謝凌峰,王 娟

(1.湖州師范學(xué)院 工學(xué)院,浙江 湖州 313000;2.溫嶺鐳昊光電有限公司,浙江 溫嶺 318000)

0 引 言

隨著工業(yè)水平的不斷發(fā)展,工業(yè)機(jī)械設(shè)備逐漸走向自動(dòng)化、精密化[1].軸承是機(jī)械設(shè)備不可或缺的部分,機(jī)械設(shè)備所有可動(dòng)部位都需要軸承的支撐.軸承還可以降低機(jī)械設(shè)備的摩擦損耗,一個(gè)好的軸承有助于機(jī)械設(shè)備的正常運(yùn)行[2].因此,在工業(yè)生產(chǎn)中對(duì)軸承進(jìn)行表面缺陷檢測(cè),以保證軸承的生產(chǎn)質(zhì)量顯得尤為重要.

在工業(yè)生產(chǎn)中,大部分軸承生產(chǎn)企業(yè)都是采用人工檢測(cè)的方式對(duì)軸承的生產(chǎn)質(zhì)量進(jìn)行檢測(cè)的.但人工檢測(cè)存在以下幾個(gè)問題:檢測(cè)效率低、檢測(cè)成本高、誤檢率和漏檢率高、檢測(cè)結(jié)果易受檢測(cè)工人的主觀情緒影響等[3].為解決這些問題,國(guó)內(nèi)外學(xué)者對(duì)機(jī)器視覺技術(shù)運(yùn)用于軸承表面缺陷檢測(cè)做了許多研究,并取得了不錯(cuò)的研究成果.谷明皓以LabVIEW為軟件平臺(tái),利用改進(jìn)的RANSAC圓檢測(cè)方法對(duì)5種不同軸承表面的缺陷進(jìn)行檢測(cè),檢測(cè)準(zhǔn)確率高達(dá)99%[4];段志達(dá)以Matlab為軟件平臺(tái),研究一種新型的Canny軸承表面缺陷檢測(cè)方法,以提高軸承表面缺陷檢測(cè)的精度[5];趙明設(shè)計(jì)了一套基于SFCS-YOLOv3的軸承表面缺陷檢測(cè)系統(tǒng),以代替人工目測(cè)分揀,該系統(tǒng)的檢測(cè)準(zhǔn)確率為97.5%[6].本文將機(jī)器視覺技術(shù)與LabVIEW結(jié)合,以NI Vision Assistant為工具,設(shè)計(jì)一套軸承表面缺陷檢測(cè)系統(tǒng).該系統(tǒng)利用閾值分割方法識(shí)別軸承表面的劃痕缺陷,并利用輪廓分析方法識(shí)別軸承表面的倒角缺陷.軸承表面的劃痕缺陷和倒角缺陷見圖1.經(jīng)實(shí)驗(yàn)驗(yàn)證,該系統(tǒng)的識(shí)別準(zhǔn)確率高達(dá)96%,可以滿足工業(yè)生產(chǎn)軸承表面缺陷檢測(cè)的需要.

1 檢測(cè)系統(tǒng)硬件設(shè)計(jì)

1.1 檢測(cè)系統(tǒng)硬件結(jié)構(gòu)

本文設(shè)計(jì)的基于LabVIEW軸承表面缺陷檢測(cè)平臺(tái),是一個(gè)典型的機(jī)器視覺平臺(tái),其平臺(tái)的硬件組成為:工業(yè)相機(jī)、鏡頭、光源和PC.其中,工業(yè)相機(jī)和鏡頭可以實(shí)現(xiàn)對(duì)檢測(cè)目標(biāo)的圖像采集,光源可以為圖像采集提供良好的光照環(huán)境,PC可以存儲(chǔ)工業(yè)相機(jī)拍攝到的數(shù)字圖像[7].本文的檢測(cè)系統(tǒng)硬件結(jié)構(gòu)見圖2.

圖1 軸承生產(chǎn)中的常見缺陷

圖2 檢測(cè)系統(tǒng)硬件結(jié)構(gòu)

1.2 工業(yè)相機(jī)

工業(yè)相機(jī)是機(jī)器視覺系統(tǒng)的一個(gè)關(guān)鍵組件,其最本質(zhì)的功能就是將光信號(hào)轉(zhuǎn)變成有序的電信號(hào).工業(yè)相機(jī)的選型要綜合考慮相機(jī)安裝的位置至檢測(cè)物體的距離(工作距離)、檢測(cè)物體的面積(視場(chǎng))、最小特征的尺寸、最小特征的像素?cái)?shù)等[8].本文檢測(cè)的軸承型號(hào)為6004 RZ,其直徑為42 mm,且相機(jī)拍攝出來的軸承圖像比軸承面積稍大,因此選取的視場(chǎng)面積FOV為:50 mm×50 mm.本文設(shè)定軸承檢測(cè)精度L為0.05 mm,由此計(jì)算出相機(jī)在X方向的系統(tǒng)精度Lx為:

(1)

相機(jī)在Y方向的系統(tǒng)精度Ly為:

(2)

本文選取型號(hào)為MV-CS050-10GM的工業(yè)相機(jī).該型號(hào)相機(jī)的分辨率為2 448×2 048 pixcel,像元尺寸為3.45 μm×3.45 μm,靶面尺寸為2/3,數(shù)據(jù)接口為GigE,可以滿足缺陷檢測(cè)的需要.

1.3 工業(yè)鏡頭

在機(jī)器視覺中,鏡頭的主要作用是將檢測(cè)目標(biāo)成像在圖像傳感器的光敏面上[9].已知視場(chǎng)范圍為50 mm×50 mm,工作距離為200 mm,相機(jī)像素為2 448×2 048 pixcel,像元尺寸為3.45 μm×3.45 μm.由此計(jì)算出鏡頭的CCD水平尺寸lx為:

lx=2 000 pixel×3.45 μm=6 900 μm=6.9 mm;

(3)

鏡頭的CCD垂直尺寸ly為:

ly=2 000 pixel×3.45 μm=6 900 μm=6.9 mm;

(4)

鏡頭的焦距f為:

(5)

本文選取型號(hào)為MVL-MF2528M-8MP的鏡頭,該型號(hào)鏡頭的焦距為30 mm,畸變只有0.01%,完全滿足缺陷檢測(cè)的需要.

1.4 光源

光源是機(jī)器視覺中非常重要的部分,合適的光源能夠增強(qiáng)圖像的成像效果,凸顯圖像特征,簡(jiǎn)化算法,提高檢測(cè)準(zhǔn)確率[10].本文研究的軸承面積較小,且檢測(cè)平臺(tái)的工作距離為200 mm.因此,選擇型號(hào)為MV-LRDS-H-80-15-W的環(huán)形光源作為檢測(cè)光源.該型號(hào)光源的最佳工作距離為200～300 mm,照射角度為15°,光照強(qiáng)度大,非常適合檢測(cè)小面積的物體.

2 檢測(cè)系統(tǒng)軟件設(shè)計(jì)

圖3 系統(tǒng)總體流程

2.1 檢測(cè)系統(tǒng)主要流程

本文設(shè)計(jì)的基于LabVIEW的軸承表面缺陷檢測(cè)系統(tǒng),主要包括以下功能:利用機(jī)器視覺平臺(tái),完成目標(biāo)圖像的采集;利用圖像灰度變化,改善目標(biāo)圖像的畫質(zhì);利用圖像閾值分割,將目標(biāo)圖像中不同灰度級(jí)的區(qū)域分隔開;利用圖像形態(tài)學(xué)處理,提取目標(biāo)圖像中的重要信息;利用圖像顆粒分析與識(shí)別,識(shí)別目標(biāo)圖像中的劃痕缺陷;利用圖像輪廓分析,識(shí)別目標(biāo)圖像中的倒角缺陷.系統(tǒng)總體流程見圖3.

2.2 圖像采集

在裝有LabVIEW軟件的PC中打開Measurement and Automation Explorer(MAX),用于驗(yàn)證LabVIEW是否能找到相機(jī)和獲取圖像[11].如果能夠在MAX中找到相機(jī),就可以完成對(duì)目標(biāo)圖像的采集.

2.3 圖像灰度化

通過圖像采集得到的目標(biāo)圖像是一張彩色圖像,彩色圖像包含RGB 的3個(gè)顏色通道.為凸顯圖像中的重要信息,加快圖像的處理速度,需要將原彩色圖像轉(zhuǎn)換成灰度圖像.常用的圖像灰度化方法有:分量法、最大值法、平均值法、加權(quán)平均法.本文采用分量法.分量法是將原彩色圖像RGB的3個(gè)顏色通道中的任意1個(gè)顏色通道提取出來,并將它作為灰度圖像的灰度值,從而形成3種不同的灰度圖像[12].其對(duì)應(yīng)的計(jì)算公式為:

(6)

其中,fK(i,j)(K=1,2,3)為轉(zhuǎn)換后的灰度圖像在(i,j)處的灰度值.

本文分別使用R分量法、G分量法、B分量法處理目標(biāo)圖像,發(fā)現(xiàn)經(jīng)過R分量法處理的目標(biāo)圖像,其圖像軸承內(nèi)外圈上的信息更加清晰,故選用R分量法.圖像灰度化效果見圖4.

圖4 灰度化后的圖像

2.4 閾值分割

圖5 閾值分割后的圖像

圖像閾值分割(thresholding)是一種最常用的圖像分割方法,其可將圖像按照不同灰度分成兩個(gè)或多個(gè)等間隔或不等間隔的灰度區(qū)間,這對(duì)目標(biāo)與背景有較強(qiáng)對(duì)比度的圖像分割特別有用[13].圖像閾值分割可以提高目標(biāo)圖像中感興趣區(qū)域(缺陷區(qū)域)的識(shí)別.常用的閾值分割法為自動(dòng)閾值分割法.對(duì)本文拍攝的軸承圖像,如果使用自動(dòng)閾值分割方法,將軸承的內(nèi)外圈和劃痕缺陷劃分為一個(gè)灰度區(qū)間,將軸承蓋和圖像背景劃分為另一個(gè)灰度區(qū)間,則劃痕缺陷就無法被有效識(shí)別.因此,本文采用手動(dòng)閾值分割方法,通過設(shè)置多閾值來實(shí)現(xiàn)圖像區(qū)域的劃分,以完成缺陷區(qū)域與背景的有效分割.閾值分割效果見圖5.

2.5 形態(tài)學(xué)處理

經(jīng)閾值分割后,在二值圖像中可能會(huì)留下一些不需要的信息,而形態(tài)學(xué)處理可處理圖像中不需要的信息,讓圖像變得更加平滑,從而有利于后續(xù)的圖像分析[13].

圖像的形態(tài)學(xué)處理包含多種計(jì)算形式,其中腐蝕(Erosion)、膨脹(Dilation)和擊中—擊不中(Hit-Miss)是3種最基本的形態(tài)學(xué)運(yùn)算形式.通過對(duì)他們進(jìn)行組合,可以進(jìn)一步獲得更多組合形式的運(yùn)算,如開運(yùn)算(Opening)和閉運(yùn)算(Closing)、內(nèi)形態(tài)梯度(Inner Gradient)和外形態(tài)梯度(Outer Gradient)運(yùn)算、細(xì)化(Thinning)和加粗(Thickening)運(yùn)算,適當(dāng)開(Proper-Opening)和適當(dāng)閉(Proper-Closing)運(yùn)算等[14].部分圖像形態(tài)學(xué)處理效果見圖6.

采用形態(tài)學(xué)處理的目的是把目標(biāo)圖像中的有效信息留下,把無效信息剔除.圖6(b)是經(jīng)過腐蝕運(yùn)算后的目標(biāo)圖像.從圖6(b)可見,腐蝕運(yùn)算不僅剔除了原始圖像中的無效信息,還剔除了原始圖像中的部分有效信息(左邊缺陷區(qū)域的顆粒數(shù)量明顯減少).圖6(c)和圖6(d)分別是經(jīng)過開運(yùn)算和適當(dāng)開運(yùn)算后的目標(biāo)圖像.由圖6(c)和圖6(d)可見,經(jīng)開運(yùn)算處理后,右邊缺陷區(qū)域邊緣的小顆粒與整個(gè)大顆粒無法連通,這會(huì)導(dǎo)致在后續(xù)顆粒識(shí)別中將其識(shí)別為多個(gè)顆粒,但經(jīng)適當(dāng)開運(yùn)算后,其目標(biāo)圖像就不會(huì)出現(xiàn)上述問題.因此,本文選擇適當(dāng)開運(yùn)算來對(duì)圖像進(jìn)行形態(tài)學(xué)處理.

經(jīng)上述初級(jí)形態(tài)學(xué)處理后,在目標(biāo)圖像上還存在著一些細(xì)小的干擾顆粒.本文運(yùn)用高級(jí)形態(tài)學(xué)處理中的去除小顆粒運(yùn)算來清除這些干擾因子,將面積小于30個(gè)像素值的小顆粒全部剔除.高級(jí)形態(tài)學(xué)處理效果見圖7.

圖6 初級(jí)形態(tài)學(xué)運(yùn)算后的圖像

圖7 去除小顆粒運(yùn)算后的圖像

2.6 顆粒分析與識(shí)別

顆粒是指圖像中相互連通的一組非零或灰度值較高的像素所構(gòu)成的區(qū)域,它既可以是實(shí)心的,也可以包含被灰度值較高的像素所包圍的一組相互連通的低灰度值孔洞[15].顆粒的連通性判斷準(zhǔn)則分為4連通和8連通2種.4連通準(zhǔn)則認(rèn)為,像素點(diǎn)只要在水平或垂直方向與另一像素點(diǎn)相連,則這兩個(gè)像素點(diǎn)就為一個(gè)顆粒.8聯(lián)通準(zhǔn)則認(rèn)為,像素點(diǎn)只要在水平、垂直或?qū)蔷€方向與另一像素點(diǎn)相連,則這兩個(gè)像素點(diǎn)就為一個(gè)顆粒.考慮到缺陷圖像是由無數(shù)個(gè)顆粒組成的,若采用4連通準(zhǔn)則,則很有可能會(huì)將1個(gè)缺陷誤判為2個(gè)缺陷.因此,本文采用8連通準(zhǔn)則,其可以更加準(zhǔn)確地識(shí)別整個(gè)缺陷的顆粒.為將檢測(cè)到的缺陷顆粒位置進(jìn)行準(zhǔn)確標(biāo)記,本文采用無損圖層形式,用綠色多邊形將識(shí)別到的缺陷顆粒進(jìn)行標(biāo)記.其效果見圖8.

2.7 輪廓分析

輪廓(Contour)是指可以在圖像中勾勒出目標(biāo)外形的一組相互連接的曲線,這些曲線由一系列目標(biāo)物的邊緣點(diǎn)組成[16].由曲線構(gòu)成的輪廓通常會(huì)勾勒出被測(cè)目標(biāo)的外形.

輪廓分析主要分為兩種比較運(yùn)算:一種是與基于輪廓像素點(diǎn)擬合得到的理想曲線進(jìn)行比較;另一種是與輪廓模板進(jìn)行比較.本文采用第一種比較運(yùn)算.將檢測(cè)軸承的輪廓與擬合的曲線進(jìn)行對(duì)比,如果軸承輪廓上的點(diǎn)到擬合曲線之間的距離發(fā)生偏離,則可判定該點(diǎn)處存在缺陷,從而識(shí)別軸承的倒角缺陷.輪廓分析效果見圖9.

圖8 顆粒分析與識(shí)別效果圖

圖9 輪廓分析效果圖

3 實(shí)驗(yàn)驗(yàn)證

本文以NILabVIEW 2019(32位)作為軸承表面缺陷檢測(cè)系統(tǒng)的檢驗(yàn)平臺(tái),在LabVIEW的前面板上設(shè)立Source Image、Defect Image、mage Out 3個(gè)顯示模塊和1個(gè)顯示是否存在劃痕缺陷的布爾控件.該系統(tǒng)在進(jìn)行軸承的劃痕缺陷檢測(cè)時(shí),若檢測(cè)到軸承表面有劃痕,則布爾控件會(huì)顯示綠燈,并反饋劃痕的具體數(shù)量;若沒有檢測(cè)到軸承表面存在劃痕缺陷,則布爾控件不會(huì)亮燈,劃痕的數(shù)量顯示為“0”.在完成劃痕缺陷檢測(cè)后,系統(tǒng)進(jìn)行軸承的倒角缺陷檢測(cè),若檢測(cè)到軸承存在倒角缺陷,則系統(tǒng)會(huì)用紅色實(shí)線進(jìn)行軸承圓擬合,以補(bǔ)全倒角部分.

為驗(yàn)證系統(tǒng)的可行性,利用機(jī)器視覺檢測(cè)平臺(tái)采集50張樣本圖像,其中20張樣本圖像存在劃痕缺陷,20張樣本圖像存在倒角缺陷,10張樣本圖像不存在缺陷.檢測(cè)結(jié)果見表1.

表1 實(shí)驗(yàn)檢測(cè)結(jié)果

從表1可以看出,檢測(cè)系統(tǒng)檢測(cè)了50張樣本圖像,檢測(cè)出錯(cuò)有2張,總體正確率為96%.其中,在20個(gè)劃痕缺陷樣本圖像中只檢測(cè)到18個(gè)樣本,檢測(cè)準(zhǔn)確率為90%,兩個(gè)劃痕缺陷樣本圖像未檢測(cè)成功,這是由光源光照不均勻造成的;20個(gè)倒角缺陷樣本圖像全部被檢測(cè)到,檢測(cè)準(zhǔn)確率為100%;10個(gè)無缺陷樣本圖像全部被檢測(cè)到,檢測(cè)準(zhǔn)確率為100%.

由此可見,在使用軸承表面缺陷檢測(cè)系統(tǒng)進(jìn)行缺陷檢測(cè)時(shí),需要調(diào)整好光源的光照角度,才能有效提高系統(tǒng)的檢測(cè)準(zhǔn)確率.圖10和圖11分別為檢測(cè)到劃痕缺陷前面板圖、檢測(cè)到倒角缺陷前面板圖.

圖10 檢測(cè)到劃痕缺陷前面板圖

圖11 檢測(cè)到倒角缺陷前面板圖

4 結(jié) 語

本文使用NI公司的NI LabVIEW 2019和NI Vision Assistant 2019,設(shè)計(jì)一套軸承表面缺陷檢測(cè)系統(tǒng).實(shí)驗(yàn)驗(yàn)證表明,該系統(tǒng)對(duì)軸承表面的缺陷檢測(cè)具有較高的準(zhǔn)確率,且檢測(cè)速度快,能夠彌補(bǔ)軸承生產(chǎn)中人工檢測(cè)效率低、誤檢率高等缺點(diǎn),能夠滿足工業(yè)生產(chǎn)中軸承質(zhì)量檢測(cè)的需要.若設(shè)法降低光照環(huán)境對(duì)軸承表面缺陷檢測(cè)的干擾,則能進(jìn)一步提升該系統(tǒng)的檢測(cè)準(zhǔn)確率.