基于线扫描技术的轴承表面缺陷检测方法研究

徐佳乐， 黄丹平， 廖世鹏， 甘芳吉

(1. 四川轻化工大学机械工程学院，四川 宜宾 644000; 2. 中国科学院成都计算机应用研究所，四川 成都 610041;3. 四川大学机械工程学院，四川 成都 610065)

0 引 言

轴承是当代机械设备中的关键部件之一，每年我国出口轴承上百亿套[1-2]。轴承在生产装配过程中，容易产生各种缺陷[3]（图1）。将含有表面缺陷的轴承用于重要设备中，将引发重大的生产事故[4]，尤其在精密仪器中，轴承的表面缺陷将直接影响仪器的精度，因此对轴承进行缺陷检测具有必要性。

图1 轴承表面缺陷

目前，国内轴承生产企业对于轴承表面的检测基本停留在人工目测阶段，效率较低，且易受主观因素影响，造成误检、漏检[5]。针对金属表面缺陷检测，工业界应用的检测方法有磁粉探伤法、涡流探伤法、声波探伤法、光学检测和机器视觉检测[6]等。其中机器视觉检测凭借检测速度快、精度高等优点，在无损检测领域迅速发展[7-9]，国内外科研单位也将其应用在轴承端面缺陷检测上，并取得了部分实验成果。陈文达等[10]提出基于机器视觉的轴承防尘盖表面缺陷检测，采用蓝色同轴光源克服金属防尘盖反光干扰；陈廉清等[11]采用75°的倾斜角照射来突出微小轴承表面缺陷，再利用阈值分割和模板匹配的方法提取缺陷，识别率达到98%；Liu Bin等[12]采用多角度光照的方式采集轴承端面图像，再利用字符识别，提取字符区域的缺陷，检测速度为2.11 s/个；陈进[13]通过前景背景融合的合成数据集方法来增强训练集，并在检测过程中，将并行的高分辨率网络融入缺陷检测网络中，解决了缺陷尺寸跨度大的问题。

上述检测方案，主要存在以下两个方面的问题：在采集方面，上述采集方法均采用面阵采集系统，由于面阵相机成像原理限制，容易造成光照不均、微小缺陷成像质量差等问题，从而增加后期算法提取难度，导致漏检率提高；在算法方面，上述方案均将字符区和非字符区分开处理，分别采用不同的图像处理方法进行缺陷提取，但是轴承表面缺陷种类多样，位置随机性大，并且由于存在纹理噪声，当缺陷与字符或噪声重合时，算法很难进行有效区分。

为解决浅凹坑、锈迹缺陷识别准确率低等问题，本文研发基于线扫描技术的轴承表面图像采集系统，通过轴承运动配合线阵相机与线光源实时采集，使光照更加均匀，缺陷更加明显。此外，为了提高缺陷识别准确率，提出一种基于生成对抗网络的轴承表面缺陷提取算法。其核心是利用改进的重构模型将缺陷轴承图像重构为无缺陷图像，再通过图像残差提取和定位缺陷，实现轴承表面缺陷的快速无损检测。

1 轴承表面采集系统概述

金属的材质和表面粗糙度会对光的反射造成影响。轴承材质单一，反光性仅受到表面粗糙度的影响。轴承表面缺陷会使局部表面粗糙度突变，在图像信息中会出现异常灰度值区域。在传统的面阵采集系统下，受到光线散射的影响，锈迹、浅凹坑等目标与背景灰度值差异较小，如图2所示，容易漏检。

为了解决上述问题，本文搭建了基于线扫描技术的轴承表面信息采集系统。该系统利用线光源照射，同时配合垂直于轴承表面的线扫描相机进行采集（如图2所示）。该采集系统可形成暗场成像效果，使缺陷区域视场的明暗变化更明显，从而增强缺陷目标信息。

图2 线阵与面阵采集系统对比

本文所搭建轴承表面信息在线采集系统主要由工控机、PLC、轴承传输模块、图像采集模块和剔废模块组成（图3）。其中工控机和PLC负责控制整个检测过程有序进行，实现对采集图像进行算法处理判断等；轴承传输模块包括电机、电动推杆和气缸1，实现轴承的移动、旋转和翻转；图像采集模块包括线阵相机和线光源，实现轴承图像的采集和计数；轴承剔废模块主要包括气缸2，实现不合格轴承的剔废。

其具体采集过程如图 3（b）～图 3（c）所示，轴承触发光电开关1，在电机和线光源的配合下，1号线阵相机采集图像，将采集到的图像上传到工控机；接着利用翻转电机翻转轴承。2号相机采集轴承另一个表面图像，将采集到的图像也上传到工控机；最后根据两次算法处理结果，光电传感器2和气缸2配合实现剔废。

图3 轴承表面采集系统

采集原理：针对轴承环形侧面的特点，线性相机靶面、线光源与轴承任意半径重合，并将轴承顺时针旋转一周；旋转期间，由相关波段光源对轴承表面进行照射，在轴承表面部分产生反射光，并由工业线扫描传感器进行光电信号转换，以此获取轴承表面视觉信息，并通过相关算法提取缺陷。

2 缺陷提取方法研究

轴承表面图像信息如图4所示，纹理复杂，缺陷种类多和位置具有随机性，尤其轴承表面微小目标与背景噪声差异小，应用传统算法对识别轴承微小缺陷稳定性差[14]。安萌等[15]提出了一种改进的Faster R-CNN模型，可以快速准确地检测面料疵点；WEI X K等[16]提出了一种YOLO V3的检测网络模型，可检测铁路轨道线路多目标缺陷；张力等[17]改进了SSD网络模型，用于检测列车轮对踏面缺陷。但上述检测网络需要大量的缺陷样本进行训练，而在实际的轴承生产装配过程中，存在缺陷的轴承是少量的，很难获取到大量的缺陷样本，因此目标检测网络模型并不适用于轴承表面缺陷检测。

图4 采集的轴承表面图像

针对上述问题，并根据分析轴承表面信息可得，缺陷可使图像局部灰度值异常。因此，引入重构网络的思想，提取轴承表面缺陷。该方法可通过少量缺陷样本和大量的无缺陷样本训练一个网络模型，使缺陷图像重构为无缺陷图像，并通过图像差分检测缺陷。

2.1 检测流程

本文算法具体实现分为训练和测试两个阶段。第一阶段为训练阶段，如图5所示，可分为以下步骤：

图5 训练流程

1）将所采集到图像进行预处理，提取轴承区域。根据图像的轴承区域与黑色背景的灰度差异以及轴承区域固定的坐标信息定位轴承区域的中心点，以该点为中心点，长1 696，宽176作矩形ROI（感兴趣区），提取轴承区域，如图6所示。

图6 提取轴承区域

2）将缺陷图像通过人工修正转变为无缺陷的目标图像。标定所选取缺陷图像中缺陷区域，并将缺陷区域进行修补，还原为无缺陷图像，再将修复前的图像存放训练图像集内输入集中，将修复后的图像存放训练集内目标图像集中，如图7所示。

图7 修正图像

3）通过生成对抗（GA）的方式训练重构网络，使其具有修复图像缺陷能力。其训练过程为：将输入图像集中的图像随机每4张分为一批，循环进入重构网络的生成网络、判别网络，使生成网络和判别网络获得最优解，实现生成对抗训练。

第二阶段测试阶段，如图8所示。

图8 算法流程

1）根据图像的轴承区域与黑色背景的灰度差异以及轴承区域固定的坐标信息定位轴承区域的中心点，以该点为中心点，长1 696，宽176作矩形ROI（感兴趣区），提取轴承区域。

2）将预处理后图像输入训练好的重构网络，获取重构图像。

3）将重构图像与输入图像求差，获取差分图像。

4）对差分图像进行缺陷定位于提取。

2.2 生成网络

重构网络一般采用编码解码结构，通过卷积和池化等下采样操作不断提取图像特征，形成低维图像数据，再通过重采样和插值等上采样操作将低维的图像特征数据重构为目标图像。但由于低维的特征图像太小，损失了很多细节信息，尤其是轴承表面的纹理信息，容易在深度卷积时丢失。

为克服上述问题，本文采用GAN的网络架构，选用U-net模型为网络模型中的生成网络，如图9所示，通过跳跃结构（skip-layer）将深浅层特征融合，保留图像细节信息，实现轴承图像高精度重构。

图9 U-net网络结构

U-net网络引入结构性残差（structured residual）的思想，使用跳跃结构依次将浅层特征与对应的深层特征融合，在重构深层全图性特征的同时，也能重构浅层的局部细节特征，从而保留轴承表面的纹理特性，实现更高精度的图像重构。

自编码重构网络训练通过多层次的卷积来缩小原始图像和重构图像之间的欧氏距离，大多采用均方差（MSE）函数检测重构图像与实际目标图像之间的偏差，其定义为：

式中：x——目标图像；

y——重构图像；

均方差仅表示重构图像与目标图像的像素差异，适用于规律性好、背景纹理规则的训练集。如果同一批次的输入图像之间差异较大，学习的图像特征不明显，损失函数容易不收敛，导致训练失败。此外，以像素差异作为梯度下降的指标，对训练的靶向作用很差，训练耗时长，重构后的缺陷区域会小于实际区域，且图像背景和纹理均会出现模糊的效果，从而影响后期的识别精度。

L1(x,y)表示像素值之间的差异，无法表征图像的结构性差异，因此引入SSIM loss，从目标图像和重构图像之间的亮度、对比度和结构差异进行学习，弥补单L1loss的不足，SSIM定义如下：

通过L1loss与SSIM的组合函数，使网络从结构性差异和像素值差异两个方面对训练结果进行评估和梯度收敛。

2.3 判别网络

本文采用马尔科夫型的判别器（Patch GAN），其网络结构如图10所示。将重构图像切割成为53×5大小的patch，将每个patch通过BCE损失函数，获取其为真实图像的概率。然后将结果取平均

图10 判别器结构

作为最终的判别器输出，来判断轴承表面图像是否重构成功。该判别器能在提高网络效率的同时，也大大降低运算量，提高了训练效率。

3 实验结果与分析

实验条件：操作系统为Windows10，CPU为i5-7500，GPU为 NVIDIA1660Ti，深度学习框架为PyTorch 1.4.0。图像通过上文所述的采集方法获取1 000张，其中包含缺陷样本800张，无缺陷样本200张。

实验共分为3个部分：实验一是本文提出的线阵采集系统与两种面阵采集系统的采集效果对比实验；实验二是本文选用的L1loss+SSIM组合损失函数与L1loss、SSIM对模型训练效果进行对比实验；实验三是本文缺陷提取算法与U-net、DCGAN的检测效果对比实验。

3.1 实验一：采集方法对比

为了验证本文所述采集方法能采集到更全面的缺陷信息，将本文中的线阵采集方法与传统的环形光源下的面阵采集方法、条形光源下的面阵采集方法进行对比，其采集效果如图11所示，红框内为缺陷信息。

图11 不同采集方式效果对比

面阵相机与环形光源配合采集，锈迹、黑斑和划痕缺陷明显，但凹坑无法显现，信噪比高；面阵相机与环形光源配合采集，凹坑、黑斑明显，但光照严重不均，锈迹和划痕无法清晰显现；线阵相机与线光源配合采集，虽然信噪比有所降低，但凹坑、锈迹、黑斑和划痕均清晰可见，且表面光照均匀，更有利于后期轴承表面缺陷检测精度的提升。

3.2 实验二：损失函数对比

为验证不同验证损失函数对重构网络提取轴承表面缺陷效果的影响，将L1loss+SSIM组合与L1loss和SSIM进行对比实验，损失值变化情况见图12，缺陷样本在多种损失函数下的实验结果见图13。

图12 不同损失函数损失值变化

图13 不同损失函数结果对比

从模型损失变化情况，可以看模型在3个损失函数下均可收敛，但使用SSIM收敛效果更好，更加稳定，最低值为0.011。从实验结果的残差图可以看出，单独使用L1loss，有部分干扰无法消除；而单独使用SSIM修复的缺陷区域要小于真实缺陷区域；当使用L1loss与SSIM组合时，能获得较好的效果。

3.3 实验三：算法对比

为评估所提出轴承表面缺陷检测方法性能，将该检测方法与深度卷积生成对抗网络（DCGAN）以及U-net这两种基础的检测方法进行了大量实验对比。其中验证集选取缺陷样本100张，无缺陷样本50张，其对比效果如图14所示。

图14 多种算法测试效果对比

DCGAN缺陷检测模型对大缺陷有很好的检测效果，但是当缺陷较小或者缺陷与纹理对比不明显时，检测效果较差。U-net网络对凹坑和划痕等小缺陷有很好的效果，但是对黑斑等结构性大缺陷检测效果较差。本文提出的重构网络在重构精度和缺陷区域的定位精度都优于其余两种网络模型。

本文通过上述3种网络模型和阈值去噪相结合，进行了检测效果实验。通过表1可以看出，本文提出的轴承提取算法准确率高达98.58%，且CPU耗时仅为280 ms，同时本系统总耗时平均为1.5 s。从耗时和检测精度上都能满足轴承表面缺陷检测工艺可靠性与实时性的要求。

表1 不同算法的精度和耗时

4 结束语

针对已有轴承表面缺陷检测方法检测精度低、速度慢等问题，本文提出一种基于线扫描技术的轴承表面缺陷检测方法。具体结论如下：

1）与已有轴承表面图像采集方法采集相比，基于线扫描的轴承表面采集系统对于轴承表面所有缺陷成像更加明显。

2）考虑到损失函数对重构网络的影响，通过采用L1loss与SSIM组合损失函数提高轴承表面缺陷的提取效果。

3）改进的轴承表面缺陷检测方法能准确提取和定位轴承表面缺陷，其精度为98.5%，耗时为280 ms，达到了轴承工业检测的要求。

该检测方法还可应用于其他柱面零件的表面缺陷检测，可取得较好的经济效益和社会效益。