轴承铆钉缺陷检测方法分析

蔡珏

（无锡市亿涛自动化设备有限公司，江苏 无锡 214000）

1 引言

众所周知，机械设备中的机械旋转体主要依靠轴承来支撑，降低转动过程中的摩擦系数。机械设备的可靠性、寿命、性能以及精度在很大程度上都受轴承的精准度、寿命、性能以及精度的影响。因此，轴承的质量及其装配质量，对机械设备而言都有着十分重要的作用。

2 轴承铆钉缺陷的相关研究

滚动体、铆钉漏装以及轴承表面的缺陷是轴承缺陷检测研究的主要内容。相关学者提出了一种采用小波变化以及纹理特征的轴承防尘盖缺陷检测方式，在轴承防尘盖的缺陷检测中应用小波变化，并且也将纹理特征应用其中。还有一种方法能够快速地对轴承表面的缺陷进行检测，就是在轴承表面曲线检测的过程中应用OSTU多次阈值。有学者对轴承表面缺陷进行了深入地分析研究，将轴承表面反光以及图像不均匀的问题彻底地解决，并且对定位方法也进行重新测验定义，采用SUSAN算子对微小轴承表面曲线图像进行分割，取得了良好的应用效果。还有相关人员深入地研究了齿轮轴承漏针缺陷的检测方式。由此可见，当下对于轴承缺陷的研究，我国已经有相当一部分学者以及科研人员在进行研究。但是我们可以发现，对于轴承铆钉缺陷的研究几乎没有，我们应当肯定铆钉在轴承装配中的重要作用，轴承各项功能的发挥都受铆钉质量的直接影响。在工业领域已经广泛地应用机器视觉的大环境下，一个能够代替人工检测铆钉装配缺陷的方法或者系统，对于许多轴承生产企业来说是十分重要的。介于目前学术界对于铆钉装配缺陷的研究较少情况以及市场的迫切需求，本文就轴承铆钉装配的缺陷进行深入研究，有机结合边缘特征模板和金字塔相结合的算法以及Blob算法，检测轴承装配时铆钉的缺陷，重点叙述算法的原理以及算法在轴承铆钉检测中的详细实现步骤。经过科学的验证，这些方法都能够起到良好的检测效果，可靠性较高，能够适用于实际的检测中。

3 Blob算法

使用Blob算法的根本原因就是为了找出区域内出现的灰度突变的范围，并将其面积、形状、大小以及准确的位置找出来。使用这种算法能够有效地进行阈值分割图像，实效性强并且速度快，能够充分满足工业检测对于速度的要求。因此，该算法在工业、生物学以及农产品行业中被广泛地应用。

首先要对图像进行预处理，采用均值滤波的方式对图像进行去噪，直方图均衡化的方式对图像进行增强。随后对轴承铆钉缺陷进行检测。第一步，对轴承的原始图像进行二值化处理，须采用分块取阈值和行灰度去平均相结合的方式进行，对目标的强度进行初步增强，随后对图像进行分割。第二步，以连通域面积结合圆形度为基础将轴承内外圈区域提取出来，并对区域进行开运算的方法，改善图像质量[1]。第三步，根据图像取补和做差的方法提取轴承的保持架区域。第四步，对上一步的结果进行二值化，提取出铆钉的区域图像。最后，对上一步的结果进行圆模板开运算以及腐蚀运算之后做差，提取出结果，并在原始图中将缺陷进行标记。

4 边缘特征模板与金字塔相结合的匹配算法

由于在目标出现旋转或者光照不均匀的情况下，准确地匹配结果存在一定的难度，因此，采用边缘特征模板与金字塔相结合的匹配算法对轴承铆钉缺陷进行检测，方法如下：

第一步，采用Sobel算法提取轴承图像的边缘点位置以及梯度方向。第二步，利用图像金字塔搜索相应的策略加速算法进行运算。第三步，同时使用金字塔对轴承图像铆钉位置进行定位。第四步，将各个铆钉区域位置进行提取，并且对轮廓的封闭性以及轮廓的长度进行筛选，与完好的轴承铆钉轮廓图像自动对比，进而找到铆钉的缺陷[2]。

5 检测结果

我们采用以上两种算大对于40颗存在铆钉缺陷的轴承进行检测，结果显示在这40副图像中，Blob算法以及边缘特征模板与金字塔相结合算法，都能够准确地检测出存在缺陷的铆钉，不存在误检，正确率均达到百分之百。因此，本文所提出的两种算法都能有效地检测出轴承铆钉中的残次品。

6 结语

轴承铆钉缺陷是影响轴承正常使用的重要原因之一，但是当下我国针对于轴承铆钉缺陷的研究非常有限，相关企业无法获取有价值的检测方法。因此，本文就结合边缘特征模板与金字塔相匹配的算法与Blob算法进行实际的轴承铆钉检测，最后的验证出这两种方法能够准确地检测出轴承铆钉存在的缺陷。