基于線掃描技術(shù)的軸承表面缺陷檢測(cè)方法研究

徐佳樂(lè)， 黃丹平， 廖世鵬， 甘芳吉

(1. 四川輕化工大學(xué)機(jī)械工程學(xué)院，四川 宜賓 644000; 2. 中國(guó)科學(xué)院成都計(jì)算機(jī)應(yīng)用研究所，四川 成都 610041;3. 四川大學(xué)機(jī)械工程學(xué)院，四川 成都 610065)

0 引 言

軸承是當(dāng)代機(jī)械設(shè)備中的關(guān)鍵部件之一，每年我國(guó)出口軸承上百億套[1-2]。軸承在生產(chǎn)裝配過(guò)程中，容易產(chǎn)生各種缺陷[3]（圖1）。將含有表面缺陷的軸承用于重要設(shè)備中，將引發(fā)重大的生產(chǎn)事故[4]，尤其在精密儀器中，軸承的表面缺陷將直接影響儀器的精度，因此對(duì)軸承進(jìn)行缺陷檢測(cè)具有必要性。

圖1 軸承表面缺陷

目前，國(guó)內(nèi)軸承生產(chǎn)企業(yè)對(duì)于軸承表面的檢測(cè)基本停留在人工目測(cè)階段，效率較低，且易受主觀因素影響，造成誤檢、漏檢[5]。針對(duì)金屬表面缺陷檢測(cè)，工業(yè)界應(yīng)用的檢測(cè)方法有磁粉探傷法、渦流探傷法、聲波探傷法、光學(xué)檢測(cè)和機(jī)器視覺(jué)檢測(cè)[6]等。其中機(jī)器視覺(jué)檢測(cè)憑借檢測(cè)速度快、精度高等優(yōu)點(diǎn)，在無(wú)損檢測(cè)領(lǐng)域迅速發(fā)展[7-9]，國(guó)內(nèi)外科研單位也將其應(yīng)用在軸承端面缺陷檢測(cè)上，并取得了部分實(shí)驗(yàn)成果。陳文達(dá)等[10]提出基于機(jī)器視覺(jué)的軸承防塵蓋表面缺陷檢測(cè)，采用藍(lán)色同軸光源克服金屬防塵蓋反光干擾；陳廉清等[11]采用75°的傾斜角照射來(lái)突出微小軸承表面缺陷，再利用閾值分割和模板匹配的方法提取缺陷，識(shí)別率達(dá)到98%；Liu Bin等[12]采用多角度光照的方式采集軸承端面圖像，再利用字符識(shí)別，提取字符區(qū)域的缺陷，檢測(cè)速度為2.11 s/個(gè)；陳進(jìn)[13]通過(guò)前景背景融合的合成數(shù)據(jù)集方法來(lái)增強(qiáng)訓(xùn)練集，并在檢測(cè)過(guò)程中，將并行的高分辨率網(wǎng)絡(luò)融入缺陷檢測(cè)網(wǎng)絡(luò)中，解決了缺陷尺寸跨度大的問(wèn)題。

上述檢測(cè)方案，主要存在以下兩個(gè)方面的問(wèn)題：在采集方面，上述采集方法均采用面陣采集系統(tǒng)，由于面陣相機(jī)成像原理限制，容易造成光照不均、微小缺陷成像質(zhì)量差等問(wèn)題，從而增加后期算法提取難度，導(dǎo)致漏檢率提高；在算法方面，上述方案均將字符區(qū)和非字符區(qū)分開(kāi)處理，分別采用不同的圖像處理方法進(jìn)行缺陷提取，但是軸承表面缺陷種類(lèi)多樣，位置隨機(jī)性大，并且由于存在紋理噪聲，當(dāng)缺陷與字符或噪聲重合時(shí)，算法很難進(jìn)行有效區(qū)分。

為解決淺凹坑、銹跡缺陷識(shí)別準(zhǔn)確率低等問(wèn)題，本文研發(fā)基于線掃描技術(shù)的軸承表面圖像采集系統(tǒng)，通過(guò)軸承運(yùn)動(dòng)配合線陣相機(jī)與線光源實(shí)時(shí)采集，使光照更加均勻，缺陷更加明顯。此外，為了提高缺陷識(shí)別準(zhǔn)確率，提出一種基于生成對(duì)抗網(wǎng)絡(luò)的軸承表面缺陷提取算法。其核心是利用改進(jìn)的重構(gòu)模型將缺陷軸承圖像重構(gòu)為無(wú)缺陷圖像，再通過(guò)圖像殘差提取和定位缺陷，實(shí)現(xiàn)軸承表面缺陷的快速無(wú)損檢測(cè)。

1 軸承表面采集系統(tǒng)概述

金屬的材質(zhì)和表面粗糙度會(huì)對(duì)光的反射造成影響。軸承材質(zhì)單一，反光性?xún)H受到表面粗糙度的影響。軸承表面缺陷會(huì)使局部表面粗糙度突變，在圖像信息中會(huì)出現(xiàn)異常灰度值區(qū)域。在傳統(tǒng)的面陣采集系統(tǒng)下，受到光線散射的影響，銹跡、淺凹坑等目標(biāo)與背景灰度值差異較小，如圖2所示，容易漏檢。

為了解決上述問(wèn)題，本文搭建了基于線掃描技術(shù)的軸承表面信息采集系統(tǒng)。該系統(tǒng)利用線光源照射，同時(shí)配合垂直于軸承表面的線掃描相機(jī)進(jìn)行采集（如圖2所示）。該采集系統(tǒng)可形成暗場(chǎng)成像效果，使缺陷區(qū)域視場(chǎng)的明暗變化更明顯，從而增強(qiáng)缺陷目標(biāo)信息。

圖2 線陣與面陣采集系統(tǒng)對(duì)比

本文所搭建軸承表面信息在線采集系統(tǒng)主要由工控機(jī)、PLC、軸承傳輸模塊、圖像采集模塊和剔廢模塊組成（圖3）。其中工控機(jī)和PLC負(fù)責(zé)控制整個(gè)檢測(cè)過(guò)程有序進(jìn)行，實(shí)現(xiàn)對(duì)采集圖像進(jìn)行算法處理判斷等；軸承傳輸模塊包括電機(jī)、電動(dòng)推桿和氣缸1，實(shí)現(xiàn)軸承的移動(dòng)、旋轉(zhuǎn)和翻轉(zhuǎn)；圖像采集模塊包括線陣相機(jī)和線光源，實(shí)現(xiàn)軸承圖像的采集和計(jì)數(shù)；軸承剔廢模塊主要包括氣缸2，實(shí)現(xiàn)不合格軸承的剔廢。

其具體采集過(guò)程如圖 3（b）～圖 3（c）所示，軸承觸發(fā)光電開(kāi)關(guān)1，在電機(jī)和線光源的配合下，1號(hào)線陣相機(jī)采集圖像，將采集到的圖像上傳到工控機(jī)；接著利用翻轉(zhuǎn)電機(jī)翻轉(zhuǎn)軸承。2號(hào)相機(jī)采集軸承另一個(gè)表面圖像，將采集到的圖像也上傳到工控機(jī)；最后根據(jù)兩次算法處理結(jié)果，光電傳感器2和氣缸2配合實(shí)現(xiàn)剔廢。

圖3 軸承表面采集系統(tǒng)

采集原理：針對(duì)軸承環(huán)形側(cè)面的特點(diǎn)，線性相機(jī)靶面、線光源與軸承任意半徑重合，并將軸承順時(shí)針旋轉(zhuǎn)一周；旋轉(zhuǎn)期間，由相關(guān)波段光源對(duì)軸承表面進(jìn)行照射，在軸承表面部分產(chǎn)生反射光，并由工業(yè)線掃描傳感器進(jìn)行光電信號(hào)轉(zhuǎn)換，以此獲取軸承表面視覺(jué)信息，并通過(guò)相關(guān)算法提取缺陷。

2 缺陷提取方法研究

軸承表面圖像信息如圖4所示，紋理復(fù)雜，缺陷種類(lèi)多和位置具有隨機(jī)性，尤其軸承表面微小目標(biāo)與背景噪聲差異小，應(yīng)用傳統(tǒng)算法對(duì)識(shí)別軸承微小缺陷穩(wěn)定性差[14]。安萌等[15]提出了一種改進(jìn)的Faster R-CNN模型，可以快速準(zhǔn)確地檢測(cè)面料疵點(diǎn)；WEI X K等[16]提出了一種YOLO V3的檢測(cè)網(wǎng)絡(luò)模型，可檢測(cè)鐵路軌道線路多目標(biāo)缺陷；張力等[17]改進(jìn)了SSD網(wǎng)絡(luò)模型，用于檢測(cè)列車(chē)輪對(duì)踏面缺陷。但上述檢測(cè)網(wǎng)絡(luò)需要大量的缺陷樣本進(jìn)行訓(xùn)練，而在實(shí)際的軸承生產(chǎn)裝配過(guò)程中，存在缺陷的軸承是少量的，很難獲取到大量的缺陷樣本，因此目標(biāo)檢測(cè)網(wǎng)絡(luò)模型并不適用于軸承表面缺陷檢測(cè)。

圖4 采集的軸承表面圖像

針對(duì)上述問(wèn)題，并根據(jù)分析軸承表面信息可得，缺陷可使圖像局部灰度值異常。因此，引入重構(gòu)網(wǎng)絡(luò)的思想，提取軸承表面缺陷。該方法可通過(guò)少量缺陷樣本和大量的無(wú)缺陷樣本訓(xùn)練一個(gè)網(wǎng)絡(luò)模型，使缺陷圖像重構(gòu)為無(wú)缺陷圖像，并通過(guò)圖像差分檢測(cè)缺陷。

2.1 檢測(cè)流程

本文算法具體實(shí)現(xiàn)分為訓(xùn)練和測(cè)試兩個(gè)階段。第一階段為訓(xùn)練階段，如圖5所示，可分為以下步驟：

圖5 訓(xùn)練流程

1）將所采集到圖像進(jìn)行預(yù)處理，提取軸承區(qū)域。根據(jù)圖像的軸承區(qū)域與黑色背景的灰度差異以及軸承區(qū)域固定的坐標(biāo)信息定位軸承區(qū)域的中心點(diǎn)，以該點(diǎn)為中心點(diǎn)，長(zhǎng)1 696，寬176作矩形ROI（感興趣區(qū)），提取軸承區(qū)域，如圖6所示。

圖6 提取軸承區(qū)域

2）將缺陷圖像通過(guò)人工修正轉(zhuǎn)變?yōu)闊o(wú)缺陷的目標(biāo)圖像。標(biāo)定所選取缺陷圖像中缺陷區(qū)域，并將缺陷區(qū)域進(jìn)行修補(bǔ)，還原為無(wú)缺陷圖像，再將修復(fù)前的圖像存放訓(xùn)練圖像集內(nèi)輸入集中，將修復(fù)后的圖像存放訓(xùn)練集內(nèi)目標(biāo)圖像集中，如圖7所示。

圖7 修正圖像

3）通過(guò)生成對(duì)抗（GA）的方式訓(xùn)練重構(gòu)網(wǎng)絡(luò)，使其具有修復(fù)圖像缺陷能力。其訓(xùn)練過(guò)程為：將輸入圖像集中的圖像隨機(jī)每4張分為一批，循環(huán)進(jìn)入重構(gòu)網(wǎng)絡(luò)的生成網(wǎng)絡(luò)、判別網(wǎng)絡(luò)，使生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)獲得最優(yōu)解，實(shí)現(xiàn)生成對(duì)抗訓(xùn)練。

第二階段測(cè)試階段，如圖8所示。

圖8 算法流程

1）根據(jù)圖像的軸承區(qū)域與黑色背景的灰度差異以及軸承區(qū)域固定的坐標(biāo)信息定位軸承區(qū)域的中心點(diǎn)，以該點(diǎn)為中心點(diǎn)，長(zhǎng)1 696，寬176作矩形ROI（感興趣區(qū)），提取軸承區(qū)域。

2）將預(yù)處理后圖像輸入訓(xùn)練好的重構(gòu)網(wǎng)絡(luò)，獲取重構(gòu)圖像。

3）將重構(gòu)圖像與輸入圖像求差，獲取差分圖像。

4）對(duì)差分圖像進(jìn)行缺陷定位于提取。

2.2 生成網(wǎng)絡(luò)

重構(gòu)網(wǎng)絡(luò)一般采用編碼解碼結(jié)構(gòu)，通過(guò)卷積和池化等下采樣操作不斷提取圖像特征，形成低維圖像數(shù)據(jù)，再通過(guò)重采樣和插值等上采樣操作將低維的圖像特征數(shù)據(jù)重構(gòu)為目標(biāo)圖像。但由于低維的特征圖像太小，損失了很多細(xì)節(jié)信息，尤其是軸承表面的紋理信息，容易在深度卷積時(shí)丟失。

為克服上述問(wèn)題，本文采用GAN的網(wǎng)絡(luò)架構(gòu)，選用U-net模型為網(wǎng)絡(luò)模型中的生成網(wǎng)絡(luò)，如圖9所示，通過(guò)跳躍結(jié)構(gòu)（skip-layer）將深淺層特征融合，保留圖像細(xì)節(jié)信息，實(shí)現(xiàn)軸承圖像高精度重構(gòu)。

圖9 U-net網(wǎng)絡(luò)結(jié)構(gòu)

U-net網(wǎng)絡(luò)引入結(jié)構(gòu)性殘差（structured residual）的思想，使用跳躍結(jié)構(gòu)依次將淺層特征與對(duì)應(yīng)的深層特征融合，在重構(gòu)深層全圖性特征的同時(shí)，也能重構(gòu)淺層的局部細(xì)節(jié)特征，從而保留軸承表面的紋理特性，實(shí)現(xiàn)更高精度的圖像重構(gòu)。

自編碼重構(gòu)網(wǎng)絡(luò)訓(xùn)練通過(guò)多層次的卷積來(lái)縮小原始圖像和重構(gòu)圖像之間的歐氏距離，大多采用均方差（MSE）函數(shù)檢測(cè)重構(gòu)圖像與實(shí)際目標(biāo)圖像之間的偏差，其定義為：

式中：x——目標(biāo)圖像；

y——重構(gòu)圖像；

均方差僅表示重構(gòu)圖像與目標(biāo)圖像的像素差異，適用于規(guī)律性好、背景紋理規(guī)則的訓(xùn)練集。如果同一批次的輸入圖像之間差異較大，學(xué)習(xí)的圖像特征不明顯，損失函數(shù)容易不收斂，導(dǎo)致訓(xùn)練失敗。此外，以像素差異作為梯度下降的指標(biāo)，對(duì)訓(xùn)練的靶向作用很差，訓(xùn)練耗時(shí)長(zhǎng)，重構(gòu)后的缺陷區(qū)域會(huì)小于實(shí)際區(qū)域，且圖像背景和紋理均會(huì)出現(xiàn)模糊的效果，從而影響后期的識(shí)別精度。

L1(x,y)表示像素值之間的差異，無(wú)法表征圖像的結(jié)構(gòu)性差異，因此引入SSIM loss，從目標(biāo)圖像和重構(gòu)圖像之間的亮度、對(duì)比度和結(jié)構(gòu)差異進(jìn)行學(xué)習(xí)，彌補(bǔ)單L1loss的不足，SSIM定義如下：

通過(guò)L1loss與SSIM的組合函數(shù)，使網(wǎng)絡(luò)從結(jié)構(gòu)性差異和像素值差異兩個(gè)方面對(duì)訓(xùn)練結(jié)果進(jìn)行評(píng)估和梯度收斂。

2.3 判別網(wǎng)絡(luò)

本文采用馬爾科夫型的判別器（Patch GAN），其網(wǎng)絡(luò)結(jié)構(gòu)如圖10所示。將重構(gòu)圖像切割成為53×5大小的patch，將每個(gè)patch通過(guò)BCE損失函數(shù)，獲取其為真實(shí)圖像的概率。然后將結(jié)果取平均

圖10 判別器結(jié)構(gòu)

作為最終的判別器輸出，來(lái)判斷軸承表面圖像是否重構(gòu)成功。該判別器能在提高網(wǎng)絡(luò)效率的同時(shí)，也大大降低運(yùn)算量，提高了訓(xùn)練效率。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)條件：操作系統(tǒng)為Windows10，CPU為i5-7500，GPU為 NVIDIA1660Ti，深度學(xué)習(xí)框架為PyTorch 1.4.0。圖像通過(guò)上文所述的采集方法獲取1 000張，其中包含缺陷樣本800張，無(wú)缺陷樣本200張。

實(shí)驗(yàn)共分為3個(gè)部分：實(shí)驗(yàn)一是本文提出的線陣采集系統(tǒng)與兩種面陣采集系統(tǒng)的采集效果對(duì)比實(shí)驗(yàn)；實(shí)驗(yàn)二是本文選用的L1loss+SSIM組合損失函數(shù)與L1loss、SSIM對(duì)模型訓(xùn)練效果進(jìn)行對(duì)比實(shí)驗(yàn)；實(shí)驗(yàn)三是本文缺陷提取算法與U-net、DCGAN的檢測(cè)效果對(duì)比實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)一：采集方法對(duì)比

為了驗(yàn)證本文所述采集方法能采集到更全面的缺陷信息，將本文中的線陣采集方法與傳統(tǒng)的環(huán)形光源下的面陣采集方法、條形光源下的面陣采集方法進(jìn)行對(duì)比，其采集效果如圖11所示，紅框內(nèi)為缺陷信息。

圖11 不同采集方式效果對(duì)比

面陣相機(jī)與環(huán)形光源配合采集，銹跡、黑斑和劃痕缺陷明顯，但凹坑無(wú)法顯現(xiàn)，信噪比高；面陣相機(jī)與環(huán)形光源配合采集，凹坑、黑斑明顯，但光照嚴(yán)重不均，銹跡和劃痕無(wú)法清晰顯現(xiàn)；線陣相機(jī)與線光源配合采集，雖然信噪比有所降低，但凹坑、銹跡、黑斑和劃痕均清晰可見(jiàn)，且表面光照均勻，更有利于后期軸承表面缺陷檢測(cè)精度的提升。

3.2 實(shí)驗(yàn)二：損失函數(shù)對(duì)比

為驗(yàn)證不同驗(yàn)證損失函數(shù)對(duì)重構(gòu)網(wǎng)絡(luò)提取軸承表面缺陷效果的影響，將L1loss+SSIM組合與L1loss和SSIM進(jìn)行對(duì)比實(shí)驗(yàn)，損失值變化情況見(jiàn)圖12，缺陷樣本在多種損失函數(shù)下的實(shí)驗(yàn)結(jié)果見(jiàn)圖13。

圖12 不同損失函數(shù)損失值變化

圖13 不同損失函數(shù)結(jié)果對(duì)比

從模型損失變化情況，可以看模型在3個(gè)損失函數(shù)下均可收斂，但使用SSIM收斂效果更好，更加穩(wěn)定，最低值為0.011。從實(shí)驗(yàn)結(jié)果的殘差圖可以看出，單獨(dú)使用L1loss，有部分干擾無(wú)法消除；而單獨(dú)使用SSIM修復(fù)的缺陷區(qū)域要小于真實(shí)缺陷區(qū)域；當(dāng)使用L1loss與SSIM組合時(shí)，能獲得較好的效果。

3.3 實(shí)驗(yàn)三：算法對(duì)比

為評(píng)估所提出軸承表面缺陷檢測(cè)方法性能，將該檢測(cè)方法與深度卷積生成對(duì)抗網(wǎng)絡(luò)（DCGAN）以及U-net這兩種基礎(chǔ)的檢測(cè)方法進(jìn)行了大量實(shí)驗(yàn)對(duì)比。其中驗(yàn)證集選取缺陷樣本100張，無(wú)缺陷樣本50張，其對(duì)比效果如圖14所示。

圖14 多種算法測(cè)試效果對(duì)比

DCGAN缺陷檢測(cè)模型對(duì)大缺陷有很好的檢測(cè)效果，但是當(dāng)缺陷較小或者缺陷與紋理對(duì)比不明顯時(shí)，檢測(cè)效果較差。U-net網(wǎng)絡(luò)對(duì)凹坑和劃痕等小缺陷有很好的效果，但是對(duì)黑斑等結(jié)構(gòu)性大缺陷檢測(cè)效果較差。本文提出的重構(gòu)網(wǎng)絡(luò)在重構(gòu)精度和缺陷區(qū)域的定位精度都優(yōu)于其余兩種網(wǎng)絡(luò)模型。

本文通過(guò)上述3種網(wǎng)絡(luò)模型和閾值去噪相結(jié)合，進(jìn)行了檢測(cè)效果實(shí)驗(yàn)。通過(guò)表1可以看出，本文提出的軸承提取算法準(zhǔn)確率高達(dá)98.58%，且CPU耗時(shí)僅為280 ms，同時(shí)本系統(tǒng)總耗時(shí)平均為1.5 s。從耗時(shí)和檢測(cè)精度上都能滿(mǎn)足軸承表面缺陷檢測(cè)工藝可靠性與實(shí)時(shí)性的要求。

表1 不同算法的精度和耗時(shí)

4 結(jié)束語(yǔ)

針對(duì)已有軸承表面缺陷檢測(cè)方法檢測(cè)精度低、速度慢等問(wèn)題，本文提出一種基于線掃描技術(shù)的軸承表面缺陷檢測(cè)方法。具體結(jié)論如下：

1）與已有軸承表面圖像采集方法采集相比，基于線掃描的軸承表面采集系統(tǒng)對(duì)于軸承表面所有缺陷成像更加明顯。

2）考慮到損失函數(shù)對(duì)重構(gòu)網(wǎng)絡(luò)的影響，通過(guò)采用L1loss與SSIM組合損失函數(shù)提高軸承表面缺陷的提取效果。

3）改進(jìn)的軸承表面缺陷檢測(cè)方法能準(zhǔn)確提取和定位軸承表面缺陷，其精度為98.5%，耗時(shí)為280 ms，達(dá)到了軸承工業(yè)檢測(cè)的要求。

該檢測(cè)方法還可應(yīng)用于其他柱面零件的表面缺陷檢測(cè)，可取得較好的經(jīng)濟(jì)效益和社會(huì)效益。