基于机器视觉的圆锥滚子外观缺陷检测系统研究

文生平,刘云明

(华南理工大学 聚合物新型成型装备国家工程研究中心 聚合物成型加工工程教育部重点实验室，广州 510640)

基于机器视觉的圆锥滚子外观缺陷检测系统研究

文生平,刘云明

(华南理工大学 聚合物新型成型装备国家工程研究中心 聚合物成型加工工程教育部重点实验室，广州 510640)

回顾了近年来国内外工业生产中圆锥滚子外观缺陷分割领域的研究进展，为了实现更加简单高效的滚子外观缺陷检测，设计了一套合适的光学成像系统用于图像采集，提出了最大类间方差法和局部阈值算法的缺陷分割，对分割后图像进行特征提取并进行SVM分类;实验结果表明，该算法有较高的准确率和较好的适应性，优于传统的滚子外观缺陷分割算法，可以满足工业生产中的实际需求。

圆锥滚子；光学成像；阈值分割；缺陷分类

0 引言

在轴承圆锥滚子的工业生产中，由于机械、工艺、环境和人为干扰等因素的影响，不可避免的会出现各种各样的外观缺陷。这将严重影响轴承的使用寿命，从而对机器的精度、性能以及可靠性都有极大的影响[1]。随着机器视觉在缺陷检测领域的发展和国家对“机器换人”的支持力度加大，而且传统的人工检测由于检测速度和效率低，不能满足大规模现代工业的要求，视觉检测正在慢慢替代传统的人工检测。

目前，圆锥滚子视觉检测方法的主要流程是图像的预处理，图像分割，特征提取与模式识别。国内方面，由于机器视觉检测的不断普及，其在轴承滚子的缺陷检测方面在近几年有了一些研究，内蒙古科技大学的邵珠庆利用MATLAB对圆锥滚子轴承进行了图像处理和分类，但是并没有设备实物作为支撑[2]；吉林大学的李杨以建立微小轴承表面缺陷人工神经网络检测模型为目标，以图片的组合矩不变理论为判别依据，对微小轴承的表面缺陷进行检测[3]；华东交通大学的肖强，以LabVIEW为平台，开发出了一套完整的圆锥滚子轴承视觉检测系统[4]；2014年无锡信捷电气股份有限公司的李新对滚子表面图像经 Gabor 变换后得到的子图进行融合并提取纹理特征，采用改进的 Relief 算法进行特征降维，引入偏向性处理并使用最小二乘支持向量机进行分类[5]。国外方面，Chan F将一种干涉图样投影到表面强反光的类镜面物体上，测量采集图像中物体表面条纹的变形程度，根据变形异常来判断工件表面是否存在缺陷[6]；S.Nahavand等基于图像形态学与遗传算法开发了一套针对反光金属表面进行视觉检测的实验设备[7]；Paul O’Leary 等提出了适用于反光金属表面缺陷，3种不同的图像采集方案[8]。

在图像、语音和NLP等领域，SVM等机器学习算法取得了很好的结果，并且在图像分割和目标检测领域也取得了显著的成效。本文对机器视觉在圆锥滚子外观缺陷检测领域进行研究，设计了一套完整的圆锥滚子缺陷检测算法，可以对输入图像进行图像预处理、分割、特征提取和SVM分类，实现了圆锥滚子缺陷的检测，实验中取得较高检测率和准确率。

1 系统总体设计

1.1 圆锥滚子缺陷分类

圆锥滚子有大小端面之分，在大端面上有一个内穴。圆锥滚子在生产过程中产生的外观缺陷常见的有穴垫伤、欠磨、损伤、锈点、倒角缺料和划伤等几种类型。缺陷分布在大端面倒角、圆环和内穴，以及小端面的倒角、圆环和外径上。常见缺陷如图1。

图1 圆锥滚子常见缺陷

缺陷的形成主要是由于金属磕碰、金属生锈等造成的。其中损伤、垫伤和划伤具有反光的特性，因此本文把他们归为损伤。本文主要针对损伤、欠磨、锈点和倒角缺料四个大类进行分析。

1.2 系统工作原理

机械结构主要由进料机构、进料传送带、推料机构、大小端相机和光源、线扫描相机和光源、凸轮、接料装置等构成。

检测系统由下位机的PLC和上位机的工控机组成。PLC实现系统的运动控制和数字IO控制。上位机主要实现图像采集，图像处理，结果输出等。

系统结构原理图如图2所示。

1 PLC; 2 大小端光源和相机; 3 进料机构; 4 出料机构; 5 线扫描光源; 6 PC; 7 线扫描相机图2 系统结构原理图

1.3 光学系统设计

由于圆锥滚子易反光，为了获得倒角全面的图像信息，便于缺陷的识别，系统对比了球形光源和环形光源等几种典型光源，最后选取了针对大小端面的高低角度光源和针对外径的明暗场光源。在大小端面利用端面相机采集图像，外径利用两个线扫描相机和棍棒带动滚子转动获取圆周图像。

光学系统利用多角度图像采集的方法，可以通过损伤类的缺陷反光，使其特征更加突出。同时也能清晰的获得倒角上的图像信息。同一颗滚子获取的六张图片如图3。

图3 滚子图像

2 缺陷检测算法

2.1 算法流程

计算机视觉的主要应用领域包括图像分类、目标检测和图像分割等。目标检测算法流程包括图像预处理、目标分割、特征提取和分类。缺陷检测属于目标检测的一种。

针对圆锥滚子的缺陷检测算法流程主要步骤如下：

1)利用霍夫变换提取滚子端面图像的圆和外径图像的直线，并作于ROI定位的参数；

2)利用ROI提取大端面的外倒角、大端面圆环、内倒角和穴；小端面的倒角和基面；外径的圆周面；

3)利用局部阈值和自动阈值方法进行各个ROI区域内缺陷的分割，并进行形态学变换，去除噪音；

4)提取分割后的目标特征，包括几何特征，Hu矩等。利用大量的样本对SVM分类器进行特征训练；

5)判断输入目标图像的缺陷类型。

检测算法流程如图4所示。

图4 检测算法流程图

2.2 图像分割

图像分割指把图像分割为前景和背景。分割的方法有很多种，可以分为全局和局部两大类。全局阈值通过选取一个阈值T，使图像f(x,y)像素值大于此值的为1，小于此值的为0。公式如下：

(1)

全局阈值有多种方法，其中最大类间方差法被认为是图像分割中阈值选取的最佳算法，本文利用其分割锈点、欠磨和损伤，效果明显。

局部阈值则是对每一个像素求阈值。Niblack方法是局部阈值中的一种，它根据以像素点为中心的邻域内的点的情况为此像素计算阈值。下面是每个像素阈值的计算公式：

(2)

其中:m是方差，s是标准差。

在滚子的缺陷检测中由于倒角存在弧度，易造成光照不均，Niblack方法可以对图像高亮度部分进行补偿，对于倒角的检测效果相对全局阈值更有效。

2.3 特征提取

通过特征提取得到目标的特征数据，作为缺陷分类的依据。图像具有几何特征和纹理特征等，其中几何特征在缺陷区域描述时应用最多，且是最有效的。几何特征包括几何体的边界描述和区域描述。常用的区域描述有区域的面积、矩形度、圆形度、细长度和Hu矩等。

其中Hu矩具有旋转不变性。Hu.M.K在1962年证明了他们具有旋转，缩放和平移不变性[9]。对于离散的数字图像f(x,y)，图像的p+q阶几何矩、中心矩和归一化的中心矩为：

(3)

(4)

(5)

Hu利用二阶和三阶归一化中心矩构造了7个不变矩。实际上，在对图片中物体的识别过程中，一阶和二阶矩 不变性保持得比较好，其他的几个不变矩带来的误差比较大。一阶和二阶矩公式如下：

(6)

(7)

2.4SVM分类

分类是机器学习的一个分支，它是缺陷检测最后一个步骤。根据样本训练的分类器可以有效的判断缺陷的有无，并且为其归类。相对于BP、MLP，KNN等分类算法，支持向量机SVM是一个有监督的学习模型，有其特有的优势。SVM主要应用于二分类问题，本文的多分类问题可以分解为一系列的二分类问题，便于求解。

SVM可以应用于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而实现高维特征空间的线性算法对样本的非线性特征进行线性分析[10]；SVM分类器可以得到全局最优化的解，并且在整个样本空间的期望风险以某个概率满足一定上界。

3 实验结果及分析

3.1 实验平台

利用C#平台开发上位机界面，NI-IMAQ作为图像采集模块，NI-Vision作为图像处理模块。

本文的轴承滚子检测设备已经在滚子实际生产中的进行了应用。

3.2 结果分析

利用上述的检测方法，本文在实际生产中分别对损伤、锈点、欠磨、污点进行了检测。按照所述步骤，对损伤、倒角缺料、锈点和欠磨的缺陷滚子进行实验，结果实例如下：

缺陷分割结果如图5。

特征提取结果见表1。

图5 缺陷分割结果

缺陷面积周长M1M2损伤13685834．7722．71生锈9281610．290．05欠磨2490626530．210．00倒角缺料1058917052．090．11

由于生产线上滚子缺陷较少。本文对人工检测后有缺陷的200粒滚子进行检测。分类结果与实际结果基本相符，检出率高。符合工业生产要求。分类结果见表2。

表2 SVM分类结果

4 结论

针对圆锥滚子的缺陷分类及其特征，提出了高低角度环形光源与明暗场线性光源以及面阵相机和线阵相机相配合的光学成像方式，获得了样品缺陷特征的清晰图像，在此基础上，研究了圆锥滚子缺陷检测算法，利用最大类间方差法和局部阈值算法进行缺陷分割，对分割后图像进行特征提取并进行SVM分类。实验证明，算法性能稳定，能够在满足精度要求条件下应用于实际工业生产。

[1]WangHuinan,YangJianxi,HuZhendian.CurrentStatusandProspectofRollerBearingSurfaceDefectDetection[J].ProcediaEngineering2011,15:4331-4336.

[2] 邵珠庆.机器视觉在列车圆锥滚子轴承检测中的应用[D]. 包头:内蒙古科技大学，2015.

[3] 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]. 吉林:吉林大学，2008.

[4] 肖 强.圆锥滚子轴承视觉检测研究 [D]. 上海:华东交通大学，2008.

[5] 李 新.轴承圆柱滚子表面缺陷的视觉检测方法 [Z]. 无锡:无锡信捷电气股份有限公司，2014.

[6]FionaWY.Chan.Reflectivefringepatterntechniqueforsubsurfacecrackdetection[J].NDT&EInternational, 2008, 41: 602-610.

[7]NahavandiS,Kongb.L.X.Automaticinspectionofmetallicsurfacedefectsusinggeneticalgorithms[J].JournalofMaterialsProcessingTechnology, 2002:125-126, 427-433.

[8]PaulL,FranzP.Imageacquisitiontechniquesforautomaticvisualinspectionofmetallicsurfaces[J].NDT&EInternational2003, 36:609-617.

[9] 甘志杰.基于Hu矩和支持向量机的静态手势识别及应用[D]. 青岛:青岛科技大学，2008.

[10]TsyurmastoP,ZabarankinM,UryasevS.Value-at-risksupportvectormachine:Stabilitytooutliers[J].JournalofCombinatorialOptimization, 2014,28(1):218-232.

Research on Inspection System of Tapered Roller’s Appearance Defect Based on Machine Vision

Wen Shengping, Liu Yunming

(National Engineering Research Center of Novel Equipment for Polymer Processing, Ministerial Key Laboratory of Polymer Processing Engineering, South China University of Technology, Guangzhou 510640, China)

Reviews in recent years appearance defects of domestic and foreign industrial production in the tapered roller segmentation research progress, in order to achieve a more simple and efficient roller appearance defect detection proposed a set of complete image processing algorithms. A suitable optical imaging system is designed for image acquisition, the defect segmentation of the maximum between class variance method and local threshold algorithm is proposed, and then the feature extraction and SVM classification. The experimental results show that the algorithm has higher accuracy and better adaptability than the traditional method, which can meet the requirements of industrial production.

tapered roller; optical imaging; threshold segmentation; defect classification

2016-08-12；

2016-09-13。

广东省及广州市科技计划项目(2015B090901020；201508010058)。

文生平(1966-)，男，湖北荆州人，教授，硕士研究生导师，主要从事工业装备的智能控制与机器视觉方向的研究。

1671-4598(2017)01-0040-04

10.16526/j.cnki.11-4762/tp.2017.01.012

TQ320.663

A