段志達，魏利勝*，劉小琿，2，丁 坤

(1.安徽工程大學(xué) 電氣工程學(xué)院，安徽 蕪湖 241000；2.上海歐朔智能包裝科技有限公司，上海 201416)

軸承作為日常生活中大量使用的元件，在生產(chǎn)過程中其表面可能會產(chǎn)生磕碰、劃痕、銹斑等缺陷，且軸承滾子也存在漏裝、缺失等現(xiàn)象。如果采用人工檢測方式對軸承缺陷進行檢測，不僅速度慢、效率低，且影響檢測精度的因素多。機器視覺技術(shù)在很多領(lǐng)域已被廣泛應(yīng)用，基于其快捷、靈活、抗干擾能力強的特點，可實現(xiàn)對不同檢測任務(wù)快速準(zhǔn)確的定位和識別。將機器視覺引入軸承表面缺陷和滾子漏裝缺陷的自動檢測中，以提高軸承缺陷檢測速度和精度，具有十分重要的意義。

國內(nèi)外相關(guān)學(xué)者對基于機器視覺技術(shù)的軸承滾子檢測方法已進行了廣泛的研究，并取得了豐富的成果。尚軍[1]等提出了基于預(yù)測匹配差與全局-局部閾值化的軸承缺陷檢測與定位算法，實現(xiàn)了對滾動體缺失、破損的準(zhǔn)確檢測與定位；崔明[2]等針對軸承圖像的特點，在對圖像進行濾波、灰度增強和二值化的基礎(chǔ)上，采用了一種基于環(huán)形區(qū)域的邊緣搜索和最小二乘圓擬合相結(jié)合的圓檢測法；秦鐘偉[3]等提出一種將機器視覺應(yīng)用于軸承滾動體數(shù)目和尺寸檢測的檢測方法；鄧耀力[4]通過將圖像預(yù)處理法、基于區(qū)域灰度值分割法和基于區(qū)域形態(tài)學(xué)的最小二乘法等方法相結(jié)合，實現(xiàn)了對輪轂軸承缺陷的有效檢測；陳昊[5]等針對軸承滾子表面缺陷人工檢測效率低、誤檢率高的問題，提出了一種基于圖像光流的軸承滾子表面缺陷的檢測方法；李龍[6]等針對軸承滾子表面缺陷的特點及檢測條件，提出了一種將圖像形態(tài)學(xué)濾波、多項式擬合、二值圖像處理相結(jié)合的方法，實現(xiàn)了滾子表面缺陷的在線實時檢測；Wei[7]等針對SSDA匹配算法易受噪聲和光照影響的問題，通過進一步結(jié)合CLD和EHD算法，提出了一種混合信息匹配方法，增強了模板匹配算法的魯棒性；陳金貴[8]等為了提高軸承滾子表面缺陷檢測的效率，采用改進的Niblack算法對軸承滾子表面圖像進行處理以分割出缺陷區(qū)域。實驗表明，該方法不僅可以有效地檢測出軸承滾子的各類缺陷，且在檢測效率和精度上優(yōu)于傳統(tǒng)閾值分割算法；張?zhí)祜w[9]等提出了一種改進模板匹配算法，實現(xiàn)了對物體的正確匹配，且算法具備一定的魯棒性和實時性；李偉[10]等針對工業(yè)檢測中球柵陣列(BGA)檢測易受遮擋、橋接、變形等因素影響，難以進行大批量高精度自動化檢測的問題，提出了一種基于形狀的自適應(yīng)模板匹配方法進行BGA焊點檢測的算法，實現(xiàn)了對復(fù)雜背景情況下的BGA焊點進行準(zhǔn)確提取和檢測；馮春貴[11]等針對傳統(tǒng)的模板匹配法對于限速標(biāo)志的識別容易出現(xiàn)拒識和誤識的問題，提出一種改進的模板匹配算法應(yīng)用于限速標(biāo)志的識別中；安培源[12]等為了解決機器視覺系統(tǒng)對具有小直徑特征的多圓進行定位時計算量過大的問題，提出一種基于邊緣檢測和Hough變換的圓定位改進方法，檢測精度可達0.06 mm；魏利勝[13]等針對工業(yè)流水線中軸承工件人工檢測及裝配效率低的問題，提出一種基于高斯加權(quán)均值分割的軸承滾子檢測和軸承保持架支柱定位方法，實現(xiàn)了軸承滾子的準(zhǔn)確檢測，推導(dǎo)出目標(biāo)輪廓的重心坐標(biāo)，實現(xiàn)軸承保持架的準(zhǔn)確定位；韓美林[14]等針對傳統(tǒng)同態(tài)濾波算法對彩色圖像的改善效果并不理想的問題，提出了一種結(jié)合有限對比度自適應(yīng)直方圖均衡(CLAHE)和改進型同態(tài)濾波的算法，有效提升了彩色圖像的亮度和對比度；田原嫄[15]等為了準(zhǔn)確、快速地定位行進中的車牌，采用HSV空間色彩劃分法，保持圖像的色度不變，并對圖像的飽和度和亮度分別做相應(yīng)的同態(tài)濾波處理，從而對行進中的車牌進行定位檢測。

以上研究主要探索了穩(wěn)定光源環(huán)境下的軸承缺陷檢測，缺少對缺失滾子區(qū)域的精確定位，同時檢測精度受軸承源圖像閾值分割精度的影響，魯棒性較差。為此，在以上研究的基礎(chǔ)上，提高檢測算法的魯棒性，實現(xiàn)缺失滾子的精確定位，提出了融合Hough圓檢測算法和邊緣模板匹配算法的軸承滾子檢測方法。首先通過同態(tài)濾波算法增強源圖像后，對灰度圖像進行自適應(yīng)閾值分割；在此基礎(chǔ)上利用Hough圓檢測算法進行滾子區(qū)域粗定位，提取出感興趣區(qū)域；然后利用邊緣模板匹配算法篩選出真正的滾子區(qū)域，剔除非滾子區(qū)域；最后結(jié)合最小二乘擬合算法定位缺失滾子區(qū)域，實現(xiàn)缺失滾子的檢測與精確定位，避免由于光照環(huán)境變化導(dǎo)致的誤檢率，提高了軸承滾子在不同環(huán)境下的檢測精度。

1 軸承滾子檢測與定位算法

為了提高軸承滾子檢測的精度和穩(wěn)定性，研究一種基于Hough變換和邊緣模板匹配的軸承滾子檢測方法，主要分為四步：第一步，圖像預(yù)處理階段，利用同態(tài)濾波算法對圖像進行光照矯正，提高圖像對比度；第二步，利用Hough變換進行圓檢測，對軸承滾子進行粗定位，提取感興趣區(qū)域；第三步，利用邊緣模板匹配算法對每一個粗定位區(qū)域和匹配模板進行匹配，去除誤檢區(qū)域，實現(xiàn)精確定位；第四步，利用檢測到的滾子定位點進行圓擬合，進一步對缺失滾子進行定位。算法流程圖如圖1所示。

1.1 同態(tài)濾波預(yù)處理

針對軸承圖像存在的光照不均勻和低對比度的問題，研究采用同態(tài)濾波算法對獲取的軸承圖像進行濾波增強。實驗效果圖如圖2所示。由圖2可知，圖2a和圖2c分別為強光下和弱光下的軸承圖像，圖2b和圖2d分別為其對應(yīng)的同態(tài)濾波圖像。從圖2可以發(fā)現(xiàn)，不同光照背景下的圖像經(jīng)過同態(tài)濾波后對比度得到增強，滾子區(qū)域與其他區(qū)域的區(qū)分度更高，并且與原始圖像相比，光照分布比較均勻，避免了由于光照不均勻引起的圖像降質(zhì)。

1.2 軸承滾子粗定位

由于軸承滾子的邊緣形狀是圓形，和軸承的其他部件形狀有明顯的區(qū)別。采用Hough圓檢測算法粗定位滾子位置，相關(guān)實驗效果圖如圖3所示。圖3a是經(jīng)過同態(tài)濾波處理的圖像，圖3b是Hough圓檢測算法檢測到的滾子輪廓的圖像，可以發(fā)現(xiàn)圖中的噪聲點很少，檢測效果較為理想，依據(jù)這些輪廓點進行圓擬合可以得到相應(yīng)的圓心坐標(biāo)(對應(yīng)圖3c中小圓圈所在位置)。當(dāng)所檢測到的滾子圓心位置不在滾子輪廓的中心位置時，會導(dǎo)致基于Hough圓檢測方法直接對軸承滾子的誤檢發(fā)生，其原因主要是圖3b中存在的噪聲點或檢測到的相鄰滾子輪廓點距離較近。為了進一步分析基于Hough圓檢測算法的軸承滾子粗定位中出現(xiàn)的誤檢問題，根據(jù)Hough圓檢測算法計算出檢測到的滾子輪廓圓心坐標(biāo)和滾子半徑，并在原始圖像中提取出對應(yīng)的矩形區(qū)域作為感興趣區(qū)域，以降低誤檢率。具體方法為：以檢測出的輪廓圓心坐標(biāo)為矩形感興趣的中心坐標(biāo)，兩倍滾子半徑為該矩形區(qū)域的邊長，然后在原圖像上截取出該感興趣區(qū)域，結(jié)果如圖4所示。圖4中是提取的感興趣區(qū)域的圖像，為了便于顯示，對實驗結(jié)果圖進行適當(dāng)?shù)乜s放。圖4a表示有效的軸承滾子區(qū)域，圖4b表示無效的軸承滾子區(qū)域，即需要進一步剔除的感興趣區(qū)域。由圖4可以發(fā)現(xiàn)，基于Hough圓檢測算法定位到的區(qū)域中不僅具有滾子區(qū)域，還含有非滾子區(qū)域，需要篩選出有效的滾子區(qū)域。因此，針對基于Hough圓檢測的結(jié)果，結(jié)合邊緣模板匹配的方法對無效的軸承滾子區(qū)域進行篩選，以進一步提高滾子的準(zhǔn)確檢測和精確定位。

圖3 軸承滾子的圓檢測結(jié)果

圖4 感興趣區(qū)域獲取

1.3 軸承滾子精確定位

由于軸承滾子邊緣形狀是圓形的，在滾子邊緣處變化比較明顯，和軸承其他部分具有明顯差別。因此，針對提取出的感興趣區(qū)域，運用邊緣模板匹配算法對軸承滾子圖像進行匹配篩選，具體如下：

(1)根據(jù)模板圖像的邊緣檢測結(jié)果計算邊緣點的水平方向梯度值Gx、豎直方向上的梯度值Gy，以及所有邊緣點的梯度強度，其梯度強度的計算公式為：

(1)

式中，G表示邊緣點的梯度強度。

(4)計算模板圖像T邊緣梯度和感興趣區(qū)域圖像S邊緣梯度的相似性度量，根據(jù)相似性度量的大小實現(xiàn)感興趣區(qū)域圖像和模板圖像的匹配。相似性度量的計算可以表示為：

(2)

式中，E表示模板圖像T邊緣梯度和感興趣區(qū)域圖像S邊緣梯度的相似性度量，如果模板模型與感興趣區(qū)域圖像之間存在完美匹配，則此函數(shù)將返回分?jǐn)?shù)1，如果搜索圖像中不存在該對象，則分?jǐn)?shù)將為0。

假設(shè)感興趣區(qū)域的個數(shù)為z，閾值為T，研究將軸承滾子模板邊緣點的中心坐標(biāo)(Tix,Tiy)(i=1,2,…,z)和感興趣區(qū)域中心坐標(biāo)(Six,Siy)(i=1,2,…,z)之間的歐氏距離作為篩選標(biāo)準(zhǔn)，計算公式為：

(3)

式中，Di表示軸承滾子模板邊緣點的中心坐標(biāo)和第i個感興趣區(qū)域中心坐標(biāo)之間的歐氏距離。

至此將進行感興趣區(qū)域的篩選，具體流程如圖5所示。

圖5 感興趣區(qū)域篩選算法流程圖

經(jīng)過邊緣模板匹配后的感興趣區(qū)域中可有效剔除不符合要求的部分，如圖6所示。圖6a為不同光照下的原始圖像，圖6b中矩形框區(qū)域是Hough檢測算法粗定位到的滾子區(qū)域，可以發(fā)現(xiàn)檢測結(jié)果存在誤檢情況，而利用邊緣模板匹配算法剔除感興趣區(qū)域中的無效滾子區(qū)域后，誤檢情況得到有效消除，如圖6c所示，實現(xiàn)了對已裝配滾子的準(zhǔn)確檢測。相關(guān)實驗數(shù)據(jù)如表1所示。從表1可以發(fā)現(xiàn)，在不同背景下的軸承圖像中，Hough圓檢測算法均可檢測到所有的已裝配滾子，但是會產(chǎn)生誤檢情況，對源圖像A和源圖像B檢測到的滾子數(shù)量分別為18和20，經(jīng)過邊緣模板匹配算法進一步篩選后，檢測到的滾子數(shù)與實際滾子數(shù)相同，均為15，由此可見，引入邊緣模板匹配算法有效提高了軸承滾子檢測的準(zhǔn)確率。

圖6 裝配滾子檢測定位結(jié)果

檢測滾子數(shù)目源圖像A源圖像B實際滾子數(shù)目1515傳統(tǒng)Hough圓檢測法1820本文方法1515

1.4 漏裝滾子區(qū)域定位

在工業(yè)中，軸承生產(chǎn)過程中出現(xiàn)滾子漏裝的問題時，需要對缺失位置進行滾子的再次裝配。下面將針對實際檢測結(jié)果中存在缺失滾子的位置進行自動定位，具體過程如下：

(1)獲取所有檢測到的已裝配滾子的定位點，利用最小二乘法進行圓擬合，從而得到擬合圓的圓心坐標(biāo)(a,b)以及擬合圓的半徑R。

(2)在擬合圓上找出相鄰點的圓心角為2π/16的16個點，分別記為(x1,y1),(x2,y2),…,(x16,y16),確定漏裝滾子定位點的坐標(biāo)。設(shè)已裝配滾子定位點的個數(shù)為m，坐標(biāo)表示為(p1,q1),(p2,q2),…,(p16,q16)，從所有已裝配滾子的定位點中選出任意一個點作為擬合圓上的點(x1,y1)，并令(c,d)=(x1,y1)，與該點相鄰的兩個點滿足下式：

(4)

式中，(x,y)是擬合圓上與點(c,d)相鄰的點的坐標(biāo)，與點(c,d)在擬合圓上形成的夾角大小為2π/16，符合條件的點共有16個。在此基礎(chǔ)上，可以進一步確定漏裝滾子的位置，漏裝滾子位置定位的具體實現(xiàn)方法如下：

算法1：漏裝滾子位置定位算法

Begin

(c,d)=(x1,y1)

c,d代入式(4)求解得點(x2,y2)和(x16,y16)

fork=3∶15

(c,d)=(xk-1,yk-1);

c,d代入式(4),求解得點(xk,yk);/*點(xk,yk)表示擬合圓上與點(c,d)相鄰的點*/

end for

/*得到擬合圓上剩下的14個點后結(jié)束循環(huán)*/

/*將擬合圓上的16個點與每個軸承滾子定位點進行對比*/

fori=1∶16

forj=1∶m/*m為漏裝滾子定位點的個數(shù)*/

判斷擬合圓上該點是否與所有軸承滾子定位點都不重合，若都不重合，則記該點

為軸承滾子漏裝定位點并保存該點

end for

end for

end

圖7 漏裝滾子區(qū)域中心點定位圖

通過上述步驟可以確定漏裝滾子區(qū)域定位點的坐標(biāo)，結(jié)果如圖7所示。由圖7可見，*符號代表已裝配滾子定位點，圓圈表示根據(jù)已裝配的軸承滾子定位點進行圓擬合的結(jié)果，正方形符號代表漏裝滾子區(qū)域定位點。

2 實驗結(jié)果與分析

為了進一步說明所提算法的有效性和優(yōu)越性，研究與傳統(tǒng)預(yù)測匹配差閾值化法和高斯加權(quán)均值分割法進行對比實驗。實驗平臺為Window 7操作系統(tǒng)，CPU為2.3 GHZ，內(nèi)存2 G，編程環(huán)境Matlab R2016，相關(guān)實驗效果如圖8所示。由圖8可以看見，圖8a表示不同光照條件下的待檢測圖像，圖8b表示使用文獻[1]對檢測圖像進行軸承滾子定位的結(jié)果，圖8c表示使用文獻[13]對檢測圖像進行軸承滾子定位的結(jié)果，圓形框表示對已裝配滾子定位結(jié)果；圖9d表示使用文中方法對檢測圖像進行軸承滾子定位的結(jié)果，其中正方形框表示已裝配和漏裝滾子區(qū)域。從圖8b、圖8c、圖8d第一幅圖中可以看出，當(dāng)光照較強并且比較均勻時，原始圖像的閾值分割效果較好，文獻[1]和文中所提方法的檢測效果均比較好。從圖8b、圖8c、圖8d第三幅圖中可以看出，當(dāng)光照較暗時，閾值分割效果稍差，文獻[1]和文獻[13]的檢測結(jié)果會出現(xiàn)漏檢現(xiàn)象，且無法對漏裝滾子進行定位。從圖8b、圖8c、圖8d第三幅圖中可以看出，當(dāng)光照不均現(xiàn)象比較嚴(yán)重并且圖像中背景有陰影干擾時，文獻[1]和文獻[13]兩種策略的檢測效果較差。分析其主要原因為：文獻[1]方法先通過局部閾值分割和全局閾值分割的方法獲得滾動體邊界，然后提出利用圓驗證機制結(jié)和種子填充法提取感興趣區(qū)域，最后計算滾動體區(qū)域中封閉輪廓的面積，并通過設(shè)置合理的面積閾值篩選出滾動體，但是由于圖像閾值分割后很難區(qū)分軸承部分與陰影部分，閾值分割結(jié)果中軸承的輪廓不明顯，從而導(dǎo)致基于預(yù)測匹配差與全局-局部閾值化的檢測方法失效；而文獻[13]先通過高斯加權(quán)均值分割獲得軸承滾子二值圖像,再利用邊界追蹤算法得到二值圖像中的所有封閉輪廓，最后，根據(jù)所提輪廓篩選算法對非軸承滾子輪廓進行消除，但是由于通過高斯加權(quán)均值分割的二值圖像的分割效果較差，所提輪廓篩選算法無法區(qū)分滾子和陰影部分，從而導(dǎo)致基于高斯加權(quán)均值分割的檢測方法失效。文中所提方法在閾值分割效果較差的情況下，可以通過Hough圓檢測算法實現(xiàn)軸承滾子的檢測，雖然會產(chǎn)生誤檢情況，但是檢測出的感興趣區(qū)域中包含所有的滾子區(qū)域，產(chǎn)生的誤檢區(qū)域可以利用邊緣模板匹配算法篩選得到有效的滾子區(qū)域，最后結(jié)合最小二乘擬合算法實現(xiàn)缺失滾子位置定位，實驗結(jié)果表明所提方法在不同的光照環(huán)境下都可以實現(xiàn)軸承滾子的有效檢測。

圖8 軸承滾子檢測效果對比圖

軸承滾子檢測結(jié)果對比效果實驗數(shù)據(jù)如表2所示。由表2可知，文獻[1]和文獻[13]的方法在不同光照條件下的軸承滾子檢測準(zhǔn)確率波動較大，無法在不同檢測條件下實現(xiàn)穩(wěn)定準(zhǔn)確的檢測。而文中所提方法的軸承滾子檢測準(zhǔn)確率相比于文獻[1]方法提高了29%，與文獻[13]方法相比提高了37%，充分說明所提方法對光照變化的抗干擾能力較強，在不同環(huán)境下具備良好的適應(yīng)性，因此對不同光照條件下的軸承滾子均能實現(xiàn)準(zhǔn)確、穩(wěn)定的檢測，并且檢測速度在0.3 s左右，能夠滿足軸承滾子在線檢測的實時性。

表2 軸承滾子檢測結(jié)果對比效果實驗數(shù)據(jù)

3 結(jié)論

在軸承實際的生產(chǎn)過程中，人工進行軸承滾子檢測效率較低，為了提高不同檢測環(huán)境下軸承滾子自動檢測的效率以及對缺失滾子進行再次裝配，提出了融合Hough圓檢測和邊緣模板匹配的軸承滾子檢測方法，實現(xiàn)了對不同環(huán)境下軸承工件中已裝配滾子的準(zhǔn)確、穩(wěn)定檢測和漏裝滾子的精確定位。如何進一步提高邊緣模板匹配算法的魯棒性使其具備旋轉(zhuǎn)不變性和尺度不變性，以滿足復(fù)雜場景下的實際檢測要求，將是進一步重點研究工作。