王恒迪，李莎，楊建璽，劉盟盟

(1.河南科技大學 機電工程學院，河南 洛陽 471003；2.中國一拖集團有限公司 計量檢測中心，河南 洛陽 471003)

在軸承生產(chǎn)和裝配過程中，有少量軸承產(chǎn)品外表面會出現(xiàn)銹蝕、磕碰傷、凹坑、擦傷等缺陷，為配套主機的正常使用埋下重要隱患。傳統(tǒng)軸承外觀缺陷檢測主要依靠人工進行，檢測效率及精度相對較低，而且難以實現(xiàn)檢測數(shù)據(jù)的實時自動化管理。鑒于此，提出了一種將計算機視覺檢測技術(shù)應(yīng)用于軸承外觀缺陷檢測的方法[1-2]。

1 圖像處理

計算機視覺檢測系統(tǒng)中使用的預(yù)處理主要包括圖像二值化、邊緣檢測等。圖像采集卡得到的軸承原始圖像如圖1所示。

圖1 軸承原始圖像

1.1 圖像二值化

圖像二值化原理為

(1)

由此可見，閾值T決定了圖像信息的去留，選擇合適的閾值是進行圖像二值化處理的關(guān)鍵，在此采用一種改進的最大類間方差(Otsu)法進行分割[3-4]。

設(shè)一幅圖像的灰度級為L，根據(jù)閾值將圖像像素分為2類：[0,1,2,…,t]和[t+1,…,L-1],則類間方差為

(2)

最佳閾值T的選取原則為

(3)

Otsu法實際上是一個窮舉法，通過窮舉搜索求得最佳閾值T，使目標與背景間的類間方差最大，該算法的核心是類間方差的計算，計算量較大。

經(jīng)過大量試驗分析可知，每一次二值化的閾值均在一個較小的灰度范圍內(nèi)變動，且必有umin≤T≤umax(umin，umax分別為圖像灰度的最小值、最大值)。經(jīng)過試驗驗證，將閾值上限設(shè)置為umax，閾值下限設(shè)置為灰度中值T0

(4)

在[T0,umax]灰度范圍內(nèi)運用快速Otsu法選取最佳閾值T對圖像進行二值化處理，可有效減少運算次數(shù)。

此外，經(jīng)過分析發(fā)現(xiàn)，一般情況下，軸承圖像不能覆蓋0～255的所有灰度，因此在Otsu法基礎(chǔ)上進行了算法優(yōu)化，可大大減少所需方差計算的次數(shù)，從而提高程序運行的效率。

假設(shè)圖像中灰度值為t′的像素個數(shù)為0，即pt′=0，當選擇灰度值t′-1為閾值時

(5)

(6)

當選擇灰度值t′為閾值時

(7)

ω0(t′-1)，

(8)

由上述分析及(2)式可知

(9)

依次假設(shè)圖像中有連續(xù)灰度值t1,t2,…,tn的像素個數(shù)為0，參照上述方法可知

(10)

據(jù)此可知，對于像素個數(shù)為0的灰度值，可不必重復計算類間方差。改進后的算法如下：

1) 計算灰度圖像的umin，umax及T0；

5) 當i≥umax時，循環(huán)停止，此時求出的T即為最優(yōu)閾值。

Otsu改進算法可以使圖像很好地收斂到全局最優(yōu)，改善圖像灰度級不連續(xù)性對圖像分割的影響。利用傳統(tǒng)及改進后Otsu法分割得到的軸承二值化圖像如圖2所示。

圖2 軸承二值化圖像示意圖

1.2 軸承定位與分割

在軸承檢測過程中，經(jīng)過對工業(yè)現(xiàn)場的統(tǒng)計分類，待檢軸承到達檢測工位時，軸承位置會有所變動，且約80%的軸承外觀缺陷出現(xiàn)在軸承內(nèi)、外圈上，因此，每次對軸承進行缺陷檢測前需對軸承進行定位處理，并對定位后的軸承圖像進行檢測區(qū)域分割，即分離出軸承圖像的內(nèi)、外圈，分別對其進行缺陷檢測。

圖3 軸承定位圖像 圖4 內(nèi)圈環(huán)帶圖像

1.3 環(huán)帶展開

經(jīng)過分割后的軸承圖像均為環(huán)形分布，為了方便后續(xù)的缺陷識別，需要將提取出來的環(huán)帶轉(zhuǎn)換為更易分析處理的矩形帶。

1.3.1 坐標變換

環(huán)帶圖像可看作是矩形圖像的一種幾何畸變。而任何幾何畸變都可描述為畸變圖像坐標和原始圖像坐標之間的關(guān)系，因此，可通過對畸變圖像進行坐標變換處理，以恢復原始圖像。如圖5所示，展開后的矩形圖像長度為外圓周長，保持內(nèi)外最大尺度不變；寬度為內(nèi)外徑之差，以滿足徑向無畸變的要求。

圖5 圖像坐標變換

1.3.2 插值處理

經(jīng)過坐標變換后，矩形圖像各像素的灰度值應(yīng)與環(huán)帶圖像的灰度值相對應(yīng)，但環(huán)帶圖像展開后的像素往往無法落在對應(yīng)坐標點上，這就需要根據(jù)臨近像素坐標的灰度值對該坐標進行插值[6]。

選用雙線性插值法，設(shè)4個鄰點的坐標分別為(x1,y1)，(x2,y2)，(x3,y3)和(x4,y4)，f(x,y)表示該點的像素，則插值處理后P點的灰度值為

I(x,y)=(1-Δx)(1-Δy)f(x1,y1)+

Δx(1-Δy)f(x2,y2)+

Δy(1-Δx)f(x3,y3)+

ΔxΔyf(x4,y4)；

(11)

Δx=x-x1，Δy=y-y1。

以內(nèi)圈環(huán)帶為例，展開后矩形圖像如圖6所示。

圖6 內(nèi)圈展開圖像

2 缺陷識別

采用8連通域標記方法進行缺陷識別。首先對圖像進行初始標記。根據(jù)從左到右、自上而下的掃描順序，可知標記當前像素f(x,y)時，只與其左上點f(x-1,y-1)、上點f(x,y-1)、右上點f(x+1,y-1)及左點f(x-1,y)的標號有關(guān)[7]。若4個點均未標記，則為該點分配一個新的標記；若4點中有1個已標記或2個以上加相同的標記，則為當前點加相同的標記；若4點中有2個以上加不同的標記，則按照其掃描的優(yōu)先順序(即左上、上、右上、左)標記當前像素。

初次掃描后，會出現(xiàn)沖突標號，即屬于同一連通域的像素加不同標號的情況。針對上述情況，可對軸承圖像進行二次掃描，以更正不一致的連通域標號，將屬于同一連通域缺陷的標記統(tǒng)一化。通過上述標記方法得到的連通域標號是不連續(xù)的，不利于后續(xù)的缺陷識別處理。可按照標號出現(xiàn)的先后順序進行調(diào)整，重新分配連通域標號，得到每個缺陷區(qū)域唯一、準確的標記。通過該方法即可完成對圖像中目標連通域的標記，給不同的連通域不同的標號，最后的標號也就代表不同的連通域數(shù)目。

在軸承圖像里，軸承的外觀缺陷可描述為大于一定面積尺寸的連通區(qū)域，在此，缺陷面積可用連通域的像素數(shù)G表示。設(shè)一閾值G0，作為缺陷特征像素數(shù)的最小允許值，當在上述軸承分割圖像中找到的缺陷像素數(shù)大于G0時，則認為該軸承有缺陷，否則，認為該連通域為干擾并予以消除。利用該方法分別對軸承內(nèi)、外圈展開圖像進行缺陷檢測，圖7為程序自動標記后的軸承內(nèi)圈缺陷圖像。

圖7 自動標記后的軸承內(nèi)圈缺陷圖像

3 試驗結(jié)果及分析

利用上述算法對200套軸承進行了外觀缺陷檢測，其中，有缺陷軸承數(shù)量為73套，包括表面有銹蝕軸承20套，磕碰傷軸承16套，凹坑軸承19套，擦傷軸承18套。測試結(jié)果見表1，系統(tǒng)正確識別率達到98.5%，可以滿足工業(yè)現(xiàn)場的要求。

表1 測試結(jié)果

根據(jù)多次試驗結(jié)果分析，試驗中出現(xiàn)的誤檢、漏檢現(xiàn)象主要是由于光線和拍攝環(huán)境等因素的影響，曝光過度可突出缺陷區(qū)域，但是部分圖像邊緣信息易缺失；曝光不足則整體圖像偏暗，且易出現(xiàn)毛刺等噪聲。此外，拍攝過程中，自然光線也會對軸承圖像的采集有一定影響，進而影響系統(tǒng)識別的效果和檢測精度。針對上述情況，有待對算法進一步改進以提高系統(tǒng)檢測精度。另外，每幅圖像的處理及缺陷檢測僅用時0.4 s，能夠滿足工業(yè)現(xiàn)場流水線對系統(tǒng)實時性的要求。

相對于人工檢測，基于計算機視覺的檢測方法是一種非接觸測量，不會對檢測者與被檢測對象產(chǎn)生損傷，而且不易受檢測人員熟練程度、精神狀態(tài)等主觀因素的影響，可重復性好且可靠性高。

4 結(jié)束語

該檢測系統(tǒng)采用CCD數(shù)字攝像機作為光電轉(zhuǎn)換器，通過制定合理的照明方案，并結(jié)合圖像分析、處理技術(shù)對軸承圖像進行了定位與分割，最后運用8連通域標記識別技術(shù)實現(xiàn)了對軸承端面缺陷的非接觸檢測。該系統(tǒng)不僅提高了檢測速度，改善了檢測精度，而且具有實時性好、重復性好等特點，實現(xiàn)了軸承端面缺陷的無損檢測，特別適用于一些不能用接觸法進行外觀缺陷檢測的工業(yè)產(chǎn)品，具有廣泛的推廣價值，為工業(yè)產(chǎn)品外表面缺陷的非接觸檢測開辟了一條新道路。