鄧耀力

（浙江科技學院機械與能源工程學院，浙江 杭州 310023）

輪轂軸承在加工過程中存在各種不確定因素，軸承內(nèi)端面可能存在凹坑、劃痕、緞面廢料、大小邊緣等缺陷。因此，存在這些缺陷的軸承套，在進入下一道工序前必須剔除掉。目前，大多數(shù)軸承制造商都采用人工檢測和識別，不僅識別效率低，在檢測中更容易受到人為因素的影響，進而影響產(chǎn)品質(zhì)量的穩(wěn)定性。機器視覺技術(shù)以其靈活、高效的特點在工業(yè)生產(chǎn)中得到了日益廣泛的應(yīng)用。為此，本文基于實際工業(yè)需求，提出了一種用于輪轂軸承表面缺陷檢測的視覺檢測方法，通過對采集到輪轂軸承缺陷圖像進行降噪、粗定位、缺陷提取等處理，可對軸承曲面上的劃痕、凹坑、毛刺、剝落等缺陷進行快速識別，并可定量評價缺陷的大小、面積等。

1 視覺檢測系統(tǒng)組成

本文采用的視覺檢測系統(tǒng)圖像采集系統(tǒng)和圖像處理分析系統(tǒng)兩部分構(gòu)成。圖像采集系統(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)的總體結(jié)構(gòu)如圖1 所示。為了滿足檢測精度要求，獲得高質(zhì)量的圖像，對于各硬件的參數(shù)選擇尤為重要。

圖1 視覺檢測系統(tǒng)組成圖

（1）相機。使用實驗室購買的2048×1536 分辨率，300 萬像素的CCD 工業(yè)相機。光學鏡頭是帶有上述工業(yè)相機的8mm 聚焦鏡頭，具有適當?shù)姆糯舐屎臀锞嘁蟆?/p>

（2）光源。為了減少光對圖像質(zhì)量的不利影響，得到對比度高和清晰的圖片，以方便后期處理，光源須滿足高穩(wěn)定性，良好均勻性和強亮度的要求。由于輪轂軸承表面的金屬材料具有反射特性，在環(huán)形光、帶狀光和表面光中容易出現(xiàn)光照和陰影不均勻的缺陷，同軸光源的高密度LED 布置可大大提高亮度，提高照明穩(wěn)定性。適用于金屬及其它反射式工件表面檢測。反復實驗后，選擇淺藍色同軸光源作為系統(tǒng)的光源?？紤]到在同軸光照下軸承表面為灰白色，為了增加背景與前景的對比度，選擇純黑板表面作為背景。

（3）計算機。圖像處理軟件的載體主要完成算法的處理和結(jié)果的顯示，并作為終端向后續(xù)的控制系統(tǒng)通訊，這里采用實驗室普通臺式計算機。

（4）視覺檢測系統(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 二次開發(fā)包的調(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)，負責對收集到的圖像進行分析和處理，并將結(jié)果傳輸至通信模塊。

2 輪轂軸承端面缺陷識別

論文運用上述視覺檢測系統(tǒng)對某型車輛輪轂軸承端面缺陷進行了識別，為保證識別精確性的前提下，盡可能縮短軟件處理時間，將缺陷識別流程設(shè)為圖像采集、預(yù)處理、二值化、邊緣提取、缺陷區(qū)域識別、缺陷特征參數(shù)計算等幾個環(huán)節(jié)，具體識別流程如圖2 所示。

待處理輪轂軸承如圖3 所示，其中缺陷區(qū)域位于軸承端面，呈不規(guī)則狀。

圖2 識別流程圖

圖3 輪轂軸承原圖

2.1 圖像采集與預(yù)處理

圖像采集是將圖像傳感器檢測到的圖像傳輸?shù)接嬎銠C的過程。在生成，傳輸和記錄期間，圖像常受到各種噪聲的影響。其中，主要的噪聲是椒鹽噪聲和高斯噪聲，為了消除圖像中的噪聲，突出相關(guān)區(qū)域特征，有必要對圖像進行預(yù)處理。

首先對圖像進行濾波處理。常用的空間濾波方法有線性空間濾波方法和非線性空間濾波方法，兩者典型的濾波方法分別是均值濾波法和中值濾波法。

對某型輪轂軸承端面采用的圖像分別用中值濾波法和均值濾波法進行了降噪處理，降噪前后的圖像如圖4 所示，由圖4（b）和4（c）為見均值濾波之后使圖片變模糊的缺點。因此，采用中值濾波方法對圖像進行濾波。

圖4 圖像濾波效果對比

2.2 圖像二值化

常用的圖像二值化方法有局部閾值法和全局閾值法。全局閾值方法分為自動閾值方法和手動閾值方法。由于局部閾值法計算量大，同時為了提高圖像檢測的可控性，本文采用了基于最大類間方差法的全局自動閾值方法。

式中0 ＜K ＜L-1，整幅圖像的均值X 為：

目標函數(shù)為：

最大類間方差法選擇滿足G(K)最大時的K 值作為分割閾值。上述濾波后圖像采用本方法的分割結(jié)果如圖5 所示，從圖中可以看出，基于最大方差閾值分割方法的二值圖像能夠清晰地顯示待提取產(chǎn)品的缺陷區(qū)域，便于進一步處理。

圖5 圖像二值化

2.3 軸承端面區(qū)域分離

如圖5 所示，缺陷區(qū)域為綠色環(huán)形區(qū)。內(nèi)環(huán)和外環(huán)是同心環(huán)。因此，用以下步驟將該地區(qū)分開：

（1）利用形態(tài)學中的輪廓跟蹤方法提取軸承內(nèi)圓如圖6(a)所示，圖像的黑色背景給輪廓跟蹤帶來了極大的便利。

（2）利用圓擬合方法得到完整圓環(huán)，擬合結(jié)果如圖6（b）所示。

（3）根據(jù)霍夫變換分離出缺陷圓環(huán)并截取此區(qū)域，如圖6（c）。

圖6

常用的圓擬合方法包括最小二乘法和霍夫變換。最小二乘法精度高，運算速度快?；舴蜃儞Q對于不完整的圓也能較好擬合，但需要半徑長度的先驗知識，因此，更適合通過使用最小二乘法來選擇圓擬合。

最小二乘法是通過最小化誤差平方和以找到擬合函數(shù)的最佳參數(shù)匹配：設(shè)圓的方程為，點集是圖中圓上的點。設(shè)圓心為，半徑為r。圓上各點到圓心的距離的平方為降低計算復雜度，取其與半徑平方的差 ，作為目標誤差。為了使目標誤差的平方和：最小，需要有，經(jīng)過計算可得到：

其中：

根據(jù)該方法，可以通過步驟(3)將圖像中的缺陷內(nèi)環(huán)分離出來。

2.4 缺陷區(qū)域提取

對分離得到軸承端面圓環(huán)缺陷區(qū)域步驟為：

（1）用閉運算把分離出來的缺陷圓環(huán)區(qū)域聯(lián)通，變?yōu)橥暾沫h(huán)；（2）求該環(huán)的最大內(nèi)接圓，并用開、閉運算調(diào)整其大小；（3）求該環(huán)的最小外接圓，并用開、閉運算調(diào)整其大??；（4）把最小外接圓減去最大內(nèi)接圓，再減去分離的缺陷圓環(huán)，提取缺陷區(qū)域。

為驗證該方法的有效性，將系統(tǒng)識別出的缺陷形狀與其自然光照下人工拍攝的輪轂軸承端面缺陷形狀進行比較，如圖7 所示，其中7（a）為輪轂軸承端面缺陷實拍，7（b）為輪轂軸承端面缺陷識別。由上圖對比顯示實驗提取的缺陷區(qū)域與實際的缺陷區(qū)域形狀相似度高。進一步，可計算得到缺陷部分面積約為74mm2。在圖4（a）上顯示即如圖8。

圖7

圖8 實驗結(jié)果圖

3 結(jié)語

本文運用機器視覺技術(shù)對輪轂軸承的端面缺陷進行快速定位和提取，實驗結(jié)果表明能準確識別輪轂軸承端面缺陷區(qū)域，相對于傳統(tǒng)的人工檢查，本方法檢測穩(wěn)定可靠，自動化程度高，并可以定量給出缺陷區(qū)域的長、寬及面積等特征參數(shù)，具有良好的工業(yè)應(yīng)用前景。