陳躍飛，王恒迪，鄧四二

(1.河南科技大學 機電工程學院，河南 洛陽 471003；2.洛陽軸研科技股份有限公司，河南 洛陽 471039)

機器視覺檢測技術(shù)是指利用計算機來模擬人的視覺功能，從獲取的圖像中提取出有用信息，通過對信息的加工處理和理解，最終代替人工完成檢測或測量。典型的機器視覺檢測系統(tǒng)一般包括光源及其控制器、圖像采集模塊、圖像處理及決策判斷模塊和機械執(zhí)行單元等。首先應該根據(jù)被檢測對象選擇方案合理、照度合適的光源及其控制器；圖像采集模塊負責獲取被檢測對象的圖像信息，經(jīng)A/D轉(zhuǎn)換后傳送至圖像處理及決策判斷模塊進行分析；最后根據(jù)判斷結(jié)果控制和驅(qū)動機械執(zhí)行單元完成相應的處理。

軸承的生產(chǎn)批量一般較大，為了保證產(chǎn)品質(zhì)量，在其生產(chǎn)過程中需要對多項參數(shù)進行檢測。目前有些檢測工作仍然由人工完成，由于生產(chǎn)批量大、檢查人員的視覺疲勞、勞動慣性等易導致漏檢或錯檢，無法滿足現(xiàn)代企業(yè)對產(chǎn)品質(zhì)量的高要求。而機器視覺檢測技術(shù)屬于非接觸的方法，設計良好的檢測系統(tǒng)可以適應工業(yè)現(xiàn)場的惡劣環(huán)境，且具有速度快、精度高的優(yōu)點。將機器視覺檢測技術(shù)應用到軸承的生產(chǎn)過程中已成為目前研究的一個熱點[1-4]，國內(nèi)有一大批學者致力于將機器視覺檢測技術(shù)應用于軸承尺寸檢測、軸承表面質(zhì)量和裝配質(zhì)量控制等方面的研究，部分成果已經(jīng)應用于軸承的生產(chǎn)現(xiàn)場，實現(xiàn)了產(chǎn)品質(zhì)量的在線全檢，從而有效保證了軸承質(zhì)量的提升。

在開發(fā)一套用于軸承在線檢測的機器視覺系統(tǒng)中，受現(xiàn)場工況的限制，每一個到達被檢工位軸承的位置均不固定，在一定范圍內(nèi)有所變動，因此檢測算法首先要確定圖像中軸承的位置，為后續(xù)特征識別等工作做準備。這里提出了一種基于LabVIEW軟件平臺的軸承定位算法，該方法可以高效地確定圖像中軸承的位置。

1 圖像預處理

軸承圖像預處理的目的有兩個：一是消除圖像采集過程中的噪聲干擾，提高信噪比，改善圖像的視覺效果；二是減小圖像信息，方便特征提取。圖像預處理包括中值濾波和二值化兩部分。

1.1 中值濾波

受多方面因素的影響，采集得到的軸承圖像往往存在退化，導致圖像失真。為使圖像更加逼真地復現(xiàn)被檢軸承，必須進行降噪處理，剔除干擾信號。常用的降噪方法有領(lǐng)域平滑、保存邊界平滑、多圖像平均和中值濾波等。

中值濾波[5]是一種基于排序統(tǒng)計理論的非線性平滑濾波方法，原理是首先確定一個以某個像素為中心點的方形鄰域，然后將鄰域中各像素的灰度值進行排序，取中間值作為中心像素新的灰度值，這里的鄰域通常被稱為窗口。以圖1所示3×3窗口為例，欲進行中值濾波，首先將窗口中各像素的灰度值從小到大進行排序，并將中間值(即灰度值4)作為中心像素新的灰度值，即認為圖中灰度值為10的像素是圖像的噪聲，這樣經(jīng)中值濾波后噪聲被清除。中值濾波的窗口一般選擇3×3，5×5或7×7等，小窗口適合于濾除小的噪聲，對于較大噪聲則必須選擇大窗口。經(jīng)過試驗對比，采用5×5窗口的中值濾波，LabVIEW濾波程序如圖2所示。

圖1 3×3中值濾波

圖2 5×5窗口中值濾波的LabVIEW程序

中值濾波的輸出像素是由鄰域圖像的中間值決定的，因此可以很好地消除突變噪聲，又能保留圖像邊緣，保證后期圖像特征提取的精度。

1.2 二值化

二值化就是將圖像中的目標區(qū)域與背景分割，二值化質(zhì)量的優(yōu)劣將對后續(xù)圖像的特征提取和目標識別等工作產(chǎn)生重要影響。

設(x,y)為二維圖像點的坐標，F(xiàn)(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B(x,y)可表示為：

(1)

由(1)式可見，確定最佳閾值T是二值化的關(guān)鍵，這里采用改進的快速Otsu法進行二值化。

Otsu法[6]是在判決分析最小二乘原理的基礎(chǔ)上得出的，是一種自適應的閾值確定方法。其基本思路是動態(tài)地確定圖像分割門限值，保證分割后目標與背景之間的方差最大，該門限值即為二值化的閾值。方差是像素灰度分布均勻性的一種量度，方差越大，表明均勻性越差，圖像中目標和背景的差別越大，因此Otsu法采用的最大方差分割意味著目標與背景的錯分概率最小。

在對軸承圖像進行二值化時發(fā)現(xiàn)大部分圖像僅包含了一半左右的灰度級，即在某些灰度級上像素數(shù)為零。據(jù)此可大大減少Otsu法中的方差計算次數(shù)，降低程序運行時間。求取目標與背景之間的方差時需要計算二者的概率，將計算目標和背景的概率轉(zhuǎn)化為直接統(tǒng)計二者包含的像素數(shù)，從而避免了求概率所要進行的兩次除法運算，提高了程序計算速度。

經(jīng)過大量的試驗分析發(fā)現(xiàn)，每一次二值化的閾值均在一個較小的灰度區(qū)域內(nèi)變動，因此可對上述方法繼續(xù)進行改進，算法流程如圖3所示。

圖3 改進的快速Otsu法

經(jīng)過試驗驗證，閾值上限可設定為245，閾值下限TA則利用整幅圖像的平均灰度值來代替。設一幅圖像大小為m×n，則TA可由(2)式確定：

(2)

在[TA,245]灰度范圍內(nèi)，運用快速Otsu法選取最佳閾值T，該方法可很好地將目標與背景分割開，并有效減少運算量，提高程序的執(zhí)行效率。圖4所示為利用該方法進行圖像二值化的效果。

圖4 圖像二值化效果對比

2 軸承定位

受現(xiàn)場工況的限制，每次到達被檢工位軸承的位置會在一定范圍內(nèi)有所變動，因此每次檢測前必須確定圖像中軸承的準確位置?？紤]到軸承結(jié)構(gòu)對稱的特點，在此采用多邊界點的最小二乘擬合圓作為軸承的定位基準。

如圖5所示，盡管每次檢測時軸承的位置有所不同，但是整幅圖像的中心均位于軸承內(nèi)圈內(nèi)。

圖5 軸承定位原理

從圖像中心O出發(fā)，分別向上、下、左、右尋找得到軸承內(nèi)圈圖像上的4個邊界點A，B，C和D，并記錄下這四個點的坐標值(xA,yA),(xB,yB),(xC,yC)和(xD,xD)。

圓的方程如(3)式所述：

(x-x0)2+(y-y0)2=r2

(3)

式中：(x0,y0)為軸承圖像的圓心；r為軸承內(nèi)圈圖像的半徑。

將四個邊界點A，B，C和D的坐標值代入(3)式，得到方程組：

(4)

由(4)式可計算出圖像中軸承的圓心(x0,y0)和半徑r，從而實現(xiàn)軸承的定位。

3 結(jié)束語

經(jīng)實際應用表明，該算法可靠性好，適應性強，可有效克服生產(chǎn)現(xiàn)場較強雜散光的干擾，同時算法的復雜度小，可操作性強，執(zhí)行迅速，完全滿足了機器視覺檢測系統(tǒng)的需要。