基于Canny算法的列車軸承內(nèi)圈外表面缺陷檢測(cè)

石煒 王濤

摘要：目前軸承表面缺陷檢測(cè)操作的不足之處是速度慢、精確度低、人工成本高，本文提出一種基于機(jī)器視覺(jué)軸承內(nèi)圈外表面缺陷識(shí)別方法。首先獲取高質(zhì)量的彩色圖像并將其轉(zhuǎn)換為灰度圖，然后對(duì)輸入圖像進(jìn)行預(yù)處理，采用直方圖分割法求出最佳閾值對(duì)圖像進(jìn)行二值化處理，最后利用目標(biāo)標(biāo)記與邊緣檢測(cè)算法對(duì)圖像信號(hào)進(jìn)行缺陷識(shí)別與分析。實(shí)驗(yàn)結(jié)果表明，該方法實(shí)現(xiàn)計(jì)算機(jī)對(duì)缺陷圖像的理解和自動(dòng)識(shí)別，能夠正確檢測(cè)表面缺陷幾何特征，并具有一定的適用性。此方法可以克服人工檢測(cè)方法的許多不足，提高檢測(cè)精度和速度，為后期的缺陷識(shí)別提供了技術(shù)支持。

關(guān)鍵詞：機(jī)器視覺(jué)；目標(biāo)標(biāo)記；邊緣檢測(cè)；表面缺陷

中圖分類號(hào)：TH16；TH133.33 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）05-0134-03

軸承是機(jī)械行業(yè)中非常重要且應(yīng)用十分廣泛的機(jī)械部件[1]，生產(chǎn)批量大、精度要求高。當(dāng)前，軸承質(zhì)量的檢測(cè)方法是用目測(cè)或手感來(lái)判斷其內(nèi)外圈及滾子是否存在表面缺陷及其損傷程度，該方法不僅工作量大，檢測(cè)速度慢，而且檢測(cè)結(jié)果隨機(jī)性大，人工成本高。如果漏檢有缺陷的軸承，將給安全運(yùn)輸埋下重大隱患。基于這種情況，本文提出一種基于機(jī)器視覺(jué)軸承內(nèi)圈外表面缺陷識(shí)別方法，首先將輸入的圖像進(jìn)行預(yù)處理；然后，采用迭代分割法求出最佳閾值對(duì)圖像進(jìn)行二值化處理；最后利用目標(biāo)標(biāo)記與邊緣檢測(cè)算法對(duì)圖像信號(hào)進(jìn)行缺陷識(shí)別與分析，從而獲得滿意的效果。

1 圖像預(yù)處理

1.1 圖像灰度化

在智能識(shí)別系統(tǒng)中獲得的是彩色圖像，為了后端更好地處理和識(shí)別，就必須首先把彩色圖像轉(zhuǎn)換成灰度圖像[2]；而彩色圖像采集質(zhì)量好壞直接影響到后續(xù)的處理和識(shí)別的效果，因此，本文根據(jù)實(shí)際情況，選取環(huán)形紅色LED光源[3]，采用的照明方式是前向照明，低角度安裝來(lái)獲取優(yōu)質(zhì)彩色圖像。部分彩色圖及其灰度化結(jié)果如圖1，圖2。

1.2圖像增強(qiáng)

由于形成圖像的系統(tǒng)亮度有限，常常出現(xiàn)對(duì)比度不足的情況，針對(duì)這個(gè)問(wèn)題，使用灰度級(jí)修正方法則可以使得圖像的動(dòng)態(tài)范圍加大，圖像對(duì)比度擴(kuò)展，達(dá)到圖像變得清晰。

設(shè)原圖像像素的灰度值為，為圖像坐標(biāo)[4]，處理后的圖像像素灰度值，則灰度級(jí)修正公式可以表示為：

其中，T為變化函數(shù)，一旦確定了灰度變換函數(shù)，那么圖像中的每一像素點(diǎn)的運(yùn)算也就被完全確定下來(lái)。采用不同形式的變換函數(shù)會(huì)得到不同的圖像效果，常用的灰度變換有線性灰度變換、分段線性變換、全局線性變換以及對(duì)數(shù)、指數(shù)等非線性變換。關(guān)于灰度圖像增強(qiáng)，另外還有基于直方圖的變換方法，包括直方圖均衡化和規(guī)定化[5]。

根據(jù)實(shí)際情況，本文用線性變換算法，簡(jiǎn)單快速同時(shí)處理結(jié)果可以滿足要求。方法具體描述如下：

假設(shè)原圖像f（x，y）的灰度范圍[a1，a2]，經(jīng)過(guò)線性變換后，輸出圖像的灰度范圍為[b1，b2]，該線性變換可以用如下公式表示，經(jīng)實(shí)驗(yàn)可知變換區(qū)間選用[0.11，0.52]增強(qiáng)效果最好，增強(qiáng)效果如圖3。

1.3 中值濾波

所獲得的實(shí)際圖像在形成、傳輸、接受和處理的過(guò)程中不可避免地存在著外部干擾和內(nèi)部干擾，比如敏感元器件的內(nèi)部噪聲，感光材料的顆粒噪聲，傳輸信道的干擾噪聲，在傳輸過(guò)程中的誤差以及人為因素等[6]；這些噪聲使得圖像上像素點(diǎn)的灰度值不能正確地反映空間物體對(duì)應(yīng)點(diǎn)的灰度值，從而降低了圖像的質(zhì)量，圖像變得模糊，缺陷特征信息被淹沒(méi)，這對(duì)圖像分析極為不利。為了得到更優(yōu)質(zhì)的圖像，需要對(duì)輸入圖像進(jìn)行降噪預(yù)處理。從本質(zhì)上講，圖像降噪的方法都是低通濾波的方法，而低通濾波是一把雙刃劍，它在消除圖像噪聲的同時(shí)，也會(huì)消除圖像的部分有用的高頻信息，因此，各種去噪方法的研究實(shí)際是在去噪和保留高頻信息之間進(jìn)行的權(quán)衡。

其中椒鹽噪聲為常見(jiàn)的干擾噪聲，噪聲如圖4，本文采用中值濾波法進(jìn)行圖像平滑處理效果最好，圖像平滑效果如圖5。

2 圖像分析

2.1 圖像分割

圖像分割是一種重要的圖像分析技術(shù)，就是把圖像分成各具特性的區(qū)域并提取出感性趣目標(biāo)的技術(shù)和過(guò)程。在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)數(shù)字圖像中某些部分感興趣，這部分常常稱為目標(biāo)或前景（其他部分稱為背景），它們一般對(duì)應(yīng)圖像中特定的、具體獨(dú)特性質(zhì)的區(qū)域[6-7]。

根據(jù)實(shí)驗(yàn)對(duì)比情況，迭代法分割只能檢測(cè)部分缺陷，不能滿足檢測(cè)要求，本文選擇直方圖分割法對(duì)圖像的分割效果最優(yōu)。如圖6所示。

2.2 目標(biāo)標(biāo)記

連通區(qū)域標(biāo)記是所有二值圖像分析的基礎(chǔ)。通過(guò)上述圖像分割效果可知，圖像仍然存在一些干擾區(qū)域，不利于后續(xù)的操作，它通過(guò)對(duì)二值圖像中白色或黑色像素（目標(biāo)）的標(biāo)記，讓每個(gè)單獨(dú)的連通區(qū)域形成一個(gè)被標(biāo)識(shí)的塊，進(jìn)一步的我們就可以獲取這些塊的輪廓、外接矩形、質(zhì)心、不變矩等幾何參數(shù)。

本文采用目標(biāo)標(biāo)記技術(shù)首先確定出干擾區(qū)域，此處應(yīng)用連通域面積閾值來(lái)去除小區(qū)域干擾，即給一個(gè)閾值，經(jīng)實(shí)驗(yàn)，此處選25較優(yōu)，如果一個(gè)連通域的像素?cái)?shù)小于該閾值即被認(rèn)為是干擾進(jìn)而被除去。以此完成對(duì)所有連通域的判斷，對(duì)整幅圖像做出缺陷有無(wú)的識(shí)別，對(duì)無(wú)缺陷的圖像不再進(jìn)行處理直接進(jìn)行結(jié)果輸出，對(duì)有缺陷部分進(jìn)行進(jìn)一步處理來(lái)識(shí)別缺陷類型。去除干擾前后對(duì)比效果如圖7。

2.3 邊緣檢測(cè)

缺陷圖像的邊緣檢測(cè)是數(shù)字圖像分析的一個(gè)重要步驟，因此，研究邊緣檢測(cè)的方法在數(shù)字圖像處理領(lǐng)域中是具有極其重要的意義。邊緣是指有些像素其周圍灰度值存在變化的集合。既然邊緣就是灰度值不連續(xù)的結(jié)果，那么，這種不連續(xù)則可以利用求導(dǎo)的方法進(jìn)行檢測(cè)，即通過(guò)考察每個(gè)像素的某個(gè)鄰域內(nèi)灰度的變化，利用邊緣鄰近的一階或二階導(dǎo)數(shù)的規(guī)律來(lái)檢測(cè)相應(yīng)的邊緣。

John Canny于1986年提出了Canny算子[8]，是具有濾波、增強(qiáng)和檢測(cè)的多階段優(yōu)化算子。Canny算子的檢測(cè)性能良好，既不存在虛假邊緣，也不丟失重要的邊緣。這種算法檢測(cè)出的邊緣與實(shí)際邊緣間的位置偏差最小，定位精度高，而且對(duì)每個(gè)邊緣點(diǎn)有唯一的響應(yīng)，得到的邊界寬度為單像素。本文選用Canny算子進(jìn)行邊緣檢測(cè)，檢測(cè)效果對(duì)比如圖8。

Canny算子總結(jié)如下：

1）輸入的圖像用指定的標(biāo)準(zhǔn)差的高斯濾波器來(lái)進(jìn)行平滑處理，用以減少噪聲。2）局部梯度和邊緣方向在每一點(diǎn)都計(jì)算。3）在2）中決定邊緣點(diǎn)在梯度幅度圖像上給出脊。4）最后，算法用合并八連通的弱像素點(diǎn)到強(qiáng)像素點(diǎn)的方法執(zhí)行邊緣連接。

因受噪聲的干擾，Sobel算子、Prewitt算子與Log算子和并不能很好地提取缺陷的邊緣，所檢測(cè)缺陷邊緣出現(xiàn)嚴(yán)重的斷裂、重疊現(xiàn)象，而本文的算子提取出了滿意的檢測(cè)結(jié)果，此外，較好地抑制了噪聲對(duì)檢測(cè)的影響，并且保護(hù)了圖像的邊緣。這表明，本文提出的基于灰度圖像的表面缺陷幾何特征提取算法具有很強(qiáng)的抗噪能力和很好的邊緣提取能力，為后期缺陷識(shí)別提供技術(shù)支持。

3 結(jié)語(yǔ)

本文討論了軸承內(nèi)圈外表面麻點(diǎn)損傷的檢測(cè)效果，提出了一種有效的麻點(diǎn)檢測(cè)方法，這種方法有效排除了噪聲對(duì)檢測(cè)結(jié)果的干擾，實(shí)驗(yàn)結(jié)果表明，本文的處理算法可以達(dá)到預(yù)期的目的，完成表面缺陷的檢測(cè)，可以為軸承內(nèi)圈外表面缺陷檢測(cè)系統(tǒng)的圖像處理解決方案提供一定的借鑒。

參考文獻(xiàn)

[1]厲曉飛.基于機(jī)器視覺(jué)的汽車零件缺陷檢測(cè)技術(shù)研究[D].武漢理工大學(xué)，2012.

[2]錢(qián)禮閏.CCD機(jī)器視覺(jué)在缺陷檢測(cè)中的關(guān)鍵技術(shù)研究[J].教育教學(xué)論壇，2018，（15）：58-59.

[3]李學(xué)勇，方志烈.LED白色照明光源[J].燈與照明，2000，（06）：85-86.

[4]賈永紅，編著.數(shù)字圖像處理[M].武漢大學(xué)出版社，2003.

[5]胡桂珍.基于數(shù)字圖像處理的車牌識(shí)別系統(tǒng)研究[D].西南交通大學(xué)，2010.

[6]湯朋文，陶華敏，肖山竹，方求.幾種常用圖像分割算法自適應(yīng)性的分析比較[J].數(shù)字技術(shù)與應(yīng)用，2016（05）：140+143.

[7]Ng HF.Automatic thresholding for defect detection[J].Pattern Recognition Letters，2006，27114）：1644-1649.

[8]Comparative performance study of several global thresholding techniques for segmentation.LEE S，CHUNG S A.Computer Vision.1990.

[9]夏良正主編.數(shù)字圖像處理[M].東南大學(xué)出版社，1999.