机器视觉背景下基于VisionPro的轴承滚动体缺失检测

祁玉梅　邵永生　黄山

摘 要：轴承在生产过程中的滚动体缺失会影响机械设备的安全运行，本文提出了机器视觉背景下基于VisionPro的轴承滚动体缺失检测。在获得较好的打光图像后，利用VisionPro的PMAlignTool进行模板训练以及缺失识别，并结合C#脚本，将结果可视化，在图片上显示具体的检测结果，包括产品合格与否、合格的滚动体个数以及不合格的原因，便于后续的人机交互。通过实验，该方法确实取得了较好的检测结果，能够正确检测轴承滚动体的缺失情况，后续结合通信设备与机械手臂，可实现自动分拣。相较于传统的人工检测，该方式具有效率高、准确性高、安全性高的优势，是现代工业生产中亟需的检测方式。

关键词：机器视觉 缺失检测 VisionPro 轴承

1 引言

轴承是机械设备的关键零部件，决定着机械设备运行的可靠性与稳定性。一旦出现各种缺陷，极有可能会对机械设备的运行造成恶劣的影响，导致设备的故障，带来经济损失。而滚动体又是轴承的核心部位，能够起到很好的支撑作用，保障轴在旋转过程中的稳定性与精度。如果滚动体存在缺陷，轴承在高速运转时会出现异常振动与发热，无法保证机器设备的平稳运行，甚者带来人员伤亡[1-2]。因此对于滚动体的健康检测具有重要的意义，尤其是轴承出厂前的质量检测必不可少[3]。装配过程中常见的滚动体缺陷有滚动体缺失以及滚动体损伤，例如碰擦、划痕、生锈等[4]。目前，常用的滚动体缺陷检测可分为两大类：基于人工的检测以及基于机器视觉的检测[5]。相较于人工检测，基于机器视觉的检测方式具有如下优势[6]：（1）效率更高。机器能够实现更快的检测速度，尤其在高速运动的生产线上，相机和镜头比人眼更有优势。（2）准确性更高。人眼检测会受到生理条件的约束，远远达不到相机和镜头的分辨率。另外，人眼检测会受到主观因素的影响，例如检测员的心情很可能影响检测结果，而机器不存在喜怒哀乐，结果更加可靠。此外，对于重复性的检测过程，人眼会疲劳，而机器不会。（3）安全性更高。对于人工无法适应的一些高温高压等恶劣环境或者危险环境，机器可以实现非接触式检测，保障检测质量的同时也有效地保护了质检人员的安全。因此机器视觉在工业生产领域得到了广泛的应用。本文也在机器视觉背景下，利用VisionPro软件实现轴承滚动体的缺失检测，并结合C#脚本在图片上进行检测结果的显示，便于后续的人机交互。

2 机器视觉概述

机器视觉指的就是利用机器代替人，从而实现视觉类操作，如引导、检测、测量与识别。完整的机器视觉系统包括：（1）视觉硬件，如光源、相机和镜头等，负责拍摄清晰的图片，类似于人眼。（2）图像处理软件，用于对拍摄的图像进行处理，提取有效信息，发出指令，类似于人脑。（3）执行机构，如机械手臂，接受指令，实现抓取等操作，类似于人的手臂。机器视觉系统的操作流程如图1所示。

美国Cognex公司推出的VisionPro软件是常用的机器视觉软件之一，拖拽式操作，运用灵活，功能强大，集合许多图像处理算法，包括定位、测量以及图像的预处理等。本文利用VisionPro8.2版本进行轴承滚动体的缺失检测。

3 滚动体缺失检测

图2所示是待分析的6个轴承产品的打光图。检测要求为：合格产品共包含14个滚动体，如有滚动体整个缺失（漏装），或者滚动体的正面缺失则为不合格，此处不涉及滚动体的碰擦、磨損等检测。图3所示为合格与不合格产品的打光示意图，（a）为合格产品，（b）为不合格产品，包含一个滚动体漏装和一个滚动体的正面缺失。按照检测要求，图2（a）-2（e）均为不合格产品，缺失的部位均用红色圆圈标记出来。图2（f）为合格产品，完整包含14个滚动体。

具体的检测流程为：

（1）采集图像：首先利用Image Source加载如图2所示已打光好的6幅产品图，实际工业生产中可利用相机进行实时图像的采集。

（2）训练模板：利用三个CogPMAlignTool，分别训练三个模板：合格的滚动体（PMAlignTool1）、滚动体漏装（PMAlignTool2）以及正面缺失（PMAlignTool3），训练好的模板如图4所示。

（3）设置运行参数：以PMAlignTool1为例进行参数解释，如图5所示：a）鉴于合格产品含有14个滚动体，因此，将查找概述设为14;b）考虑一些干扰，可适当将接受阈值调整为0.33，并且不考虑杂斑的影响;c）允许一定的角度旋转;d）紧抓合格滚动体正面与反面的灰度值差异，增大对比度阈值为49，避免误判。PMAlignTool2和PMAlignTool3的参数设置一致，将查找概述设为14，其他参数为原始参数。

（4）运行程序，并添加终端显示检测得到的合格滚动体的个数、滚动体漏装的个数以及滚动体正面缺失的个数，便于后续进行产品是否合格的判断。

4 结果显示与分析

为了直观地显示更清晰的检测结果，便于后续的人机交互，利用C#编程语言，添加脚本，在图片上显示如下4方面信息：正常滚动体的个数、产品合格与否、不合格原因以及用红色圆圈标记出不合格的部分。图6所示为脚本运行后的检测与显示结果。

可见，每张图片都清晰给出检测结果OK或者NG。若产品不合格，则给出不合格的原因。例如图6（a）-6（d），合格的滚动体个数均为13，均有一个滚动体的正面缺失，且图上均用红色圆圈标记缺失所在的位置，因此这些产品均被检测为不合格。图6（e）亦为不合格产品，既有滚动体漏装，又有滚动体正面缺失。而6（f）则为合格产品。检测结果与实际相一致。根据检测结果是NG或者OK，后续可通过增加执行机构，进行产品的挑拣。本文只对6个轴承产品的6张打光图进行检测，正确率达到100%，虽然实际情况可能更加复杂，但是思路是可行的，只要结合较好的打光方案，更丰富的预处理算法，均能取得较好的检测效果。

5 结语

针对轴承滚动体的缺失检测，本文采用了基于机器视觉的方式，利用VisionPro进行检测，并结合C#脚本进行清晰显示。该方法能够实现非接触式下的检测，通过结合较好的打光，以及丰富的图像处理工具，能够实现效率高、准确性高、安全性高的缺失检测，在工业生产中具有较高的应用价值。

致谢：论文中所采用的轴承打光图得到苏州德创测控科技有限公司的大力支持。

参考文献：

[1]陈贤，夏建春.轴承滚子表面缺陷检测技术的研究[J].科技创新导报，2018，15（28）：88-89.

[2]温学军，葛动元，姚锡凡，陈岳坪，王健.基于机器视觉的轴承滚动体缺失检测[J].组合机床与自动化加工技术，2020（12）：116-120+124.

[3]崔明，顾启民，黄震.基于机器视觉的轴承滚动体缺陷检测算法研究[J]. 组合机床与自动化加工技术， 2015（11）： 74-78.

[4]段志达.基于机器视觉的轴承缺陷检测[D]. 安徽工程大学，2020.

[5]张奔.基于机器视觉的轴承滚子表面缺陷检测研究[D].南昌航空大学，2018.

[6]秦钟伟，陈捷，洪荣晶.基于机器视觉的滚动轴承滚动体检测[J].组合机床与自动化加工技术，2019（01）：118-121.