基于机器视觉的齿轮齿形缺陷检测技术

2019-09-11任聪余昌水

汽车实用技术 2019年16期

任聪，余昌水

（陕西法士特齿轮有限责任公司，陕西西安 710119）

前言

目前，齿轮缺陷的检测主要依靠人工目测方法，不仅工作量大、效率低，且检测人员容易因为视觉疲劳而产生主观误差，可靠性差、漏检率高，不利于齿轮的自动化加工生产[1,2]。随着现代计算机技术、图像处理技术的发展，基于机器视觉的测量、识别和控制技术在工业生产中已得到广泛应用，但现阶段基于机器视觉的齿轮非接触测量还处在起步阶段，齿形检测精度难以满足使用需求。因此，基于机器视觉的齿轮检测技术将成为未来齿轮技术研究的热点[3-5]。

本文主要面向齿轮工件，基于机器视觉方法实现齿形轮廓检测。首先设计齿形缺陷专用检测装置，用于齿轮图像的采集；然后基于机器视觉方法，对齿轮图像进行预处理，包括灰度转换、中值滤波去噪以及二值化；并基于Sobel 边缘检测实现齿形轮廓的提取，确定分度圆半径，基于最小二乘法拟合圆求圆心，根据分度圆与齿廓的交点测量齿距偏差，最终实现齿形的自动检测及缺陷的准确识别。

1 齿形缺陷检测系统

为保证图像精度，减少图像畸变，用于机器视觉检测的相机需要根据检测目标进行标校。然而常见图像检测装置一般采用上置镜头的方案，由于被检齿轮高度往往不同，图像存在一定的误差。本文采用了一种新的结构方案，如图 1 所示，可以有效保证相机与被测工件的相对位置，避免图像采集误差。主要包括框架、稳定光源、带刻线玻璃板、工业相机、定焦镜头、带刻线玻璃板、工业控制计算机（包括图像处理卡、检测软件以及显示终端）等。其特征在于，被测工件和稳定光源处于带刻线玻璃板的上方，工业相机及镜头位于带刻线玻璃板的下方，相机采集的图像传输给图像处理卡，通过检测软件进行处理，将检测结果传输至显示终端上。

图1 齿形缺陷检测装置

通过该装置采集的工件图像特征明显，能有效分辨齿轮的齿形轮廓特征，可有效提高后续的齿形边缘检测效率。

2 齿轮图像预处理

本文齿轮图像的预处理主要包括灰度变换、滤波去噪、二值化以及Sobel 边缘检测四部分。

2.1 齿轮图像灰度变换

一副完整的彩色图像由红色、绿色、蓝色三个通道组成的；如果将红、绿、蓝三个通道都用灰度来表示，就成了灰度图像。采用公式 1 进行转换：

其中Gray 表示灰度，数值区间为0-255；R 表示红色，G 表示绿色，B 表示蓝色。

2.2 齿轮图像的中值滤波去噪处理

本文采用2-D 中值滤波方法进行去噪处理，一个2-D 中值滤波的输出可写为：

公式2 中，(s,t)∈N (x,y)。

首先，将模板覆盖在图像上，并将覆盖下的图像像素进行从大到小排序；其次，取出排序后处在最中间的像素值，将模板中心位置的像素赋值为取出的像素值；最后，在图像上移动模板重复上述步骤取出每个像素的中值完成整个图像的滤波处理。中值滤波常使用5×5 的模板，此时需要取出的中值是第13 个大的数，通过滤波处理后将会消除图像中过亮或者过暗的部分。

2.3 齿轮图像的二值化处理

图像二值化常用于灰度图像分割。我们所看到的图像实际上是由许多像素点组成。每个像素点对应一个像素值，而灰度图像每个像素点所对应的值是灰度值。图像的二值化是指将图像中的灰度值用两个值代替，这两个值通常是0,1，也可以是0,255，0 代表黑色，255 代表白色。二值化过程中需要设定一个阈值T，灰度值大于阈值的像素点二值化的结果为1，否则为0。二值化的公式3 所示：公式3 中，f(x,y)为原图像，g(x,y)为分割后图像。设定T=0.5，对齿轮图像进行二值化处理。

2.4 基于Sobel 的齿形边缘检测

常见的边缘检测方法有Prewitt 算子、Canny 算子、Sobel算子、Roberts 算子、LOG 滤波器等等。本文需要准确检测出齿轮的齿形，因此选择Sobel 算子做边缘轮廓检测，Sobel算子表达式如下：

表1 中表示的两个卷积核可以组成Sobel 算子，并且和dx 与dy 的影响权重不一样。其分别对垂直边缘以及水平边缘有着更大影响。

表1 Sobel 算子

输出的结果为卷积运算的最大值，可构成边缘幅度图像。

3 齿形拟合及测量

齿形拟合及测量主要是根据齿形轮廓确定分度圆半径，并基于最小二乘法拟合圆求圆心，根据分度圆与齿廓的交点测量齿距偏差。具体过程如图 2 所示。

4 应用实例验证

选取某型齿形缺陷直齿轮，规格GB0.3M 10T 14.5PA 3FW（模数0.25，齿数10，压力角14.5，面宽3，标称轴直径0.9），检测过程如图 3 所示。首先通过设备采集齿轮图像，然后进行图像处理（包括灰度变换、中值滤波、二值化以及Sobel 边缘检测），通过齿形拟合及测量输出检测结果，并标记出缺陷位置。