維度分割法軸承全表面缺陷檢測(cè)

楊冬毅，黃丹平，徐佳樂，廖世鵬，于少東

1.四川輕化工大學(xué) 機(jī)械工程學(xué)院，四川 宜賓 644000

2.中國(guó)科學(xué)院 成都計(jì)算機(jī)應(yīng)用研究所，成都 610041

軸承被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、軍事、航天、服務(wù)業(yè)等各種領(lǐng)域，屬于基礎(chǔ)機(jī)械零部件之一[1]。在高精度的機(jī)械設(shè)備中，軸承的缺陷會(huì)嚴(yán)重影響其性能、精度以及壽命，造成嚴(yán)重的后果。因此，在軸承出廠前對(duì)其進(jìn)行質(zhì)量檢測(cè)是必不可少的[2]。國(guó)內(nèi)較大規(guī)模的軸承企業(yè)，在軸承的生產(chǎn)加工方面已基本實(shí)現(xiàn)半自動(dòng)化。但是受到生產(chǎn)工藝的影響，在加工過程中會(huì)使個(gè)別軸承出現(xiàn)銹蝕、磕碰、凹坑等，嚴(yán)重影響了軸承的品質(zhì)[3]。

目前國(guó)內(nèi)外相關(guān)科研人員對(duì)軸承的自動(dòng)檢測(cè)方法已進(jìn)行了廣泛的研究。Lei 等[4]采用分段嵌入式的方法對(duì)軸承缺陷進(jìn)行檢測(cè)，針對(duì)軸承缺陷多樣性檢測(cè)取得了良好的效果。徐建橋等[5]提出了規(guī)范化樣本拆分的軸承缺陷檢測(cè)，采用的是規(guī)范化樣本擴(kuò)充數(shù)據(jù)集后采用深度學(xué)習(xí)的方式檢測(cè)軸承缺陷，有效地解決了小樣本缺陷的檢測(cè)方法。Liu 等[6]采用多角度照明的軸承表面缺陷檢測(cè)，對(duì)微小缺陷有良好的檢測(cè)效果。Khemili等[7]通過自適應(yīng)濾波檢測(cè)滾動(dòng)體軸承缺陷。Li等[8]通過精細(xì)復(fù)合多尺度模糊熵來對(duì)滾動(dòng)軸承局部缺陷進(jìn)行檢測(cè)研究。石煒等[9]基于Faster R-CNN 算法對(duì)列車軸承表面缺陷檢測(cè)研究。鄭澤昊[10]采用改進(jìn)型yolov3 對(duì)軸承防塵蓋進(jìn)行缺陷的精確提取檢測(cè)。

以上研究表明，盡管深度學(xué)習(xí)缺陷檢測(cè)方法取得了顯著進(jìn)步，但由于缺陷類型的復(fù)雜多樣，缺陷的全面性檢測(cè)有待進(jìn)一步提升。目前軸承缺陷檢測(cè)主要應(yīng)用面陣相機(jī)下的單面軸承檢測(cè)，在工業(yè)連續(xù)生產(chǎn)線上，采用多工位多相機(jī)采集來達(dá)到軸承的全面檢測(cè)[11]。檢測(cè)算法上，多依靠GPU（graphics processing unit）運(yùn)行處理，存在硬件成本高、設(shè)備體積大、部分缺陷采用現(xiàn)有的檢測(cè)方法準(zhǔn)確率與穩(wěn)定性低等問題[12]。

本文針對(duì)現(xiàn)有的檢測(cè)難點(diǎn)展開研究，采用線陣相機(jī)自主搭建單工位軸承采集平臺(tái)。提出多維度分割法滿足軸承外表面缺陷檢測(cè)的完整性，采用疑似缺陷區(qū)域提取與改進(jìn)VGG16網(wǎng)絡(luò)預(yù)測(cè)模型實(shí)現(xiàn)疑似缺陷區(qū)域再判斷，實(shí)現(xiàn)對(duì)軸承全表面缺陷區(qū)域的二次檢測(cè)。使用處理器為CPU（central processing unit），算法采用多線程并行模式，對(duì)分割的軸承各維度區(qū)域進(jìn)行兩次診斷，達(dá)到工業(yè)級(jí)高速高精度效果。

1 軸承全表面缺陷檢測(cè)系統(tǒng)

針對(duì)軸承缺陷檢測(cè)的多工位現(xiàn)狀，首次提出線陣掃描技術(shù)與光學(xué)原理的結(jié)合，在單工位內(nèi)實(shí)現(xiàn)軸承全表面缺陷在線檢測(cè)的方法。該方法與傳統(tǒng)方法相比，單個(gè)軸承檢測(cè)時(shí)間更短，只需采集一次既能得到軸承完整的外表面圖像。

軸承檢測(cè)系統(tǒng)主要由4 部分組成，采集成像單元、計(jì)算機(jī)硬件單元、運(yùn)動(dòng)控制單元、機(jī)械結(jié)構(gòu)單元。采集裝置如圖1所示。

如圖2 所示，整套系統(tǒng)由工控機(jī)控制，通過PLC 發(fā)送各種信息來控制電機(jī)與相機(jī)配合采集出軸承的完整圖像，將其輸入檢測(cè)算法并給出獲得檢測(cè)結(jié)果。

圖2 系統(tǒng)結(jié)構(gòu)框圖Fig.2 System structure block diagram

機(jī)械結(jié)構(gòu)單元包含外箱體、平臺(tái)架、旋轉(zhuǎn)機(jī)構(gòu)，是檢測(cè)系統(tǒng)實(shí)現(xiàn)數(shù)據(jù)采集的核心部件，決定該檢測(cè)系統(tǒng)運(yùn)行效率與檢測(cè)精度。外箱體其功能是避免環(huán)境光干擾視覺信息的采集，等距機(jī)構(gòu)保證軸承逐個(gè)進(jìn)入采集。旋轉(zhuǎn)機(jī)構(gòu)可使軸承產(chǎn)生滾動(dòng)配合線陣相機(jī)完成軸承全表面掃描。

運(yùn)動(dòng)控制單元由兩個(gè)電機(jī)以及PLC（programmable logic controller）組成，分別控制著軸承的進(jìn)入與軸承的旋轉(zhuǎn)，通過PLC 給出觸發(fā)信號(hào)，精準(zhǔn)控制圖像采集時(shí)間與觸發(fā)頻率。

采集成像單元主要由線陣相機(jī)、鏡頭、藍(lán)色條形光源、棱鏡等組成。藍(lán)光波長(zhǎng)在430～480，能更好地獲取金屬表面微小缺陷[13]。采用棱鏡折射的光學(xué)原理和線陣相機(jī)與旋轉(zhuǎn)機(jī)構(gòu)的配合，軸承兩個(gè)表面與柱面視覺信息同時(shí)被掃描并存儲(chǔ)在一個(gè)數(shù)據(jù)矩陣內(nèi)，更有利于軸承維度的劃分與缺陷的全面檢測(cè)[14]。如圖3 所示，與常規(guī)面陣相機(jī)采集方式相比較，使得圖3（a）、（b）、（c）三次采集的圖像信息集中到一張圖3（d）上，也方便了后續(xù)多維度向量法的提取與檢測(cè)。

圖3 軸承采集示意圖Fig.3 Schematic diagram of bearing acquisition

2 軸承檢測(cè)算法研究

2.1 軸承缺陷特性分析

軸承主要的缺陷種類大致可分為五種，凹坑、劃痕、變形、損壞以及銹蝕，主要表現(xiàn)形式如圖4所示。

圖4 軸承缺陷種類Fig.4 Types of bearing defects

同種類型缺陷還可細(xì)分為不同種類，如圖5 所示，圖5從左到右依次為淺凹坑、深凹坑、內(nèi)圈小破損、內(nèi)圈大破損、外圈大破損、外圈小破損、內(nèi)圈小面積銹蝕、內(nèi)圈大面積銹蝕，柱面倒角缺失。因此如何準(zhǔn)確、快速與穩(wěn)定可靠的檢測(cè)軸承各類缺陷將是所面臨的一個(gè)難題。

圖5 軸承缺陷的多樣性Fig.5 Diversity of bearing defects

2.2 軸承全表面缺陷檢測(cè)算法

針對(duì)上述問題，本文提出軸承分維度的檢測(cè)方法，將軸承分割為8 個(gè)維度視覺信息進(jìn)行全面檢測(cè)。維度分割的精度取決于圖像的亮度是否穩(wěn)定。采集中的振動(dòng)影響或者光源因壽命的衰減，都會(huì)導(dǎo)致采集圖像出現(xiàn)左右亮度不均、過曝或過暗情況。針對(duì)該問題，在維度分割法之前采用亮度調(diào)整算法穩(wěn)定每張圖像的亮度。假設(shè)亮度調(diào)整系數(shù)為τ，可得出如公式（1）：

其中，αs為當(dāng)前亮度值，αe為目標(biāo)亮度值，αm為亮度調(diào)整函數(shù)L() 每增加1 個(gè)參數(shù)值所增加的亮度值。當(dāng)αs>αe時(shí)說明過曝，需要降低亮度值；αs<αe說明圖像過暗，需要增強(qiáng)亮度值。由此可得出過暗和過曝的亮度調(diào)整系數(shù)。假設(shè)yi為軸承的各維度視覺信息，可得維度分割法如公式（2）所示：

公式（2）中，L()為亮度調(diào)整函數(shù)，τ為亮度調(diào)整系數(shù)，Y()為閾值分割與形態(tài)學(xué)處理函數(shù)，a,b,c為圖3（d）的軸承三個(gè)面，τj為a,b,c對(duì)應(yīng)的亮度調(diào)整系數(shù)，d為圖3中圖（d）的視覺信息數(shù)據(jù)。維度分割法中首先對(duì)d使用Y()初步劃分三個(gè)區(qū)域，分別對(duì)其亮度值進(jìn)行調(diào)整使整張圖像亮度趨于一定范圍內(nèi)，再使用Y()最終得出軸承的8個(gè)維度視覺信息yi。如圖6所示，將維度視覺信息的特征相同的歸為一類，最終分為7 個(gè)分辨率為40×2 048的維度圖像與1個(gè)分辨率為160×2 048的維度圖像。其中1、3、5、8四個(gè)維度為軸承各主體區(qū)域，2、4、6、7四個(gè)維度為軸承各結(jié)構(gòu)間隙與倒角部分。

圖6 軸承8維度提取流程Fig.6 Bearing 8 dimension extraction process

整體檢測(cè)算法流程如圖7所示，基于維度分割法的軸承全表面缺陷檢測(cè)方法，通過維度分割法將軸承圖像劃分出8 個(gè)維度，再針對(duì)各維度缺陷特性，制作對(duì)應(yīng)維度疑似目標(biāo)檢測(cè)算法，提取出各維度的疑似缺陷區(qū)域；利用軸承缺陷區(qū)域與合格區(qū)域圖像制成各維度小區(qū)域圖像數(shù)據(jù)集，進(jìn)入VGG16 網(wǎng)絡(luò)模型訓(xùn)練[15]得到VGG16主干特征提取網(wǎng)絡(luò)模型，同時(shí)篩選出標(biāo)準(zhǔn)缺陷與合格小區(qū)域圖像經(jīng)過VGG16主干特征提取網(wǎng)絡(luò)模型形成標(biāo)準(zhǔn)特征數(shù)據(jù)庫；最后將待測(cè)疑似區(qū)域采用改進(jìn)VGG16 預(yù)測(cè)模型與標(biāo)準(zhǔn)特征數(shù)據(jù)庫進(jìn)行比對(duì)完成對(duì)疑似缺陷區(qū)域的二次檢測(cè)并輸出檢測(cè)結(jié)果。

圖7 檢測(cè)算法流程Fig.7 Detection algorithm flow

2.2.1 疑似缺陷提取算法

經(jīng)多維度視覺信息提取后，可準(zhǔn)確獲得每個(gè)維度背景信息特征，易于缺陷檢測(cè)與提取。針對(duì)每個(gè)維度視覺信息的特征分析，從圖6中看出，可以將8個(gè)維度分為兩大類，其中1、3、5、8這四個(gè)維度中主要是軸承各個(gè)區(qū)域的主體視覺信息，表現(xiàn)形式為平面。2、4、6、7維度中主要是軸承各區(qū)域邊緣處的信息，表現(xiàn)形式為倒角和連接縫。因此可疑區(qū)域算法結(jié)構(gòu)如圖8所示，由圖可知算法路徑分為兩路。

圖8 分類特性檢測(cè)Fig.8 Classification characteristic detection

軸承主體檢測(cè)中的1、3、5、8 維度，通常出現(xiàn)凹坑、銹蝕、劃痕等缺陷（如圖4（a）、（b）、（e）所示）。分析缺陷特征主要呈現(xiàn)暗色的特點(diǎn)，軸承主體4個(gè)維度檢測(cè)算法主要分為三個(gè)部分：（1）增強(qiáng)缺陷視覺信息；（2）采用多次判斷與調(diào)整閾值的方式提取出暗色區(qū)域；（3）通過灰度共生矩陣篩選出疑似缺陷區(qū)域[16]。

其中維度3防塵蓋，由圖6可以看出，字符同樣呈現(xiàn)暗色狀態(tài)，為字符不對(duì)缺陷提取造成干擾，本文提出基于反向?yàn)V波的噪聲保留算法，達(dá)到消除字符干擾保留噪點(diǎn)狀缺陷視覺信息的目的，假設(shè)W()表示字符去除函數(shù)，可得公式（3）：

其中，J()為濾波器函數(shù)，Y()為閾值分割與形態(tài)學(xué)處理函數(shù)，P()字符覆蓋函數(shù)。首先采用濾波器對(duì)噪點(diǎn)狀的缺陷進(jìn)行濾除，提取剩余字符區(qū)域，最后獲取字符周圍灰度值對(duì)濾波前的圖像進(jìn)行字符區(qū)域覆蓋處理，最終達(dá)到去除字符的效果。

軸承連接檢測(cè)中的2、4、6、7 維度，通常出現(xiàn)變形、破損（如圖4（c）、（d）），倒角缺失（圖4（d））等缺陷，研究發(fā)現(xiàn)此部分缺陷都會(huì)導(dǎo)致連接處的視覺信息出現(xiàn)形狀上的變化，因此算法主要考慮形狀完整性檢測(cè)。軸承邊緣4 個(gè)維度檢測(cè)算法主要分為三個(gè)部分：（1）增強(qiáng)軸承邊緣視覺信息；（2）提取出軸承邊緣形狀視覺信息；（3）通過形態(tài)學(xué)處理與差分的方式進(jìn)行疑似缺陷區(qū)域提取。由圖6可以看出，其中維度2與維度4，形狀特征主要為黑色線狀，此處主要提取線狀特征的完整性進(jìn)行缺陷檢測(cè)。維度6 與維度7 形狀特征主要為矩形，此處提取矩形特征的完整性進(jìn)行缺陷檢測(cè)。

結(jié)合上述兩類分析，整體疑似缺陷區(qū)域提取算法如下所示。

其中A()表示特征增強(qiáng)，W()表示字符去除函數(shù)，Y()為閾值分割與形態(tài)學(xué)處理函數(shù)，H()表示灰度共生矩陣，T()表示形狀特征提取，D()表示差分算法，Xi(i=1～8)為對(duì)應(yīng)各個(gè)維度視覺信息特征的參數(shù)系數(shù)。

根據(jù)疑似缺陷區(qū)域提取算法假設(shè)zi為各維度疑似缺陷區(qū)域可得公式（4）：

對(duì)各維度的疑似缺陷區(qū)域提取尺寸與圖7 中目標(biāo)分類部分的小區(qū)域圖像尺寸相同，方便后續(xù)神經(jīng)網(wǎng)絡(luò)對(duì)區(qū)域的二次判斷。

2.2.2 疑似缺陷區(qū)域決策算法研究

經(jīng)疑似缺陷區(qū)域提取算法后，為確定該區(qū)域中是否含有缺陷，進(jìn)一步采用神經(jīng)網(wǎng)絡(luò)的方式對(duì)疑似缺陷區(qū)域二次檢測(cè)，進(jìn)一步提升檢測(cè)精度。

yi缺陷視覺信息的尺寸較小，應(yīng)選用層數(shù)較淺的神經(jīng)網(wǎng)絡(luò)[17]。本文選擇VGG16網(wǎng)絡(luò)模型對(duì)疑似缺陷區(qū)域進(jìn)行訓(xùn)練。但是其中全連接層進(jìn)行分類的準(zhǔn)確度，一般取決于訓(xùn)練樣本的大小。軸承大部分缺陷的數(shù)據(jù)圖像樣本不足，如圖9所示的紋理與銹蝕，完整的VGG16預(yù)測(cè)模型并不能很好地分類出準(zhǔn)確的結(jié)果。

圖9 銹蝕與紋理對(duì)比圖Fig.9 Comparison diagram of corrosion and texture

針對(duì)該情況，利用300 張紋理與銹蝕的數(shù)據(jù)集，訓(xùn)練完整的VGG16 網(wǎng)絡(luò)模型，使得主干提取網(wǎng)絡(luò)有了相應(yīng)的特征提取效果。如圖10所示，在進(jìn)行預(yù)測(cè)時(shí)，本文采用改進(jìn)VGG16 網(wǎng)絡(luò)模型進(jìn)行二次判斷，使用改進(jìn)歐式公式替換全連接層的方式，來比對(duì)疑似缺陷區(qū)域與標(biāo)準(zhǔn)的缺陷或合格區(qū)域的多維特征數(shù)據(jù)距離，通過距離遠(yuǎn)近確定疑似區(qū)域類別。

圖10 VGG16網(wǎng)絡(luò)模型的改進(jìn)Fig.10 Improvement of VGG16 network model

2.2.2.1 歐式距離公式的改進(jìn)

歐式距離是最常見的距離度量，衡量的是多維空間中兩個(gè)點(diǎn)之間的絕對(duì)距離。n維歐幾里德兩多維數(shù)據(jù)x1與x2間的距離公式如式（5）所示[18]：

從公式（5）可以看出，每個(gè)維度的數(shù)據(jù)對(duì)歐氏距離的貢獻(xiàn)是同等的，為能提高檢測(cè)精度，本文對(duì)歐式距離（5）進(jìn)行改進(jìn)，如圖11 中比對(duì)方式所示，多維數(shù)據(jù)間相減的結(jié)果不再求和，得出距離矩陣，對(duì)距離矩陣中的各維度距離通過給定的閾值篩選，計(jì)算維度距離小于閾值的個(gè)數(shù)占比，避免維度距離大的權(quán)重對(duì)整體距離權(quán)重產(chǎn)生影響。經(jīng)過改進(jìn)后的公式如式（6）所示：

圖11 標(biāo)準(zhǔn)樣本選擇流程圖Fig.11 Flow chart of standard sample selection

其中sum()表示維度數(shù)據(jù)個(gè)數(shù)之和，k為維度，Y為距離閾值，yik為標(biāo)準(zhǔn)小區(qū)域圖像的多維特征數(shù)據(jù)，zik為疑似缺陷區(qū)域圖像的多維特征數(shù)據(jù)。

2.2.2.2 標(biāo)準(zhǔn)樣本選擇研究

標(biāo)準(zhǔn)樣本的特征數(shù)據(jù)的選擇，采用一比多的方法。以銹蝕、紋理為例，篩選銹蝕、紋理標(biāo)準(zhǔn)樣本圖像，通過公式（6）的運(yùn)算，銹蝕樣本內(nèi)逐個(gè)相互比對(duì)，且銹蝕紋理樣本間逐個(gè)相互比對(duì)，得出一比多的（Q的平均值）進(jìn)行排序，篩選出相同樣本集內(nèi)的最大，且不同樣本間的最小，即為標(biāo)準(zhǔn)樣本數(shù)據(jù)。選擇方式如圖11所示。

在8 維度樣本數(shù)據(jù)集中，以上述方法，篩選出滿足條件的多個(gè)標(biāo)準(zhǔn)樣本特征數(shù)據(jù)構(gòu)建數(shù)據(jù)庫，形成8個(gè)類別的標(biāo)準(zhǔn)特征數(shù)庫。

2.2.3 軸承檢測(cè)的速度提升

分8 維度對(duì)應(yīng)8 種算法的檢測(cè)方式，雖然達(dá)到了檢測(cè)的全面性，但是檢測(cè)速度卻不滿足工業(yè)檢測(cè)要求。對(duì)此采用8 維度8 線程并行運(yùn)算的檢測(cè)方法，提高了CPU的利用率，同時(shí)提升疑似缺陷的檢測(cè)速度。

對(duì)疑似缺陷區(qū)域進(jìn)行二次檢測(cè)時(shí)，同樣采用多線程并行運(yùn)算的方式，各維度改進(jìn)預(yù)測(cè)模型并行預(yù)測(cè)與標(biāo)準(zhǔn)樣本數(shù)據(jù)庫進(jìn)行比對(duì)，對(duì)軸承檢測(cè)的速度與精度進(jìn)一步提升。

以公式（6）為標(biāo)準(zhǔn)，Q值最大即為比對(duì)結(jié)果，整體多線程比對(duì)流程如圖12所示。

圖12 軸承檢測(cè)系統(tǒng)整體多線程比對(duì)流程Fig.12 Overall multi-thread comparison process of bearing detection system

本文采用改進(jìn)歐式距離公式替代全連接層的方式，使預(yù)測(cè)圖像與標(biāo)準(zhǔn)圖像的多維數(shù)據(jù)間進(jìn)行比對(duì)，減少了網(wǎng)絡(luò)模型結(jié)構(gòu)。檢測(cè)時(shí)，采用8 個(gè)維度對(duì)應(yīng)8 個(gè)獨(dú)立的網(wǎng)絡(luò)預(yù)測(cè)模型配合8 線程并行運(yùn)算，對(duì)8 個(gè)維度疑似缺陷視覺信息進(jìn)行比對(duì)判別，滿足了在線高速軸承缺陷檢測(cè)精度、速度與全面的要求。

3 實(shí)驗(yàn)與分析

為驗(yàn)證維度分割法與改進(jìn)VGG16預(yù)測(cè)模型對(duì)軸承檢測(cè)的精度與速度，本研究搭建一套完整的軸承在線檢測(cè)系統(tǒng)。如圖13 所示。該系統(tǒng)主要由采集成像模塊、計(jì)算機(jī)硬件模塊、運(yùn)動(dòng)控制模塊、機(jī)械結(jié)構(gòu)模塊四部分組成。實(shí)驗(yàn)中，采用的是i7 10700 處理器與DALSA 的SG-11-02K0-00-R 線陣相機(jī)，VS-25085/C 鏡頭與LDB-15034-B藍(lán)色條形光源，搭配三棱鏡和光學(xué)折射原理，單機(jī)位實(shí)時(shí)在線采集軸承外表面圖像。

圖13 軸承在線檢測(cè)系統(tǒng)Fig.13 Bearing on-line detection system

測(cè)試軸承一共200個(gè)，其中存在缺陷的軸承個(gè)數(shù)為93 個(gè)，軸承上缺陷的總個(gè)數(shù)為183，原始軸承圖像大小為2 048像素×2 048像素。下面是軸承實(shí)驗(yàn)檢測(cè)流程：

首先是亮度調(diào)節(jié)算法，調(diào)節(jié)前后對(duì)比如圖14所示，經(jīng)亮度調(diào)節(jié)算法后，可以看出軸承圖像過暗或過曝的情況都得到了有效的調(diào)整。

圖14 亮度調(diào)節(jié)算法效果圖Fig.14 Schematic diagram of brightness adjustment algorithm

防塵蓋字符去除算法效果如圖15 所示，經(jīng)字符去除算法后，軸承防塵蓋的字符得到了有效去除，凹坑缺陷也較完整地保留了下來。

圖15 字符去除效果圖Fig.15 Character removal effect diagram

軸承8維度疑似缺陷提取效果圖如圖16所示，可以看出疑似缺陷被有效提取出。

圖16 8維度疑似缺陷區(qū)域提取效果圖Fig.16 Effect drawing of 8-dimensional suspected defect area extraction

疑似缺陷提取算法復(fù)雜度分析如表1所示，O()為各維度疑似缺陷提取算法的時(shí)間復(fù)雜度，每O(1)所用時(shí)間為0.79 ms。S()為空間復(fù)雜度，S(n)表示算法每運(yùn)行一次所調(diào)用參數(shù)個(gè)數(shù)為n。

表1 疑似缺陷提取算法復(fù)雜度Table 1 Complexity of suspected defect extraction algorithm

將軸承分割4維度檢測(cè)與分割8維度檢測(cè)對(duì)比如表2所示，采用8 維度分割法后的疑似缺陷區(qū)域提取，漏檢率降低，誤檢也所有減少。

表2 4維度與8維度疑似缺陷區(qū)域提取對(duì)比實(shí)驗(yàn)結(jié)果Table 2 Comparative experimental results of 4-dimensional and 8-dimensional suspected defect area extraction

軸承銹蝕與紋理標(biāo)準(zhǔn)樣本的選擇對(duì)比表如表3 所示，經(jīng)訓(xùn)練后的VGG16網(wǎng)絡(luò)模型，采用主干特征提取網(wǎng)絡(luò)與改進(jìn)歐式距離進(jìn)行比對(duì)篩選，銹蝕與銹蝕占比最大，且銹蝕與紋理占比最小的樣本有6號(hào)和48號(hào)，即可選出兩個(gè)標(biāo)準(zhǔn)銹蝕樣本，同樣可以找到紋理的兩個(gè)標(biāo)準(zhǔn)樣本56號(hào)與69號(hào)。對(duì)其余各維度樣本采用同樣的方法，將各維度的標(biāo)準(zhǔn)樣本篩選出后，制作標(biāo)準(zhǔn)樣本特征數(shù)據(jù)庫，方便后續(xù)待測(cè)樣本與標(biāo)注樣本進(jìn)行比對(duì)。

表3 100個(gè)軸承銹蝕與紋理樣本比對(duì)篩選表Table 3 Comparison and screening table of 100 bearing corrosion and texture samples

采用VGG16 網(wǎng)絡(luò)與VGG16 改進(jìn)預(yù)測(cè)模型的對(duì)比如表4 所示，VGG16 改進(jìn)模型比對(duì)數(shù)據(jù)庫的方式，檢測(cè)精度得到了極大的提升，同時(shí)檢測(cè)速度也有所減少。

表4 VGG16與VGG16改進(jìn)預(yù)測(cè)模型對(duì)比實(shí)驗(yàn)結(jié)果Table 4 Experimental results of VGG16 and VGG16 improved prediction models

VGG16改進(jìn)預(yù)測(cè)模型的疑似缺陷目標(biāo)分類過程如圖17所示，通過疑似缺陷信息與標(biāo)準(zhǔn)樣本信息比對(duì)，得出最終結(jié)果。

圖17 VGG16改進(jìn)預(yù)測(cè)模型的二次判斷比對(duì)效果Fig.17 Effect of second judgment comparison of VGG16 improved prediction models

CPU采用多線程處理前后時(shí)間對(duì)比如表5所示，在多線程處理下，采用8維度與VGG16改進(jìn)模型，使得軸承檢測(cè)的精度與速度極大提升，滿足工業(yè)在線檢測(cè)的要求。

不同分辨率的軸承圖像檢測(cè)效果比對(duì)如表6所示，實(shí)驗(yàn)中，較低的分辨率，使得軸承各區(qū)域的視覺信息界限更模糊，導(dǎo)致維度分割算法的精度下降。同時(shí)部分缺陷視覺信息變?nèi)酰瑱z測(cè)精度下降。

表6 不同分辨率圖像檢測(cè)效果比對(duì)Table 6 Comparison of image detection results with different resolutions

4 結(jié)束語

本文針對(duì)工業(yè)上軸承缺陷檢測(cè)準(zhǔn)確性、成本高等問題，研制一種單工位軸承檢測(cè)系統(tǒng)，即可實(shí)現(xiàn)快速、準(zhǔn)確、全面的軸承缺陷檢測(cè)。主要特點(diǎn)是：

（1）針對(duì)軸承多面檢測(cè)，采用光學(xué)原理與線陣掃描技術(shù)結(jié)合的方式，一次性采集出軸承清晰、完整的全表面圖像。

（2）針對(duì)軸承缺陷多樣性，采用維度分割法與疑似缺陷區(qū)域提取法，保證缺陷提取的低漏檢率。

（3）針對(duì)缺陷檢測(cè)精度，采用神經(jīng)網(wǎng)絡(luò)二次檢測(cè)的方式，通過改進(jìn)網(wǎng)絡(luò)模型與改進(jìn)歐式公式，提升缺陷檢測(cè)精度。

（4）針對(duì)軸承檢測(cè)速度，采用并行處理方式對(duì)各維度同時(shí)檢測(cè)，滿足軸承工業(yè)在線檢測(cè)的速度與成本要求。

實(shí)驗(yàn)結(jié)果表明，經(jīng)多維分割法后疑似缺陷檢測(cè)后，再利用改進(jìn)的VGG16預(yù)測(cè)網(wǎng)絡(luò)模型與數(shù)據(jù)庫比對(duì)再進(jìn)行缺陷二判斷，軸承缺陷的檢測(cè)精度達(dá)98.3%且檢測(cè)時(shí)間每個(gè)為0.81 s，相比于傳統(tǒng)的人工目檢測(cè)高速有效，智能化程度更高。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型檢測(cè)方法相比，該方法對(duì)軸承缺陷檢測(cè)更全面高效。為現(xiàn)代軸承生產(chǎn)上的缺陷全面性檢測(cè)提出了一個(gè)可靠的研究思路與方案，具有良好的工業(yè)應(yīng)用前景。