吳文強(qiáng)雷良育，2胡永偉劉國(guó)輝張琪

（1.浙江農(nóng)林大學(xué)；2.浙江兆豐機(jī)電股份有限公司）

目前，第3代輪轂軸承單元在汽車(chē)行業(yè)廣泛使用[1]。在輪轂軸承單元裝配過(guò)程中，由于機(jī)器設(shè)備和人為因素，易造成滾動(dòng)體缺失的質(zhì)量問(wèn)題。國(guó)內(nèi)各廠家主要采取人工對(duì)滾動(dòng)體進(jìn)行檢測(cè)，但人為檢測(cè)不容易控制，容易出現(xiàn)漏檢和錯(cuò)檢的情況，這將影響輪轂軸承單元的合格率。目前國(guó)內(nèi)外學(xué)者對(duì)機(jī)器視覺(jué)的研究，推進(jìn)了軸承在線檢測(cè)發(fā)展，文獻(xiàn)[2]對(duì)雙列深溝球軸承滾動(dòng)體缺失檢測(cè)進(jìn)行了研究；文獻(xiàn)[3]對(duì)深溝球軸承滾動(dòng)體遺漏進(jìn)行了研究；文獻(xiàn)[4]對(duì)滑動(dòng)軸承缺陷檢測(cè)系統(tǒng)進(jìn)行了研究；文獻(xiàn)[5]提出了人工智能等多種用于滾動(dòng)軸承缺陷檢測(cè)的信號(hào)處理方法；文獻(xiàn) [6]通過(guò)對(duì)基線、距離TFR、脊線檢測(cè)及選擇匹配脊4個(gè)階段的分析來(lái)實(shí)現(xiàn)軸承檢測(cè)的目的。文章對(duì)第3代輪轂軸承單元滾動(dòng)體缺失進(jìn)行研究，通過(guò)圖像處理技術(shù)、MATLAB軟件及斑點(diǎn)識(shí)別程序來(lái)實(shí)現(xiàn)檢測(cè)的目的，有望為汽車(chē)輪轂軸承單元在線視覺(jué)檢測(cè)提供理論基礎(chǔ)和實(shí)踐指導(dǎo)。

1　檢測(cè)系統(tǒng)的構(gòu)成

1.1　檢測(cè)對(duì)象

第3代輪轂軸承單元為雙列軸承，在裝配工藝中，芯軸和滾動(dòng)體裝配會(huì)出現(xiàn)滾動(dòng)體缺失的情況，實(shí)物圖，如圖1所示。

圖1　輪轂軸承實(shí)物圖

1.2　檢測(cè)系統(tǒng)的硬件組成

檢測(cè)系統(tǒng)硬件組成主要包括相機(jī)、上下料機(jī)構(gòu)、光源、上位機(jī)及剔除機(jī)構(gòu)。檢測(cè)系統(tǒng)的檢測(cè)流程為：輪轂軸承通過(guò)上料結(jié)構(gòu)被送至傳送帶上，接近開(kāi)關(guān)確定輪轂軸承到達(dá)檢測(cè)位置，相機(jī)拍照后，按照預(yù)先設(shè)定的程序?qū)D像進(jìn)行分析。如果合格，輪轂軸承由下料機(jī)構(gòu)送至下一工序；如果不合格，輪轂軸承被剔除機(jī)構(gòu)剔除。

光源的選擇：選擇合理的光源方案，對(duì)圖像的質(zhì)量有很大的影響。因?yàn)閳D像質(zhì)量好，計(jì)算機(jī)可以提取到好的特征區(qū)域，并且處理速度可以更迅速。光源的照明方式主要有同軸光源、背光光源以及同軸和背光光源3種。由于文章的軸承不適合背光光源，因此選擇同軸光源進(jìn)行正面照射。同時(shí)，為了讓輪轂軸承在檢測(cè)時(shí)減少外界光線干擾，本系統(tǒng)選擇了環(huán)形紅色光源，如圖2所示。相機(jī)采用型號(hào)為A5131MG75的工業(yè)相機(jī)，鏡頭采用型號(hào)為M2514-MP2的工業(yè)鏡頭。

圖2　環(huán)形紅色光源圖

2　圖像處理技術(shù)

2.1　算法設(shè)計(jì)

圖像采集后還需要進(jìn)行圖像處理，本研究的基本方法是通過(guò)Hough變化來(lái)檢測(cè)圓，快速確定圓心的位置，從而通過(guò)輪轂軸承的尺寸提取特征區(qū)域，再對(duì)特征區(qū)域進(jìn)行二值化處理，最后通過(guò)上位機(jī)計(jì)數(shù)程序進(jìn)行滾子數(shù)目缺失的確定。但是，需檢測(cè)的輪轂軸承（見(jiàn)圖3）在圖像中存在的圓的數(shù)量很多，直接進(jìn)行Hough變換會(huì)浪費(fèi)很長(zhǎng)時(shí)間，這不符合生產(chǎn)線的生產(chǎn)需要，因此需對(duì)該圖像進(jìn)行處理，其流程，如圖4所示。

圖3　輪轂軸承圖像采集圖

圖4　輪轂軸承圖像處理流程圖

從圖4可以看出，圖像處理主要分為三部分：1）圖像分割：軸承圖像中內(nèi)部黑色區(qū)域灰度值存在連續(xù)性，并且和外部區(qū)域的灰度存在明顯差異，因此，可以使用區(qū)域生長(zhǎng)法進(jìn)行圖像分割處理獲得內(nèi)部的二值圖。同時(shí)，區(qū)域生長(zhǎng)法首先需要1個(gè)生長(zhǎng)母點(diǎn)，先進(jìn)行圓心初步確定來(lái)充當(dāng)母點(diǎn)。2）特征提?。篐ough變換對(duì)二值圖進(jìn)行圓心檢測(cè)，求得圓心坐標(biāo)并進(jìn)行標(biāo)定，同時(shí)根據(jù)軸承的尺寸，標(biāo)定出圓環(huán)區(qū)域。3）檢測(cè)確定：將圓環(huán)進(jìn)行圖像二值化處理，通過(guò)上位機(jī)計(jì)數(shù)程序?qū)A環(huán)二值圖進(jìn)行訓(xùn)練，從而確定滾子數(shù)目。

2.2　算法驗(yàn)證

2.2.1圓心的初步確定

通過(guò)幾何特征法來(lái)快速判斷軸承圖像圓心的大概位置。軸承圖的灰度值呈現(xiàn)一定的變化，在分辨率為255時(shí)，黑色灰度值為0，白色灰度值為255，軸承圖像就是這樣一系列的灰度值組成的?，F(xiàn)在將圖3導(dǎo)入MATLAB進(jìn)行處理，把圖像的每一行和列的所有灰度值相加，最后畫(huà)出這個(gè)灰度變化，如圖5和圖6所示。在圖5和圖6中，橫坐標(biāo)分別表示圖像每一行和每一列對(duì)應(yīng)的坐標(biāo)值，因此可以找到2幅圖中灰度值最小時(shí)，分別對(duì)應(yīng)的橫坐標(biāo)和縱坐標(biāo)的值。因此，圓心大概就在（700，480）附近，從而確定了母點(diǎn)。

圖5　圖像橫坐標(biāo)所有灰度值相加結(jié)果

圖6　圖像縱坐標(biāo)所有灰度值相加結(jié)果

2.2.2區(qū)域生長(zhǎng)法確定輪廓

區(qū)域生長(zhǎng)是一種串行區(qū)域分割的圖像分割方法，其優(yōu)點(diǎn)是基本思想相對(duì)簡(jiǎn)單，通常能將具有相同特征的聯(lián)通區(qū)域分割出來(lái)[7]，并能提供很好的邊界信息和分割結(jié)果。

區(qū)域生長(zhǎng)法示意圖，如圖7所示，簡(jiǎn)單的說(shuō)，選擇點(diǎn)1作為母點(diǎn)，點(diǎn)1四周選擇點(diǎn)2～5。設(shè)置一個(gè)閾值進(jìn)行生長(zhǎng)，判斷母點(diǎn)1和領(lǐng)域4點(diǎn)的灰度差與閾值的關(guān)系，如果灰度差小于閾值，則認(rèn)為這個(gè)區(qū)域是一體的，將這些點(diǎn)同化成新的原點(diǎn)，新的原點(diǎn)重新選擇領(lǐng)域4點(diǎn)并重新進(jìn)行生長(zhǎng)，重復(fù)上述過(guò)程，直到灰度差十分明顯時(shí)，停止生長(zhǎng)。從圖3可以看出內(nèi)圓基本都是黑色的，內(nèi)外圓的差別明顯，區(qū)域生長(zhǎng)法檢測(cè)輪轂軸承單元內(nèi)圓是可行的。因此，對(duì)于這一副軸承灰度圖，已經(jīng)知道了圓心大概位置，那么把這個(gè)點(diǎn)當(dāng)做母點(diǎn)進(jìn)行區(qū)域生長(zhǎng)。設(shè)置閾值為25，得到內(nèi)圓的輪廓二值圖，如圖8所示。

圖7　區(qū)域生長(zhǎng)法示意圖

圖8　內(nèi)圓的輪廓二值圖

2.2.3Hough變換

Hough變換是利用圖像全局特性將邊緣像素連接起來(lái)組成區(qū)域封閉邊界的一種方法，可以應(yīng)用于圓的檢測(cè)，它的基本思想是將圖像空間中的檢測(cè)問(wèn)題轉(zhuǎn)換到參數(shù)空間[8]，再進(jìn)行簡(jiǎn)單的累加統(tǒng)計(jì)完成檢測(cè)任務(wù)，因而對(duì)于有噪聲干擾的圖像，Hough變換具有很好的容錯(cuò)性和魯棒性。利用梯度信息和式（1）對(duì)圖8進(jìn)行檢測(cè)。

式中：x1，y1——圖像某個(gè)邊緣點(diǎn)的坐標(biāo)；

r——半徑參數(shù)；

φ——邊緣點(diǎn)（x，y）的梯度方向角（即對(duì)應(yīng)的參數(shù)空間坐標(biāo)）。

檢測(cè)時(shí)，已知r的變換范圍及單位增量步長(zhǎng)（Δr），然后由 2個(gè)二維累加器數(shù)組{x1'，r}和{y1'，r}進(jìn)行統(tǒng)計(jì)，根據(jù)它們的峰值確定圓參數(shù)c={x1'，y1'，r}（即尋找最大值，求得圓心坐標(biāo)和半徑），最后根據(jù)得到的圓心坐標(biāo)和軸承尺寸參數(shù)進(jìn)行標(biāo)定，可以得到如圖9所示的圓心標(biāo)定圖。圓環(huán)提取是根據(jù)不同半徑的2個(gè)圓進(jìn)行相減得到，如圖10所示。

圖9　輪轂軸承圓心標(biāo)定圖

圖10　輪轂軸承圓環(huán)提取圖

2.2.4圓環(huán)二值化

得到良好的特征圖像后，為了提取其中的信息，需要進(jìn)行二值化處理。圖像的灰度是黑色灰度值為0，白色灰度值為255，設(shè)f（x，y）為圓環(huán)中每個(gè)像素點(diǎn)的灰度值，g（x，y）為二值化處理后每個(gè)像素點(diǎn)的灰度值，閾值設(shè)為T(mén)，計(jì)算公式，如式（2）所示。

T選用大津法進(jìn)行計(jì)算，是一種基于全局的二值化算法，它是根據(jù)圖像的灰度特性，將圖像分為前景和背景兩部分。當(dāng)取最佳閾值時(shí)，兩部分之間的差別應(yīng)該是最大的，在OTSU算法中所采用的衡量差別的標(biāo)準(zhǔn)就是較為常見(jiàn)的最大類(lèi)間方差[9]。

設(shè)前景點(diǎn)數(shù)占圖像比例為w1，平均灰度為u1；背景點(diǎn)數(shù)占圖像比例為w2，平均灰度為u2，圖像的總平均灰度為u，前景和背景圖象的方差為g，則有：

當(dāng)g有最大值時(shí)，此時(shí)對(duì)應(yīng)的T為最佳值，可以得到二值化的圖像，如圖11所示。從圖11可以看到滾子與周?chē)鷪D像特征非常明顯。

圖11　輪轂軸承二值化結(jié)果圖

2.2.5缺失數(shù)目的確定

通過(guò)上述的處理，圓環(huán)部分的滾子特點(diǎn)已經(jīng)非常明顯，將標(biāo)準(zhǔn)件按上述步驟操作，然后設(shè)定單個(gè)滾子的面積范圍，進(jìn)行訓(xùn)練之后，通過(guò)檢測(cè)滾子的斑點(diǎn)數(shù)來(lái)確定滾子的數(shù)目。軸承滾子數(shù)目的確定需要先選擇標(biāo)準(zhǔn)件進(jìn)行處理來(lái)當(dāng)作樣本，可以得到圖12的結(jié)果。

圖12　輪轂軸承訓(xùn)練后的結(jié)果圖

3　試驗(yàn)驗(yàn)證

根據(jù)上述的檢測(cè)方法，結(jié)合車(chē)間現(xiàn)場(chǎng)的實(shí)際情況，構(gòu)建了如圖13所示的試驗(yàn)平臺(tái)，對(duì)輪轂軸承單元的圖像進(jìn)行采集。

圖13　輪轂軸承檢測(cè)平臺(tái)

快速準(zhǔn)確性是實(shí)際生產(chǎn)中的重要要求，也是評(píng)價(jià)該機(jī)器視覺(jué)系統(tǒng)的指標(biāo)之一。在現(xiàn)場(chǎng)抽取10個(gè)樣本在試驗(yàn)平臺(tái)上進(jìn)行檢測(cè)，對(duì)檢測(cè)到的滾動(dòng)體數(shù)量和檢測(cè)時(shí)間進(jìn)行記錄，具體結(jié)果，如表1所示。從表1可以看出，檢測(cè)的時(shí)間都集中在12 s左右，符合生產(chǎn)節(jié)拍的要求。

表1　測(cè)試滾動(dòng)體數(shù)目與時(shí)間s

穩(wěn)定性也必須進(jìn)行驗(yàn)證，考慮現(xiàn)場(chǎng)生產(chǎn)復(fù)雜的情況，文章設(shè)計(jì)的檢驗(yàn)方法為：在相同的測(cè)試條件下，抽取了80個(gè)完好軸承和50個(gè)缺失軸承放到試驗(yàn)平臺(tái)上進(jìn)行檢測(cè)，檢測(cè)結(jié)果，如表2所示。從表2可以看出，該機(jī)器視覺(jué)系統(tǒng)能夠穩(wěn)定進(jìn)行工作，符合生產(chǎn)要求。

表2　輪轂軸承抽樣檢測(cè)樣品與結(jié)果

4　結(jié)語(yǔ)

針對(duì)第3代輪轂軸承單元在生產(chǎn)中出現(xiàn)滾子缺失的情況，根據(jù)輪轂軸承的特點(diǎn)，選擇合適的光源、相機(jī)及鏡頭組成檢測(cè)平臺(tái)。應(yīng)用文章提出的視覺(jué)檢測(cè)算法，通過(guò)幾何特征和區(qū)域生長(zhǎng)法快速獲得內(nèi)圓的二值圖；進(jìn)行Hough變換后，能夠快速地實(shí)現(xiàn)缺失數(shù)目的檢測(cè)。通過(guò)試驗(yàn)驗(yàn)證其快速性和穩(wěn)定性，完成1次檢測(cè)時(shí)間集中在12 s左右；抽取了80個(gè)完好軸承和50個(gè)缺失軸承進(jìn)行檢測(cè)，識(shí)別率分別為92.5%和92%，滿足第3代輪轂軸承的生產(chǎn)要求。