基于机器视觉算法的轴承套端面缺陷检测研究

骆腾斌，陈 硕*，赵紫阳，连青惠(.福州大学 机械工程及自动化学院，福建 福州 3506；.福建省永安轴承有限责任公司，福建 永安 366000)

0 引 言

受加工过程中各种不确定因素的影响，轴承内外套端面加工后依然可能会出现凹坑、划痕、锻废、大小边等缺陷。上述这些缺陷一方面影响轴承外观，另一方面轴承套端面作为后续加工的定位面，若缺陷严重，则可能影响轴承各零件的配合，从而降低轴承的耐用性能，给配套主机的正常使用埋下安全隐患。因此，存在这些缺陷的轴承套，在进入下一道工序前必须剔除掉[1-2]。目前，国内轴承生产企业主要依赖人工目测完成上述缺陷检测与次品的剔除。然而，人工目测不仅效率低下，还很容易出现误检和漏检，人为因素影响大，稳定性和可靠性较差，因漏检造成的退换货现象时有发生，给企业造成经济上的损失之余，也降低了客户对其产品的信任度[3]。鉴于此，轴承生产厂家急需自动检测设备来替代人工检测，降低人力成本，实现对产品质量的严格控制。

基于机器视觉的检测方法凭借其速度快、精度高、稳定性好等特点而受到广泛关注。王恒迪等人[4]通过改进的Otsu阈值分割方法和边缘检测技术，实现了对轴承内外套端面的检测；陶青平等人[5]针对目前应用单阈值图像检测产品缺陷方法的局限性，而多阈值分割算法仅能检测高于目标灰度缺陷的情况，提出了一种基于Otsu多次阈值的方法，完成了轴承端面缺陷检测；陈廉清等人[6-7]对轴承检测也作了较多研究。然而，现有的轴承表面质量视觉检测方法大都存在着检测效率有待提高等问题，因此仍需进一步的改进。

针对当前人工检测及现有检测算法所存在的不足，本文提出一种新的轴承套端面缺陷视觉检测方法，以提高检测效率与准确率。

1 轴承套端面区域提取

本算法首先对所采集图像进行平滑处理以减弱噪声的影响，然后利用自适应阈值的canny算子完成边缘检测，从检测结果中提取出边缘轮廓，再采用最小二乘法拟合圆，最后分割出轴承套端面圆环区域。

1.1 图像平滑处理

经由图像采集系统得到的原始图像都包含有某种程度的噪声，为了抑制这些噪声，减弱其对后期缺陷检测的影响，则需对图像进行平滑处理。为适应不同检测过程的需求，本文共涉及两种图像平滑处理方法：中值滤波与均值滤波。

中值滤波为常用的非线性滤波方法,也是图像处理技术中最常用的预处理技术[8]。它无论是在消除噪声还是保存边缘信息方面都有较好的效果。因此，本文选用3×3的函数窗对原始图像进行中值滤波处理，再将处理结果用于边缘检测。然而，中值滤波会导致算法对划痕、麻点等细小缺陷出现漏检。根据合作厂家提出的宁可误检不可漏检原则，本文采用原始图像经由内核大小为3×3的均值滤波后的输出结果作为后续缺陷检测的图像。

原图及应用两种滤波方法处理原图的效果如图1所示。

图1 原图及滤波效果

1.2 边缘检测

Canny边缘检测算子是John F.Canny于1986年开发出来的一个多级边缘检测算法[9]。在众多的图像边缘检测方法中，Canny算子以其严格的边缘检测评价标准得到了广泛应用，被很多人推崇为当今最优的边缘检测算法。

为了尽量精确地确定边缘的位置，本文采用Canny算子来完成边缘检测工作。然而传统Canny算子高低阈值是人为确定的，这就造成了它难以应用于自动化检测。针对这一问题，一种解决方案是运用最大类间差(Otsu)法确定Canny算子的高阈值[10-12](记为α)，再用该高阈值乘以一个比例因子作为其低阈值(记为β)。

Canny检测效果如图2所示。

图2 Canny检测效果

该方法对图1(b)的处理结果如图2(a)所示；另一种解决方案是运用迭代法确定阈值α[13]，其对图1(b)的处理结果如图2(b)所示。以上两种方法虽检测到了较丰富的边缘信息，但结果中也包含了许多误检的边缘。考虑到边缘检测主要是服务于接下来的拟合圆操作，而并不是用于检测缺陷，所以为了避免因边缘检测产生误检，则α值不应过低，本算法选取图像的最大灰度值作为α。对于Canny算子的高低阈值比，一般推荐在2：1～3：1之间，本算法取β=0.4α。通过对大量图像进行测试，结果表明本文的阈值确定方法十分高效，而且能使得基于该高低阈值的Canny算子具有较好的检测效果，其对图1(b)处理结果如图2(c)所示。

1.3 端面圆环区域提取

轴承套圆心的定位及端面内、外圆半径的计算是端面圆环区域提取的基础。Hough变换、三点定圆法及最小二乘法是常用的3种定位圆心的方法。

Hough变换具有鲁棒性好[14]，对缺陷较大的圆也能较准确定位圆心的优点，但其投票统计的累加过程消耗大量的内存与时间。

由于随机提取3个边缘点坐标，三点定圆法是3种方法中计算量最少的，但其定位精度也是最低的，无法精确算得端面内外圆的实际圆心坐标和半径。

最小二乘法可以计算得到高精度的圆心和半径[15]，且计算量较少，占用的内存和消耗的时间也均较少。同时，因为最小二乘拟合的平方项对离群点非常敏感，所以可以利用半径长度的先验知识与拟合结果作比较，从而直接剔除轮廓存在较大缺陷的轴承套。

综合考虑精度、计算复杂度和耗时，本研究采用最小二乘法。

(1)

(2)

其中：

据此，本算法便能简便地拟合出轴承端面的内、外圆如图3所示。

图3 拟合圆

继而本算法可提取出图1(c)中的轴承套端面圆环区域，如图4所示。

图4 提取的圆环区域

2 缺陷检测

2.1 阈值分割

准确的阈值分割是缺陷检测的先决条件，而其最大难点又在于门限阈值的合理选取。为适应各轴承套间的差异，显然不能采用固定的门限阈值，故本研究只考虑自适应阈值算法，如迭代法、Otsu法[16]。通过大量测试，笔者最终决定采用Otsu法作为自适应阈值算法。

Otsu法是一种图像灰度自适应的阈值分割算法，由日本学者大津[17]于1979年提出。该算法通过计算不同阈值对应的类间方差，而类间方差最大意味着错分概率最小，从而求得分割图像的最佳阈值。

首先计算出图像的灰度直方图，其灰度级别记为[imin，imax]，然后对h(i)=ni进行归一化，并令pi=ni/N，其中：N—图像中像素点的总个数，pi—不同灰度值在图像中的概率，于是有∑pi=1。

现假设阈值将图像中的像素点分为了背景C0与前景C1两类，C0表示具有级别[imin，T]的像素，C1表示具有级别[T+1，imax]的像素，则这两类出现的概率分别为：

(3)

类C0的灰度均值为：

(4)

类C1的灰度均值为：

(5)

又因为μ(T)与μ分别为：

(6)

所以有：

ω0+ω1=1，ω0μ0+ω1μ1=μ

(7)

故而，类间方差为：

σ2=ω0(μ0-μ)2+ω1(μ1-μ)2

(8)

上式计算量较大，可将其简化为：

σ2=ω0ω1(μ0-μ1)2

(9)

要使类间方差σ最大，则应该取：

(10)

为减少计算量，缩短程序的运行时间，应将阈值T的取值范围限制在[imin，imax]区间。

研究运用Otsu法计算图1(c)及图4得到的阈值T分别对图4进行分割操作，并将灰度值小于T的像素点置为“255”(白色)，其余像素点置为“0”(黑色)，其结果如图5所示。

图5 OTSU阈值分割结果

同理，本研究以迭代法得到的阈值T对图4进行分割的结果如图6所示。

图6 迭代法阈值分割结果

由图5的分割结果可以看出，Otsu算法得到的全图最佳阈值未能有效地分割出缺陷，如图5(a)所示，存在漏检的风险；而基于圆环区域的阈值则能得到很好的分割效果，如图5(b)所示。图6(a)表明，迭代法基于全图得到的阈值虽能分割出缺陷，但分割得不完整，所以同样存在漏检的可能；图6(b)则说明迭代法基于圆环区域得到的阈值可能导致算法出现误检。

因此，本算法采用Otsu法基于圆环区域得到的阈值可以完成缺陷分割。

2.2 缺陷检测与判别

对于端面大小边缺陷，其主要特点是内、外圆不同心，且圆环区域内可能并无其它缺陷，即无法通过阈值分割完成缺陷判别，故本文直接于完成拟合圆之后便予以剔除。该缺陷的判别是通过计算两拟合圆圆心间的欧氏距离dp，再将其与给定阈值Dp比较来完成的，若dp>Dp则判定为存在大小边缺陷，否则便继续通过阈值分割进行其余缺陷判别。根据合作厂家的检测标准，圆环区域的最大与最小宽度的差值应不超过1 mm(对应到图像上约为10个像素)，即内、外圆圆心偏移量应不超过0.5 mm，因此取阈值Dp为5个像素，即Dp=5。

基于本文算法，若端面合格，分割结果中将只有两个圆；若端面存在缺陷，则分割结果中除了两个圆之外还包含缺陷区域，如图5(b)所示。

因此，为避免误判，实际用于分割的图像是缩进了2个像素的圆环区域，分割结果如图7所示。

图7 缩进圆环区域分割结果

为判别轴承套端面是否存在缺陷，本文基于八邻域标记算法提取出分割结果中的连通域，若连通域面积S(像素数)大于给定的阈值(最小缺陷面积)，则判定存在缺陷。

3 实验结果与分析

为了评估本文提出的检测方法的性能，笔者共采集200幅轴承套图像作为测试样本，其中合格轴承套图像100幅，其余为包含各缺陷类型的轴承套图像。原始图像宽度为640×480像素，文中的所有插图均为截取而来，且大小均为360×360个像素。

算法测试结果如表1所示。

表1 算法测试结果

分析实验结果发现，实验中误检、漏检现象的出现主要是由于图像采集过程中受噪声干扰导致缺陷面积S处于临界值的轴承被误判所引起的。针对以上情况，可通过改善照明条件和优化算法以提高鲁棒性。

该实验在Window7系统、Visual Studio2010平台上进行，电脑配置Intel(R)Pentium(R)处理器，3.00 GHz主频，4G内存。本算法通过C++语言编程实现，其对于每幅图像的检测时间均不超过50 ms，且最少耗时仅为31 ms，完全能满足工业实时性要求。

4 结束语

本文提出了一种基于机器视觉技术的轴承套端面检测方法，通过图像的灰度直方图快速地得到了Canny算子的高低阈值，实现了阈值自适应，并取得了较好的边缘检测效果；再结合基于最小二乘法的圆拟合算法完成了轴承端面区域提取，接着利用Otsu算法对圆环区域进行了阈值分割，最后根据连通域的特征与大小完成了缺陷判别。

实际测试结果显示：该方法具有检测正确率高、速度快、重复性好等优点。下一阶段，笔者将应用其搭建一套工业在线检测系统。

[1] 陈文达,白瑞林,吉 峰,等.基于机器视觉的轴承防尘盖表面缺陷检测[J].计算机工程与应用,2014(6):250-254.

[2] 李妍妍，樊连庆，张 毅.一种基于机器人控制软件的构件缺陷管理方案[J].兵工自动化，2017，36(5)：88-91.

[3] 陈 龙,侯普华,王 进,等.轴承表面缺陷类型识别算法[J].计算机应用研究,2015(5):1549-1553.

[4] 王恒迪,李 莎,杨建玺,等.轴承端面缺陷的视觉检测方法[J].轴承,2016(3):60-63.

[5] 陶青平,吴锡生.快速检测轴承表面缺陷方法的研究[J].微电子学与计算机,2011,28(10):98-100，104.

[6] 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.

[7] 陈廉清,袁红彬,王龙山.SUSAN算子在微小轴承表面缺陷图像分割中的应用[J].光学技术,2007(2):305-307.

[8] 冈萨雷斯.数字圈像处理[M].3版.北京：电子工业出版社,2011

[9] 钮圣虓,王 盛,杨晶晶,等.完全基于边缘信息的快速图像分割算法[J].计算机辅助设计与图形学学报,2012,24(11):1410-1419.

[10] 张志强,宋海生.应用Otsu改进Canny算子的图像边缘检测方法[J].计算机与数字工程,2014,43(1):122-128，141.

[11] 梁光明,孙即祥,马 琦,等.Otsu算法在Canny算子中的应用[J].国防科技大学学报,2003,25(5):36-39.

[12] MEI Fang, YUE Guang-xue, YU Qing-cang. The study on an application of otsu method in canny operator[J].ProceedingsoftheInternationalSymposlimonInformationProeessing,2009,2(4):109-112.

[13] 王小俊,刘旭敏,关 永.基于改进Canny算子的图像边缘检测算法[J].计算机工程,2012,38(14):196-198，202.

[14] 周勇亮,金 燕,何 萍,等.随机Hough变换圆检测累计加速算法[J].计算机辅助设计与图形学学报,2014,26(4):574-580.

[15] 霍建亮,曾 翎,王德胜,等.基于最小二乘法改进的随机圆检测算法[J].光电工程,2011,38(5):145-150.

[16] 陈宁宁.几种图像阈值分割算法的实现与比较[J].电脑知识与技术,2011,7(13):3109-3111.

[17] OHTUS N. A threshold selection method from gray-level histograms[J].IEEETransactionsonSystemsManandCybernetics.1979,9(1):62-66.