基于Halcon的鋼球表面缺陷檢測系統設計

吳秀東，李東興，常曉剛，王建軍

(山東理工大學 機械工程學院,山東 淄博 255049)

在工業強基工程中，軸承被列為機械基礎零部件的首位，高轉速高精度軸承更是被作為發展的重點方向[1]。鋼球屬于滾動軸承中的關鍵零件，其表面缺陷狀況對軸承的動態性能、使用壽命等有著舉足輕重的影響，統計表明，由于鋼球表面缺陷導致的軸承失效占比高達61.2%[2]，因此，鋼球表面缺陷檢測成為鋼球生產中一道必不可少的檢測工序。

目前，AVIKO-K型鋼球表面缺陷檢測儀廣泛應用于鋼球表面質量檢測，其利用光電、渦流檢測方法[3]，具有效率高、操作簡單等優點。然而，為減小對渦流傳感器檢測精度的干擾，對檢測環境、儀器結構提出了很高要求；該檢測儀的展開機構等只能使用非金屬材料，耐磨性較差，必須頻繁更換，且對麻點缺陷類型識別能力弱。文獻[4-5]研制了均勻散射的光源照明系統，設計了基于雙CCD相機的鋼球表面一維滾動展開方法，使用水平、垂直投影粗略定位與Canny算子準確定位結合的方法確定直線軌道上每個鋼球的位置，采用實時背景差分方法提取鋼球表面缺陷；但該系統僅針對φ1.5 mm的鋼球，適用性低，實時背景差分方法的連續性、穩定性也存在很大問題[6]；文獻[7-8]設計了基于最小圓形外接矩形得到鋼球檢測區域的方法，采用剪影法及BP神經網絡方法提取鋼球表面特征，但其所檢測的鋼球直徑范圍為10～20 mm，檢測范圍窄且油液介質和展開系統還有待研究。文獻[9-10]運用光纖檢測方法，但并未設計展開裝置、上位機界面等；還有其他針對鋼球表面展開方法[11]及模式識別方法[12]的研究，但均缺乏實際應用。

綜上，結合Halcon軟件提出一種鋼球表面缺陷檢測系統設計方案，將采集到的鋼球表面圖像實時傳入計算機，通過建立的圖像處理缺陷檢測算法提取表面缺陷，能夠有效地從復雜背景中計算出鋼球表面缺陷面積，進而控制電動機帶動機械手工作，準確實現鋼球優劣的自動分揀，并在實際的鋼球生產過程中取得了良好的效果。

1 鋼球表面質量檢測系統

1.1 硬件結構

鋼球表面缺陷檢測系統如圖1所示，主要包括上料裝置、照明裝置、鋼球表面展開裝置、圖像采集傳輸裝置、計算機和分選控制裝置。其工作原理為：裝料箱中的被測鋼球通過往復運動的出球滑板到達過渡通道，當過渡通道上的磁敏傳感器判斷鋼球達到設定數量時，裝料箱上的出球滑板停止運動從而停止出球。2個往復進球機械手之間的距離可以調節，用來控制每組檢測鋼球的數目，限位機械手將每組鋼球限制在檢測區域內。過渡通道上方裝有保護液噴淋管，減少檢測過程中的鋼球碰撞、摩擦損傷，同時提高鋼球表面清潔度。整個檢測通道的寬度可以調節，檢測鋼球直徑范圍為10～50 mm。檢測區域兩側為LED照明裝置，檢測區域下方是作往復、周向運動的展開盤，可使得鋼球表面充分展開。在鋼球表面展開過程中，光學鏡頭、CCD相機配合完成鋼球表面圖像采集，通過基于Halcon的鋼球表面缺陷檢測算法實時計算采集圖像的鋼球表面缺陷面積，從而判別鋼球是否合格，分球機械手和分球板相互配合使鋼球進入相應的品料倉。

圖1 鋼球表面缺陷檢測系統示意圖Fig.1 Diagram of detecting system for surface defects on steel ball

1.2 圖像處理軟件

該檢測系統的圖像處理軟件基于Halcon 10.0編程開發[13]。根據實際使用需求，所設計的系統主界面如圖2所示。主要包括開始與停止檢測控制、檢測方案設置、相機設置、電動機控制、缺陷面積與檢測結果顯示。通過這些功能模塊的相互結合，可高效、準確地實現鋼球優劣的自動化分揀。

圖2 檢測系統主界面Fig.2 Main interface of detecting system

2 基于Halcon的鋼球表面缺陷檢測算法

2.1 感興趣區域選取

圖像過大、背景復雜、對象過多都會干擾對目標的處理。為提高圖像處理的針對性和準確度，去掉無用區域，提高圖像處理速度，通常會采用感興趣區域(Region of Interest，ROI)選取[14-15]，從而優化系統性能。

檢測過程中，鋼球每4個一組進入展開盤，每組鋼球所在位置固定。由于LED燈兩側式照明方式的影響，鋼球正上方存在反射盲區，相鄰鋼球表面也會存在光線的相互反射，使得CCD相機所采集到圖像如圖3所示。

圖3 CCD相機采集到的鋼球圖像Fig.3 Steel ball image captured by CCD camera

為去除與鋼球表面圖像無關的背景、反射盲區以及相鄰鋼球反射成像的區域，系統通過4個橢圓區域取并集，然后與矩形區域取差集的方法獲取含有鋼球表面缺陷圖像作為感興趣區域，具體步驟如下：

1)在鋼球成像的固定位置分別繪制4個橢圓區域Ellipse1～Ellipse4，對于包含鋼球表面缺陷區域進行合并，同時去除圖像背景和相鄰鋼球反射成像的區域，如圖4所示。橢圓區域靈活性強，可以充分包含每個鋼球的表面圖像。

圖4 合并區域Fig.4 Union region

2)根據所檢鋼球尺寸以及反射盲區大小繪制矩形區域Rectangle，如圖5所示。矩形區域應包含鋼球表面圖像的盲區以及盲區相鄰的偏暗區域，若矩形區域過大會減小鋼球表面有效面積，造成缺陷漏檢；若矩形區域偏小會使得背景圖像殘留在檢測區域中，造成鋼球的誤檢。

圖5 矩形區域Fig.5 Rectangle region

3)令合并區域UnionRegion與矩形區域Rectangle取差集，最終得到感興趣區域ROI_0，如圖6所示。

圖6 感興趣區域Fig.6 Region of interest

2.2 形態學濾波

由于采集裝置、傳輸方式、工作環境等因素的影響，采集到的鋼球表面圖像往往夾雜噪聲，使得表面質量下降，所計算的缺陷面積不準確，從而產生誤判。

通過形態學濾波處理[16]可有效除去圖像中含有的噪聲成分，保護鋼球外部輪廓與缺陷區域細節特征，并且使得圖像亮度有所增強，濾波結果如圖7所示。

圖7 感興趣區域形態學濾波Fig.7 Morphological filtering of region of interest

2.3 鋼球表面缺陷邊緣檢測

邊緣是圖像最基本的特征，邊緣檢測是圖像處理的重要組成部分，其準確性直接影響后續的圖像處理、分析和識別。為計算鋼球表面缺陷面積，進行判別分選，需要運用邊緣檢測算法提取鋼球表面缺陷邊緣。

2.3.1 多方向計算梯度幅值并進行非極大值抑制

設不同方向的模板分別為

將形態學濾波后的圖像J(x,y)分別與各模板卷積，得到的梯度分量分別為L0°(x,y)，L45°(x,y)，L90°(x,y)，L135°(x,y)，則

(2)

式中：L(x,y)為梯度幅值；θ(x,y)為梯度方向。對J(x,y)內的像素點，比較3×3鄰域中心點像素的梯度幅值與梯度方向上相鄰2個像素點的梯度幅值，如果鄰域中心點像素的梯度幅值比梯度方向上相鄰2個像素點的梯度幅值都大，則將當前鄰域的中心點記為可能的邊緣點，否則當前鄰域的中心點為非邊緣點，賦值為0。

2.3.2 類間方差和類內方差比值最大化

將非極大值抑制后的圖像分為前景區域和背景區域，使這兩類的總類間方差與總類內方差比值最大，從而自適應獲得高低閾值。

假設非極大值抑制后的圖像中灰度值i的像素數為ni，灰度范圍是[0,255]，總像素數目為V，各個灰度值出現的概率為pi=ni/V。把圖像中的像素由閾值T分為前景區域類C0=[0,T-1]和背景區域類C1=[T,255]，則C0和C1產生的概率分別為

(3)

對應的平均灰度分別為

(4)

整幅圖像的平均灰度為

(5)

P0P1(μ0-μ1)2。

(6)

(7)

(8)

(9)

(10)

比值函數α(T)只有一個自變量T，比值函數α(T)取最大值時，即總類間方差與總類內方差比值最大。

在[0,255]內閾值T從小到大順次取值，令α(T)最大的T值便是高閾值Th，則低閾值Tl=Th/2。使用高低閾值在3×3鄰域內檢測和連接邊緣，即若像素點(x,y)的梯度值大于Th，則為邊緣點；若梯度值小于Tl，則不是邊緣點；若像素點(x,y)的梯度值位于Th與Tl之間，在3×3鄰域內如果存在梯度值大于Th的像素點，則為邊緣點，否則不是邊緣點。最終得到邊緣檢測圖像，如圖8所示。

圖8 邊緣檢測圖像Fig.8 Edge detection image

2.4 計算鋼球表面缺陷面積

對鋼球表面缺陷圖像進行邊緣檢測后，為防止屬于同一區域的缺陷像素被分為不同區域，以及方便計算缺陷面積，需要進行連通區域，在Halcon 10.0中，連通區域算子為connection。

常用判別連通性的方法有4連通區域和8連通區域，如圖9所示。4連通區域包括中心像素相鄰的上、下、左、右4個位置；8連通區域包括中心像素相鄰的上、下、左、右、左上、左下、右上、右下8個位置[17]。擦痕、劃條等缺陷往往有一定的傾斜角度，4連通區域容易把這類屬于同一區域的缺陷錯誤地分為不同區域，而8連通區域可更好的根據周圍像素對缺陷區域分類，故本系統采用8連通區域。

圖9 連通區域示意圖Fig.9 Diagram of connected regions

鋼球表面缺陷面積S實際上是指一個缺陷區域包括的像素點的總數目，可以使用Halcon 10.0中的算子area_center計算缺陷區域的中心位置和缺陷面積。鋼球表面缺陷檢測軟件系統坐標系如圖10所示，從圖10b可以看出，根據缺陷區域的橫坐標值和每粒鋼球圖像的橫坐標區間即可確定每個缺陷的具體位置。

圖10 軟件系統坐標系示意圖Fig.10 Diagram of software system coordinates

2.5 算法流程

綜上可知，基于Halcon的鋼球表面缺陷檢測算法流程如圖11所示。

圖11 本文算法的流程圖Fig.11 Flow chart of textual algorithm

3 系統的測試與分析

實際檢測過程中，采用分辨率1 032×778，像素尺寸4.65 μm×4.65 μm的IK081M-30面陣CCD相機和TEC-M55光學鏡頭進行圖像采集。

鋼球質量判別前需要進行缺陷面積閾值設定。根據鋼球感興趣區域選取圖像，在Halcon 10.0中分別進行缺陷邊緣連通和缺陷面積計算。某3粒鋼球缺陷的計算結果如圖12所示，圖中從左至右分別為感興趣區域選取圖像、缺陷邊緣連通結果和缺陷面積。由于鋼球表面缺陷面積數據較多，因此將缺陷面積從大到小進行排列，只截取了部分缺陷面積數據。

圖12 鋼球的部分缺陷面積數據Fig.12 Partial defect area data of steel balls

為說明判別方法，以φ12.7 mm的鋼球為例說明判別閾值的選擇。選擇不合格鋼球和合格鋼球各20粒，在檢測區域觀察并記錄每粒鋼球的缺陷面積數值(為保證鋼球表面充分展開，同時最小程度避免缺陷重復檢測，根據展開盤的運行速度，應保證觀察時間4～5 min)，每粒鋼球的缺陷面積峰值見表1。由表可知：不合格鋼球的最小峰值為23，合格鋼球的最大峰值為17。為減少誤檢，可將第1判別閾值設定為20。

表1 鋼球的缺陷面積峰值Tab.1 Peak defect area of steel balls

將每粒鋼球的表面缺陷圖像的缺陷面積S建立數組，并從大到小排列，則數組中第1個數值Smax為最大值，第2個數值S2為次大值。如果僅僅以Smax>20作為判別鋼球不合格的標準，會造成誤判，因為當滿足20≥Smax>10且次大值S2大于10時鋼球也是不合格的，故添加了第2個判別步驟，則鋼球表面合格與否的判別方法為：

1)若Smax>20，則鋼球不合格，否則執行第2步；

2)若Smax>10且S2>10，則鋼球不合格，否則鋼球合格。

在確定鋼球表面缺陷面積的閾值后，需要對系統進行性能測試。由于該檢測系統用于流水線作業的工業生產，應具備較高的實時性與準確性。為驗證系統在實際檢測過程中的效率，將企業生產的5 000粒φ12.7 mm鋼球進行實時分揀，每組所檢測鋼球數量為4粒，每組鋼球采集的圖像數為5幅，通過往復、周向運動的展開盤相互作用，使得鋼球表面充分展開。檢測結果見表2。

表2 鋼球表面缺陷檢測結果Tab.2 Testing result of surface defects on steel ball

由表2可知：鋼球表面缺陷檢測系統的錯檢率小于2%，可達到工業生產中檢測準確性的要求。雖然分球機械手的協同作用會對檢測速度產生一定影響，但在鋼球合格率較高的情況下，該系統每小時可檢測鋼球仍可達6 000粒，保證了檢測的實時性，能夠滿足企業實際生產的需要。

4 結束語

針對傳統鋼球表面質量檢測所存在的檢測效率低、錯檢率高、勞動力需求大等缺點，提出了一種基于Halcon圖像處理平臺的鋼球表面缺陷檢測系統設計方案。根據建立的圖像處理算法，對工業相機采集的鋼球表面圖像進行缺陷檢測，然后通過缺陷面積計算并與缺陷面積閾值比較完成鋼球的自動分揀，實現鋼球表面缺陷的非接觸性檢測。實際檢測結果表明，該系統結構簡單，檢測速度快，誤檢率低，滿足大批量的鋼球生產過程，可大大提高工業生產的效率和自動化水平，具有很大理論研究和實際應用價值。但檢測系統的照明方式以及表面展開機構仍存在缺陷，在實際檢測過程中會出現光照不均勻及表面展開不充分等問題，這將成為后續研究的重點。