基于機器視覺的微小軸承幾何量精度檢測研究*

林海波,楊建西

(臺州職業技術學院 機電工程學院,浙江 臺州 318000)

0 引 言

隨著在全球制造業中的地位不斷提升,中國已成為精密設備零件的生產加工基地之一。當前,機械設備一方面朝著大型化方向發展,另一方面也朝著小型精密化方向發展。

軸承在機械行業中有著極其重要的地位和作用。因此,業界對其質量的要求也越來越高。軸承的加工質量直接影響軸承的使用性能、精度、壽命和可靠性。而檢測技術是保障產品質量的主要方式之一。

微小軸承(公制軸承內徑1 mm～9 mm,外徑3 mm～22 mm;英制軸承內徑1.016 mm～9.525 mm,外徑9.525 mm～22.525 mm)在精密儀器設備中使用廣泛,其內、外徑尺寸及其同軸度的精度與整個儀器的精密度、準確性密切相關。

為了順應現代生產制造系統和軸承生產模式的轉變,機器視覺檢測在軸承質量檢測中具有重要的應用前景[1]。

軸承檢測在保證軸承質量方面發揮著重要的作用。傳統的軸承測量方法一系列局限性,比如人為影響因素大、工量具精度差、一致性差等。機器視覺檢測在測量的效率、精度、非接觸、重復性和實時性方面具有獨特的技術優勢。憑借其測量的精度、判別的準確率和識別速度等優勢,可以在最大程度上減少人為因素的影響,極大地提高檢測的生產效率。因此,機器視覺檢測的應用范圍越來越廣[2]。機器視覺檢測作為一種高速、高精準、高效的檢測方法,越來越成為了業界關注的焦點[3]。

現今,研究人員對軸承內外圈尺寸的檢測已做過很多研究[4,5]。

蘇俊宏等人[6]設計了基于機器視覺的在線軸承檢測系統,采用光學系統和機械旋轉平臺相配合的方式,采集到了完整的圓柱面圖像,經過快速圖像處理,可以檢測到微米級的軸承表面缺陷及外形尺寸,提高了高精密軸承表面缺陷及尺寸在線檢測效率。秦鐘偉等人[7]提出了一種采用機器視覺技術,檢測軸承滾動體數目和尺寸的方法,利用小波降噪對采集到的圖像進行了優化,再通過二值化處理和迭代法,得到了軸承滾動體的數目及準確尺寸。范帥等人[8]設計了一套軸承內外圈尺寸檢測和分類系統,對采集到的圖像進行了濾波、二值化處理,對相機與鏡頭進行了標定,通過對兩個特殊像素點的運算,得到了軸承圓的內外半徑,避開了對圓心的定位和輪廓的提取,實現了軸承尺寸檢測和分類的目的。雷良育等人[9]利用了多項式插值的方法,精確測量了軸承的邊緣點位置,并將銳化圖像進行濾波處理,優化了軸承圖像的邊緣,實現軸承內外徑非接觸測量的目的。黃正福等人[10]采用機器視覺和圖象處理相結合的技術,利用電荷耦合器件(charge coupled device,CCD)攝像機,在特定的背景中,采用圖象采集卡,采集了軸承的外形尺寸數據,并使用計算機對圖象數據進行了運算處理,得到了檢測軸承的尺寸參數,最后將其與預置的標準尺寸相比較,以判斷其是否合格。

孫偉等人[11]采用了基于點Hough變換的圓形圖像亞像素檢測算法,實現了軸承內徑的亞像素無損在線檢測的目的。楊立娜等人[12]設計了一種軸承同軸度檢測系統,該系統通過電荷耦合器件(CCD)采集圖像,通過光學成像和照明系統優化來提高像質,通過圖像預處理和Sobel算子,實現了提高邊緣檢測精度的目的。為了得到軸承有效的外徑信息,基于機器視覺的滾動軸承外徑檢測方法,劉良江等人[13]提出了一套邊緣特征提取的算法,完成了邊緣特征提取和最優中心的檢測,并采用區域人工標定方法,進行了外徑的特征提取,用主分量分析降低了其維度,進而得到了滾動軸承外徑的特征向量,實現了軸承外徑檢測與分類的目的。劉科文等人[14]采用最小二乘法,提取了軸承的邊緣特征,并經過擬合,獲得了軸承的半徑和同軸度。龔立雄[15]采用改進Hough變換的方法,解決了含噪聲圖像圓形零件邊緣檢測的問題,并通過對軸承零件尺寸的測量應用,驗證了該方法的高效性、準確性。ALI M H等人[16]將視覺系統成功應用于精密工程中,提高了測量的性能和效率。

綜上所述,目前研究人員在軸承的尺寸及缺陷的檢測方面,已經取得一定的成果[17-20]。但是在微小軸承尺寸檢測的精度和效率方面,還有待于研究人員做進一步的研究。

為了提高滾動軸承視覺檢測的精度和效率,筆者將搭建視覺檢測系統,采集高質量被測對象的圖像,基于各向異性雙邊濾波(ABF)算法,結合對邊界位置的精確計算等手段,給出軸承尺寸高質量檢測的方法,并在此基礎上對其定位精度進行分析,以驗證該方法的可行性。

1 系統總體設計

1.1 視覺系統硬件組成

為了滿足測量視場和被測對象檢測精度的需要,筆者選配與被檢測目標相匹配的硬件系統和合適的光源,以此來提高圖像質量和檢測的速度。

根據檢測軸承的特征和檢測項目(內、外圓和圓度等),所配備的光學系統要求成像清晰、對比度好、噪聲少;所采用的算法能夠精確地計算出內外圈邊緣,且算法要有一定的魯棒性,對一定的傾斜角度具有自動矯正功能;在亮度不太理想的情況下,光學系統能進行對比度自動矯正,能夠精確定位特定區域;對于帶圓弧輪廓的檢測,使用藍色LED平行背光源,使發光方向更加統一,減少拍攝產生的邊緣虛影和可靠性低等問題;同時使用高分辨率低畸變的遠心鏡頭,和傳感器相配,可以提高穩定性和精度,也可進一步減少環境雜散光干擾。

軟件部分主要是采用圖像處理技術,對采集到的圖像進行預處理、邊緣輪廓的提取等操作,以此來完成圖像的處理、計算、測量。

筆者所測的微小軸承外徑小于22.525 mm。針對所測軸承的尺寸,筆者將視野設定為40 mm×40 mm;測量精度要求為0.005 mm,因此,將測量系統的精度設計為5 μm;圖像處理軟件的計算精度為1/5亞像素精度,因此,選擇傳感器分辨率要求40/0.005/5=1 000 pixel;由于是靜止測量,選擇互補金屬氧化半導體(CMOS)工業相機。

專用的機器視覺微小軸承精密測量裝置如圖1所示。

圖1 微小軸承機器視覺測量裝置示意圖

CMOS工業相機主要參數如表1所示。

表1 CMOS工業相機主要參數

遠心鏡頭主要參數選擇如表2所示。

表2 遠心鏡頭主要參數

在豎直方向上,筆者采用伺服電機-絲杠-導軌滑塊結構進行精準的物距調節,減少或者消除人工移動相機鏡頭產生的誤差;選擇背光源照射方式,根據照明環境情況,通過實時控制系統,實現參數自動調節的目的,從而達到圖像和背景最佳分離效果。

在上述軟硬件的配置下,達到軸承的高精度定位與尺寸測量的目的。

單列深溝球軸承698zz的正面圖像與背光圖像如圖2所示。

圖2 單列深溝球軸承698zz的正面圖像與背光圖像

1.2 視覺系統的工作任務與算法框架

在傳輸方式上,筆者采用GigE Vision標準相機接口與工控機進行連接。

具體流程為:相機拍照回傳后,通過背光視覺系統獲取高質量軸承圖像;先使用Radon變換算法對零件圖像進行矯正;再使用基于局部區域特征的三次曲線模型,對內外圈邊緣亞像素信息進行提取和識別,進而精確計算邊界的位置;最后計算軸承內外徑尺寸及其同軸度,并以此數據判斷軸承是否合格,根據檢測結果執行下一步操作。

筆者需要檢測的項目包括:一個同心圓的軸承內外直徑、內外圈的圓度和內外圈的同軸度,自動精密檢測及識別。

視覺檢測流程框架如圖3所示。

圖3 軸承視覺檢測流程框架

由圖3可知,軸承依次進行檢測的步驟如下:

將采集的圖像讀到計算機內存,對圖像進行預處理,通過各向異性雙邊濾波(ABF)和感興趣區域(region of interest,ROI)垂直邊緣的亞像素位置計算、軸承內外圈中心位置計算、軸承內外圈圓度計算、內外圈同軸度計算、軸承合格判定,完成軸承內外圓直徑和圓度等尺寸的自動精密檢測及識別。

2 雙邊濾波與亞像素定位

首先,筆者采用各向異性雙邊濾波(ABF)算法進行濾波,對圖像進行平滑處理,克服高斯模糊的缺陷;接著,使用像素級的邊緣檢測算法Canny,精確地找到圖像中的盡可能多的邊緣特征,精確地定位于邊緣的中心,得到像素級精度的定位結果;最后,使用三次函數模型對初步定位的結果進行精確目標定位,得到最優的亞像素精度。

2.1 各向異性雙邊濾波

在圖像的采集和傳輸過程中,各種不利因素容易對其數據產生影響(例如,傳感器響應不夠均勻、相機未聚焦、物體與成像設備之間的相對移動、光學系統的像差、成像光源或射線散射等),這些都會導致采集的圖像含有一定程度的噪聲[21]。這些噪聲在一定程度上增加了視覺測量的不確定性,并極大地影響了測量的重復精度。

在不同尺度是,信號與噪聲有不同的特性,根據算法的不同處理域,可以大致分為空間域濾波和變換域濾波[22，23]。

在空間領域,濾波算法可分為線性濾波和非線性濾波。對于線性濾波而言,圖像平滑和邊緣保持是一對矛盾。為了解決該問題,筆者采用各向異性雙邊濾波(ABF)算法[24],使濾波器的濾波尺度在邊緣的法向和切向上產生差異。

在軸承的內外圈的法線方向上采用小尺度濾波,以保持邊緣梯度不變;在軸承的內外圈的切線方向上執行大尺度過濾,以減少噪聲的影響。

此處,筆者采用各向異性高斯核,并以u和v作為主軸的各向異性高斯核,其定義為:

(1)

旋轉α角的坐標系變換為:

式中:u,v—圖像的邊緣方向和邊緣垂線方向;α—圖像邊緣的方向角。

其旋轉的投影,即各向異性的高斯核如圖4所示。

圖4 各向異性的高斯核

對式(1)進行坐標變換后,可得出旋轉后各向異性高斯濾波的數學表達式:

(2)

(3)

式中：Ω—濾波窗口；I(i,j)—輸入圖像；f(x,y)—輸出圖像。

根據上式，則空域權值ws可以表達為:

(4)

軸承內圈局部邊緣濾波效果如圖5所示。

圖5 軸承內外圈邊緣濾波

由圖5可知:通過執行大尺度過濾,在軸承邊緣的切線方向減少了短周期噪聲,序列88、96等像素點位置的濾波效果非常明顯;同時,在法線方向上采用小尺度濾波,邊緣灰度范圍由142～162減少到145～157,保持了邊緣的梯度,避免了濾波處理之后邊緣變模糊的不利影響,其濾波效果明顯。

2.2 基于三次函數模型的亞像素定位

當三次函數模型的三次系數和二次系數都為0時,一次函數模型是一種特殊形式。

使用三次函數模型預測邊緣點的亞像素位置將比一次函數模型更準確,如圖6所示。

圖6 三次函數模型(5X3模板)

假設曲線fy=ax3+bx2+cx+d為圖像中的邊緣。曲線將圖像分為上部和下部,分別記做M和N兩部分,這兩部分的面積分別記做SM和SN。PM、PN表示M、N兩部分的平均灰度值。

像素的灰度值應該為:

(5)

|PM-PN|代表了邊緣兩側的梯度幅值，其方向為邊緣的梯度方向。

設點O(x，y)處沿x形的偏導數為fx，沿y的偏導數為fy。當fz*fz>0時，設Δx=1；反之，Δx=-1。

圖像M和N兩部分表達式為：

(6)

(7)

邊緣下側左、中、右部分面積計算[25]后,再由公式(6,7),可求得三次函數模型下的亞像素位置。

三次函數模型下的亞像素位置,如圖7所示。

圖7 亞像素邊緣

圖7中,在橫坐標300、400、500位置做3條細線,與圖像輪廓相交,可以得到6個縱坐標亞像素值。

3 軸承幾何量精度檢測與分析

數值結果如表3所示。

由表3可知:縱坐標亞像素值中,最大相差不到0.1像素,標準差最大為0.019 1。考慮環境光等測量不確定因素的影響,邊緣提取精度取0.2像素。

表3 定位精度分析(單位:像素)

各幾何量精度測量值如表4所示。

表4 幾何量精度測量值

由表4可知:測得的內圈尺寸平均值為7.995 mm,外圈尺寸平均值為18.996 mm,圓度誤差為0.002 mm,同軸度誤差為0.003 mm。

根據GB/T 307.1—2017規定,軸承外圈外圓柱面公差帶的基本偏差與一般基軸制配合的基準軸公差帶的基本偏差相同(這兩種公差帶的公差數值不相同),公差帶在零線的下方,且上偏差為零;內圈基準孔公差帶位于以公稱內徑d為零線的下方,且上偏差為零。

由此可見,該測量結果符合GB/T 307.1—2017規定要求。

為了驗證所提算法的測量精度,筆者用0級量塊對系統進行標定(每個像素對應尺寸為13.706 μm,1/5像素對應尺寸為2.74 μm,即測量精度為3 μm);對測量系統標定后,多次測量同一測量要素的尺寸,使用該算法高精度提取邊緣信息,并進行計算,最后得到了各項幾何量精度測量值(如表4所示),滿足尺寸檢測的精度要求。

由此可見,該檢測系統的重復性和精度都較高,該尺寸檢測系統是有效的,可以用于微小軸承幾何量精度的精密檢測。

4 結束語

為了對微小軸承進行快速精密的測量,筆者構建了CMOS背光機器視覺系統,獲取了軸承內外圈的數字圖像,計算了軸承內外徑局部的實際尺寸及其圓度、同軸度誤差;通過各向異性的雙邊變換去除圖像噪聲,然后使用基于局部區域特征的三次曲線模型,提取了內、外圓邊緣的亞像素邊界位置(精度為0.2像素),并對邊緣亞像素信息的提取和計算方法進行了驗證。

研究結論如下:

(1)在實驗中,采用各向異性雙邊濾波(ABF)算法進行濾波,最大程度地降低了噪聲的影響,并保持邊緣梯度不變,較好地解決了圖像平滑和邊緣保持不能兼顧的問題;

(2)基于局部區域特征的三次曲線模型,通過計算得到了亞像素邊緣信息,精度為0.2像素;用0級量塊對系統進行了標定,得到測量精度為3 μm,顯示檢測系統的重復性和精度都較高,說明了該方法的有效性;

(3)通過對微小軸承幾何量精度進行精密檢測,驗證了該方法可以對零件尺寸進行高精度測量,實現智能化、快速的檢測目的;并可同時檢測多項指標,整體檢測效率明顯提高,滿足了工業檢測的要求,并可為以后的同類研究提供參考。

在目前的研究中,筆者所采用的方法已在實驗室中得到了驗證。在后續的研究中,筆者將會在此基礎上,通過增加研究目標,提高該提取算法的魯棒性。