基于机器视觉的轴承密封圈缺陷检测方法
发布时间：2013-08-21 浏览次数：917
黄俊敏1’2，吴庆华1’2，周金山1’2，何涛1’2
（1.湖北省现代制造质量工程重点实验室，湖北武汉 430068；2.湖北工业大学机械工程学院，湖北武汉 430068）
摘 要：以江苏某轴承股份有限公司的4011XXXX型的轴承为研究对象。运用机器视觉技术中的Canny算子对轴承密封圈图像进行边缘提取，应用Z小二乘法对其边缘拟合，编写缺陷特征识别算法，并在Visual C++6.0环境下实现了该检测算法。
关键词：图像处理；密封圈；缺陷检测
现代化大生产中，产品质量检测和生产工艺中的质量控制是不可或缺的。目前机器视觉在工业中多应用于检测控制方面，如提高生产效率、控制生产过程中的产品质量、采集产品数据等。本文以江苏某轴承股份有限公司的4011XXXX型的轴承为研究对象，根据该公司对轴承质量的要求，以及该轴承的特性，研究图像处理算法，并实现对该型号轴承密封圈的漏装、破损及毛刺等缺陷的检测。
1 机器视觉系统
机器视觉系统主要由图像采集（图1）、图像处理、结果输出等3部分组成。机器视觉的重要基础和核心是图像处理技术。图像处理技术主要包括：图像预处理技术、感兴趣区域提取、二值化分割技术、边缘提取技术等。这些图像处理技术为后续的几何特征提取和目标参数计算做了充分的准备，是整个机器视觉检测系统不可缺少的部分。
2 图像处理
2.1 图像预处理
成像系统获取的原始图像常常受到噪声干扰，一般情况下直接使用于视觉系统，必须先对原始图像进行一定的图像预处理。图像预处理能很大程度地改善图像的信息，便于计算机对图像进行后期的分析和处理，突出图像中有用的信息，同时抑制图像中无用的信息。图像预处理在整个基于机器视觉的检测系统中占据非常重要的位置，是检测结果正确的重要保证。
2.2 感兴趣区域提取
由于从相机获取的图像包含大量无效的信息，所以必须对图像加以一定处理以筛选出要处理的对象。
首先设置一个大概的区域，再将目标物包含在区域内，并返回设置区域的尺寸及位置。将感兴趣的区域保留，将其他不感兴趣的区域全部变成与背景一样的灰度级，这样就可以将感兴趣的区域保留下来，同时也减小了后续处理的数据量，降低了后续处理的难度。
图2（a）是原图，图2（b）是提取感兴趣区域后的结果。
2.3 图像二值化处理
图像二值化处理是一种基于区域的阈值分割技术。具体方法是找到一个合理的阈值，扫描整个图像的每个像素，将像素的灰度值与该阈值作比较。像素灰度大于阈值，则该像素标记为1（或0），否则标记为0（或1），扫描完图像后，得到一幅灰度仅含有1和0的图像，即二值图像。二值化分割的方法有很多，常用的有固定阈值法、迭代阈值法与自适应阈值法。本文采用比较简单的固定阈值的分割方法。设x为图像中像素点的灰度值，灰度阈值的变换函数
式中，T为固定阈值法中指定的阈值。原始灰度图及处理后的结果如图3所示。
2.4 边缘提取
边缘提取实际上是图像分割的一种技术，在整个图像处理技术中是边界分割的步。常用的边缘提取算法有很多，除Canny检测外，其他几种方法都只能处理某一类的图像，Canny算子属于具有平滑功能的一阶微分算子，能够较好地解决检测精度与抗噪声能力间的矛盾。本文采用Canny算子进行边缘提取，结果如图4所示。
3 轴承密封圈缺陷识别算法实现
对该型号的轴承密封圈的检测主要是判断密封圈的内圈有无破损或毛刺（图5）。
如图4（b）所示，图中有2个比较规则的圆，Z外圈的大圆和中问的小圆，密封圈的所有缺陷在中间的小圆上表现出来。基本算法思想足：利用Z小二乘法拟合出轴承密封圈内圈的圆心（x0，y0）和其半径ro，遍历圆上所有的点（xi，yi），求出点（xi，yi）与圆心（x0，y0）的距离
先设定一个长度域值T，当|ro-di|＞T，则判断点（xi，yi）不在圆上；当这些点（xi，yi）满足一定的条件时，表示密封圈不合格。
以上过程都足在Visual C++6.0环境下实现的，通过对一系列同型号的轴承进行多次实际检测，正确率达到96％，表明这种算法对于轴承密封圈缺陷检测有很强的稳定性，且检测速度快，能满足工业实时性要求。
来源：《湖北工业大学学报》2009年08月
企业新闻
轴承知识