軸承端面缺陷的視覺檢測方法

王恒迪，李莎，楊建璽，劉盟盟

(1.河南科技大學 機電工程學院，河南 洛陽 471003；2.中國一拖集團有限公司 計量檢測中心，河南 洛陽 471003)

在軸承生產(chǎn)和裝配過程中，有少量軸承產(chǎn)品外表面會出現(xiàn)銹蝕、磕碰傷、凹坑、擦傷等缺陷，為配套主機的正常使用埋下重要隱患。傳統(tǒng)軸承外觀缺陷檢測主要依靠人工進行，檢測效率及精度相對較低，而且難以實現(xiàn)檢測數(shù)據(jù)的實時自動化管理。鑒于此，提出了一種將計算機視覺檢測技術應用于軸承外觀缺陷檢測的方法[1-2]。

1 圖像處理

計算機視覺檢測系統(tǒng)中使用的預處理主要包括圖像二值化、邊緣檢測等。圖像采集卡得到的軸承原始圖像如圖1所示。

圖1 軸承原始圖像

1.1 圖像二值化

圖像二值化原理為

(1)

由此可見，閾值T決定了圖像信息的去留，選擇合適的閾值是進行圖像二值化處理的關鍵，在此采用一種改進的最大類間方差(Otsu)法進行分割[3-4]。

設一幅圖像的灰度級為L，根據(jù)閾值將圖像像素分為2類：[0,1,2,…,t]和[t+1,…,L-1],則類間方差為

(2)

最佳閾值T的選取原則為

(3)

Otsu法實際上是一個窮舉法，通過窮舉搜索求得最佳閾值T，使目標與背景間的類間方差最大，該算法的核心是類間方差的計算，計算量較大。

經(jīng)過大量試驗分析可知，每一次二值化的閾值均在一個較小的灰度范圍內(nèi)變動，且必有umin≤T≤umax(umin，umax分別為圖像灰度的最小值、最大值)。經(jīng)過試驗驗證，將閾值上限設置為umax，閾值下限設置為灰度中值T0

(4)

在[T0,umax]灰度范圍內(nèi)運用快速Otsu法選取最佳閾值T對圖像進行二值化處理，可有效減少運算次數(shù)。

此外，經(jīng)過分析發(fā)現(xiàn)，一般情況下，軸承圖像不能覆蓋0～255的所有灰度，因此在Otsu法基礎上進行了算法優(yōu)化，可大大減少所需方差計算的次數(shù)，從而提高程序運行的效率。

假設圖像中灰度值為t′的像素個數(shù)為0，即pt′=0，當選擇灰度值t′-1為閾值時

(5)

(6)

當選擇灰度值t′為閾值時

(7)

ω0(t′-1)，

(8)

由上述分析及(2)式可知

(9)

依次假設圖像中有連續(xù)灰度值t1,t2,…,tn的像素個數(shù)為0，參照上述方法可知

(10)

據(jù)此可知，對于像素個數(shù)為0的灰度值，可不必重復計算類間方差。改進后的算法如下：

1) 計算灰度圖像的umin，umax及T0；

5) 當i≥umax時，循環(huán)停止，此時求出的T即為最優(yōu)閾值。

Otsu改進算法可以使圖像很好地收斂到全局最優(yōu)，改善圖像灰度級不連續(xù)性對圖像分割的影響。利用傳統(tǒng)及改進后Otsu法分割得到的軸承二值化圖像如圖2所示。

圖2 軸承二值化圖像示意圖

1.2 軸承定位與分割

在軸承檢測過程中，經(jīng)過對工業(yè)現(xiàn)場的統(tǒng)計分類，待檢軸承到達檢測工位時，軸承位置會有所變動，且約80%的軸承外觀缺陷出現(xiàn)在軸承內(nèi)、外圈上，因此，每次對軸承進行缺陷檢測前需對軸承進行定位處理，并對定位后的軸承圖像進行檢測區(qū)域分割，即分離出軸承圖像的內(nèi)、外圈，分別對其進行缺陷檢測。

圖3 軸承定位圖像 圖4 內(nèi)圈環(huán)帶圖像

1.3 環(huán)帶展開

經(jīng)過分割后的軸承圖像均為環(huán)形分布，為了方便后續(xù)的缺陷識別，需要將提取出來的環(huán)帶轉(zhuǎn)換為更易分析處理的矩形帶。

1.3.1 坐標變換

環(huán)帶圖像可看作是矩形圖像的一種幾何畸變。而任何幾何畸變都可描述為畸變圖像坐標和原始圖像坐標之間的關系，因此，可通過對畸變圖像進行坐標變換處理，以恢復原始圖像。如圖5所示，展開后的矩形圖像長度為外圓周長，保持內(nèi)外最大尺度不變；寬度為內(nèi)外徑之差，以滿足徑向無畸變的要求。

圖5 圖像坐標變換

1.3.2 插值處理

經(jīng)過坐標變換后，矩形圖像各像素的灰度值應與環(huán)帶圖像的灰度值相對應，但環(huán)帶圖像展開后的像素往往無法落在對應坐標點上，這就需要根據(jù)臨近像素坐標的灰度值對該坐標進行插值[6]。

選用雙線性插值法，設4個鄰點的坐標分別為(x1,y1)，(x2,y2)，(x3,y3)和(x4,y4)，f(x,y)表示該點的像素，則插值處理后P點的灰度值為

I(x,y)=(1-Δx)(1-Δy)f(x1,y1)+

Δx(1-Δy)f(x2,y2)+

Δy(1-Δx)f(x3,y3)+

ΔxΔyf(x4,y4)；

(11)

Δx=x-x1，Δy=y-y1。

以內(nèi)圈環(huán)帶為例，展開后矩形圖像如圖6所示。

圖6 內(nèi)圈展開圖像

2 缺陷識別

采用8連通域標記方法進行缺陷識別。首先對圖像進行初始標記。根據(jù)從左到右、自上而下的掃描順序，可知標記當前像素f(x,y)時，只與其左上點f(x-1,y-1)、上點f(x,y-1)、右上點f(x+1,y-1)及左點f(x-1,y)的標號有關[7]。若4個點均未標記，則為該點分配一個新的標記；若4點中有1個已標記或2個以上加相同的標記，則為當前點加相同的標記；若4點中有2個以上加不同的標記，則按照其掃描的優(yōu)先順序(即左上、上、右上、左)標記當前像素。

初次掃描后，會出現(xiàn)沖突標號，即屬于同一連通域的像素加不同標號的情況。針對上述情況，可對軸承圖像進行二次掃描，以更正不一致的連通域標號，將屬于同一連通域缺陷的標記統(tǒng)一化。通過上述標記方法得到的連通域標號是不連續(xù)的，不利于后續(xù)的缺陷識別處理?？砂凑諛颂柍霈F(xiàn)的先后順序進行調(diào)整，重新分配連通域標號，得到每個缺陷區(qū)域唯一、準確的標記。通過該方法即可完成對圖像中目標連通域的標記，給不同的連通域不同的標號，最后的標號也就代表不同的連通域數(shù)目。

在軸承圖像里，軸承的外觀缺陷可描述為大于一定面積尺寸的連通區(qū)域，在此，缺陷面積可用連通域的像素數(shù)G表示。設一閾值G0，作為缺陷特征像素數(shù)的最小允許值，當在上述軸承分割圖像中找到的缺陷像素數(shù)大于G0時，則認為該軸承有缺陷，否則，認為該連通域為干擾并予以消除。利用該方法分別對軸承內(nèi)、外圈展開圖像進行缺陷檢測，圖7為程序自動標記后的軸承內(nèi)圈缺陷圖像。

圖7 自動標記后的軸承內(nèi)圈缺陷圖像

3 試驗結(jié)果及分析

利用上述算法對200套軸承進行了外觀缺陷檢測，其中，有缺陷軸承數(shù)量為73套，包括表面有銹蝕軸承20套，磕碰傷軸承16套，凹坑軸承19套，擦傷軸承18套。測試結(jié)果見表1，系統(tǒng)正確識別率達到98.5%，可以滿足工業(yè)現(xiàn)場的要求。

表1 測試結(jié)果

根據(jù)多次試驗結(jié)果分析，試驗中出現(xiàn)的誤檢、漏檢現(xiàn)象主要是由于光線和拍攝環(huán)境等因素的影響，曝光過度可突出缺陷區(qū)域，但是部分圖像邊緣信息易缺失；曝光不足則整體圖像偏暗，且易出現(xiàn)毛刺等噪聲。此外，拍攝過程中，自然光線也會對軸承圖像的采集有一定影響，進而影響系統(tǒng)識別的效果和檢測精度。針對上述情況，有待對算法進一步改進以提高系統(tǒng)檢測精度。另外，每幅圖像的處理及缺陷檢測僅用時0.4 s，能夠滿足工業(yè)現(xiàn)場流水線對系統(tǒng)實時性的要求。

相對于人工檢測，基于計算機視覺的檢測方法是一種非接觸測量，不會對檢測者與被檢測對象產(chǎn)生損傷，而且不易受檢測人員熟練程度、精神狀態(tài)等主觀因素的影響，可重復性好且可靠性高。

4 結(jié)束語

該檢測系統(tǒng)采用CCD數(shù)字攝像機作為光電轉(zhuǎn)換器，通過制定合理的照明方案，并結(jié)合圖像分析、處理技術對軸承圖像進行了定位與分割，最后運用8連通域標記識別技術實現(xiàn)了對軸承端面缺陷的非接觸檢測。該系統(tǒng)不僅提高了檢測速度，改善了檢測精度，而且具有實時性好、重復性好等特點，實現(xiàn)了軸承端面缺陷的無損檢測，特別適用于一些不能用接觸法進行外觀缺陷檢測的工業(yè)產(chǎn)品，具有廣泛的推廣價值，為工業(yè)產(chǎn)品外表面缺陷的非接觸檢測開辟了一條新道路。