不考慮雜斑的影響;c）允許一定的角度旋轉;d）緊抓合格滾動體正面與反面的灰度值差異，增大對比度閾值為49，避免誤判。PMAlignTool2和PMAlignTool3的參數設置一致，將查找概述設為14，其他參數為原始參數。

（4）運行程序，并添加終端顯示檢測得到的合格滾動體的個數、滾動體漏裝的個數以及滾動體正面缺失的個數，便于后續進行產品是否合格的判斷。

4 結果顯示與分析

為了直觀地顯示更清晰的檢測結果，便于后續的人機交互，利用C#編程語言，添加腳本，在圖片上顯示如下4方面信息：正常滾動體的個數、產品合格與否、不合格原因以及用紅色圓圈標記出不合格的部分。圖6所示為腳本運行后的檢測與顯示結果。

可見，每張圖片都清晰給出檢測結果OK或者NG。若產品不合格，則給出不合格的原因。例如圖6（a）-6（d），合格的滾動體個數均為13，均有一個滾動體的正面缺失，且圖上均用紅色圓圈標記缺失所在的位置，因此這些產品均被檢測為不合格。圖6（e）亦為不合格產品，既有滾動體漏裝，又有滾動體正面缺失。而6（f）則為合格產品。檢測結果與實際相一致。根據檢測結果是NG或者OK，后續可通過增加執行機構，進行產品的挑揀。本文只對6個軸承產品的6張打光圖進行檢測，正確率達到100%，雖然實際情況可能更加復雜，但是思路是可行的，只要結合較好的打光方案，更豐富的預處理算法，均能取得較好的檢測效果。

5 結語

針對軸承滾動體的缺失檢測，本文采用了基于機器視覺的方式，利用VisionPro進行檢測，并結合C#腳本進行清晰顯示。該方法能夠實現非接觸式下的檢測，通過結合較好的打光，以及豐富的圖像處理工具，能夠實現效率高、準確性高、安全性高的缺失檢測，在工業生產中具有較高的應用價值。

致謝：論文中所采用的軸承打光圖得到蘇州德創測控科技有限公司的大力支持。

參考文獻：

[1]陳賢，夏建春.軸承滾子表面缺陷檢測技術的研究[J].科技創新導報，2018，15（28）：88-89.

[2]溫學軍，葛動元，姚錫凡，陳岳坪，王健.基于機器視覺的軸承滾動體缺失檢測[J].組合機床與自動化加工技術，2020（12）：116-120+124.

[3]崔明，顧啟民，黃震.基于機器視覺的軸承滾動體缺陷檢測算法研究[J]. 組合機床與自動化加工技術， 2015（11）： 74-78.

[4]段志達.基于機器視覺的軸承缺陷檢測[D]. 安徽工程大學，2020.

[5]張奔.基于機器視覺的軸承滾子表面缺陷檢測研究[D].南昌航空大學，2018.

[6]秦鐘偉，陳捷，洪榮晶.基于機器視覺的滾動軸承滾動體檢測[J].組合機床與自動化加工技術，2019（01）：118-121.