袁冬冬， 應(yīng) 俊， 解利軍， 周迪斌

1(杭州師范大學(xué) 杭州國際服務(wù)工程學(xué)院， 杭州 311121)

2(易博工控表業(yè)(杭州)有限公司， 杭州 311305)

3(浙江大學(xué) 航空航天學(xué)院， 杭州 310027)

引言

在機(jī)械行業(yè)中， 軸承是連接不同機(jī)器的重要部件.軸承在裝配過程中容易出現(xiàn)質(zhì)量缺陷導(dǎo)致不合格， 出廠前必須將這些不合格產(chǎn)品識別并剔除， 傳統(tǒng)檢測方法成本高、效率低， 目前基于機(jī)器視覺檢測技術(shù)逐漸取代傳統(tǒng)人工檢測， 廣泛應(yīng)用于工業(yè)檢測中[1]. 在軸承裝配過程中， 軸承的尺寸檢測和表面質(zhì)量檢測作為機(jī)器視覺檢測技術(shù)研究的重點(diǎn)[2]. 軸承的表面缺陷種類多且算法識別難度大， 檢測方法還不夠成熟， 仍需進(jìn)一步的研究[3]. 軸承在生產(chǎn)過程中容易出現(xiàn)漏裝防塵蓋或者防塵蓋損壞的情況， 防塵蓋的缺失導(dǎo)致外部雜質(zhì)的進(jìn)入， 加快軸承磨損， 對軸承的壽命影響很大， 甚至可能牽涉到整個作業(yè)鏈. 因此對生產(chǎn)的軸承進(jìn)行質(zhì)量檢查是軸承生產(chǎn)產(chǎn)業(yè)不可缺少的一部分[4]. 本文基于工業(yè)檢測需求， 主要針對軸承表面質(zhì)量檢測中的防塵蓋缺失進(jìn)行了研究. 在基于機(jī)器視覺檢測技術(shù)的基礎(chǔ)上， 完成了圖像處理算法模塊設(shè)計， 實(shí)現(xiàn)了軸承防塵蓋的快速、準(zhǔn)確檢測.

1 算法框架

軸承防塵蓋的檢測需要經(jīng)歷圖像采集與預(yù)處理、圓檢測、ROI區(qū)域提取、ROI區(qū)域二值化、形態(tài)學(xué)操作、連通區(qū)域特征分析、量化處理與判斷等步驟. 圖1顯示的是算法框架.

圖1 檢測算法流程

1.1 圖像采集和預(yù)處理

圖像處理前必定進(jìn)行圖像采集. 圖像采集是將圖像將傳感器檢測到的圖像信息傳輸?shù)接嬎銠C(jī)的過程[5].一般選擇工業(yè)相機(jī)如COMS和CCD進(jìn)行圖像采集，選擇背光源. 在工業(yè)現(xiàn)場， 由于受到周圍環(huán)境的影響，圖像會產(chǎn)生噪音、高光等， 所以必須進(jìn)行降噪處理， 便于圖像后續(xù)處理和識別， 方便特征提取. 常用的降噪方法有中值濾波、均值濾波、高斯濾波等[6]. 在去噪的同時， 中值濾波會因小缺陷出現(xiàn)漏檢， 如劃痕和麻點(diǎn). 均值濾波破壞了圖像的細(xì)節(jié)， 從而模糊了圖像. 為使圖像更加逼真地復(fù)現(xiàn)被檢軸承， 采用高斯濾波消除噪聲干擾. 在空間域和頻率域中， 由于高斯噪聲在數(shù)學(xué)上的易處理性， 故實(shí)踐中常用這種噪聲模型. 以至于高斯模型常常應(yīng)用于在一定程度上導(dǎo)致最好結(jié)果的場合. 選取無蓋處理結(jié)果如圖2所示.

圖2 濾波效果對比

1.2 軸承防塵蓋區(qū)域檢測和提取

軸承防塵蓋區(qū)域可以設(shè)置為ROI (感興趣的區(qū)域).后續(xù)的圖像處理和分析只需要針對ROI進(jìn)行， 這可以有效提高檢測的速度和準(zhǔn)確性[7]. 為了提取ROI， 我們需要檢測內(nèi)外環(huán)并提取ROI. 這涉及到圓形邊緣檢測.軸承中心位置的確定和環(huán)半徑的計算是防塵蓋提取的基礎(chǔ). 常用的圓擬合方法有最小二乘法和霍夫變換法.霍夫變換法可以很好地擬合不完整的圓. 通常需要半徑長度(工業(yè)軸承的半徑長度確定). 本文的軸承輪廓基本沒有缺陷. 原則上可采用兩種方法， 但最小二乘法可用于計算高精度的圓心和半徑[8]. 并且運(yùn)算速度快，最小二乘法更適合圓擬合. 將提取ROI區(qū)域劃分為兩個步驟: 第一步， 使用最小二乘法擬合軸承中心位置和外圓半徑. 第二步， 根據(jù)軸承參數(shù)中的防塵蓋內(nèi)外徑占軸承外圓半徑的比例， 提取出防塵蓋區(qū)域. 如圖3所示.

圖3 防塵蓋區(qū)域提取

最小二乘法通過最小化誤差的平方和找到擬合參數(shù)的最佳函數(shù)匹配[9]. 設(shè)點(diǎn)集 (Xi,Yi),(i=1,2,···,n)， 中點(diǎn)到圓心的距離為， 最小二乘法擬合圓曲線:

=(Xi-A)2+(Yi-B)2， 點(diǎn) (，)到圓邊緣的距離的平方與和半徑平方的差為:

解這個方程組， 得:

1.3 區(qū)域二值化

二值化就是將圖像看成不同灰度級區(qū)域(目標(biāo)和背景)的混合， 通過各種計算方法比如自適應(yīng)閾值法、迭代法、Otsu法等[10]選出合適的灰度值閥值， 實(shí)現(xiàn)圖像分割. 比如設(shè)g(x,y)為二維圖像點(diǎn)的坐標(biāo)，f(x,y)為圖像各點(diǎn)的灰度值，t為設(shè)定的閾值， 則二值化后的圖像g(x,y)可表示為:

由此可見， 確定最佳閾值t是二值化的關(guān)鍵， 通過大量測試， 對比三種方法結(jié)果(圖4)， 決定采用Otsu法自適應(yīng)閾值算法. Otsu法是一種圖像灰度自適應(yīng)的閾值分割算法， 由日本學(xué)者大津于1979年提出. 該方法通過計算不同閾值對應(yīng)的類間方差， 當(dāng)類間方差最大時即為分割圖像的最佳閾值.

圖4 閥值分割算法對比

假設(shè)閥值T(k)=k,0＜k＜L-1， 并假設(shè)由灰度值在區(qū)間內(nèi)的所有像素組成和由灰度值在區(qū)間[k-1,L-1]內(nèi)的所有像素組成， 像素被分到類中的概率像素被分到類中的概率

整個圖像的平均灰度值為:

類間方差改寫為:

該方法完全基于圖像直方圖的計算， 直方圖是一個非常簡單的一維陣列. 當(dāng)軸承圖像進(jìn)行二值化時， 發(fā)現(xiàn)大多數(shù)圖像只包含了大約一半的灰度， 即在某個灰度上的像素個數(shù)為零. 因此， 可以大大降低Otsu法的方差計算， 減少程序的運(yùn)行時間.

1.4 形態(tài)學(xué)操作

形態(tài)學(xué)方法應(yīng)用到數(shù)字圖像中能夠改善圖像中存在的一些問題比如: 消除圖像中小黑斑、填補(bǔ)區(qū)域內(nèi)部的孔洞、消除或合并不連續(xù)的邊緣、消除高亮造成的噪聲等. 為了除去圖像中孤立的小點(diǎn)、毛刺. 決定用開運(yùn)算(先腐蝕后膨脹)處理: 腐蝕是指刪除圖像中對象的邊緣， 而膨脹是指將像素加到圖像中對象的邊緣.(處理前后如圖5).

1.5 特征提取與分析

經(jīng)過二值化和形態(tài)學(xué)操作， 圖像包含了目標(biāo)區(qū)域和噪聲， 其中表示第i個連通區(qū)域， 其中灰度值一致， 8個相鄰像素判斷為相同區(qū)域. 一般情況下， 滾珠的檢測面積較大， 噪聲和無滾珠的檢測面積較小. 進(jìn)一步分析表明， 無珠區(qū)相對圓度噪聲區(qū)較小， 基于上述分析， 綜合考慮了連通區(qū)域的面積和圓度特征， 我們可以分析和提取連通區(qū)域的特征， 并為后續(xù)的量化處理做準(zhǔn)備.

1.6 量化與判斷

通過對連通區(qū)域特征的分析， 通過面積大小和連通區(qū)域判斷軸承防塵蓋是否合格. 考慮到噪聲的干擾，連通區(qū)域超過一定大小的面積才算是連通區(qū)域. 設(shè)軸承防塵蓋圖像中連通區(qū)域的數(shù)量記為， 若C≥2， 則認(rèn)為是防塵蓋不合格. 基于對相機(jī)的分辨率和處理的圖像分析， 發(fā)現(xiàn)對應(yīng)的圖像設(shè)為個像素， 所以小于個像素的區(qū)域不被認(rèn)為是連通區(qū)域， 作為噪聲干擾. 軸承缺失防塵蓋的判別: ① 統(tǒng)計面積大于個像素的連通區(qū)域數(shù)， 設(shè)定為. ② 若， 則認(rèn)為是防塵蓋不合格.否則為有防塵蓋合格.

2 結(jié)果分析

為了檢測算法的穩(wěn)定性， 對采集到的300幅軸承進(jìn)行檢測， 其中有防塵蓋的合格軸承100幅， 無防塵蓋的不合格軸承100幅， 防塵蓋損壞的不合格軸承100幅. 算法檢測結(jié)果如表1.

分析結(jié)果表明， 圖像采集過程中受圖像質(zhì)量影響導(dǎo)致連通區(qū)域面積處于臨界值是導(dǎo)致誤檢、漏檢現(xiàn)象的主要原因， 針對上述情況， 有必要對圖像的光照進(jìn)行補(bǔ)償. 傳統(tǒng)的照明補(bǔ)償方法包括直方圖均衡化、Gamma校正和自適應(yīng)光線補(bǔ)償. 對比后發(fā)現(xiàn)， 直方圖均衡化后圖像失真， 部分細(xì)節(jié)模糊或丟失. 經(jīng)過Gamma校正后，圖像要么變暗， 要么整體發(fā)亮， 它不能將圖像中突出區(qū)域和陰影區(qū)域的合理劃分. 自適應(yīng)光線補(bǔ)償后， 壓縮圖像亮度范圍兩端的區(qū)域， 使黑暗圖像補(bǔ)償亮度， 增強(qiáng)變換后圖像的對比度， 提高視覺效果. 經(jīng)過改進(jìn)后， 使檢測準(zhǔn)確率達(dá)到100%， 該算法檢測時間不超過40 ms， 能夠?qū)崟r地檢測結(jié)果， 具有很高的魯棒性， 符合工業(yè)生產(chǎn)的檢測需要.

軸承防塵蓋缺失檢測與軸承套端面缺陷檢測屬于同類檢測， 都是對ROI區(qū)域提取， 然后進(jìn)行閾值分割，最后對提取的連通域特征進(jìn)行分析和判斷， 軸承端面缺陷檢測結(jié)果如表2所示[11]， 對比發(fā)現(xiàn)本算法檢測準(zhǔn)確率得到顯著提高， 完全滿足工業(yè)實(shí)時性高要求.

3 結(jié)語

目前軸承檢測技術(shù)逐步向非接觸檢測、數(shù)字化檢測、在線檢測等方向發(fā)展， 通過引入先進(jìn)計算機(jī)視覺和檢測技術(shù)， 使機(jī)器視覺和工業(yè)系統(tǒng)高度融合. 快速提高生產(chǎn)效率， 推動傳統(tǒng)制造業(yè)實(shí)現(xiàn)產(chǎn)業(yè)轉(zhuǎn)型升級. 本文提出一種基于機(jī)器視覺技術(shù)對軸承防塵蓋的測量算法進(jìn)行了研究， 文中采用的測量算法檢測準(zhǔn)確度高， 穩(wěn)定性好， 算法采用最小二乘法進(jìn)行圓擬合圓檢測能準(zhǔn)確快速地提取防塵蓋區(qū)域， 能為后面的處理降低了搜索范圍， 且保證了精度， 相應(yīng)提高了效率， 安全而且可靠.實(shí)驗(yàn)結(jié)果表明: 該算法能夠?qū)崟r和準(zhǔn)確的檢測軸承防塵蓋是否合格， 能夠滿足工業(yè)檢測的要求.