基于機器視覺算法的軸承套端面缺陷檢測研究

駱騰斌，陳 碩*，趙紫陽，連青惠(.福州大學 機械工程及自動化學院，福建 福州 3506；.福建省永安軸承有限責任公司，福建 永安 366000)

0 引 言

受加工過程中各種不確定因素的影響，軸承內外套端面加工后依然可能會出現凹坑、劃痕、鍛廢、大小邊等缺陷。上述這些缺陷一方面影響軸承外觀，另一方面軸承套端面作為后續加工的定位面，若缺陷嚴重，則可能影響軸承各零件的配合，從而降低軸承的耐用性能，給配套主機的正常使用埋下安全隱患。因此，存在這些缺陷的軸承套，在進入下一道工序前必須剔除掉[1-2]。目前，國內軸承生產企業主要依賴人工目測完成上述缺陷檢測與次品的剔除。然而，人工目測不僅效率低下，還很容易出現誤檢和漏檢，人為因素影響大，穩定性和可靠性較差，因漏檢造成的退換貨現象時有發生，給企業造成經濟上的損失之余，也降低了客戶對其產品的信任度[3]。鑒于此，軸承生產廠家急需自動檢測設備來替代人工檢測，降低人力成本，實現對產品質量的嚴格控制。

基于機器視覺的檢測方法憑借其速度快、精度高、穩定性好等特點而受到廣泛關注。王恒迪等人[4]通過改進的Otsu閾值分割方法和邊緣檢測技術，實現了對軸承內外套端面的檢測；陶青平等人[5]針對目前應用單閾值圖像檢測產品缺陷方法的局限性，而多閾值分割算法僅能檢測高于目標灰度缺陷的情況，提出了一種基于Otsu多次閾值的方法，完成了軸承端面缺陷檢測；陳廉清等人[6-7]對軸承檢測也作了較多研究。然而，現有的軸承表面質量視覺檢測方法大都存在著檢測效率有待提高等問題，因此仍需進一步的改進。

針對當前人工檢測及現有檢測算法所存在的不足，本文提出一種新的軸承套端面缺陷視覺檢測方法，以提高檢測效率與準確率。

1 軸承套端面區域提取

本算法首先對所采集圖像進行平滑處理以減弱噪聲的影響，然后利用自適應閾值的canny算子完成邊緣檢測，從檢測結果中提取出邊緣輪廓，再采用最小二乘法擬合圓，最后分割出軸承套端面圓環區域。

1.1 圖像平滑處理

經由圖像采集系統得到的原始圖像都包含有某種程度的噪聲，為了抑制這些噪聲，減弱其對后期缺陷檢測的影響，則需對圖像進行平滑處理。為適應不同檢測過程的需求，本文共涉及兩種圖像平滑處理方法：中值濾波與均值濾波。

中值濾波為常用的非線性濾波方法,也是圖像處理技術中最常用的預處理技術[8]。它無論是在消除噪聲還是保存邊緣信息方面都有較好的效果。因此，本文選用3×3的函數窗對原始圖像進行中值濾波處理，再將處理結果用于邊緣檢測。然而，中值濾波會導致算法對劃痕、麻點等細小缺陷出現漏檢。根據合作廠家提出的寧可誤檢不可漏檢原則，本文采用原始圖像經由內核大小為3×3的均值濾波后的輸出結果作為后續缺陷檢測的圖像。

原圖及應用兩種濾波方法處理原圖的效果如圖1所示。

圖1 原圖及濾波效果

1.2 邊緣檢測

Canny邊緣檢測算子是John F.Canny于1986年開發出來的一個多級邊緣檢測算法[9]。在眾多的圖像邊緣檢測方法中，Canny算子以其嚴格的邊緣檢測評價標準得到了廣泛應用，被很多人推崇為當今最優的邊緣檢測算法。

為了盡量精確地確定邊緣的位置，本文采用Canny算子來完成邊緣檢測工作。然而傳統Canny算子高低閾值是人為確定的，這就造成了它難以應用于自動化檢測。針對這一問題，一種解決方案是運用最大類間差(Otsu)法確定Canny算子的高閾值[10-12](記為α)，再用該高閾值乘以一個比例因子作為其低閾值(記為β)。

Canny檢測效果如圖2所示。

圖2 Canny檢測效果

該方法對圖1(b)的處理結果如圖2(a)所示；另一種解決方案是運用迭代法確定閾值α[13]，其對圖1(b)的處理結果如圖2(b)所示。以上兩種方法雖檢測到了較豐富的邊緣信息，但結果中也包含了許多誤檢的邊緣。考慮到邊緣檢測主要是服務于接下來的擬合圓操作，而并不是用于檢測缺陷，所以為了避免因邊緣檢測產生誤檢，則α值不應過低，本算法選取圖像的最大灰度值作為α。對于Canny算子的高低閾值比，一般推薦在2：1～3：1之間，本算法取β=0.4α。通過對大量圖像進行測試，結果表明本文的閾值確定方法十分高效，而且能使得基于該高低閾值的Canny算子具有較好的檢測效果，其對圖1(b)處理結果如圖2(c)所示。

1.3 端面圓環區域提取

軸承套圓心的定位及端面內、外圓半徑的計算是端面圓環區域提取的基礎。Hough變換、三點定圓法及最小二乘法是常用的3種定位圓心的方法。

Hough變換具有魯棒性好[14]，對缺陷較大的圓也能較準確定位圓心的優點，但其投票統計的累加過程消耗大量的內存與時間。

由于隨機提取3個邊緣點坐標，三點定圓法是3種方法中計算量最少的，但其定位精度也是最低的，無法精確算得端面內外圓的實際圓心坐標和半徑。

最小二乘法可以計算得到高精度的圓心和半徑[15]，且計算量較少，占用的內存和消耗的時間也均較少。同時，因為最小二乘擬合的平方項對離群點非常敏感，所以可以利用半徑長度的先驗知識與擬合結果作比較，從而直接剔除輪廓存在較大缺陷的軸承套。

綜合考慮精度、計算復雜度和耗時，本研究采用最小二乘法。

(1)

(2)

其中：

據此，本算法便能簡便地擬合出軸承端面的內、外圓如圖3所示。

圖3 擬合圓

繼而本算法可提取出圖1(c)中的軸承套端面圓環區域，如圖4所示。

圖4 提取的圓環區域

2 缺陷檢測

2.1 閾值分割

準確的閾值分割是缺陷檢測的先決條件，而其最大難點又在于門限閾值的合理選取。為適應各軸承套間的差異，顯然不能采用固定的門限閾值，故本研究只考慮自適應閾值算法，如迭代法、Otsu法[16]。通過大量測試，筆者最終決定采用Otsu法作為自適應閾值算法。

Otsu法是一種圖像灰度自適應的閾值分割算法，由日本學者大津[17]于1979年提出。該算法通過計算不同閾值對應的類間方差，而類間方差最大意味著錯分概率最小，從而求得分割圖像的最佳閾值。

首先計算出圖像的灰度直方圖，其灰度級別記為[imin，imax]，然后對h(i)=ni進行歸一化，并令pi=ni/N，其中：N—圖像中像素點的總個數，pi—不同灰度值在圖像中的概率，于是有∑pi=1。

現假設閾值將圖像中的像素點分為了背景C0與前景C1兩類，C0表示具有級別[imin，T]的像素，C1表示具有級別[T+1，imax]的像素，則這兩類出現的概率分別為：

(3)

類C0的灰度均值為：

(4)

類C1的灰度均值為：

(5)

又因為μ(T)與μ分別為：

(6)

所以有：

ω0+ω1=1，ω0μ0+ω1μ1=μ

(7)

故而，類間方差為：

σ2=ω0(μ0-μ)2+ω1(μ1-μ)2

(8)

上式計算量較大，可將其簡化為：

σ2=ω0ω1(μ0-μ1)2

(9)

要使類間方差σ最大，則應該取：

(10)

為減少計算量，縮短程序的運行時間，應將閾值T的取值范圍限制在[imin，imax]區間。

研究運用Otsu法計算圖1(c)及圖4得到的閾值T分別對圖4進行分割操作，并將灰度值小于T的像素點置為“255”(白色)，其余像素點置為“0”(黑色)，其結果如圖5所示。

圖5 OTSU閾值分割結果

同理，本研究以迭代法得到的閾值T對圖4進行分割的結果如圖6所示。

圖6 迭代法閾值分割結果

由圖5的分割結果可以看出，Otsu算法得到的全圖最佳閾值未能有效地分割出缺陷，如圖5(a)所示，存在漏檢的風險；而基于圓環區域的閾值則能得到很好的分割效果，如圖5(b)所示。圖6(a)表明，迭代法基于全圖得到的閾值雖能分割出缺陷，但分割得不完整，所以同樣存在漏檢的可能；圖6(b)則說明迭代法基于圓環區域得到的閾值可能導致算法出現誤檢。

因此，本算法采用Otsu法基于圓環區域得到的閾值可以完成缺陷分割。

2.2 缺陷檢測與判別

對于端面大小邊缺陷，其主要特點是內、外圓不同心，且圓環區域內可能并無其它缺陷，即無法通過閾值分割完成缺陷判別，故本文直接于完成擬合圓之后便予以剔除。該缺陷的判別是通過計算兩擬合圓圓心間的歐氏距離dp，再將其與給定閾值Dp比較來完成的，若dp>Dp則判定為存在大小邊缺陷，否則便繼續通過閾值分割進行其余缺陷判別。根據合作廠家的檢測標準，圓環區域的最大與最小寬度的差值應不超過1 mm(對應到圖像上約為10個像素)，即內、外圓圓心偏移量應不超過0.5 mm，因此取閾值Dp為5個像素，即Dp=5。

基于本文算法，若端面合格，分割結果中將只有兩個圓；若端面存在缺陷，則分割結果中除了兩個圓之外還包含缺陷區域，如圖5(b)所示。

因此，為避免誤判，實際用于分割的圖像是縮進了2個像素的圓環區域，分割結果如圖7所示。

圖7 縮進圓環區域分割結果

為判別軸承套端面是否存在缺陷，本文基于八鄰域標記算法提取出分割結果中的連通域，若連通域面積S(像素數)大于給定的閾值(最小缺陷面積)，則判定存在缺陷。

3 實驗結果與分析

為了評估本文提出的檢測方法的性能，筆者共采集200幅軸承套圖像作為測試樣本，其中合格軸承套圖像100幅，其余為包含各缺陷類型的軸承套圖像。原始圖像寬度為640×480像素，文中的所有插圖均為截取而來，且大小均為360×360個像素。

算法測試結果如表1所示。

表1 算法測試結果

分析實驗結果發現，實驗中誤檢、漏檢現象的出現主要是由于圖像采集過程中受噪聲干擾導致缺陷面積S處于臨界值的軸承被誤判所引起的。針對以上情況，可通過改善照明條件和優化算法以提高魯棒性。

該實驗在Window7系統、Visual Studio2010平臺上進行，電腦配置Intel(R)Pentium(R)處理器，3.00 GHz主頻，4G內存。本算法通過C++語言編程實現，其對于每幅圖像的檢測時間均不超過50 ms，且最少耗時僅為31 ms，完全能滿足工業實時性要求。

4 結束語

本文提出了一種基于機器視覺技術的軸承套端面檢測方法，通過圖像的灰度直方圖快速地得到了Canny算子的高低閾值，實現了閾值自適應，并取得了較好的邊緣檢測效果；再結合基于最小二乘法的圓擬合算法完成了軸承端面區域提取，接著利用Otsu算法對圓環區域進行了閾值分割，最后根據連通域的特征與大小完成了缺陷判別。

實際測試結果顯示：該方法具有檢測正確率高、速度快、重復性好等優點。下一階段，筆者將應用其搭建一套工業在線檢測系統。

[1] 陳文達,白瑞林,吉 峰,等.基于機器視覺的軸承防塵蓋表面缺陷檢測[J].計算機工程與應用,2014(6):250-254.

[2] 李妍妍，樊連慶，張 毅.一種基于機器人控制軟件的構件缺陷管理方案[J].兵工自動化，2017，36(5)：88-91.

[3] 陳 龍,侯普華,王 進,等.軸承表面缺陷類型識別算法[J].計算機應用研究,2015(5):1549-1553.

[4] 王恒迪,李 莎,楊建璽,等.軸承端面缺陷的視覺檢測方法[J].軸承,2016(3):60-63.

[5] 陶青平,吳錫生.快速檢測軸承表面缺陷方法的研究[J].微電子學與計算機,2011,28(10):98-100，104.

[6] 陳廉清,崔 治,王龍山.基于差影和模板匹配的微小軸承表面缺陷檢測[J].中國機械工程,2006，17(10):1019-1022.

[7] 陳廉清,袁紅彬,王龍山.SUSAN算子在微小軸承表面缺陷圖像分割中的應用[J].光學技術,2007(2):305-307.

[8] 岡薩雷斯.數字圈像處理[M].3版.北京：電子工業出版社,2011

[9] 鈕圣虓,王 盛,楊晶晶,等.完全基于邊緣信息的快速圖像分割算法[J].計算機輔助設計與圖形學學報,2012,24(11):1410-1419.

[10] 張志強,宋海生.應用Otsu改進Canny算子的圖像邊緣檢測方法[J].計算機與數字工程,2014,43(1):122-128，141.

[11] 梁光明,孫即祥,馬 琦,等.Otsu算法在Canny算子中的應用[J].國防科技大學學報,2003,25(5):36-39.

[12] MEI Fang, YUE Guang-xue, YU Qing-cang. The study on an application of otsu method in canny operator[J].ProceedingsoftheInternationalSymposlimonInformationProeessing,2009,2(4):109-112.

[13] 王小俊,劉旭敏,關 永.基于改進Canny算子的圖像邊緣檢測算法[J].計算機工程,2012,38(14):196-198，202.

[14] 周勇亮,金 燕,何 萍,等.隨機Hough變換圓檢測累計加速算法[J].計算機輔助設計與圖形學學報,2014,26(4):574-580.

[15] 霍建亮,曾 翎,王德勝,等.基于最小二乘法改進的隨機圓檢測算法[J].光電工程,2011,38(5):145-150.

[16] 陳寧寧.幾種圖像閾值分割算法的實現與比較[J].電腦知識與技術,2011,7(13):3109-3111.

[17] OHTUS N. A threshold selection method from gray-level histograms[J].IEEETransactionsonSystemsManandCybernetics.1979,9(1):62-66.