石 煒，張袁祥，李嘉楠

（內(nèi)蒙古科技大學機械工程學院，內(nèi)蒙古 包頭 014010）

1 引言

列車滾子軸承是鐵路列車的一個關鍵部件，軸承故障是影響行車安全的一個重要因素，因此有關部門十分重視軸承質(zhì)量的檢測。傳統(tǒng)的人工檢測方法主要依賴于工作人員的經(jīng)驗、責任心等，長時間的勞動使得檢測的結果準確性較差，而且無法將檢測到的數(shù)據(jù)存儲、上傳及統(tǒng)計分析[1?2]。

針對這種情況，這里對已有研究作出了改進，提出了一種基于機器視覺的列車滾子軸承表面缺陷檢測方法，工作流程，如圖1所示。

圖1 工作流程圖Fig.1 Flow Chart

2 圖像獲取及初次分類

2.1 圖像獲取

傳統(tǒng)的人工檢測方法中，工作人員長時間觀察滾子軸承內(nèi)圈外表面容易產(chǎn)生視覺疲勞，這對工作人員的眼睛有一定的傷害，而且會造成檢測誤差，因此這里提出采用工業(yè)內(nèi)窺鏡代替人眼進行圖像的獲取，將拍攝到的圖像存入數(shù)據(jù)庫系統(tǒng)，同時用工控機代替人腦進行分析[3]。

將經(jīng)過清洗的軸承放置在可控的旋轉臺上，通過工業(yè)內(nèi)窺鏡上的圖像傳感器可以獲取到清晰的軸承表面圖像，將圖像輸入到計算機中，經(jīng)過圖像分析便可得到軸承表面的缺陷類型，系統(tǒng)結構，如圖2所示。

圖2 系統(tǒng)結構圖Fig.2 System Structure Diagram

2.2 初次分類

這里研究五種軸承表面主要缺陷：麻點、輾皮、劃傷、擦傷和凹痕，通過工業(yè)內(nèi)窺鏡得到此五種缺陷圖像及無缺陷軸承表面的圖像，如圖3所示。

圖3 軸承表面圖像Fig.3 Bearing Surface Image

灰度直方圖描述了一幅圖像的灰度級統(tǒng)計信息，通過直方圖可以很直觀地看到圖像灰度值的分布情況，完好圖像的灰度值比較集中，而缺陷圖像的分度值比較分散。使用MATLAB 圖像處理工具箱中的函數(shù)可以得到圖像的均值和標準差，根據(jù)標準差的大小來判斷軸承圖像是否有缺陷[3]。

無缺陷圖像的灰度標準差明顯小于缺陷圖像的標準差，如表1所示，這證明根據(jù)圖像灰度值的標準差來判斷圖像是否有缺陷的方法是可行的，該方法可以對軸承進行初次分類，接下來僅對缺陷圖像進行處理即可。

表1 圖像灰度標準差Tab.1 Image Gray Standard Deviation

3 二值化及形態(tài)學濾波

3.1 二值化處理

使用這里方法進行二值化處理后的圖像，如圖4所示。

圖4 二值化處理Fig.4 Threshold Segmentation

進行特征提取之前，首先對缺陷圖像進行二值化處理。目前，常用的二值化處理方法有自適應閾值法、人工選擇閾值法、迭代選擇閾值法等，其中人工選擇閾值法的二值化視覺效果最好，但是需要工作人員的參與，而且要用不同的閾值不斷試驗來選取最優(yōu)，比另外兩種方法花費時間更長[4]。

這里提出一種根據(jù)缺陷圖像的灰度均值范圍確定閾值的方法，實驗證明，該方法既快速又實用。對獲取到的300張圖片進行二值化處理，五種主要缺陷的灰度均值和人工選擇閾值的范圍，如表2所示。

表2 圖像灰度均值及最優(yōu)閾值Tab.2 Image Gray Mean and Optimal Threshold

由上表2可以看出，不同缺陷圖像的灰度均值范圍和人工選擇閾值法確定的閾值范圍并不相同。

本方法的核心思想是在缺陷圖像進行二值化處理之前，首先進行灰度均值計算，根據(jù)不同均值范圍，使用不同的閾值進行二值化處理[5]，閾值選擇規(guī)則，如表3所示。

表3 閾值選擇規(guī)則Tab.3 Threshold Selection Rule

3.2 形態(tài)學濾波

由于圖像獲取過程中光照不均或者軸承清洗不干凈等原因，導致獲取到的圖像會有噪聲的產(chǎn)生，這是圖像采集過程中難以避免的。這里對二值化處理后的圖像進行形態(tài)學濾波，這既可以去掉多余的噪聲點，又保留了缺陷圖像的主要特征，為特征提取帶來了極大便利。

形態(tài)學基本運算包括腐蝕、膨脹、開運算和閉運算四種，各有其作用和優(yōu)勢，用于圖像處理的效果也不同，通過實驗對二值化的圖像分別進行處理，最終選擇閉運算作為這里形態(tài)學濾波的基本運算。

由于結構元素的選取在形態(tài)學處理中占有極其重要的地位，所以對多種不同的結構元素分別進行對比實驗，最終選擇[0 0 1 0 0；0 1 1 1 0；1 1 1 1 1；0 1 1 1 0；0 0 1 0 0]作為這里算法形態(tài)學處理中的結構元素，實驗證明，此結構元素對于二值化后的圖像濾波效果最好，經(jīng)過形態(tài)學濾波處理后的二值圖像，如圖5所示。

圖5 形態(tài)學濾波后的二值圖像Fig.5 Binary Image After Morphological Filtering

4 圖像標記及特征提取

4.1 圖像標記

在二值圖像中提取連通區(qū)域時，通常的做法是給每個區(qū)域分配唯一代表該區(qū)域的編號，該區(qū)域內(nèi)所有像素的像素值就賦值為該編號，這樣的輸出圖像被稱為標記圖像[6]。

目前的二值圖像連通區(qū)域標記算法大致可以分為三類：像素標記法、游程編碼法和區(qū)域生長法。

這里采用8連通區(qū)域標記法，按照從左到右、從上到下的順序依次掃描圖像中的各像素點，找到灰度值為0的黑點并對其進行標記，判斷其右邊點、右下點、下邊點是否為黑點，是黑點則進行同一編號標記，否則編號加1并繼續(xù)進行掃描，直至掃描結束。

其原理就是把每個像素相互鄰接的8 個像素中灰度值為0（黑點）的像素集合提取出來進行同一編號標記，這樣便可以獲得標記圖像[7?8]。

4.2 特征提取

從標記后的缺陷圖像中可以獲得一些幾何特征，根據(jù)這些特征對缺陷進行分類識別。針對軸承的五種主要缺陷，這里選擇了連通區(qū)域數(shù)量、面積、平均面積、周長和長寬比作為缺陷特征的描述。

4.2.1 連通區(qū)域數(shù)量N

通過圖像標記可以得到連通區(qū)域的數(shù)量，實驗證明，五種缺陷的連通區(qū)域數(shù)量存在很大的差別。

4.2.2 面積A

面積是描述缺陷區(qū)域大小的幾何量，通常用連通區(qū)域內(nèi)像素點的個數(shù)來表示，其數(shù)學表達式如下式：

這里提出一種平均面積MA的概念，即圖像中缺陷區(qū)域的面積A和連通區(qū)域數(shù)量N的比值，其數(shù)學表達式如下式：

4.2.3 周長P

特征區(qū)域的周長也就是區(qū)域邊界的長度，其像素點有兩種連接形式：并列或傾斜。當像素點并列連接時，像素間距為一個像素值；傾斜連接時為個像素值[9]，數(shù)學表達式如下式：

式中：C—周長；No、Ne—并列或傾斜連接的數(shù)目。

4.2.4 長寬比R

對于一個任意方向的特征區(qū)域，和它的主軸、垂軸方向分別平行的矩形是唯一確定的，稱為最小外接矩形（MER）[10]。

特征區(qū)域MER的長度和寬度之比稱為長寬比，其數(shù)學表達式如下式：

式中：R—長寬比；L—MER的長度；W—MER的寬度。

對圖5中的圖像標記后進行特征提取，結果，如表4所示。

表4 缺陷圖像特征檢測數(shù)據(jù)Tab.4 Defect Image Feature Detection Data

5 分類識別及結論

5.1 分類識別

由上表4可以看出，各類缺陷圖像的不同特征存在很大的差別，這里利用連通區(qū)域數(shù)量特征作為麻點、輾皮和其它三類缺陷的分類依據(jù)；利用平均面積特征作為麻點和輾皮的分類依據(jù)；利用長寬比特征作為劃傷和擦傷、凹痕的分類依據(jù)；利用面積特征作為擦傷和凹痕的分類依據(jù)，形成了缺陷分類決策樹，如圖6所示。其中，N’、A’、MA’、R’分別為實驗獲得的邊界值。

圖6 缺陷分類決策樹Fig.6 Defect Classification Decision Tree

利用該分類方法對獲取到的300 張圖片進行處理，統(tǒng)計結果，如表5 所示?？梢钥闯?，對軸承缺陷圖像的識別率達到了97.3%，與BP神經(jīng)網(wǎng)絡、支持向量機等分類方法相比，這里方法更加簡單實用、快速方便。

表5 統(tǒng)計結果Tab.5 Statistical Results

5.2 結論

針對列車滾子軸承表面缺陷檢測問題，這里提出了一種基于機器視覺的檢測方法，首先對圖像獲取裝置進行了設計，提出了基于灰度標準差的初次分類方法，在二值化處理后對圖像進行形態(tài)學濾波，然后對缺陷區(qū)域進行標記和特征提取，最后利用缺陷分類決策樹完成缺陷類型的識別。實驗表明，該方法實時性好、運算速度快，可有效檢測出列車滾子軸承表面缺陷，而且可進行數(shù)據(jù)統(tǒng)計和管理，便于之后此類問題的研究。