汽车第3代轮毂轴承滚动体数目缺失检测*

吴文强雷良育，2胡永伟刘国辉张琪

（1.浙江农林大学；2.浙江兆丰机电股份有限公司）

目前，第3代轮毂轴承单元在汽车行业广泛使用[1]。在轮毂轴承单元装配过程中，由于机器设备和人为因素，易造成滚动体缺失的质量问题。国内各厂家主要采取人工对滚动体进行检测，但人为检测不容易控制，容易出现漏检和错检的情况，这将影响轮毂轴承单元的合格率。目前国内外学者对机器视觉的研究，推进了轴承在线检测发展，文献[2]对双列深沟球轴承滚动体缺失检测进行了研究；文献[3]对深沟球轴承滚动体遗漏进行了研究；文献[4]对滑动轴承缺陷检测系统进行了研究；文献[5]提出了人工智能等多种用于滚动轴承缺陷检测的信号处理方法；文献 [6]通过对基线、距离TFR、脊线检测及选择匹配脊4个阶段的分析来实现轴承检测的目的。文章对第3代轮毂轴承单元滚动体缺失进行研究，通过图像处理技术、MATLAB软件及斑点识别程序来实现检测的目的，有望为汽车轮毂轴承单元在线视觉检测提供理论基础和实践指导。

1　检测系统的构成

1.1　检测对象

第3代轮毂轴承单元为双列轴承，在装配工艺中，芯轴和滚动体装配会出现滚动体缺失的情况，实物图，如图1所示。

图1　轮毂轴承实物图

1.2　检测系统的硬件组成

检测系统硬件组成主要包括相机、上下料机构、光源、上位机及剔除机构。检测系统的检测流程为：轮毂轴承通过上料结构被送至传送带上，接近开关确定轮毂轴承到达检测位置，相机拍照后，按照预先设定的程序对图像进行分析。如果合格，轮毂轴承由下料机构送至下一工序；如果不合格，轮毂轴承被剔除机构剔除。

光源的选择：选择合理的光源方案，对图像的质量有很大的影响。因为图像质量好，计算机可以提取到好的特征区域，并且处理速度可以更迅速。光源的照明方式主要有同轴光源、背光光源以及同轴和背光光源3种。由于文章的轴承不适合背光光源，因此选择同轴光源进行正面照射。同时，为了让轮毂轴承在检测时减少外界光线干扰，本系统选择了环形红色光源，如图2所示。相机采用型号为A5131MG75的工业相机，镜头采用型号为M2514-MP2的工业镜头。

图2　环形红色光源图

2　图像处理技术

2.1　算法设计

图像采集后还需要进行图像处理，本研究的基本方法是通过Hough变化来检测圆，快速确定圆心的位置，从而通过轮毂轴承的尺寸提取特征区域，再对特征区域进行二值化处理，最后通过上位机计数程序进行滚子数目缺失的确定。但是，需检测的轮毂轴承（见图3）在图像中存在的圆的数量很多，直接进行Hough变换会浪费很长时间，这不符合生产线的生产需要，因此需对该图像进行处理，其流程，如图4所示。

图3　轮毂轴承图像采集图

图4　轮毂轴承图像处理流程图

从图4可以看出，图像处理主要分为三部分：1）图像分割：轴承图像中内部黑色区域灰度值存在连续性，并且和外部区域的灰度存在明显差异，因此，可以使用区域生长法进行图像分割处理获得内部的二值图。同时，区域生长法首先需要1个生长母点，先进行圆心初步确定来充当母点。2）特征提取：Hough变换对二值图进行圆心检测，求得圆心坐标并进行标定，同时根据轴承的尺寸，标定出圆环区域。3）检测确定：将圆环进行图像二值化处理，通过上位机计数程序对圆环二值图进行训练，从而确定滚子数目。

2.2　算法验证

2.2.1圆心的初步确定

通过几何特征法来快速判断轴承图像圆心的大概位置。轴承图的灰度值呈现一定的变化，在分辨率为255时，黑色灰度值为0，白色灰度值为255，轴承图像就是这样一系列的灰度值组成的。现在将图3导入MATLAB进行处理，把图像的每一行和列的所有灰度值相加，最后画出这个灰度变化，如图5和图6所示。在图5和图6中，横坐标分别表示图像每一行和每一列对应的坐标值，因此可以找到2幅图中灰度值最小时，分别对应的横坐标和纵坐标的值。因此，圆心大概就在（700，480）附近，从而确定了母点。

图5　图像横坐标所有灰度值相加结果

图6　图像纵坐标所有灰度值相加结果

2.2.2区域生长法确定轮廓

区域生长是一种串行区域分割的图像分割方法，其优点是基本思想相对简单，通常能将具有相同特征的联通区域分割出来[7]，并能提供很好的边界信息和分割结果。

区域生长法示意图，如图7所示，简单的说，选择点1作为母点，点1四周选择点2～5。设置一个阈值进行生长，判断母点1和领域4点的灰度差与阈值的关系，如果灰度差小于阈值，则认为这个区域是一体的，将这些点同化成新的原点，新的原点重新选择领域4点并重新进行生长，重复上述过程，直到灰度差十分明显时，停止生长。从图3可以看出内圆基本都是黑色的，内外圆的差别明显，区域生长法检测轮毂轴承单元内圆是可行的。因此，对于这一副轴承灰度图，已经知道了圆心大概位置，那么把这个点当做母点进行区域生长。设置阈值为25，得到内圆的轮廓二值图，如图8所示。

图7　区域生长法示意图

图8　内圆的轮廓二值图

2.2.3Hough变换

Hough变换是利用图像全局特性将边缘像素连接起来组成区域封闭边界的一种方法，可以应用于圆的检测，它的基本思想是将图像空间中的检测问题转换到参数空间[8]，再进行简单的累加统计完成检测任务，因而对于有噪声干扰的图像，Hough变换具有很好的容错性和鲁棒性。利用梯度信息和式（1）对图8进行检测。

式中：x1，y1——图像某个边缘点的坐标；

r——半径参数；

φ——边缘点（x，y）的梯度方向角（即对应的参数空间坐标）。

检测时，已知r的变换范围及单位增量步长（Δr），然后由 2个二维累加器数组{x1'，r}和{y1'，r}进行统计，根据它们的峰值确定圆参数c={x1'，y1'，r}（即寻找最大值，求得圆心坐标和半径），最后根据得到的圆心坐标和轴承尺寸参数进行标定，可以得到如图9所示的圆心标定图。圆环提取是根据不同半径的2个圆进行相减得到，如图10所示。

图9　轮毂轴承圆心标定图

图10　轮毂轴承圆环提取图

2.2.4圆环二值化

得到良好的特征图像后，为了提取其中的信息，需要进行二值化处理。图像的灰度是黑色灰度值为0，白色灰度值为255，设f（x，y）为圆环中每个像素点的灰度值，g（x，y）为二值化处理后每个像素点的灰度值，阈值设为T，计算公式，如式（2）所示。

T选用大津法进行计算，是一种基于全局的二值化算法，它是根据图像的灰度特性，将图像分为前景和背景两部分。当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差[9]。

设前景点数占图像比例为w1，平均灰度为u1；背景点数占图像比例为w2，平均灰度为u2，图像的总平均灰度为u，前景和背景图象的方差为g，则有：

当g有最大值时，此时对应的T为最佳值，可以得到二值化的图像，如图11所示。从图11可以看到滚子与周围图像特征非常明显。

图11　轮毂轴承二值化结果图

2.2.5缺失数目的确定

通过上述的处理，圆环部分的滚子特点已经非常明显，将标准件按上述步骤操作，然后设定单个滚子的面积范围，进行训练之后，通过检测滚子的斑点数来确定滚子的数目。轴承滚子数目的确定需要先选择标准件进行处理来当作样本，可以得到图12的结果。

图12　轮毂轴承训练后的结果图

3　试验验证

根据上述的检测方法，结合车间现场的实际情况，构建了如图13所示的试验平台，对轮毂轴承单元的图像进行采集。

图13　轮毂轴承检测平台

快速准确性是实际生产中的重要要求，也是评价该机器视觉系统的指标之一。在现场抽取10个样本在试验平台上进行检测，对检测到的滚动体数量和检测时间进行记录，具体结果，如表1所示。从表1可以看出，检测的时间都集中在12 s左右，符合生产节拍的要求。

表1　测试滚动体数目与时间s

稳定性也必须进行验证，考虑现场生产复杂的情况，文章设计的检验方法为：在相同的测试条件下，抽取了80个完好轴承和50个缺失轴承放到试验平台上进行检测，检测结果，如表2所示。从表2可以看出，该机器视觉系统能够稳定进行工作，符合生产要求。

表2　轮毂轴承抽样检测样品与结果

4　结语

针对第3代轮毂轴承单元在生产中出现滚子缺失的情况，根据轮毂轴承的特点，选择合适的光源、相机及镜头组成检测平台。应用文章提出的视觉检测算法，通过几何特征和区域生长法快速获得内圆的二值图；进行Hough变换后，能够快速地实现缺失数目的检测。通过试验验证其快速性和稳定性，完成1次检测时间集中在12 s左右；抽取了80个完好轴承和50个缺失轴承进行检测，识别率分别为92.5%和92%，满足第3代轮毂轴承的生产要求。