基于机器视觉的轴承防尘盖表面缺陷检测

陈文达，白瑞林，吉峰，温振市

1.江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214122

2.无锡信捷电气有限公司，江苏无锡 214072

基于机器视觉的轴承防尘盖表面缺陷检测

陈文达1，白瑞林1，吉峰2，温振市1

1.江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214122

2.无锡信捷电气有限公司，江苏无锡 214072

为实现工业现场中轴承防尘盖表面缺陷的自动检测，提出一种基于机器视觉技术的检测方法。采用蓝色同轴光源作为检测系统所用光源，克服金属反光；采用最小二乘法拟合轴承外圆，根据轴承型号比例分割出防尘盖区域，利用Otsu阈值分割和Roberts边缘提取处理图像，每2°统计值为1的点的数目，与模板轴承此数据比较，求出相差角度，由此将防尘盖字符、非字符区域分离，两部分是否存在缺陷分开判别，互不干扰。实际测试表明：检测系统采集到的轴承图像清晰，缺陷检测算法正确率在96%以上，可实现轴承防尘盖表面缺陷的自动检测。

机器视觉；图像处理；轴承防尘盖；表面缺陷；自动检测

1 引言

轴承在生产装配过程中，由于加工技术、微小异物等因素，防尘盖表面可能会产生压痕、凹坑、划痕等缺陷，不仅使得轴承不美观，更严重地会降低轴承的使用性能，出厂前必须剔除。目前，国内外对于轴承防尘盖的检测，还停留在人工目测阶段，效率较低，且容易出现误、漏检[1]。机器视觉技术凭借其速度快、精度高、永不疲劳的优点，已广泛应用到各行各业。

L.Satyanarayan等人[2]利用匹配滤波器和Saft算法对铝片表面裂纹缺陷进行检测识别，取得良好效果。Martins L.A.O.等人[3]通过边缘检测和阈值分割，有效实现了钢板表面缺陷的分离。Yang[4]等人通过分析图像灰度直方图，利用Otsu算法对钢球表面缺陷实现了检测。Yazdi M.[5]等利用高通滤波增强图像，提取均值和方差两个统计特征并利用神经网络对钢板表面划痕缺陷进行了检测分类。张扬等人[6]基于小波及纹理特征，对轴承防尘盖缺陷检测进行了研究。陈廉清[7]等人采用差影和模板匹配的方法对轴承表面缺陷进行了检测。李杨[8]提取轴承端面图像的组合矩不变量，建立缺陷检测BP神经网络模型，分析了其用于实际检测的可靠性。以上研究表明，在金属表面检测已得到广泛应用的机器视觉技术，同样适用于轴承防尘盖表面的缺陷检测。

由于轴承防尘盖表面印有代表轴承型号的字符，字符与缺陷在形态上有很大相似性，一定程度上也可以认为是“缺陷”，正是如此，轴承防尘盖表面缺陷检测一直是一个难点。本文针对待检轴承型号已知，且其字符出现位置相对固定的特性，提出了一种新的轴承防尘盖表面缺陷检测方法：将防尘盖字符、非字符区域分离，两部分是否存在缺陷分开判别，互不干扰。

2 图像采集系统

轴承图像采集系统如图1所示。

图1 图像采集系统结构图

相机采用实验室自主研发的640×480分辨率，30万像素的CMOS黑白工业相机，相机配置软件可供调节的参数有曝光时间、曝光增益等。光学镜头选用日本Computer公司的25 mm定焦镜头，具有合适的放大倍数及物距要求。

光源的选取是影响轴承防尘盖表面缺陷检测最重要的因素，光源必须满足亮度大、均匀性好、稳定性高等要求，以抑制光线对图像质量产生的不良影响。由于防尘盖表面属于具有反光特性的金属表面，一般的面光、条光、环光都易出现光照不均、阴影等缺点，这是必须避免的。同轴光源具有非常均匀的光分布，光线平行于相机所在的轴线，能够消除重影，常用于金属等反光工件表面检测。经反复实验，选用蓝色同轴光源作为系统所用光源。

同时考虑到轴承防尘盖表面在同轴光照射下呈灰白色，为了增加背景与前景的对比，选择纯黑色绒布作为背景。

3 算法设计与实现

轴承防尘盖印有字符，整体检测效果往往不理想，本文所提算法是将防尘盖字符、非字符区域分离，两部分是否存在缺陷分开判别，检测算法流程如图2所示。

图2 检测算法流程图

3.1 轴承防尘盖区域提取

工业相机拍摄到的轴承图像如图3所示，包括外圈、防尘盖和内圈三部分，首先需要将防尘盖区域提取与分离。

图3 轴承图像

防尘盖是一圆环区域，与内、外圈均为同心圆环，采用如下步骤分离该区域：

（1）利用形态学中轮廓跟踪方法，提取轴承外圆，如图4（a）所示，图像的黑色背景给轮廓跟踪带来极大方便。

（2）利用圆拟合方法，拟合出图像中轴承圆心位置及外圆半径长度，拟合结果如图4（b）所示。

（3）根据轴承型号参数中的防尘盖内外径占轴承外圆半径的比例，分离出防尘盖圆环，并截取此区域，如图4（c）。

图4 防尘盖区域提取过程示意图

轴承圆心的定位及外圆半径的计算是防尘盖区域提取的基础。常用的圆拟合方法有Hough变换和最小二乘法。Hough变换对于不完整的圆也能较好拟合，但需要半径长度的先验知识，本文中得到的轴承外圆轮廓基本没有缺陷，而且最小二乘法运算速度快，精度高，所以选用最小二乘法进行圆拟合更为合适。

最小二乘法是通过最小化误差的平方和以找到拟合函数的最佳参数匹配[9]：设圆的方程为x2+y2+ax+ by+c=0，点集(xi,yi)是图像中圆上的点，i∈(1,2,…,N)。设圆心为(x0，y0)，半径为r。圆上点到圆心的距离平方：=(xi-x0)2+(yi-y0)2，为减小计算量和复杂度，取其与半径平方的差δi=-r2=++axi+byi+c，作为目标误差。为了使目标误差的平方和：f(a，b，c)=∑最小，需要有经过计算可以得到：

据此，通过步骤（3）便能分离出图像中的防尘盖圆环。

3.2 轴承防尘盖区域图像预处理

原始图像或多或少存在噪声，为了突出缺陷，减少噪声干扰，有必要对防尘盖图像进行预处理。

（1）采用线性拉伸的方法对原图灰度变换，使原图整体变亮，这样可以突出要处理的亮度带。r表示原图像中对应点(x，y)的亮度，s表示变换后图像中对应点(x，y)的亮度，拉伸函数为T。

（2）采用自适应中值滤波滤除噪声，消除毛刺，最大程度地保留图像边缘细节。Sxy表示一个被处理的、中心在(x，y)处的子图像，Zmin表示Sxy中的最小亮度值，Zmax表示Sxy中的最大亮度值，Zmed表示Sxy中的亮度中值，Zxy表示(x，y)处的亮度值。自适应中值滤波算法工作在两个层面[10]：

其中Smax表示允许的最大自适应滤波器窗口的大小，本文中Smax=5。预处理前、后图像对比如图5所示。

3.3 字符、非字符区域分离

同一型号轴承，防尘盖上字符出现位置相对固定，已知模板轴承防尘盖上字符覆盖角度，若求出待检轴承与模板轴承相差度数，也就可以推算出待检轴承防尘盖上字符覆盖角度，由此将字符、非字符分离。

图5 防尘盖图像预处理前、后对比

（1）利用最大类间方差法（Otsu）阈值分割圆环图像。

Otsu算法的基本思路是选取最优阈值使分割后得到的前景与背景两个大类的类间方差最大。对于图像I(x，y)，前景和背景的分割阈值记作T，属于前景的像素点占整幅图像的比例记为ω0，其平均灰度为μ0；属于背景的像素点占整幅图像的比例为ω1，其平均灰度为μ1；图像的总平均灰度记为μˉ，类间方差记为g。

求取g的最大值，对应的阈值T就是要寻找的最优阈值。

（2）利用Roberts算子边缘检测阈值分割后的图像，此步骤目的是进一步减少运算量，同时又不丢失缺陷形态特征。Roberts算子水平、垂直方向检测子如下：

图6为经Otsu阈值分割、Roberts算子边缘提取后图像。

图6 阈值分割、边缘提取后图像

（3）每隔2°统计边缘检测图像中数值为1的点的数目，一周360°后得到一个1×180维的数据，如图7所示。选择2°计算的原因是：本文中防尘盖内圆半径R约为80像素，周长D=2πR≈500像素，则最小分割角度为360°/ D≈0.72°。分割度数过小，算法速度会减慢，同时考虑到轴承的抖动和轴承之间也会有微小差别，经多次实验选择2°是合适的。

图7 每隔2°统计值为1的点的数目

每隔2°计算的方法为：在(θ，θ+2°)范围内的点(x，y)满足以下两个条件：

①点(x，y)到圆心的距离r满足：r1＜r＜r2，即：＜(x-x0)2+(y-y0)2＜。

(x0，y0)为圆心，r1，r2表示防尘盖图像内、外圆半径，k1，k2表示2°范围边界点与圆心连成直线的斜率。

（4）计算待检防尘盖图像与模板防尘盖图像相差角度。

上一步得到的数据每移动单位步长，与模板防尘盖此数据进行一次相减再平方，由此得到一组数据a0～a179，求其最小值，对应的移动步长即为与模板数据相差步长，假设为p，反映到图像是：待检防尘盖旋转角度p×2°后便与模板防尘盖吻合。

（5）根据模板防尘盖图像中已知的字符覆盖角度和与上一步得到的相差角度，分离出防尘盖字符区域和非字符区域，如图8所示。若模板防尘盖字符覆盖角度为(α，β)，则待检防尘盖字符覆盖角度为(α+σ，β+σ)。

图8 字符、非字符区域分离后图像

3.4 缺陷判别

轴承防尘盖表面缺陷判别依据是缺陷面积大小和连通域。考虑到噪声的干扰，面积超过一定大小的才算是缺陷。记待检轴承防尘盖图像中面积超过S（最小缺陷面积）的连通域个数记为M，若M≠N（轴承字符数目），则判定为存在缺陷。

本文检测轴承为608Z型，字符个数为8，对于完好的轴承，其字符区域连通域是8，非字符区域连通域是0；经过实际计算与相机分辨率分析得知，本批次轴承缺陷最小面积为1 mm2，对应到图像上是10个像素，所以面积<10个像素的不认为是缺陷，算作噪声干扰。防尘盖字符、非字符区域两部分是否存在缺陷分开判别。

（1）防尘盖图像中字符区域缺陷判别：

①统计面积大于10个像素的连通域个数，假设为N。

②如果N=8判定为无缺陷。N＞8判定为存在缺陷。N＜8判定为字符粘连。

（2）防尘盖图像中非字符区域缺陷判别：存在面积大于10个像素的连通域，判定为存在缺陷。

4 实验测试与分析

测试图片共125张，其中无缺陷防尘盖图像75张，存在缺陷图像50张。原始轴承图像大小为640像素× 480像素，截取出的轴承防尘盖部分为长宽相等的正方向图像，宽为243～248像素。

图9（a）为无缺陷防尘盖图像的分离结果。

图9（b）、图9（c）为轴承防尘盖非字符区域存在缺陷，但缺陷大小有区别时分离结果。

图9（d）为轴承防尘盖字符、非字符区域都存在缺陷时的分离结果。本检测算法正确率如表1。

图9 防尘盖不同缺陷分离结果图

表1 算法检测结果

本实验在Windows XP系统下，MATLAB 2009a平台上完成，电脑配置为奔腾双核CPU，2.4 GHz主频，1 GB内存，每幅图像检测时间大约需要450 ms。若将算法用C语言实现，再优化算法流程，耗时可控制在200 ms左右，应用到生产实际，预计1 s内可完成2个轴承正反双面的检测。

5 结论

本文提出一种基于机器视觉技术的轴承防尘盖表面缺陷检测方法。主要特点是：

（1）针对轴承防尘盖表面金属材质反光特性，设计了一套缺陷自动检测系统，保证采集到的图像清晰、稳定。

（2）针对轴承防尘盖表面印有字符而给缺陷判别带来的难点，通过阈值分割，边缘提取，角度计算等步骤将防尘盖字符、非字符区域分离，两部分是否存在缺陷分开判别，互不干扰。

实际测试表明：缺陷检测算法正确率在96%以上，若应用到生产实际，可实时地实现轴承防尘盖表面缺陷自动检测。

[1]张扬.基于图像处理的轴承防尘盖表面缺陷检测研究[D].杭州：浙江大学，2010.

[2]Satyanarayan L，Muralidharan A，Krishnamurthy C，et al. Application of a matched filter approach for finite aperture transducers for the synthetic aperture imaging of defects[J].IEEE Transactions on Ultrasonics Ferroelectrics and Frequency Control，2010，57：1368-1382.

[3]Martins L A O，Padua F L C，Almeida P E M.Automatic detection of surface defects on rolled steel using computer vision and artificial neural networks[C]//IECON 2010-36th Annual Conference on IEEE Industrial Electronics Society，Glendale，2010：1081-1086.

[4]Yang Tiebin，Wang Liqin，Zheng Dezhi，et al.Image acquisition and segmentation for ceramic bearing ball surface inspection system[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation，Dalian，China，2006：1005-1011.

[5]Yazdi M，Yazdchi M，Mahyari L A O.Steel surface defect detection using texture segmentation based on multifractal dimension[C]//2009 International Conference on Digital Image Processing，Bangkok，2009：346-350.

[6]张扬，朱善安.基于小波及纹理特征的轴承防尘盖缺陷检测[J].计算机工程，2010，36（8）：247-250.

[7]陈廉清，崔治，王龙山.基于差影和模板匹配的微小轴承表面缺陷检测[J].中国机械工程，2006，17（10）：1019-1022.

[8]李杨.基于机器视觉和人工神经网络的微小轴承表面缺陷识别及检测技术研究[D].长春：吉林大学，2007.

[9]徐煜明，韩雁.FPCB基准孔精确定位技术研究[J].计算机工程与应用，2009，45（29）：233-236.

[10]Gonzalez R C.数字图像处理Matlab版[M].阮秋琦，译.北京：电子工业出版社，2005：121-122.

CHEN Wenda1,BAI Ruilin1,JI Feng2,WEN Zhenshi1

1.Key Laboratory of Advanced Process Control for Light Industry（Ministry of Education）,Jiangnan University,Wuxi,Jiangsu 214122,China
2.Xinje Electronic Co.,Ltd,Wuxi,Jiangsu 214072,China

To realize the automatic detection of bearing shield surface,this paper proposes a method based on machine vision.It uses the blue coaxial light to overcome the metal reflection;it uses the least squares method to fit the bearing outer circle.According to the bearing type,it segments the bearing.Using Otsu’s method and Roberts edge extraction it processes the shield image.It calculates the points when value is 1 per 2°.Compared with the template data,it obtains the phase angle,then separates the character region and no-character region;there is no interference when the two parts defect is detected.Experiments show that:the captured image is unambiguous and the correct rate of detection algorithm is more than 96%.It can realize the automatic detection of bearing shield surface.

machine vision;image processing;bearing shield;surface defect;automatic detection

A

TP391.4

10.3778/j.issn.1002-8331.1204-0589

CHEN Wenda,BAI Ruilin,JI Feng,et al.Bearing shield surface defect detection based on machine vision.Computer Engineering and Applications,2014,50（6）：250-254.

江苏高校优势学科建设工程资助项目；江苏省科技成果转化项目（No.BA2011032）。

陈文达（1987—），男，硕士研究生，研究领域为嵌入式机器视觉理论与应用；白瑞林（1955—），男，教授，博导，研究领域为机器视觉与智能系统。E-mail：wenda8@qq.com

2012-05-02

2012-07-03

1002-8331（2014）06-0250-05

CNKI网络优先出版：2012-08-01，http://www.cnki.net/kcms/detail/11.2127.TP.20120801.1653.024.html