基于機器視覺的推力軸承墊圈缺陷檢測系統研究

項新建，王樂樂，曾航明

(浙江科技學院自動化與電氣工程學院，浙江 杭州 310023)

0 引 言

推力軸承是用來承受軸向力的專用軸承，在機械行業被廣泛應用于汽車、機床、大型機械等領域[1]。我國制造業經過不斷發展，軸承的生產工藝和質量已經得到很大提高，但是由于生產過程中的不確定因素，一些工件端面會有劃痕、凹坑、油污等缺陷，在出廠前必須經過嚴格檢測，目前大部分企業采用人工檢測，效率低、勞動強度大且動作頻繁重復容易產生視覺疲勞，檢測準確性無法保證，檢測過程中難免產生漏檢、錯檢[2]。軸承由滾動體、保持架和墊圈組成，墊圈起固定滾動體和保持架的作用，防止核心滾動體松動，同時密封潤滑油，如果將存在缺陷的軸承墊圈安裝使用，長時間運轉會造成異常磨損，嚴重可能造成滾動體脫落軸承無法工作，對設備造成損傷，甚至無法運轉[3]。因此快速高效地檢測推力軸承墊圈的表面缺陷尤為重要。

機器視覺和圖像處理技術經過不斷地開發和研究，應用越來越廣泛，類似的缺陷檢測研究主要有二值化閾值分割、特征提取與選擇、形態學處理等。杜曉輝等[4]提出一種基于機器視覺的火花塞端面缺陷自動檢測方法，采用改進的霍夫變換提取感興趣區域，二值化并利用形態學濾波分離缺陷，最后通過計算梯度直方圖特征進行邏輯分類。韓志瑋等[5]提出一種基于機器視覺的剎車片表面缺陷圖像檢測方法，結合灰度共生矩陣與密度聚類分析剎車片表面缺陷，再根據剎車片自身紋理提取特征來進行檢測。Martínez等人[6]介紹了一種用于檢測金屬零件紋理表面缺陷的機器視覺系統，將多幅圖像分別處理合并為一幅圖像，從中提取特征與之前處理步驟建立基于人工神經網絡的學習分類器的特征空間，進行自動化檢測與分類。Prappacher等人[7]提出快速可重復訓練的卷積神經網絡檢測滾子軸承滾動體表面缺陷，為解決神經網絡方法標記訓練數據要求高的問題，使用模擬缺陷使得檢測系統比現有的系統訓練更快、成本更低。國內外對缺陷檢測主要采用了傳統的圖像處理和神經網絡訓練等方法，神經網絡由于需要大量的訓練樣本，然而獲取缺陷樣本十分困難，所以操作難度較大。

因此為提高推力軸承墊圈缺陷的檢測準確率和效率，實現墊圈的自動化檢測，針對墊圈圖像背景復雜、干擾較多等特點，對采集到的圖像進行分析和圖像處理，檢測出推力軸承墊圈的缺陷并分類，設計了推力軸承墊圈端面缺陷檢測及分類系統，實驗驗證該系統穩定，檢測結果符合要求。

1 檢測系統總體方案設計

推力軸承墊圈端面缺陷檢測系統由硬件系統和圖像處理軟件部分組成。硬件系統主要包含光源、工業相機、工業鏡頭、計算機、傳送帶裝置、分類機構及其控制設備，圖像處理方面主要含有軟件平臺、圖像采集及圖像處理算法[8]。將對視覺檢測系統的軟硬件進行設計和論述，實現對推力軸承墊圈端面缺陷檢測和分類的目的。

推力滾針軸承的結構如圖1所示，由于密封、保存、使用不當等原因，工件表面容易產生劃傷、磕碰、銹蝕等缺陷，其分布無規律、隨機性較大，因此需對整個工件表面進行檢測[9]。為了提高檢測效率并改善繁瑣的檢測過程，針對工件的特征以及缺陷的特征設計一套自動化檢測系統實現圖像采集以及缺陷的識別分類。

圖 1 推力滾針軸承結構（單位：mm）

以墊圈的下端面為檢測對象進行研究，上端面與下端面采用相同方法，根據工件和圖像的特征，針對噪聲干擾、缺陷分類等問題，首先將圖像Blob分析，求出內外徑圓所在區域，對亞像素（XLD）輪廓利用最小二乘法圓擬合得到其尺寸參數，生成內外徑區域圓求差集得到感興趣區域，再利用傅里葉變換、低通濾波、圖像卷積和傅里葉逆變換，抑制其他因素干擾，突出缺陷，最后得到缺陷并提取特征，根據特征對缺陷進行分類，實現缺陷檢測及分類。

2 檢測系統的硬件設計

在搭建系統時首先需要對相機、鏡頭、光源進行選型，考慮到檢測環境、檢測工件的特征等要求后，選取高分辨率海康威視工業相機MV-CE200-10UC（分辨率5 472×3 648）、高幀速Basler鏡頭、環形光端面打光。環形光源有如下特點：1）LED采用直流電源，采集的圖像不存在頻閃；2）LED照明360°均勻照射在工件表面上，無虛影；3）極低熱量，功耗小，平均使用壽命35 000 h以上，安全穩定。

在采集端面圖像時，考慮提高檢測的效率以及自動化，相機的采集圖像方式設置為外部觸發。夾具到位后PLC發出信號，計算機發出采集指令，相機隨即拍照，由千兆網口傳入計算機進行圖像處理，拍照結束后PLC發出信號夾具松開傳送帶繼續工作，墊圈端面圖像采集系統見圖2。檢測系統包含運動控制系統、圖像采集系統和分類系統，實現缺陷識別及自動化分類，系統的整體工作流程見圖3。

圖 2 圖像采集系統

圖 3 系統整體流程圖

系統具體流程為：1）工件由傳送帶進行運輸，傳送帶由步進電機驅動，光電傳感器觸發開始計時，到達圖像采集區域后傳送帶暫停，夾具開始固定工件，夾具就位后PLC發出采集圖像信號，觸發相機采集；2）圖像采集完成，計算機給PLC發出采集完畢信號，驅動夾具復位，傳送帶繼續工作；3）到達分類工位后，圖像經過計算機處理完成缺陷檢測，觸發相應光電傳感器進行分類；4）工件根據分類結果進入各自分揀槽，系統流程結束完成墊圈下端面缺陷的檢測及分類，下端面檢測完畢后將合格工件翻轉后再次通過檢測系統進行檢測，系統流程結束完成墊圈上、下端面缺陷的檢測及分類。機器視覺檢測系統如圖4所示。

圖 4 機器視覺檢測系統

3 推力軸承墊圈缺陷檢測算法

圖像采集系統采集的推力軸承墊圈圖像如圖5所示，由圖像可以看出感興趣區域為圓環，但圖像中存在夾具、背景等干擾，且打光凸顯缺陷的同時將表面紋理也突出顯示，針對這種復雜環境下缺陷的檢測，提出基于傅里葉變換的推力軸承墊圈端面缺陷檢測的圖像處理算法。

圖 5 推力軸承墊圈采集圖像

墊圈分為上端面和下端面，由于端面相似且篇幅限制，以下端面為例進行研究，上端面采用相同算法進行檢測，算法流程圖如圖6所示，首先相機采集到彩色圖像轉為灰度圖，二值化得到內外徑圓區域，亞像素邊緣提取得到XLD輪廓，對亞像素圓輪廓用最小二乘法進行圓擬合，從而提取出感興趣圓環區域；然后對灰度圖進行傅里葉變換將空間域轉為頻率域，同時濾波抑制其他干擾將缺陷區域突出化；最后對處理后的灰度圖像裁切，通過灰度直方圖來分割閾值，快速得到缺陷區域，并通過分析缺陷區域特征對缺陷區域分類。

圖 6 圖像處理算法流程圖

3.1 感興趣區域(ROI)的提取

在圖像處理過程中需要將圖像處理的范圍局限在圖像中的某一特定感興趣區域即ROI (region of interest)。推力軸承墊圈的圖像中，感興趣區域為中間的圓環區域，除此之外還有夾具和背景等干擾，需要對這些干擾區域進行抑制或剔除，由于背景、夾具和墊圈的平均灰度值較接近，利用常用的二值化和連通域面積很難將ROI提取出來[10]。因此需要利用ROI呈圓環的特征，用最小二乘法將內外徑圓擬合，生成區域、求其差集，基于此提出一種提取環形ROI的算法，針對環形且與背景灰度相近難以分離的感興趣區域的提取。

對推力軸承墊圈圖像二值化、閾值分割、形態學處理和提取亞像素邊緣后得到內外徑圓的亞像素輪廓，以外圓輪廓為例用最小二乘法進行近似圓擬合[11]，設擬合圓方程為：

經過變換可得另一形式圓方程：

只需求出參數a,b,c就可得到圓心及半徑：

設亞像素輪廓上的點坐標為(Xi,Yi)，i∈(1,2,3,···,N)，令Q(a,b,c)為 δi的平方和：

為使Q(a,b,c)的值最小，求得參數a,b,c如下：

將a,b,c代入式(3)可得擬合圓圓心坐標（A,B）和半徑R的值。最后根據求得的圓心及半徑生成外徑圓區域，同理可得內徑圓區域，求兩者差集得到感興趣區域。

3.2 圖像增強及干擾抑制

受推力軸承墊圈材質的影響，墊圈端面的灰度值呈均勻分布，缺陷的灰度值較大，但與表面相差較小難以分離出缺陷，運用圖像的乘法將圖像自乘，大大增加亮暗圖像點之間的差值，達到提高其對比度的目的，根據輸入的圖像得到其灰度值區間(g1,g2)，乘上灰度適應因子Mult，變換公式如下：

在圖像采集過程中，由于環境、光照等不確定因素影響，圖像中會不均勻地分布著噪聲，為減少圖像中的噪聲，首先快速傅里葉變換將圖像由空間域轉換到頻率域，傅里葉變換及傅里葉逆變換公式如下：

式中：f(k,l)——一幅大小為M×N的數字圖像；

k，l——時域變量；

m,n——頻域變量。

經過傅里葉變換得到頻譜圖如圖7(a)所示，為了便于濾波和頻譜分析，將原頻譜圖進行中心化得到中心化頻譜圖如圖7(b)所示，圖中包含3種描述特征信息的參數振幅、相位和能量譜，計算公式如下：

圖 7 頻譜圖

其中R(m,n)和I(m,n)分別表示F(m,n)的實部和虛部。

傅里葉對應的中心化頻譜圖呈中心發散分布，且有許多離散的高頻點，因此選用低通濾波器對傅里葉頻率域進行濾波，濾除掉一些細小的紋理和點噪聲排除干擾，缺陷的輪廓信息會丟失一部分，但對于提取缺陷影響有限。低通濾波器函數如下：

式中：D0——一個給定的非負值，為低通濾波器的截止頻率；

D(m,n)——點(m,n)到頻率平面原點的距離，即，其特性曲線如圖8所示。

圖 8 低通濾波器特性曲線

對濾波后的圖像進行傅里葉逆變換，其計算公式見式（8），將頻率域轉換為空間域，重建得到重構圖，從而實現對原始圖像的濾波[12]。

3.3 提取缺陷及多閾值缺陷分類

經過上述圖像增強和圖像濾波后，對轉換的原始灰度圖像進行裁剪，將圖像的定義域縮小到了指定目標區域，即上述感興趣的圓環區域，排除其他背景及夾具的干擾，針對端面的圓環進行檢測，使得檢測時間大大減少，效率和準確度大大提高。

3.3.1 多形狀特征提取缺陷

缺陷區域含于感興趣圓環區域之中，所以需要對圖像進行閾值分割。閾值分割的難點在于如何準確找到分離出缺陷的閾值，閾值的選擇直接決定了區域分割以及后續區域特征分析的準確性。常用的閾值分割方法有：實驗法、直方圖谷底確定法、迭代選擇法、最小均方誤差法和最大類間方差法等[13]，結合各方法的優缺點和實際檢測情況，選擇最大類間方差法，也稱為Ostu分割法，求得最佳閾值T，將圖像分割為前景和背景，若像素值大于該閾值T則為感興趣目標，若小于該閾值T則為背景區域。

式中：f(x0,y0)——原始圖像；

g(x0)——閾值分割后的二值圖像；

1——感興趣的目標區域；

0——背景區域。

通過閾值分割初步將背景區域和感興趣的目標區域分割，但其中仍然存在其他干擾區域，對感興趣區域進行矩形結構元素閉運算，閉運算即先膨脹后腐蝕，將輪廓變得平滑并且填充小的孔洞和輪廓線的斷裂。閉運算處理后，一些較小的干擾點被剔除，感興趣區域也較平滑完整，然后斷開連通域，將感興趣區域分成相對獨立的區域，分別對單獨的區域進行后續處理，達到分離出缺陷的目的。

感興趣區域分開后需要對其進行篩選，最終得到缺陷區域，通過對感興趣區域的幾何特征進行分析，首先引入區域面積（Area）指標和區域輪廓長度（Contlength）指標，然后進一步引入區域矩形度形狀因子（Rectangularity）和橢圓參數 Anisometry，設定每個指標的上下閾值對感興趣區域進行形狀選擇，最后得到缺陷區域，提取出推力軸承墊圈端面的缺陷。形狀選擇公式和橢圓參數Anisometry的計算公式如下：

式中：Minq——各形狀指標的下閾值，q=0,1,2,···；

Maxq——各形狀指標的上閾值，q=0,1,2,···；

Ra——區域等效橢圓長軸半徑；

Rb——區域等效橢圓短軸半徑。

為了突出顯示缺陷對缺陷區域形狀轉換，轉換方式為求區域的平行坐標軸的最小外接矩形，并對其按矩形結構元素膨脹，使得缺陷區域完全突出顯示。為方便顯示，將轉換的矩形區域轉為亞像素輪廓。

3.3.2 多閾值缺陷分類

實際生產過程中，檢測時不僅要檢測出缺陷還需對缺陷進行分類并分揀，方便后續對存在缺陷的產品進行處理，部分缺陷可以通過處理達到要求從而降低次品率提高企業效益。由于缺陷的復雜性沒有統一指標，單一要素無法實現分類，因此采用多個閾值對缺陷分類[14]，3個類型定義為表面劃痕（surface scratch）、油污（greasy dirt）、凹坑（pit）。

經過上述多形狀特征提取，把缺陷區域進行編號并統計個數，分別對每個亞像素輪廓求其多邊形的長度（Length），計算每個區域內灰度值的偏差（Deviation）。要求得灰度值偏差需要先求其平均灰度值（Mean），計算公式如下：

式中：Z——區域；

p——區域Z中的像素；

g(p)——像素p的灰度值；

F——平面，F=|Z|。

通過大量實驗分析每個缺陷類型的特征，選取多個閾值如T1、T2、T3，具體分類算法如下：

其中大部分表面劃痕的長度較長，將大于等于閾值T1的區域定義為表面劃痕；凹坑的長度一般較小，將小于等于閾值T2的區域定義為凹坑；對于在閾值T1,T2之間的區域可能為劃痕或油污，引入灰度值偏差來分類，長度大于閾值T2且小于閾值T1且灰度值偏差小于閾值T3的區域定義為表面劃痕，灰度值偏差大于等于閾值T3的區域定義為油污。通過多閾值多指標完成了對每個缺陷的分類，但由于樣本數量有限閾值的選取具有局限性，針對特殊的情況可能需要對閾值來調整，以滿足檢測的需要。

4 試驗驗證及結果

實驗選用CPU型號為Inter(R)Core(TM)i5- 4590 CPU@3.30 GHz，8 GB內存PC機，Win7操作系統，軟件基于Halcon環境開發，通過推力軸承墊圈檢測硬件系統進行相關實驗研究。

4.1 感興趣區域提取對比實驗

為了驗證圖像增強、圖像濾波、干擾抑制等，設計了如下的對比實驗，來驗證一系列圖像處理對提取感興趣區域的效果。分別采用直接的傳統二值化閾值分割方法和一系列改進后圖像預處理再閾值分割，對兩種方法得到的感興趣區域進行對比，效果如圖9所示。

圖 9 感興趣區域提取對比圖

由圖9(a)可以看出，對于原始圖像用傳統的二值化和閾值分割方法，計算區域連通分量的個數有10 379個，很難經過后續的多閾值多特征篩選將缺陷區域分離出來；圖9(b)可以看出，經過改進和使用一系列圖像處理后，區域連通分量大幅減少為105個，通過傅里葉變換低通濾波處理，排除絕大部分紋理和點噪聲，雖然仍存在干擾區域，但多為大面積區域及圓形區域，通過后續形狀選擇以及其他特征，能夠快速準確的將缺陷區域分割，從而提取出感興趣缺陷區域。

4.2 缺陷檢測及其性能分析實驗

實驗驗證了所提出的缺陷檢測方法以及圖像處理算法的有效性，將實際工件檢測系統采集的圖像應用于所提出的圖像處理方法中，各種缺陷檢測的效果如圖10所示。

圖 10 各缺陷檢測結果示意圖

為了驗證缺陷提取的準確性，針對3種常見的缺陷類型進行了檢測實驗，選取了10個樣本工件進行實驗并記錄檢測結果，樣本檢測結果如表1所示。

表 1 樣本檢測結果

由表1分析可知，缺陷類型的出現呈隨機性，10個樣本檢測結果與實際情況相符，但由于隨機性較大無法完全驗證檢測方法，故增加樣本的數量，對50個推力軸承墊圈進行了檢測實驗，得出檢測方法的成功率為90.65%，分析導致檢測錯誤、漏檢的原因發現：由于算法編寫時僅用了有限的工件數量導致閾值選取不準確；還有一些缺陷情況較復雜無法進行分類或分類錯誤。對閾值進行調整后再對50個推力軸承墊圈進行驗證，分析檢測結果與實際情況的對比，最終準確率為95.23%。

為進一步驗證檢測系統的實用性，經過多次多組實驗統計檢測時間，為消除隨機誤差將同一工件檢測10次得到平均耗時，選取有代表性的3組結果如圖11所示。

圖 11 檢測時間統計圖

實驗結果表明，該圖像處理算法和檢測系統，可以有效檢測多種推力軸承墊圈表面缺陷，從效率方面分析，單個工件的檢測時間為1 064.89 ms，滿足了檢測速度的要求；在準確率方面，缺陷識別分類準確率為95.23%，滿足實際生產檢測的要求。總體上滿足實際檢測需求，提高了檢測效率，具有較高的可靠性、準確性。

5 結束語

本文針對制造業自動化和對高效率、高質量的檢測需求，設計了推力軸承墊圈表面缺陷自動檢測系統，搭建了硬件系統，采用了傅里葉變換低通濾波算法對圖像進行濾波和增強處理，提取感興趣的區域；利用缺陷的形狀特征，多指標形狀選擇分離出缺陷區域；最后分析缺陷特征，引入多閾值對缺陷進行分類，完成缺陷的檢測和分類目的。與傳統的圖像處理方法相比，該算法在對推力軸承墊圈缺陷檢測時，能夠較準確的提取出各類缺陷并分類，準確率達95.23%，平均檢測時間1 064.89 ms，為自動檢測推力軸承墊圈缺陷提供了一種可行的系統及圖像處理算法。不足之處在于檢測算法由于樣本數量限制無法將各個閾值調整到最佳，后續會繼續進行相關研究，改善問題并提高檢測速度和準確率。