基于统计特征的微型轴承滚珠计数检测

周迪斌，胡保坤，王琦晖，吴英飞

（杭州师范大学国际服务工程学院，杭州　310016）

基于统计特征的微型轴承滚珠计数检测

周迪斌，胡保坤，王琦晖，吴英飞

（杭州师范大学国际服务工程学院，杭州310016）

0　引言

装备制造业是工业化的核心和基础，是一个国家综合国力强大与否的重要标志之一［1］。在现代化自动行业中，随着高精度、高质量、高速度的不断攀升，轴承在国民经济中的应用已经渗透到各个行业，其是装备制造行业的重要基础件。

轴承是一种常用机械元件，品种型号众多，在加工精度要求相对较高，尤其是针对微型轴承。对于这种高精度参数数值，只有通过精密度测量技术或专用仪器才能确定。另外，传统行业的劳动力成本在逐年提升，因此，机器视觉等智能化技术不断引入到传统工业的生产和检验过程，可以预见，机器视觉技术在传统工业生产中的地位将进一步提升，应用的广度和深度将不断增强。

目前，我国轴承行业还存在如制造技术水平低、行业集中度较低等问题，离轴承强国的标准相距甚远，行业矛盾突出：发展方式没有根本改变、产业结构的深层次矛盾依然突出、缺少核心技术自主知识产权、品牌建设进步较慢、产品结构不尽合理［2］。

轴承在生产装配过程中，由于加工技术、微小异物等因素在轴承的外圆表面、密封盖端面等处会产生压痕、吭伤、划痕等缺陷，很容易导致产品不稳定、精度差和可靠性低，此类现象在国内轴承行业经常存在，国内轴承平均使用寿命仅为国外同类产品的1/3-1/2。近年来，轴承行业大量采用自动化单机或生产线实现技术改造向现代化生产迈进，但在轴承表面缺陷的检测与废品的分拣上仍以人工检测为主，该方法存在诸多缺点，例如：方法劳动强度大、工作效率低、主观性强、易受检测人员技术素质、经验及疲劳等因素影响，无法充分保证轴承的生产质量。

考虑到现有接触式的轴承检测技术［3，4］很难充分满足工业检测需求，而基于图像的机器视觉检测方法具有非接触、实时可靠、成本低、自动化程度高的优势，能为该问题的解决提供了良好的替代方案和解决思路。近年来，部分工业视觉技术被应用到轴承制造行业［5-9］，如测量、计数等。

本项目采用自适应分割算法，利用图像增强技术、滤波和去噪等预处理技术，改善工业图像质量，排除高光、噪声和污渍干扰，并充分利用轴承图像中滚珠区域的灰度统计变化规律，实现滚珠的快速定位与计数。

1　算法框架

一般地，轴承方向的判定，需要经历图像采集与预处理、图像二值化、区域化计算轴环区域、轴环边缘点检测和统计分析轴承方向，图1显示的是算法框架，下面具体介绍：

图1　微型轴承计数检测流程图

（1）图像采集

一般选择工业相机如CMOS或CCD进行图像采集，选择背光源。

（2）自适应分割

考虑到现场光照条件，系统会在一定的阈值范围内，主动搜索最佳分割阈值，避免环境干扰，在自动分割过程，会对图像适当滤波，避免机器振动导致的图像采集的不稳定的情况。

（3）轴承中心定位

利用区域标记算法，对分割后的图像进行逐一标记，再依据给定的轴承约束条件：如半径范围、长宽比等，精确定位微型轴承的中心坐标与半径参数。

（4）灰度特征统计

在步骤3的基础上，依据给定参数，判断滚珠所在的区域，进行适当的拉伸，并验证弧线统计其灰度累积变情况，以此作为后续滚珠定位的判据。

（5）滚珠定位与计数

逐个计算边缘点与轴承中心距离，并建立一个列表。统计该列表的变化规律，如距离增加次数，与距离减少的次数的比较，如果距离增加次数大于距离减小次数，则为正方向（顺时针），反之为反方向（逆时针）。

2　核心算法

在上述算法中，图像的自适应分割、轴承灰度变化特征统计等步骤非常重要，下面分别介绍。

2.1自适应分割

图像分割是目标识别的重要前提条件，图像分割质量的优劣、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解，是图像处理、分析、理解中一个极其重要的技术环节。分割的目标是将前景对象从背景图案中分离出来，以便进行合理分析和处理。图像分割算法一般是基于亮度值的两个基本特性之一：不连续性和相似性。前者适用于依据亮度的不连续变化（如边缘等）分割图像，后者则主要适用于依据事先制定的准则（相似性）将像素图像分割为不同的区域。自适应分割的主要目标是轴承定位。

基于区域的阈值的分割方法是一种应用十分广泛的图像分割技术。本系统采用了最大类间方差法（OSTU）作为初始阈值的估算方法，使类间方差最大的分割意味着错分概率最小。虽然OSTU算法具有很好特性，但考虑到工业现场的各种干扰，单一自适应阈值法难以保证工业图像的有效分割，为此，我们采用渐近的阈值分割法来保证图像的最佳分割。并利用已知的条件如是否存在轴承区域作为分割质量的反馈，以此来寻找最佳的分割阈值。算法流程如图2所示。

图2　自适应阈值分割

依据大律法，获取图像的初始阈值，依据初始依据，判断该阈值是否合理，如果合理则分割成功，否则继续调整阈值。

（1）阈值调整：

从当前阈值开始，轮流增加/减少阈值间隔。

（2）上下限判断：

判断调整后的阈值，是否同时超出了上下阈值的范围，如果超出则表明分割失败，否则继续进行阈值分割。

（3）阈值分割：

依据当前阈值进行图像分割，并确定中心区域是否满足轴承的约束条件，如长宽比和范围等。

实验表明，上述方法可以显著提高阈值判断的准确性，为后续的轴承定位与计数提供有效支撑。而选择OSTU算法做为分割的初始阈值，可以减少循环的次数，提供方法的效率。

对于分割后区域，采用区域标记方法对每个连通区域逐一标记，统计其外接矩形及长宽比等特征参数，依据给定的尺寸约束，如半径的范围（R1，R2）和最大长宽比（1，Roundness）等条件直接寻找唯一的目标区域。

假设目标区域的外接矩形为rt，则其应该满足：

R1<（rt.Width/2）

Max（rt.Width，rt.Height）/Min（rt.Width，rt.Height）

其中，圆整度Roundness一般小于1.1，否则目标就不接近圆。而轴承的中心即为 centerPt=（rt.X+rt.Width/ 2，rt.Y+rt.Height/2），半径参数radius=（rt.Width+rt. Height）/4。

2.2基于统计的特征判定轴承方向的方法

对于轴承区域，首先沿弧线方向进行投影，把环状区域转成矩形区域。该策略主要是为了减少过多的图像插值，加快灰度投影统计，如图3所示，展开区域为轴承滚珠区域（红色环状包围区）。

图3　轴承环状区域展开图

然后，对图3（展开图）进行适当投影和卷积，可以得到类似图4的分布图，其中局部最低点为可能的滚珠中心，一共6个。说明存在6个滚珠。经过适当滤波分析，其对应的坐标区域分别为：55，115，176，238，300，361，对应的轴承之间环向间距分别为60，61，62，62，61，61，范围在60-62之间，平均误差不超过1个像素，表明分布非常均匀。

图4　灰度投影统计

算法利用灰度信息的统计特征，统计了其变化规律，避免了局部锈斑污渍干扰。

3　结果与分析

图5显示了部分测试结果，其中（1）为普通图像，（2）显示了检测结果，为正常均匀分布。（3）为缺球图像，缺少部分钢球，（4）为检测结果，少球。（5）为存在部分污渍的轴承，可能有部分油脂，且背景被存在部分噪声，（6）为检测结果，检测正确。

通过一系列图像测试分析，算法均可以获取准确结果，表明算法的鲁棒性和抗干扰性很好，检测时间平均不超过100ms，完全符合实时检测需求。

图5　滚珠计数检测

具体来看，自适应分割算法，采用极大方差阈值提取方法非常有效，对其他复杂光照情况也均表现良好。此外，也可根据图像的灰度统计特性人为设定初始阈值，使得对所需图像的分割次数减少，更进一步提高效率，从而减少处理时间。

该方法的另一个优势是通过巧妙地将轴承环状区域展开，并统计其分布规律，可有效地避免污染干扰，并减少计算量，算法效率高且鲁棒性很好，非常适合易受各类油渍锈斑污染的微型零件检测与分析。

4　结语

机器视觉检测方法具有非接触、无损伤、测量精确，适合检测非规则物体等优势，是未来中国制造继续深化的关键因素之一。

本文面向传统轴承行业的自动化生产和检测，重点研究易干扰的复杂环境下的微型零件识别与检测的理论方法，实现了一种基于统计方法的微型轴承滚珠计数检测方法，通过阈值的自动搜寻寻找最佳阈值分割，进而实现轴承中心快速定位，并依据已知尺寸约束，对轴环区域进行拉直拓展，通过统计灰度变化的卷积统计，选择局部灰度最低点，实现滚珠的精确定位与计数，提高微型零件检测效率。实验表明，该算法完全可以满足工业环境实时检测的需求，而且与同类的算法相比，由于采用的自适应策略，对光源的要求相对比较低，且基于统计特征，算法具有非常好的鲁棒性。

未来，项目组将继续深入研究机器视觉技术在轴承行业的检测、识别、测量、定位、质量评估等关键技术，包括表面检测图像预处理、零件定位、测量和计数等，提升国内轴承产业的自动化生产和检测效率。

［1］朱森第.我国装备制造业的现状与发展战略［J］.机电工程技术，2001（2）:10-12.

［2］中国轴承工业协会.轴承行业“十二五”发展规划，2010.

［3］Li F.，Lin Ye，Zhang G.，et al.，Bearing fault detection using higher-order statistics based ARMA model［J］.Key Engineering Materials，2007，347:271-276.

［4］Do V.T.，Chong U.P.，Signal model-based fault detection and diagnosis for induction motors using features of vibration signal in Two-Dimension Domain［J］，Journal of Mechanical Engineering，2011，57（9）：655-666.

［5］宋晓霞，杨建玺，徐红哲，基于机器视觉的钢球表面缺陷检测［J］.轴承，2010：45-48.

［6］王晓洁，郑晓东.机器视觉在轴承检测中的应用［J］.机器与液压，2008，36（10）：276-278.

［7］陈跃飞，王恒迪，邓四二.机器视觉检测技术中轴承的定位算法［J］，BEARING，2010（4）：54-56.

［8］汪传民，叶邦彦，黄先德，等.基于计算机视觉的轴承外径检测系统的研究，2006，22（5-1）：205-207.

［9］陈永清，陈庆勇，徐金海.轴承端面缺陷自动检测研究［J］.制造业自动化，2009：31（11）：15-18.

Machine Vision；Adaptive Segmentation；Bearing Detection；Probability Statistics

Counting Detection of Miniature Ball Bearings Based on Statistical Characteristics

ZHOU Di-bin，HU Bao-kun，WANG Qi-hui，WU Ying-fei
（College of International Service Engineering，Hangzhou Normal University，Hangzhou 310016）

1007-1423（2015）19-0016-05

10.3969/j.issn.1007-1423.2015.19.004

周迪斌（1978-），男，博士后，讲师，研究方向为模式识别和图像检索

2015-06-15

2015-06-25

随着传统行业人力成本提高，传统轴承行业的检测技术逐渐向着将向高速化、网络化、信息化和系统化的方向发展。面向传统轴承产业的大规模的生产与检测，实现一种基于统计特征的微型轴承滚珠计数检测算法，通过主动搜索最佳阈值范围，实现图像的区域划分，并依据已知的轴承尺度信息，快速定位轴承中心，沿着轴承滚珠分布方向，统计其灰度值变化的规律，找到最佳的滚珠中心点，并统计滚珠数量，该方法的抗干扰能力很强，算法效率高。

机器视觉；自适应分割；轴承检测；概率统计

国家自然科学青年基金（No.61103171）、浙江省公益技术研究工业项目（No.2013C31022）

Along with increasing human cost in traditional industry，bearing detection technique leads to high precision，high speed，networking and information system.Catering to bearing production and testing，implements an adaptive detection of miniature bearing ball based on statistical feature，realizes the image regional division by the active threshold searching，adaptively locates the bearing center by object size constraint，then finds the best ball center by calculating the statistical gray value along the ball distribution direction，counts the balls. The technique is robust and greatly improving system efficiency.