楊冬毅，黃丹平，徐佳樂，廖世鵬，于少東

1.四川輕化工大學 機械工程學院，四川 宜賓 644000

2.中國科學院 成都計算機應用研究所，成都 610041

軸承被廣泛應用于工業(yè)、農業(yè)、軍事、航天、服務業(yè)等各種領域，屬于基礎機械零部件之一[1]。在高精度的機械設備中，軸承的缺陷會嚴重影響其性能、精度以及壽命，造成嚴重的后果。因此，在軸承出廠前對其進行質量檢測是必不可少的[2]。國內較大規(guī)模的軸承企業(yè)，在軸承的生產加工方面已基本實現半自動化。但是受到生產工藝的影響，在加工過程中會使個別軸承出現銹蝕、磕碰、凹坑等，嚴重影響了軸承的品質[3]。

目前國內外相關科研人員對軸承的自動檢測方法已進行了廣泛的研究。Lei 等[4]采用分段嵌入式的方法對軸承缺陷進行檢測，針對軸承缺陷多樣性檢測取得了良好的效果。徐建橋等[5]提出了規(guī)范化樣本拆分的軸承缺陷檢測，采用的是規(guī)范化樣本擴充數據集后采用深度學習的方式檢測軸承缺陷，有效地解決了小樣本缺陷的檢測方法。Liu 等[6]采用多角度照明的軸承表面缺陷檢測，對微小缺陷有良好的檢測效果。Khemili等[7]通過自適應濾波檢測滾動體軸承缺陷。Li等[8]通過精細復合多尺度模糊熵來對滾動軸承局部缺陷進行檢測研究。石煒等[9]基于Faster R-CNN 算法對列車軸承表面缺陷檢測研究。鄭澤昊[10]采用改進型yolov3 對軸承防塵蓋進行缺陷的精確提取檢測。

以上研究表明，盡管深度學習缺陷檢測方法取得了顯著進步，但由于缺陷類型的復雜多樣，缺陷的全面性檢測有待進一步提升。目前軸承缺陷檢測主要應用面陣相機下的單面軸承檢測，在工業(yè)連續(xù)生產線上，采用多工位多相機采集來達到軸承的全面檢測[11]。檢測算法上，多依靠GPU（graphics processing unit）運行處理，存在硬件成本高、設備體積大、部分缺陷采用現有的檢測方法準確率與穩(wěn)定性低等問題[12]。

本文針對現有的檢測難點展開研究，采用線陣相機自主搭建單工位軸承采集平臺。提出多維度分割法滿足軸承外表面缺陷檢測的完整性，采用疑似缺陷區(qū)域提取與改進VGG16網絡預測模型實現疑似缺陷區(qū)域再判斷，實現對軸承全表面缺陷區(qū)域的二次檢測。使用處理器為CPU（central processing unit），算法采用多線程并行模式，對分割的軸承各維度區(qū)域進行兩次診斷，達到工業(yè)級高速高精度效果。

1 軸承全表面缺陷檢測系統(tǒng)

針對軸承缺陷檢測的多工位現狀，首次提出線陣掃描技術與光學原理的結合，在單工位內實現軸承全表面缺陷在線檢測的方法。該方法與傳統(tǒng)方法相比，單個軸承檢測時間更短，只需采集一次既能得到軸承完整的外表面圖像。

軸承檢測系統(tǒng)主要由4 部分組成，采集成像單元、計算機硬件單元、運動控制單元、機械結構單元。采集裝置如圖1所示。

如圖2 所示，整套系統(tǒng)由工控機控制，通過PLC 發(fā)送各種信息來控制電機與相機配合采集出軸承的完整圖像，將其輸入檢測算法并給出獲得檢測結果。

圖2 系統(tǒng)結構框圖Fig.2 System structure block diagram

機械結構單元包含外箱體、平臺架、旋轉機構，是檢測系統(tǒng)實現數據采集的核心部件，決定該檢測系統(tǒng)運行效率與檢測精度。外箱體其功能是避免環(huán)境光干擾視覺信息的采集，等距機構保證軸承逐個進入采集。旋轉機構可使軸承產生滾動配合線陣相機完成軸承全表面掃描。

運動控制單元由兩個電機以及PLC（programmable logic controller）組成，分別控制著軸承的進入與軸承的旋轉，通過PLC 給出觸發(fā)信號，精準控制圖像采集時間與觸發(fā)頻率。

采集成像單元主要由線陣相機、鏡頭、藍色條形光源、棱鏡等組成。藍光波長在430～480，能更好地獲取金屬表面微小缺陷[13]。采用棱鏡折射的光學原理和線陣相機與旋轉機構的配合，軸承兩個表面與柱面視覺信息同時被掃描并存儲在一個數據矩陣內，更有利于軸承維度的劃分與缺陷的全面檢測[14]。如圖3 所示，與常規(guī)面陣相機采集方式相比較，使得圖3（a）、（b）、（c）三次采集的圖像信息集中到一張圖3（d）上，也方便了后續(xù)多維度向量法的提取與檢測。

圖3 軸承采集示意圖Fig.3 Schematic diagram of bearing acquisition

2 軸承檢測算法研究

2.1 軸承缺陷特性分析

軸承主要的缺陷種類大致可分為五種，凹坑、劃痕、變形、損壞以及銹蝕，主要表現形式如圖4所示。

圖4 軸承缺陷種類Fig.4 Types of bearing defects

同種類型缺陷還可細分為不同種類，如圖5 所示，圖5從左到右依次為淺凹坑、深凹坑、內圈小破損、內圈大破損、外圈大破損、外圈小破損、內圈小面積銹蝕、內圈大面積銹蝕，柱面倒角缺失。因此如何準確、快速與穩(wěn)定可靠的檢測軸承各類缺陷將是所面臨的一個難題。

圖5 軸承缺陷的多樣性Fig.5 Diversity of bearing defects

2.2 軸承全表面缺陷檢測算法

針對上述問題，本文提出軸承分維度的檢測方法，將軸承分割為8 個維度視覺信息進行全面檢測。維度分割的精度取決于圖像的亮度是否穩(wěn)定。采集中的振動影響或者光源因壽命的衰減，都會導致采集圖像出現左右亮度不均、過曝或過暗情況。針對該問題，在維度分割法之前采用亮度調整算法穩(wěn)定每張圖像的亮度。假設亮度調整系數為τ，可得出如公式（1）：

其中，αs為當前亮度值，αe為目標亮度值，αm為亮度調整函數L() 每增加1 個參數值所增加的亮度值。當αs>αe時說明過曝，需要降低亮度值；αs<αe說明圖像過暗，需要增強亮度值。由此可得出過暗和過曝的亮度調整系數。假設yi為軸承的各維度視覺信息，可得維度分割法如公式（2）所示：

公式（2）中，L()為亮度調整函數，τ為亮度調整系數，Y()為閾值分割與形態(tài)學處理函數，a,b,c為圖3（d）的軸承三個面，τj為a,b,c對應的亮度調整系數，d為圖3中圖（d）的視覺信息數據。維度分割法中首先對d使用Y()初步劃分三個區(qū)域，分別對其亮度值進行調整使整張圖像亮度趨于一定范圍內，再使用Y()最終得出軸承的8個維度視覺信息yi。如圖6所示，將維度視覺信息的特征相同的歸為一類，最終分為7 個分辨率為40×2 048的維度圖像與1個分辨率為160×2 048的維度圖像。其中1、3、5、8四個維度為軸承各主體區(qū)域，2、4、6、7四個維度為軸承各結構間隙與倒角部分。

圖6 軸承8維度提取流程Fig.6 Bearing 8 dimension extraction process

整體檢測算法流程如圖7所示，基于維度分割法的軸承全表面缺陷檢測方法，通過維度分割法將軸承圖像劃分出8 個維度，再針對各維度缺陷特性，制作對應維度疑似目標檢測算法，提取出各維度的疑似缺陷區(qū)域；利用軸承缺陷區(qū)域與合格區(qū)域圖像制成各維度小區(qū)域圖像數據集，進入VGG16 網絡模型訓練[15]得到VGG16主干特征提取網絡模型，同時篩選出標準缺陷與合格小區(qū)域圖像經過VGG16主干特征提取網絡模型形成標準特征數據庫；最后將待測疑似區(qū)域采用改進VGG16 預測模型與標準特征數據庫進行比對完成對疑似缺陷區(qū)域的二次檢測并輸出檢測結果。

圖7 檢測算法流程Fig.7 Detection algorithm flow

2.2.1 疑似缺陷提取算法

經多維度視覺信息提取后，可準確獲得每個維度背景信息特征，易于缺陷檢測與提取。針對每個維度視覺信息的特征分析，從圖6中看出，可以將8個維度分為兩大類，其中1、3、5、8這四個維度中主要是軸承各個區(qū)域的主體視覺信息，表現形式為平面。2、4、6、7維度中主要是軸承各區(qū)域邊緣處的信息，表現形式為倒角和連接縫。因此可疑區(qū)域算法結構如圖8所示，由圖可知算法路徑分為兩路。

圖8 分類特性檢測Fig.8 Classification characteristic detection

軸承主體檢測中的1、3、5、8 維度，通常出現凹坑、銹蝕、劃痕等缺陷（如圖4（a）、（b）、（e）所示）。分析缺陷特征主要呈現暗色的特點，軸承主體4個維度檢測算法主要分為三個部分：（1）增強缺陷視覺信息；（2）采用多次判斷與調整閾值的方式提取出暗色區(qū)域；（3）通過灰度共生矩陣篩選出疑似缺陷區(qū)域[16]。

其中維度3防塵蓋，由圖6可以看出，字符同樣呈現暗色狀態(tài)，為字符不對缺陷提取造成干擾，本文提出基于反向濾波的噪聲保留算法，達到消除字符干擾保留噪點狀缺陷視覺信息的目的，假設W()表示字符去除函數，可得公式（3）：

其中，J()為濾波器函數，Y()為閾值分割與形態(tài)學處理函數，P()字符覆蓋函數。首先采用濾波器對噪點狀的缺陷進行濾除，提取剩余字符區(qū)域，最后獲取字符周圍灰度值對濾波前的圖像進行字符區(qū)域覆蓋處理，最終達到去除字符的效果。

軸承連接檢測中的2、4、6、7 維度，通常出現變形、破損（如圖4（c）、（d）），倒角缺失（圖4（d））等缺陷，研究發(fā)現此部分缺陷都會導致連接處的視覺信息出現形狀上的變化，因此算法主要考慮形狀完整性檢測。軸承邊緣4 個維度檢測算法主要分為三個部分：（1）增強軸承邊緣視覺信息；（2）提取出軸承邊緣形狀視覺信息；（3）通過形態(tài)學處理與差分的方式進行疑似缺陷區(qū)域提取。由圖6可以看出，其中維度2與維度4，形狀特征主要為黑色線狀，此處主要提取線狀特征的完整性進行缺陷檢測。維度6 與維度7 形狀特征主要為矩形，此處提取矩形特征的完整性進行缺陷檢測。

結合上述兩類分析，整體疑似缺陷區(qū)域提取算法如下所示。

其中A()表示特征增強，W()表示字符去除函數，Y()為閾值分割與形態(tài)學處理函數，H()表示灰度共生矩陣，T()表示形狀特征提取，D()表示差分算法，Xi(i=1～8)為對應各個維度視覺信息特征的參數系數。

根據疑似缺陷區(qū)域提取算法假設zi為各維度疑似缺陷區(qū)域可得公式（4）：

對各維度的疑似缺陷區(qū)域提取尺寸與圖7 中目標分類部分的小區(qū)域圖像尺寸相同，方便后續(xù)神經網絡對區(qū)域的二次判斷。

2.2.2 疑似缺陷區(qū)域決策算法研究

經疑似缺陷區(qū)域提取算法后，為確定該區(qū)域中是否含有缺陷，進一步采用神經網絡的方式對疑似缺陷區(qū)域二次檢測，進一步提升檢測精度。

yi缺陷視覺信息的尺寸較小，應選用層數較淺的神經網絡[17]。本文選擇VGG16網絡模型對疑似缺陷區(qū)域進行訓練。但是其中全連接層進行分類的準確度，一般取決于訓練樣本的大小。軸承大部分缺陷的數據圖像樣本不足，如圖9所示的紋理與銹蝕，完整的VGG16預測模型并不能很好地分類出準確的結果。

圖9 銹蝕與紋理對比圖Fig.9 Comparison diagram of corrosion and texture

針對該情況，利用300 張紋理與銹蝕的數據集，訓練完整的VGG16 網絡模型，使得主干提取網絡有了相應的特征提取效果。如圖10所示，在進行預測時，本文采用改進VGG16 網絡模型進行二次判斷，使用改進歐式公式替換全連接層的方式，來比對疑似缺陷區(qū)域與標準的缺陷或合格區(qū)域的多維特征數據距離，通過距離遠近確定疑似區(qū)域類別。

圖10 VGG16網絡模型的改進Fig.10 Improvement of VGG16 network model

2.2.2.1 歐式距離公式的改進

歐式距離是最常見的距離度量，衡量的是多維空間中兩個點之間的絕對距離。n維歐幾里德兩多維數據x1與x2間的距離公式如式（5）所示[18]：

從公式（5）可以看出，每個維度的數據對歐氏距離的貢獻是同等的，為能提高檢測精度，本文對歐式距離（5）進行改進，如圖11 中比對方式所示，多維數據間相減的結果不再求和，得出距離矩陣，對距離矩陣中的各維度距離通過給定的閾值篩選，計算維度距離小于閾值的個數占比，避免維度距離大的權重對整體距離權重產生影響。經過改進后的公式如式（6）所示：

圖11 標準樣本選擇流程圖Fig.11 Flow chart of standard sample selection

其中sum()表示維度數據個數之和，k為維度，Y為距離閾值，yik為標準小區(qū)域圖像的多維特征數據，zik為疑似缺陷區(qū)域圖像的多維特征數據。

2.2.2.2 標準樣本選擇研究

標準樣本的特征數據的選擇，采用一比多的方法。以銹蝕、紋理為例，篩選銹蝕、紋理標準樣本圖像，通過公式（6）的運算，銹蝕樣本內逐個相互比對，且銹蝕紋理樣本間逐個相互比對，得出一比多的（Q的平均值）進行排序，篩選出相同樣本集內的最大，且不同樣本間的最小，即為標準樣本數據。選擇方式如圖11所示。

在8 維度樣本數據集中，以上述方法，篩選出滿足條件的多個標準樣本特征數據構建數據庫，形成8個類別的標準特征數庫。

2.2.3 軸承檢測的速度提升

分8 維度對應8 種算法的檢測方式，雖然達到了檢測的全面性，但是檢測速度卻不滿足工業(yè)檢測要求。對此采用8 維度8 線程并行運算的檢測方法，提高了CPU的利用率，同時提升疑似缺陷的檢測速度。

對疑似缺陷區(qū)域進行二次檢測時，同樣采用多線程并行運算的方式，各維度改進預測模型并行預測與標準樣本數據庫進行比對，對軸承檢測的速度與精度進一步提升。

以公式（6）為標準，Q值最大即為比對結果，整體多線程比對流程如圖12所示。

圖12 軸承檢測系統(tǒng)整體多線程比對流程Fig.12 Overall multi-thread comparison process of bearing detection system

本文采用改進歐式距離公式替代全連接層的方式，使預測圖像與標準圖像的多維數據間進行比對，減少了網絡模型結構。檢測時，采用8 個維度對應8 個獨立的網絡預測模型配合8 線程并行運算，對8 個維度疑似缺陷視覺信息進行比對判別，滿足了在線高速軸承缺陷檢測精度、速度與全面的要求。

3 實驗與分析

為驗證維度分割法與改進VGG16預測模型對軸承檢測的精度與速度，本研究搭建一套完整的軸承在線檢測系統(tǒng)。如圖13 所示。該系統(tǒng)主要由采集成像模塊、計算機硬件模塊、運動控制模塊、機械結構模塊四部分組成。實驗中，采用的是i7 10700 處理器與DALSA 的SG-11-02K0-00-R 線陣相機，VS-25085/C 鏡頭與LDB-15034-B藍色條形光源，搭配三棱鏡和光學折射原理，單機位實時在線采集軸承外表面圖像。

圖13 軸承在線檢測系統(tǒng)Fig.13 Bearing on-line detection system

測試軸承一共200個，其中存在缺陷的軸承個數為93 個，軸承上缺陷的總個數為183，原始軸承圖像大小為2 048像素×2 048像素。下面是軸承實驗檢測流程：

首先是亮度調節(jié)算法，調節(jié)前后對比如圖14所示，經亮度調節(jié)算法后，可以看出軸承圖像過暗或過曝的情況都得到了有效的調整。

圖14 亮度調節(jié)算法效果圖Fig.14 Schematic diagram of brightness adjustment algorithm

防塵蓋字符去除算法效果如圖15 所示，經字符去除算法后，軸承防塵蓋的字符得到了有效去除，凹坑缺陷也較完整地保留了下來。

圖15 字符去除效果圖Fig.15 Character removal effect diagram

軸承8維度疑似缺陷提取效果圖如圖16所示，可以看出疑似缺陷被有效提取出。

圖16 8維度疑似缺陷區(qū)域提取效果圖Fig.16 Effect drawing of 8-dimensional suspected defect area extraction

疑似缺陷提取算法復雜度分析如表1所示，O()為各維度疑似缺陷提取算法的時間復雜度，每O(1)所用時間為0.79 ms。S()為空間復雜度，S(n)表示算法每運行一次所調用參數個數為n。

表1 疑似缺陷提取算法復雜度Table 1 Complexity of suspected defect extraction algorithm

將軸承分割4維度檢測與分割8維度檢測對比如表2所示，采用8 維度分割法后的疑似缺陷區(qū)域提取，漏檢率降低，誤檢也所有減少。

表2 4維度與8維度疑似缺陷區(qū)域提取對比實驗結果Table 2 Comparative experimental results of 4-dimensional and 8-dimensional suspected defect area extraction

軸承銹蝕與紋理標準樣本的選擇對比表如表3 所示，經訓練后的VGG16網絡模型，采用主干特征提取網絡與改進歐式距離進行比對篩選，銹蝕與銹蝕占比最大，且銹蝕與紋理占比最小的樣本有6號和48號，即可選出兩個標準銹蝕樣本，同樣可以找到紋理的兩個標準樣本56號與69號。對其余各維度樣本采用同樣的方法，將各維度的標準樣本篩選出后，制作標準樣本特征數據庫，方便后續(xù)待測樣本與標注樣本進行比對。

表3 100個軸承銹蝕與紋理樣本比對篩選表Table 3 Comparison and screening table of 100 bearing corrosion and texture samples

采用VGG16 網絡與VGG16 改進預測模型的對比如表4 所示，VGG16 改進模型比對數據庫的方式，檢測精度得到了極大的提升，同時檢測速度也有所減少。

表4 VGG16與VGG16改進預測模型對比實驗結果Table 4 Experimental results of VGG16 and VGG16 improved prediction models

VGG16改進預測模型的疑似缺陷目標分類過程如圖17所示，通過疑似缺陷信息與標準樣本信息比對，得出最終結果。

圖17 VGG16改進預測模型的二次判斷比對效果Fig.17 Effect of second judgment comparison of VGG16 improved prediction models

CPU采用多線程處理前后時間對比如表5所示，在多線程處理下，采用8維度與VGG16改進模型，使得軸承檢測的精度與速度極大提升，滿足工業(yè)在線檢測的要求。

不同分辨率的軸承圖像檢測效果比對如表6所示，實驗中，較低的分辨率，使得軸承各區(qū)域的視覺信息界限更模糊，導致維度分割算法的精度下降。同時部分缺陷視覺信息變弱，檢測精度下降。

表6 不同分辨率圖像檢測效果比對Table 6 Comparison of image detection results with different resolutions

4 結束語

本文針對工業(yè)上軸承缺陷檢測準確性、成本高等問題，研制一種單工位軸承檢測系統(tǒng)，即可實現快速、準確、全面的軸承缺陷檢測。主要特點是：

（1）針對軸承多面檢測，采用光學原理與線陣掃描技術結合的方式，一次性采集出軸承清晰、完整的全表面圖像。

（2）針對軸承缺陷多樣性，采用維度分割法與疑似缺陷區(qū)域提取法，保證缺陷提取的低漏檢率。

（3）針對缺陷檢測精度，采用神經網絡二次檢測的方式，通過改進網絡模型與改進歐式公式，提升缺陷檢測精度。

（4）針對軸承檢測速度，采用并行處理方式對各維度同時檢測，滿足軸承工業(yè)在線檢測的速度與成本要求。

實驗結果表明，經多維分割法后疑似缺陷檢測后，再利用改進的VGG16預測網絡模型與數據庫比對再進行缺陷二判斷，軸承缺陷的檢測精度達98.3%且檢測時間每個為0.81 s，相比于傳統(tǒng)的人工目檢測高速有效，智能化程度更高。與傳統(tǒng)神經網絡模型檢測方法相比，該方法對軸承缺陷檢測更全面高效。為現代軸承生產上的缺陷全面性檢測提出了一個可靠的研究思路與方案，具有良好的工業(yè)應用前景。