陳 琦，阮鴻雁

(江蘇大學 機械工程學院，江蘇 鎮(zhèn)江 212000)

基于機器視覺的滑動軸承缺陷檢測系統(tǒng)設(shè)計

陳 琦，阮鴻雁

(江蘇大學 機械工程學院，江蘇 鎮(zhèn)江 212000)

針對滑動軸承生產(chǎn)過程中存在的檢測速度慢、自動化水平低、檢測精度低等問題，提出一種基于機器視覺的滑動軸承內(nèi)表面缺陷檢測系統(tǒng)的設(shè)計方案，實現(xiàn)了軸承體的自動檢測功能。首先設(shè)計了一種實驗檢測平臺用于獲取滑動軸承內(nèi)表面的圖像；通過基于形狀的模板匹配算法對預(yù)處理后的圖像進行匹配，實現(xiàn)對目標物體與缺陷區(qū)域的快速定位；為了實現(xiàn)對缺陷的提取，提出了一種基于區(qū)域灰度值的圖像分割方法與基于區(qū)域形態(tài)學處理的特征提取方法。實驗表明，系統(tǒng)的檢測效果與傳統(tǒng)的檢測方法相比，具有明顯的優(yōu)越性，為滑動軸承內(nèi)表面檢測提供了新的方法。

滑動軸承；機器視覺；內(nèi)表面；缺陷檢測

0 引言

滑動軸承作為基礎(chǔ)傳動件，在機械行業(yè)使用廣泛且種類繁多?；瑒虞S承生產(chǎn)過程中，由于生產(chǎn)工藝以及生產(chǎn)過程中不確定因素的影響，內(nèi)表面會有劃痕、凹坑、毛刺、剝落等缺陷而成為廢品，出廠前必須將這些廢品識別并剔除，因此對生產(chǎn)的軸承進行質(zhì)量檢查是軸承生產(chǎn)產(chǎn)業(yè)不可缺少的一部分[1-2]。

目前多數(shù)企業(yè)采用人工目測的方法來完成上述工作，人工檢測中工人勞動強度大，受限制工人的精神狀態(tài)、檢測熟練水平、經(jīng)驗積累水平以及工作環(huán)境等方面的影響，檢測的效率低、速度慢、器件的一致性標準難以得到保證，檢測過程中由于工人疲勞，不可避免的產(chǎn)生錯檢、漏檢，不合格產(chǎn)品的流出不僅會給工廠帶來經(jīng)濟損失，而且給用戶帶來安全隱患[3]。隨著現(xiàn)代制造業(yè)的發(fā)展，對滑動軸承的檢測提出了更高的要求，因此如何快速高效并準確的檢測零件表面的缺陷成為制造業(yè)產(chǎn)業(yè)急需解決的問題[4]。

機器視覺技術(shù)在軸承檢測中的應(yīng)用主要集中在軸承的尺寸檢測和表面質(zhì)量檢測[5]?；瑒虞S承由于生產(chǎn)工藝與安裝的需求，存在的縫隙使得檢測方法與傳統(tǒng)的軸承檢測方法大不相同，傳統(tǒng)的軸承檢測選用基于多尺度閾值分割方法對缺陷提取快速進行[6]。本文基于實際工業(yè)需求，提出了一種應(yīng)用于滑動軸承內(nèi)表面缺陷檢測的視覺檢測方案，通過分析采集到計算機的軸承圖像，對軸承內(nèi)表面的劃痕、凹坑、毛刺、剝落等缺陷進行識別并取得了較好的效果。

1 自動檢測系統(tǒng)的構(gòu)成

自動檢測系統(tǒng)由硬件系統(tǒng)設(shè)計和圖像處理分析軟件的設(shè)計兩個部分構(gòu)成。

1.1 自動檢測系統(tǒng)的硬件系統(tǒng)構(gòu)成

硬件系統(tǒng)主要包括工業(yè)相機、鏡頭、光源、計算機和檢測平臺。檢測系統(tǒng)的整體結(jié)構(gòu)如圖1所示。物體在機器視覺系統(tǒng)中的圖像獲取質(zhì)量的好壞，主要取決于光源、圖像攝像機和視場幾何圖形這三個因素[7]。為了能滿足檢測的精度要求和獲得高質(zhì)量的圖像，對于各硬件參數(shù)的選擇尤為重要。

(1)相機和鏡頭。根據(jù)檢測要求以及工況的限制，由缺陷最小值為0.1mm，工件內(nèi)徑25mm，外徑27mm，工位允許范圍為150mm，可知視場大小為40mm×30mm，物距150mm，選用1280×1024的水星MER-130-30UM相機和16mm的FA鏡頭，滿足檢測要求。

(2)光源。為了得到清晰和對比度高的圖片，滿足檢測要求，選用對金屬表面缺陷響應(yīng)明顯的8mm藍色點光源，將點光源正對工件，并選用50mm×50mm的白色面光源放置于工件后方做補光處理，按照實際情況調(diào)整距離，可獲得符合檢測期望的圖像。

(3)計算機。圖像處理軟件的載體，主要完成算法的處理過程以及結(jié)果顯示，并作為終端向后續(xù)的控制系統(tǒng)通訊，為了能夠提高采集和處理速度，選用高性能、高穩(wěn)定性的工控機。

1.工業(yè)相機 2.白色面光源 3.工件 4.藍色點光源 5.V型塊夾具 6.檢測平臺圖1 自動檢測系統(tǒng)硬件結(jié)構(gòu)

1.2 自動檢測系統(tǒng)軟件的設(shè)計

自動檢測系統(tǒng)軟件主要由相機模塊、通信模塊、圖像處理模塊、數(shù)據(jù)存儲模塊組成。相機模塊主要完成對相機SDK的調(diào)用，負責整個系統(tǒng)的圖像采集工作；通信模塊主要基于串口通信與下位機系統(tǒng)進行數(shù)據(jù)交流；圖像處理模塊的算法實現(xiàn)主要基于HALCON編程開發(fā)，負責對采集到的圖像進行分析處理，并將結(jié)果告知通信模塊。

2 自動檢測系統(tǒng)軟件的算法設(shè)計

軟件算法設(shè)計主要包括圖像的前期采集和后續(xù)處理，是自動檢測系統(tǒng)的核心和關(guān)鍵部分。算法流程圖如圖2所示，圖像的前期采集主要是為了獲得高質(zhì)量的圖像，包括對相機基礎(chǔ)參數(shù)的設(shè)置等；圖像的后續(xù)處理包括圖像的預(yù)處理，模板匹配，提取ROI區(qū)域，閾值分割，連通區(qū)域特征分析等步驟。首先對采集到的圖像中的工件進行定位，模板根據(jù)標準圖像制作，定位的結(jié)果可以判斷是否存在工件并能得到存在工件的所在位置，通過仿射變換得到待檢ROI，對縮小定義域的圖像進行預(yù)處理、閾值分割、形態(tài)學處理、連通性分析、特征提取操作獲取特征區(qū)域。該算法可以排除滑動軸承的開口縫處對缺陷分析的干擾，并能很好的對開口縫周邊產(chǎn)生的毛刺和剝落進行處理，內(nèi)表面其他區(qū)域的缺陷也可全部分割出來。

圖2 圖像算法流程圖

2.1 方案原理

2.1.1 模板匹配

軸承件在傳送鏈條上傳輸時，由于機械震動會導致工件在視場中的位置與理想位置有些許偏移，所以在獲取圖像檢測缺陷過程中容易出現(xiàn)誤檢或漏檢現(xiàn)象，所以對后續(xù)的圖像進行處理前需要對圖像進行定位處理。一方面，可以通過判斷工件有無防止發(fā)生誤檢的行為，另一方面，通過定位后獲取的位置信息(X,Y)與模板的位置信息(X0,Y0)可得出仿射變換矩陣，可對檢測ROI進行平移和旋轉(zhuǎn)操作。

模版匹配是實現(xiàn)從待檢測的圖像中尋找目標物體(模板)的過程，是機器視覺在實際應(yīng)用工程中的一個重要環(huán)節(jié)。常見的模板匹配算法有基于灰度值的模板匹配、基于圖像邊緣的模板匹配、基于形狀的模板匹配等。相對于這幾種方法，對于本例來說，基于形狀的模板匹配的穩(wěn)定性和可靠性比較優(yōu)越[8]。

對于光照條件變化的情況，可在相似度量中引入一個指定的閾值來確定模板是否出現(xiàn)在待測圖像中，需要對相似度量定義合適的范圍。下式為適合復(fù)雜光照變化的相似度量s的公式。

在模板搜索過程中，為了得到一個較快的搜索策略，通常采用圖像金字塔進行分層搜索。從金字塔的較高層開始搜索，檢測得到模板的一個大致的位置，然后使用次高層的圖像在大致位置周圍進行更準確的搜索，提高搜索效率。

2.1.2 圖像形態(tài)學處理

在對軸承的毛刺、剝落進行處理的時候，對預(yù)處理后的圖像進行形態(tài)學操作是一種非常有效的方法。圖像的形態(tài)學操作主要包括膨脹和腐蝕兩種，這兩種原始操作是許多形態(tài)學算法的基礎(chǔ)[9]。腐蝕是一種收縮或細化操作，膨脹則是一種增長或粗化圖像中物體的操作。形態(tài)學處理的結(jié)果主要是根據(jù)結(jié)構(gòu)元(SE)的選擇與操作方式的搭配，從而獲得不同的處理效果。

A和B是Z2的集合，用B代表結(jié)構(gòu)元素，對工作空間Z2中的A進行腐蝕定義為：

A?B={z|(B)z?A}

對工作空間Z2中的A進行膨脹定義為：

通過腐蝕和膨脹的配合作用，組合成兩個重要的形態(tài)學操作開操作(先腐蝕后膨脹)和閉操作(先膨脹后腐蝕)。開操作可以斷開較窄的狹隘、平滑物體的輪廓并消除細小的突出物；閉操作會填充較窄的間斷、填補輪廓線中的斷裂并將小的孔洞消除。對于本研究中，這種方法對滑動軸承的開口縫周邊產(chǎn)生的毛刺和剝落進行處理具有很好的效果。

2.2 算法實現(xiàn)

2.2.1 創(chuàng)建模板

在創(chuàng)建模板的過程中，需要采集一張標準的圖像作為模板資源。在創(chuàng)建模板區(qū)域的時候需要注重兩大原則：①選取的邊緣數(shù)量越少越好，越長越好；②無關(guān)干擾邊緣越少越好，關(guān)鍵邊緣越多越好。選取的標準圖像如圖3a所示，在創(chuàng)建模板之前需要對圖像進行初步的預(yù)處理，消除圖像采集過程中產(chǎn)生的噪聲，這里選用通過計算鄰域均值的線性濾波器，主要用于去除圖中的一些細小的噪聲干擾，創(chuàng)建魯棒性高的模板，濾波效果如圖3b所示，可見圖中內(nèi)表面白色的細小干擾被消除[10]。創(chuàng)建模板區(qū)域，圖3c中方框區(qū)域為模板區(qū)域，圓圈處為干擾邊緣，去除后形成可靠的模板區(qū)域。在進行圖像金字塔等級選擇方面可見圖像金字塔三層(圖3d)與圖像金字塔四層(圖3e)，后者邊緣模糊，在確保定位精度和速度的情況下選擇三層圖像金字塔，創(chuàng)建基于形狀的模板模型。

在模板圖像上設(shè)置檢測ROI，如圖3f所示，可以減小圖像中夾具的影響，降低出錯率與檢測時間，獲取ROI的中心位置(RR0,RC0)，并隨動與模板位置。

圖3 模板創(chuàng)建過程

2.2.2 圖像預(yù)處理與定位

由于圖像在獲取過程中，會受到整個系統(tǒng)各種因素的干擾，產(chǎn)生隨機性的圖像噪聲，影響圖像的質(zhì)量，而且會對缺陷的識別產(chǎn)生干擾，影響實驗的結(jié)果，因此在進行后續(xù)的圖像操作之前，要對原始圖像進行去噪處理。這里選用線性均值濾波器進行濾波處理，對圖像進行初步處理。

為了提高系統(tǒng)的邏輯判斷能力，防止在生產(chǎn)線中有產(chǎn)品未放置到夾具上的情況導致系統(tǒng)誤判，這里通過對圖像進行模板匹配中的尋找模板功能來判斷是否存在物體，通過判斷匹配模板點的值是否存在來判斷物體是否已放置在夾具上。若不存在進入下一次采圖，若存在則進行后續(xù)操作。

通過尋找模板獲得匹配到的模板中心坐標(R1,C1,Phi1)，與原始的標準模板中心坐標(R0,C0,Phi0)計算仿射變換矩陣M。

(1)定義初始仿射變換矩陣M0。

(2)將旋轉(zhuǎn)轉(zhuǎn)換添加到二維齊次變換矩陣M0中得到旋轉(zhuǎn)矩陣MR。

(3)將平移轉(zhuǎn)換添加到二維齊次變換矩陣MR中得到包含平移旋轉(zhuǎn)的仿射變換矩陣M。

對檢測ROI根據(jù)仿射變換矩陣M進行仿射變換，獲得變換后的檢測ROI，根據(jù)檢測ROI減小圖像的有效定義域，降低后續(xù)處理的數(shù)據(jù)量，如圖4所示。

圖4 減少定義域的圖像

2.2.3 圖像分割

為了將可能存在缺陷的區(qū)域從背景區(qū)域中分離出來，需要對預(yù)處理后的圖像進行分割。在圖像分割的算法中，閾值處理利用灰度值大小或灰度值特性的差異實現(xiàn)目標與背景分離，是一種直觀、簡單、快捷的圖像分割方法[11]。本文提出的是一種基于全局灰度值的閾值分割方法，根據(jù)檢測ROI可求得所在區(qū)域的灰度均值及方差，根據(jù)區(qū)域的灰度均值作為閾值處理的參考閾值TM，可得下面公式，以剝落殘次品為例通過此方法可得圖5a區(qū)域，對區(qū)域進行連通性分析并對連通區(qū)域按照面積特征進行特征提取，篩選出感興趣的軸承內(nèi)表面區(qū)域(圖5b)。

(a)閾值分割 (b)特征提取圖5 圖像分割

2.2.4 區(qū)域處理

區(qū)域表示圖像中滿足某些特性的任意像素點的集合，區(qū)域處理是指對分割處理所得到的區(qū)域進行進一步的處理以得到缺陷區(qū)域的確切位置，主要運用區(qū)域形態(tài)學處理與區(qū)域運算。對于邊緣處的缺陷對初步分割得到的區(qū)域進行填充處理，排除一些細小雜點的干擾，采用半徑為25像素的圓作為結(jié)構(gòu)元素對區(qū)域進行開操作，圖6為進行形態(tài)學操作后所得區(qū)域。后續(xù)進行區(qū)域差運算，得出邊緣處的差異值。對于內(nèi)部的缺陷需要對填充前后的區(qū)域進行差運算，對輸出的結(jié)果進行整合。

圖6 特征區(qū)域的形態(tài)學運算

2.2.5 特征提取

特征是指在區(qū)域或輪廓中我們所確定的一個或多個特征量，確定特征的過程稱為特征提取，特征提取的準確性和穩(wěn)定性取決于特征量的選擇和檢測算法的設(shè)計。對于軸承的缺陷檢測，選擇區(qū)域面積(Area)與坐標(Row,Col)作為特征篩選的參考值，既能剔除掉一些干擾的噪點，也可以將不在軸承內(nèi)表面的缺陷排除，完成缺陷提取的目的。采用基于區(qū)域特征的分類方法對提取到的缺陷進行進一步細分，根據(jù)對比每種缺陷特征的差異性如區(qū)域的面積、長、寬、輪廓長度、緊度等特性可將提取的缺陷大致分為四類。以剝落缺陷為例，選取寬度、輪廓長度、緊度作為特征量，可取得圖7a所示效果，其他缺陷檢測效果也如下圖所示。

圖7 缺陷檢測效果

2.3 實現(xiàn)結(jié)果與分析

為了驗證算法的嚴謹性與正確性，隨機選擇了100個軸承作為測試對象，采用人工檢測與機器檢測的對比方法得出了表中數(shù)據(jù)，測試結(jié)果如表1所示。

表1 測試結(jié)果數(shù)據(jù)表

表中數(shù)據(jù)存在一個軸承包含多種缺陷的情況，在凹坑的檢測中，人工檢測數(shù)目與真實數(shù)目存在明顯偏差。與機器檢測相比，人工檢測受主觀因素影響的隨機性大，對于凹坑這種微小的缺陷，人工檢測很容易出現(xiàn)誤檢，而機器由于一致性好，對于缺陷的檢測標準統(tǒng)一，從而能夠保持檢測結(jié)果的穩(wěn)定性。實驗結(jié)果表明，機器檢測與人工檢測的綜合準確率相比具有絕對的優(yōu)勢。

3 結(jié)論

滑動軸承作為基礎(chǔ)傳動件廣泛的應(yīng)用于機械行業(yè)，傳統(tǒng)的人工檢測方法不僅對工人的身體有一定的損傷，而且效率和準確率低下。本文設(shè)計了一種基于機器視覺的滑動軸承內(nèi)表面缺陷檢測系統(tǒng)，做了相關(guān)的圖像算法研究，對軸承內(nèi)表面存在的缺陷如劃痕、凹坑等進行檢測識別，與傳統(tǒng)的檢測方法相比，具有明顯的優(yōu)越性，不僅降低了工廠的生產(chǎn)成品，也提高了出廠產(chǎn)品的良品率，為滑動軸承內(nèi)表面檢測提供了新的方法。

[1] 陳龍，侯普華，王進，等. 軸承表面缺陷類型識別算法[J]. 計算機應(yīng)用研究，2015,32(5):1549-1553.

[2] 陶青平，吳錫生. 快速檢測軸承表面缺陷方法的研究[J]. 微電子學與計算機，2011,28(10):98-100.

[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(shù)，2015(11):74-78.

[4] 袁清坷，張振亞，吳暉輝，等. 基于機器視覺系統(tǒng)的自動檢測系統(tǒng)設(shè)計與開發(fā)[J].組合機床與自動化加工技術(shù)，2014(11):100-102.

[5] 陳躍飛，王恒迪，鄧四二. 機器視覺檢測技術(shù)中軸承的定位算法[J].軸承，2010(4): 54-56.

[6] 徐琛，溫振市，毛亞文,等. 軸承表面缺陷檢測系統(tǒng)的研究與開發(fā)[J]. 計算機應(yīng)用與軟件，2013(10):116-119.

[7] 張巧芬，高健. 機器視覺中照明技術(shù)的研究進展[J]. 照明工程學報，2011，22(2):31-37.

[8] Steger C, Ulrich M, Wiedemann C. Machine Vision Algorithms and Applications[M]. Wiley-VCH, 2007.

[9] Rafael C Gonzalez, Richard E Woods.岡薩雷斯數(shù)字圖像處理[M].阮秋琦，阮宇智，譯.北京:電子工業(yè)出版社，2010.

[10] Rakshit S, Ghosh A, Shankar B U. Fast mean filtering technique [J]. Pattern Recognition, 2007, 40(3):890-897.

[11] Aminzadeh M, Kurfess T. Automatic thresholding for defect detection by background histogram mode extents[J]. Journal of Manufacturing Systems, 2015, 37:83-92.

(編輯 李秀敏)

Design of Detection System for Slide Bearing Defects Based on Machine Vision

CHEN Qi， RUAN Hong-yan

(School of Mechanical Engineering, Jiangsu University, Zhenjiang Jiangsu 212000,China)

For bearings production process in the slow speed, low levels of automation and accuracy problems is presented bearing inner surface defects based on machine vision detecting system design, realized the auto-detection of the bearing body. Firstly, a testing platform is designed for obtaining images of bearing inner surface; By template matching algorithm based on shape matches the image after preprocessing to achieve rapid positioning of the objects with the defective area; In order to realize the defect extraction, this paper proposes a image segmentation method based on region grey value and feature extraction method based on morphological processing area. Experiments show that performance compared with the traditional method of the system has obvious advantages, provided a new method for slide bearing inner surface defects detection.

slide bearing; machine vision; inner surface; defects detection

1001-2265(2017)05-0092-04

10.13462/j.cnki.mmtamt.2017.05.024

2016-08-06；

2016-09-19

陳琦(1992—)，男，江蘇徐州人，江蘇大學碩士研究生，研究方向為機器視覺技術(shù)，(E-mail)chen89158515@163.com；通訊作者：阮鴻雁(1961—)，男，江蘇鎮(zhèn)江人，江蘇大學教授，碩士研究生導師，研究方向為機電一體化及工業(yè)控制技術(shù)，(E-mail) hyruan@126.com。

TH164;TG506

A