基于機(jī)器視覺的軸承識(shí)別與定位算法研究

余浪,苗鴻賓,b,蘇赫朋,申光鵬

(中北大學(xué) a. 機(jī)械工程學(xué)院; b. 山西省深孔加工工程技術(shù)研究中心,山西 太原 030051)

0 引言

軸承是機(jī)械設(shè)備中一種重要的零部件,主要用于支撐機(jī)械旋轉(zhuǎn)體,降低其運(yùn)動(dòng)過(guò)程中的摩擦因數(shù)并保證其回轉(zhuǎn)精度,故被應(yīng)用于不同的機(jī)械裝置中。軸承的質(zhì)量關(guān)系著整個(gè)裝置的運(yùn)行狀態(tài)和使用壽命,所以在軸承的生產(chǎn)過(guò)程中需對(duì)軸承的多項(xiàng)參數(shù)進(jìn)行質(zhì)量檢測(cè)以及尺寸測(cè)量[1]。

基于機(jī)器視覺的快捷,靈活,抗干擾能力強(qiáng)以及可編程控制等特點(diǎn),機(jī)器視覺技術(shù)在工業(yè)生產(chǎn)上得到了越來(lái)越多的應(yīng)用[2],結(jié)合機(jī)器視覺對(duì)軸承進(jìn)行質(zhì)量檢測(cè)以及尺寸測(cè)量等操作也一直是自動(dòng)化技術(shù)領(lǐng)域的研究熱點(diǎn)。白芳等[3]為了提高對(duì)軸承的測(cè)量精度以及測(cè)量的速度,結(jié)合機(jī)器視覺技術(shù)設(shè)計(jì)了一種針對(duì)軸承的檢測(cè)系統(tǒng),實(shí)現(xiàn)了對(duì)軸承的定位、多位置的尺度測(cè)量以及軸承表面的缺陷檢測(cè)。林海波等[4]為了能夠更加準(zhǔn)確地定位到微小軸承的位置信息,在處理微小軸承圖像的過(guò)程中,通過(guò)局部區(qū)域特征的三次曲線模型求解軸承圖像的內(nèi)外圈邊緣亞像素信息,并以此計(jì)算得到更精確的圖像邊緣信息。溫學(xué)軍等[5]通過(guò)軸承圖像的灰度函數(shù)圖以及一階導(dǎo)數(shù)圖來(lái)對(duì)軸承滾動(dòng)體的缺失進(jìn)行檢測(cè)判斷。

工業(yè)生產(chǎn)中在對(duì)軸承進(jìn)行各項(xiàng)參數(shù)檢測(cè)時(shí),受現(xiàn)場(chǎng)工況的影響,待檢測(cè)的軸承會(huì)在一定程度上偏離原先固定的位置,若此時(shí)繼續(xù)對(duì)軸承進(jìn)行質(zhì)量檢測(cè)以及尺寸測(cè)量將導(dǎo)致檢測(cè)的結(jié)果出現(xiàn)較大的偏差?；诖?為了保證軸承各項(xiàng)參數(shù)的檢測(cè)準(zhǔn)確性,本文提出一種基于機(jī)器視覺的軸承識(shí)別與定位算法,通過(guò)設(shè)置軸承的模板圖像以及檢測(cè)閾值,結(jié)合圖像的Hu不變矩特征對(duì)軸承進(jìn)行識(shí)別匹配;通過(guò)最小二乘法對(duì)圖像的邊緣點(diǎn)進(jìn)行圓擬合并采用迭代法進(jìn)行修正,通過(guò)計(jì)算圓心的位置坐標(biāo),實(shí)現(xiàn)對(duì)待檢測(cè)軸承的定位。該方法可有效地識(shí)別、定位目標(biāo)軸承,提高對(duì)軸承各項(xiàng)參數(shù)的檢測(cè)精度。

1 算法流程

本文以NSK 6204Z軸承作為研究對(duì)象。NSK 6204Z軸承是一種深溝球軸承,用于模具標(biāo)準(zhǔn)件、壓力機(jī)、 冷沖壓設(shè)備等。本文基于機(jī)器視覺對(duì)待檢測(cè)軸承進(jìn)行識(shí)別與定位的算法流程如圖1所示。要實(shí)現(xiàn)對(duì)軸承的準(zhǔn)確識(shí)別與定位,主要關(guān)鍵步驟包括:1)圖像采集,調(diào)試視覺系統(tǒng)采集目標(biāo)圖像;2)圖像預(yù)處理,消除與圖像識(shí)別定位無(wú)關(guān)的圖像信息以及噪聲干擾;3)圖像外輪廓邊緣特征的提取;4)對(duì)目標(biāo)軸承進(jìn)行準(zhǔn)確的識(shí)別判斷以及定位計(jì)算。

圖1 算法流程

2 軸承識(shí)別定位算法

2.1 圖像預(yù)處理

圖像預(yù)處理的目的是為了消除圖像中多余的圖像信息以及由環(huán)境因素影響所帶來(lái)的干擾信息,突出感興趣的圖像區(qū)域,同時(shí)達(dá)到簡(jiǎn)化圖像數(shù)據(jù)以及增強(qiáng)目標(biāo)圖像特征的目的。本文對(duì)軸承圖像的預(yù)處理流程如圖2所示[6]。

圖2 圖像預(yù)處理

因?yàn)樵趯?duì)圖像進(jìn)行識(shí)別與定位的過(guò)程中只需考慮圖像的形狀特征而不需要考慮圖像的顏色特征,所以在對(duì)軸承圖像進(jìn)行識(shí)別定位之前需對(duì)其進(jìn)行灰度化處理?；叶然瘓D像能達(dá)到簡(jiǎn)化圖像,同時(shí)減少圖像特征提取的時(shí)間,提高圖像識(shí)別定位的速度[7],灰度化效果如圖3所示。

圖3 圖像灰度化

2)圖像濾波

在采集圖像的過(guò)程中,受環(huán)境因素的影響,采集到的圖像中往往會(huì)存在干擾的圖像噪聲,而這些噪聲的存在會(huì)影響圖像特征的提取效果。所以本文采用中值濾波算法對(duì)軸承圖像進(jìn)行濾波處理。中值濾波在對(duì)圖像進(jìn)行濾波處理的過(guò)程中不僅能夠有效地對(duì)突變?cè)肼曔M(jìn)行降噪處理,同時(shí)能夠很好地保存圖像中的邊緣特征[8],濾波效果如圖4所示。

圖4 中值濾波

3)圖像閾值分割

對(duì)圖像進(jìn)行閾值分割的目的是為了突出圖像中感興趣的區(qū)域,為后續(xù)的圖像識(shí)別定位計(jì)算做好準(zhǔn)備。圖像閾值分割的過(guò)程主要通過(guò)設(shè)定閾值T來(lái)對(duì)圖像進(jìn)行二值化處理。在對(duì)圖像進(jìn)行閾值分割之前,首先對(duì)目標(biāo)圖像進(jìn)行灰度直方圖的統(tǒng)計(jì),如圖5所示。根據(jù)灰度直方圖的分布情況,本文采用Otsu法對(duì)圖像進(jìn)行分割處理[9],該方法分割效果好,計(jì)算簡(jiǎn)單。在對(duì)圖像進(jìn)行分割的過(guò)程中,動(dòng)態(tài)地確定閾值T,使得在圖像分割之后,目標(biāo)圖像與背景之間的方差最大,閾值分割效果如圖6所示。

圖5 中值濾波后的圖像灰度直方圖

圖6 Otsu閾值分割

4)圖像外輪廓邊緣檢測(cè)

圖像的邊緣特征包含了圖像的大部分信息,是對(duì)圖像進(jìn)行識(shí)別定位的關(guān)鍵因素。在邊緣檢測(cè)的算法中Canny邊緣檢測(cè)受到噪聲的影響較小,檢測(cè)出來(lái)的邊緣比較連續(xù),邊緣線條清晰,檢測(cè)精度高并且受圖像噪聲的干擾較小,在對(duì)圖像進(jìn)行邊緣的檢測(cè)中得到了廣泛的應(yīng)用。所以本文結(jié)合此方法對(duì)軸承圖像進(jìn)行邊緣檢測(cè)。同時(shí)通過(guò)對(duì)軸承圖像的外輪廓邊緣特征進(jìn)行識(shí)別匹配定位就可以達(dá)到對(duì)目標(biāo)軸承進(jìn)行識(shí)別定位的目的,還可以簡(jiǎn)化圖像處理的信息,提高計(jì)算速度。為提取到目標(biāo)圖像的外輪廓邊緣特征,本文對(duì)閾值分割后的圖像先進(jìn)行孔洞填充處理,再對(duì)圖像進(jìn)行Canny邊緣檢測(cè),效果如圖7所示。

圖7 外輪廓邊緣特征檢測(cè)

2.2 軸承的Hu不變矩特征識(shí)別匹配

在提取到目標(biāo)圖像外輪廓邊緣特征后,本文采用圖像的Hu不變矩特征來(lái)對(duì)目標(biāo)軸承進(jìn)行識(shí)別匹配。通過(guò)設(shè)置軸承的模板圖像,計(jì)算模板圖像與待識(shí)別軸承圖像外輪廓的Hu不變矩特征值并進(jìn)行比較計(jì)算,同時(shí)設(shè)定相應(yīng)的檢測(cè)閾值,以達(dá)到對(duì)目標(biāo)軸承進(jìn)行識(shí)別判斷的目的。

1)Hu不變矩

圖像的Hu不變矩特征具有在圖像發(fā)生平移、縮放以及旋轉(zhuǎn)的時(shí)候都不變的性質(zhì)[10],其分析計(jì)算過(guò)程如下。

a)計(jì)算圖像的(p+q)階幾何矩mpq和中心矩μpq:

(1)

式中N、M分別為圖像的行列數(shù)。

b)對(duì)中心距μpq做歸一化計(jì)算:

(2)

式中μ00是零階中心距。

c)構(gòu)造胡氏7個(gè)不變量

(3)

上述的7個(gè)特征量變化較大,并且可能出現(xiàn)負(fù)值。因此,本文采用式(4)對(duì)上式得出的結(jié)果再進(jìn)行計(jì)算。

φi=sign(φi)log|φi,i=1,2,…,7

(4)

2)工件的識(shí)別匹配

對(duì)待識(shí)別的軸承進(jìn)行識(shí)別匹配的過(guò)程中,首先需建立軸承的模板圖像A并獲取到該圖像外輪廓的Hu不變矩特征值;然后對(duì)待識(shí)別的軸承圖像B進(jìn)行處理,提取圖像的外輪廓邊緣特征,同樣也計(jì)算出該輪廓的Hu不變矩特征值;最后對(duì)兩組特征值通過(guò)式(4)進(jìn)行計(jì)算并利用式(5)進(jìn)行計(jì)算比較,同時(shí)設(shè)定相應(yīng)的檢測(cè)閾值完成工件的識(shí)別匹配判斷。

(5)

由式(5)可知:當(dāng)I(A,B)越小時(shí),待識(shí)別的軸承圖像與模板軸承的匹配度越高,反之則越低。

2.3 軸承工件的定位

傳統(tǒng)的定位軸承工件圓心的位置有Hough變換[11]、三點(diǎn)定圓法[12]以及最小二乘法[13]。Hough變換具有魯棒性好,但在其投票統(tǒng)計(jì)的累加過(guò)程中需要消耗大量的內(nèi)存和時(shí)間;三點(diǎn)定圓法雖然計(jì)算簡(jiǎn)單,但其定位精度也較低;最小二乘法可以得到高精度的圓心位置,同時(shí)計(jì)算量少,占用的內(nèi)存和消耗的時(shí)間均較少,但容易受到圖像中干擾點(diǎn)的影響,降低最后的定位精度。基于此,本文提出在完成目標(biāo)軸承的識(shí)別匹配之后,對(duì)提取到的圖像外輪廓上的邊緣點(diǎn)集Q采用最小二乘法進(jìn)行圓的擬合,然后利用迭代法進(jìn)行修正,最后通過(guò)計(jì)算圓心的位置坐標(biāo)實(shí)現(xiàn)對(duì)目標(biāo)軸承工件的位置定位,達(dá)到提高軸承工件的定位精度以及檢測(cè)系統(tǒng)的檢測(cè)效率的目的。

圓曲線方程的一般形式可以描述為

R2=x2-2Ax+A2+y2-2By+B2

(6)

令a=-2A,b=-2B,c=A2+B2-R2,則可將式(6)轉(zhuǎn)換為

x2+y2+ax+by+c=0

(7)

設(shè)di為邊緣上的點(diǎn)ai(Xi,Yi)到圓心的距離,則有:

(8)

(9)

通過(guò)Q(a,b,c)分別對(duì)a、b和c求偏導(dǎo)并取偏導(dǎo)數(shù)為0,則可以計(jì)算出:

(10)

由此即可計(jì)算出擬合圓的圓心坐標(biāo)O0(Xc,Yc)以及圓半徑R0的大小。但是在實(shí)際的應(yīng)用中發(fā)現(xiàn),該算法有時(shí)候得出的結(jié)果與真實(shí)的結(jié)果存在較大的偏差。這是因?yàn)樵谶M(jìn)行圓擬合的過(guò)程之中受到某些方向上干擾點(diǎn)的影響,導(dǎo)致最終得出的結(jié)果出現(xiàn)了偏差。所以為了使計(jì)算出的結(jié)果更接近于真實(shí)值,本文采用迭代法對(duì)上述得出的結(jié)果進(jìn)行迭代修正處理。設(shè)迭代函數(shù)為

(11)

式中參數(shù)p的作用在于當(dāng)干擾點(diǎn)接近擬合圓時(shí),放大誤差值,使得f取到全局最小值。

ξ(k+1)=ξ(k)-ΦFξ(k);F=[F1F2F3]T

(12)

在迭代計(jì)算的過(guò)程中取圓心坐標(biāo)O0(Xc,Yc)和半徑R0作為ξ(k)的初始值ξ(0)。同時(shí)結(jié)合迭代終止式(13),設(shè)置相應(yīng)的初始步長(zhǎng)以及迭代精度得出最終的圓心坐標(biāo)和半徑值。

(13)

式中tol為迭代的相對(duì)誤差。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

本文結(jié)合實(shí)驗(yàn)室現(xiàn)有的AUBO機(jī)器人、?？礛V-CE050-31GM相機(jī)、MVL-HF1228M-6MPE鏡頭等設(shè)備,基于Visual Studio 2017平臺(tái)、OpenCV3.4.6視覺函數(shù)庫(kù)進(jìn)行開發(fā)與實(shí)驗(yàn)驗(yàn)證分析。其中MV-CE050-31GM相機(jī)的傳感器類型為CMOS,分辨率為2 592×1 944,通信接口為GigE;MVL-HF1228M-6MPE鏡頭具有畫面清晰度高以及對(duì)比度好等特點(diǎn)。將相機(jī)安裝在AUBO機(jī)器人的執(zhí)行末端,用于采集軸承圖像,采用環(huán)形光源進(jìn)行補(bǔ)光以使軸承圖像更加清晰,以PC作為上位機(jī),通過(guò)GigE接口接收相機(jī)發(fā)送過(guò)來(lái)的圖像信息,實(shí)驗(yàn)環(huán)境如圖8所示。

圖8 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)的過(guò)程之中將NSK 6204Z軸承擺放在試驗(yàn)臺(tái)上并在每一次實(shí)驗(yàn)之前在一定范圍內(nèi)改變其在實(shí)驗(yàn)臺(tái)上的位置,然后設(shè)置軸承的模板圖像與檢測(cè)閾值,利用本文的算法對(duì)待檢測(cè)的軸承進(jìn)行匹配識(shí)別,設(shè)置當(dāng)檢測(cè)得到的匹配度閾值小于0.05時(shí),則認(rèn)為該工件為目標(biāo)軸承工件。同時(shí)利用本文的定位算法計(jì)算出軸承的位置坐標(biāo)(xi,yi),將此結(jié)果與真實(shí)值(x0,y0)做比較,計(jì)算在x軸方向和y軸方向的偏差值Δx和Δy。

(14)

共進(jìn)行了50次的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表1(部分結(jié)果)和圖9—圖11所示。

由圖9可知軸承匹配度的范圍在0～0.03之間,皆小于設(shè)定的匹配度閾值0.05,50次軸承的識(shí)別匹配正確率為100%;圖10中在x軸方向和y軸方向上的位置誤差撥動(dòng)范圍的絕對(duì)值都在0.5像素以內(nèi);圖11中每次實(shí)驗(yàn)所用的時(shí)間都在[210,230]ms之間,識(shí)別定位誤差皆滿足系統(tǒng)對(duì)軸承的識(shí)別定位精度要求。由此可知在誤差范圍之內(nèi),本文算法可實(shí)現(xiàn)對(duì)目標(biāo)軸承的準(zhǔn)確識(shí)別與定位。

圖10 定位誤差曲線

圖11 耗時(shí)曲線

4 結(jié)語(yǔ)

針對(duì)在結(jié)合視覺技術(shù)對(duì)軸承進(jìn)行質(zhì)量檢測(cè)以及尺寸測(cè)量的過(guò)程之中,待檢測(cè)的軸承易發(fā)生位置的偏移導(dǎo)致測(cè)量的結(jié)果出現(xiàn)較大的偏差,所以在對(duì)軸承進(jìn)行各項(xiàng)參數(shù)檢測(cè)之前需對(duì)目標(biāo)軸承進(jìn)行準(zhǔn)確的識(shí)別定位。基于此,本文提出了一種基于機(jī)器視覺的軸承識(shí)別與定位算法,通過(guò)對(duì)采集到的圖像進(jìn)行預(yù)處理,分割出目標(biāo)圖像并提取圖像的外輪廓邊緣特征,然后結(jié)合計(jì)算待識(shí)別圖像和模板圖像的Hu不變矩特征值對(duì)圖像進(jìn)行識(shí)別匹配;最后通過(guò)最小二乘法擬合圓計(jì)算圖像的位置信息,并通過(guò)迭代法進(jìn)行修正。實(shí)驗(yàn)結(jié)果表明:本文針對(duì)軸承的識(shí)別與定位提出的算法滿足系統(tǒng)對(duì)軸承的識(shí)別定位精度要求;可應(yīng)用于軸承的生產(chǎn)線上;對(duì)提高對(duì)軸承各項(xiàng)參數(shù)的質(zhì)量檢測(cè)精度,具有實(shí)際意義。