基于機器視覺的軸承檢測實驗裝置設計*

王玉翰

(浙大城市學院，浙江 杭州 310015)

0 引 言

軸承是核心基礎零部件，軸承工業是國家基礎性戰略性產業，對國民經濟發展和國防建設起著重要的支撐作用。經過幾十年持續、快速發展，我國軸承工業已形成獨立完整的工業體系，已成為軸承銷售額和產量居世界第三位的軸承生產大國，年產量近兩百億套。因此， 在軸承檢測行業中尋求一種又好又快的檢測方法顯得尤為重要。

隨著人工智能技術的大規模普及，以相機為傳感器的機器視覺系統大量涌現，在工業檢測、包裝印刷、食品工業等領域得到了廣泛的應用[1]。目前，國內軸承生產廠家大多采用人工目視的檢測方法對裝配前軸承套圈的工作表面缺陷進行檢測，僅憑肉眼觀察并判定軸承套圈表面有無碰傷、裂紋等缺陷[2]。基于機器視覺的檢測方法憑借其速度快、精度高、穩定性好等特點而受到廣泛關注[3]。針對人工檢測軸承存在的各種不足，筆者基于機器視覺圖像處理技術，提出Ransac擬合軸承外徑和模板匹配識別軸承方法，以達到提高軸承檢測效率和準確性的目標。

1 實驗裝置的設計

1.1 工業相機與鏡頭

相機是機器視覺系統的重要組成部分，其最本質的功能就是通過成像器件將鏡頭接收的光信號轉變為有序的電信號，并將這些信息通過相應接口傳送到計算機。相機的主要參數包括：分辨率、幀率、接口、感光器件類型、快門方式等。分辨率的大小直接影響圖片的拍攝精度，幀率反映了相機每秒鐘拍攝的速度。感光芯片是相機的核心器件，芯片的大小直接決定了相機的分辨率的寬度和高度。感光芯片有全局曝光和卷簾曝光兩種工作方式，在抓拍運動物體時，卷簾快門會產生圖像斜變，因此卷簾快門更適合靜止拍攝，而拍攝運動物體應采用全局曝光方式。

通過鏡頭及照明光源的選擇，使被檢測對象軸承的待檢特征能夠明顯的表達出來。對特征的明暗、形狀、大小、顏色、邊緣特征等信息的分析，從而進一步的獲得對軸承的判定或測量。圖像清晰銳利的邊緣保證測量的準確性及穩定性，甚至可以達到亞像素的精度。

實驗中選用6906深溝球軸承為測量對象，外徑為47 mm，要求檢測精度為0.05 mm，為了能夠完整的拍攝軸承，視野比軸承要大一些，確定視野大小為120 mm×90 mm，根據檢測精度選擇對應的像素分辨率：3072×2048，實際精度為120/3072=0.039 mm/像素。選用大華A3600CG18面陣工業相機，GigE接口，通訊距離25 m。靜止方式檢測軸承，采用卷簾曝光模式獲得的圖片能滿足要求。

1.2 光 源

光源的主要作用體現在：提高對比度、增加均勻性、消隱背景、增加一致性。合適的光照將特征與背景信息做到最佳、最穩定的分離。通過主動光源照明，把需要的特征表達出來，抑制干擾特征。在實際工程應用中，根據檢測需求設計照明系統，當需求變化時，照明系統需要相應調整。工業檢測現場上運用LED光源較多，LED光源具有眾多優勢：使用壽命長；可以使用多個LED達到高亮度；直流電源供電沒有頻閃，照明穩定；同時可組合成不同形狀，使用靈活；功耗低；光線照射方向性好；響應速度快；可以選擇各種不同的顏色的燈珠。

1.3 實驗裝置組成

實驗裝置如圖1所示，工業相機、鏡頭、LED光源都安裝固定在一個支架上，相機采用GigE接口傳送圖像，計算機內的MVP視覺算法平臺實時獲得圖像。由于光源對直流電源的穩定性要求高，相機和LED光源由不同的直流電源供電。

圖1 實驗裝置

2 識別實驗

2.1 圖像預處理

圖像的色彩信息并不影響所需提取的尺寸、表面缺陷等特征，如果直接采用彩色圖像會影響后續圖像處理的速度，故在圖像分析處理之前先進行灰度變換，得到的灰度圖像如圖2所示。采用自動閾值法分割圖像，高于閾值的像素在二值圖中設置為白色，低于閾值的像素在二值圖中設置為黑色，圖像二值化結果如圖3所示。二值圖像中軸承的輪廓形狀得到了清晰的凸顯，為下一步自動找圓輪廓提供了良好基礎。

圖2 軸承灰度圖像 圖3 軸承二值化圖像

2.2 自動找圓

內外徑尺寸是軸承最重要的參數之一，根據自動找圓算子提取圓弧輪廓，獲得軸承內外徑。基于卡尺工具的自動找圓算子檢測軸承的圓弧特征，結果如圖4所示，其中外側圓為期望圓弧區域，矩形卡尺為搜索區域，內側圓即為實際找到的圓。圓周上矩形卡尺的數量可以手動設置，圖4中選擇了6個卡尺，算子中搜索長度、投影長度、忽略點數以及搜索方向等參數也可以按需調整。算子采用Ransac方式擬合圓輪廓，作為一種隨機參數估計方法，Ransac方式適應范圍廣，擬合精度高。從局部放大的細節中可以看到，實際找到的圓區域與軸承外輪廓高度重合。同理，運用自動找圓算子可以獲得軸承內徑的圓弧輪廓。

圖4 軸承自動尋找外徑圓輪廓

2.3 模板匹配

在自動分類識別過程中，模板匹配是能夠在各種背景下識別目標對象的有效方式之一。拍攝一幅軸承圖像，選中特征區域建立模板，在其他檢測圖像中進行匹配，為后續定位軸承在圖像中的位置，方便引導其他工具跟隨軸承實時調整位置和角度。在訓練模板過程中設置的邊緣閾值和長度閾值直接決定了模板特征的提取數量規模，邊緣閾值和長度閾值設置越小，則圖像上特征點提取越多。在匹配結果中采用匹配分數表示特征模板與搜索圖像中目標的相似程度，即相似度閾值，搜索到的目標在相似度達到該閾值時才會被搜索到，其值越大表示相似度越高，最大值1表示完全契合。特征匹配的模板如圖5(a)所示，相機拍攝其他軸承圖像用于模板匹配實驗，在各種背景中模板匹配算子能識別目標軸承。如圖5(b)所示，拍攝同樣型號的單個軸承圖像，在模板匹配后結果顯示相識度為0.834 5，識別準確度比較高；圖5(c)中放置兩個外徑相同，型號不同的兩個軸承，識別相識度為0.588 3；圖5(d)中將目標軸承圖像中再增加兩個其他不同大小的軸承，識別相識度為0.755 4。訓練模板的各項參數的設置對匹配的結果影響至關重要，不同的應用場合需要采用不同的參數，通過多次調整測試才能獲得參數最優值。

圖5 軸承圖像模板匹配

上述實驗過程在Win10系統上進行，系統配置Inter(R)Core(TM)處理器，3GH主頻，8G內存。此實驗裝置實現了對軸承輪廓提取、模板匹配的非接觸、在線實時測量，圖像處理時間均小于1s，結合機械手等其他功能模塊，能夠滿足工業現場自動化檢測需要。

3 結 語

此次實驗裝置在靜態條件下拍攝圖像，經過灰度變換和二值化預處理后利用算子提取內外徑輪廓，訓練匹配模板實現不同背景圖像軸承目標識別。軸承表面銹斑、刮痕等識別內容有待進一步研究，可以引入深度學習達到智能識別的目的。另外，考慮動態環境中開展圖像識別具有更廣泛的工程應用意義。